国内神经网络故障诊断技术及其在航天器中的应用

闻 新，陈 镝，乔 羽

(1.沈阳航空航天大学 航空航天工程学部(院)，沈阳 110136；2.燕山大学 经济管理学院，河北 秦皇岛 066004)

国内神经网络理论在故障诊断中的应用始于20世纪80年代末[1]，而国内神经网络技术应用于航天器分系统中始于20世纪90年代末[2]。由于神经网络具有容错、联想、推测、记忆、自学习、自适应和并行运算处理等优点，因此在故障诊断中得到了广泛的关注[3-6]。

本文首先介绍神经网络故障诊断技术特征和模式，然后归纳和分析了近5年来神经网络故障诊断技术在航天器中的应用情况和问题，最后，展望未来神经网络故障诊断技术在航天器应用中的发展趋势。

1 神经网络故障诊断技术的特征分析

1.1 神经网络与故障诊断

神经网络是通过神经元的建模和联接，模拟人脑神经系统功能的模型，是一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统。神经网络的一个重要特性是它能够从环境中学习，并把学习的结果分布存储于网络的突触连接中，学习后的神经网络就可以用于对真实测量数据进行分类[7,8]。

故障诊断技术的核心是诊断软件[9,10]，而软件的核心是算法，算法的核心则是故障诊断方法(故障诊断理论)，因此，设计故障诊断系统的就是设计故障诊断算法，也是设计故障诊断系统的中心任务。

故障诊断技术本质就是从故障现象集合到故障原因集合的求解过程，如图1所示。而神经网络的学习能力、模式分类能力和非线性动态系统模拟能力恰恰可以满足故障诊断技术的要求。

图1 故障诊断本质就是从故障现象集合到故障原因集合的求解过程

1.2 神经网络故障诊断技术的分类

神经网络故障诊断技术实质上就是神经网络理论在故障诊断中的应用，即在故障诊断过程中把神经网络作为一种新模式识别技术或新的知识处理方法。从近十年的文献资料分析看，神经网络在故障诊断中的应用成果主要集中在4个方面，或称神经网络应用于故障诊断模式呈现的4种类型[11,12]：

(1)从模式识别的角度看，主要体现在应用神经网络模型作为分类器进行故障诊断；

(2)从计算机信息与知识处理的角度看，主要体现在应用神经网络模型建立故障诊断专家系统；

(3)从建模、估计和预测的角度看，主要体现在应用神经网络模型作为动态预测和预报模型进行故障诊断；

(4)从人工智能理论应用角度看，主要体现在应用两种或多种神经网络推理或神经网络与其他人工智能理论结合在一起，通过联合推理和决策表决，对复杂系统进行故障诊断。

2 神经网络故障诊断的基本方法与分析

2.1 基于模式识别的神经网络故障诊断技术

模式识别是研究模式自动处理和判读的数学技术问题，主要任务就是模式分类和模式分析。模式识别神经网络的故障诊断就是用神经网络作为分类器实现故障识别。例如，对于复杂的航天器而言，地面测控中心需要通过航天器下行遥测数据实现系统的状态监测，状态监测的任务是使航天器系统参数不偏离正常范围并预防航天器各个分系统的功能失效，而当航天器系统遥测参数偏离正常范围时，则必须分析参数偏离的原因，如果发生故障，则需要进一步给出故障发生的位置。显然，如果事先对航天器可能发生的故障模式给出分类，则故障诊断就转换为把系统现行遥测参数归纳入为哪一类的问题。

与传统模式识别故障诊断技术不同，神经网络作为模式识别技术，不需要预先给出关于故障模式的先验知识和判别函数，它可以通过自身的学习机制自动形成所要求的故障决策区域。神经网络可以充分利用航天器的状态数据，并对来自不同状态的数据逐一训练以获得某种映射关系。可以用故障特征数据作为神经网络的输入向量，建立故障模拟训练样本集对网络进行训练。当网络训练完毕时，对于每一个新输入的数据，网络将迅速给出分类结果。

