倪平，闻新,*

1. 沈阳航空航天大学 航空宇航学院，沈阳 110136 2. 南京航空航天大学 航天学院，南京 210016

1 引言

卫星在执行任务时会面对很多故障问题，影响卫星任务的完成，在面对这些故障时可以采取冗余结构的方式来抵消部分故障问题带来的影响[1]。其中，执行器故障分很多种，针对不同的故障采取不同的容错方法，故障诊断结果决定采取的容错决策，不同决策对卫星有很大的影响。

按照推理数据类型来看，对卫星执行机构的故障诊断常用的方法是通过对实际输出力矩的检测与预计输出力矩进行对比，随之进行故障诊断[2-4]。但该方法对飞轮实际控制力矩测量要求较高，其测量通常采用的绕组电流乘以力矩系数或者对飞轮的转速微分间接地作为飞轮的输出力矩，其忽略了摩擦力矩，从而偏差很大。按照诊断方法来看，最初的卫星常采用基于模型的观测器方法[5]。随着工业技术的发展航天器越来越复杂化、非线性化，神经网络故障诊断方法开始兴起，基于BP网络和径向基网络对火箭状态特征量进行检测取得了很好的效果[6-7]。但浅层神经网络逐渐被特征提取能力更优的深度学习代替[8-11]，利用深度置信网络进行特征提取的故障检测方法具有较强的鲁棒性[12]，采用深度自动堆叠编码机，可以做到不断细化分类故障[13]，基于支持向量机的航天器电器故障诊断方法可以大大缩短诊断时间[14]，深度学习方法已经在现代航空故障诊断领域取得了有效的成果。……