T-Guardian：一种用于望远镜性能监控的视觉-语言框架，支持异常感知描述生成

《Expert Systems with Applications》：T-Guardian: A Vision–Language Framework for Telescope Performance Monitoring with Anomaly-Aware Description Generation

　　

摘要

大孔径望远镜是获取天文数据的关键设施。其系统性能直接影响数据质量和科学成果的可靠性，因此，可解释的性能监控和人类可读的状态报告至关重要。然而，现有的数据驱动方法和基于规则的方法在同时提供人类可读的输出和清晰的解释性方面仍然存在局限，而基于规则的方法则严重依赖人工构建规则。为解决这一问题，我们提出了T-Guardian，这是一个用于望远镜性能监控的视觉—语言框架，它能够弥合望远镜图像与状态描述之间的语义鸿沟。该框架集成了多尺度对比U型模块以实现跨尺度视觉—文本对齐，采用残差注意力路径以保留细粒度视觉细节，并通过适配器模块将多模态特征映射到语言生成空间。实验结果表明，T-Guardian在状态分类和描述生成方面均优于传统方法和通用视觉—语言模型，状态分类的宏平均F1值达到0.9857，描述生成的BERTScore达到0.9343。此外，天文技术专家的评估结果显示，T-Guardian在所有受评估模型中排名最高，进一步验证了其在生成可靠、可解释且面向人类的望远镜监控报告方面的有效性。

引言

天文望远镜性能监控是故障预测与健康管理（PHM）的关键组成部分，并为具身智能望远镜系统的感知能力奠定了基础（Kang, Chang, Zhou, Wang, Pan, 2026, Mower, Wan, Yu, Grosnit, Gonzalez-Billandon, Zimmer, Liu, Palenicek, Tateo, Peters, et al., 2026, Pan, Liu, Wei, Liu, 2025, Zhao, He, Jin, Zhang, Zhou, 2025）。现代天文设施，如甚大望远镜（VLT）（Pepe et al., 2021）和新一代极大型望远镜——包括三十米望远镜（TMT）（Adams et al., 2022）、巨麦哲伦望远镜（GMT）（Fanson, 2018）和欧洲极大望远镜（E-ELT）（Raj, Shivanna, & Rachh, 2024）——正朝着更大孔径和越来越复杂的系统架构方向发展，导致系统复杂性不断增长（Hu et al., 2020）。此外，由于望远镜作为主要的数据采集平台，未检测到的异常可能损害数据质量并威胁后续科学分析的可靠性（Carrasco, Galeas, Cravero, 2024, Jain, Srivastava, Mahesh, Deshpande, Padmini, 2024）。

现有的监控方法在应用于大规模科学仪器时表现出固有的局限性（Meng, Cui, Liu, Li, Fan, 2023, Saeed, Muazzam, Akram, Waeal, Jawed, Ahmad, 2025, Wang, Dong, Wang, Tang, 2023）。数据驱动方法，特别是深度学习模型，在异常检测和模式识别方面取得了优异的性能，但它们对高维潜在表征的依赖导致解释性有限，在性能推理和维护决策方面缺乏足够的透明度（Ghorvei, Kavianpour, Beheshti, Ramezani, 2022, Hou, Wang, Chen, Ma, Li, 2023, Virginia Anikwe, Friday Nweke, Chukwu Ikegwu, Adolphus Egwuonwu, Uchenna Onu, Rita Alo, Wah Teh, 2022）。相比之下，专家系统依赖于人工设计的规则。随着系统复杂性的增加，其规则库迅速膨胀，导致可扩展性差且难以适应未见的条件。此外，其输出通常基于符号或告警形式，而非解释性和人类可读的形式，限制了其在复杂性能场景中的实际可用性（Masri, Sultan, Akkila, Almasri, Ahmed, Mahmoud, Zaqout, Abu-Naser, 2019, Shu-Hsien Liao）。

视觉—语言模型（VLMs）的最新进展已展现出强大的跨模态理解、语义推理和上下文解释能力（Ahmad, Zhang, 2025, Li, Wu, Du, Liu, Nghiem, Shi, 2025b, Schulze Buschoff, Akata, Bethge, Schulz, 2025）。通过联合建模视觉和语言信息，VLMs能够实现连贯的跨模态知识整合和灵活的任务泛化，同时产生人类可读的输出以增强透明度（Kaye, Jakab, Wu, Rupprecht, Vedaldi, 2025, Nguyen, Juvekar, Yu, Wahed, Lourentzou, 2025, Rasheed, Maaz, Shaji, Shaker, Khan, Cholakkal, Anwer, Xing, Yang, Khan, 2024）。大规模预训练进一步赋予了VLMs强大的表征学习能力和在各种应用场景下的适应性（Chen, Li, Dong, Zhang, Zang, Chen, Duan, Wang, Qiao, Lin, et al., 2024, Gou, Wang, Zheng, Xie, Chang, Shu, Sun, Su, 2025）。

