一种基于多胞胎身心感应的航天器智能自主健康管理系统

1.本发明涉及航天器及信息融合技术领域，尤其涉及一种多主体信息融合的航天器智能自主健康管理技术。


背景技术：

2.航天器飞行任务中，由于空间环境恶劣，存在不确定性，且地面人工干预能力受限，极易引发故障甚至灾难性后果。自主健康管理能够在轨对航天器监测数据进行分析，快速识别异常、定位故障，采取故障处理与恢复措施，辅助规划决策，对保障航天器安全可靠稳定地运行具有重要意义，是实现航天器在轨自主化管理的关键技术之一。
3.目前航天器自主健康管理主要依据人工判据、阈值自动判据、专家系统，通常只能检测预设异常，而无法检测未知和阈值范围内的异常，以及超出专家认知能力的耦合故障或新故障。然而，智能自主健康管理系统利用机器学习和深度学习理论，以数据驱动的方式减轻了对专家知识的依赖，通过构建智能诊断模型，端到端地建立状态监测数据与健康状态之间的映射关系，实现航天器健康状态精准智能诊断。
4.智能自主健康管理的有效性建立在丰富的典型故障信息和充足的健康标签信息的基础上。然后，在实际应用中，航天器智能诊断模型存在以下挑战，导致模型泛化性能下降，甚至发生模型失效现象：
5.1)故障样本不足。航天器在大多数运行时间内都处于正常状态，故障发生频率相对较低且存在不确定性，模型训练数据集具有正负样本不平衡的特点。
6.2)标签信息不全。标记数据代价高，导致监测的大量训练数据缺乏健康与否的标签信息。


技术实现要素：

7.据报道，研究人员曾做实验调查一百对双胞胎，结果证实，很多的双胞胎确实存在所谓的“心灵感应”。即使是把他们分隔开来，这种情况也是存在的。例如某实验让多胞胎姐妹写下彼此心目当中最好的设计，发现三个人写的都是一样的。
[0008]“多胞胎身心感应”本质上为跨产品多主体信息融合，例如同型号、同批次产品、在设计和生产上存在继承性的新老产品、功能结构相近但有差异的相似产品。通过将“多胞胎身心感应”的理念引入航天器智能自主健康管理，通过融合相似主体监测数据的故障信息，能在一定程度上提高模型泛化性能，实现更精准、更可信的健康管理。
[0009]
本发明的目的在于提供一种基于多胞胎身心感应的航天器智能自主健康管理系统，利用相似主体监测数据的故障信息提高模型性能和泛化能力，从而解决智能诊断模型训练因故障样本不足、标签信息不全等导致的诊断精度下降或模型失效等现有技术中存在的前述问题。
[0010]
为了实现上述目的，本发明采用的技术方案如下：
[0011]
一种基于多胞胎身心感应的航天器智能自主健康管理系统，包括：数据管理单元、
数据处理单元、故障诊断单元和健康管理单元；
[0012]
所述数据管理单元，用于集中存储和管理对航天器智能自主健康管理所需的分系统的信息数据；所述信息数据包括：功能结构信息、ids信息、故障预案信息和历史故障监测信息；
[0013]
所述数据处理单元，用于接收、解析和预处理本主体的实时遥测和工参信息，还用于接收、解析和预处理相似主体的实时遥测和工参信息；所述数据处理单元包括数据接收解析模块、数据预处理模块和在线异常检测模块；经所述数据处理单元处理后的稳定型、周期型、开关型、渐变型遥测和工参数据送入所述故障诊断单元；
[0014]
所述故障诊断单元，用于将所述数据处理单元输出的故障监测信息中的稳定型、周期型、开关型、渐变型遥测和工参数据送入高性能计算单元，训练多主体信息融合的迁移诊断模型；
[0015]
所述健康管理单元，用于记录所述数据处理单元中的所述在线异常检测模块的输出结果和所述故障诊断单元的输出结果，并查找自主故障恢复措施对应表文档，生成故障处置方案和故障信息记录。
[0016]
