魏 軒，慕曉冬，曾昭菊，劉偉強(qiáng)，李思凡

(1.火箭軍工程大學(xué) 作戰(zhàn)保障學(xué)院， 西安 710025； 2.西安衛(wèi)星測(cè)控中心， 西安 710025)

1 引言

我國(guó)航天器承擔(dān)著保證國(guó)防安全、發(fā)展國(guó)民經(jīng)濟(jì)、探索太空和造福人類的重大責(zé)任，是國(guó)之重器。然而，航天器所處的空間環(huán)境多變，各部件性能隨著在軌運(yùn)行年限的增加而不斷下降，導(dǎo)致航天器發(fā)生故障的因素增多，及時(shí)對(duì)航天器進(jìn)行故障診斷[1]，了解各系統(tǒng)的健康狀況[2]，對(duì)航天器安全、穩(wěn)定運(yùn)行具有實(shí)際意義。

近年來，故障診斷技術(shù)受到廣泛關(guān)注，診斷方法日新月異，出現(xiàn)了基于模型[3]、基于信號(hào)處理[4]以及基于數(shù)據(jù)驅(qū)動(dòng)[5]的故障診斷方法。目前，基于模型和信號(hào)處理的故障診斷方法使用廣泛，高正明等[6]對(duì)故障特征提取方法進(jìn)行總結(jié)，在設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷過程中，通過對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行特征提取實(shí)現(xiàn)重要設(shè)備健康監(jiān)測(cè)，并結(jié)合實(shí)際工業(yè)應(yīng)用進(jìn)行對(duì)比分析。但這些方法大多是根據(jù)故障發(fā)生時(shí)的表象進(jìn)行診斷，航天器各系統(tǒng)復(fù)雜且數(shù)據(jù)量龐大，這些方法對(duì)航天器地面測(cè)試數(shù)據(jù)和各階段的歷史數(shù)據(jù)挖掘不夠深入，存在數(shù)據(jù)利用率不足、準(zhǔn)確率不高的問題；基于數(shù)據(jù)驅(qū)動(dòng)[7]的方法通過大量歷史數(shù)據(jù)來建立系統(tǒng)故障模型，通過利用航天器的研制數(shù)據(jù)、地面測(cè)試數(shù)據(jù)和在軌運(yùn)行期間的遙測(cè)數(shù)據(jù)來實(shí)現(xiàn)故障診斷[8]，克服了上述方法數(shù)據(jù)利用不足的缺陷。隨著航天器各分系統(tǒng)復(fù)雜程度的增加，產(chǎn)生的數(shù)據(jù)量呈指數(shù)增長(zhǎng)，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法對(duì)于航天器系統(tǒng)非常適用。

基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法是數(shù)據(jù)驅(qū)動(dòng)故障診斷方法的重要組成部分，其中支持向量機(jī)(support vector machine，SVM)[9]作為一種機(jī)器學(xué)習(xí)的主流方法被廣泛應(yīng)用。張馳[10]在滾動(dòng)軸承故障診斷中，以原始振動(dòng)信號(hào)為對(duì)象，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)和支持向量機(jī)的診斷模型，直接將信號(hào)輸入CNN進(jìn)行特征提取，并將網(wǎng)絡(luò)最后一層的結(jié)果輸入SVM完成故障分類。趙立紅等[11]提出了基于局部均值分解的樣本熵和支持向量機(jī)方法融合的故障診斷模型，對(duì)信號(hào)進(jìn)行局部均值分解后輸入到SVM中進(jìn)行故障分類。然而，傳統(tǒng)的機(jī)器學(xué)習(xí)方法需要獲取的廣泛的專家知識(shí)[12]，對(duì)時(shí)間和人力的消耗極大[13]。

