设想你是一位远在 3.6 万公里高空的“太空病人”——一颗通信卫星。太空里没有急诊室，一旦“发病”，地面团队既不能上门探望，也无法轻易更换“器官”。过去卫星出问题，只能等它“喊疼”：信号异常、业务中断，才连夜组织专家救援，一次被动抢救动辄损失上亿，修复周期长达数周。卫星健康管理 PHM（Prognostics and Health Management），就是给这位太空病人配备的一位 24 小时在线的 AI 家庭医生：通过遥测数据这条“生命体征”通道实时量体温、测血压；发现异常苗头就提前预警；根据退化趋势估算“还能健康工作多久”；最后开出一张“何时吃药、何时手术”的维护处方。这套“数据 + 模型 + 决策”的组合，正在成为下一代卫星通信网络可靠运行与运维自动化的基石。

岗位关联

掌握卫星 PHM，等于具备用数据驱动复杂航天装备“治未病”的能力——这是 AI 在航空航天与电信行业落地中最硬核、最紧缺的工程技能之一，也是从“被动修故障”跃迁到“主动控风险”的职业分水岭。

目录
  1. 可视化演示
  2. PHM概念定位
  3. 遥测数据基础
  4. 健康状态评估
  5. 异常检测模型
  6. 寿命预测方法
  7. 维护决策支持
  8. 工程应用与趋势
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示卫星PHM全链路：遥测数据采集、AI异常检测、故障预测与剩余寿命评估、主动维护决策，步进切换各阶段并实时呈现健康状态指标。

本节配有交互动效（进入视口后自动加载，约 3KB）。

采集阶段 遥测参数 特征提取 电压·温度·电流 实时监测卫星健康

PHM概念定位

想象一颗通信卫星是住在 3.6 万公里高空的一位“太空病人”。太空没有急诊室，地面团队既不能上门问诊，也无法随意更换“器官”。过去卫星出现隐患，人们只能等它“喊疼”——转发器掉线、业务中断，才连夜组织抢救。这就像家中老人直到晕倒才被送进 ICU，常常为时已晚。

PHM（Prognostics and Health Management，故障预测与健康管理）正是为这位太空病人配备的“AI 家庭医生 + 智能手环”。它由四步诊疗闭环构成：监测（采集遥测数据）、评估（给健康状态打分）、预测（预警故障并估算剩余寿命）、决策（给出维护处方）。它不是某个单一算法，而是覆盖数据、模型、平台的一整套健康管理体系。

为什么要“治未病”？卫星部件的故障率并非恒定。长期来看，整星可靠性随运行时间按指数规律衰减：早期故障已被地面测试剔除，进入稳定期后，磨损与老化的累积效应使失效率逐渐抬头。PHM 的使命，就是用数据手段对抗这条“衰老曲线”。

有了 PHM 这位 AI 家庭医生，太空病人不必“小病拖成大病”：体检发现问题时提前干预，可靠性曲线被重新“拉直”。这正是卫星通信网络从“坏了再修”走向“预知未来、主动防守”的关键一步。

R(t)=e−λtR(t) = e^{-\lambda t}
卫星系统运行到 t 时刻仍能无故障工作的概率，随着时间按指数规律下降；λ 越大，可靠性衰减越快。
  1. 失效率 λ表示卫星部件单位时间内发生故障的平均概率，λ 越大说明“生病”越频繁，可通过历史故障数据估计。
    λ=故障总次数累计运行时间\lambda = \frac{\text{故障总次数}}{\text{累计运行时间}}
  2. 指数核 e^{-\lambda t}可靠性随时间按指数规律衰减，t 为 0 时可靠性为 1（全新状态），时间越长可靠性越低。
    e−λte^{-\lambda t}
  3. 可靠性 R(t)卫星系统在 t 时刻仍能无故障完成任务的概率，是 PHM 试图“托住”的核心指标。
    R(t)=e−λtR(t) = e^{-\lambda t}

遥测数据基础

医生诊断的第一步，是拿到病人的“生命体征”：心率、体温、血氧。卫星的“生命体征”来自遥测（Telemetry）——星上各类传感器将电压、电流、温度、角速度、太阳翼转角、推进剂压力等数百路参数，通过数传链路下传到地面站，就像智能手环把健康数据同步到手机 App。

