Um den Leistungsabfall der Fehlerdiagnose im Lageregelungssystem von Raumfahrzeugen unter Bedingungen von Knappheit und Ungleichgewicht der Fehlerbeispiele zu adressieren, wird eine Methode zur Fehlerdiagnose vorgeschlagen, die Zeitreihenbildkodierung und Deep Learning kombiniert. Zunächst wird ein Wasserstein-Generatives Gegennetzwerk mit Gradientenstrafe (WGAN-GP) verwendet, um Fehlersequenzproben zu erzeugen und zu augmentieren, um die Verteilung des Trainingssets auszugleichen; zweitens werden Zeitreihensignale mittels Gramianwinkel- und Feldmethoden, Markov-Übergangsfeldern und rekursiver Graphkodierung in zweidimensionale Bilder umgewandelt; schließlich wird ein zweidimensionales Faltungsneuronales Netzwerk zur Extraktion und Klassifizierung von Fehlermerkmalen aufgebaut. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode die Diagnosegenauigkeit bei allen Ungleichgewichtsverhältnissen der Proben signifikant verbessert und ihre Effektivität und Robustheit in Szenarien mit unausgewogenen Proben bestätigt.

Lageregelungssystem von Raumfahrzeugen;Fehlerdiagnose;Zeitreihenbildkodierung;Generative Gegennetzwerke;Faltungsneuronale Netzwerke