2.2 基于知识处理的神经网络故障诊断技术

基于知识处理神经网络故障诊断是从知识处理的角度建立神经网络诊断推理方法，诊断过程包括知识获取、知识存储及推理3个方面。在此过程中，知识通过神经网络的权值系数矩阵进行存储。所以，知识获取的过程就是按照一定的学习规则，通过特定的学习算法逐步修改权系数矩阵的过程。

基于知识处理的神经网络故障诊断技术与传统专家系统故障诊断方法不同，传统专家系统是一种高层逻辑模型，而神经网络是一种低层数值模型，通过对经验样本的学习，将专家知识以权值和阈值的形式存储在网络中，信息处理是通过大量称为节点的简单处理单元之间的相互作用进行的。

基于知识处理的神经网络故障诊断技术，由于神经网络具有联想和记忆推理能力，所以具有很强的容错性。对于不精确的、矛盾的和错误的数据，也可以得出满意的诊断结论。同时也不存在专家系统推理过程中知识获取的瓶颈和推理的“组合爆炸”等问题。

2.3 基于系统模型的神经网络故障诊断技术

鉴于神经网络在非线性系统建模中的优势,基于神经网络的建模或状态观测器的故障诊断方法得到了进一步的发展。基于神经网络的状态观测器设计方法可以分为两类,一类是假定被系统动态特性参数不变,利用已有的输入输出数据学习其内部的映射关系。这类方法的学习和诊断过程是分开的,且在学习阶段需要对象的输入和状态数据已知。另一类方法利用观测器与被观测对象之间的输出误差来实时调整神经网络观测器的权系数矩阵,具有适应对象和环境变化的能力。

通常，根据神经网络模型输出或神经网络观测器输出与实测数据产残差，一般会产生有两类残差模式(如图2)，然后通过残差识别系统发生故障的模式。

图2 神经网络产生测量残差的过程

2.4 基于组合智能的神经网络故障诊断技术

根据人工智能理论的文献分析可知，专家系统推理过程模拟了人的逻辑思维,模糊逻辑推理模拟了人类的经验思维。神经网络推理模拟了人的创造思维；在人类自身的思维过程中,逻辑思维、经验思维、创造性思维是缺一不可的，并且是非常巧妙地互相结合而形成的有机整体。因此一个真正好的故障诊断系统，应该集逻辑思维、经验思维和创造性思的维推理于一体，即“专家系统+模糊逻辑+神经网络”的组合推理诊断，如图3所示。

图3 混合智能诊断推理系统

3 神经网络故障诊断技术在航天器中的应用现状与问题

3.1 基于模式识别的神经网络故障诊断技术

3.1.1 基于BP神经网络的模式识别故障诊断技术

(1)方法

近几年来，BP神经网络是被广泛应用的神经网络模型之一，其主要由输入层、隐含层和输出层组成，同一层的神经元之间相互独立，相邻层的神经元之间通过权值相连。BP神经网络作为一种具有学习能力的前馈神经网络，其学习过程主要包括两个方面：第一个方面是信号的前向传播，也就是给定输入后，经过神经元计算网络的输出；第二个方面是误差的反向传播，即使用梯度下降法根据神经网络目标输出和实际输出之间的误差来不断调节连接权值，使误差不断减小，从而实现对非线性映射的不断逼近。1989年，Robert Hecht Nielsen证明了一个3层的BP神经网络可以逼近任何一个在封闭区间内连续的函数。