但原始遥测数据不能直接送进模型。原因有三：量纲不同，温度 28℃ 与电压 28.5V 无法直接相加；噪声干扰，空间电磁环境会产生测量毛刺；存在丢帧，链路偶尔中断导致数据缺失。这就像化验单上混着不同单位、带着墨渍、还有几行空白的检测结果，再厉害的医生也无从下手。

因此必须做数据预处理。其中最基本的一步是归一化：把各路参数映射到统一的 [0,1] 区间，消除量纲影响，让后续模型一视同仁地看待每一路“生命体征”。

数据质量决定 PHM 的天花板。手环测不准心跳，再聪明的 AI 医生也算不出病情——遥测数据这条“生命体征通道”有多干净，决定了后续健康评估与寿命预测就有多可靠。

x′=x−xmin⁡xmax⁡−xmin⁡x' = \frac{x - x_{\min}}{x_{\max} - x_{\min}}
将原始遥测值缩放到 0 到 1 之间：越接近 1 表示离正常上限越近，越接近 0 表示离正常下限越近，消除单位差异。
  1. 原始采样值 x某路遥测参数的当前读数，例如母线电压 28.5V，它来自一批连续的采样序列。
    x∈{x1,x2,…,xn}x \in \{x_1, x_2, \ldots, x_n\}
  2. 极差下界与上界该参数正常工作范围内最小值与最大值，决定缩放区间，通常由工程设计指标给出。
    xmin⁡=min⁡ixi,xmax⁡=max⁡ixix_{\min} = \min_i x_i, \quad x_{\max} = \max_i x_i
  3. 归一化结果 x'把原始值线性映射到 [0,1] 区间，量纲被消除，温度与电压等不同参数可以在同一尺度下比较。
    x′=x−xmin⁡xmax⁡−xmin⁡x' = \frac{x - x_{\min}}{x_{\max} - x_{\min}}

健康状态评估

拿到生命体征数据后，AI 医生要出具一份“体检报告”。报告不会把几百项指标全部罗列出来让病人自己猜，而是给出一个总体健康评分，并在每项指标旁标注“正常 / 警戒 / 异常”。卫星健康评估做的正是这件事。

不同参数对任务的影响各不相同：电源母线电压异常会导致整星断电，属于致命项；舱内温度小幅波动则可以容忍。工程上给每路参数设定“健康评分”，再按重要程度加权，得到卫星的综合健康度。这个百分制（或 0~1 制）分数，就是运维人员一眼能懂的“体检总分”。

除了综合评分，还要紧盯单项告急——阈值裕度。裕度越小的参数越接近红线，即使总分尚可也必须重点盯防。综合健康度与单项裕度结合，再叠加趋势（如连续多日下降），最终把卫星划分为“优 / 良 / 中 / 差”四个健康等级。就像体检报告让老人一眼看清“这周该注意血压了”，健康等级让运维人员在万里之外也能秒懂卫星状态。

H=∑i=1nwi×siH = \sum_{i=1}^{n} w_i \times s_i
综合健康度 H 等于各路遥测参数健康评分的加权平均：权重越大代表该参数越关键，单项越健康整体分数越高。
  1. 单项健康评分 s_i第 i 路遥测参数映射到 [0,1] 的健康分数，1 表示完全正常，0 表示已失效。
    0≤si≤10 \leq s_i \leq 1
  2. 权重 w_i体现该参数对整星任务可靠性的重要程度，关键分系统（如电源）权重远高于次要参数。
    0≤wi≤1,∑i=1nwi=10 \leq w_i \leq 1, \quad \sum_{i=1}^{n} w_i = 1
  3. 综合健康度 H加权求和得到卫星总体健康评分，越接近 1 越健康，是健康等级划分的直接依据。
    H=∑i=1nwi×siH = \sum_{i=1}^{n} w_i \times s_i

异常检测模型

“不对劲”往往比“已经坏了”更值钱。AI 医生最厉害的本事，是在病人尚未感到不适时，就从生命体征的细微变化里嗅出异常。异常检测模型就是 PHM 的“警觉鼻子”。

最经典的统计方法是 z-score 检测：以滑动窗口内数据的均值为“正常中心”，标准差为“正常波动幅度”，当前值偏离中心超过 3 个标准差，就判定为异常。这相当于医生拿到一份实时心率，发现它突然跳到远超日常波动的水平，立刻拉响警报。

