基于迁移学习的飞轮智能故障诊断方法.pdfVIP

摘要

为了保障航天器正常在轨运行，飞轮作为卫星姿态控制系统常用的执行部

件，需要在高温、辐射等恶劣的工作环境下连续运转，因此较为容易发生故

障。为了提高卫星的可靠性，保障国家重大航天任务的完成，对飞轮的故障诊

断是极为关键的。由于近年来遥测数据量的爆发式增长，传统依靠人工进行故

障诊断的方式不再适用，涌现出了大量基于深度学习的航天器故障诊断研究，

然而在工程实际中难以获取大量有标签的数据为深度学习提供数据条件。对

此，本文以反作用飞轮为对象，针对实际诊断场景中，由于飞轮样本数量不

足、样本无标签等数据条件导致的无法训练具备泛化能力的诊断模型的问题，

开展基于迁移学习的飞轮智能故障诊断方法研究。具体研究工作主要包括以下

三个方面：

（1）分析了飞轮系统的工作原理以及常见的故障模式，建立了反作用飞

轮三轴姿态控制系统模型，面向以对地定向为工作模式的卫星姿态控制，针对

常见的电机增益下降和摩擦力矩增大故障模式，根据其故障机理，研究了飞轮

故障数据模拟方法，为后续研究飞轮故障诊断方法提供数据支持。

（2）针对待诊断飞轮训练样本数量不足以训练出泛化能力较强的诊断模

型的问题，提出了一种基于参数迁移的飞轮故障诊断方法，该方法以卷积神经

网络为网络架构，在具有大量丰富故障数据及标签的其他相似飞轮的样本中学

习诊断知识，通过网络参数迁移和微调的方式，辅助待诊断飞轮建立诊断模

型，实现了小样本数据条件下的飞轮故障诊断。

（3）针对待诊断飞轮无标签数据条件下的故障诊断问题，提出了一种基

于异步联合分布对齐的选择对抗域适应(AsynchronousJointDistribution

AlignmentSelectiveAdversarialNetworks,AJDA-SAN)的飞轮故障诊断方法，

该方法在选择对抗域适应的基础上，结合了异步伪标签策略，通过学习其他相

似飞轮和待诊断飞轮样本的共有特征，实现了无标签数据条件下的飞轮故障诊

断。

关键词：反作用飞轮；智能故障诊断；迁移学习；领域自适应

Abstract

Inordertoensurethenormaloperationofspacecraftinorbit,flywheels,as

commonlyusedcomponentsinsatelliteattitudecontrolsystems,needto

continuouslyoperateinharshworkingenvironments,suchashightemperature

andradiation,makingthempronetofaults.Toimprovethereliabilityof

satellitesandensurethesuccessfulcompletionofimportantnationalaerospace

missions,thediagnosisofflywheelfaultsiscrucial.Withtheexplosivegrowth

oftelemetrydatainrecentyears,traditionalmanualfaultdiagnosismethodsare

nolongerapplicable,leadingtotheemergenceofalargenumberofresearch

studiesonspacecraftfaultdiagnosisbasedondeeplearning.However,itis

difficulttoobtainalargeamountoflabeleddatafordeeplearningin

engineering