然而，由于领域特定的需求，直接将通用VLMs应用于望远镜性能监控任务仍然充满挑战（Ahmad, Sehar, Zhou, Peng, Zhang, 2026, Zhang, Huang, Jin, Lu, 2024）。与通常用于训练通用视觉模型的自然场景图像相比，天文图像通常以大面积背景区域为主，而具有意义的信号（包括天体源和性能相关线索）在空间上是稀疏的，仅占据图像中的很小一部分像素（Liu, Abraham, Martin, Bowman, van Dokkum, Janssens, Chen, Keim, Lokhorst, Pasha, et al., 2023b, Rahman, 2026）。因此，通用VLMs可能会忽略细微的图像退化现象，误解噪声或性能相关的成像模式，并产生语义上合理但物理上不可靠的描述。

为应对这些挑战，我们提出了T-Guardian，一个专为望远镜性能监控设计的视觉—语言框架。与传统的显式故障分类范式不同，TG强调连续状态解释和感知异常的描述生成。该框架集成了多尺度视觉建模和跨模态对齐，在双路径架构中同时捕获局部结构变化和全局性能模式。多尺度对比U型模块增强了分层语义一致性，而残差注意力路径在融合过程中保留了细粒度视觉细节。轻量级适配器将融合后的特征与语言嵌入空间对齐，以实现稳定的、领域一致的文本生成。在推理过程中，模型仅基于视觉输入执行监控和描述性分析。

主要贡献总结如下：

• (1)
  提出了一种新颖的多模态框架TG，用于望远镜性能监控，通过整合视觉感知和语义推理。它增强了监控输出的可读性和可解释性，并通过真实实验验证了其有效性。
• (2)
  针对天文图像中关键信号仅占很小比例像素的情况，提出了一种稀疏感知的多模态融合机制。通过将多尺度对比U型模块与残差注意力路径相结合，该框架同时实现了分层语义对齐和细粒度异常保留。适配器进一步桥接了多模态表征与语言空间，以实现准确的、具有可解释性的感知异常描述生成。
• (3)
  基于LAMOST真实望远镜数据的广泛实验证明了T-Guardian在状态分类和描述生成方面的优越性。此外，天文技术专家在评估的所有模型中将T-Guardian排名最高，其在运行中的LAMOST系统上的验证也证实了其在实际望远镜性能监控中的实用价值。

章节摘要

望远镜性能监控方法

统计方法长期以来一直被应用于望远镜性能监控，特别是在存在大气和仪器干扰时进行信号提取、噪声过滤和概率推断（Feigelson, & Babu, Long, & De Souza, Tsukui, Iguchi, Mitsuhashi, Tadaki, 2023）。由于其物理可解释性清晰，统计模型被广泛应用于天文台监控系统，其中参数和推断程序与望远镜的

方法

如图1所示，TG框架由三个功能组件组成：感知、融合和生成。感知组件将望远镜图像编码为视觉标记，作为视觉表征学习的基础。融合组件通过多尺度对比U型模块对齐视觉和文本信息，同时平行的残差注意力路径保留细粒度视觉细节。融合后的特征进一步通过适配器投影到语言

训练

在多模态望远镜图像理解中，模型必须同时学习可靠的跨模态表征和领域一致的语言生成。直接对整个视觉—语言框架进行文本生成的优化可能导致训练不稳定，因为视觉特征和文本嵌入最初处于不同的表征空间中。为解决这一问题，我们采用了两阶段训练策略。第一阶段专注于跨模态对比对齐，即将

数据来源

数据集由大天区多目标光纤光谱望远镜（LAMOST）的获取相机捕获的观测图像组成，用于望远镜性能监控（Su, Cui, Wang, & qiu Yao, 1998）。LAMOST采用主动反射施密特光学设计，有效孔径为3.6至4.9米，视场约为5°，焦平面直径为1.75米。焦平面上配备了八个获取相机，每个相机产生分辨率为

分层跨模态表征分析

望远镜性能监控涉及分布在多个空间尺度上的视觉模式。全局性退化（如较差的大气视宁度和渐晕）影响粗略的图像统计特性，而结构性异常（如卫星过扫和CCD缺陷）则表现为局部模式。这些异质特性使得单层视觉—文本对齐不足以同时捕获语义和结构信息。所提出的多尺度对比U型模块解决了这一

结论

所提出的T-Guardian框架引入了一种用于望远镜性能监控的视觉—语言范式，旨在弥合低级视觉感知与高级语义解释之间的鸿沟。该模型集成了多尺度对比U型模块（MCU）以实现分层跨模态对齐，以及残差注意力路径以保留细粒度视觉细节。结合基于适配器的投影模块，该框架实现了从多模态

作者贡献声明

赵怡：概念构思、方法论、软件、验证、正式分析、数据整理、撰写—初稿、撰写—审阅与编辑、可视化。魏旭南：验证、正式分析、调查研究。李家嘉：监督、项目管理。童思桥：数据整理、软件。童泽露：数据整理、软件。王子健：项目管理、撰写—审阅与编辑。王怀庆：项目管理。胡天柱：资源、项目管理，

利益冲突声明

作者声明他们不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。

赵怡|魏旭南|李家嘉|童思桥|童泽露|王子健|王怀庆|胡天柱|许凌哲