卫星姿态控制系统故障预测方法综述

曲 直，张高飞，孟子阳，许瑞钦

(1. 清华大学精密仪器系，北京 100084；2. 北京信息科技大学仪器科学与光电工程学院，北京 100192)

0 引 言

近年来,全球范围以高性能、高可靠、高自主、低成本作为关键需求提出了一系列军用、民用、商用星座计划,呈现稳速发展的态势。UCS(忧思科学家联盟)[1]数据统计显示,截至2022年1月1日,绕地球运行的卫星总数达4852,其中地球低轨道(LEO)卫星4078颗,中轨道(MEO)卫星141颗,大椭圆轨道卫星59颗,地球同步轨道卫星574颗。目前在轨卫星数目排名前三的属国分别为美国(2944颗)、中国(499颗)和俄罗斯(169颗)[1]。2021年王亚坤等[2]对2003—2021年公开的部分卫星典型故障案例进行统计,得知有约44%的故障发生于电源分系统,26%的故障发生于推进分系统,16%的故障发生于姿态控制分系统(ACS)。在卫星发射初期,故障多数发生于推进分系统和电源分系统,且推进分系统故障多发生于星箭分离阶段[2]。而在卫星发射初期之后的在轨运行阶段,姿态控制分系统故障发生比例不断提升。

一般来说,星座由很多同类型、同设计、同平台的卫星组成。卫星ACS作为卫星稳定运行的核心系统,其包含电子、机械、光学等多类单机和部件,且系统复杂、易发生故障,保证卫星ACS的正常运行才能实现整星乃至星座的复杂在轨任务。近年来ACS故障频发,例如Hitomi卫星[3]于2016年在进行姿态机动操作之后发生异常旋转,导致太阳能电池板等部件折断破损,该卫星是由日本宇宙航空研究开发机构(JAXA)联合NASA和众多研究机构参与开发的大型项目。2019年,所属美国Digital Globe公司的Worldview-4卫星[4]由于ACS中的控制力矩陀螺失效导致完全失控,损失近1.44亿美元。为此,针对卫星ACS的故障检测和诊断[5-7]相关研究工作纷纷展开,此类研究的核心大多是“事后检测”和“事后维修”,在面对突发故障和不可修复故障时存在隔离不及时、诊断不明确等不足。若能提前预知卫星ACS故障,不仅能提前采取措施对系统进行故障隔离或维修,而且能提前对星座平台进行卫星补充或布局重构。“十四五”规划初期,转变传统故障管控理念,在原有故障检测研究基础上展开卫星ACS智能故障预测方法研究,用“事前预测”弥补“事后检测”的短板,为星上任务管理系统和地面站系统提供卫星ACS状态和其他决策信息,对未来卫星ACS健康管理起到重要推动作用。

本文瞄准卫星ACS故障预测技术的未来发展需求,通过总结近年来知识和数据驱动的故障预测技术研究成果,结合卫星ACS特点对研究现状进行梳理,凝练总结出亟待解决的关键问题并给出解决思路供读者参考。

1 故障预测技术回顾

故障预测技术是基于前期故障检测技术逐步发展的“事前预测”方法,故障检测[8]主要判断设备或系统是否发生了故障和指明发生故障的时间(在发生故障时,应迅速对故障的发生进行检测);而故障预测[9]主要是预测系统或部件的未来状态,并根据现有信息估计剩余的有用寿命,预测任务允许预测损害的未来状态,而不是诊断损害的当前状态。此方法可以通过整合当前和历史可用的时间信息,将未来时间作为自变量,故障的可能性作为因变量,以构建一个函数模型来实现。

目前故障预测模型的构建方法主要分为知识驱动的方法[10-14]和数据驱动的方法[15-26],具体分类如图1所示。知识驱动方法能够对研究问题整体考虑,以具体的机理模型或者相关的规则描述研究对象的特性,有助于寻找问题本质和开发新理论;而数据驱动方法作用于有限场景下的数据样本,能够构建相关的经验模型,从数据中挖掘问题的特征[9]。

图1 故障预测方法分类

1.1 知识驱动的方法

知识驱动的预测方法往往依照可观输入及输出状态或可获系统状态值,通过量化建模或专家系统等方法,利用初始数据集对系统已知结构进行分析,推理得知各部分间的功能关系和因果影响,包括微分方程推理抽象出的定性物理逻辑模型、根据因果关系和结构推进方向建立的有向图模型等[9]。知识驱动的方法主要分为系统模型方法、规则和推理方法两部分。

