Диагностика ошибок в системах питания космических аппаратов: методы и проблемы

• Физико-ориентированные модели используют уравнения из электротехники (законы Кирхгофа) и термодинамики для имитации номинального поведения. Например, модель батареи может использовать эквивалентную схему с параметрами (внутреннее сопротивление, емкость), обновленными через расширенные фильтры Калмана (EKFs). Неисправности, такие как внезапное падение напряжения ячейки, появляются в качестве остатков в инновационной последовательности EKF.
• Методы оценки состояния , такие как фильтры Калмана и фильтры частиц, являются общими. Они объединяют данные датчиков с прогнозами моделей, обеспечивая как оценки состояния, так и остаточные сигналы. В блоке распределения мощности неисправность в преобразователе постоянного тока-установки напряжения (например, коллапс выходного напряжения) может быть обнаружена банком наблюдателей, настроенных на различные режимы отказа.
• Ограничения: Точность модели со временем снижается по мере старения компонентов, а вычислительная стоимость запуска нескольких фильтров может превышать бортовые бюджеты обработки. Кроме того, разработка высокоточных моделей для сложных систем, таких как многоконтактные солнечные батареи при переменном солнечном потоке, чрезвычайно сложна.

Подходы, основанные на данных

Методы, основанные на данных, используют историческую телеметрию и машинное обучение (ML) для изучения нормальных моделей и обнаружения отклонений. Они не требуют явных системных моделей, что делает их привлекательными для систем, где физика плохо понята или слишком сложна.

• Наблюдение за обучением использует маркированные наборы данных о неисправностях для обучения классификаторов, таких как машины поддержки векторов (SVM), деревья решений или нейронные сети. Например, SVM может классифицировать кривые тока напряжения от солнечных батарей в категории «здоровый», «частичное затенение» или «короткая схема». Однако получение маркированных данных для космических систем затруднено из-за редкости неисправностей и высокой стоимости тестирования.
• Неконтролируемое обучение (например, автокодеры, кластеризация) выявляет аномалии без меток. Автокодер, обученный номинальной телеметрии, даст высокую погрешность реконструкции для условий неисправности. В энергосистеме миссии SMART-1 использовался прототип такого метода для обнаружения деградации батареи.
• Глубокие варианты обучения , такие как сети с длинной кратковременной памятью (LSTM), эффективны для последовательных данных, таких как временные ряды токов и температур.
• Проблемы: Модели, управляемые данными, так же хороши, как и их учебные данные. Космические аппараты часто имеют ограниченную историю эксплуатации, и ошибки могут проявляться способами, не замеченными ранее — проблема, известная как «драйф концепции». Кроме того, вычислительные ограничения на орбите могут заставить использовать более простые модели ML, жертвуя точностью.

Гибридные и основанные на знаниях методы

Гибридные подходы сочетают моделируемые и управляемые данными методы для компенсации слабостей друг друга. Например, модельный остаточный генератор может быть дополнен классификатором машинного обучения, который интерпретирует остаточные вещества в контексте. Системы на основе знаний (экспертные системы) кодируют правила диагностики человека, такие как «если напряжение батареи падает ниже 3,0 В и температура повышается на 2 ° C, то, вероятно, внутреннее короткое замыкание». Они прозрачны, но утомительны для поддержания. На практике многие станции наземного управления космическими аппаратами используют смесь: модельная система мониторинга на борту в режиме реального времени с последующей обработкой данных на земле для более глубокого анализа. Тенденция заключается в встраивании легких нейронных сетей на FPGA для обнаружения бортовой аномалии, преодолевая разрыв между моделью и методами данных.

Вызовы, уникальные для космических энергетических систем

Диагноз неисправности в космосе гораздо более требователен, чем на Земле. Окружающая среда, эксплуатационные ограничения и длительный срок службы создают препятствия, которые заставляют инженеров постоянно внедрять инновации.

