王爽 王颀玥 田畇 张斯明 张静

摘要：人工智能技术在当今许多领域都有广泛的应用，如何将人工智能技术与自动化测试技术相结合并应用于卫星测试系统，目前还是测试领域中的蓝海。该文从人工智能领域中的应用方法入手，讨论在卫星测试领域中应用人工智能技术的实践方式和应用研究。

关键词：人工智能;自动化测试技术;卫星测试

中图分类号：TP18        文献标识码：A

文章编号：1009-3044（2021）08-0165-04

1 引言

人工智能作为最具颠覆性和变革性的技术，正不断渗透进社会生产生活的各个方面，对国家政治、经济、文化等方面带来极为深远的影响，持续引发全球政界、产业界和学术界的高度关注。人工智能通过将解决智能问题的方法转化为某种模型或算法，从而让机器模拟人的智能行为，在不同领域中的方法和实现方式千差万别。在航天活动中，人工智能有多方面的应用，如各种专家系统、实时故障诊断、智能机器人、智能化管理系统等。将人工智能应用于卫星综合测试领域，是一种具象化的新尝试。

本文针对人工智能在卫星测试领域的应用现状、前景及挑战进行了分析并对未来应用进行了研究探索。

2 人工智能与卫星测试

2.1 人工智能简述

人工智能是一门正在发展中的综合性前沿学科，它是研究人类智能活动的规律，并用于模擬、延伸和扩展人类智能的一门新的技术科学，是在计算机、控制论、信息论、数学、心理学等多种学科相互综合、相互渗透的基础上发展起来的一门新兴边缘学科。人工智能的研究方法、学术流派、理论知识非常丰富，应用领域十分广泛。目前，人工智能在机器学习、模式识别、机器视觉、机器人学、航空航天、自然语言理解、Web 知识发现等领域取得了突破性进展，并可以出色地完成各种复杂的单一任务[1-6]。

2.2 卫星测试简述

卫星综合测试是指对电气性能或功能的测试，定性或定量地对卫星的功能和性能进行评定，证明其功能、性能指标满足总体设计要求，并具备卫星发射的条件[7]。卫星综合测试是系统级的电性能测试，是集测量、电子、通信、计算机、工程管理等多学科于一体、科学性与工程性相结合的综合技术。是在卫星发射前，对卫星性能分析、功能验证的最终审查，是航天器质量保证的关键步骤。卫星综合测试工作包括测试设计，测试实施，测试总结等方面。其中测试设计需要结合被测对象性能特点进行设计，其中人为参与因素繁多，在测试实施和测试总结方面，基于事件本身的规律性，更适合结合算法操作处理，使该过程智能化。

卫星测试领域已越来越多增加自动化手段及独立的算法实现测试实施和测试数据管理，但仍需要人工操作和监管，而对于卫星测试领域中的设备、文件信息统筹管理、测试实施中的故障诊断和卫星实测数据的系统性判读等方面可通过人工智能帮助其更好地实现自动化、智能化。

3 人工智能应用方法

3.1专家系统

专家系统用于收藏领域内一个或数个专家的宝贵知识和经验，使之不因专家离退休、故去而失传，具有永久性。经拷贝代替专家到多个岗位上工作，使专家知识和经验得到更广泛的推广和应用。能产生更为一致的可重复结果，提高工作实时性、一致性，避免人为因素造成的影响。可在恶劣或危险环境中代替专家工作，可给初学者传授知识和技巧。

国内外已发展多种专家系统用于卫星测试的不同领域，当前应用最广泛，使用效果最明显的有故障诊断专家系统、智能指挥专家系统、应急救生辅助决策专家系统等。在卫星测试领域，可以将一种知识自动获取的方式即机器学习[8]，运用于专家系统的建造阶段，由于每个卫星测试过程中均有测试人员与计算机进行交互，专家系统可以从以往经验中抽取知识，对知识库进行自动更新和扩展。

3.2神经网络

神经网络是模拟的生物激励系统，将一系列输入通过神经网络产生输出。输出、输入都是标准化的量，输出是输入的非线性函数，其值可由连接各神经网元的权重改变，以获得期望的输出值。由于神经网络具有快速并行处理能力和良好的分类能力，被广泛用多种测试系统中。