优选的，所述功能结构信息，用于描述组成航天器各分系统的设备的功能结构基本信息；包括：设备结构名称、重要等级、组成各分系统的子系统、单机、模块和部组件，以表明待监测的结构；所述ids信息，用于描述各设备结构的检测参数，所述检测参数包括：模拟量遥测、数字量遥测、工参数据；所述检测参数的具体信息包括：参数名称、数据类型、存储格式、阈值范围；所述故障预案信息，用于描述各设备结构各不同故障模式下的具体信息，所述具体信息包括：名称、现象、等级、影响、监测参数、判据、处置程序；所述历史故障监测信息，用于描述本主体或者其他相似主体在轨或地面发生过故障时的，或人为模拟发生故障时的监测数据，所述监测数据包括遥测和工参信息。
[0017]
优选的，所述数据接收解析模块用于接收各分系统的实时遥测和工参信息，以及相似主体的实时故障遥测和工参信息，并开展数据解析工作，所述数据解析工作包括：数据解帧、解格式、解密、解压以及数据转换、公式计算、bit拆分和数据完整性校验中的一种或几种；所述各分系统包括：航天器星务、有效载荷、姿轨控、数传、热控、测控和能源；所述遥测和工参信息，用于描述设备的功能及工作性能状态参数，能够反映采集的故障问题包括：设备失效、传输链路受损、设备性能退化、机械及电子故障；所述遥测和工参信息包括：稳定型、周期型、开关型、渐变型数据；
[0018]
优选的，所述数据预处理模块包括：数据清洗子模块、数据组织子模块、数据标准化子模块以及在线异常检测子模块；所述数据清洗子模块，用于检查数据一致性，处理无效值和缺失值，包括将解析后的时间序列数据进行缺失数据填充，并删除噪声数据；所述数据组织子模块，基于预设的特征选择规则，遴选关键特征以降低特征维度；所述数据标准化子模块，用于消除不同状态参数的尺度效应，便于不同参数之间的比较；所述在线异常检测子模块用于根据ids信息中的参数阈值判断规则，实现实时异常判读和报警，如出现异常，则将故障结果传递给所述健康管理单元；经所述数据处理单元处理后的稳定型、周期型、开关型、渐变型遥测和工参数据送入所述故障诊断单元。
[0019]
优选的，所述故障诊断单元，还用于针对各分系统设备功能结构，提取对应的不同故障模式下的本主体和相似主体历史监测数据，构建训练样本空间，分别对故障诊断模型
进行预训练，再将知识进行迁移，结合实时遥测和工参信息对故障诊断模型进行参数重调，逐一得到航天器各分系统设备功能结构的多主体信息融合的故障诊断模型，输出故障诊断结果，深入挖掘难以直观判断的故障，提高故障识别的准确率与泛化性。
[0020]
优选的，所述健康管理单元包括：故障处置方案模块和故障信息报告模块，所述故障处置方案模块根据故障位置的不同，采取不同的处置措施实现在轨故障自主恢复，所述处置措施包括单机复位、主备切换和重构；所述故障信息报告模块记录并输出详细信息并存入数据管理单元的历史故障信息模块，所述详细信息包括：设备功能结构信息、故障时间、监测数据、处置方案和处置效果。
[0021]
优选的，所述故障诊断单元采用基于多源域深度迁移学习的故障诊断过程；所述故障诊断过程具体为：在数据集构建阶段，针对各设备功能结构，提取对应的不同故障模式下的本主体和相似主体历史监测数据，构建融合多主体信息的训练测试集样本空间；在特征提取阶段，分别对源域和目标域数据集训练卷积神经网络模型，提取输出特征；在领域自适应阶段，采用最大均值差异度量对特征分布进行适配，获得训练好的迁移诊断模型；当所述模型接收到实时采集的本主体监测数据，输出实时故障诊断结果，开展故障定位与后续的健康管理工作。
[0022]
优选的，所述数据集构建具体为：采集数据处理后的历史故障监测信息，将相似主体历史故障监测数据作为训练样本即源域，本主体历史故障监测数据作为测试样本即目标域，构建融合多主体信息的数据集；本主体实时遥测和工参信息作为测试集。
[0023]
优选的，所述特征提取具体为：所述卷积神经网络模型是包含卷积计算且具有深度结构的前馈神经网络，具有将低层的局部特征提取并组合为高层更抽象特征的能力，用于提取源域和目标域特征，具备权重共享结构和平移不变特性。
[0024]