與傳統(tǒng)機(jī)器學(xué)習(xí)的方法不同，基于深度學(xué)習(xí)的故障診斷方法通過加深網(wǎng)絡(luò)結(jié)構(gòu)來學(xué)習(xí)數(shù)據(jù)的深層特征，在自動(dòng)提取特征的同時(shí)實(shí)現(xiàn)較高的故障診斷準(zhǔn)確性。針對(duì)故障診斷中標(biāo)注樣本少的情況，Wen等[14]將故障信號(hào)轉(zhuǎn)換為RGB圖像后，結(jié)合遷移學(xué)習(xí)提出了一種基于殘差網(wǎng)絡(luò)(residual network，ResNet)的故障診斷模型，利用少量電機(jī)軸承數(shù)據(jù)達(dá)到了高精度診斷。Zhang等[15]設(shè)計(jì)了基于通道注意力殘差網(wǎng)絡(luò)的風(fēng)電齒輪箱故障診斷方法，將原始信號(hào)進(jìn)行小波包變換后，利用該網(wǎng)絡(luò)進(jìn)行特征提取，實(shí)現(xiàn)了振動(dòng)信號(hào)的高識(shí)別精度。Zhang等[16]為建立特征變換與輸入信號(hào)之間的關(guān)系，提出了一種帶雙曲函數(shù)的斜率和閾值自適應(yīng)激活函數(shù)，將其應(yīng)用到殘差網(wǎng)絡(luò)后實(shí)現(xiàn)軸承故障診斷。Wang等[17]提出了結(jié)合遷移學(xué)習(xí)的殘差網(wǎng)絡(luò)故障診斷方法，利用ResNet-50提取軸承信號(hào)的低級(jí)特征，結(jié)合特征學(xué)習(xí)器進(jìn)行多尺度分析，實(shí)現(xiàn)了軸承數(shù)據(jù)集的高精度診斷。但是，航天器所處空間環(huán)境復(fù)雜，地面接收的遙測(cè)信號(hào)時(shí)常伴隨大量噪聲，直接利用原始遙測(cè)信號(hào)會(huì)導(dǎo)致診斷準(zhǔn)確率不高的問題。

近年來深度學(xué)習(xí)應(yīng)用廣泛，卷積神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域也得到極大地使用，輸入二維圖像后可通過端到端的架構(gòu)直接輸出診斷準(zhǔn)確率。文獻(xiàn)[18]中將軸承故障信號(hào)進(jìn)行最大值、最小值歸一化處理，然后再轉(zhuǎn)換為二維灰度圖像后實(shí)現(xiàn)故障診斷。文獻(xiàn)[19]中利用數(shù)據(jù)歸一化、灰度值化、信號(hào)截取和矩陣變換等操作將軸承原始時(shí)域信號(hào)轉(zhuǎn)化為二維灰度圖像，并將此圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，由此實(shí)現(xiàn)了故障信號(hào)的診斷。

針對(duì)上述問題，提出了一種基于主成分分析(principal component analysis，PCA)和殘差網(wǎng)絡(luò)(PCA-ResNet)的航天器測(cè)控系統(tǒng)的故障診斷方法。首先將航天器測(cè)控系統(tǒng)故障數(shù)據(jù)集中的遙測(cè)信號(hào)進(jìn)行PCA處理，實(shí)現(xiàn)遙測(cè)信號(hào)的降噪，后將信號(hào)數(shù)據(jù)轉(zhuǎn)換為灰度圖像，最后通過殘差網(wǎng)絡(luò)對(duì)圖像進(jìn)行特征提取，利用Softmax分類器進(jìn)行故障分類，以實(shí)現(xiàn)航天器測(cè)控系統(tǒng)的故障診斷。