基于神经网络专家系统的测试设备故障诊断方法，将神经网络与专家系统相结合可以弥补传统专家系统构造中知识获取的“瓶颈”和推理的“组合爆炸”等问题。测试设备工作时，诊断系统通过信号采集模块对测试设备的工作电压进行实时采集，当发现监测信号异常时，系统报警，经神经网络推理机找出故障原因并定位故障、给出维修建议[9]。

3.3图像识别

图像识别是指利用计算机对图像进行处理、分析、理解，以识别各种不同模式的目标和对象的技术。视觉图像经过采样和量化后输入计算机，变成数字图像，其基本信息储存在数组中。通过数字图像处理技术，进行一定处理后就进行图像识别，这既是图像识别的核心部分图像识别分类器。它的作用主要在根据模式识别中的各种技术，如统计模式识别、模糊模式识别、人工神经网络模式识别等，对输入的图像特征参量进行一定的运算后，判断输出图像的分类。利用已知类别的图像样本训练某个算法，得到所涉及的分类方案，使得这个方案对原有已知类别的图像正确分类 [10-11]。

在测试系统中，图像识别多用于故障诊断中，与专家系统结合，训练算法以通过图像识别的方式正确分类故障，利用专家系统解决故障。

3.3遗传算法

遗传算法通过随机产生新的解并保留其中较好的结果，并避免陷入局部最小，以求得全局最优解或近似最优解。作为一种高效的全局概率搜索方法，在解决决策空间大、目标函数具有多峰和非线性特性等高复杂度的优化问题时，显示了其独特的优势和高效性[12]。

在卫星测试中，对于测试数据生成、分析问题往往需要花费大量的时间，自动求解该问题，将有效减轻测试人员的劳动强度，并提高测试时的效率和质量，从而节省测试成本。测试数据生成、分析的过程实际上是依据一定的规则对被测程序的输入空间进行抽样的过程。实际复杂测试的数据类型各异，输入空间庞大，采用遗传算法解决测试数据自动生成、分析问题成为目前解决卫星测试数据生成、分析问题研究的前沿之一[13]。

3.4大数据模型

大数据模型主要从大规模数据集或数据库发现知识或模式。知识发现方法有统计方法、粗集和模糊集、机器学习、智能计算等方法。知识发现的任务分为数据总结、概念描述、分类、聚类及相关性分析等。机器感知涉及图像、声音、文字等信息的识别问题。模式识别的主要目标是用计算机模拟人的识别能力，运用知识表达和推理方法，主要从图形、图像和语音抽取出模式，表征或刻画被识别对象类属特有的信息模型[14]。

将大数据模型与测试相结合可以分为以下几步完成：第一步，将所有数据分成训练组和检验组;第二步，数组中包括待预测的目标信息以及可能影响该目标的各种信息;第三步，选择有可能影响目标的信息;第四步，选择一种机器学习算法“决策树”;第五步，把目标和可能影响目标的信息作为数组变量输入算法，训练得到一个预测模型;第六步，把预测模型用于检验数据，检测该模型的精确度。

4 人工智能在卫星测试系统中的应用领域

4.1测试设备

卫星测试设备包括：低频设备、高频设备、网络连接设备、大型试验设备、测试电缆等，其中包含供配电分系统、遥测遥控分系统、数管热控分系统、控制分系统、电推进分系统、载荷分系统、跟踪分系统、数据管理分系统等，是一个高度集成化的测试系统，其中涉及了多个不同的专业学科。如果能在测试设备中运用人工智能技术，提高设备的智能化，提升测试系统的整体协作性，在解决卫星测试系统问题时，基于计算机理论，运用人工智能技术来合理编写计算机控制程序，将从基层设备方面达到智能化和自动化控制。

4.2测试工作

卫星测试工作主要包括：测试用例设计、测试实施、测试数据总结三方面。

测试设计需要结合被测对象性能特点进行设计，需要人为参与因素比较多。人工智能可以应用于测试用例设计中。通过计算机庞大的计算能力以及精确性的特质，减少以人为主导所编写的测试用例的失误与不精确性。例如运用专家系统，来使AI具备大量的航天领域专家水平的知识与经验，从而使AI模拟专家来进行测试用例的编写。避免因为测试人员专业知识不熟练所导致的各种问题。

在测试实施和测试总结方面，由于事件自身有一定的规律性，适合机器操作处理。目前的测试现状是，测试过程中产生的大量的试验数据以电子文档的方式分散保存在各个测试计算机中。可以通过运用机器学习的理论，由测试人员提供大量的输入和输出数据来训练AI，最终由AI学会根据特定需求去自动生成测试用例、执行测试，并对测试结果进行分析。这将大大减少人工测试工作量，大幅提高工作效率。

