基于领域知识图谱的卫星故障辅助诊断与处置方法

张鑫鑫，王 冲，徐 晔，周晓宁，沈亦纯，周 捷

（1.上海卫星工程研究所，上海 201109；2.上海航天技术研究院，上海 201109）

0 引言

近年来，随着航天技术的蓬勃发展和国家战略部署需要，愈来愈多的卫星进入太空执行各式各样的飞行任务。考虑到近年来大气环境变化，急需开拓大气环境监测新手段，我国首颗“大气环境监测卫星（DQ-1 卫星）”于2022 年4 月成功发射升空。DQ-1 卫星设计使用寿命8 a，运行于太阳同步轨道，配置8 个平台分系统以及5 个有效载荷，其设计寿命之长、有效载荷之多，对卫星的可靠性提出了更高的要求，对卫星故障的诊断处置也提出了更高的要求。

卫星系统的无故障运行是保障卫星飞行任务成功的前提。基于决策树［1］、基于小波变换［2］、基于关联规则模型［3］、基于阈值等传统卫星故障诊断方法存在一定的局限性。针对依赖阈值检测的传统卫星故障诊断方法，其故障检测灵敏度与定位准确性往往不足，会延误卫星故障处置时机。随着人工智能技术的发展，学者们开始研究基于机器学习的故障识别方法，包括基于量子神经网络［4］、基于BP神经网络［5］、基于循环神经网络［6］等方法。但这些方法普遍存在可解释性差的问题，且诊断过程的不透明和决策依据的缺失导致用户难以理解与相信智能模型的生成结果。而基于机理知识的专家系统技术［7-8］具有机理清晰、结论明确的优点，在卫星故障诊断与处置中发挥重要作用。但随着卫星系统越来越复杂，故障间存在着耦合扩散，因此通过人工方式把专家经验归纳总结成准确而完备的故障诊断规则具有相当大的难度，并且预置的专家规则往往趋向于较为简单的故障模式。卫星作为高可靠产品，一般情况下，简单的预置专家规则难以发挥预期效用。一旦卫星发生故障，往往是多学科耦合的、表征现象繁杂错乱而难以定位的，常常需要专家依据相关背景知识、产品设计进行多维度的知识推理，进而确定可能导致故障的原因。因此，如何高效准确地进行卫星故障诊断仍是一个亟须解决的难题。

知识图谱起源于语义网络，可以作为一种颠覆传统意义的表达形式，将知识以更形象化的方式进行表达［9-10］。知识图谱技术由于其能将复杂知识简单化、形象化，同时具备一定的知识推理能力，近年来逐渐成为学者研究的热点，在航天领域表现出强力的应用潜力优势。赵明等［11］建立了航天控制软件领域知识图谱，解决航天控制软件知识管理问题。谢榕等［12］基于构建的标准化卫星数据集成元数据模型，形成遥感卫星特定领域知识图谱，服务应用于海量卫星数据的语义集成和信息整合。随着在轨卫星种类和数量的不断增长，卫星知识不断复杂化，传统的故障诊断方法和专家系统已无法满足卫星故障信息的快速获取和定位。王子奇等［13］将知识图谱快速检索优势应用于卫星自主导航领域，能够从海量遥感图像库中精准定位所需图像资源。因此，建立卫星故障领域知识图谱，并将其应用于卫星故障辅助诊断与处置，具有重大意义。

为了提升复杂故障场景下的卫星故障诊断效率与处置能力，本文研究基于领域知识图谱的卫星故障辅助诊断与处置方法，将卫星的产品设计知识、工作场景知识通过知识图谱的形式表达刻画，利用知识图谱优良的知识引导与推理分析能力，辅助故障数据分析，提供故障的背景知识信息、关联知识信息及推理信息，提升故障的诊断效率，并具备一定的故障处置能力，为大气环境监测卫星在轨故障诊断与处置提供了一种辅助诊断方法。

1 卫星故障领域知识图谱

1.1 卫星故障领域知识图谱概述

知识图谱是人工智能与知识的有机结合，通过点、边的关系对知识进行描述。通过知识表示、抽取、融合、存储、推理等多方面技术构建的知识图谱，可以应用到语义搜索、智能问答、决策分析等领域［14］。

不同于语义网应用范例（DBPedia）、维基百科（Wikidata）、百度、谷歌等搜索引擎使用的通用知识图谱，领域知识图谱（Domain Knowledge Graph）是面向某一特定领域的高质量的知识图谱，其具有广泛的领域知识来源、复杂的领域知识结构、多样的领域知识应用形式［15］。

随着卫星系统的不断发展，故障特征数据之间的关系和规则往往被海量数据淹没，使得传统的专家知识无法及时挖掘。通过面向卫星故障辅助诊断与处置的卫星故障领域知识图谱技术，可以将复杂模糊的卫星领域专家知识可视化，并对卫星故障信息进行挖掘推理，辅助诊断与处置卫星故障，提升了卫星故障诊断与处置的智能化水平。

