随着我国综合国力的加强、航空航天技术的快速发展,卫星的应用越来越广泛,越来越重要。通过延长在轨卫星的服役期限、提升在轨卫星的运行稳定性可提高卫星资源利用率,充分发挥卫星的作用。卫星故障诊断技术作为实现上述目标的重要手段之一,得到了工业界和研究界的重视,近几年得到了快速的发展。在对卫星故障诊断的相关技术进行深入分析和研究的基础上,本文面向在轨运行卫星故障诊断的实时性、高准确率需求,针对卫星故障发生率低,已有故障样本少,以及卫星运行状态参数众多的特点,提出基于支持向量机(SVM)的卫星故障诊断方法,在此基础上,研究提出了一种多模型支持向量机(MM-SVM)技术,并通过已有的卫星运行状态真实数据对MM-SVM的有效性进行了试验,试验表明MM-SVM的准确率达到了100%,远远高出其它故障诊断方法。本文的具体工作如下:(1)对当前卫星故障诊断技术的研究现状进行了详细分析,通过对传统卫星故障诊断技术和基于数据驱动的卫星故障诊断技术的对比分析,结合当前卫星运行状态监测技术的发展,卫星在轨状态数据越来越丰富这一有利因素,选择了基于数据驱动的卫星故障诊断技术作为本文的研究方向。(2)由于卫星研制水平的不断提高,故障数据越来越少,故障样本数目极其有限,已有基于数据驱动的故障诊断技术在性能和准确率方面都不能很好满足卫星故障实时诊断的要求,本文提出了一种基于SVM的多模型支持向量机(MM-SVM)故障诊断技术,首先将卫星参数进行分类,针对每一类卫星参数,通过样本学习建立相应的SVM故障诊断模型,然后按照“大多数投票”的组合规则对卫星运行故障进行诊断。(3)针对卫星状态数据规模大、维度高,传统的数据仓库技术性能较低,不适合卫星故障诊断时效性要求的问题,本文将大规模分布式数据管理平台Hadoop与数据挖掘软件R进行了集成,设计实现了一个分布式数据仓库HR系统,并在该系统中实现了MM-SVM故障诊断。(4)采用多年积累的卫星在轨运行状态数据和故障记录,基于HR对MM-SVM进行了试验和优化,并与其它几种常用的卫星故障诊断技术进行了对比测试,结果表明,MM-SVM相比于其它故障诊断方法而言具有更高的准确率、更低的误报率,且漏报率为0。