(2)应用

由于BP神经网络可以实现任何非线性映射，所以可以利用BP神经网络来进行航天器故障诊断中比较复杂或者困难的数据处理或数据计算。文献[13]针对航天器故障诊断中的故障模式机理复杂问题，将D-S证据理论和BP神经网络相结合建立了基于BP神经网络和D-S证据理论的航天器故障诊断模型，如图4所示。该模型通过BP神经网络来分配D-S证据理论中不同征兆域的基本概率，然后使用D-S证据理论来对不同征兆域的信息进行融合，最后得到更加准确、更加客观的故障诊断结果。文献[14]将卡尔曼滤波估计、粒子滤波跟踪估计和BP神经网络三者结合起来对卫星动量轮进行故障检测与诊断。该方法首先利用卡尔曼滤波估计和卡尔曼无迹滤波估计对正常状态和各个故障状态进行特征提取，同时利用粒子滤波跟踪估计形成每个状态的残差，把得到的残差和特征参数作为BP神经网络的输入，相应的故障状态作为BP神经网络的输出对网络进行训练，最后使用测试数据对训练后的神经网络进行仿真实验，得到了很好的故障诊断效果，证明了该方法在卫星动量轮故障诊断中的有效性和准确性。

图4 基于BP神经网络和D-S证据理论的故障诊断模型

许多研究人员发现故障诊断系统中的BP神经网络输入数据的多少很大程度上影响着训练和诊断结果，而航天器故障数据又是比较庞大的复杂数据集，所以对数据的预处理就显得尤为重要。刘占生[15]等根据航天器故障数据的特点,提出了一种改进的升半柯西数据归一化方法,并将其和BP神经网络结合起来应用到航天器电源模拟系统神经网络故障诊断中。通过比较仿真结果证明了神经网络的预处理对训练和诊断的结果影响很大,采用这一归一化方法可以大大提高BP神经网络故障诊断系统的准确性。李可[16]等根据航天器系统电性能测试数据量大、含有冗长无用信息的特点，结合主成分分析和自动编码设计了一种改进的神经网络故障诊断系统。该系统首先使用主成分分析技术对原始数据进行主要特征提取，并使用自动编码技术对BP神经网络的连接权值进行初始化，然后利用特征提取后的数据对初始化后的神经网络进行训练，最后采用某航天器的真实数据对故障诊断系统进行仿真，结果表明改进的神经网络故障诊断系统的准确率和实时性相比传统的神经网络故障诊断系统有很大的提高。

(3)优缺点

BP神经网络结构简单、易于计算和编程，且具有自适应、自学习和容错能力，能够实现任何非线性映射，应用比较广泛。但是BP神经网络也存在一定的缺陷，如收敛速度慢，训练过程中容易陷入局部极小等，因为BP算法本身就决定了误差函数存在多个局部极小点，算法是否能够快速收敛到全局最小值点主要取决于网络初始权值选取是否合适。这些缺点将会导致算法不能得到最优解，甚至在设备故障诊断中会发生错误的判断[17]。

3.1.2 基于自组织特征映射神经网络的模式识别故障诊断技术

(1)方法

自组织特征映射(SOFM)神经网络是由芬兰神经网络专家Kohonen于1981年提出的一种无监督学习的竞争式神经网络，是一种无导师数据聚类法，能够对高维数据进行聚类和可视化。SOFM神经网络主要由输入层和竞争层两部分组成，其中输入层由n个神经元组成，竞争层是由M*N个神经元形成的一个二维阵列，如图5所示。因此，SOFM神经网络通过自组织学习来调整输入层和竞争层之间的连接权值，能够将任意维的输入映射成一个由获胜神经元组成的二维离散图形，最后通过调整获胜神经元的拓扑邻域来确定分类范围，使SOFM神经网络能够根据输入的特征对输入进行准确的分类，并在竞争层中将分类结果表示出来[18]。

(2)应用

SOFM神经网络最大的特点就是具有聚类的功能，它能够将具有相同或者相似特征的输入准确的分类到一起。黄文虎[19]等利用SOFM神经网络这一特点实现对航天器故障的分类和诊断，并通过电源系统故障仿真实验平台进行了模拟仿真，试验结果表明使用SOFM神经网络诊断的结果与试验台设置的故障模式完全相同，证明了该方法的有效性和可行性。

