智能制造的核心技术之建模与仿真技术
版权声明1、凡本网注明“来源：中国轻工业网”的作品，版权均属于中国轻工业网，未经本网授权，任何单位及个人不得转载、摘编或以其它方式使用。已经本网授权使用作品的，应在授权范围内使用，并注明“来源：中国轻工业网”。违反上述声明者，本网将追究其相关法律责任。2、凡本网注明“来源：XXX（非中国轻工业网）”的作品，均转载自其它媒体，转载目的在于信息之传播，并不代表本网赞同其观点和对其真实性负责。3、如因作品内容、版权和其它问题需要同本网联系的，请于转载之日起30日内进行。4、免责声明：本站信息及数据均为非营利用途，转载文章版权归信息来源网站或原作者所有。
天气预报中的人工智能技术进展
与AI技术在其他领域的应用发展一样，天气预报中的AI应用也从计算机视觉技术应用起步。目前计算机视觉技术已在多普勒雷达图像智能识别和短临外推（一般为0~2小时）、卫星云图类型识别等方面广泛应用。日本九州大学的研究小组利用深度学习技术，开发了从全球云系统分辨率模型（NonhydrostaticIcosahedralAtmosphericModel，NICAM）气候实验数据中识别热带低压的方法，特别是夏季西北太平洋热带低压发生一周前的征兆。美国NWS已大力着手基于云的天气预报应用，并已启动了内部研究和发展计划（InternalResearch&DevelopmentProject，IP&D）提高天气预报能力。IP&D实现了针对灾害天气的实时数据挖掘，进而用于洪水预测。通过AI算法考虑过去已导致明显洪水灾害的区域，选出预报目标区，结合亚马逊网络云服务（AmazonWebServices，AWS），通过机器学习预测该目标区的洪灾可能性和严重程度，并通过AWS网页进行图形可视化调用。NWS还做了强风（阵风大于等于25.7m/s)实时预报，使用AI技术预测未来不同距离(风暴单元周围0、5和10km)和时间窗(未来0~15、15~30、30~45、45~60和60~90min)内出现大风的概率。数据集由MYRORSS（TheMulti-YearReanalysisofRemotelySensedStorms）质量控制的雷达图像、快速更新同化(RapidUpdateCycle，RUC)模型数据、1分钟气象机场报告(METARs;国家气候数据中心2006年)和NWS地区风暴报告等构成。MYRORSS的空间和时间分辨率分别为1km和5min,而RUC的分辨率为13km和1h。主要流程包括：首先，使用实时[28]和事后[33]方法对风暴细胞进行识别和跟踪。选取预测因子包括风暴运动(速度和方向)、风暴目标的形状参数(面积、方向和偏心)等；其次，通过对流允许模型(ConvectionAllowingModel，CAM)集成提供有关风暴强度、位置和演化的信息，并建立可预测冰雹发生概率和预测冰雹大小分布的机器学习模型。该模型已经在两个CAM集成系统上实时运行，并通过冰雹cast诊断[34]和风暴替代变量(updrafthelicity)[35]进行验证。其中，观测的冰雹由美国国家海洋和大气管理局(NationalOceanicandAtmosphericAdministration,NOAA)国家强风暴实验室(TheNationalSevereStormsLaboratory,NSSL)多雷达多传感器[36]给出的冰雹最大预期[37]确定。预报和观测到的风暴根据空间和时间上的接近程度进行匹配，从每个预报风暴的范围内提取描述风暴和环境变量的统计信息，并将其输入到机器学习模型中。这种方法与Clark等[38]通过干线（dryline）判断风暴的方法有异曲同工之妙。Google公司也将深度学习用于提供空间分辨率1km、时间分辨率1~3h的美国大陆雨雪预报。观测资料包括遥感和地面站，如GEO和LEO卫星，多普勒雷达、雨量站，地表和气候等信息。过去2h的历史数据主要包括：①8张GOES-16卫星图像（15min分辨率），②8张或更多的多普勒雷达图像（2min分辨率），③1张IMERG/GPMLEO卫星云图（每3h1张），④PRISM（Parameter-elevationRegressionsonIndependentSlopesModel）气候资料（当月的30年气候平均），⑤地形高度。输出包括未来3h雷达图像和/或雨量观测。与传统的深度学习方法相比，该方法考虑到卫星资料和雷达资料的观测时间差异，使用延时处理以使两者时间匹配。基于2018年和2019年数据的检验表明，该方法的3h预报性能高于数值预报方法。另一个典型的实例是，ProbSevere公司利用多雷达多传感器(Multi-Radar/Multi-SensorSystem，MRMS)的复合反射率(同时获得多个雷达的最大柱状反射率)实时识别和跟踪风暴[36]。该方法在识别时，使用了风暴附近环境以及风暴速度信息。训练标签是通过运行一个名为besttrack的事后风暴跟踪程序[33]。训练数据还对所有持续时间大于7200s的风暴进行了采样，产生了2872680个用于训练的样本。