1.1.1系统模型方法

非线性卡尔曼滤波研究的推进,衍生出基于卡尔曼滤波器的故障预测技术分支。同时,自韩京清研究员提出自抗扰控制理论以来[27],众多学者受此启发,开拓出另一条基于非线性滤波器(PF)的故障预测技术分支。

在航天器长寿命、高可靠性的要求下,许多研究人员对故障预测方法的可行性进行论述[10],反作用轮(RW)等关键部件的剩余寿命(RUL)预测已成为一个重要的研究方向。就作者所知,目前使用系统模型方法估计RW的RUL研究并不多[9]。

1.1.2规则和推理方法

规则和推理方法是通过使用从专家知识中获得的if-then规则来推理系统的模糊逻辑,利用模糊获取的专家知识进行逻辑的应用,有助于预测各种故障的动态操作条件。

使用规则和推理方法可以减少预测过程中的不确定性,具有直观简单的特点。由于卫星ACS复杂,很难建立准确且完备的规则库,当专家系统面对未出现故障的情况时,则可能丧失预测能力[12]。近年来,有研究者利用故障树[13]和相关性知识获取技术[14,28-29]处理专家系统的知识获取问题,一定程度上解决了知识获取的困难,但是这种方法需要事先积累不同工作状态下的历史数据,获得足够多的样本,才能保证预测性能。

1.2 数据驱动方法

数据驱动的方法[9,30]摒弃了对研究对象内部机理的严格分析,以大量的仿真、试验及在轨遥测数据为基础,通过不同的数据处理算法或标准的处理流程,分析数据之间的关联关系,主要分为回归方法、统计方法、神经网络方法和混合方法。

1.2.1回归方法

基于时间序列的回归方法将统计得来的故障率数据进行外推预测是数据驱动的故障预测最早的分支,其核心问题分为时间序列的平稳性建模以及模型的预测与评价。目前,典型的平稳性模型[15]主要包括自回归(AR)模型、移动平均(MA)模型和自回归移动平均(ARMA)模型等,其中最为常用的基于ARMA模型的预测方法在设计过程中主要包括模型识别、未知参数估计、模型检验、时间序列预测和模型评价5个步骤,主要过程如图2所示。

图2 基于ARMA模型的预测方法设计过程[15]

在近些年的成果中,Islam等[16]考虑到初期RW速度波动相比中期更大,将自回归综合移动平均模型(ARIMA)和长短期记忆(LSTM)神经网络模型分别用于时间序列预测数据驱动的方法,能够针对不同特点训练数据集给出准确的回归结果,LSTM神经网络在面对波动较大的时序数据的预测时具有更强的效果,属于神经网络方法的范畴,将在下文重点综述。

1.2.2统计方法

目前用于数据驱动预测技术的统计方法[17]主要包括隐马尔可夫(HMM)[18-19]、贝叶斯方法[20-23]等。

传统基于HMM的状态预测方法存在状态持续时间建模不准确的问题,适用于短期记忆的时间序列预测[18-19]。为弥补其不足,Chen等[19]开发了一个具有自动相关观测的隐马尔可夫模型(HMM-AO),提出了一种使用期望最大值的新算法来估计未知参数,同时考虑了缺失数据和随时间累积的噪声。与传统HMM模型不同之处在于,HMM-AO模型中的当前观测值不仅取决于相应的隐藏系统状态,而且取决于以前的观测值。

贝叶斯方法[20]不同于一般的统计方法,其不仅利用模型信息和数据信息,而且充分利用先验信息。近年来,文献[21-23]分别将贝叶斯方法应用于通信卫星的行波管(TWT)、晶体振荡器、卫星携带锂电池的故障率估计。

1.2.3神经网络方法

神经网络(ANN)[24]作为深度学习的分支,包括卷积神经网络(CNN)和循环神经网络(RNN)。在语音识别、计算机视觉和自然语言处理等领域取得了重大突破,也可以被看作实现时间序列预测的有效工具。

近年来,随着数据量的爆炸式增长,LSTM[25]神经网络作为RNN最具体代表性的分支,相比于普通的神经网络,在对历史信息的保留和对未来信息的预测上实现了巨大的突破。

