随着我国航天事业的快速发展,卫星运行管理中传统的基于阈值的实时监控系统逐渐无法满足大规模的卫星监控需求,特别是无法实现对卫星系统潜在异常和故障的提前预知,直接影响对卫星系统实施故障处置的效率。本文提出在轨卫星飞轮温度预测方法,能够给地面监控人员赢得宝贵的危机应对时间,更好地对卫星进行在轨运行管理。飞轮温度作为反映卫星姿态控制系统运行状况的重要参数,是地面监控系统长期监测的安全指标之一。飞轮发生故障不仅导致卫星任务无法正常开展,还可能中断正在执行的卫星业务,甚至引起安全性风险。目前,飞轮温度的主要监测方法是基于阈值的实时监控,这种方法在发生故障后着手处置,无法提前发现潜在异常并及时准备处置预案,实施快速故障恢复。针对以上问题,本文基于低轨道在轨卫星遥测数据和卫星在轨外部空间环境数据,研究卫星飞轮温度预测方法,运用机器学习算法和时间序列算法,建立梯度提升决策树(GBDT)和自回归积分滑动平均(ARIMA)融合的飞轮温度预测模型,对未来不同时长的飞轮温度进行预测研究。基于本预测模型可建立卫星飞轮的辅助监控和预警系统,为提前发现卫星飞轮的潜在故障,保障卫星无间断在轨运行提供支持。本文主要工作如下:⑴设计了多分辨率卫星遥测数据融合算法。基于卫星遥测数据和空间环境数据的时间分辨率多样特点,提出了针对性的多分辨率遥测数据融合算法及流程,该方法可以在保障卫星遥测数据完整性的同时,完成多种时间分辨率的遥测数据融合,为卫星遥测数据的综合分析奠定基础。⑵提出卫星飞轮温度预测的建模思路及预测方法。将卫星飞轮温度预测问题形式化,应用时间序列预测法和回归分析预测法,分别对飞轮温度预测模型的建模思路进行分析。提出针对卫星飞轮温度的预测方法及预测流程,该预测流程对于各类卫星飞轮系统具有一定的适用性。⑶研究并选择适合飞轮温度预测的预测算法。对主要的回归预测算法和时间序列预测算法进行汇总,对比分析各算法的优劣及适用范围,基于卫星飞轮温度预测需求,最终选择出GBDT算法和ARIMA算法,作为飞轮温度预测的最佳算法。课题对算法选择的过程和结果可以为后续研究提供参考。⑷通过算法训练与模型融合,构建卫星飞轮温度的预测模型。基于决策树算法和时间序列算法,利用卫星遥测数据和空间环境数据进行模型训练,分别建立GBDT预测模型、ARIMA预测模型,并通过模型融合适应不同预测场景,提升预测准确度,成功对不同时间间隔的飞轮温度进行了预测,将飞轮温度由实时监控升级为预测预警。实验结果表明,卫星飞轮温度预测研究的最优均方根误差RMSE为0.5495,能够满足地面监控系统预测预警需求。本研究成果可以降低地面人员监控压力,提前发现卫星飞轮系统的潜在异常,也可以为卫星其他遥测参数预测研究提供参考。论文的主要创新点是:⑴提出了基于GBDT和ARIMA算法的融合预测模型,并应用于卫星飞轮温度的预测,提高了预测准确度与适应性;将飞轮温度监控升级为预测预警,降低地面监控人员的工作压力,为故障恢复争取宝贵的反应时间,提前规避安全隐患。⑵提出了多分辨率卫星遥测数据与空间环境数据融合方法,在保证数据信息完整性的同时,将多种时间频率的数据归一化,为模型训练和预测奠定基础。⑶从数据相关性分析角度得出飞轮温度的主要影响因素,为后续飞轮温度研究及故障定位提供思路。