但单一统计阈值对“缓慢漂移”不敏感——温度每天涨 0.1℃，要好几个月才越限，期间 z-score 始终不超。机器学习方法更擅长这类“温水煮青蛙”：孤立森林随机切分数据找出离群点、LSTM 自编码器学习正常模式后以重构误差报警、时序预测模型用“预测值与实际值之差”捕捉残差异常。多维关联分析还能发现单参数看不出的问题——电压与温度同时微降，单看都正常，组合起来却是电源退化的征兆。好警犬不是嗓门大，而是嗅觉灵：统计模型抓“突发心脏病”，机器学习抓“慢性病前兆”，多维关联抓“并发症苗头”。

z=x−μσz = \frac{x - \mu}{\sigma}
z 分数表示当前遥测值偏离正常平均水平多少个标准差；通常 |z|>3 就认为数据出现异常。
  1. 均值 μ滑动窗口内正常遥测数据的平均水平，代表“正常的中心体温”。
    μ=1n∑i=1nxi\mu = \frac{1}{n}\sum_{i=1}^{n} x_i
  2. 标准差 σ窗口内数据的离散程度，代表“正常波动的幅度”。
    σ=1n∑i=1n(xi−μ)2\sigma = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(x_i - \mu)^2}
  3. z 分数当前值与均值的偏差相当于几个标准差，z 的绝对值越大说明越偏离正常状态。
    z=x−μσz = \frac{x - \mu}{\sigma}

寿命预测方法

病人最常问医生：“我还能健康生活多少年？”卫星运营商最想知道的是：“这颗卫星还能可靠工作多久？”这就是剩余寿命（RUL，Remaining Useful Life）预测，是 PHM 中最具价值的“预言术”。

当部件性能出现持续退化趋势后，可以用退化轨迹模型外推未来。最常用的指数退化模型认为，性能按固定比例随时间衰减：初始性能为 L₀，退化率为 λ，则 t 时刻的性能为 L(t)=L₀e^{-λt}。给定无法继续任务的失效阈值 L_fail，解方程就能算出从当前时刻到失效还要多久。

但真实退化充满噪声：温度波动、季节效应、偶然扰动都会干扰 λ 的估计。直接输出一个“确定数字”会误导决策，工程上必须做不确定性量化——给出置信区间，例如“剩余寿命预计 18 个月，保守区间 12~24 个月”。好医生从不说“你还能活 5 年零 3 天”，而是说“以目前的退化速度，保守估计 3 年内需要安排复查和备件”。带着置信区间的预言，才是维护决策敢拍板的基础。

tRUL=1λln⁡L0Lfailt_{\text{RUL}} = \frac{1}{\lambda} \ln \frac{L_0}{L_{\text{fail}}}
剩余寿命等于性能从当前值退化到失效阈值所需的时间。λ 越大（退化越快）、失效阈值越高，剩余寿命越短。
  1. 初始性能 L₀部件全新状态下的性能水平，例如转发器最大输出功率 100W。
    L(0)=L0L(0) = L_0
  2. 指数退化过程性能按固定比例随时间衰减，λ 越大退化越快，反映老化速度。
    L(t)=L0×e−λtL(t) = L_0 \times e^{-\lambda t}
  3. 失效阈值 L_fail性能低于该值时任务无法完成，相当于“生命终点线”。
    L(tRUL)=LfailL(t_{\text{RUL}}) = L_{\text{fail}}
  4. 剩余寿命求解令 L(t) 等于失效阈值，解出到达终点所需时间，即剩余可用寿命。
    tRUL=1λln⁡L0Lfailt_{\text{RUL}} = \frac{1}{\lambda} \ln \frac{L_0}{L_{\text{fail}}}

维护决策支持

知道病情，接下来就是“治不治、何时治”。开刀有麻醉风险与手术成本，拖延则可能病情恶化。卫星维护面临同样的权衡：提前维护要消耗推进剂、占用测控资源，但代价小；故障后紧急处置，成本可能高出数倍，还要搭上业务中断的损失。