人工智能技术在航天工程领域的应用体系研究
图1航天领域人工智能技术发展
Fig.1Developmentofartificialintelligencetechnologyinspacefield
人工智能在航天领域应用主要集中在星上数据处理与解译、自主任务规划、自主故障检测、多星协同以及空间机器人等方向，其中以美国的研究最具代表性，开展了一系列智能航天系统试验和计划：①战术卫星-3(TacSat-3)的运载管理试验中对自动推理系统的行为问题进行了研究，自动推理系统主要用于故障检测和诊断[6]；②2006年发射的技术卫星-21(TechSat-21)用于演示编队飞行及在轨自主技术，以提高快速响应能力和改进操作效率，其自动科学与航天器(ASE)软件被安装在卫星上用于实现在轨任务规划、调度与执行，以及在轨观测规划分配[7]；③美国天基监视系统具有全天时持续工作能力，可以快速扫描、发现、识别、跟踪低轨至高轨目标，支持卫星在轨性能升级，如探测更小的目标、自动跟踪感兴趣目标以及提高系统使用效率等[8]；④NASA的深空探测计划中[9-10]，深空1号(DS-1)验证了部分自主技术，包括自主导航技术、自主远程代理技术、自主软件测试技术和自动代码生成技术，实现了一定程度的自主规划、诊断和恢复能力；2017年，NASA宣布用开普勒探测器发现了第二个“太阳系”，采用了Google提供的AI模型对探测器拍摄的天文图像进行分析；全新一代火星漫游车“火星2020”，能够自主避障，自主选择兴趣目标、探测条件和最佳探测方案。NASA未来的深空无人探测器，欧罗巴快帆计划和彗星漫游项目等都将全面具备AI能力。
经过近40年的发展，国外航天领域的智能化具备了初步自主任务规划能力、一定水平的自主识别分类能力以及空间机器人初步具备了“弱”智能。我国在航天器故障分析、任务设计和规划、自主决策、智能机器人、集群智能等领域积累了一定的研究基础[11-16]，总的来说，人工智能技术应用还非常有限，研究方向较为零散，对人工智能在航天领域的应用还缺乏整体认识与系统规划。
2航天领域人工智能分级标准及定义
目前，学术界和产业界均未对航天领域人工智能应用提出相应的划分标准。本文从体系、系统、分系统等层次提出了初步的分级标准，如表1所示，主要划分为4个等级，分别为无人工智能、分系统程控化、单星系统智能化和体系智能化，具体定义如下：
(1)无人工智能。按照任务目标，设计、研发和构建卫星系统，由人工按照既定清单和任务指令完成系统任务。
(2)分系统程控化。按照任务目标，设计、研发和构建卫星系统，在部分模块、产品、分系统层面使用程控化、自动化等技术，完成一些规律性、重复性的工作，减少人工参与造成的失误。
(3)单星系统智能化。单星系统能够根据需要对卫星系统的功能、性能进行有条件的调整和优化，地面实现全程无人参与，天地自主协同。
(4)体系智能化。航天体系具备从任务给定到结果输出全程无人参与，能够实现天地智能协同、天基资源智能调配，适应突发情形自主判断、决策，最终达到优于人工参与或不亚于人工参与的能力。
表1航天领域人工智能应用分级标准
Table1Classificationstandardofartificialintelligenceapplicationinspacefield
3智能航天体系概念内涵3.1概念
以功能、性能的弹性可重构的思路完成航天器的设计、研发，按照空间组网、功能齐备、统筹优化方式完成空间航天体系建设，具备智能感知、主动认知、自动控制、自主管理、互联互通和重构升级等一系列智能化基础能力，实现在给定任务目标后，能够适应未曾预料情形，在无人参与条件下，自主调配天地系统软硬件资源，自主完成使命任务，包括任务解析、联合任务规划、评估、信息快速精确获取与传递、与其他应用系统全方位自主铰链服务等，最终达到实现的航天任务目标优于人工参与或不亚于人工参与的能力。
3.2内涵和特征
(1)完备性。具备全域到达能力、全要素保障能力、全手段感知能力、全链路通信能力、全方位铰链服务、全流程智能化能力。
(2)智能化。从给定任务目标到任务目标的实现，全程无人工参与，全部依托体系内资源自行判断、决策。
(3)适应性。能够适应未曾预料情形，自主完成任务目标。
