航天器故障诊断与故障预测是利用已掌握的航天器故障诊断知识，对在轨运行期间的卫星遥测数据进行实时监测、定位与诊断，根据航天器的实际运行状态，结合历史数据和相关模型，利用预测方法预测一定时间以后的参数和性能变化趋势，以快速、直观的特点为专家和测试人员提供故障诊断与预测信息，进行相应的决策。
航天器故障诊断与预测技术主要经历了以下几个阶段：
1、简单的状态监测阶段，只进行简单状态监测。
2、基于算法的故障诊断阶段，建立一套集飞行故障的监测处理、状态评价、故障地面模拟、领域专家参与和飞行时分析于一体的安全保障体系。
3、基于知识的故障诊断，在新一代载人航天飞行器上，作为可靠性重要保证手段之一的故障诊断专家系统得到广泛应用。
4、故障预测与诊断技术阶段，在故障诊断过程中应用预测技术，以更好地保证航天器的可靠运行。
近年来故障预测与健康管理（PHM），也代表了航天器故障诊断和预测技术发展的一个趋势。
每种特定技术方法有其自身的缺限有不足，必须利用多种方法的整合才能获得满意的结果。航天器故障具有自主性强以及天地一体化故障诊断的复杂性，故障诊断知识由背景知识、经验知识、模型知识、过程知识、决策知识和控制知识等构成，而且由于系统设计时大量应用冗余容错技术，必须考虑故障诊断系统对冗余容错结构的故障诊断能力。
航天器遥测数据是进行故障诊断和预测的基础。对航天器进行故障诊断和预测，必须了解航天器遥测数据的特点，根据其特点和需要，提取和总结出用于故障诊断和预测的知识、提出相应的故障诊断和预测方法。航天器遥测参数主要分类方法有：按参数性质，可分为温度、电压、电流、压力、流量、指令、状态等；按参数所处系统，可分为测控、跟踪、控制、能源、配电器、热控、数管、天线、推进、遥测等；按参数变化频率，可分为缓变参数和突变参数；按参数变化规律可分为在给定范围内变化和按某种趋势变化等。
一、航天器故障诊断方法
1、基于故障树的诊断方法
故障树是一种体现故障传播关系的有向图，它以诊断对象最不希望发生的事件作为顶事件，按照对象的结构和功能关系逐层展开，直到不可分事件（底事件）为止。优点是诊断速度快，知识易动态修复，并能保持一致性，诊断技术与领域无关，只要相应的故障树给定就可以实现诊断。缺点是诊断结果严重依赖故障树信息的完整性，不能诊断不可预知的故障。
2、基于规则的故障诊断方法
基于规则的诊断（RBR）方法即产生式方法。早期的故障诊断专家系统都是基于规则的，这些规则是从专家的经验中总结出来，用来描述故障和征兆的关系。优点是直观形象，推理速度快，要求数据的存储空间相对较小，易于编程和易于开发出快速原型系统，不足是对历史故障经验依赖性强，当知识库中没有相应的与征兆匹配的规则时，容易造成误诊或诊断失败。
3、基于模型的故障诊断方法
基于模型的诊断（MBR）方法是主要用于航天器系统在故障诊断方面难以获取历史经验的场合，通过对航天器不同分系统和部件等建立数学模型，对其求解进行故障诊断。优点是可以诊断未预知的故障，不需要历史的经验知识。缺点是模型较为复杂庞大、诊断速度慢，对模型精度的依赖性较强，并且模型的不确定性因素有可能导致错误的报警。
4、基于案例的故障诊断方法
基于案例的诊断（CBR）方法是通过访问知识库中过去同类问题的求解方法，从而获得当前问题求解的一种诊断方法。一个CBR系统是一个包括案例表示、索引、存储、组织、推理、案例学习的完整的系统，体现了更高级的知识环境，是多种人工智能技术的综合。优点是将案例作为重要的诊断依据，提高了诊断工作的效率，更符合人们的思维习惯。不足是CBR系统的建设需以内容丰富、涵盖面广的案例作为基础，这一需求不仅是航天器故障诊断系统，一般的机械设备故障诊断系统也较难达到，从而限制了该方法的应用。
5、基于神经网络的诊断方法
由于故障诊断的实质可以看作是建立从征兆到故障源的映射过程，因此神经网络可以用于故障诊断。这种方法的优点是高度非线性、高度容错和联想记忆等。主要不足是不能揭示出系统内部的一些潜在关系，无法对诊断过程给予明确解释；网络训练时间较长，且不能对未在训练样本中出现的故障进行诊断，甚至可能得出错误诊断结论。
其他一些故障诊断方法还包括：基于信号处理的诊断方法，是诊断领域应用较早的方法之一；基于Petri网的诊断方法，优点是能动态地描述故障现象的产生和传播过程，便于通过对系统行为的变化进行故障诊断，缺点是故障诊断完全依赖于Petri网模型的建立，问题求解过程中容易产生冲突现象；多传感器信息融合的诊断方法，在一定程度上能够获得精确的状态估计，增加诊断置信度，充分利用传感器资源；还有基于智能Agent的分布式诊断方法等等。
目前每种诊断方法都有其自身的缺点和不足，单一的诊断方法很难完成航天器故障诊断的最终目标，必须利用多种方法的整合才能获得满意的结果。
二、航天器故障预测方法