1.2 卫星故障领域知识图谱架构

卫星系统在设计、研制、地面电测试以及在轨飞行阶段中，积累了大量卫星系统知识，包括地面设备状态监测数据、卫星遥测数据、卫星遥控数据等结构化数据、地面设备软件运行日志文件等半结构化数据和设计文档、单机确认照片、大型试验过程记录视频等非结构化数据。基于结构化、半结构化和非结构化卫星系统知识，通过自然语言处理、数据挖掘等技术方法和原理，构建高质量的卫星故障领域知识库［16］。

卫星故障领域知识图谱的体系架构如图1 所示。在该体系架构中，首先对多源异构卫星系统知识进行清洗、转换和存储，输出规范化基础数据，然后通过语义处理技术对规范化基础数据进行实体、关系、属性抽取，并综合运用本体建模、实体消岐、知识合并、知识推理等技术完成卫星故障领域知识图谱构建，服务于卫星故障的可视化、检索、分析、辅助处置等应用。

图1 卫星故障领域知识图谱体系架构Fig.1 Architecture of the domain knowledge graph for satellite faults

2 卫星故障领域知识图谱构建

2.1 卫星故障知识抽取

卫星故障领域知识图谱由多种信息处理技术共同构建而成，其构建总体流程如图2 所示。卫星故障知识抽取是实现自动化构建卫星故障领域知识图谱的重要环节，其目的在于将知识从不同来源、不同结构的数据中自动抽取并存入卫星故障领域知识图谱中。

图2 卫星故障领域知识图谱构建总体流程Fig.2 Flow chart of the domain knowledge graph construction for satellite faults

卫星故障知识抽取的数据源可以是结构化、半结构化或者非结构化数据。针对不同的数据类型，卫星故障知识抽取所用到的关键技术有所不同。对于卫星系统的结构化数据，应用一些成熟的方法将关系数据提取并转换为RDF 格式（一种用于描述Web 资源的标记语言），例如DM（Direct Mapping）和R2RML（RDB to RDF Mapping Language）；对于卫星故障半结构化数据，采用基于映射的信息框提取方法将故障诊断信息转化为RDF 三元组。针对卫星系统的非结构化数据，考虑其数据的多样性和复杂性，借鉴LSTM-CRF 模型［17］、APCNNs 模型［18］、Bootstrapping 方法［19］和联合事件提取模型［20］等深度学习方法来提取卫星故障诊断的实体、关系和事件知识。

2.2 卫星故障知识融合

卫星故障知识抽取的结果不一定完全准确，其抽取结果中含有不少的冗余信息和错误信息。卫星故障知识融合的目的是将新获得的知识融入卫星故障领域知识图谱中，包括共指消解、实体消岐、知识合并等。共指消解解决异名同物问题，采用平均准确率较高的奇异值分解和多分类器方法［21］；实体消岐解决同名异物问题，可用方法包括空间向量模型、语义模型和百科知识模型［22］等；知识合并则是解决知识整合问题，把符合框架规范的知识或第三方知识库的知识整合到知识图谱中。

卫星故障知识融合的关键是在保证知识图谱知识准确率的前提下高效地引入新知识，实现在同一框架下的规范表示。

2.3 卫星故障知识推理

知识推理能用于知识图谱补全。卫星故障知识推理基于卫星故障领域知识图谱中已有的事实、关系，推理出关于卫星故障的新事实、新关系、新公理以及新规则，是卫星故障领域知识图谱补全的重要手段。同时，卫星故障知识推理是卫星故障领域知识图谱能力输出的主要方式，为相关的卫星故障知识查询返回正确的知识信息，可用于卫星故障早期发现、快速定位，是卫星故障知识辅助故障诊断和处置的主要实现方式。卫星故障知识推理主要有基于演绎的和基于归纳的两类知识推理技术手段，如基于描述逻辑［23］和基于图推理［24］。

2.4 卫星故障知识可视化

随着卫星系统不断复杂化，卫星故障知识规模不断增长。如何将卫星故障知识更直观、更形象地呈现，对卫星设计人员具有非常重要的意义。卫星故障知识可视化通过可视化布局与视觉编码的方式，将故障知识库中抽象的知识以图形元素的形式呈现出来，使卫星设计人员在进行故障诊断时能清晰地梳理故障脉络，辅助卫星设计人员更加有效地分析故障信息。知识图谱可视化按照可视化布局与视觉编码方式可以分为6 类，包括空间填充、节点链接图、热图、邻接矩阵、缩进列表、欧拉图，用的最多的是节点链接图［25］。卫星故障领域知识图谱节点链接如图3 所示。