4.3故障诊断

故障诊断是根据卫星测试系统中的故障特征，对已发生故障的时间、位置和程度进行预测，对设备运行状态处于正常或异常做出判断，根据历史档案、运行状态等等级和已出现的故障特征或征兆，判断故障的性质和程度，以此制定相应的解决方案。

由于卫星测试设备的多样性，其故障诊断不仅指单台设备，也包括由设备组成的分系统。一台设备或组成系统的某个节点（包括软件、硬件、通信等）在运行中的故障，可能造成大部分设备或整个分系统瘫痪。在卫星测试系统中，测试设备及星上设备通常在关键点都留有备份或冗余，但在测试过程中，当故障发生时，需要在第一时间发现和排查，并对卫星的安全保障有非常高的要求。这就对卫星测试过程中的故障诊断提出了较高的要求。如果能够引入人工智能的技术提高故障报警的及时性，加快故障的排查速度，将对卫星测试的安全性大大提升。

4.4测试环境

卫星在不同研制阶段需要进行大量的地面验证试验，如桌面联试、整星电测试、热试验、振动噪声试验、EMC 试验、发射场试验、外协试验以及临时增加的补充测试试验等。试验关联因素多，试验场地多样化。

对于一些大型试验，如热试验要求卫星连续加电数百小时，对于测试人员是一个考验;如发射场试验，由于发射当日的试验场地有一定危险性，对于测试人员的人身安全有威胁。如果能在这些试验中使用人工智能的技术实现测试的无人化，全自动化，将大大缓解对人员自身的限制。

5 人工智能结合自动化测试技术应用现状

5.1卫星自动化测试模式

当前卫星测试普遍利用自动化模式控制测试实施过程如图1，自动化测试理念将所有的测试细则数字化，测试实施过程全部由计算机来执行，即使计算机无法自动完成，需要人工操作、记录或判读的步骤，也必须编排在数字化细则中，执行到该步操作时，由计算机给出操作提示并将人工操作结果记录到计算机系统中。

目前的自动化测试信息系统可以将测试实施与设计的一致性进行同步，相较于传统的测试模式全部由人工实施测试的过程已经大有进步，但是仅能实现简单的数据测试靠电脑自动生成来完成，复杂测试用例的编写仍旧由人作为主导。自动化信息系统只能实现自动地将人所编寫的测试用例输出来执行程序并得出执行结果，属于半智能化信息系统。

5.2卫星自动测试诊断系统

目前卫星测试所使用的系统是通过数据服务器、数据管理中心、卫星监测系统、集成诊断推理系统共同组成的分布式故障诊断系统，可协作运行完成对卫星的测试、监测和诊断。在每个单元程序编码完成后，根据程序编码及实现的功能进行了测试用例的设计，即主要采用白盒测试与黑盒测试相结合的测试策略对各个模块进行了单元测试，记录了错误发现的时间，并及时对发现的错误进行了修正。

该系统负责对卫星数据库进行管理、维护、数据查询、数据入库等基本任务，同时嵌入了数据分析模块，便于专家对历史数据的深入分析和挖掘。卫星监测系统对卫星全波道数据状态监测，将监测状态实时显示并传送给故障诊断系统。集成故障推理系统运用专家系统、模糊推理以及基于多信号模型推理技术，可以有效地对遥测数据进行自动化地实时诊断推理。其中，专家系统推理系统集成了卫星用户单位给出的几十种故障模式，通过对历史数据的学习形成测试模型，具有给出故障解释与故障对策的能力。模糊推理系统解决了卫星外界环境的不确定性导致诊断知识的模糊不确定性。基于多信号模型的实时诊断算法可以解决卫星在轨时可能出现多种元件同时发生故障的情况。

卫星测试平台接收转化过的卫星下传的数据，实时监测卫星遥测状态，进行有针对性的自动化测试实施，发现异常或故障及时报警并将诊断所需的各部件的正常状态及异常记录写入卫星遥测数据库，在整个诊断系统起着非常重要的作用。

6 人工智能在卫星测试系统的应用探索

在卫星测试领域中应用人工智能技术，可以在很大程度上解决因技术点广泛、关联紧密复杂、创新及拓展性强、信息量巨大等问题带来的隐患，从技术和管理角度有效控制关键薄弱环节。本文通过分析寻找人工智能技术与卫星测试领域结合点，对其在卫星测试领域的未来应用做出了以下应用探索。