2 傳統(tǒng)故障診斷方法

2.1 主成分分析法

目前基于CNN的故障診斷方法開始大量使用灰度圖像作為輸入端，將一維故障數(shù)據(jù)進(jìn)行歸一化后直接堆疊成二維矩陣，這種方法的優(yōu)勢(shì)是可以保留原始信號(hào)的特征，但由于太空電磁環(huán)境復(fù)雜，地面接收到的航天器遙測(cè)信號(hào)時(shí)常伴隨大量噪聲，直接利用原始遙測(cè)信息會(huì)導(dǎo)致故障診斷的準(zhǔn)確率不高。為解決上述問題，從帶有強(qiáng)噪聲的航天器遙測(cè)信號(hào)中提取故障特征，可使用主成分分析方法對(duì)航天器遙測(cè)信號(hào)進(jìn)行降噪處理。

PCA是一種線性降維方法，通過線性投影將原始高維數(shù)據(jù)映射到低維空間，最小化信息量損失，實(shí)現(xiàn)較少的數(shù)據(jù)維度獲取最大的信息量，并一定程度上保留原始數(shù)據(jù)的特性，它具有良好的去噪性能，目前在故障診斷領(lǐng)域[20]已有應(yīng)用。在PCA方法中通過選取適當(dāng)降噪比例，將原始遙測(cè)信號(hào)降維后再映射回高維數(shù)據(jù)，可實(shí)現(xiàn)原始信號(hào)的降噪處理。

設(shè)航天器故障數(shù)據(jù)集X=[x1,x2,…,xn]共有n個(gè)樣本，每個(gè)樣本有k個(gè)特征，每個(gè)特征對(duì)應(yīng)各自的特征值。

1) 首先對(duì)每組數(shù)據(jù)求平均值和標(biāo)準(zhǔn)差，并進(jìn)行標(biāo)準(zhǔn)化。

(1)

(2)

2) 求n個(gè)樣本的標(biāo)準(zhǔn)化矩陣M和協(xié)方差矩陣C。

3) 求協(xié)方差矩陣C的特征值(λ1,λ2,…,λk)和特征向量ai=(ai1,ai2,…,aik)，i=1,2,…,k，將特征值λi按照從大到小的順序排序，選擇最大的前p個(gè)，并將其相對(duì)應(yīng)的p個(gè)特征向量拿出來，會(huì)得到一組{(λ1,a1),(λ2,a2),…, (λp,ap)}。

4) 確定前P個(gè)主成分

計(jì)算前P個(gè)主成分的貢獻(xiàn)率：

(3)

貢獻(xiàn)率越大，樣本特征中包含的原始信息越多。一般當(dāng)累計(jì)貢獻(xiàn)率θ(p)≥85%時(shí)，認(rèn)為該樣本特征保留了原始數(shù)據(jù)的信息。

5) 將原始數(shù)據(jù)投影到選取的特征向量上，得到降維后的p維特征。對(duì)于每一個(gè)樣本xi，原來的特征是(xi1,xi2,…,xik)T，投影后的新特征是(yi1,yi2,…,yip)T，計(jì)算公式如下：

(4)

2.2 信號(hào)-圖像轉(zhuǎn)換

為從帶有強(qiáng)噪聲的航天器遙測(cè)信號(hào)中提取故障特征，首先將航天器遙測(cè)信號(hào)進(jìn)行PCA降噪，再將一維數(shù)據(jù)歸一化后直接堆疊成二維矩陣并轉(zhuǎn)換為灰度圖像，以實(shí)現(xiàn)故障診斷。將一維遙測(cè)信號(hào)處理為二維圖像，既可保留原始信號(hào)的特征，又利于殘差網(wǎng)絡(luò)的結(jié)構(gòu)特征自動(dòng)進(jìn)行特征提取。航天器測(cè)控系統(tǒng)遙測(cè)信號(hào)值并不集中，各部件標(biāo)志位數(shù)值范圍不同，其遙測(cè)信號(hào)的最大值、最小值不穩(wěn)定，直接使用最大值、最小值方法對(duì)原始遙測(cè)信號(hào)進(jìn)行處理，會(huì)導(dǎo)致歸一化效果不好，影響故障診斷的效率。而本文中，航天器測(cè)控系統(tǒng)的遙測(cè)信號(hào)經(jīng)過PCA處理后已標(biāo)準(zhǔn)化，可有效避免直接進(jìn)行數(shù)據(jù)歸一化導(dǎo)致的問題。

