对深度确定性策略算法进行改进，结合图注意力网络，提出将知识与人工智能结合的航天器故障推理方法.在构建航天器部件级知识图谱的基础上，根据航天器知识图谱的结构、语义配置强化学习的环境，设置独特的奖励函数、策略网络与价值网络.针对航天器知识图谱的图结构数据特性，引入图注意力机制进行更为准确的故障定位.模拟故障发生情况进行实验验证，实验结果表明该方法能够由测点与测点特征出发进行反向故障推理，获得故障路径，快速自主定位发生故障的功能模块与故障模式.

随着信息技术和传感器技术的发展，基于数据驱动的故障诊断技术是保障大型工业设备高效、安全运行的关键技术之一.机器学习由于其具有强大的特征表示能力与基于大数据的特征提取优势，多种深度神经网络模型已成为故障诊断领域中最常用的特征提取方法之一.但监测设备收集到的数据中包括大量的无标签数据，基于监督学习的深度神经网络模型没有办法对其进行充分的利用，造成了部分有用信息的浪费.针对无标签数据，提出基于无监督学习的方法，利用最大化互信息的思想训练特征提取模型，在此基础上，设计一种针对时序序列数据的故障诊断方法，并在公开数据集凯斯西储大学轴承数据集上验证，取得了比以往传统方法更高的诊断精度.在卫星监测数据上进一步验证，提出的特征提取模型能够对故障不同阶段进行区分，很好地捕捉不同阶段的数据特性.结果表明，提出的基于无监督学习的故障诊断方法能够有效、充分地利用大量的无标签数据，提高时序序列数据的故障诊断精度.

 针对PVT方法计算剩余燃料偏差大影响卫星在轨任务规划的问题，提出一种基于输入参数偏差分析的卫星剩余燃料估计和修正方法.在推导剩余燃料估计误差传播方程和比对记账法、PVT法计算偏差的基础上，开展PVT法计算剩余燃料的误差源和输入偏差分析，对卫星剩余燃料进行修正.在仅考虑剩余燃料影响的前提下，建立地球静止轨道(GEO)卫星在轨燃料消耗预测模型，预测GEO卫星剩余寿命.实际工程应用表明：该方法在卫星剩余燃料计算出现较大偏差时，能够较好地修正计算偏差，可为卫星在轨任务规划提供技术支撑及参考借鉴.

准确预测滚动轴承剩余使用寿命(remaining useful life，RUL)，对于保证工程设备安全稳定可靠运行具有极其重要的作用.现有深度学习预测方法往往直接建立振动监测数据与剩余寿命之间的映射关系，通常忽略滚动轴承性能退化的不同状态差异性，且并未考虑深度学习模型所提取各类特征的差异性，给剩余寿命预测结果带来了极大的偏差.鉴于此，提出一种新型滚动轴承退化状态划分方法和RUL预测方法.提取轴承振动信号的特征，利用MannKendall检验法进行趋势判断，确定出退化期的起始点；通过归一化奇异值相关系数走势确定出慢速退化期的终点；构建基于融合注意力机制的双向长短时记忆网络(bidirectional long short term memory with attention，Bi-LSTM-Att)的滚动轴承RUL预测模型，利用所截取的慢速退化期数据与对应RUL标签训练预测模型实现RUL预测.通过轴承公开数据集验证所提方法对轴承RUL预测的准确性和有效性.

针对航天器故障知识来源广、形式多样、差异大和数量少的特点，以及航天器运行过程中遥测数据所蕴含故障知识难以被有效利用的缺陷，提出一种本体实体双向约束的知识图谱构建方法，采用自顶向下与自底向上相结合的方式构建知识图谱，实现包含遥测数据在内的航天器多源异构故障知识的图谱融合.在本体层面，提出一种改进的IDEF5法构建故障知识本体.在实体层面，针对故障数据的来源以及结构化程度，提出了3种不同的知识抽取方法，分别从(半)结构化数据(FMEA分析表、专家规则)、非结构化数据(故障文本资料)以及遥测数据中提取知识，并将知识在实体层中融合.通过本体层与实体层的双向约束与协同优化，实现故障知识图谱的构建.以航天器控制力矩陀螺为例，采用上述方法构建了故障知识图谱，并可视化展示.以案例的形式验证了方法的可行性和有效性.

针对卫星编队中单颗小卫星欠配置、测量信息不全和故障类型数据少等问题，提出一种基于联邦学习的卫星编队故障诊断方法. 基于故障影响下的卫星动力学模型，利用Unity3D引擎搭建虚拟仿真环境，为后续卫星故障注入及故障数据产生奠定基础. 考虑单个小卫星测量配置不全的问题，采用双向协调网络(BicNet)构建卫星本地故障诊断模型，借鉴邻居卫星的“远端”敏感器信息，实现本地卫星故障诊断.采用联邦学习框架进行分布式训练，每颗卫星上传本地模型参数进行协同建模，在不增加通信压力的情况下，整合整个星群的故障特征，提高星群对不同故障类型的故障诊断能力. 所设计的编队故障诊断算法在编队卫星数量变化时也无需重新训练诊断网络，满足“即插即用”的工程需求.通过仿真实例验证，在测试集上精度达到99%，表明该方法有较高的准确性.

