数据驱动的航天器故障诊断研究现状及挑战

• 作者: 向刚 韩峰 周虎 陈文静 刘清竹
• 来源期刊: 电子测量与仪器学报
• 关键词: 航天器 机器学习 深度学习 迁移学习 故障诊断
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 专家论坛|EXPERT FORUM
• 页码范围: 1-16
• 页数: 16页
• 分类号: TG156|TP274
• 语种: 中文
• DOI: 10.13382/j.jemi.B2003132

摘要

总结了基于数据驱动的故障诊断技术理论、方法及其在航天器上的应用现状,指出其面临的挑战并提出一种解决方案.将基于数据驱动的故障诊断方法按照技术发展顺序分为基于传统机器学习的方法、基于深度学习的方法以及基于迁移学习的方法.基于传统机器学习的方法需要大量的人工参与和丰富的专家经验,在小样本数据上有着优异的性能,但不适合处理大数据.在大数据背景下,重点介绍了卷积神经网络、循环神经网络、深度自编码器以及深度信念网络的基本概念以及原理,对其在航天器故障诊断领域的研究现状进行了阐述和总结.针对深度学习严重依赖于带标签数据这一问题,介绍了基于迁移学习的故障诊断技术,并提出适应航天器应用的场景,为数据驱动的故障诊断技术工程应用提供了一种方法和思路.