决策支持系统把“寿命预测”翻译成“成本与风险的账本”。设未来决策窗口内故障概率为 P，预防性维护成本为 C_p，故障后纠正成本为 C_c，那么“不干预”的期望损失是 P × C_c，而“提前干预”的成本是 C_p。系统比较两者，选择期望成本更小的方案。

实际决策比公式更复杂：还要考虑卫星任务重要度（主用星还是备份星）、维修窗口（日凌期、地影期不宜操作）、资源约束（地面站天线、推进剂余量、备件库存）。决策支持平台把这些约束一并纳入，输出“建议动作 + 执行时机 + 备选方案”，这正是 proactive（主动式）维护与被动打补丁的本质区别。好医生不只开药，还会叮嘱“这药这周开始吃，下月复查”——PHM 给出的正是带时机的维护处方，让每一次干预都发生在故障敲门之前。

E[C]=min⁡(Cp,  P×Cc)E[C] = \min\left(C_p, \; P \times C_c\right)
在提前维护与被动等待之间，选择期望成本更小的方案。纠正成本通常数倍于预防成本，因此故障概率越高，越应该主动出手。
  1. 故障概率 P寿命预测模型给出的未来决策窗口内发生故障的概率，取值在 0 到 1 之间。
    0≤P≤10 \leq P \leq 1
  2. 预防成本与纠正成本主动维护成本（如推进剂消耗）通常远小于故障后的紧急修复成本（含业务中断损失）。
    Cc≫CpC_c \gg C_p
  3. 期望成本对比不干预的期望损失为 P×C_c；比较它与 C_p 的大小，选择期望成本较小的方案。
    E[C]=min⁡(Cp,  P×Cc)E[C] = \min\left(C_p,\; P \times C_c\right)

工程应用与趋势

当太空不再只有一位病人，而是数千颗卫星组成“星座社区”（如低轨宽带星座），一位 AI 家庭医生显然忙不过来，需要升级成“社区智能诊所 + 远程医疗平台”。这就是 PHM 在卫星通信与空间网络中面临的规模化挑战。

星座规模动辄成百上千颗卫星，人工逐星盯屏绝无可能。工程趋势是把异常检测与寿命预测模型部署到星载边缘节点（在轨推理），地面统一汇聚形成全局健康画像；云平台按健康度对卫星排序，自动生成“本周重点关注清单”，并联动网络控制器把业务从亚健康卫星切换到健康卫星——运维自动化从“人找故障”变成“系统给答案”。

衡量这套体系价值的最终指标是系统可用度。MTBF（平均无故障时间）衡量“平均多久生病”，MTTR（平均修复时间）衡量“生病后多久恢复”。PHM 一石二鸟：预测规避故障以拉长 MTBF，预案充分以压缩 MTTR。

从单颗通信卫星的健康守护，到星座社区的整体安防，PHM 正与下一代通信网络深度融合——卫星健康度成为网络路由优化的输入、运维自动化的决策中枢。太空病人的社区诊所，已经开张。

A=MTBFMTBF+MTTRA = \frac{\text{MTBF}}{\text{MTBF} + \text{MTTR}}
可用度是卫星可供正常服务的时间占比。PHM 既减少故障发生次数（提高 MTBF），又缩短故障恢复时间（降低 MTTR），从而整体抬高可用度。
  1. MTBF平均无故障时间，衡量卫星“平均多久生病一次”，由累计运行时间除以故障次数得到。
    MTBF=累计运行时间故障次数\text{MTBF} = \frac{\text{累计运行时间}}{\text{故障次数}}
  2. MTTR平均修复时间，衡量“生病后多久恢复工作”，由累计维修时间除以维修次数得到。
    MTTR=累计维修时间维修次数\text{MTTR} = \frac{\text{累计维修时间}}{\text{维修次数}}
  3. 可用度 A系统可供正常服务的时间占比，A 越接近 1 说明卫星越“随叫随到”。
    A=MTBFMTBF+MTTRA = \frac{\text{MTBF}}{\text{MTBF} + \text{MTTR}}