為轉(zhuǎn)換為二維灰度圖像，首先將處理后的數(shù)據(jù)取整后轉(zhuǎn)化為灰度值，方法為：

(5)

其次，將灰度化后的遙測(cè)信號(hào)進(jìn)行分段，共截取a段，每段包含b個(gè)數(shù)據(jù)點(diǎn)，所有遙測(cè)值堆疊后獲得一個(gè)a×b的二維矩陣，此時(shí)，航天器測(cè)控系統(tǒng)遙測(cè)信號(hào)就轉(zhuǎn)變?yōu)橐粡堥L(zhǎng)為a,寬為b,包含a×b個(gè)像素點(diǎn)的灰度圖，實(shí)現(xiàn)了將遙測(cè)信號(hào)轉(zhuǎn)換為二維灰度圖像。

轉(zhuǎn)換流程為：

1) 對(duì)航天器測(cè)控系統(tǒng)遙測(cè)信號(hào)進(jìn)行PCA降噪處理；

2) 處理后的遙測(cè)數(shù)據(jù)進(jìn)行取整并轉(zhuǎn)化為灰度值；

3) 根據(jù)圖片大小進(jìn)行遙測(cè)數(shù)據(jù)截取和矩陣變換；

4) 獲得航天器測(cè)控系統(tǒng)遙測(cè)數(shù)據(jù)灰度圖。

2.3 殘差網(wǎng)絡(luò)

殘差網(wǎng)絡(luò)[21]是一個(gè)經(jīng)典的深度卷積神經(jīng)網(wǎng)絡(luò)，旨在解決因網(wǎng)絡(luò)層數(shù)加深所引起的網(wǎng)絡(luò)退化問題，主要由殘差塊構(gòu)成。殘差塊的輸入為，輸出為，殘差映射為，其基本思想是對(duì)輸入進(jìn)行卷積、最大池化和Relu激活函數(shù)操作后，得到輸出為，再將進(jìn)行卷積和激活函數(shù)操作，并與最開始的輸入相連接，得到輸出。殘差塊可實(shí)現(xiàn)網(wǎng)絡(luò)的恒等映射，在增加層數(shù)的同時(shí)保留原輸入的特征，以減緩特征丟失的方式來避免網(wǎng)絡(luò)退化，圖1為殘差塊結(jié)構(gòu)框圖。

圖1 殘差塊結(jié)構(gòu)框圖

ResNet網(wǎng)絡(luò)因殘差塊的特殊結(jié)構(gòu)在自動(dòng)提取特征時(shí)可有效避免梯度問題，常用的殘差模型有ResNet-18、ResNet-50和ResNet-101?？紤]到實(shí)驗(yàn)中的樣本數(shù)量，文中使用ResNet-18作為基礎(chǔ)網(wǎng)絡(luò)。

3 基于PCA-ResNet故障診斷方法

3.1 特征提取

殘差網(wǎng)絡(luò)的特征提取過程如圖2所示。首先將航天器遙測(cè)信號(hào)灰度圖像作為殘差網(wǎng)絡(luò)輸入(輸入尺寸為的圖像，1、64、64分別表示圖像的通道數(shù)、高度和寬度)，經(jīng)過步長(zhǎng)為、填充為的的卷積操作和步長(zhǎng)為、填充為的的最大池化處理；再將特征圖輸入到通道數(shù)為的殘差塊中，后經(jīng)過個(gè)填充為的的卷積操作，此時(shí)特征圖的尺寸為，由于輸出通道數(shù)都是64，殘差塊用實(shí)線連接;該特征圖作為輸入，一方面通過升維并下采樣至大小為，另一方面經(jīng)過2個(gè)步長(zhǎng)分別為2和1、通道數(shù)為的卷積操作，將卷積操作后的特征圖與升維后的特征圖相加，此時(shí)圖片尺寸為。其中實(shí)線連接的上下層網(wǎng)絡(luò)特征圖維度沒有發(fā)生變化，可以直接相加，虛線連接的上下層網(wǎng)絡(luò)特征圖維度增加了1倍，使得輸入與輸出不能直接疊加，需要增加輸入x的維度后再進(jìn)行相加。