核心模块包括：

1） 用户管理：收集信息，并对管理岗位人员、技术岗位人员及不同分系统专业参与测试的人员进行分类信息录入，建立大数据模型并通过专家系统进行智能化的权限划分、任务分配和人员调配。

2） 测试设备：遗传算法渗透测试设备管理，在设备大数据库中跟踪每台设备的具体情况，并在测试过程中运用神经网络技术实现虚拟设备管理，统一设备指令类型，实现智能监控、智能管理、智能统筹。

3） 测试流程管理：针对测试流程复杂多变、试验方案多样化等难题，通过对以往测试任务信息的数据收集，结合专家系统和神经网络，不断迭代优化，保障计划节点与技术要素的共同实现。

4） 测试数据管理：测试数据是卫星测试中体量最大的数据来源，基于遗传算法、神经网络和专家系统整合大数据可在很大程度上实现卫星测试数据的智能解读与分析，保障可靠性的同时提高智能化。

5） 故障诊断：通过神经网络计算与甄别，专家系统处理和评估等多项智能技术，实现对测试数据的自动诊断与推理，能够准确及时地给出故障诊断说明和解决对策。

图2是人工智能相关技术应用于卫星测试领域的框架图，针对五种人工智能技术图解了其在卫星测试系统的应用方式。

7 挑战

伴随人工智能在卫星测试应用上研究的深入，研究人员们也面临着诸多挑战。

1） 智能技术的挑战：

要做到用人工智能完全替代人来进行测试，就需要人工智能具备强人工智能的基础。而这一点在人工智能领域尚未解决。

2） 应用范围的局限：

由于现阶段人工智能在测试领域的应用较为单一，因此无法将人工智能大范围应用于卫星测试的各个领域。

3） 测试安全的限制：

与其他测试领域相比，由于卫星测试对安全性的要求非常高，人工智能技术的尝试难度更高，代价更大。

综上所述，我们发现纯智能测试在测试效率、测试数据分析以及测试安全等方面，相较于人工测试和混合测试在卫星测试领域的优势还有一定限制。但是，不可否认的是人工智能技术是未来的发展趋势，其在卫星测试领域方面的应用与发展空间还很大，还有很多的可能性。随着测试技术的不断发展，随着人工智能技术的不断完善 ，我们相信人工智能将成为卫星综合测试的主流测试模式。

参考文献：

[1] 张国英，何元娇.人工智能知识体系及学科综述[J].计算机教育，2010（8）：25-28.

[2] 蒲慕明，徐波，谭铁牛.脑科学与类脑研究概述[J].中国科学院院刊，2016，31（7）：725-736，714.

[3] 曾毅，刘成林，谭铁牛.类脑智能研究的回顾与展望[J].计算机学报，2016，39（1）：212-222.

[4] 徐波，刘成林，曾毅.类脑智能研究现状与发展思考[J].中国科学院院刊，2016，31（7）：793-802.

[5] 贲可荣，张彦铎.人工智能[M].2版.北京：清华大学出版社，2013.

[6] 冯健翔.人工智能及其航天应用概论[M].北京：宇航出版社，1999.

[7] 周志成.通信卫星工程[M].北京：中国宇航出版社，2014.

[8] Hester T，Stone P.TEXPLORE：real-time sample-efficient reinforcement learning for robots[J].Machine Learning，2013，90（3）：385-429.

[9] Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：84-90.

[10] 井金剑，翟春艳，李书臣，等.基于红外图像识别的电气设备故障诊断[J].电子设计工程，2014，22（12）：171-173.

[11] 郭健，王勇.人工智能结合自动化测试在智能电网系统中的未来应用[J].软件，2018，39（11）：224-229.

[12] 陈骋，马晓岩，杨瑞娟，等.基于遗传算法的多功能电子系统任务调度[J].现代防御技术，2013，41（4）：68-73.

[13] 姬秀荔，李爱玲，孙玉强.一种新的软件测试数据的进化生成方法[J].微计算机信息，2007，23（21）：249-251.

[14] 程显毅，胡海涛，曲平，等.大数据时代的人工智能范式[J].江苏大学学报（自然科学版），2017，38（4）：455-460.

【通聯编辑：朱宝贵】