传统航天器运维采用“安全模式+专家支持+硬件备份”的远程集中式机制，受时空限制效率偏低。中国人工智能学会白皮书提出基于云边协同的航天器智能精准运维机制——以中心云层（地面测控基站）提供高算力，以边缘层（轨道计算节点）实现模型聚合与参数更新，以现场层（航天器智能模块）完成实时数据采集与计算。联邦学习框架下无需共享实时数据仅基于模型参数交互，即实现“数据的安全与共享兼得”，有效解决“通信交互不信任”等挑战。
三层架构的协同逻辑
中心云层——最强洞察与最优决策
中心云层由地面测控基站的强大软硬件资源搭建，具备极强的存储、计算与通信能力。该层级通过构建弹性调整的服务框架，为整个运维平台提供存储计算、模型训练、资源调度等服务。由于需要通过接入网络、传输网络互连，具有较大时间延迟，适合健康评估与寿命预测等时间跨度长、数据体量大的计算分析任务。
边缘层——模型聚合与即时计算
边缘层由计算存储、路由交换等设备构成，具有较强的计算、存储与通信能力。该层级提供基于联邦学习的模型聚合与参数更新功能，具备系统级的状态监测、异常检测与故障诊断能力。处于中心云层和现场层之间，与中心云层通过传输网络互连，与现场层通过无线接入网络互连，提供强并发、高带宽、低延迟的接入服务。
现场层——实时感知与本地决策
现场层由部署在航天器上的智能精准运维模块构成，具有体积小、功耗低的特点，具备一定的计算、存储和通信能力。可以提供运维数据的收集、计算与分析，以及接入边缘层与模型参数上传等服务。同时，可以快速、及时地完成状态监测、异常检测、故障诊断等核心运维任务，但其计算和存储能力有限，需要通过与边缘层、中心云层配合实现自学习和自诊断功能。
联邦学习驱动的自主更新策略
三种运维模式的协同工作机制
现场运维模式基于实时数据调用轻量化模型，实现高效、快速现场计算，提供高敏捷、强实时的运维能力。边缘运维模式基于智能精准运维模块上传的模型参数，实现更为全面、精确的单/多航天器整器级别精准运维。地面运维模式基于上传的实时数据、历史数据与知识经验，调用云端训练完成的模型算法，实现支持大尺度时间范围建模的完整综合运维能力。
联邦学习的隐私保护与共享兼得
联邦学习框架下，现场层利用航天器中传感器获得的实时数据，基于智能精准运维模块进行本地模型训练；边缘层获得聚合后的新模型，通过参数更新后下发回不同分系统；边缘层储存的单一航天器运维模型和数据样本被聚合并进行联邦学习，获得具有全局性的多航天器运维模型。无需监测数据交互仅基于模型参数交互，即可实现数据的安全与共享兼得，降低信息交互的风险性。
破解四大挑战性难题
云边协同机制有效解决了资源配置不充分（云端高算力与边缘端低功耗优势互补）、维保人员不易达（现场层自主决策减少地面干预）、通信交互不信任（联邦学习实现隐私保护下的协同训练）、先验知识不完备（模型、知识与数据的有机融合提升算法精准性）四大挑战，为航天器全面自主运维奠定了技术基础。
