【摘要】针对空间应用热控系统(SA-TCS)开展故障诊断时需要同时应对数据流概念漂移的问题与在线处理实时性的要求，基于传统静态模型的故障诊断方法难以适用。为此，构建了一种基于增量置换特征重要性(iPFI)的可解释性在线故障诊断框架。该框架利用增量学习模型实时预测系统的关键参数和健康状态，并利用iPFI算法量化各传感器采样特征对于模型预测的全局重要性。通过监测特征重要性突变实现了故障报警信息的双向验证，并实时定位指示故障的关键传感器及其关联的系统部件。通过模拟多工况SA-TCS的管道泄漏及部件失效故障生成了多工况故障数据集，并以数据流的形式验证了所提出的在线故障检测与定位方法的有效性和优势。实验结果表明：所构建的模型可准确捕捉由于工况突变和故障事件导致的特征重要性动态变化，实现了多工况SA-TCS准确、实时的故障检测与定位。

【关键词】故障检测；故障定位；热控系统；空间应用；概念漂移；可解释机器学习；置换特征重要性

【作者】张竞菲，王红飞，王亦风，张陈晨，宋磊，金山，郭晓晓