AI 应用场景

通信卫星在轨异常实时预警

阶段：遥测数据处理与异常检测

解决的问题：传统人工盯守遥测曲线，工程师四班倒地看数百路参数，缓慢漂移型故障极易被遗漏，往往等转发器失效才发现。AI 异常检测模型实时扫描全参数，分钟级发现“温水煮青蛙”式退化。

具体案例：某 GEO 通信卫星运营商在遥测平台接入“z-score + 孤立森林”融合检测器。某日模型捕捉到 Ku 频段转发器增益以每天 0.05dB 的速度下降，远未触及告警阈值，系统提前 72 小时预警。工程师核查后确认为行波管老化，及时切换备份通道，避免了一场重大节目中断事故。

低轨星座批量自动化运维

阶段：寿命预测与维护决策

解决的问题：低轨星座成百上千颗卫星，人工逐星评估健康度不可行；传统轮检周期长、故障发现滞后。PHM 平台按剩余寿命与健康度对全星座排序，自动生成维护优先级清单。

具体案例：某 LEO 星座运营团队部署批量寿命预测流水线：每颗卫星的推进剂余量、电池充放电深度等退化指标自动建模，输出 RUL 排序。当某颗星 RUL 低于 3 个月且处于低业务密度区域时，系统自动编排降轨离轨窗口与轨道调整预案，全流程无需人工逐星分析。

面向下一代网络的SLA保障与自优化

阶段：健康评估驱动网络决策

解决的问题：卫星健康状态直接影响通信服务质量。传统网络路由只考虑链路带宽与时延，忽视卫星健康度，让亚健康卫星承载高价值业务会显著增加中断风险。将健康度纳入路由权重，可主动规避风险链路。

具体案例：在星地融合网络场景中，控制器把每颗卫星的健康评分同步给 SDN 控制器。当某星健康度降至“注意”等级，控制器自动将其承载的骨干流量迁移到健康卫星，同时下发降载指令，保障低时延业务 SLA。健康度从“运维指标”升级为“网络资源”，实现运维与网络协同自优化。

Python 演示

python58 行
import mathimport random  class SatellitePHM:    """卫星健康管理PHM：模拟遥测采集、滑窗异常检测与健康度打分"""     def __init__(self, name, normal_temp=25.0):        self.name = name        self.normal_temp = normal_temp        self.temp_list = []        self.anomaly_count = 0     def read_telemetry(self, step):        # 温度遥测：正常波动 + 缓慢漂移 + 后期加速退化        drift = 0.02 * step        wear = 0.06 * max(0, step - 400)        noise = random.uniform(-0.5, 0.5)        return self.normal_temp + drift + wear + noise     def zscore(self, value, mean, std):        if std < 1e-9:            return 0.0        return (value - mean) / std     def window_stats(self, window=60):        samples = self.temp_list[-window:]        mean = sum(samples) / len(samples)        var = sum((s - mean) ** 2 for s in samples) / len(samples)        return mean, math.sqrt(var)     def monitor_step(self, threshold=3.0):        if len(self.temp_list) < 30:            return 0        mean, std = self.window_stats()        z = self.zscore(self.temp_list[-1], mean, std)        if abs(z) > threshold:            self.anomaly_count += 1            return 1        return 0     def run(self, steps=600):        for step in range(steps):            self.temp_list.append(self.read_telemetry(step))            self.monitor_step()        last_temp = self.temp_list[-1]        health = max(0.0, 100.0 - self.anomaly_count * 3.0 - (last_temp - self.normal_temp) * 2.0)        print("卫星: %s" % self.name)        print("遥测样本数: %d" % len(self.temp_list))        print("异常告警次数: %d" % self.anomaly_count)        print("末端温度(℃): %.2f" % last_temp)        print("健康评分: %.1f" % health)  if __name__ == "__main__":    random.seed(42)    phm = SatellitePHM("通信卫星-01")    phm.run()
目的：模拟一颗通信卫星 600 个时刻的温度遥测，用滑窗 z-score 检测异常，最后根据告警次数与温度偏移给出健康评分，完整走通“采集→检测→评估”的 PHM 迷你闭环。
  1. wear = 0.06 * max(0, step - 400)模拟卫星服役后期部件老化加速，温度爬升变快。
  2. def zscore(self, value, mean, std)实现正文中的 z 分数公式，衡量偏离正常的程度。
  3. self.window_stats()对最近 60 个遥测点求均值与标准差，作为“正常基线”。
  4. if abs(z) > threshold:超过 3 个标准差即记一次异常告警，对应统计异常检测。
  5. health = max(0.0, 100.0 - self.anomaly_count * 3.0 - (last_temp - self.normal_temp) * 2.0)用告警次数和温度偏移折算健康度，告警越多、温度越偏，评分越低。