优选的，所述领域自适应具体为：将所述卷积神经网络模型输出的降维深层特征数据送入领域自适应模块，进行特征分布适配；特征分布适配能够利用最大均值差异度量源域与目标域监测数据在同一再生核希尔伯特空间h中的分布差异；假设经过所述卷积神经网络模型特征提取后的源域和目标域的特征集合分别为和存在映射函数可将原特征投影至再生核希尔伯特空间；源域与目标域之间的最大均值差异度量为
[0025][0026]
式中，||
·
||h为再生核希尔伯特空间；和分别为源域和目标域数据，n和m分别为数据个数。
[0027]
本发明的有益效果，本发明的基于多胞胎身心感应的航天器智能自主健康管理系统取得了以下有益效果：
[0028]
1.通过将健康管理系统从地面飞控前移至天基星务计算机，自主健康管理系统集成数据处理、故障诊断、健康管理等功能，可以提高在轨自主健康管理的实时感知与响应能力，克服地面健康管理感知力、控制时效性不足等问题，实现测控链路弱依赖、状态评估强
自主。
[0029]
2.利用深度学习、迁移学习等人工智能方法，以数据驱动的方法实现航天器智能故障管理，弥补现有基于专家知识故障诊断方法无法识别超出认知能力的耦合故障或新故障的不足，增强在轨故障识别与定位能力。
[0030]
3.通过融合航天器分系统设备结构的相似主体和本主体历史故障信息，构建多主体信息融合的迁移故障诊断模型，提高模型泛化性能，实现更精准、更可信的故障诊断模型，采取故障处理与恢复措施，并主动更改策略，实行自主化飞行，让航天器更智能、更聪明。
附图说明
[0031]
图1是本发明一实施例的自主健康管理系统外部接口关系图；
[0032]
图2是本发明一实施例的数据处理单元示意图；
[0033]
图3是本发明一实施例的融合相似主体信息的故障诊断逻辑图；
[0034]
图4是本发明一实施例的基于多源域深度迁移学习的故障诊断流程图。
具体实施方式
[0035]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
[0036]
目前，智能诊断技术建立在具备充足的可用样本以训练智能诊断模型的基础之上。针对现有航天器智能自主健康管理因故障样本不足、标签信息不全等导致的诊断精度下降或模型失效的问题，为增强在实际应用中智能诊断模型的泛化性能，并为航天器在轨自主健康管理提供决策支撑，本发明提供一种基于多胞胎身心感应的航天器智能自主健康管理系统，其外部接口如图1所示。
[0037]
1.数据管理单元，用于集中存储和管理对航天器智能自主健康管理所需的分系统的功能结构信息、接口数据单(interface data sheet,ids)信息、故障预案信息、历史故障监测信息。
[0038]
1.1功能结构信息，用于描述组成航天器各分系统的设备的功能结构基本信息；包括：设备结构名称、重要等级、组成各分系统的子系统、单机、模块和部组件，以表明待监测的结构。例如，空间站有效载荷分系统包括多个科学实验柜、舱外实验装置、应用共用支持设施等子系统，其中应用共用支持设施又包括应用信息系统、舱内配电器、应用流体回路、应用氮气供应系统、舱内公用支持设施主结构、应用载荷通用支持平台、舱外挂点载荷对接装置和扩展试验平台等单机。功能结构信息在系统使用前由用户导入，从而获取到航天器设备功能结构列表，可由数据管理单元对列表信息进行增删或修改。
[0039]
1.2ids信息，描述各设备功能结构的模拟量遥测、数字量遥测、工参数据等检测参数，包括参数名称、数据类型、存储格式、阈值范围等信息。如gnss弱信号导航接收机ids种遥测参数及监显要求表包含开机时间计数、钟差、钟漂、定轨状态、定轨位置/速度精度、定位模式、定位位置/速度残差、定位模式、温度、电压、定位星数等参数信息。
[0040]
1.3故障预案信息，描述各设备功能结构不同故障模式的名称、现象、等级、影响、