图5 自组织特征映射神经网络结构

SOFM神经网络的另一大特点就是无监督学习，也就是不需要训练样本提供对应的输出就可以对输入进行学习和分类，所以对未知的输入仍然能够实现分类。这一特点非常适合用于航天器故障诊断，因为航天器由于成本大、难度大等原因，很难得到大量的输入输出样本用以神经网络的训练。根据这一优点，文献[20]提出了一种SOFM神经网络、广义回归神经网络(GRNN)和主元分析法三者结合的整星故障诊断模型，其中SOFM神经网络作为上层神经网络，对卫星故障进行初步的定位和辨识。并且卫星出现未知故障，GRNN神经网络不能给出精确的诊断时，SOFM神经网络仍然能够实现对故障的准确分类和定位，保证了故障诊断模型的有效性和准确性。

(3)优缺点

SOFM神经网络能够在无监督的情况下，根据学习规则对输入进行自组织学习，从而实现自动分类的功能。除此之外，还具有结构简单，诊断速度快等优点，非常适合航天器的未知故障诊断和实时诊断，在航天领域具有很好的应用前景。但是由于其无监督学习本身的局限性，导致SOFM神经网络航天器故障诊断的准确性不能尽人如意，所以在这方面SOFM神经网络还有很大的提升空间。

3.2 基于知识处理的神经网络故障诊断技术

3.2.1 基于RBF神经网络的知识处理故障诊断技术

(1)方法

径向基函数(RBF函数)是由英国学者Powell于1985年提出的，随后人们将其与神经网络结合起来形成了RBF神经网络，并将其应用到航天器故障诊断中取得了满意的效果。RBF神经网络同BP神经网络相似，是一种三层的前馈神经网络，主要由输入层、隐含层、输出层组成。由输入层到隐含层的映射是非线性的，而由隐含层到输出层的映射是线性的，并且隐含层的神经元个数对于不同的情况是不同的，是根据实际情况来确定的[21]。

(2)应用

专家系统是航天器故障诊断中早先发展起来的一种技术，在实际中使用也较为广泛，但是专家系统需要不同领域的专家通过分析和仿真对航天器系统进行诊断，所以会受到人为因素以及不同领域意见分歧等影响，导致诊断的准确性大幅度下降。考虑专家系统的上述问题，蔡琳[22]等将专家系统与神经网络结合提出一种RBF神经网络与专家系统相结合的智能故障诊断系统。也就是将专家经验转化成非线性映射的形式，利用转化后的专家经验对RBF神经网络进行训练，调整其权值，使其能够根据检测到的故障状态对系统进行故障诊断，然后通过专家系统将故障症状解释出来，如图6所示。最后应用到卫星姿态确定系统的故障诊断中，诊断结果表明，RBF神经网络能够很好的与神经网络结合到一起，且有效的解决了传统专家系统准确性低等问题，提高了系统的可靠性。

图6 基于RBF神经网络的智能故障诊断系统

(3)优缺点

与BP神经网络相比，RBF神经网络不仅具有任意函数逼近能力和并行处理能力，而且学习速度快，具有全局收敛的能力，不会出现陷入局部极小值点等情况，能够满足人们对系统诊断实时性和准确性的要求。虽然相比其他神经网络,RBF神经网络具有很大的优势，但是RBF神经网络的隐含层神经元个数是不确定的，需要通过特定的算法或者多次尝试才能找出最优的神经元个数，而且选取合适的基函数也是比较困难的，这些都大大增加了故障诊断的复杂程度。

3.2.2 基于Hopfield神经网络的知识处理故障诊断技术

(1)方法

1989年，霍普菲尔德教授提出的Hopfield神经网络(HNN)模型，Hopfield神经网络是一个单层全反馈神经网络，网络中每个节点的输出反馈到其它节点作为输入。激活网络的输入后，Hopfield神经网络的状态不断变化。在不断地反馈和迭代计算后，输出变化越来越小，直到网络收敛到稳定状态。航天器故障诊断中的Hopfield神经网络可以分为两种，一种是连续性，一种是离散性。连续性就是将最优化问题中的目标函数转换为网络的能量函数，网络达到稳定状态时就是最优化问题的最优解；而离散性Hopfield神经网络常用于联想记忆，即存储很多个稳定的目标向量，当输入为类似的数据向量时，被存储的向量将会作为输出呈现出来。

