Para abordar la disminución del rendimiento del diagnóstico del sistema de control de actitud de vehículos espaciales bajo condiciones de escasez y desequilibrio de muestras de fallos, se propone un método de diagnóstico de fallos que fusiona la codificación de imágenes de series temporales y el aprendizaje profundo. Primero, se utiliza la 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; segundo, se convierten las señales temporales en imágenes bidimensionales utilizando el ángulo y campo de Gramian, el campo de transición de Markov y un método de codificación gráfica recursiva; por último, se construye una red neuronal convolucional bidimensional para extraer y clasificar las características de las fallas. Los resultados experimentales muestran que el método propuesto puede mejorar significativamente la precisión del diagnóstico en todas las proporciones de desequilibrio de muestras, validando su efectividad y robustez en escenarios con muestras desequilibradas.

Sistema de control de actitud de vehículos espaciales;Diagnóstico de fallos;Codificación de imágenes de series temporales;Redes generativas antagónicas;Redes neuronales convolucionales