《Aerospace Science and Technology》：Federated Incremental Prognostics for System-Specific Degradation Tracking in Spacecraft Propulsion Systems
编辑推荐：
本文提出了一种联合增量学习（FIL）框架，旨在解决航天器推进系统在长期自主任务中的退化预测难题。该框架通过全局动量聚合（GMA）和多元智能体博弈（MAG）协同机制，协调异构系统间的知识共享，并利用增强的LoRA增量学习模块，在缓解早期数据稀缺的同时，实现系统特异性（system-specific）的退化追踪，最终在JAXA数据集上验证了其优于现有方法的准确性。
突出亮点
本文提出了一种用于航天器推进系统健康监测的联合增量学习框架，该框架专门为异构机队和不断变化的飞行任务条件下的系统级退化追踪而设计。该框架结合了全局动量聚合（GMA）策略，以在机队层面保持长期的时间惯性，以及多元智能体博弈（MAG）协作机制，以协调异构推进系统之间的贡献感知知识共享，从而抑制客户端间的不一致性并缓解早期数据稀缺。一个增强的基于LoRA的增量学习模块进一步实现了轻量级的系统特异性模型演化，同时保持全局一致性，使得新观察到的退化行为能够在不破坏先前学习到的趋势的情况下被吸纳。总的来说，这些组件稳定了长周期学习，尊重了系统特异性的退化差异，并在异构操作条件下促进了连贯的全机队演化。在日本宇宙航空研究开发机构（JAXA）航天器推进数据集上的验证表明，所提出的方法在准确性和可靠性方面优于现有方法。
问题描述与方法论架构
在共享任务场景下运行的航天器推进系统不断产生反映其物理状态演化的多元时间序列遥测数据。设推进机队表示为 S = {S1, S2, …, SN}，其中每个系统在时刻t提供一个信号向量 Xt(i)= [xt,1(i), xt,2(i), …, xt,p(i)] 和一个相应的与退化相关的输出 yt(i)。样本的集合构成了每个系统的本地数据集 Di= {(Xt(i), yt(i)) | t = 1, 2, …, Ti}。尽管推进单元在相似的总体任务条件下运行，但由于设计、制造公差、操作模式和环境暴露的差异，它们表现出不同的退化行为，这给跨系统的集中式或静态模型泛化带来了重大挑战。
数据介绍
本研究采用了由日本宇宙航空研究开发机构（JAXA）发布的开源航天器推进数据集，该数据集旨在支持推进系统预测与健康管理（PHM）的研究。本案例中的所有实验均在此基于物理的仿真数据集上进行，而非真实的飞行遥测数据。该数据集是使用在SimulationX（一个多物理场仿真平台）中建立的一维计算机辅助工程（1D-CAE）模型生成的。
结论
本研究解决了在异构条件下准确预测和持续追踪航天器推进系统退化的关键挑战。传统的集中式或经典联合学习方法难以在具有不同结构特征、操作模式和退化动态的推进系统之间实现泛化。此外，早期阶段的数据稀缺和时间漂移严重限制了它们捕捉一致长期退化趋势的能力。相比之下，所提出的联合增量学习（FIL）框架通过其全局动量聚合（GMA）和多元智能体博弈（MAG）机制，有效地协调了异构知识共享，并缓解了早期数据稀缺问题。增强的LoRA增量模块进一步实现了系统特异性建模，同时保持了全局一致性。在JAXA推进数据集上的实验验证表明，该方法在准确性和可靠性方面优于现有基准。这项研究为未来长期自主太空任务中实现持续、自适应的推进系统健康管理奠定了基础。