(4)准确性。能够确保目标和结果的准确性。
3.3体系要素
智能航天体系主要包括五大要素：
(1)智能航天制造。包括卫星智能研制、运载智能研制，地面系统智能化。
(2)智能体系构建。包括智能卫星发射、智能空间组网、智能在轨处理、智能状态监测、智能维修重置等。
(3)智能目标规划。包括智能目标理解、智能任务清单生成等。
(4)智能任务实施。包括智能任务规划、智能资源调度、智能环境感知、智能信息支援、智能服务铰链等。
(5)智能效能评估。包括智能数据处理、智能效果评估、智能结果反馈等。
图2智能航天体系要素
Fig.2Elementsofintelligentspacesystem
4智能航天体系架构设想4.1需求分析
(1)天基信息自动化保障需求。航天地面处理与应用系统均有不同程度的人为参与，人工环节多，机器对机器的闭环控制回路尚未打通。影响天基信息保障的自动化、时效性、客观性。
(2)自主星上处理、星间协同、在轨服务能力需求。天基计算存储共享环境尚未构建，实现自主星上处理、星间协同、在轨数据直接服务到用户的设想还存在差距。
(3)自适应、自组织、自学习、自提升等智能化应用能力需求。目前航天自动化还停留在低级智能阶段，知识库、样本库、规则库、特性库、算法库建设和天基大数据积累有待加强。
(4)航天体系效能最优化需求。对体系布局、协同配合、流程优化、软环境建设、软潜能挖掘不够，影响总体性能、体系效能发挥。
4.2设计原则
(1)性能优异。实现体系能力弹性设计、天基资源配置合理优化、地基资源高度集成智能。
(2)安全性强。实现高级别的安全体系架构和高安全保护等级。
(3)可用性好。确保系统在一个或部分节点出现不可预期问题时，整体依然可用。
(4)可扩展性。当增加功能时，实现可持续扩展或能力提升，确保对体系更改或变动影响最小。
(5)智能性高。系统具备深度学习、自我进化的能力，不断提高完成任务目标的能力。
4.3体系架构初步设想
面向智能航天发展需求，从基础设施、算法、体系和应用4个层次构建智能航天体系，如图3所示，各层次具体内容包括：
(1)基础设施层。包括底层基础和物理形态。底层基础包括长期累积空间大数据，包括产生目标库、特征库、算法库、规则库、样本库、知识库等数据库，以及天基计算存储共享环境等；物理形态包括天地一体化综合平台，如通信网络、时空基准、环境感知、与其他资源铰链平台和一体化地面支持系统等。
(2)算法层。包括基于机器学习、深度学习的智能航天应用基础算法。机器学习通过利用底层基础的大数据统计，分析导出规则或流程用于解释数据或预测未来数据；深度学习通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而建立从底层信号到高层语义的映射。
图3智能航天体系架构设想
Fig.3Preliminaryconceptionofintelligentspacearchitecture
(3)系统层。包括智能弹性空间系统和智能任务规划、实施和评估系统。智能弹性空间系统需要完成大型空间节点与星群节点综合配置，星间物联系统构建；智能任务规划、实施和评估系统运用智能处理技术，依托地面处理中心或天基信息港进行联合任务规划与评估，构建智能航天应用，缩短任务目标到实施评估的决策响应时间。
(4)应用层。提供天基网络能力、云导航能力、智能环境感知能力和智能应用与服务等能力。
5结束语
当前，各航天强国为抢占航天制高点都在推出人工智能在航天领域应用的强有力政策，政策机遇和技术挑战并存。针对我国当前航天领域人工智能研究较为零散，系统性不够，对智能航天体系认识不充分等问题，本文从顶层设计出发，研究提出智能航天体系框架，构建“AI+航天系统”综合体系，全面系统梳理了智能航天发展的能力需求与重点方向，可为提前布局智能航天基础设施、算法、体系和应用等各层次的研究，推动智能航天发展提供参考。
参考文献（References）
[1]李修全，蒋鸿玲.美日欧政府发展人工智能的新举措及对我国的启示[J].全球科技经济瞭望,2016,31(10):73-76
LiXiuquan,JiangHongling.RecentactionsofforeigngovernmentsforAIfutureandenlightenmenttoChina[J].GlobalScience,TechnologyandEconomyOutlook,2016,31(10):73-76(inChinese)
[2]HoldrenJP,BruceA,FeltenE,etal.Thenationalartificialintelligenceresearchanddevelopmentstrategicplan[R].WashingtonD.C.:NationalScienceandTechnologyCouncil,2016
