Une méthode de diagnostic des pannes intégrant le codage d'images de séries temporelles et l'apprentissage profond est proposée pour résoudre la baisse des performances de diagnostic des systèmes de contrôle d'attitude des engins spatiaux sous conditions de rareté et de déséquilibre des échantillons de pannes. Tout d'abord, un réseau antagoniste génératif Wasserstein avec pénalité de gradient (WGAN-GP) est utilisé pour générer et augmenter les échantillons temporels de pannes afin d'équilibrer la distribution de l'ensemble d'entraînement ; ensuite, les signaux temporels sont convertis en images bidimensionnelles en utilisant les angles et champs de Gramian, les champs de transition de Markov et la méthode de codage récursif de graphes ; enfin, un réseau de neurones convolutionnel bidimensionnel est construit pour extraire et classer les caractéristiques des pannes. Les résultats expérimentaux montrent que la méthode proposée améliore significativement la précision du diagnostic sous tous les ratios de déséquilibre d'échantillons, confirmant son efficacité et sa robustesse dans les scénarios de déséquilibre d'échantillons.

Système de contrôle d'attitude des engins spatiaux;Diagnostic des pannes;Codage d'images de séries temporelles;Réseau antagoniste génératif;Réseau de neurones convolutionnel