第3章故障诊断技术基础

3、故障诊断技术基础：基于模型的诊断方法、基于知识的诊断方法、基于数据的诊断方法

各位同事，咱们今天聊点实在的。故障诊断，说白了就是给航天器“看病”。太阳翼驱动机构（SADA）在轨运行，一旦出问题，轻则发电效率下降，重则整星失电。我干了二十多年电源系统，见过太多“小病拖成大病”的案例。

诊断方法分三大流派：基于模型、基于知识、基于数据。这三者不是互斥的，而是互补的。我个人习惯，在工程实践中往往是“三管齐下”。下面我逐一拆解。

这种方法的核心思想是：先建立一个精确的数学模型，然后拿实际测量值和模型预测值做对比。差值超过阈值，就报故障。

原理很简单：

关键点：残差不是简单的“实测减预测”。要考虑噪声、建模误差、环境扰动。我一般会加一个自适应阈值，避免误报。

我在项目中遇到过：某型号SADA在热真空试验中，电流残差突然增大。模型预测电流是0.8A，实测到了1.2A。一开始以为是电机堵转，后来排查发现是润滑脂在低温下粘度增大，导致摩擦力矩上升。这就是模型没考虑温度对摩擦系数的影响。

避坑指南：我曾经吃过一次亏——模型参数没做在线更新。在轨运行一年后，太阳翼的转动惯量因为挠性变形发生了变化，老模型预测不准了。后来我强制要求：模型参数必须每季度校准一次。

优点：物理意义明确，可解释性强，对未知故障也有一定覆盖能力。

缺点：建模难度大，尤其是SADA这种机电热耦合系统。模型精度和计算量是一对矛盾。

这个方法，说白了就是“专家经验库”。把老工程师脑子里的经验、操作规程、历史故障案例，整理成规则或知识图谱。

常见形式：

核心难点：知识获取。老专家的经验往往是“只可意会不可言传”。我当年为了建这个知识库，跟一位退休的总师聊了整整三天，录了20小时音，才提炼出80多条有效规则。

举个例子：某次在轨测试，SADA的步进电机丢步了。知识库里有条规则：“如果丢步发生在温度快速变化阶段，且电机电流正常，则可能是热应力导致齿轮间隙变化”。按照这条规则，我们没做任何硬件调整，只是调整了驱动时序的补偿参数，问题就解决了。

注意：知识库需要持续维护。航天器在轨运行时间越长，新故障模式越多。我建议每半年组织一次专家评审会，更新规则库。否则，知识库会变成“死库”。

优点：推理过程透明，容易理解，适合处理已知故障模式。

缺点：对未知故障无能为力，知识获取成本高，规则之间可能有冲突。

这是目前最火的方向。不依赖物理模型，也不依赖专家经验，全靠数据说话。你想想看，SADA在轨运行几年，遥测数据成千上万条，里面藏着大量信息。

常用技术：

关键前提：数据质量。我见过太多项目，模型建得花里胡哨，结果数据本身就有问题——采样率不够、传感器漂移、时间戳不对齐。数据清洗花的时间，往往比建模还多。

我在项目中遇到过：用LSTM预测SADA的电流趋势。训练数据用了前两年的在轨数据，模型在测试集上准确率高达98%。结果一上线，第三天就误报。后来发现，训练数据里没有包含“太阳翼进出地影”的工况，模型没见过这种电流突变模式。说白了，训练数据覆盖不全。

避坑指南：我曾经犯过一个低级错误——直接用原始数据训练，没做归一化。结果温度特征（几十度）和电流特征（几安培）的量级差异，导致模型完全被温度主导。后来加了Min-Max归一化，效果立竿见影。

优点：不需要物理模型，适应性强，能发现未知故障模式。

缺点：需要大量标注数据（故障样本往往稀缺），可解释性差（黑箱模型），容易过拟合。

这三种方法，各有各的脾气。我一般这样选：

我的建议：别死磕某一种方法。实际工程中，我常用“模型+数据”的混合架构。模型提供物理约束，数据提供统计规律。比如，用模型生成残差，再用机器学习对残差做分类。这样既保留了物理意义，又利用了数据挖掘能力。

举个例子：某次SADA的振动异常。模型预测的振动频率是10Hz，实测出现了15Hz的谐波。残差分析后，用随机森林对残差频谱做分类，定位到是减速器齿轮的某个齿面磨损。这就是典型的“模型+数据”融合诊断。

最后提醒一句：无论用哪种方法，都别忘了做验证。在轨数据和地面数据差异很大。我见过太多在地面跑得飞快的算法，上了天就“水土不服”。一定要用真实的在轨遥测数据做闭环验证。

好了，这一章就聊到这儿。下一章咱们讲具体的诊断流程和案例，到时候我会拿几个真实的在轨故障，带大家一步步走一遍诊断过程。