Ограниченная доступность и качество данных

Телеметрия космических аппаратов ограничена пропускной способностью: типичный зонд глубокого космоса передает со скоростью несколько килобит в секунду, в то время как спутники наблюдения Земли могут иметь несколько мегабитов в течение времени прохождения. Следовательно, хранение на борту также ограничено. Следовательно, данные с высоким разрешением (например, быстрой выборкой волн) редки, и большинство диагностических систем работают со средними значениями (1-10 Гц). Кроме того, датчики могут ухудшаться или выходить из строя из-за излучения, обеспечивая ненадежные показания. Разрывы данных - периоды без телеметрии во время затмений - предотвращают непрерывный мониторинг, требуя диагностики, чтобы быть надежными для отсутствующих данных. Такие методы, как вычисление или фильтры частиц, могут помочь, но они добавляют сложность. Нехватка меченых данных о неисправностях (поскольку сбои являются изолированными событиями) означает, что многие модели, управляемые данными, должны полагаться на симулированные данные, которые могут не захватывать реальные нюансы.

Суровая космическая среда

Космические аппараты работают в вакууме, широких температурных колебаниях (например, от -150°C до +120°C для лунного орбитального аппарата), и постоянном воздействии ионизирующего излучения. Эти факторы влияют как на энергосистему, так и на диагностические датчики.

• Радиационные эффекты: Расстройства однократного события (SEUs) могут переворачивать биты в памяти или изменять поведение ИС управления питанием, вызывая переходные сбои, имитирующие постоянные сбои. Аналогично, общая ионизирующая доза (TID) постепенно разрушает полупроводниковые компоненты, изменяя их электрические характеристики — например, увеличивая ток утечки в солнечных элементах. Диагностический алгоритм должен различать подлинный сбой и радиационный сбой.
• Тепловые крайности: Производительность батареи сильно зависит от температуры; холодная батарея имеет меньшую емкость и более высокое внутреннее сопротивление, которое может быть неверно истолковано как неисправность. Термально индуцированное расширение/сжатие может создавать прерывистые короткие замыкания. Сами датчики могут дрейфовать с температурой, требуя калибровки.
• Микрометеороидные воздействия: Даже крошечные частицы могут прокалывать солнечную панель, сокращая клетки. Такое физическое повреждение требует как обнаружения (внезапное падение тока), так и изоляции (на какую струну влияет). Скорость диагностики имеет решающее значение для предотвращения перегрева из короткой струны.

Вычислительные и ресурсные ограничения

Бортовые летные компьютеры закалены излучением, но сильно отстают от коммерческого оборудования в производительности. Например, процессоры на многих активных марсоходах работают на 200 МГц с несколькими мегабайтами оперативной памяти. Сложное выполнение алгоритма (например, глубокие нейронные сети) должно быть обменено с другими функциями, такими как управление отношением и сжатие данных. Сама по себе мощность ограничена - диагностическая система не может потреблять энергию, которая в противном случае питала бы полезную нагрузку. Поэтому алгоритмы должны быть легким и в реальном времени . Исследователи изучают такие методы, как обрезка нейронных сетей, использование целочисленной арифметики и реализация простого порогового обнаружения для начальной сортировки, с более глубоким анализом, отложенным на землю. Тем не менее, задержка связи (секунды до часов в зависимости от расстояния) требует, чтобы автономная диагностика была достаточно разумной, чтобы принимать корректирующие действия, не дожидаясь наземных команд

Задержки связи и автономная необходимость

Для зондов глубокого космоса (например, на Марсе или за его пределами) световой период в оба конца варьируется от минут до часов. Неисправность должна быть обнаружена, изолирована и, возможно, смягчена локально, прежде чем наземная команда даже увидит аномалию. Это требует систем автономной диагностики неисправностей, которые могут работать без вмешательства человека. Задача состоит в том, чтобы спроектировать такие системы, чтобы быть устойчивыми к непредвиденным сценариям, поскольку невозможно кодировать ответы на все возможные неисправности. Подходы включают использование машин с конечным состоянием [FLT: 2], которые переходят между безопасными режимами на основе мониторов здоровья или более продвинутых двигателей вывода на основе правил [FLT: 4] (например, система Ливингстона, используемая на Deep Space One). Обеспечение полноты и правильности таких систем является трудной задачей проверки, особенно когда неисправности объединяются непредвиденными способами.

