动量轮作为卫星姿态与轨道控制系统关键组件,其寿命决定整星寿命。由于卫星动量轮具有长寿命、无失效数据、小子样等特点,目前已经存在的动量轮寿命预测与可靠性评估方法大部分都是基于性能退化数据的预测研究方法。然而传统的基于性能退化的预测研究方法一般都是基于模型的方法,需要事先给定退化轨道的数学模型,由于各模型之间的差异性以及动量轮性能退化数据的复杂性,传统的基于性能退化数据的预测方法往往不能达到预测精度要求。基于此,本文以卫星动量轮为研究对象,将动量轮轴温在轨遥测数据作为其性能退化数据,提出了一种基于支持向量机的数据驱动预测算法,不再预先假设退化轨道的数学模型,而是利用支持向量机强大的学习能力从性能退化数据中寻找规律、建立模型,并在此基础上估计其寿命分布,评估其可靠性水平,为解决动量轮寿命预测问题提供了一条新的思路。论文主要工作如下:(1)引入时间序列分析中的相空间重构方法与遗传算法对文献[28]中SVR-AR方法进行改进,建立基于PSRT-SVR的时间序列预测模型,提高了预测精度,并为基于EMD-SVR的寿命预测模型的建立打下了坚实的基础。(2)将经验模式分解、多项式拟合、动量轮失效机理以及基于PSRT-SVR的时间序列预测建模方法结合起来提出基于EMD-SVR的寿命预测方法。(3)选取轴温为动量轮寿命特征值,利用轴温的在轨遥测数据进行建模,对卫星动量轮进行寿命预测与可靠性评估,校验基于EMD-SVR的动量轮寿命预测模型性能。结果表明,预测结果精度较高,此预测建模方法能够较好的解决动量轮寿命预测问题。论文最后对全文主要的工作进行了总结,并对进一步研究内容进行了展望。