圖2 殘差網(wǎng)絡(luò)特征提取過程

3.2 診斷流程

航天器測(cè)控系統(tǒng)故障診斷流程分為4個(gè)步驟：數(shù)據(jù)預(yù)處理[22]、遙測(cè)信號(hào)-圖像轉(zhuǎn)換、診斷模型訓(xùn)練、故障診斷。如圖3所示。

1) 數(shù)據(jù)預(yù)處理。首先將航天器測(cè)控系統(tǒng)故障數(shù)據(jù)集遙測(cè)信號(hào)與采集到的航天器遙測(cè)信號(hào)進(jìn)行PCA降噪處理。

2) 遙測(cè)信號(hào)-圖像轉(zhuǎn)換。將2種數(shù)據(jù)集的遙測(cè)信號(hào)利用信號(hào)-圖像轉(zhuǎn)換方法，生成所需的故障集圖像和測(cè)試集圖像。

3) 診斷模型訓(xùn)練。故障集圖像作為模型訓(xùn)練集，輸入到殘差網(wǎng)絡(luò)后得到的特征向量，經(jīng)過全連接層后由Softmax分類器直接輸出損失值和準(zhǔn)確率。

4) 故障診斷。將測(cè)試集圖像輸入該模型，判斷所屬故障類型，并計(jì)算診斷準(zhǔn)確率。

圖3 故障診斷流程框圖

4 實(shí)例分析

4.1 航天器遙測(cè)信號(hào)處理結(jié)果

實(shí)驗(yàn)中使用的航天器測(cè)控系統(tǒng)故障數(shù)據(jù)集和測(cè)試集均來自某航天器的歷史數(shù)據(jù)和地面測(cè)試數(shù)據(jù)，數(shù)據(jù)由某衛(wèi)星測(cè)控中心提供，該數(shù)據(jù)集中故障1包含32 320組數(shù)據(jù)，故障2包含16 640組數(shù)據(jù)，故障3包含18 240組數(shù)據(jù)，故障4包含23 360組數(shù)據(jù)，每組數(shù)據(jù)包含64個(gè)數(shù)據(jù)量。首先將所有樣本數(shù)據(jù)經(jīng)過PCA降噪處理，然后進(jìn)行信號(hào)圖像轉(zhuǎn)換，由于每組數(shù)據(jù)均是64維，為方便圖像處理，將轉(zhuǎn)換后的圖片大小設(shè)置為64×64，并隨機(jī)抽取其中的80%作為訓(xùn)練集樣本、20%作為測(cè)試集樣本。轉(zhuǎn)換后的結(jié)果如表1所示。

原始遙測(cè)信號(hào)經(jīng)過PCA處理后去除了大量噪聲，保證了殘差網(wǎng)絡(luò)的訓(xùn)練效果，圖4為信號(hào)降噪后轉(zhuǎn)換的灰度圖像。

表1 信號(hào)-圖像轉(zhuǎn)換結(jié)果Table 1 Signal-image conversion results

圖4 航天器遙測(cè)信號(hào)灰度圖

4.2 實(shí)驗(yàn)參數(shù)設(shè)置

本實(shí)驗(yàn)在Pytorch 0.4.1 (Python 3.6)的深度學(xué)習(xí)下框架進(jìn)行，計(jì)算機(jī)配置為Intel Xeon E5-2630 v4 20處理器，64G內(nèi)存，NVIDIA GeForce GTX 1080Ti顯卡，模型訓(xùn)練過程選用Adam優(yōu)化器來優(yōu)化網(wǎng)絡(luò)，配置學(xué)習(xí)率為α=10-3，衰減系數(shù)β1=0.9，β2=0.999，小值常數(shù)ε=10-8，Batchsize設(shè)置為64，epoch設(shè)置為800。驗(yàn)證過程與訓(xùn)練一致，epoch設(shè)置為100。

