《Aerospace Science and Technology》:CASPEX: An End-to-End Causal–Physics Explainable Framework for Trustworthy Spacecraft Health Monitoring
编辑推荐:
未来航天器越来越依赖星载自主性,以在有限的通信、复杂的子系统交互和严格的计算约束下确保可靠运行。因此,有效的健康管理不仅需要早期异常检测(Anomaly Detection, AD),还需要在子系统层面提供物理一致的根因诊断。然而,现有方法要么缺乏故障传播意识
未来航天器越来越依赖星载自主性,以在有限的通信、复杂的子系统交互和严格的计算约束下确保可靠运行。因此,有效的健康管理不仅需要早期异常检测(Anomaly Detection, AD),还需要在子系统层面提供物理一致的根因诊断。然而,现有方法要么缺乏故障传播意识,要么产生的诊断输出与航天器动力学不一致。本论文提出了CASPEX,一种用于自主航天器健康监测的实时因果-物理框架。所提出的架构在统一的星载流水线中集成了异常检测、动态因果图(Causal Graph)学习和物理一致归因(Physics-Consistent Attribution),以识别故障起源、传播路径和子系统级影响。双模块设计支持对孤立故障进行低延迟的干预感知诊断,并对复杂多故障情况进行详细的因果-物理分析。该框架使用在Basilisk仿真环境中生成的高保真多变量遥测数据进行验证,涵盖了反作用轮(Reaction Wheel, RW)、电源(Electrical Power Subsystem, EPS)和姿态控制(Attitude Determination and Control System, ADCS)子系统,涉及单星和多星场景。结果表明,该框架能够可靠地识别上游故障源,将非物理诊断归因减少38%–52%,并提高与系统行为的一致性。操作模块在Cortex-A72处理器上执行时间为47–69毫秒,详细分析为150–210毫秒,证明了其实时星载可行性。所提出的方法提供了基于物理的、可解释且计算高效的故障诊断,支持下一代航天器和分布式卫星系统的可信自主运行。
现代航天器在通信受限、子系统交互复杂和计算约束严格的条件下,越来越依赖星载自主性确保可靠运行。现有健康监测方法要么依赖规则或模型但无法捕捉非线性多变量行为,要么采用数据驱动方法如长短时记忆网络(LSTM)和自动编码器(AE)实现异常检测,但缺乏因果解释和物理一致性,导致诊断输出不可信。可解释人工智能(XAI)方法如SHAP虽能揭示模型决策,但仍是相关性而非因果性;因果发现方法如NOTEARS可学习结构,但未与检测器或物理约束集成。为弥补这一空白,研究人员提出CASPEX框架,将异常检测、动态因果图学习、反事实推理和物理引导归因统一到一个诊断流水线中,以实现可信且物理解释的航天器故障诊断。该框架在Basilisk仿真环境中生成的高保真遥测数据上验证,涉及电源、反作用轮和姿态控制子系统间的耦合故障传播,包括单星和多星场景。结果表明,CASPEX能可靠区分上游故障源与下游症状,将非物理归因减少38%–52%,并在Cortex-A72处理器上实现毫秒级延迟,证明了星载实时可行性。论文发表在《Aerospace Science and Technology》。
主要关键技术方法包括:(1)基于LSTM-AE的异常检测,利用极值理论(EVT)和峰值超过阈值(POT)方法动态设定自适应阈值;(2)动态因果图学习采用Dynotears算法,通过连续优化学习有向无环图(DAG)表示子系统间瞬时和滞后相互作用;(3)SHAP归因计算后映射到因果图节点,并沿因果边聚合得到因果加权归因;(4)反事实推理通过DoWhy引擎,对候选根因变量进行干预测试,验证因果稳健性;(5)物理一致性评分基于航天器转动动力学计算反作用轮预期扭矩,通过扭矩残差归一化得到门控系数,对归因进行衰减。双模块设计:模块A执行快速干预感知诊断,模块B进行详细因果-物理分析。样本数据来源于Basilisk仿真环境,覆盖电源、反作用轮和姿态控制子系统的故障场景。