[3]UweH.￡2.8billiontostrengthenEUleadinrobotics[DB/OL].[20-03-20].http://www.eu-robotics.net/cms/upload/PPP/28_05_2014_SPARC_Press_Release_English.pdf
[4]中华人民共和国国务院.新一代人工智能发展规划[M].北京:人民出版社,2017
StateCouncilofthePeople’sRepublicofChina.Newgenerationartificialintelligenceresearchanddevelopmentplan[M].Beijing:People’sPublishingHouse,2017(inChinese)
[5]冯健翔.人工智能及其航天应用概论[M].北京:宇航出版社,1999:21-22
FengJianxiang.Artificialintelligenceandit’sspaceapplication[M].Beijing:ChinaAstronauticsPress,1999:21-22(inChinese)
[6]庞之浩.美国战术卫星系列试验卫星[J].国际航空,2007(3):2-3
PangZhihao.TestSatelliteofTacticalSatelliteSeries[J].InternationalAviation,2007(3):2-3.(inChinese)
[7]MauriceMartin,SteveKilberg.TechSat-21andrevolutionizingspacemissionsusingmicrosatellites[C]//TheProceedingoftheAIAASmallSatelliteConference,WashingtonD.C.:AIAA,2001:1-3
[8]汤泽滢,黄贤锋,蔡宗宝.国外天基空间目标监视系统发展现状与启示[J].航天电子对抗,2015,31(2):24-30
TangZeying，HuangXianfeng，CaiZongbao.Developmentstatusandenlightenmentofforeignspace-basedspacesurveillancesystems[J].AerospaceElectronicWarfare,2015，31(2)24-30(inChinese)
[9]李虹琳.美国的载人小行星和火星探测[J].中国航天,2014(8):45-50
LiHonglin.MannedasteroidsandMarsexplorationintheUnitedState[J].AerospaceChina.2014(8):45-50(inChinese)
[10]尹怀勤.美国出台新的探测木卫二计划[J].太空探索,2017(6):22-25
YinHuaiqin.NewEuropadetectionprogramintheUnitedState[J].SpaceExploration，2017(6):22-25(inChinese)
[11]张威,魏炳翌,闻新.国内航天器故障诊断技术应用状况分析与展望[J].航空兵器,2017(4):67-75
ZhangWei,WeiBingyi,WenXin.ApplicationstatusanalysisandprospectonspacecraftfaultdiagnosistechnologyinChina[J].AeroWeaponry,2017(4):67-75(inChinese)
[12]吕红,苏云,陈晓丽，等.一种基于人工智能技术的卫星遥感载荷系统方案[J].航天返回与遥感,2014,35(3):43-49
LyuHong,SuYun,ChenXiaoli,etal.Aschemeofsatelliteremotesensingpayloadsbasedonartificialintelligence[J].SpacecraftRecovery&RemoteSensing,2014,35(3):43-49(inChinese)
[13]张兵.智能遥感卫星系统[J].遥感学报,2011,15(3):1-3
ZhangBing.Intelligentremotesensingsatellitesystem[J].JournalofRemoteSensing,2011,15(3):1-3(inChinese)
