1引言
随着我国航天事业的迅速发展，多种携带不同类型载荷的航天器成功在轨运行，在气象环境监测、国土资源普查等方面发挥着重要作用。一旦航天器有效载荷出现故障，将会造成巨大损失，因此及时发现其在运行过程中出现的故障情况，是非常有必要的。
2航天器故障分类
航天器在轨工作状态监视主要分为两种方式：遥感数据和遥测数据。遥感数据是航天器有效载荷的工作目的，对其进行分析可以间接发现部分的载荷故障；而遥测数据则直接全面地反映了是航天器各分系统工作状况，因此一直以来，遥测数据都是航天器工作状态监视的一个重要输入。从对遥测数据进行分析的角度，航天器故障可分为以下三种：单点故障、组合故障、时态故障。单点故障是指对单个遥测参数进行判断即可确定的故障，无需其它的辅助信息；组合故障是指需要对多个有逻辑关系的遥测参数进行组合判断才能确定的故障，这种故障比较复杂，一般需要通过领域专家会诊才推出故障原因；时态故障是指对多个既有逻辑关系又有时间关系的遥测参数进行综合判断才能确定的故障，这类故障更为复杂，还需要结合相关遥测参数的变化情况才能推出结果。对于单点故障，由于只需要进行简单的阈值判断，因此传统的遥测处理方法已经可以实现对其快速准确的报警。对于组合故障和时态故障，传统的做法是由汇集航天器研制方各部件专家会诊，通过大量的人工分析给出诊断结论。但这种做法已经无法满足信息化的发展要求，为了解决后两种故障诊断的效率问题，可在航天器故障诊断中引入基于知识的故障诊断方法。
3基于知识的故障诊断方法
基于知识的故障诊断方法将综合应用了专家经验和人工智能技术，将专家经验抽象成诊断知识，并通过计算机程序设计实现复杂故障的自动诊断。这种诊断方法不需要复杂的模型分析，具有较高的诊断效率，因此得到了广泛的应用。基于知识的故障诊断方法主要分为以下几种。
3.1基于规则推理的诊断方法
基于规则推理的诊断方法，又称产生式方法，通过归纳总结专家经验，抽象为故障的判断处理规则来进行故障诊断。该种方法的优点在于知识的表达很直观，容易理解，便于解释。能够很方便地将领域专家的经验转化为知识表达，不容易在知识的翻译过程中出错。而且由于知识的表达比较简单，对数据存储空间的要求也不高，容易进行软件系统开发。其缺点是不具备自适应能力和自学习能力，当出现库中没有相应规则的故障时，则会诊断错误或失败，不适用于缺乏经验知识的领域。
3.2基于故障树的诊断方法
故障树表现了系统内各部件的逻辑关系。一般是将系统中最不希望发生的故障作为顶事件，按照诊断系统的结构和功能关系逐层展开,直到不可分事件(底事件)为止。该种诊断方法优点是：能够清晰地表达复杂故障问题的逻辑关系，提高诊断效率；便于对知识库进行动态修改；诊断技术与领域无关,只要相应的故障树给定,就可以实现诊断。缺点是诊断结果严重依赖故障树信息的完全程度，不能诊断不可预知的系统故障。
3.3基于案例推理的诊断方法
基于案例的推理（CBR，Case-BasedReasoning）方法核心是通过查找案例知识库中已有的近似案例处置经验来获取当前问题的解决方案。CBR诊断方法具备较强的自适应能力，并且是一种增量式方法，能够持续地更新知识库，具备较强的学习能力，克服了传统诊断方法知识获取瓶颈的问题。其缺点是知识库过于庞大时，案例搜索速度较慢，且得到的处理方案未必最优；此外，使用该种方法的前提是已有一定的案例积累。
3.4多信息融合的故障诊断方法
多信息融合的故障诊断方法是指将通过多种方式获取的多种状态信息进行综合分析应用，最终得到一个综合诊断结论。该种诊断方法能够有效提高故障诊断结果的可靠性、精确性，但也存在着易受人为因素影响、故障隶属度难确定等缺点。
4有效载荷在轨故障诊断模型
