Diseño Automatizado de una Red CNN para el Diagnóstico de Fallas en Sistemas de Control de Actitud de Satélites

A pesar del predominio de métodos de detección de anomalías no supervisados y auto-supervisados en el actual ámbito del diagnóstico de fallas en satélites, la detección de anomalías supervisada ofrece una alternativa superior para la detección de alta sensibilidad y requisitos de implementación ligera específicos para subsistemas o componentes, como los sistemas de control de actitud (ACS). Este artículo aborda los problemas de sobrediseño y precisión insuficiente en el diseño de redes CNN para el diagnóstico de fallas en ACS de satélites mediante la introducción del método CNN basado en bloques convolucionales avanzados y optimización por enjambre de partículas modificada (MPSO-ACBCNN). Primero, presentamos la ACBCNN, una arquitectura CNN ligera y de capas flexibles. Esta arquitectura aprovecha los bloques convolucionales avanzados (ACBs), que incorporan numerosos elementos de diseño eficientes para mejorar las capacidades de extracción de características dentro de gráficos de densidad espectral de potencia (PSD) de diversas muestras de fallas, y emplea métodos clásicos de conexión densa para prevenir el problema de la desaparición del gradiente. Segundo, diseñamos el algoritmo MPSO-ACBCNN para optimizar la arquitectura de diagnóstico de fallas ACBCNN para ACS específicos usando MPSO. En MPSO-ACBCNN, se implementan varias optimizaciones al PSO canónico, incluyendo el diseño de la función de aptitud que equilibra la compensación entre la cantidad total de parámetros y la efectividad del entrenamiento, y métodos para asegurar soluciones factibles, etc. Finalmente, los resultados experimentales numéricos demuestran la efectividad y superioridad de MPSO-ACBCNN en el diagnóstico de fallas para ACS.