[发明专利]一种用于变工况卫星姿态控制系统的故障诊断方法

权利要求书

1.一种用于变工况卫星姿态控制系统的故障诊断方法，其特征在于，包括：

从卫星姿态控制系统采集工况数据，其中，所采集的工况数据包括：工况变化前的源域信号和工况变化后的目标域信号；

利用所采集的工况数据生成样本段，其中，各个样本段中信号的长度相同，且样本段中还记录有故障类别标签和所属工况信息；

构建域分布式对抗适应深度神经网络模型，并利用所生成的样本段在全局域对抗的基础上进行每类样本的对抗训练，得到变工况故障诊断模型；

所述卫星姿态控制系统进行变工况操作后，获取最新的工况数据，将最新的工况数据导入变工况故障诊断模型，并输出目标域故障诊断预测结果。

2.根据权利要求1所述的方法，其特征在于，所采集的工况数据中的信号种类包括：执行机构信号与敏感器信号。

3.根据权利要求1所述的方法，其特征在于，所述利用所采集的工况数据生成样本段，包括：

将信号中的各项特征指标进行时序对齐并进行缺值填充，得到m维的原始数据，其中，m为正整数，所采集的工况数据的标签对应按照每种工况下的不同故障类别；

对所得到的原始数据沿时间序列进行长度为c的滑窗切割，得到数据型为m·c的样本段，其中，c表示样本段的长度。

4.根据权利要求3所述的方法，其特征在于，还包括：

获取样本段后创建训练数据库，其中，在所述训练数据库中，工况变化前、后的样本段数量相同、故障类相同，并且每个故障类对应的样本段数量也相同；

在所述训练数据库中，源域样本集为其中表示源域，x_i为第i个样本，y_i表示样本x_i对应的故障类标签，为该样本的标签，L表示待分类数据共有L类；目标域样本集为其中表示目标域，N＝n+n′表示样本总数,n表示源域样本数，n’表示目标域样本数。

5.根据权利要求3所述的方法，其特征在于，所述构建域分布式对抗适应深度神经网络模型，包括：

基于深度神经网络建立模型，并在模型中设置特征提取器、标签分类器、全局域分类器和分布式域分类器，所建立的模型中包含一个梯度反转层；

其中，特征提取器G_h，用于将源域数据样本x进行特征提取，提取的隐含层特征

标签分类器G_y，用于将隐含层特征进行故障标签分类，得到不同故障的标签其中并作为域分类器中样本的伪标签参与训练；

全局域分类器用于将中间特征进行领域分类，得到预测出的不同领域的标签

分布式域分类器用于将中间特征按标签类进行领域分类，得到预测出的不同领域标签其中，c＝{1,...,L}表示所属的类标签。

6.根据权利要求5所述的方法，其特征在于，由特征提取器G_h和标签分类器G_y共同构成模型的故障标签分类部分：

所述故障标签分类部分，用于对源域的有标签数据进行有监督的标签预测；

全局域分类器与每个标签类对应的分布式域分类器进行权重组合得到领域分类器G_d，其中，ω为分布权重且0≤ω≤1；

由特征提取器G_h与领域分类器G_d共同构成模型的领域分类部分：

在所述领域分类部分中，源域和目标域无故障标签。