图3 卫星故障领域知识图谱节点链接Fig.3 Node link diagram of the domain knowledge graph for satellite faults

3 卫星故障领域知识图谱应用场景

卫星故障领域知识图谱表达刻画了卫星系统复杂的产品设计、工作场景等海量异构数据，使异构数据之间产生普遍联系，在卫星故障诊断领域有着广泛的应用前景。

3.1 卫星遥测遥控异常诊断

基于卫星故障领域知识图谱，实现卫星遥测测点信息、控制点信息与整星多学科设计知识的深度关联。

在卫星遥测点或遥控点报送异常时，卫星故障领域知识图谱提供故障测点所关联的设计信息，为遥测或遥控的异常排查提供知识指导，并进行一定的逻辑分析推理，辅助卫星遥测遥控异常的诊断。基于卫星故障领域知识图谱的卫星遥测遥控异常诊断场景如图4 所示。

图4 卫星遥测遥控异常诊断场景Fig.4 Scenario of the diagnosis for satellite telemetry and telecontrol abnormities

3.2 飞轮故障诊断与处置

针对卫星姿轨控分系统故障诊断与处置问题，卫星故障领域知识图谱通过抽取卫星姿轨控分系统内光纤陀螺组合、半球谐振陀螺、星敏感器、磁力矩器、推力器、飞轮、控制力矩陀螺等单机的相关遥测信息，结合卫星姿轨控分系统相关设计报告、研制总结、测试总结、测试过程中产生的照片及视频等结构化和非结构化知识，不断进行知识融合、知识加工产生新知识以更新卫星故障领域知识图谱，实时推理、分析并诊断姿轨控分系统可能产生的故障，并对诊断出来的故障给出处置策略，从而实现卫星姿轨控分系统的故障诊断与处置，如图5所示。

图5 卫星姿轨控分系统故障诊断与处置场景Fig.5 Scenario of the diagnosis and disposal for satellite attitude and orbit control subsystem faults

为验证基于领域知识图谱的卫星故障辅助诊断与处置方法的有效性，下面以卫星姿态控制为例假设一种场景：某卫星姿态控制分系统中的“三正交一斜装”反作用飞轮组合存在如图6 所示的故障，具体表现为飞轮#1、飞轮#3、飞轮#4 存在部分失效故障，飞轮#2 存在常值误差故障和完全失效故障。

图6 反作用飞轮组合故障场景Fig.6 Fault scenario of the reaction wheel assembly

在卫星故障领域知识图谱中若已知（姿态控制器，输出，期望控制力矩）、（卫星姿态控制，执行机构，反作用飞轮组合）、（反作用飞轮组合，构型，三正交一斜装）、（反作用飞轮，输出，期望飞轮转速）和（反作用飞轮，测量，实际飞轮转速）等知识，则可以推理出反作用飞轮组合是否出现故障。

下面按照上述场景对某卫星姿态控制分系统的故障诊断与处置进行数值仿真，为保证卫星姿态控制精度，利用卫星故障领域知识图谱，并结合实时数值仿真数据，对反作用飞轮组合存在的故障进行诊断。根据反作用飞轮组合故障诊断结果，卫星领域知识图谱将自主切换姿态控制策略，并进行数值仿真，使姿态控制精度满足控制要求。自主切换后的基于观测器的类比例微分姿态控制器［26］的具体形式如下：

具体数值仿真参数见表1。数值仿真结果如图7 和图8 所示。由图7 可以看出，卫星的姿态角和姿态角速度在进行故障处置后能够收敛到很小的残差集，稳态误差不超过0.01°和0.000 01 rad/s。图8给出的是自主切换姿态控制策略后的控制器控制力矩，以及实际飞轮组合控制力矩响应曲线。结果表明，卫星故障领域知识图谱具备解决卫星姿轨控分系统故障诊断与处置问题的能力。

表1 数值仿真参数和初始状态Tab.1 Parameters and initial states for the simulation

图7 卫星姿态角和姿态角速度响应曲线Fig.7 Response curves of the Euler angle and angular velocity

图8 控制器控制力矩和飞轮组合实际控制力矩响应曲线Fig.8 Response curves of controller and reaction wheel assembly actual torque

4 结束语

知识图谱技术有助于提升卫星故障诊断和处置过程中的知识引导与推理能力。本文考虑大气环境监测卫星有效载荷多、设计寿命长、可靠性要求高等特点，研究了基于领域知识图谱的卫星故障辅助诊断与处置方法，有效利用了卫星系统中的多个维度的专家知识，能够为复杂故障场景下的故障排查与定位提供有力的知识支撑，可有效提升卫星故障的排查效率与诊断能力，为大气环境监测卫星故障辅助诊断与处置提供了一种新的可行途径。