对于航天器有效载荷在轨管理来说，地面需要快速、准确地掌握载荷工作状态，需要知道故障导致的后果，避免对载荷的操作引起进一步的危害。结合人工智能和计算机技术的发展，对于有效载荷在轨故障诊断来说，应该基于故障分类区别对待：对于单点故障，采用阈值判断即可；对于组合异常和时序异常，其判断流程和故障树结构有很大的相似之处，可采用基于故障树的诊断方法，此外为避免故障树不全无法诊断的问题，可以用案例推理方法作为补充。第一，故障树和案例都来源于专家或者经验知识构建的，这在客观上符合实际情况；第二，这种模型可以给出推理过程，描述因果关系，用户可据此了解异常程度和涉及部件。第三，这种模型可有效结合两种故障诊断方法的优点，避免缺点，诊断速度快，诊断全面，可以满足用户对异常监视的实时性和准确性要求。图1给出了一种基于故障树和案例推理的故障诊断模型。
4.1诊断知识构建
在该种混合诊断模型中，需要用到两种故障诊断知识：一是故障树诊断知识；二是故障案例诊断知识，下面具体介绍两种诊断知识的构建方法。4.1.1故障树诊断知识的构建故障树是表示系统故障事件与它的各个子系统或各个部件故障事件之间的逻辑结构，通过这种结构对系统故障产生原因进行逐层分析。如图2所示的故障树，其系统故障（顶事件）为R301，当子系统故障（中间事件）T201、T202中任一个发生时即会引起系统故障的发生，其中T201又是由部件故障（底事件）L101、L102、L103中任一个发生引起的，T202是由L104、L105中任一个发生引起的。由此可见故障树诊断知识之间具有层次性，本文采用框架作为知识的基本表示形式，每个框架结构对应于故障树的一个节点。框架中的各个槽分别表示激发节点的报警信息、对应的子框架号、判断规则等。框架知识的结构如图3所示，将图2所示故障树转换为框架知识表示如图4所示。4.1.2故障案例诊断知识的构建一般来说，案例需要包含问题和问题的解两部分内容，不同领域的案例包含的具体内容也大不相同。对于航天器有效载荷来说，其结构组成复杂，工作过程涉及多个分系统，发生的故障也多种多样。通过对大量发生的航天器故障事件进行分析，根据故障发生流程本文建立了如图5所示的故障案例模型。其中产生原因表示引发该故障的根本原因；发展过程表示故障从发生到处理的过程，具体包含有故障发生时刻、故障的特征现象等；处理结果包含有故障的处理措施，以及处理是否成功等；相关影响表示此次故障对航天器此次任务及后续使用造成的影响。一个航天器载荷故障案例可以用一个四元组表示：C=<D,F,S,M>，其中D={d1,d2,......dn}用于描述故障的基本特征，包括故障编号、故障名称、故障类型等信息；F={f1,f2,......fn}用于描述故障对应的特征现象；表示故障的诊断结果，包括解决措施、产生原因等；M表示故障造成的影响。在具体系统实现时，航天器有效载荷故障案例可用面向对象的方法表示如图6所示：
4.2混合推理流程
根据前文分析，当地面收到航天器遥测数据时，首先使用基于故障树的方法对载荷状态进行诊断，如果库中未能搜索到相应的故障树，则采用基于案例推理的诊断方法，如果两种方法都未能成功，则转入人工处理。混合推理的流程如图7所示。
5结束语
有效载荷是航天器在轨执行任务的关键所在，保证其安全、稳定运行是在轨管理的一项重要工作，而要完成这项工作的前提就是高效的故障诊断。本文提出了一种基于故障树和案例推理相结合的故障诊断模型，知识和规则表示成树形结构直观易于理解，同时为避免出现因故障树不全造成无法诊断的问题，又结合了基于案例推理的诊断方法，基于案例推理的方法对于没有明确知识的故障也能通过历史案例匹配提供近似解决方案。这种混合诊断模型能够充分发挥各推理方法的优点，达到更好的故障诊断效果。
作者：郜斐 林元 赵锋锐