(2)应用

航天器中具有很多线性可分故障参数的非线性系统，针对这一类系统的故障估计，文献[23]提出了一种基于Hopfield递归神经网络的故障估计专家系统。通过故障参数和非故障参数之间的关系构造神经网络的能量函数，将控制系统中的故障估计问题转化为优化问题，利用Hopfield递归神经网络的优化特性来实现故障参数的最优化估计。并通过仿真实验，证明了该专家系统对航天器故障具有很好的估计效果以及动态性能。

为了提高航天器故障诊断专家系统中Hopfield神经网络的快速性和实时性，一些学者结合Hopfield神经网络和BP神经网络提出了一种Hopfield-BP神经网络的故障诊断专家系统，该方法相比于单一网络更容易找到问题的最优解，且具有全局优化神经网络的计算能力与BP神经网络的非线性分类能力,避免了网络陷入局部最优的问题。最后将该网络应用于航天器故障诊断中，证明了基于Hopfield-BP神经网络的故障诊断专家系统能够快速、准确的对故障进行识别和诊断[24，25]。

(3)优缺点

HNN的主要优点是它具有较强的解决优化问题的能力，对数据的规模要求较低，也就是在数据较少时也能进行很好的优化，且具有联想记忆能力、高度自组织自适应的能力，对网络参数的敏感性较低。尽管HNN是神经网络最优化中最流行的模型，但是它也存在一些缺点：人工变量不容易实现以及能量函数会造成许多不必要的局部解，这是难以避免的[26]。

3.3 基于系统模型的神经网络故障诊断技术

3.3.1 基于Elman神经网络的系统模型故障诊断技术

(1)方法

Elman神经网络是一种结构简单的局部递归神经网络，是由J.L.Elman于1990年针对语音处理的问题提出的，至如今已有很多在航天器故障诊断领域的学者对Elman神经网络或者改进的Elman神经网络进行了大量研究。如图7所示，Elman神经网络主要有输入层、隐含层、承接层和输出层组成，其中承接层能够存储隐含层的过去状态，并将其作为隐含层的额外输入，具有一步延迟特性，所以网络的输入不仅包含输入当前值，而且还包含输出的历史值，从而能够很好的反映系统的动态特性。从结构上可以看出，Elman神经网络相当于一个具有局部记忆和局部反馈的BP神经网络，因此在优缺点以及功能方面与BP神经网络会有相似之处[27]。

图7 Elman神经网络结构

(2)应用

Elman神经网络与BP神经网络一样，在应用于航天器故障诊断中时具有收敛速度慢和易陷入局部极小值的问题。针对这一问题，文献[28]基于优化Elman神经网络提出了一种分布式卫星群系统故障诊断方法，利用遗传算法来寻找神经网络最优的初始权值和阈值，解决了Elman神经网络收敛速度慢和易陷入局部极小值等问题，并进行卫星群不同故障下的仿真试验，结果证明该方法在卫星群姿态控制系统故障诊断中的实时性和准确性。

除了局部极值问题，Elman神经网络在训练时还具有结构参数不能进行学习优化等问题，极大影响了网络的学习速度以及预测精度。所以文献[29]将ES的全局搜索特性以及DBP算法的局部搜索能力相结合，提出了一种基于进化策略(ES算法)与动态BP算法的混合进化学习算法(ESDBP)。该方法先由ES算法通过全局搜索找到一个最优的网络结构参数和反馈系数，然后保持网络结构参数和反馈系数不变，以ES算法得到的权值为初始权值，利用DBP算法对网络权值进行局部搜素，从而找到网络的最优解。