监测参数、判据、处置程序等。例如，某实验柜热控抽屉电动调节阀门的开度调节异常故障，故障现象为阀门开度电动调节后，流量变化异常，若调节的开度为全开及全关开度位置，全开微动开关及全关微动开关无法正常触发。故障等级ⅲ级，为影响有效载荷的关键功能性能指标的非紧急故障。故障判据为发送开度调节注入指令，某电动调节阀开度参数位于预期开度，并且某断电阀门到位情况参数为已到位状态，此时某支路液体流量与预期不符，则发生此故障模式。相应的处置措施为通过地面注入阀门电机切换至备份，主份驱动芯片加电不工作，无输出，主份电机绕组不加电。通过数据注入指令调节阀门开度，观察阀门开度调节是否正常。处置无效的后果为热控抽屉该支路液体流量无法最优调节。
[0041]
故障预案信息依据各设备的故障模式影响分析报告以及ids制定，在系统使用前由用户导入，从而获取到各设备功能结构对应的故障预案，可由数据管理单元对故障预案信息进行增删或修改。
[0042]
1.4历史故障监测信息，描述本主体或者其他相似主体在轨或地面发生过故障，或人为模拟发生故障时的遥测和工参信息等监测数据。其中，本主体是指待诊断的航天器分系统的各设备功能结构，相似主体是指相似航天器分系统或单机，例如星网中的相似通信卫星、科学卫星中的相似配电分系统、空间站不同科学实验柜的相似热控抽屉载荷。
[0043]
2.数据处理单元，包括数据接收解析模块、数据预处理模块、在线异常检测模块(如图2所示)，用于接收、解析和预处理实时遥测和工参信息、历史故障监测信息。
[0044]
2.1数据接收解析模块用于接收航天器星务、有效载荷、姿轨控、数传、热控、测控、能源等分系统的实时遥测和工参信息，以及相似主体的实时故障遥测和工参信息，并开展数据解帧、解格式、解密、解压以及数据转换、公式计算、bit拆分等工作；
[0045]
遥测和工参信息，描述设备的功能结构及工作性能状态参数，反映采集设备失效、传输链路受损、设备性能退化、机械及电子故障等问题。例如，gnss接收机的定位速度残差，实验柜外体锂电池温度、间歇供气单元储气压力等。
[0046]
遥测和工参信息包括稳定型、周期型、开关型、渐变型数据。
[0047]
稳定型数据的参数值维持在某一范围内，如单机设备的电压模拟量遥测信息。
[0048]
周期型数据的参数值随时间周期性变化，如温度遥测值周期性变化。
[0049]
开关型数据的参数为注入事件执行后开始心跳(启动)，或者注入事件执行后心跳停止数秒(复位)。
[0050]
渐变型数据的参数随时间逐渐增大或减小，如固态硬盘坏块数计数值、电池电量信息、星载原子钟的光强信息。
[0051]
2.2数据预处理模块用于开展数据清洗、数据组织、数据标准化以及在线异常检测等工作。数据清洗将解析后的时间序列数据进行缺失数据填充，并删除噪声数据。数据组织将基于预设的特征选择规则，遴选关键特征以降低特征维度。数据标准化消除不同状态参数的尺度效应，便于不同参数之间的比较。
[0052]
2.3在线异常检测模块用于根据ids中的参数阈值判断规则，实现实时异常判读和报警，如出现异常，将故障结果发送给健康管理单元。
[0053]
经数据处理单元后的稳定型、周期型、开关型、渐变型遥测和工参数据送入故障诊断单元。
[0054]
3.故障诊断单元，用于在数据处理单元输出后的历史故障监测信息中稳定型、周
期型、开关型、渐变型遥测和工参数据的基础上，将送入高性能计算单元，训练多主体信息融合的迁移诊断模型。融合相似主体信息的故障诊断逻辑如图3所示。不同相似主体的历史监测数据作为源域数据集，基于搭建的故障诊断模型进行预训练，再将知识进行迁移，结合实时遥测和工参信息对故障诊断模型进行参数重调，得到多主体信息融合的故障诊断模型，并输出目标主体的健康状态诊断结果，深入挖掘难以直观判断的故障，提高故障识别的准确率与泛化性。
[0055]
详细的，基于多源域深度迁移学习的故障诊断流程如图4所示，在数据集构建阶段，针对各设备功能结构，提取对应的不同故障模式下的本主体和相似主体历史监测数据，构建融合多主体信息的训练测试集样本空间；在特征提取阶段，分别对源域和目标域数据集训练卷积神经网络(cnn)模型，提取输出特征；在领域自适应阶段，采用最大均值差异(maximum mean discrepancy,mmd)度量对特征分布进行适配，获得训练好的迁移诊断模型。当模型接收到实时采集的本主体监测数据，输出实时故障诊断结果，开展故障定位与后续的健康管理工作。