常见误区

误区“卫星 PHM 说白了就是给温度、电压设个上下限，超过就告警。我们地面站现在就有大屏报警，这不就是 PHM 吗？”

正解阈值报警只是 PHM 最底层的一环，属于“被动感知已超限”。PHM 的核心是“预测”——在还没超阈值时，通过趋势与模型识别退化苗头，预知未来故障概率与剩余寿命。好比血压计报出“高压 180”是报警，而医生根据连续血压曲线预测你三个月后中风的风险，才是 PHM。

为何常见：阈值报警最直观、最容易落地，很多系统从“超限报警”起步，让人误以为这就是 PHM 的全部。

误区“反正存储和计算都便宜，把下传的遥测全部送进深度学习模型，数据量大模型自己会学出规律。”

正解原始遥测含噪声、缺失、量纲差异与冗余，不经预处理直接建模，轻则训练不稳定，重则学到错误关联。缺失值填充、去野值、归一化、特征选择是模型有效的前置条件。把带墨渍、缺行、混着不同单位的化验单直接交给 AI 医生，它给出的诊断你敢信吗？

为何常见：大数据时代“数据越多越好”的观念深入人心，忽略了工程数据质量的特殊性与“垃圾进、垃圾出”的铁律。

误区“我用 LSTM 检测到某个参数异常了，这不就等于预测出卫星剩余寿命了吗？一个模型搞定 PHM。”

正解异常检测回答“现在是否偏离正常状态”，属于健康评估范畴；寿命预测回答“还能正常工作多久”，需要退化轨迹建模与不确定性量化。两者任务目标、模型输出与评价指标完全不同。检测到发烧只是症状，预测多久能康复出院，需要另一套判断逻辑。

为何常见：两者都处理时间序列、都用机器学习，表面相似，容易把“发现问题”与“预知未来”混为一谈。

误区“健康度既然统一成百分制，那我按分数排队，低于 90 分的全部安排检修就对了。”

正解健康度是相对指标，强烈依赖权重设定与阈值标定，不同卫星、不同任务阶段不能直接比较。90 分可能因为权重偏向次要参数而“虚高”，80 分可能已逼近关键裕度线。必须结合单项阈值裕度与趋势综合判断——BMI 同为 24 的两个人，一个血压正常，一个已接近高血压。

为何常见：百分制打分直观易用，但人们容易把标量分数当成绝对真理，忽略其背后的人为设定与上下文。

面试题

Q1. PHM 的中文全称最准确的是？

单选题 · easy

  • A.故障预测与健康管理← 正确答案
  • B.故障诊断与维修管理
  • C.状态监测与寿命评估
  • D.数据采集与信号处理

答案：A。PHM 是 Prognostics and Health Management，核心是“预测（Prognostics）+ 健康管理（Health Management）”，强调在故障发生前预判风险并主动干预。B 只强调事后诊断维修，C、D 只是 PHM 的局部环节，均不准确。

Q2. 下列哪组属于卫星 PHM 的“生命体征”遥测数据？

单选题 · easy

  • A.母线电压、舱内温度← 正确答案
  • B.用户套餐、话费账单
  • C.地面站经纬度坐标
  • D.云图数据、天气预报

答案：A。PHM 依赖反映卫星自身状态的遥测参数，如电源母线电压、舱内温度、太阳翼转角等，它们如同人体的心率与体温。B 是业务计费数据，C 是地面站位置，D 是气象数据，都不描述卫星自身的健康状态。