传统的基于系统模型的航天器故障诊断无法实现对系统的不确定性完全解耦，也就是在无故障的情况下观测器残差也不为零，不能获得满意的残差，导致其不能有效的检测微小故障。为了解决这一问题，文献[30]采用Elman神经网络构造补偿模型来估计不确定性引起的观测器残差以减小不确定性对诊断结果的影响，并把名义模型和补偿模型相结合，通过故障决策逻辑对卫星姿态系统执行器微小故障进行诊断，仿真结果表明该方法增强了诊断模型对微小故障的敏感性，且保证了一定的准确性，具有更好的诊断能力。

(3)优缺点

Elman神经网络相比于BP神经网络多了一层承接层，承接层存储了隐含层的历史输出，并作为隐含层的部分输入，因此在航天器故障诊断中能够很好的反映航天器系统的动态特性。但是由于Elman神经网络仍然使用BP算法来调整网络的连接权值，所以存在结构参数和权值参数不能同时优化，学习速度慢以及易陷入局部极值等问题，需要进一步的改进和优化。

3.3.2 基于小波神经网络的系统模型故障诊断技术

(1)方法

小波神经网络是一种新型的神经网络，具有多分辨率分析特性和自适应、自学习的特性。Pati和Krishnaprasad最早证实了小波变换能够应用到神经网络中的可能性。小波变换能够对系统状态信号进行奇异点检测，从而有效的对系统进行故障诊断和故障定位，而神经网络具有自适应和自学习的能力，能够逼近任意的非线性系统，所以将小波变换应用到神经网络中后用于对航天器进行故障诊断，能够提高网络的训练速度和对系统故障诊断的快速性和准确性。与其他神经网络不同，小波神经网络具有多种激活函数，不同的激活函数对应不同的权值调整算法。

(2)应用

在航天器中，大部分系统都是非线性系统，这就导致故障诊断以及检测的所需时间和困难程度大幅度提高，文献[31]针对航天器非线性系统，提出一种小波神经网络自适应故障诊断方法，也就是使用具有自适应的小波神经网络构造状态观测器，通过残差估计的方法应用到航天器姿态控制系统敏感器的故障诊断中。仿真结果表明，该方法能够很好的处理航天器中的非线性系统故障问题，并且减少了神经元数，从而加快网络的收敛速度，还能够存储隐含层的历史信息，很好的表现了系统的动态特性。

航天器由于系统过于复杂，人们很难建立出航天器的数学模型，并且航天器在运行时经常会受到外部的干扰，很大程度上影响了对其进行故障诊断的准确性。针对这些问题，文献[32]利用两种小波神经网络观测器方案对航天器同时进行故障检测、故障隔离与故障估计。如图8所示，该方法首先使用一种非线性未知输入自适应小波神经网络来构造检测观测器，用以检测航天器中任何执行器的故障，然后激活自适应未知输入单隐含层前馈小波神经网络，并对相应的执行器进行故障隔离和估计。该方法可以在不知道系统的完全状态变量以及系统输入的情况下就可以对其进行准确、稳定的故障诊断，很好的解决了航天器模型难建立和受外部干扰的问题。

(3)优缺点

小波神经网络相比其他神经网络而言，除了具有自组织自学习的能力和非线性映射能力外，还具有很强的泛化能力和逼近任意动态系统的能力，并且容错性好、训练时间短、收敛速度快。同时，小波神经网络也很容易出现欠拟合或过拟合的现象，具有实际应用与网络结构矛盾和网络结构不统一等问题，还有待于进一步的完善。

图8 小波神经网络观测器故障诊断框架

3.4 基于组合智能的神经网络故障诊断技术

(1)方法

由于单一诊断方法只具有其独特的信息特征，对于航天器这类复杂系统的故障诊断往往具有一定的局限性，所以组合神经网络故障诊断技术逐渐成为学者们研究的重点。目前国内的组合智能神经网络故障诊断技术主要分为两类，一类是共存式方法，也就是神经网络系统和专家系统分别处理对应的知识和问题，并通过模糊原理把二者的结果结合起来作为最终结果;一类是统一式方法，即将神经网络、专家系统和模糊原理统一在一个系统中，建立一种新的系统，这种新的系统既能处理形象思维的问题，又能处理逻辑思维的问题，具有较好的通用性，适用于处理未知类型问题。但是统一式方法建立比较困难，并且统一后的系统不能充分发挥神经网络、专家系统以及模糊原理各自的特长。

