随着我国航天事业的蓬勃发展,在轨航天器的数量逐年增多,其控制精度高、工作模式多、复杂度高等特点给地面管理工作带来了极大的挑战。航天器从正常到失效期间,通常会经历长时间的性能退化阶段。若能够提前检测出航天器性能退化程度,评估航天器当前的运行状况,就可以有针对性地调整其工作状态进而防止航天器失效的发生。性能退化分析作为一种新的分析方法,是检测性能退化程度的重要手段,也为高可靠性产品的寿命预测提供了新的途径。然而,使用传统的退化分析方法对航天器进行性能退化分析,会面临试验难度大、成本高等诸多问题。航天器在轨监测管理过程中产生了大量的遥测数据,激增的数据中蕴含着重要的航天器性能退化信息和知识,亟需进一步挖掘和分析。本文以航天器大数据为对象,综合统计学习及数据挖掘相关理论和技术,深入开展了航天器性能退化分析方法的相关研究,具体包含如下几个方面:(1)从理论分析和工程应用角度出发,分析了性能退化分析技术、大数据相关的数据挖掘技术以及航天器性能退化分析与预测等方面的国内外发展现状,总结了当前亟需解决的问题,阐述了本文的选题背景和研究意义。(2)针对航天器遥测大数据特点,介绍了处理遥测大数据的Hadoop实验平台部署情况,并给出了在数据平台中相应的数据预处理结果。航天大数据的数据预处理包括野值剔除、特征提取等步骤,使后期算法在处理时具有较高的精度和效率;计算并比较了工程领域常用特征指标对航天器性能退化的反映能力,实验表明常用特征对航天器的性能退化不敏感。(3)提出了使用样本熵作为航天器性能退化特征指标,结合支持向量数据描述理论提出了一种新的性能退化分析方法。该方法综合多个参数的退化信息,能够反映航天器部件的性能退化情况,解决了航天遥测大数据处理困难,常用特征指标分析退化效果不明显的问题。(4)针对航天器关键退化度量参数受周期性因素影响明显的问题,为有效提取退化趋势并对参数预测,提出了一种时间序列分解的周期性参数的预测方法。该方法使用时间序列分析的方法对周期性参数分解,然后分别预测,最后再组合成最终预测值。实验证明,该方法对航天器周期性参数的趋势预测具有较高的精度,对退化趋势的描述具有实际意义。经扩展后,可进一步应用于卫星寿命的预测。本文研究方法和软件系统已在某卫星在轨性能分析软件系统中应用,取得了较好的效果。