神经网络模型是非线性的模型,虽然能够很好地解决复杂非线性的预测问题,但由于无法得到显式的表达式来反映预测变量和解释变量间的关系,所以无法如回归方法那样明确解释变量对预测变量的贡献值,同样也无法用统计方法来检验模型的显著性。

综上,纯神经网络方法[26]仍需关注的劣势分为4个部分:

1)在解决线性系统预测问题时,预测的效果不如线性模型直接预测好。

2)没有完备的确定网络结构的方法,一般需要进行大量的试算才能选择出一个合适的模型。

3)可能出现过拟合的情况,比如模型对训练样本数据进行了过度拟合,而对训练样本以外的数据进行预测时就会出现更大的误差。

4)需要大量的训练数据和计算时间,对于某个具体的计算问题,还容易陷入局部极小值。要得到全局极小值,往往需要对算法进行改进和尝试不同的初值。

1.2.4混合方法

为提高应用于故障预测技术领域的单一方法局限性,分别以回归方法、统计方法和神经网络方法为基础,将数据驱动方法进行融合,衍生出一系列混合方法[31-37]。

2011年,张茂林等[31]针对卫星ACS的故障预测问题,给出了模糊基函数网络(FBFN)与AR模型相结合的故障预测方法,利用卫星正常运行时的姿态数据训练FBFN,然后将卫星实时姿态数据与FBFN输出数据之间的差值作为残差,利用AR模型对残差序列进行建模,进而依据预测残差的统计分布给出了故障发生概率,利用故障预测置信因子来描述预测步长不同时故障预测结果的可信性并提出了预测置信因子的概念,对故障预测的准确性进行评价。2012年,Chen等[32]提出了一种基于神经模糊系统(NFS)和改进贝叶斯算法的机器健康状况预测的新方法,用机器状态数据进行训练后的NFS作为预测模型,利用粒子过滤的递归贝叶斯算法,通过一组具有相关权重的随机样本(或粒子)实时计算后验PDF,提高了传统单一方法的故障预测准确性。2019年,朱昶文等[33]针对目前卫星监测系统无法及时发现故障且无法反映卫星状态趋势变化的问题,提出一种基于自适应白噪声完整集成经验模态分解(CEEMDAN)方法与粒子群极限学习机组合(PSO-ELM)的指标预测模型和基于模糊层次分析法(FAHP)的多指标融合故障检测模型,该故障检测模型与目前卫星异常监测系统相比,能提前两周期检测到故障。近两年,Muthusamy等[35]在之前工作[34]基础上拓展,用得到的残差[34]来拟合一般路径模型(GPM),以获得代表历史预言的先验模型参数。对于故障的实时预测,使用贝叶斯更新技术将priori信息、GPM和目前正在运行的卫星的残差合并起来,以预测剩余的有用寿命。由于多变和复杂的空间环境给卫星长期故障预测和评估带来巨大挑战,与状态相关的遥测数据的季节性变化和异方差性将导致预测的巨大偏差[36]。同时,考虑到传统的卫星评估阈值基线是简单的曲线,对捕捉退化数据的状态信息不敏感。为解决此问题,Tao等[37]提出了一种预测-评估方法,其中包括数据预处理、预测策略模型和评估策略模型。首先,数据预处理包括消除野值、移动平均和基于黄土的季节性趋势分解(STL),准确挖掘出卫星长期遥测数据的退化和波动特征;其次,将门循环单元(GRU)与广义自回归条件异方差(GARCH)模型融合,提高对不同波动特征的认知能力,进一步提高预测精度,该策略比传统的预测手段更有效、更灵敏。

除此之外,还存在未分类的模糊数据驱动方法,包括灰度预测[38-42]、集员估计[43-44]等,此类方法以遥测信息为基础,利用相似性原理和新陈代谢原理建立一种新型预测模型,对未来卫星ACS故障预测技术的革新具有参考价值。

2 卫星ACS故障预测技术难题

纯知识驱动和纯数据驱动的方法在工业机械轴承[45]、飞机多功能扰流板(MFS)[46]、锂电池[47]、工业动力设备[48]等领域较为成熟,以卫星ACS作为研究对象的故障预测领域研究成果尚少,且均存在一定局限性。