(2)应用

针对单一故障诊断技术对于航天器故障诊断的局限性，安若均[33]等人提出一种模糊综合评判、神经网络和专家系统相结合的诊断方法。该方法采用可信度BP神经网络和不确定性推理专家系统分别对系统进行故障诊断，充分发挥了各自的优点，并通过模糊综合评判融合两种方法的诊断结果形成最后的最终诊断结果。采用模糊评判可以考虑到各种因素作用的均衡影响，可以到达优势互补的作用，有效的避免单一故障诊断方法对不适用故障造成的错误诊断，并且结合多种方法的诊断结果可以确认诊断结果的正确性，从而提高了故障诊断的准确性和稳定性。

图9 共存式组合故障诊断系统

(3)优缺点

组合智能的神经网络故障诊断技术将多种故障诊断技术集成在一起，取长补短，充分发挥每种故障诊断的长处，所以相对单种故障诊断技术来说，组合智能故障诊断技术具有更好的故障诊断能力，拥有很好的发展前景，将会成为今后航天器故障诊断技术的主要发展方向[34]。但是这种集成方法如今都是集中在理论层面，实际应用的难度比较高，且使用组合智能故障诊断技术后会大大增加航天器系统的复杂程度，所以还需要学者们的不断探索与研究。

4 发展前景

故障诊断的目的是提高航天器完成任务的精度和速度，减少漏报率，估计故障的大小和趋势。随着神经网络技术在诊断中的进一步应用，今后在航天器故障诊断中的主要研究工作可概括为以下几个方面：

(1)多信息融合。利用神经网络技术实现基于多传感器数据融合的航天器故障诊断，能够充分利用多传感器信息，识别出单个传感器无法识别的故障，通过对航天器多传感器数据的融合，能够尽早发现故障，准确识别故障。

(2)混合系统。基于单一方法的神经网络诊断系统的缺点是严重的限制了它们的应用范围，使之只能适用于航天器中的小系统研究。所以未来的神经网络故障诊断技术将会向逐渐混合神经网络诊断系统发展，能够更好的适应于大型控制系统。

(3)网络诊断技术。如今互联网技术已经发展的比较成熟，在各行各业中发挥了不可磨灭的作用，因此利用神经网络故障诊断技术和Internet技术相结合，建立基于WWW的远程故障诊断系统也是可行的。

(4)自适应智能故障诊断。随着航天技术的不断发展，航天器逐渐深入到一些难以探测的未知区域，这将会极大提高航天器进行任务的难度，在这种情况下自主故障诊断就显得尤为重要。而神经网络自适应故障诊断是实现航天器自主故障诊断系统的重要手段，所以未来神经网络故障诊断在航天器中将会具有高度的自适应性，具有更快的响应和更准确的故障诊断。

5 结论

虽然国内神经网络航天器故障诊断技术起步较晚，但是从近几年的相关研究中可以看出，国内神经网络航天器故障诊断技术正处在高速发展阶段，相关学者通过对神经网络的不断改进与优化，使之能够更好的应用到航天器故障诊断中。并且国内的相关研究逐渐从理论层次向现实层次过渡，使航天器的运行更加稳定和有效，更好的实现了神经网络航天器故障诊断的实用价值。另外，国内神经网络航天器故障诊断技术在很多方面都还有很大的发展空间，有许多不足之处需要人们去弥补和改进，所以在不久的未来，经过我国学者的不断努力研究，先进的神经网络航天器故障诊断技术将会推动我国航天事业到达一个更高的层次。