面向航空航天无人运载器的总体架构设计案例
卫星属于典型的多学科深度耦合系统，需要在功率、重量、体积、可靠性、寿命与成本之间反复权衡，且在轨无人值守、不可维修，对设计正确性要求极为苛刻。本方案将 MBSE、AI 多智能体与工业知识图谱三项技术融为一体，打通“运行需求—运载器设计需求—运载器方案设计—多架构权衡”数字主线，自动输出总体架构及与之匹配的 SysML v2 系统模型；在需求捕获、运行描述、功能逻辑架构设计、物理架构、方案裁决五个关键节点，由专家校核把关。
一、客户与项目简介
客户为一家航天器总体研制单位，主要承担通信、导航、遥感等卫星及深空探测器的总体设计、研制与在轨支持，型号谱系完整，历史数据积累深厚。
项目覆盖研制流程前端的“总体论证与方案设计”，即从用户任务需求推导设计需求、划分分系统、定义接口、推导关键参数，再开展多方案权衡；分系统详细设计、生产制造与在轨运维不在本次范围内。方案希望让资深设计师少做重复建模，把精力留给关键判断与创新决策。
二、业务现状与痛点
在引入本方案之前，该单位做卫星总体设计，靠的是设计手册、模板和专家评审，日常用通用办公软件维护需求与配置，个别环节借助境外建模软件。这些工具各有能力盲区：
**▪ 通用文档与表格：**设计要素之间的关联只能写成文字或手工对照表，机器读不懂，无法自动校验一致性，也无法自动传导变更影响。
**▪ 境外建模工具：**只是“编辑器”而非“生成器”，模型元素仍需逐个手工创建，工具也不懂航天领域知识；且在承载涉密型号数据时存在合规与供应链风险。
**▪ 专业仿真计算工具：**单专业能力强，但口径各异、数据靠人工转录，总体层面缺少统一的架构基准。
工具层面的缺口，最终体现在研制链路的几个关键环节上：
| 研制环节 | 当前做法的问题 | 业务影响 | 现状基线 |
|---|---|---|---|
| 需求解析 | 依赖经验、无标准依据 | 理解出现偏差，引发返工 | 单型号需求结构化梳理约耗 3～5 人日 |
| 架构方案生成 | 人工建模、逐型号从零开始 | 周期长、方案质量波动 | 单型号总体方案生成约需 2～4 周 |
| 分系统配置 | 经验拍板、缺少复用 | 复用率低、资产浪费 | 仅约 30%～40% 的分系统得到复用 |
| 追溯与变更 | 无形式化追溯链 | 变更连锁返工 | 每次重大变更平均要人工核查数十处 |
这四类问题并非孤立存在：需求理解依赖个人经验，导致知识难以沉淀；知识碎片化，又让成熟方案难以检索和继承；而追溯链路的断裂，放大了每一次变更的代价。
图1 痛点因果链：经验化、碎片化、难复用与追溯断裂相互强化
三、方案设计思路
方案的核心原则是“智能体自主执行、人机精准协同”：需求解析、方案构想、架构建模、参数推导等工作交给智能体，关键判断节点交由专家确认、修改与裁决，避免“全自动黑箱”带来的不可控风险。
三项核心技术各自解决一类问题：MBSE 提供正向研发的形式化骨架，所有设计结果都落在同一套 SysML v2 模型上，解决“流程与追溯”；AI 多智能体把非结构化的任务需求逐层转化为规范模型，解决“生成与效率”；工业知识图谱把散落的设计经验显性化，解决“知识与质量”。三者相互增强——图谱为生成施加知识约束、抑制幻觉，生成成果又以模型形式回流，沉淀为新的知识资产。
在生成机制上，方案按输出物的确定性要求分派四类内核：模型骨架由参数化模板生成，功能—分系统映射与单机沿用 / 衍生 / 新研判定由规则引擎完成，多约束参数推导由约束求解器计算，大模型主要承担语义理解、候选构想、模型代码填充与文本说明。
四、落地实施
卫星总体设计业务被拆解为四个作业阶段、十二个可独立核验的步骤。每一步的输出都是可机读、可校验的模型元素或数据集，是否完成由程序客观判定，而不依赖主观评价。
| 作业阶段 | 关键步骤 | 校核节点（确认人） |
|---|---|---|
| 运行需求 | 任务解析 → 场景识别与定义 → 用例建模 | 需求捕获（需求工程师） |
| 运载器设计需求 | 基线型号匹配 → 需求推导 → 追溯建立（satisfies 关系矩阵） | 运行描述（总体与分系统设计人员） |
| 运载器方案设计 | 功能分解 → 功能—分系统映射 → 接口与状态定义 → 参数推导 | 功能逻辑架构设计、物理架构（专家） |
| 多架构权衡 | 候选生成与变体建模 → 分析求值与迭代决策 | 方案裁决（总师或评审专家） |
四个阶段分别由运行需求分析、运载器设计需求分析、运载器方案设计、多架构权衡优选四个业务智能体承担，各自下辖一组职责单一的子智能体。代码修正、代码注释、模型规范分析等共性能力统一放在共享能力层，按需调用，不重复建设。
图2 四大业务智能体与子智能体编排、五类校核卡点及共享能力层
模型生成后，词法 / 句法检查与交叉引用检查并行执行；发现问题即自动定位并重试纠错，重试满 3 次仍未通过则挂起，转交建模专家处理。十二个步骤的执行记录、中间产物与裁决动作全部留痕，任何一条设计结论都能反查到所依据的输入、所调用的知识以及裁决人。
图3 模型生成后的双校验与自动纠错流程
五、应用价值
效率与成本：重复性建模交由智能体完成后，设计人员的角色从“动手画”转为“审和判”，单型号所需建模人力减少，能支撑更频繁的型号迭代。多架构权衡阶段内置成本评价维度，在架构与选型时即引导更优的分系统组合与参数取值，让“设计即控本”在方案源头落地。
质量与知识资产：需求与设计之间建立形式化追溯后，变更影响范围可沿模型链路自动定位，取代以往数十处人工核查。方案阶段的一次重大返工会波及后续详细设计与试验计划，在源头减少返工是主要间接收益。专家的隐性经验也转化为单位可持续复用的资产，降低因人员流动造成的知识流失风险。
六、核心能力
**▪ 本体与标准对齐：**知识图谱含 8 类实体、12 类关系，其中追溯关系与 SysML v2 的 satisfy、allocate 语义一一对应；入库知识按 A / B / C 三级可信等级管理。
**▪ 结构化调用契约：**大模型统一按“任务指令 + 知识约束 + 输出 schema”调用；检索不到支撑知识时输出“知识缺口”并转人工，不自行编造取值。
**▪ 标准协议接入：**借助 MCP 协议，智能体可直接调用模型校验服务和单位已有的数据接口，无需另建平台。
**▪ 数据不出边界：**基座大模型、知识图谱与全部智能体私有化部署于单位内网，型号数据按涉密等级分域隔离。
七、结语
本案例中，卫星总体架构设计的作业方式由“人工建模”转向“AI 生成、人机校核”：智能体完成从任务需求到 SysML v2 模型的逐级转化，专家在五个卡点上做出判断并留痕。按照“方法通用、知识可换”的思路，替换图谱中的领域知识与谱系数据后，同一套方法即可用于运载火箭、深空探测器等其他无人运载器。