Empowering All-in-Loop Health Management of Spacecraft Power System in the Mega-Constellation Era via Human-AI Collaboration
作者: Yi Di, Zhibin Zhao, Fujin Wang, Xue Liu, Jiafeng Tang, Jiaxin Ren, Zhi Zhai, Xuefeng Chen
分类: cs.AI
发布日期: 2026-01-19
💡 一句话要点
提出SpaceHMchat人机协作框架，赋能巨型星座时代航天器电源系统全环健康管理
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 人机协作 航天器电源系统 健康管理 巨型星座 异常检测
📋 核心要点
- 现有航天器电源系统健康管理方法难以应对巨型星座时代航天器数量激增带来的挑战，效率和可扩展性不足。
- 提出对齐底层能力（AUC）原则，并构建SpaceHMchat人机协作框架，实现全环健康管理，提升效率和可解释性。
- 实验结果表明，SpaceHMchat在工作状态识别、异常检测、故障定位和维护决策等方面均表现出色，并发布了首个SPS的AIL HM数据集。
📝 摘要（中文）
随着航天器数量呈指数级增长，卫星巨型星座（SMC）时代已经到来。航天器电源系统（SPS）的健康管理（HM）至关重要，因为它们负责电力供应且故障率高。为数十个SPS提供健康管理与为数千个SPS提供健康管理是两种根本不同的模式。为了适应SMC时代的健康管理，本研究提出了对齐底层能力（AUC）原则，并开发了SpaceHMchat，这是一个开源的人机协作（HAIC）框架，用于全环健康管理（AIL HM）。SpaceHMchat服务于工作状态识别、异常检测、故障定位和维护决策的全过程，实现对话式任务完成、自适应人机在环学习、人员结构优化、知识共享、效率提升以及透明推理和改进的可解释性等目标。同时，为了验证这一探索，建立了一个硬件真实的故障注入实验平台，并构建并开源了其仿真模型，两者都完全复制了真实的SPS。实验结果表明，SpaceHMchat在23个定量指标上取得了优异的性能，例如工作状态识别的逻辑推理结论准确率达到100%，异常检测工具调用成功率超过99%，故障定位精度超过90%，维护决策知识库搜索时间在3分钟以内。本研究的另一项贡献是发布了首个SPS的AIL HM数据集，该数据集包含四个子数据集，涉及4种AIL HM子任务、17种故障和超过70万个时间戳。
🔬 方法详解
问题定义：论文旨在解决巨型星座时代下，航天器电源系统健康管理面临的挑战。现有方法难以有效管理数量庞大的航天器，存在效率低下、可扩展性差、知识难以共享等问题。此外，传统方法在可解释性方面也存在不足，难以满足复杂任务的需求。
核心思路：论文的核心思路是引入人机协作（HAIC）框架，利用人工智能技术辅助人类专家进行航天器电源系统的健康管理。通过将人类的经验知识与人工智能的计算能力相结合，实现更高效、更准确、更可解释的健康管理。对齐底层能力（AUC）原则是指导人机协作的关键，确保人工智能工具与人类专家的能力互补。
技术框架：SpaceHMchat框架包含以下主要模块：1) 工作状态识别模块：用于识别航天器电源系统的当前工作状态。2) 异常检测模块：用于检测系统中的异常行为。3) 故障定位模块：用于确定故障的具体位置和类型。4) 维护决策模块：用于提供维护建议和决策支持。这些模块通过人机交互界面连接，人类专家可以随时介入，对人工智能的决策进行监督和干预。
关键创新：论文的关键创新在于提出了SpaceHMchat人机协作框架，并将其应用于航天器电源系统的全环健康管理。与传统方法相比，SpaceHMchat能够实现更高效的任务完成、自适应的人机在环学习、人员结构优化、知识共享、效率提升以及透明推理和改进的可解释性。此外，论文还发布了首个SPS的AIL HM数据集，为相关研究提供了数据支持。
关键设计：SpaceHMchat框架的关键设计包括：1) 对话式任务完成机制：允许人类专家通过自然语言与人工智能系统进行交互，简化任务流程。2) 自适应人机在环学习机制：使人工智能系统能够从人类专家的反馈中学习，不断提升性能。3) 知识库构建与搜索机制：方便知识共享和快速检索相关信息。4) 可解释性推理机制：提供透明的推理过程，方便人类专家理解人工智能的决策依据。
🖼️ 关键图片
📊 实验亮点
实验结果表明，SpaceHMchat在多个指标上表现出色：工作状态识别的逻辑推理结论准确率达到100%，异常检测工具调用成功率超过99%，故障定位精度超过90%，维护决策知识库搜索时间在3分钟以内。这些数据表明，SpaceHMchat能够显著提升航天器电源系统健康管理的效率和准确性。
🎯 应用场景
该研究成果可应用于卫星巨型星座的航天器电源系统健康管理，提高系统可靠性和运行效率，降低维护成本。此外，该框架也可推广到其他复杂系统的健康管理领域，如智能电网、工业自动化等，具有广阔的应用前景。
📄 摘要（原文）
It is foreseeable that the number of spacecraft will increase exponentially, ushering in an era dominated by satellite mega-constellations (SMC). This necessitates a focus on energy in space: spacecraft power systems (SPS), especially their health management (HM), given their role in power supply and high failure rates. Providing health management for dozens of SPS and for thousands of SPS represents two fundamentally different paradigms. Therefore, to adapt the health management in the SMC era, this work proposes a principle of aligning underlying capabilities (AUC principle) and develops SpaceHMchat, an open-source Human-AI collaboration (HAIC) framework for all-in-loop health management (AIL HM). SpaceHMchat serves across the entire loop of work condition recognition, anomaly detection, fault localization, and maintenance decision making, achieving goals such as conversational task completion, adaptive human-in-the-loop learning, personnel structure optimization, knowledge sharing, efficiency enhancement, as well as transparent reasoning and improved interpretability. Meanwhile, to validate this exploration, a hardware-realistic fault injection experimental platform is established, and its simulation model is built and open-sourced, both fully replicating the real SPS. The corresponding experimental results demonstrate that SpaceHMchat achieves excellent performance across 23 quantitative metrics, such as 100% conclusion accuracy in logical reasoning of work condition recognition, over 99% success rate in anomaly detection tool invocation, over 90% precision in fault localization, and knowledge base search time under 3 minutes in maintenance decision-making. Another contribution of this work is the release of the first-ever AIL HM dataset of SPS. This dataset contains four sub-datasets, involving 4 types of AIL HM sub-tasks, 17 types of faults, and over 700,000 timestamps.