[0056]
a)数据集构建
[0057]
采集数据处理后的历史故障监测信息，将相似主体历史故障监测数据作为训练样本(源域)，本主体历史故障监测数据作为测试样本(目标域)，构建融合多主体信息的数据集。本主体实时遥测和工参信息作为测试集。
[0058]
b)特征提取
[0059]
优选的，cnn是一种包含卷积计算且具有深度结构的前馈神经网络，具有将低层的局部特征提取并组合为高层更抽象特征的能力，用于提取源域和目标域特征。其优势在于权重共享结构和平移不变特性。考虑一个l层的cnn结构，第l层卷积特征映射可以表示为：
[0060][0061][0062]
其中，为第l个卷积层第e个特征的输出，q表示当前的输出特征个数，和分别对应第l个卷积层的权重矩阵和偏置，m表示滤波器的索引值，m为卷积层的输出个数。激活函数以修正线性单元(rectified linear unit,relu)为例，获得非线性特征，增强模型的特征表达能力，加速cnn的收敛过程,为输出结果。
[0063]
池化函数使用某一位置的相邻输出的总体统计特征来代替网络在该位置的输出。池化可以有效地减少cnn卷积后的特征空间和网络参数。为减少参数同时压缩数据维度，本技术所述cnn特征提取方法采用最大池化层(max-pooling)，对特征信息进行池化操作：
[0064][0065]
其中，为最大池化层的输出，其中t和r分别表示池化层步长和池化层核大
小，μ表示池化窗口。
[0066]
具体来说，首先，构建一个包含输入层、输出层和多层隐藏层的多尺度一维cnn。初始化深度迁移学习网络参数，以批量的方式将源域数据和目标域数据输入cnn卷积层自适应提取深层特征数据，经过最大池化层处理，在保留主要特征信息的条件下提取出降低数据维度的源域和目标域的关键特征。在cnn中添加的适配层对所提取的源域和目标域特征进行领域适配，以减小源域和目标域的特征分布差异。
[0067]
c)领域自适应
[0068]
将cnn输出的降维深层特征数据送入领域自适应模块，进行特征分布适配。
[0069]
优选的，特征分布适配可利用mmd度量源域与目标域监测数据在同一再生核希尔伯特空间(reproducing kernel hilbert space,rkhs)h中的分布差异。假设经过cnn特征提取后的源域和目标域的特征集合分别为和存在映射函数存在映射函数可将原特征投影至rkhs。源域与目标域之间的mmd度量为
[0070][0071]
式中，||
·
||h为再生核希尔伯特空间；和分别为源域和目标域数据，n和m分别为数据个数。
[0072]
4.健康管理单元，用于将数据处理单元在线异常检测模块和故障诊断单元的输出结果进行记录，并查找自主故障恢复措施对应表文档，生成故障处置方案和故障信息记录。
[0073]
4.1故障处置方案模块根据故障位置的不同，采取包括单机复位、主备切换和重构等不同处置措施，实现在轨故障自主恢复。例如，空间站两相科学实验柜的光学观测平台，针对光学前置加电故障，处置措施为实验主控单元给光学前置断电，间隔1分钟后，光学前置加电。如心跳正常，则故障消除；如故障未消除，则光学前置断电。
[0074]
4.2故障信息报告模块记录并输出设备结构信息、故障时间、监测数据、处置方案和处置效果等详细信息，存入数据管理单元的历史故障信息模块。
[0075]
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
[0076]
1.通过将健康管理系统从地面飞控前移至天基星务计算机，自主健康管理系统集成数据处理、故障诊断、健康管理等功能，可以提高在轨自主健康管理的实时感知与响应能力，克服地面健康管理感知力、控制时效性不足等问题，实现测控链路弱依赖、状态评估强自主。
[0077]