研究结果:
4.2 多跳因果与XAI故障隔离分析:通过Dynotears学习因果图,发现电池存储(Battery Storage)到反作用轮编码速度(RW1_EncodedSpeed)的传播链,结合SHAP和LIME归因,确认电池退化是上游根因,轮速异常为下游症状,条件概率和隔离前后异常频率对比进一步验证因果方向。
4.3 因果强度矩阵与非线性依赖:采用随机森林格兰杰因果关系计算非线性因果强度矩阵,发现太阳能板功率→CSS1信号和反作用轮温度→编码速度等强非线性边,表明遥测数据中存在热-电-姿态耦合的非线性依赖,线性方法无法捕获。
4.4 基于DoWhy的因果估计与反驳:对太阳能板功率→反作用轮扭矩的因果效应进行DoWhy反驳测试,随机共同原因和平板干预检验均得到高p值(>0.8),证实因果结构稳健。
4.8 因果可靠性、干预稳健性与模型误设分析:通过bootstrap边稳定性、跨方法图一致性、物理一致性过滤、反事实干预恢复、模型误设扰动测试等定量指标,评估因果路径稳健性。结果表明电池存储→RW1编码速度路径获得最高稳定性(边稳定性0.94,共识1.00,干预恢复0.68),而RW2功率等弱边缘被拒绝,验证了框架对物理支持弱的归因的抑制能力。
4.10 非物理归因减少的量化:定义非物理归因率为归因质量中分配给无物理支持变量的比例。与基线LSTM-AE+SHAP相比,CASPEX将非物理归因率从31.4%降低至16.5%,相对减少46.8%(95% CI:41.9–51.0%),其中电池耗尽可能族减少最显著(52.6%)。
4.11 物理引导XAI结果与分析:传统SHAP错误地将RW_Power_2归因提升,而物理引导归因通过扭矩一致性评分将其降权,并提升RW_Power_0和RW_Power_1的真实贡献。2跳ego图显示RW_Power_0与扭矩存在物理耦合,而RW_Power_2孤立,反事实预测进一步验证扭矩异常由RW功率偏差驱动,证明了物理门控的有效性。
4.12 算法置信度与估计分数:定义融合模型置信度、因果一致性和物理一致性的置信度分数C
conf,通过门控参数调节。实验中,真阳性的C
conf最高,假阳性因物理-因果支持低而受抑制,假阴性保持中等,表明该评分机制能可靠反映诊断可信度。
4.14 系统评价:消融实验显示,仅检测器+SHAP的根因准确率0.58,加入因果发现提升至0.66,加入物理引导至0.71,完整框架达0.81,同时非物理归因率从42.3%降至11.3%。多星应激测试中,CASPEX正确分离卫星1的反作用轮故障和卫星4的电源退化,交叉归因泄漏率低于9%,验证了分布式场景下的诊断鲁棒性。
总结讨论部分指出:CASPEX通过集成异常检测、因果发现、反事实推理和物理约束,实现了保守但可靠的因果诊断,其优势在于仅接受同时满足边稳定性、跨方法共识、反事实恢复和物理一致性的归因,从而避免下游症状被误判为根因。当前验证局限于Basilisk仿真的电源-反作用轮-姿态控制故障场景,未来将扩展到更多子系统、实际任务遥测、多故障级联场景及硬件在环测试。
研究结论(翻译):本论文提出了CASPEX,一个用于航天器故障诊断的因果-物理可解释框架。该框架集成了异常检测、动态因果推理、反事实分析和物理一致归因,以支持在星载计算约束下的可解释且可信的健康监测。CASPEX使用Basilisk生成的电源-反作用轮-姿态控制故障场景进行评估,包括电池到反作用轮传播、反作用轮退化、电源链不稳定、非线性热-功率交互以及反作用轮功率/扭矩不一致。结果表明,CASPEX能够区分上游故障源和下游症状,抑制非物理解释,并提高模型级归因与航天器子系统行为之间的一致性。该框架将非物理解释归因减少了38%–52%,并实现了低延迟执行,支持其星载或边缘辅助诊断部署的可行性。当前验证限定于代表性的Basilisk场景,涉及电源、反作用轮和姿态控制交互。因此,CASPEX应被视为一个可推广的诊断架构,在紧密耦合的航天器子系统中进行了概念验证,而非所有健康监测条件的全面解决方案。未来工作将扩展到其他子系统、实际任务遥测、更大规模多故障场景、硬件在环测试及分布式星座级验证。