目前设备维护时常采用被动维护方式，即在设备出现问题后才进行维修护理，这种方式因具有事后性、无预见性，难以保障设备高效运行。研究设备的主动维护技术，通过对设备的历史数据、动态运行数据进行收集和分析，建立设备故障诊断及其预测专家库和健康状况的评估机制，使其对设备故障的产生具有预见性，最大限度保障设备的健康运行。本文根据某单位预研需求，为进一步提高设备维护方式的先进性，从该单位卫星地面站数据采集监测系统中的设备故障案例出发，重点以该系统中的数据存储硬盘、锂电池电源2个重要模块作为研究对象；为满足故障诊断及其预测要求，首先分析了设备的特性，然后进行设备维护方式适用性研究和机器学习算法优化研究，目的是探索一种适用于该项目设备主动维护的机器学习有效方法。主要研究内容如下：
　　1、针对案例的故障树、专家系统推理中的定性故障诊断存在开放性差且更新难的问题，提出了快速索引方式的词频-逆向文件频率结合语义相似度的中文问答故障诊断方法；同时加入问答结果评分和专家干预的增量学习机制，通过实验，验证了该诊断方法的可行性及适用性，解决了新案例知识学习及其专家知识更新难的问题。
　　2、针对磁盘的自我监测、分析及报告技术（SMART）中的属性选择不当，造成基于长短期记忆神经网络算法的磁盘故障预测效果不理想的问题，提出了信息增益比率结合绝对距离的属性融合方法，并根据融合属性的特性制定了相应的磁盘健康度评估策略。在Backblaze服务商提供的磁盘SMART属性数据集中，进行故障预测实验，验证了该方法的适用性及可行性。
　　3、针对单模型的随机森林回归（RFR）算法，在锂电池周期性放电终止时间和健康状态预测过程中，存在适应性差及在线更新过程代价大的问题，提出了多模型近邻匹配结合在线更新的RFR方法。在美国国家航空航天局官网公开的锂电池放电数据集中，进行放电终止时间和健康状态预测实验，验证了该方法的可行性及适用性。并加入时间窗口动态误差的增量学习机制，实现对锂电池放电过程的新数据和异常数据的自统计收集过程。
　　4、为验证上述研究成果，开发了设备维护管理软件实验平台，同时研制了磁盘和单节锂电池故障诊断及预测方法实物验证平台。多组实验数据表明，本文所研究的机器学习优化算法对于设备故障诊断及预测具有有效性，对于设备主动维护具有适用性。