巨型星座时代经人智协同赋能航天器电源系统全环节健康管理

摘要

可以预见航天器数量将呈指数级增长，迎来由卫星巨型星座（SMC）主导的时代。这使得人们必须关注太空中的能源：航天器电源系统（SPS）及其健康管理（HM），因为它们承担供电任务且故障率高。为数十个 SPS 与为数千个 SPS 提供健康管理，代表着两种根本不同的范式。因此，为适应 SMC 时代的健康管理，本工作提出底层能力对齐（AUC）原则，并开发 SpaceHMchat，一个面向全环节健康管理（AIL HM）的开源人智协同（HAIC）框架。SpaceHMchat 覆盖工况识别、异常检测、故障定位与维护决策的完整工作闭环，实现会话式任务完成、自适应人在环学习、人员结构优化、知识共享、效率提升以及透明推理和更好可解释性等目标。同时，为验证这一探索，搭建了一个硬件级真实的故障注入实验平台，并构建和开源了其仿真模型，二者都完整复刻真实 SPS。相应实验结果表明，SpaceHMchat 在 23 个量化指标上表现出色，例如工况识别逻辑推理结论准确率 100%、异常检测工具调用成功率超 99%、故障定位精度超 90%、维护决策中知识库检索时间低于 3 分钟。本工作的另一项贡献是发布首个 SPS 全环节健康管理数据集。该数据集包含四个子数据集，涉及 4 类 AIL HM 子任务、17 类故障和超过 70 万个时间戳。

巨型星座时代经人智协同赋能航天器电源系统全环节健康管理 — 图6：我们方法的流程图。(a) 工况识别：问题：关于工况的询问；主要技术：Prompt Engineering、CoT；核心思想：LLM 以思维链方式进行逻辑推理、计算指标并对工况作出决策；回答：关于工况的推理链和结论。(b) 异常检测：问题：与异常检测的查询、设置及调用程序相关的任何请求；主要技术：Function Calling、MCP；核心思想：SpaceHMchat 理解用户意图并调用合适的工具以推进异常检测；回答：工具执行的结果，如检测到的异常片段和可视化图。(c) 故障定位：问题：关于故障类型的问题；主要技术：Fine-Tuning、LoRA；核心思想：SpaceHMchat 从历史数据中学习而成为专家级 LLM，能够像人类专家一样判断故障类型；回答：关于故障类型的结论及判断依据。(d) 维护决策：问题：关于根因、风险评估和维护决策的问题；主要技术：RAG、MCP、Knowledge Base；核心思想：SpaceHMchat 高效地查阅并理解海量专业知识库，辅助风险评估与维护决策；回答：可能的根因、相似案例、风险等级和维护建议。