Pour résoudre la baisse des performances de diagnostic du système de contrôle d’attitude des engins spatiaux sous des conditions de rareté et de déséquilibre des échantillons de pannes, une méthode de diagnostic des pannes combinant le codage d’images de séries temporelles et l’apprentissage profond est proposée. Premièrement, 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 du jeu d’entraînement ; deuxièmement, les signaux temporels sont convertis en images bidimensionnelles à l’aide des angles et champs de Gramian, du champ de transition de Markov et d’une méthode de codage de graphes récursifs ; enfin, un réseau neuronal convolutif bidimensionnel est construit pour extraire et classifier les caractéristiques des pannes. Les résultats expérimentaux montrent que la méthode proposée améliore significativement la précision du diagnostic sous toutes les proportions de déséquilibre des échantillons, validant ainsi son efficacité et sa robustesse dans les scénarios d’échantillons déséquilibrés.

Système de contrôle d’attitude des engins spatiaux;Diagnostic des pannes;Codage d’images de séries temporelles;Réseaux antagonistes génératifs;Réseaux neuronaux convolutifs