航天器故障预测方法主要有这样几类：基于数据的预测方法，只与历史数据有关，无需了解系统应用的情况，分为时间序列预测和因果预测；基于模型预测，利用建立航天器被观测对象动态响应模型，针对当前系统的响应输出，进行参数辨识，对照正常状态下的参数统计特性，进行故障模式确认和预测；先进行历史数据预测，再结合航天器系统模型进行预测。
应用最为广泛的是基于遥测数据的预测方法。预测的遥测参数主要包括与航天器运行状态及测控事件无关的参数和与状态、测控事件关联的遥测参数。对这两种参数，可以分别采用时间序列预测法和因果预测方法。
（一）时间序列预测法
1、时间序列平滑预测法
移动平均法：根据时间序列资料逐项推移，依次计算包含一定项数的时序平均数，以反映长期趋势。优点是可以消除序列中的季节波动和不规则变动的影响，计算也比较简单。主要缺点是存储数据量较大。对最近的N期数据等同看待，而对t-T之前的数据则完全不考虑。
指数平滑法：对不规则的时间序列数据加以指数平滑，从而获得其变化规律和趋势，以此对未来的数据进行推断和预测。优点是建模简单，适用范围广，对历史数据的依赖程度比较低，实时性也比较好。缺点是对数据突变趋势的跟踪能力较弱，往往导致预测结果滞后。一种改进的方法是自适应指数平滑法，通过预测误差来调整平滑参数，实现从恒定参数到动态参数的转变，从而提高了预测效果。
ARMA模型法：又称博克斯-詹金斯法，适合处理复杂的具有各种模式的时间序列。这种模式可包含趋势变动、季节变动、循环波动和随机波动等因素的综合影响，具有较高的预测精度，适用于短期预测，是用于解决非平稳趋势数据预测问题最常用的模型。缺点是长期预测效果较差，不适用于预测非平稳数据。
2、神经网络预测法
航天器在长期运行过程中会存储大量数据，对于通常的预测算法很难在短时间内训练出稳定的模型、对于航天器遥测数据的非线性，传统随机过程预测方法，不但需要建立该非线性时间序列的预测模型，还要通过不确定性的测量结果来估计模型参数。神经网络不涉及到具体如何运算的问题，提供一个“黑箱”，指定输入与输出值，然后在网络内部根据神经元的组织结构，对神经元进行不同比重的加权，反复训练之后，这一组权重可以用来控制输入与输出的结果。神经网络预测方法较多，包括BP神经网络、概率神经网络（PNN）、支持向量机（SVM）等。
3、小波分析预测法
在解决去除非平稳趋势项的问题上，传统的方法是建立自回归积分滑动平均（ARIMA）线性非平稳模型。但在对原时间序列进行差分处理时，会损失变化相对缓慢的趋势项。从时间序列的频率域都有信息的平稳随机序列。如果能把趋势项和平稳随机序列项分离开的话，就可以分别建立多项式模型和ARMA模型，对这两项分别进行预测。普通的高通滤波器在分离趋势和平稳随机项的问题上，存在一定困难，且在滤掉趋势项的同时，把低频部分的平稳随机序列的信息也随之滤掉了。由于小波分析模型具有多分辨率、多尺度分析等特性，对于分析带有噪声、非平稳趋势项等数据有一定预测能力，因此，可以用来对非平稳随机序列进行分析的方法。具体方法包括基于Mallat算法的小波多分辨率预测、基于无抽取离散小波变换算法的小波递归预测等方法。
其他的预测方法还包括灰色系统预测法、趋势外推法、马尔科夫预测法、累计预测法等。
（二）因果预测方法
航天器遥测参数之间往往存在着某种因果关系。因果预测法就找出影响因变量的一个或几个因素作为自变量，建立数学模型，然后根据自变量的值预测因变量将取得的值。这种方法不但考虑了时间因素，而且考虑变量之间的因果关系，适用于解释航天器故障预测时其他突变因素的影响，在某一时刻突变因素起作用会改变预测变量的原有趋势。
回归预测是目前因果预测中最常用的方法。回归预测是用来解决一个预测目标（因变量）y依赖于一个x或多个自变量X1,X2…xm的不确定现象的预测问题。应该说x1,x2…xm是影响y变化的主要因素，在建立预测模型之前，必须应用相关专业知识进行定性分析，只有明确了现象之间确实存在着因果关系，才能用回归分析方法对因变量进行预测。具体包括一元线性回归预测法、多元线性回归法、非线性回归预测法等。神经网络也能够用于回归预测。其中，因果人工神经网络预测是常用的方法。
北京航天测控技术开发公司以通用测控产品为主，主要有六大类：基础测试测量仪器，包括16大类230余种的VXI/PXI/LXI/CPCI/CAN/GPIB总线系列化仪器模块及信号调理模块；软件及信息化产品，包括虚拟仪器测试开发环境和远程分布式测试与故障诊断系统；通用测试系统，包括“广灵通”通用测试平台及其系列产品；测试与维修保障系统，包括“华佗”电子设备电路板维修测试与诊断系统及其系列产品和装备维修测试与诊断系统；自动化控制系统，包括遥测遥控及工业自动化等系统产品；测试系统辅助配套产品。同时公司还可以根据用户的具体需求，提供ATE/ATS、DCS/FCS的系统集成、方案设计、技术咨询、软件开发、结构设计以及远程信息化测试、测试/诊断程序开发及技术培训与维护等服务。
