基于时空自注意力的航天器电源系统故障诊断

航天器电源系统是航天器关键子系统之一,其运行状态直接影响整个航天器系统的寿命和性能,因此采用先进的技术对电源系统进行故障诊断,以此提高航天器在轨可靠性和安全性成为目前故障诊断领域的研究重点.基于深度学习的方法具有拟合能力强、特征提取丰富等优势,成为故障诊断领域的主流方法.然而,在航天器电源系统故障诊断领域,主流的故障诊断方法无法捕获序列的长期依赖关系且局限于时间维度建模,严重影响故障诊断方法的性能.因此,本文提出一种基于时空自注意力机制的方法,对航天器电源系统进行高效准确的故障诊断.方法采用基于Transformer的编码器结构提取空间航天器遥测数据中的高维特征,并对其中的自注意力机制进行优化,采用时间卷积提取处理时序特征信息,并采用时间、空间双向自注意力机制提取数据中的时空特征,然后对模型提取的特征进行映射得到空间航天器故障诊断结果.最后在航空电源系统数据集上开展相关实验.实验结果表明与目前故障诊断领域常用的方法进行相比,所提方法具有更强的故障表征提取能力,可有效提高航天器电源系统故障诊断能力.