姿态控制系统是航天器最关键的子系统之一,也是故障高发的子系统之一,研究姿控系统的故障诊断技术,以确保其稳定可靠运行,对顺利完成航天任务具有重要意义。而姿控系统是一类典型的非线性系统,部件多,结构与功能复杂,其运行环境也有着很多未知因素,如何设计合理有效的故障诊断方法,是一项极具挑战性的工作。研究了姿控系统闭环回路的执行器与敏感器故障定位问题。针对某高精度航天器发生敏感器与执行器故障情形下,姿控系统动力学模型复杂、故障在闭环回路中传播等难题,基于可获取的控制系统的状态测量信息以及指令信息,提出了基于神经网络与支持向量机的敏感器与执行器故障定位方案。首先,从姿控系统模型机理出发,构建敏感器与执行器故障分离的逻辑关系;再应用神经网络对姿控系统动力学过程进行建模,通过构造动力学观测器和运动学观测器,分别实现对动力学模块和运动学过程的观测,生成残差信号并进行特征提取,采用支持向量机检测故障。最后,根据故障检测结果以及故障分离逻辑关系,实现无模型参数情况下的闭环姿控系统执行器与敏感器的故障定位。在半物理仿真平台上开展了方法的仿真试验,试验结果表明本文方法可以有效实现敏感器与执行器故障定位。引入迁移学习改进了敏感器与执行器故障定位算法。针对航天器姿控系统故障样本少的问题,通过引入迁移学习算法,采用标称模型仿真生成的数据训练神经网络和支持向量机,构建标称模型下的动力学观测器和运动学观测器;再将可获取的当前航天器健康数据输入预训练的神经网络中调整网络权值,得到当前航天器的动力学观测器,从而进行故障定位。该算法相比改进前的算法,无需当前航天器的故障样本,只需要少量的正常样本数据,且计算量小,更具工程实用性。研究了航天器多姿态敏感器并发故障情形下的故障定位问题。从航天器姿态测量原理与姿态敏感器数学模型出发,基于可以获取的系统正常情况下的敏感器数据,利用自编码器神经网络具有的信号压缩与解压功能,构建多个观测器。利用故障信号在压缩与解压过程中无法完全重构,从而生成残差;为了提高故障检测的准确度和可靠度,提取残差特征输入softmax分类器进行训练,建立故障分类模型;最后对多分类模型的辨识结果进行表决,实现多敏感器故障定位。该算法无需知悉敏感器的安装参数,也不受敏感器安装误差的影响。仿真结果验证了所提方法能有效实现敏感器单故障/多故障并发情形的故障检测与故障定位。