唐艺璠， 窦立谦*， 季春惠， 刘文静， 宗 群

1. 天津大学, 天津 300072 2. 北京控制工程研究所, 北京 100094

0 引 言

航天器运行过程中，由于星上资源和人工干预能力有限，且空间环境具有不可预知性，极容易发生故障，而姿态控制系统作为航天器最为关键的一个分系统，具有结构复杂、工作环境恶劣、未知干扰及不确定因素多的特点，是发生故障最多的分系统之一.及时地故障诊断不仅可以减少设备损耗，还可以节省航天器发射和运行成本，减轻人员伤亡.

国内外常用航天器故障诊断方法有以下几种：基于解析模型的方法、基于信号处理的方法和基于知识的方法[1].目前，基于解析模型的方法在航天器故障诊断中得到了广泛应用，但其数据利用率不够高.基于学习的故障诊断方法主要是通过在轨航天器的正常数据以及故障数据来训练学习算法,进而实现故障诊断.传统的机器学习方法得益于诊断专家获取的广泛领域专家知识，但需要花费大量的时间和人力[2-3].

与传统的机器学习过程不同，深度学习可以通过多层结构表示数据，提高数据分类的准确性.文献[4]将深度学习模型用于识别动态特性进行机床早期故障诊断.文献[5]通过使用卡尔曼滤波器更新神经网络的加权参数，对无人机系统的传感器和执行器进行在线故障诊断.文献[6]针对航天器遥测数据，采用长短期记忆网络对异常数据进行诊断，实现了对异常数据的高预测性.文献[7]将深度……