卫星通信系统具有覆盖范围广、通信距离远、通信质量高等优点,在海、陆、空等领域中发挥着重要作用。卫星通信系统一旦发生故障不仅会影响其工作的安全稳定性,甚至会导致整个通信系统失效、陷入瘫痪状态,从而造成经济损失,所以迫切需要由事后维修转向事前维修。作为通信系统的重要组成部分,模拟电路是造成系统故障的重要原因。因此,广大学者投入对模拟电路故障预测方法的研究中去。模拟电路故障预测的思想是根据电路历史运行数据,准确的预测出未来的运行趋势,为提前维修提供依据,保障电路可靠性。由于卫星通信系统复杂度较高,其故障的发生一般以设备为单元,但是更换设备成本较高,对于一些轻微元器件故障来说存在维修过剩的问题。因此,本文分别对元器件级和设备级的故障预测方法开展了研究,主要工作和创新点如下:1、元器件故障预测方法研究。元器件故障预测主要包括故障特征提取和故障预测两个关键技术。针对模拟电路早期故障信号特征不明显,传统特征提取方法对人工依赖性大,难以提取深度和本质特征的问题,本文采用PSO-DBN网络进行特征提取。针对当前预测方法不能充分挖掘特征的时序性、不能有效结合历史数据的问题,本文引入相对熵-LSTM网络进行故障预测。首先利用PSpice仿真软件搭建Sallen-Key带通滤波电路,进行蒙特卡洛分析,将采集的电路输出电压频响作为PSO-DBN网络的输入进行特征提取。然后将提取出的故障特征通过相对熵计算得到表征电路健康状态的健康度,最后将健康度作为LSTM网络的输入进行的故障预测。通过KPCA对提取的特征进行可视化处理,可以看出PSODBN网络提取的特征分离度高于传统小波包特征提取的分离度。同时,电路预测结果表明,与BP神经网络相比,相对熵-LSTM网络有较高的故障预测精度,且其能有效避免人工干预,便于进一步的工程实践。2、设备级故障预测方法研究。针对设备级故障因素复杂,单一变量表征设备故障的可靠性低,多变量表征设备故障复杂度高的问题,本文提出了一种基于Spearman相关系数和BP神经网络的故障预测方法。首先建立Spearman和BP神经网络相结合的预测模型,通过Spearman相关系数计算C-MAPSS数据集出21个特征的单调性,然后根据设备退化不可逆的特性,选取单调递增的特征作为故障特征,有效降低特征间的冗余度,同时降低了数据集的规模。将保留的特征划分为训练集和测试集输入BP神经网络进行故障预测。实验结果表明,Spearman和BP神经网络相结合的预测精度比BP神经网络提高了3倍左右,验证了方法的有效性。3、故障预测系统的设计与实现。为了对文中提出的理论模型和仿真结果进行可视化操作验证,本文设计并开发了相应的故障预测系统,包括状态监测和故障预测两个功能模块。实现了电路图、监测结果和预测结果的直观可视化,并以元器件R4故障为实例,演示验证了本系统的可靠性。