随着航天技术的不断进步，高可靠、长寿命以及可重复使用成为未来航天器的主要发展方向。电源系统作为航天器的关键子系统，提高电源系统的状态监测水平对于提升电源系统乃至整个航天器的可靠性、安全性以及可维护性具有重要意义。作为提升系统状态监测水平的有效措施，航天器电源系统故障诊断与健康评价在特征提取、信息处理、故障诊断方法以及健康评价等方面还存在诸多问题，航天器电源系统状态监测水平仍未取得实质的提升。为此，基于航天器安全、可靠的实际应用需求，为了全面提升航天器的状态监测水平，进一步提高航天器的可靠性、安全性以及可维护性，强化航天器的在轨自主控制能力，开展电源系统故障诊断与健康评价研究显得尤为重要。
　　本文通过对航天器电源系统故障诊断与健康评价技术现状进行阐述，并结合电源系统应用角度，分别从部件和系统两个不同层级对故障诊断与健康评价技术存在的问题进行分析。本文针对航天器电源系统故障诊断与健康评价中亟待解决的关键技术开展了相应的研究，主要包括部件级的故障特征提取与传感器布局技术、系统级的数据增强与故障诊断技术以及系统级的健康评价技术。
　　部件级的故障特征提取研究是电源系统故障诊断与健康评价研究的基础，同时也是故障诊断与健康评价技术在结合对象的应用过程中亟待突破的难点。针对航天器电源系统中在轨故障概率较高的太阳能电池，通过分析太阳能电池的低频阻抗特征，提出了利用低频阻抗特征对太阳能电池阵内的开路、短路故障进行定量故障诊断的方法，和以太阳能电池外特性作为故障特征的诊断方法相比，基于低频阻抗特性参数的方法不易受到外部环境因素的影响，且近似线性的故障特征变化规律更有利于实现状态变化过程的连续监测。在此基础上，结合系统其余关键部件的故障特征，利用多信号流图模型，构建用于电源系统测试性分析的D矩阵。根据测试性分析的结果，对系统测试进行优化，从而确定系统传感器布局，为系统的故障诊断与健康评价数据来源提供支撑。
　　为了解决大量传感器数据处理效率低、对地传输困难的问题，本文创新性地提出了航天器数据降维技术，实现多传感器数据增强，为后续的系统级研究工作奠定基础。本文针对航天器电源系统多传感器数据有效信息密度低的问题，结合系统监测与故障诊断的实际应用需求，提出了开展融合故障传播特性的电源系统多传感器数据降维研究。基于电源系统故障传播特性，建立电源系统多变量权重分析矩阵，实现了基于电源系统故障传播特性的多传感器数据关联性的规范表达；进一步将基于知识的定性方法与基于数据的定量方法相结合，剔除多源数据中与故障无关的冗余信息，降低了多传感器数据的维数，使得利用有限的通讯带宽传输与系统故障密切相关的传感器数据成为可能，从而达到了多传感器数据增强的目标。
　　在故障诊断技术研究中，本文引入了具有自主学习能力深度学习模型，对模型原理、应用以及训练过程进行了研究。通过构建基于深度学习思想的堆叠稀疏自编码模型，学习航天器电源系统多传感器数据特征，建立故障诊断模型，并对影响模型特性的参数进行了分析。研究及试验结果标明，利用深度学习模型，一方面，堆叠稀疏自编码模型增加了高层次特征提取的阶数，相比于神经网络模型以及分层模型，电源系统故障诊断的准确率得到明显的提升；另一方面，堆叠稀疏自编码模型同样继承了分层模型的优点，在诊断准确率得到提升的同时，系统故障诊断的置信度也得到了保证。
　　系统级的健康评价技术是电源系统状态监测的“外环”，即建立在故障诊断的基础上，对电源系统的健康状态进行评价。持续性的电源系统健康评价有利于实现从“宏观”角度对电源系统的运行状态进行全程监测。本文首先分析了层次分析法在分层形态多准则指标体系中的应用不足，提出了更具有一般性的非线性评价度量转换方法；其次，在建立电源系统健康评价指标体系的过程中，提出综合电源系统设计以及环境因素的影响，建立分层式多维度的健康综合评价指标体系，并采用灰色聚类方法对评价指标进行度量。
　　系统级的综合验证技术研究包括故障诊断与健康评价软件设计以及综合验证平台构建。本文遵循现有的航天器运行管理架构，在不改变原有的系统感知网络以及系统数据管理结构的前提下，基于.NET技术开发了航天器电源系统故障诊断与健康评价综合验证平台。试验结果证明了航天器电源系统故障诊断与健康评价系统的各项功能可以满足应用需求，并在此基础上对故障诊断与健康评价系统的应用进行了探索研究。