4.3 模型的訓(xùn)練與驗(yàn)證

將降噪處理后一維航天器遙測(cè)信號(hào)當(dāng)作大量數(shù)字，利用統(tǒng)計(jì)原理對(duì)遙測(cè)信號(hào)進(jìn)行挖掘后提取有效特征，并根據(jù)主元的累計(jì)貢獻(xiàn)率保留包含重要特征信息的主元。由表2可知，前6個(gè)主元的貢獻(xiàn)率累計(jì)達(dá)到95.774%，即前6個(gè)主元包含了航天器測(cè)控系統(tǒng)遙測(cè)信號(hào)特征的絕大部分信息。

為研究PCA方法中選取不同降噪比是否對(duì)故障分類的準(zhǔn)確率有影響，考慮文中所選用的故障數(shù)據(jù)集來源于航天器歷史數(shù)據(jù)和地面測(cè)試數(shù)據(jù)，主成分的累計(jì)貢獻(xiàn)率大于85%，可保證整個(gè)主元模型的精確度。文中將PCA降噪比選取在0.85和1之間。其中，降噪比選取“0.88”表示保留原航天器遙測(cè)信號(hào)中88%的主要特征，即前3個(gè)主元，選取“1”表示不對(duì)數(shù)據(jù)進(jìn)行降噪處理，保留原航天器遙測(cè)信號(hào)中所有特征。在每個(gè)降噪比下將試驗(yàn)重復(fù)10次，結(jié)果如圖5所示。

表2 航天器遙測(cè)信號(hào)主成分累計(jì)貢獻(xiàn)率Table 2 Cumulative contribution rate of principal components of spacecraft telemetry signal

圖5 不同降噪比下的診斷準(zhǔn)確率對(duì)比圖

將本次實(shí)驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)可以得出:不同降噪比下的測(cè)試集平均診斷準(zhǔn)確率均在90%以上，其中降噪比為0.88時(shí)診斷準(zhǔn)確率的平均值最低為90.64%，當(dāng)降噪比為1時(shí)有最高診斷準(zhǔn)確率96.363%，但其平均值為94.706 2%。降噪比為0.95時(shí)測(cè)試的平均值為95.326%，在幾個(gè)結(jié)果中均值最大，魯棒性較好，由表3可知對(duì)航天器故障數(shù)據(jù)集使用適當(dāng)比例的降噪比能在一定程度上提高診斷結(jié)果準(zhǔn)確率。

表3 不同降噪比下的診斷準(zhǔn)確率統(tǒng)計(jì)表Table 3 Statistics of diagnostic accuracy under different noise reduction ratios

圖6為降噪比為0.95時(shí)，一次訓(xùn)練中測(cè)試集的診斷準(zhǔn)確率隨迭代步數(shù)的變化情況。由圖可以得出:隨著迭代步數(shù)的增加，診斷的準(zhǔn)確率越來越高，迭代70次后，模型收斂并趨于穩(wěn)定，最終測(cè)試集的診斷準(zhǔn)確率為95.341 5%。

圖6 降噪比為0.95的準(zhǔn)確率

為觀察PCA-ResNet模型在4類故障中的表現(xiàn)，在測(cè)試集上進(jìn)行一次隨機(jī)測(cè)試并繪制混淆矩陣。其中，橫軸代表測(cè)試集真實(shí)標(biāo)簽，縱軸代表測(cè)試集的預(yù)測(cè)標(biāo)簽，主對(duì)角線為PCA-ResNet模型預(yù)測(cè)的正確樣本數(shù)。由圖7可以看出PCA-ResNet模型對(duì)航天器測(cè)控系統(tǒng)各類故障識(shí)別具有較高的準(zhǔn)確度。