2.1 知识驱动的卫星ACS故障预测方法难题

卫星ACS的精确建模和机理认识是知识驱动的卫星ACS故障预测技术基础,卫星ACS模型[49]主要包括动力学与运动学模型、执行机构模型(RW、CMG、磁力矩器)、敏感器模型(太阳敏感器、星敏感器、光纤陀螺、磁强计)、控制器模型、环境干扰模型和状态估计器模型,其结构关系如图3所示。

图3 卫星ACS结构示意图

目前基于知识驱动的卫星ACS故障预测研究存在三个亟需解决的难题:

1) 全局状态估计器仅对整星敏感器输出状态进行估计,对其他多器件[50]的传导感知不明显;

2) 多敏感器测量信息丢失严重影响状态估计器的性能,导致故障预测精确度较低;

3) 在轨不确定性[51]对状态估计器的不利影响和敏感器测量噪声随时间序列积累,造成状态估计器中长期估计精确度降低。

2.2 数据驱动的卫星ACS故障预测方法难题

遥测数据是数据驱动的卫星ACS故障预测技术前提,其主要包括高维若干帧原始数据,例如飞轮A当前转矩、平台陀螺组件B角速度、光纤陀螺C角速度、星敏感器1参数Q1、X轴磁力矩器电流遥测值、X方向磁场强度(磁强计)、X轴估计环境干扰力矩等。

目前基于数据驱动的卫星ACS故障预测技术存在两个亟需解决的难题[52]：

1) 数据原始训练样本维度太高,模型训练周期过长,影响故障预测效率;

2) 混合不同相关性的数据样本复杂度高,难以平衡深度学习算法设计难度和故障预测模型状态预测精确度之间的矛盾。

综合来看,单一类别方法在不同应用场景[53]下均存在一定的局限性,若能够通过知识驱动方法与数据驱动方法的结合,实现对问题全局和局部特征、规则与经验的有机结合,充分利用二者的互补特性,通过并行模式、引导模式和反馈模式将知识驱动与数据驱动方法联合,将有助于提出性能更优的联合方法。

3 知识和数据联合驱动方法发展趋势

尽管国内团队围绕知识和数据联合驱动的故障预测技术开展了诸多工作,但是面向卫星ACS不同实际适用场景的研究仍具有广阔的发展空间,依据确定机理模型或缺乏机理模型、器件级或系统级、短期或中长期的不同故障预测需求,将知识和数据联合驱动方法在当前和未来的发展趋势分为并行模式、引导模式和反馈模式三个分支。

3.1 知识与数据并行模式驱动方法

在实际应用中,知识和数据并行模式的卫星ACS故障预测技术的主要适用场景是确定机理模型的卫星ACS短期器件级故障预测,重点解决状态估计器对多器件细微变化感知不明显和多敏感器测量信息丢失影响故障预测精确度等问题,其基本结构如图4所示。

图4 并行模式结构示意图

面向上述需求,梳理当前和未来的研究重点如下:

1) 对多重测量数据丢失的卫星ACS状态估计问题进行研究,其中包括卫星ACS器件的机理模型研究[54-55]、多器件的分布式状态估计器设计[50,56-57]、基于多重测量数据丢失情况下的估计器状态预测模型研究[58-60]。

2) 以卫星ACS高维遥测数据为基础,展开遥测数据的智能挖掘和故障预测网络模型研究[61],分析基于知识方法驱动的机理模型输出预测序列与纯数据驱动的输出预测序列的时间窗口维度一致性[62]问题。

3) 在上述研究基础上,基于两种方法并行输出的预测结果建立综合输出预测结果评价体系[63],重点研究知识驱动的器件机理模型与数据驱动的经验模型分别产生的状态预测序列残差[64]或新息的融合预测问题。

3.2 知识与数据引导模式驱动方法

卫星ACS故障预测方法在缺乏知识机理模型时,可设计基于遥测数据的故障预测方法,但遥测数据维数庞大且纯数据驱动方法忽略了遥测数据本身的知识特性,不仅造成了先验知识的浪费,也降低了故障预测精确度,因此需要先验知识进行遥测数据样本的初始化,即知识方法引导数据方法。针对原始遥测数据维数高、相关性复杂度高,导致状态预测模型训练周期长且模型训练样本的确定缺乏先验知识引导,影响故障预测效率和精确度等问题,以已知的数据关联性知识机理为基础,指导构建合理的数据驱动经验模型,该模式主要通过修改数据驱动方法中原始样本相关性分类设置的方式,实现利用知识特性降低经验模型构建复杂度,同时提高其准确性的目标,其基本结构如图5所示。