2.利用深度学习、迁移学习等人工智能方法，以数据驱动的方法实现航天器智能故障管理，弥补现有基于专家知识故障诊断方法无法识别超出认知能力的耦合故障或新故障的不足，增强在轨故障识别与定位能力。
[0078]
3.通过融合航天器分系统设备结构的相似主体和本主体历史故障信息，构建多主体信息融合的迁移故障诊断模型，提高模型泛化性能，实现更精准、更可信的故障诊断模型，采取故障处理与恢复措施，并主动更改策略，实行自主化飞行，让航天器更智能、更聪
明。
[0079]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

技术特征：
1.一种基于多胞胎身心感应的航天器智能自主健康管理系统，其特征在于，包括：数据管理单元、数据处理单元、故障诊断单元和健康管理单元；所述数据管理单元，用于集中存储和管理对航天器智能自主健康管理所需的分系统的信息数据；所述信息数据包括：功能结构信息、ids信息、故障预案信息和历史故障监测信息；所述数据处理单元，用于接收、解析和预处理本主体的实时遥测和工参信息，还用于接收、解析和预处理相似主体的实时遥测和工参信息；所述数据处理单元包括数据接收解析模块、数据预处理模块和在线异常检测模块；经所述数据处理单元处理后的稳定型、周期型、开关型、渐变型遥测和工参数据送入所述故障诊断单元；所述故障诊断单元，用于将所述数据处理单元输出的故障监测信息中的稳定型、周期型、开关型、渐变型遥测和工参数据送入高性能计算单元，训练多主体信息融合的迁移诊断模型；所述健康管理单元，用于记录所述数据处理单元中的所述在线异常检测模块的输出结果和所述故障诊断单元的输出结果，并查找自主故障恢复措施对应表文档，生成故障处置方案和故障信息记录。2.根据权利要求1所述的基于多胞胎身心感应的航天器智能自主健康管理系统，其特征在于，所述功能结构信息，用于描述组成航天器各分系统的设备的功能结构基本信息；包括：设备结构名称、重要等级、组成各分系统的子系统、单机、模块和部组件，以表明待监测的结构；所述ids信息，用于描述各设备结构的检测参数，所述检测参数包括：模拟量遥测、数字量遥测、工参数据；所述检测参数的具体信息包括：参数名称、数据类型、存储格式、阈值范围；所述故障预案信息，用于描述各设备结构各不同故障模式下的具体信息，所述具体信息包括：名称、现象、等级、影响、监测参数、判据、处置程序；所述历史故障监测信息，用于描述本主体或者其他相似主体在轨或地面发生过故障时的，或人为模拟发生故障时的监测数据，所述监测数据包括遥测和工参信息。3.根据权利要求1所述的基于多胞胎身心感应的航天器智能自主健康管理系统，其特征在于，所述数据接收解析模块用于接收各分系统的实时遥测和工参信息，以及相似主体的实时故障遥测和工参信息，并开展数据解析工作，所述数据解析工作包括：数据解帧、解格式、解密、解压以及数据转换、公式计算、bit拆分和数据完整性校验中的一种或几种；所述各分系统包括：航天器星务、有效载荷、姿轨控、数传、热控、测控和能源；所述遥测和工参信息，用于描述设备的功能及工作性能状态参数，能够反映采集的故障问题包括：设备失效、传输链路受损、设备性能退化、机械及电子故障；所述遥测和工参信息包括：稳定型、周期型、开关型、渐变型数据。4.根据权利要求1所述的基于多胞胎身心感应的航天器智能自主健康管理系统，其特征在于，所述数据预处理模块包括：数据清洗子模块、数据组织子模块、数据标准化子模块以及在线异常检测子模块；所述数据清洗子模块，用于检查数据一致性，处理无效值和缺失值，包括将解析后的时间序列数据进行缺失数据填充，并删除噪声数据；所述数据组织子模块，基于预设的特征选择规则，遴选关键特征以降低特征维度；所述数据标准化子模块，用于消除不同状态参数的尺度效应，便于不同参数之间的比较；所述在线异常检测子模块用于根据ids信息中的参数阈值判断规则，实现实时异常判读和报警，如出现异常，则将故障