圖7 測(cè)試結(jié)果混淆矩陣

4.4 對(duì)比研究

為驗(yàn)證提出的模型有較好地診斷效果，針對(duì)同一數(shù)據(jù)集，分別利用SVM、LeNet-5、ResNet18與所提模型進(jìn)行比較，其中傳統(tǒng)方法SVM可直接對(duì)一維原始遙測(cè)信號(hào)進(jìn)行診斷，而其余3種模型均使用轉(zhuǎn)換后的圖像作為輸入。為使對(duì)比實(shí)驗(yàn)更加可靠，對(duì)每種診斷模型都重復(fù)操作10次，epoch取值為100，最后診斷的準(zhǔn)確率取10次平均值。各診斷模型的準(zhǔn)確率如表4所示。

表4 各診斷模型及準(zhǔn)確率Table 4 Accuracy rates of the diagnostic models

由表4可知:

1) 所提出的PCA-ResNet模型對(duì)于航天器測(cè)控系統(tǒng)故障診斷的準(zhǔn)確率達(dá)到95.34%，高于SVM、LeNet-5和ResNet-18故障診斷算法。

2) ResNet-18網(wǎng)絡(luò)參數(shù)與文中使用的殘差網(wǎng)絡(luò)參數(shù)一致，但直接使用未經(jīng)降噪后的遙測(cè)信號(hào)使得診斷效果相對(duì)較差，其總體波動(dòng)性大，穩(wěn)定性不如PCA-ResNet模型。

3) LeNet-5、ResNet-18和PCA-ResNet三種模型的診斷準(zhǔn)確率均高于SVM算法，說明對(duì)遙測(cè)信號(hào)利用信號(hào)-圖像轉(zhuǎn)換方法，可有效保留遙測(cè)信號(hào)的特征，減少對(duì)人工經(jīng)驗(yàn)的依賴，提高了診斷的準(zhǔn)確率。

5 結(jié)論

針對(duì)航天器測(cè)控系統(tǒng)實(shí)際，提出了基于PCA-ResNet模型的航天器測(cè)控系統(tǒng)故障診斷方法，將故障集與測(cè)試集遙測(cè)信號(hào)經(jīng)過PCA方法處理后再通過信號(hào)-圖像轉(zhuǎn)換，并利用殘差網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后對(duì)比3種典型模型的訓(xùn)練效果，得出結(jié)論如下：

1) 航天器所處空間環(huán)境惡劣，對(duì)其遙測(cè)信號(hào)進(jìn)行PCA降噪，可有效降低航天器外部噪聲對(duì)故障診斷的干擾，進(jìn)而提高故障診斷的準(zhǔn)確率。

2) 運(yùn)用信號(hào)-圖像處理方法，更利于殘差網(wǎng)絡(luò)進(jìn)行深層特征提取，相比于傳統(tǒng)故障診斷算法，提高了診斷的精度。

3) 通過對(duì)比SVM、LeNet-5和ResNet-18方法，PCA-ResNet模型在航天器故障樣本少的條件下取得了95.33%故障診斷準(zhǔn)確率，為地面進(jìn)行故障精準(zhǔn)判別提供可靠依據(jù)。

4) 本研究利用PCA對(duì)遙測(cè)信號(hào)進(jìn)行處理，再利用殘差網(wǎng)絡(luò)進(jìn)行深層特征提取，既使用了傳統(tǒng)的數(shù)據(jù)處理方法，又結(jié)合深度網(wǎng)絡(luò)設(shè)計(jì)了航天器測(cè)控系統(tǒng)的故障診斷方法，為航天器智能化管理提供了新的思路。