图5 引导模式结构示意图

面向上述需求,梳理当前和未来的研究重点如下:

1) 遥测数据互相关测度评价及最优测度研究[65-67]。面向遥测数据互相关测度评价方法以及最优测度均未明确的研究现状,分析并归纳遥测数据相关性的特点,明确遥测数据互相关测度评价标准,量化分析并验证遥测数据相关性分析的最优测度。

2) 针对传统遥测数据相关性分析方法仅能发现相关程度知识,无法提供足够相关结构信息的问题,基于深度学习方法展开互相关结构知识发现方法研究[68-69],考虑大规模、高维度遥测数据互相关分析时测度偏向多值变量的问题,并展开遥测数据多类分类方法研究。

3) 研究切实可行的故障预测方法[28-29,70-71],以现有卫星ACS遥测数据互相关知识发现方法研究为基础,引导已挖掘的数据先验知识和规则特性融入数据驱动的经验模型构建中,保证故障预测效率和精确度。

3.3 知识与数据反馈模式驱动方法

针对卫星在轨实际情况下ACS机理模型中存在部分机理未知或机理模型中参数不确定的问题,为保证卫星ACS故障预测的精确度,通过数据驱动方法去修正或替代机理模型的相关模块或参数,其基本结构如图6所示。

图6 反馈模式结构示意图

面向上述需求,梳理当前和未来的研究重点如下:

1) 对实际情况下在轨卫星ACS的全局状态估计问题的研究[72-74],其中包括影响全局状态估计的在轨不确定性模型研究、基于敏感器的全局状态估计器研究、考虑在轨不确定性的全局状态估计器预测模型研究。

2) 在卫星ACS状态估计问题研究的基础上,考虑历史和近期残差或新息数据对未来残差或新息项的影响,对未来时刻状态估计器的反馈融合残差或新息项趋势预测进行研究[75-76],解决状态估计器的动态调整和预测更新相关问题。

3) 考虑数据驱动方法的状态预测值误差随预测步长的增加不断增大的问题,设计能够修正数据驱动方法的预测值误差的反馈更新项。此外,为进一步确保预测的精确度,考虑到系统测量噪声随着预测测量值变化不断变化的问题,研究系统测量噪声补偿算法[77-80]。

4 卫星ACS故障预测技术发展建议

受当前的研究进展和关键问题启发,本文给出知识和数据并行模式、引导模式、反馈模式驱动的卫星ACS故障预测技术路径的发展建议,总体技术路径如图7所示。

图7 卫星ACS故障预测技术路径

4.1 并行模式技术路径

以提高故障预测精确度和适应性为目的,数据与知识并行模式驱动的卫星ACS故障预测技术路径如下:

首先,基于物理机理特性为卫星ACS中器件(敏感器、控制器、执行机构)设计分布式估计器用来估计单器件的状态信息,重点考虑测量数据丢失的情况,基于最小方差理论,利用在线递推形式的状态估计器增益的表达式,通过预测步和更新步迭代对系统状态进行估计,采用随机分析理论证明估计误差在一定条件下满足均方有界,保留预测状态序列作为输出知识结果。

其次,基于深度学习方法利用卫星ACS无故障时的遥测数据训练模型,将训练好的纯数据模型作为卫星ACS的标准输出模型,提取与卫星ACS敏感器单机机理模型含义相同的状态信息数据,通过建立预测序列时间窗口模型的方式,将预测输出结果保持在同一时间和维度序列上。

最后,基于最小二乘法利用时间序列模型对实时遥测数据与物理机理模型输出预测序列、实时遥测数据与纯数据模型输出预测序列之间的差值进行综合建模。

4.2 引导模式技术路径

以卫星ACS遥测数据为基础对数据间的知识规则进行先验挖掘,通过挖掘的知识来引导纯数据驱动故障预测方法,旨在提高故障预测精度和复杂度,其主要技术路径如下:

首先,以相关性理论知识为基础,针对某在轨卫星高维遥测数据的关联性、相似性、规则性和因果性对其分类并定义,分别描述基于误差比例削减、互信息、Copula函数、曲线原理、基于距离等相关性分析方法,并对方法的适用性进行比较分析和总结。量化分析包括覆盖度、新颖度、普适性、时效性的相关性测度评价标准,考虑遥测数据的特点设计遥测数据相关性分析的最优测度方法。

其次,基于最优测度方法进行大规模、高维度遥测数据互相关分析,并针对测度偏向多值变量和动态规划算法时间复杂度高的问题,通过聚类法作为前驱过程对数据进行网格划分、以信息熵代替最大熵对互信息进行归一化的知识方法设计,对遥测数据进行线性、单调性、序对一致性、散点图形状等相关结构信息的标注,并提取不同类别遥测数据作为纯数据驱动故障预测的样本。

最后,以上述遥测数据不同相关结构数据样本为基础,基于自回归滑动平均(ARMA)模型在捕捉时间序列线性部分的优势和人工神经网络(ANN)在处理非线性时间序列的良好性能,为达到应对不同类型的故障预测需求的目标,通过不同相关结构遥测数据的单步预测和多步预测序列,建立混合动态遥测数据预测模型。

4.3 反馈模式技术路径

以实际在轨情况下卫星ACS知识机理仿真模型为基础,针对其存在部分机理未知或模型参数不确定的问题,通过数据驱动方法以反馈的形式对知识驱动的机理模型的不确定性模块或参数进行修正或替代,旨在降低知识机理仿真模型建模难度,提高卫星ACS故障预测精确度,其主要技术路径如下:

首先,基于最小方差准则设计全局状态估计器,在每一个采样时刻,通过设计合适的状态估计器增益矩阵实现状态估计误差协方差上界的最小化,采用随机分析理论对系统估计误差进行分析,通过李雅普诺夫方法证明状态估计器的全局稳定性。

其次,以上述全局状态估计器设计为基础,融合数据驱动的相关向量机方法,设计一种未来时刻状态估计器的残差项趋势预测方法,综合考虑历史残差和近期残差数据对未来残差项的影响,对两部分残差进行动态加权得到预测的残差项,通过将预测的残差项代入到系统的状态预测模型中,实现状态估计器的动态调整和预测更新。

最后,设计面向中长时间跨度的卫星ACS故障预测方法,考虑预测步长的增加导致数据驱动方法的预测值误差增大对反馈模式下故障预测算法产生的不利影响,通过引入自适应权重项对观测器输出动态参数进行修正,当估计器预测残差或新息的协方差矩阵增大时,自适应项将减小滤波器预测残差或新息在更新过程中的权重;考虑到预测过程中系统测量噪声随着预测测量值不断变化的问题,通过在系统状态方程引入测量噪声补偿模型,实现对系统模型的动态更新。

综合上述卫星ACS故障预测方法研究,基于模型时间平稳性检验原理,给出k步后的故障发生概率和故障预测置信因子,对所求的故障发生概率进行评价。另外,为了准确评估不同模型的故障预测效果,综合计算均方误差(MSE)、平均绝对误差(MAE)和平均误差(ME)指标定义故障预测准确性。

5 结束语

随着全球在轨卫星数量、系统复杂度、星座种类和设计寿命的持续增长,在轨卫星的管控难度也逐渐加大。ACS作为卫星核心系统,在复杂多变的空间环境中调配子系统完成各类任务,系统与器件在或长或短的时间维度内经受许多不确定的破坏或损伤。面对不同场景的在轨卫星保障需求,传统卫星ACS的故障检测和诊断等“事后检测”和“事后维修”方法存在故障隔离不及时、诊断不明确等劣势。近年来,为了“事前预测”卫星ACS故障以便尽早进行故障隔离或维修,卫星ACS的故障预测技术受到业界广泛关注。经过20余年积累,故障预测方法已经逐步向知识驱动方法和数据驱动方法两条分支发展,但目前我国相关研究主要集中在纯知识驱动或纯数据驱动的故障预测技术的理论研究及在轨实验,因而有必要借鉴国外研究成果,在研究过程中从实际应用需求出发,通过知识驱动方法与数据驱动方法的结合,实现对问题全局和局部特征、规则与经验的有机结合,充分利用二者的互补特性,把握发展趋势,注重可实现性,突破技术壁垒。