航天器故障诊断与预测对于航天器系统的发射和正常运行必不可少，是保障航天器正常运行和提高效能的有效手段。北京航天测控技术开发公司在航天器故障诊断和预测技术方面做了大量深入的研究开发工作，并在航天工程中得到应用。本系统是基于航天器知识表示方法，采用案例与规则相结合的故障诊断方法、与状态和事件关和无关的参数预测方法，实现对航天器的故障诊断和预测。
航天器知识是指导人们诊断航天器数据的基本原则和经验的总结，它提出每一个遥测参数在不同的条件下的变化规律。一个航天器是一个复杂的大系统，其参数之间的关系错综复杂。判断一个参数是否正确，需要考虑许多相关条件，不同的外界条件下，参数的变化规律和判断方法各不相同。因此航天器知识表示是故障诊断和预测需要首先解决的问题。
知识的表示形式：为产生式规则与面向对象相结合的知识表示方法，按照不同的业务，规则的类型分为参数、指令、事件等规则。
知识的组成和形式：规则主要由规则语句组成，规则语句主要由规则关键字、前件、后件等部分组成。主要形式为：“if 前件 then 后件”。规则的前件主要包括遥测参数的状态、指令发送情况、地面设备状态、时间等。规则的后件主要包括期望范围、期望值、期望变化规律、变量赋值等。
知识表示覆盖的范围：航天器参数的一般变化规律主要有两类，一是在给定范围内变化，即某个区间的上下限，二是按某种趋势变化，主要包括简单趋势（上升或下降）、按曲线变化的趋势等。知识表示和知识录入时，遵循“条件+期望值”的原则。主要包括以下一些情况：数值在一固定范围内变化的知识；可由其他遥测参数经过四则运算或逻辑运算得出变化范围的知识；可由遥控指令的发送情推算出变化范围的知识；经过特定时间后到达指定范围的知识；当前数据与前一次值或特定时刻数据相比变化量在一定范围内的知识；变化 率、最值等在一定范围内的知识；趋势变化（递增、递减、阶跃、脉冲等）的知识等等。
航天器故障诊断和预测系统流程主要包含数据预处理、数据传输、特征提取、状态监测、故障诊断、故障预测、决策等过程。首先对航天器数据进行预处理，剔除野值并填充空值，经过数据传输后，进行航天器特征提取，开始进行状态监测，之后进行故障诊断。故障预测利用故障诊断的结果、状态监测得到的历史监测数据以及历史统计数据来进行对故障的预测，最后根据诊断和预测的结果进行决策。
一、故障诊断
故障诊断采用基于规则和案例相结合的方法。对一个待求解决的故障诊断问题，首先启动基于案例的揄，如果未发现以前有类似问题求解，则转向基于规则的揄。如果案例中仍有部分相似，仍然可以对案例进行修改，由用户确认后继续进行揄。二者之间的协调和控制通过黑板进行。黑板是存放问题状态数据的全局数据库，是动态刷新的，可由多个板区组成。知识源改变黑板且导致获得问题的解，知识源之间的通信和交互仅仅通过黑板才能实现。
故障诊断系统的总体结构主要由以下几个部分组成：
1、人机交互界面。完成人机交互、诊断问题形成和结果显示，分析用户提交的问题并加以分解综合后转化成系统可以理解的语言送至黑板。
2、黑板。利用元板推理指导基于规则推理诊断模块和基于案例诊断模块相互配合，共同完成诊断任务。元推理使用的元知识主要包括启发性知识，策略性知识，结构性知识和支撑性知识。
3、基于规则推理诊断模块。如检索不到类似案例，在黑板的指导下结合知识库管理模块，基于元级推理和分级推理，完成预测任务。
4、基于案例推理诊断模块。基于案例推理和案例库对黑板提交的问题进行诊断。
5、诊断方案修正模块。对案例进行编辑、修改，并通过人机交互界面由用户确认。
6、知识库管理模块。管理案例库和规则库，根据推理要求调入相关知识。
二、故障预测
经过预处理后的数据主要有两类：与航天器运行状态和事件无关的参数和有关的参数。对于前者主要利用时间序列预测的方法，对于后者主要利用因果预测的方法。
时间序列预测中，又包括实时预测和趋势预测两种情况。在实时预测过程中，如果基于历史数据训练，则利用BP神经网络、支持向量机等神经网络方法；如果主要依赖于最近的数据而不是更多地依赖于历史数据来进行实时预测，则利用自适应指数平滑和ARMA模型等合适的方法。在趋势预测过程中，主要包括两类不同的数据，一类是缓变数据，预测方法采用BP神经网络和支持向量机预测；一类是快变数据，预测方法彩适合的小波分析模型预测方法。因果预测中，对长期历史数据进行因果和相关预测，采用的预测方法是（非线性）回归分析预测、神经网络回归预测等方法。针对预测结果，还需要利用融合技术（如最优组合预测法、神经网络组合预测法等）对预测结果进行融合后，最后进行显示。
在本系统的实现过程中，适用于参数突变的模型是小波预测模型，该模型具有多分辨率、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具有一定的预测能力。
适用于基于少量数据的参数缓变的预测模型包括：自适应指数平滑预测和ARIMA模型。
适用于基于大量历史数据的参数缓变的预测模型为神经网络模型包括：BP神经网络模型，适合处理大量数据的统计问题，其训练速度和稳定性都得到认可；支持向量机（SVM）模型，SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。由于SVM的求解最后转化成二次规划问题的求解，因此SVM的解是全局唯一的最优解。
