Es wird eine Fehlersuchmethode vorgeschlagen, die die Kodierung von Zeitreihenbildern mit Deep Learning kombiniert, um den Rückgang der Diagnostikleistung von Raumfahrzeuglagekontrollsystemen unter Bedingungen von Mangel an Fehlermustern und unausgewogenen Mustern zu adressieren. Zunächst wird ein Wasserstein-Generative Adversarial Network mit Gradientenbestrafung (WGAN-GP) verwendet, um Fehlzeitreihenmuster zu generieren und zu augmentieren, um die Verteilung des Trainingsdatensatzes auszugleichen; anschließend werden die Zeitsignale mittels Gramianwinkel- und -feld, Markov-Übergangsfeld und rekursiver Graphkodierung in zweidimensionale Bilder umgewandelt; schließlich wird ein zweidimensionales Convolutional Neural Network konstruiert, um Fehlermerkmale zu extrahieren und zu klassifizieren. Die Experimentergebnisse zeigen, dass die vorgeschlagene Methode unter allen Ungleichgewichtsverhältnissen der Stichprobe die Diagnosegenauigkeit signifikant verbessert und ihre Effektivität sowie Robustheit in Szenarien mit unausgeglichenen Stichproben bestätigt.

Raumfahrzeuglagekontrollsystem;Fehlerdiagnose;Kodierung von Zeitreihenbildern;Generatives Konkurrierendes Netzwerk;Convolutional Neural Network