航天器发射升空后全天时运行,由于恶劣未知的空间环境及星上元器件的老化等原因,难以避免会发生故障,如果不及时对故障进行处理,有可能导致航天任务执行的滞后。因此,研究航天器的故障检测技术,根据故障的特征及早实现故障检测,不仅能够保证航天器的安全可靠运行,对其服务寿命的延长也具有十分重要的意义。航天器显著故障多由微小故障发展演变而来,处于早期的微小故障对航天器的正常运行影响很小,故而难以发现故障征兆,然而若不能及时进行处理,将会对航天器的安全平稳运行及航天任务的顺利执行造成巨大的威胁。另一方面,随着智能自主技术的蓬勃发展,航天器故障检测与智能技术的融合逐渐成为一大热门发展趋势。考虑到当前在轨航天器数据样本小、噪声高、无标记的特点,难以获取充分的信息实现故障检测。因此,充分利用智能技术的优势,基于神经网络的学习特性,将地面测试数据和其他航天器数据中包含的知识,通过迁移学习运用到当前航天器的故障检测中来,对航天器故障检测技术的智能化发展具有重要意义。基于上述原因,为降低航天器运行故障风险,保证航天任务的顺利执行,本文针对航天器故障检测技术做出以下研究:首先,针对航天器微小故障难以检测的问题,根据集员估计理论,基于系统的输出可达集,设计了基于椭球残差的主动故障检测方法。该方法充分利用了闭环系统包含的信息,设计外源信号注入系统以激发微小故障征兆;同时,为保证航天器的安全性,所设计的外源信号对系统产生的影响要尽可能小。为满足上述两点要求,基于系统的输出可达集构建性能指标函数,并设计残差阈值作为故障检测机制的评价标准。最后,基于MATLAB设计实验分别对开、闭环系统设计辅助信号,并进行故障检测验证对比,结果表明所设计的主动故障检测方法具有良好的故障检测性能,且相对于开环系统,闭环方法所设计的辅助信号具有更小的能量,因而对系统产生更小的影响。其次,考虑到基于椭球残差的主动故障检测方法对系统不确定的约束过于宽泛,导致外源信号的优化求解过于复杂,本文第三章设计了基于Youla参数化的主动故障检测方法,将系统参数化后在频域对辅助信号进行优化求解,降低了计算的复杂程度。同时,考虑系统所受的干扰及不确定,设计了基于累积和计算方法的残差评价机制。仿真结果表明,该方法所设计的辅助信号注入系统后,能够实现干扰影响下的航天器微小故障检测,保证了所设计的辅助信号对航天器外部干扰的鲁棒性,有效防止微小故障的误报和漏报。最后,考虑到在轨航天器数据样本少、噪声高、无标记的特点,基于迁移学习的思想设计了航天器智能故障检测策略,利用深度神经网络从地面测试数据和其他航天器数据中学习故障检测知识,并将其运用到当前在轨航天器的故障检测任务中。首先采用数据预处理方法将,航天器数据转换为二维灰度图。接着,搭建基于深度神经网络的智能故障检测模型框架,利用地面测试数据以及其他在轨航天器数据集,构建数据集并对网络进行预训练,初步获取网络参数。最后,基于迁移学习中的领域自适应方法重构网络训练的代价函数,对网络模型进行参数重调,完成当前在轨航天器的故障检测任务。实验结果表明,所设计的智能故障检测策略具有较好的故障检测性能。