Q3. 遥测数据归一化的主要目的是？

单选题 · easy

  • A.消除量纲差异便于比较← 正确答案
  • B.压缩数据减少存储占用
  • C.加密遥测链路防止窃听
  • D.提高数传链路的带宽

答案：A。温度 28℃ 与电压 28.5V 数值相近但单位完全不同，直接送入模型会产生误导。归一化把各路参数统一映射到 [0,1]，让模型公平对待每一路“生命体征”。压缩、加密、提带宽分别是存储、安全和传输问题，与归一化无关。

Q4. z-score 检测中 |z|>3 通常意味着什么？

单选题 · mid

  • A.数据偏离均值超3个标准差← 正确答案
  • B.数据采集频率超过3赫兹
  • C.卫星轨道高度超过3万公里
  • D.遥测数据延迟超过3分钟

答案：A。z 分数以标准差为单位衡量当前值与均值的偏差，|z|>3 说明当前值偏离正常中心超过 3 个标准差，在正态假设下属于小概率事件，判定为异常。B、C、D 把"3"误解为频率、高度、延迟，偏离了公式含义。

Q5. RUL 在卫星 PHM 中表示什么？

单选题 · mid

  • A.卫星剩余可用寿命← 正确答案
  • B.卫星轨道调整次数
  • C.遥测数据的采样率
  • D.地面站的可见弧长

答案：A。RUL（Remaining Useful Life）指卫星或部件从当前时刻到性能退化至失效阈值之间的剩余可用时间，是寿命预测模块的核心输出。轨道调整次数、采样率、可见弧长都与“还能用多久”无关。

Q6. 下列哪些属于卫星 PHM 的典型遥测数据来源？

多选题 · mid

  • A.电源分系统母线电压← 正确答案
  • B.星敏感器温度数据← 正确答案
  • C.食堂订餐人数记录
  • D.太阳翼转角遥测数据← 正确答案

答案：ABD。母线电压反映供电健康、星敏感器温度反映姿态测量部件状态、太阳翼转角反映能源采集机构状态，都是 PHM 的生命体征来源。C 是地面后勤数据，与卫星健康状况无关。

Q7. 与传统被动维修相比，PHM 主动式维护的优势包括？

多选题 · mid

  • A.降低突发故障业务中断← 正确答案
  • B.提前规划备件与维修窗口← 正确答案
  • C.彻底消除全部卫星故障
  • D.提升星座整体可用度← 正确答案

答案：ABD。主动维护在故障发生前干预，能减少突发中断、提前准备备件与窗口，并通过降低 MTTR、减少故障次数提升可用度。C 过于绝对，任何维护手段都无法彻底消除故障，只能将风险降至可接受水平。

Q8. 可靠性模型 R(t)=e^{-λt} 中，λ 增大意味着什么？

单选题 · hard

  • A.失效率升高、寿命缩短← 正确答案
  • B.失效率降低、寿命延长
  • C.遥测采样频率反而提高
  • D.卫星轨道高度随之上升

答案：A。λ 是失效率，λ 越大指数衰减越快，同一时刻的可靠性越低，剩余寿命越短。这如同病情恶化速度加快，病人的“健康余额”消耗更快。B 方向相反，C、D 与失效率无关。

Q9. 下列哪些方法适合卫星时序遥测的无监督异常检测？

多选题 · hard

  • A.孤立森林方法← 正确答案
  • B.LSTM自编码器← 正确答案
  • C.K近邻分类器
  • D.预测残差报警← 正确答案

答案：ABD。卫星异常样本稀缺且多为无标签场景，孤立森林通过随机切分找离群点，LSTM 自编码器用重构误差检测偏差，预测残差报警用“预测值-实际值”捕捉异常，都无需标签。K 近邻分类器是监督学习方法，依赖带标签的故障样本，不适合冷启动的无监督场景。

Q10. 某卫星健康度 H=Σwᵢsᵢ，某关键部件 s=0.5 且权重 0.2，其余部件 s=1，则该星综合健康度为？

单选题 · extreme

  • A.0.70
  • B.0.90← 正确答案
  • C.0.80
  • D.0.60

答案：B。其余部件权重之和为 1-0.2=0.8，健康度为 0.2×0.5+0.8×1=0.1+0.8=0.90。计算演示了加权健康度的含义：单项虽低但权重有限，对总分拖累有限；反之若该项权重高达 0.8，总分将骤降至 0.6，可见权重设定直接决定健康度的敏感方向。