复杂的太空环境“危险”重重,太空垃圾、温度变化等突发因素都可能随时导致航天器异常故障;航天器系统功能日趋丰富与完善,集成化、智能化和综合化程度不断提高,致使航天器结构愈加复杂,在轨故障率明显增加。以预测技术为核心的航天器系统故障诊断与健康管理(PHM)技术引起了国内外众多学者的持续关注。航天器电源系统是航天器必不可少的最重要的组成部分,电池寿命又是航天器电源系统最主要制约因素。因此,提取衡量航天器电池性能退化程度的特征指标,构建有效的电池性能退化预测模型具有非常重要的现实意义和应用价值。本文介绍了有关航天器电池的发展、特点和性能。在此基础上,提出了一种新的航天器电池性能退化特征指标—“放电末态电压值”。首先,采用NASA数据集验证了该指标的有效性;然后,将该指标应用于真实卫星电池的性能退化建模研究中,利用放电电流、放电持续时间、温度和时间等作为优化神经网络的输入,“放电末态电压值”作为输出,训练网络;最后,因为“放电末态电压值”受到多种外界环境因素的影响,为了在相同工况下研究卫星电池性能退化趋势,本文将放电电流、放电容量、环境温度、放电持续时间设置为常数(即不考虑上述参数的影响),单独演进时间,利用训练好的优化神经网络模型输出“随时间演进的放电末态电压值”,进而通过该指标反映航天器电池性能退化趋势。锂电池凭借其“高比能量”等优良性质,已经越来越多应用于航天器中,并成为未来航天器最主要的电池,我国也在大力发展航天器锂电池,锂电池的性能极大程度影响到了航天器的稳定性,因此,本文对锂电池的性能退化趋势进行了建模方法研究。锂电池在性能退化时的“容量再生”及波动现象使其性能退化曲线非常复杂,传统的时间序列模型(如自回归集成滑动平均模型)和回归模型(如高斯过程回归)均无法准确预测锂电池的性能退化曲线,存在着对“容量再生”及波动现象不敏感,长期预测准确性差等问题。对此,本文提出了多尺度ARIMA和GPR融合模型,利用经验模式分解方法有效提取出电池性能下降曲线的全局退化趋势和局部“容量再生”及波动现象,该融合模型使用ARIMA模型拟合电池性能下降曲线的全局趋势,使用改进的GPR模型拟合电池性能下降曲线的局部“容量再生”及波动现象,结合两种模型的拟合结果获得锂电池性能下降预测曲线。通过NASA电池数据实例分析,融合模型能够很好捕捉电池真正的性能退化趋势,明显提升了长期预测的准确性,并得到的预测结果的95%置信区间,对管理人员的决策判断具有重要的意义。