致力于解决四旋翼无人机的故障检测问题.考虑到无人机模型是一个非线性强耦合的模型，提出一种基于神经网络的性能驱动故障检测方法.然而，当无人机进入新的重力场时，已建立的故障检测系统无法适用.为了解决这个问题，进一步提出一种基于迁移学习的故障检测方法.通过子空间迁移方法和布雷格曼散度度量方式，将源域与目标域对齐，并实现了神经网络的参数迁移以及阈值设定.在四旋翼无人机系统中验证了本文所提出的方法的有效性.

针对火箭动力系统内部传感器较少、可信度较低导致异常监测困难的问题，提出一种利用飞行状态信息进行火箭动力系统异常监测的方法.从火箭控制系统闭环回路中选取合适可测的飞行状态参数构建故障数据集；利用LSTM自编码器算法提取故障特征信息；构建支持向量机分类辨识模型，并利用人工蜂群算法对于支持向量机的参数进行参数寻优，实现动力系统故障的异常监测；最后通过火箭飞行控制闭环回路仿真验证了所提算法的有效性和可行性.

航天器遥测数据异常检测是识别航天器状态、保障航天器安全可靠运行的关键技术.然而，航天器遥测数据异常检测通常面临时序数据维度大、异常不平衡、标签样本缺乏等问题.基于数据预测的异常检测思想，提出一种基于迁移学习的深度异常检测模型.根据遥测数据时序相关性强的特点，采用具有注意力机制的长短期记忆网络建立遥测数据预测模型.为了克服航天器遥测数据异常标签少、数据维度高的问题，采用微调的迁移学习方法对预测模型进行优化，同时采用全连接层统一不同数据集维度，从而提高了迁移学习模型精度，提升异常检测水平.以美国宇航局公开的两个航天器数据集为实验对象，利用提出的异常检测方法对该数据集异常状态进行识别，结果表明，与经典异常检测算法相比，引入迁移学习能明显提升模型性能，实验结果优于目前常见的异常检测模型，证明了方法的有效性.

剩余寿命预测对于航空发动机设备的安全运行、制定维修计划具有重要的意义.目前现有方法无法有效提取设备复杂工况和复杂故障下的退化特征.针对此问题，提出一种基于多尺度时间卷积网络(MTCN)的发动机寿命预测方法.该方法利用时间卷积网络提取数据时序信息，并通过多尺度卷积核的不同感受野提取设备复杂工况下的退化特征，从而更好地预测极端条件下的设备剩余使用寿命(RUL)值.为了验证所提出方法的有效性，在航空发动机CMAPSS数据集上进行试验.结果表明所提出方法能有效提高设备在复杂工况和复杂故障下的RUL预测精度.

健康状态预测是从系统层面保证航天器在轨安全稳定运行的关键技术.针对机电类关键部件存在性能退化过程的特点，提出一种基于无监督聚类与长短时记忆(LSTM)网络的航天器健康状态预测方法.该方法首先提取航天器单部件多维参数的高维时域特征，通过PCA方法将高维特征融合为反映部件运行状态的健康因子，再结合无监督聚类算法识别出故障的不同演化阶段，最后采用LSTM网络分别对各退化阶段构建其健康状态演化预测模型，实现对航天器部件健康状态预测.本文以控制系统关键部件控制力矩陀螺(CMG)为例对上述算法进行试验验证，验证了方法的有效性.

面向航天器等核心设备设计智能运维方法是构建自主运维能力的关键.得益于机器学习技术的发展，近年来出现的数据驱动智能运维方法极大提升了设备自主能力.然而，航天器设备日益呈现集群化的趋势，传统的智能运维方法面临分布式建模和隐私保护2个关键挑战.利用联邦学习框架构建智能运维模型是解决上述挑战的一种可行思路.航天器设备通常处于计算、通信等资源极为受限的工作环境，不同设备在数据分布、计算能力等方面呈现明显的异构特点，会极大影响联邦学习的性能.因此，针对上述异构特点，利用模型聚簇的思想，设计异构场景下的联邦学习方法，支持各航天器节点间的训练节奏调整，减少不同节点间的同步等待时间，支持面向各节点特征的模型构建，提升运维模型的构建性能.实验结果表明所提出的方法是有效的.

准确预测锂离子电池剩余使用寿命对于掌握其健康状况和管理备件资源具有重要作用.现有锂电池剩余寿命预测方法大多局限于以循环次数为主的预测结果，本质上属于面向单一时间尺度的方法，忽略了锂电池健康状态受循环次数与工作时长双重时间尺度下的退化综合影响的现实问题.提出一种双时间尺度下基于Transformer的锂电池RUL预测模型.该方法选取容量作为表征其性能退化的关键指标，通过Kalman滤波和滑动时间窗对电池容量数据进行处理获取训练集和测试集，有效提取双时间尺度中蕴含的寿命信息，并充分考虑不同时间尺度寿命信息间的相互关系，建立容量与双重时间尺度的映射关系，实现了锂电池在双时间尺度下的RUL准确预测.通过锂电池实例验证了所提方法的有效性和潜在应用价值.