Составные старение и деградация

Космические аппараты рассчитаны на длительные сроки службы — спутники на геостационарной орбите могут работать в течение 15-20 лет, а межпланетные миссии, такие как Voyager, превысили 45 лет. Со временем батареи теряют емкость (старение цикла), солнечные батареи ухудшаются от излучения и теплового цикла, а разъемы окисляются в вакууме. Диагноз по умолчанию должен различать ожидаемую деградацию и надвигающийся сбой. Например, 10%-е падение тока солнечной батареи в год может быть нормальным для определенной орбиты, но внезапное 10%-е падение в один день указывает на неисправность. Это требует трендового анализа и базовых линий, которые адаптируются с течением времени. Модели машинного обучения с использованием онлайн-обучения могут обновить свое понимание «нормального» как системы стареют, но они рискуют научиться некорректному поведению как нормальному, если не быть осторожными.

Будущие направления в технологии диагностики

Несколько новых технологий обещают преодолеть существующие ограничения и повысить надежность систем питания космических аппаратов.

Искусственный интеллект и Edge Computing

Следующее поколение радиационно закаленных процессоров (например, чип HPSC или вычисления на основе FPGA) позволит более сложным алгоритмам ИИ работать на борту. Edge AI позволит обнаруживать аномалии в реальном времени с использованием сжатых нейронных сетей, которые могут работать в бюджетах мощности милливатт. Такие компании, как Directus , изучают архитектуры управления данными, которые интегрируют прогностические модели непосредственно со спутниковыми базами данных телеметрии, позволяя сквозную аналитику от датчика до решения. Такие системы могут обнаруживать тонкие закономерности в потреблении энергии, которые предшествуют сбоям, например, постепенное увеличение напряжения пульсации через преобразователь DC-DC.

Федеративное обучение и межмиссионные знания

Учитывая дефицит данных о неисправностях одного космического корабля, федеративные методы обучения позволяют нескольким миссиям обмениваться параметрами диагностической модели без обмена необработанными данными. Это может агрегировать знания от многих космических аппаратов на похожих орбитах, создавая надежные модели, которые могут обнаруживать редкие неисправности. Миссия Европейского космического агентства (FLT:0) ESA (FLT:1)) OPS-SAT начала экспериментировать с такими подходами.

Передовые сенсорные технологии

Новые датчики, такие как волоконно-оптические температурные массивы (распределенное зондирование) и зондирование напряжения на уровне ячейки, могут предоставить более богатые данные для диагностики. Квантовые датчики, хотя и все еще экспериментальные, могут обнаруживать незначительные изменения тока, указывающие на предстоящие шорты. Эти датчики будут генерировать массивные потоки данных, что требует более умной бортовой фильтрации (например, сжатие) для снижения требований нисходящей линии связи.

Гибридная ассимиляция данных моделей

Будущие диагностические системы будут тесно интегрировать основанные на физике модели с коррекцией, основанной на данных. Цифровые двойники систем питания космических аппаратов — виртуальные копии, которые обновляются в режиме реального времени с использованием телеметрии — позволят имитировать сценарии «что, если» . Например, если ток солнечной панели падает, цифровой двойник может быть использован для определения того, является ли причиной затеняющее событие (переходное) или деградация клеток (постоянное). дорожная карта НАСА Автономные системы выделяет цифровых двойников в качестве ключевого фактора для самосознающего космического корабля.