[14]胡绍林,李晔,陈晓红.航天器在轨服务技术体系解析[J].载人航天,2016,22(4):452-458
HuShaolin,LiYe,ChenXiaohong.Analysisofon-orbitservicingtechnologysystem[J].MannedSpaceflight,2016,22(4):452-458(inChinese)
[15]席政.人工智能在航天飞行任务规划中的应用研究[J].航空学报,2007,28(4):791-795
XiZheng.Studyonmissionplanningofspaceapplyingartificialintelligence[J].ActaAeronauticaetAstronauticaSinica,2007,28(4):791-795(inChinese)
[16]李伯虎,柴旭东,张霖，等.面向新型人工智能系统的建模与仿真技术初步研究[J].系统仿真学报,2018,30(2):349-362
LiBohu,ChaiXudong,ZhangLin,etal.Preliminarystudyofmodelingandsimulationtechnologyorientedtoneo-typeartificialintelligentsystems[J].JournalofSystemSimulation,2018,30(2):349-362(inChinese)
ResearchonApplicationFrameworkofArtificialIntelligenceinSpaceSystem
HAOXiaolong1BAIHefeng1XIONGChunhui2ZHANGYongqiang1LIUNian1
(1BeijingInstituteofTrackingandTelecommunicationsTechnology，Beijing100094,China)(2CollegeofInformationandCommunication,NationalUniversityofDefenseTechnology,Wuhan430010,China)
Abstract：Basedonthesystematicanalysisandsummaryoftheapplicationresearchstatusofartificialintelligenceinthefieldofspace,theoveralldesignofintelligentspacesystemiscarriedout,theapplicationclassificationstandardofartificialintelligenceinspacefieldisstudiedfromtheperspectivesofsubsystem,singlesatelliteandsystem,theconceptofintelligentspacesystemisproposed,themulti-levelintelligentspacearchitectureincludingtheinfrastructure,intelligentalgorithmlayer,systemlayerandapplicationlayerisproposedbasedontheconstraintsofsecurity,availabilityandscalability,andthemainstructure,supportingtechnology,interrelationandinteractionmodeofeachlevelaregiven,whichprovidesareferenceforacceleratingtheapplicationofthenewgenerationofartificialintelligencetechnologyinthespacesystem.
Keywords：artificialintelligence；spacesystem；systemframework
中图分类号：P128.4;P145.6
文献标志码：A
doi：10.3969/j.issn.1673-8748.2020.05.004
收稿日期：2020-04-28；修回日期：2020-08-31
作者简介：郝晓龙，男，硕士，助理研究员，从事航天总体技术研究。Email:haoxl@beidou.gov.cn。
(编辑：张小琳)返回搜狐，查看更多