Se propone un método de diagnóstico de fallos que combina la codificación de imágenes de series temporales y el aprendizaje profundo para abordar la disminución del rendimiento diagnóstico en sistemas de control de actitud de naves espaciales bajo condiciones de escasez de muestras de fallos y desequilibrio de muestras. Primero, se utiliza una red generativa antagónica Wasserstein con penalización de gradiente (WGAN-GP) para generar y aumentar muestras temporales de fallos con el fin de equilibrar la distribución del conjunto de entrenamiento; luego, las señales temporales se convierten en imágenes bidimensionales empleando ángulos y campos de Gramian, campos de transición de Markov y un método de codificación gráfica recursiva; finalmente, se construye una red neuronal convolucional bidimensional para extraer y clasificar características de fallos. Los resultados experimentales muestran que el método propuesto mejora significativamente la precisión del diagnóstico bajo todas las proporciones de desequilibrio de muestras, demostrando su efectividad y robustez en escenarios de desequilibrio de muestras.

Sistema de control de actitud de naves espaciales;Diagnóstico de fallos;Codificación de imágenes de series temporales;Red generativa antagónica;Red neuronal convolucional