结果传递给所述健康管理单元；经所述数据处理单元处理后的稳定型、周期型、开关型、渐变型遥测和工参数据送入所述故障诊断单元。5.根据权利要求1所述的基于多胞胎身心感应的航天器智能自主健康管理系统，其特征在于，所述故障诊断单元，还用于针对各分系统设备功能结构，提取对应的不同故障模式下的本主体和相似主体历史监测数据，构建训练样本空间，分别对故障诊断模型进行预训练，再将知识进行迁移，结合实时遥测和工参信息对故障诊断模型进行参数重调，逐一得到航天器各分系统设备功能结构的多主体信息融合的故障诊断模型，输出故障诊断结果，深入挖掘难以直观判断的故障，提高故障识别的准确率与泛化性。6.根据权利要求1所述的基于多胞胎身心感应的航天器智能自主健康管理系统，其特征在于，所述健康管理单元包括：故障处置方案模块和故障信息报告模块，所述故障处置方案模块根据故障位置的不同，采取不同的处置措施实现在轨故障自主恢复，所述处置措施包括单机复位、主备切换和重构；所述故障信息报告模块记录并输出详细信息并存入数据管理单元的历史故障信息模块，所述详细信息包括：设备功能结构信息、故障时间、监测数据、处置方案和处置效果。7.根据权利要求1所述的基于多胞胎身心感应的航天器智能自主健康管理系统，其特征在于，所述故障诊断单元采用基于多源域深度迁移学习的故障诊断过程；所述故障诊断过程具体为：在数据集构建阶段，针对各设备功能结构，提取对应的不同故障模式下的本主体和相似主体历史监测数据，构建融合多主体信息的训练测试集样本空间；在特征提取阶段，分别对源域和目标域数据集训练卷积神经网络模型，提取输出特征；在领域自适应阶段，采用最大均值差异度量对特征分布进行适配，获得训练好的迁移诊断模型；当所述模型接收到实时采集的本主体监测数据，输出实时故障诊断结果，开展故障定位与后续的健康管理工作。8.根据权利要求7所述的基于多胞胎身心感应的航天器智能自主健康管理系统，其特征在于，所述数据集构建具体为：采集数据处理后的历史故障监测信息，将相似主体历史故障监测数据作为训练样本即源域，本主体历史故障监测数据作为测试样本即目标域，构建融合多主体信息的数据集；本主体实时遥测和工参信息作为测试集。9.根据权利要求7所述的基于多胞胎身心感应的航天器智能自主健康管理系统，其特征在于，所述特征提取具体为：所述卷积神经网络模型是包含卷积计算且具有深度结构的前馈神经网络，具有将低层的局部特征提取并组合为高层更抽象特征的能力，用于提取源域和目标域特征，具备权重共享结构和平移不变特性。10.根据权利要求7所述的基于多胞胎身心感应的航天器智能自主健康管理系统，其特征在于，所述领域自适应具体为：将所述卷积神经网络模型输出的降维深层特征数据送入领域自适应模块，进行特征分布适配；特征分布适配能够利用最大均值差异度量源域与目标域监测数据在同一再生核希尔伯特空间h中的分布差异；假设经过所述卷积神经网络模型特征提取后的源域和目标域的特征集合分别为和存在映射函数可将原特征投影至再生核希尔伯特空间；源域与目标域之间的最大均值差异度量为
式中，||
·
||
h
为再生核希尔伯特空间；和分别为源域和目标域数据，n和m分别为数据个数。

技术总结
本发明提供了一种基于多胞胎身心感应的航天器智能自主健康管理系统，利用相似主体监测数据的故障信息提高模型性能和泛化能力，从而解决航天器智能诊断模型训练因故障样本不足、标签信息不全等导致的诊断精度下降或模型失效等现有技术中存在的问题。本发明以数据驱动的方法实现航天器智能故障管理，弥补现有基于专家知识故障诊断方法无法识别超出认知能力的耦合故障或新故障的不足，增强在轨故障识别与定位能力。通过融合航天器分系统设备结构的相似主体和本主体历史故障信息，构建多主体信息融合的迁移故障诊断模型，提高模型泛化性能，实现更精准、更可信的故障诊断模型，采取故障处理与恢复措施，并主动更改策略，实行自主化飞行，让航天器更智能。让航天器更智能。让航天器更智能。


技术研发人员：党炜 李鹏 敖亮 宋磊 冯业为 弓宇德
受保护的技术使用者：中国科学院空间应用工程与技术中心
技术研发日：2023.05.16
技术公布日：2023/8/13