基于数据驱动的故障检测技术是复杂航天器故障检测研究的重要方法之一,它能够实现复杂航天器的早期故障检测,并为其在轨安全、执行任务提供保障。本论文以飞轮故障检测技术为背景,以统计分析与模式识别的相关技术为基础,研究飞轮的早期故障检测技术,对基于数据驱动的飞轮早期故障检测技术进行深入的研究。主要的研究内容以及成果如下:为了实施飞轮的早期故障检测研究,提出了飞轮的故障建模与数据特征提取的方法。首先,通过飞轮的测点分析,确定飞轮可以提供的观测变量,以及飞轮早期故障检测研究所需的故障类型;其次,根据传感器故障模型、系统故障模型,由飞轮仿真模型生成早期故障检测研究所需的故障数据。最后,考虑飞轮数据的特征提取与数据特征的扰动因素,结合故障检测指标的阈值估计、阈值变异因素,为飞轮的早期故障检测研究奠定基础。针对基于统计分析的飞轮早期故障检测问题,提出了基于改进主元分析和基于高斯混合模型的故障检测方法,分别检测变量为线性相关与非线性相关的飞轮早期故障。基于改进主元分析的故障检测方法通过K-means算法对残差空间的SPE值进行聚类,增加族类个数,降低SPE指标的阈值。K-means算法使改进主元分析方法能及早检测飞轮的故障;基于高斯混合模型的故障检测方法通过增加有限个高斯函数,提高数据的拟合精度,并利用BIP指标检测飞轮的早期故障。最后,通过飞轮的仿真数据与遥测数据验证本章算法的有效性。针对基于模式识别的飞轮早期故障检测问题,提出了基于改进IMS的故障检测方法和基于符号动力学的故障检测方法。当飞轮故障改变多变量的幅值时,基于改进的IMS故障检测方法利用族类代表多变量之间的相互作用,且云模型能给出故障检测结果的置信度。与IMS的故障检测结果相比,改进IMS的故障检测结果更加准确、合理。而当飞轮故障改变单变量的周期时,基于符号动力学的故障检测方法利用符号动力学提取飞轮电流的周期特征,并通过字符概率距离的阈值实现飞轮的早期故障检测。通过飞轮的仿真数据验证本章算法的有效性。针对储能飞轮的早期故障检测问题,提出了一种基于智能聚类与主元分析的故障检测方法。该方法不需要故障知识,且具有很强的自适应能力。储能飞轮是一种近年来出现的新型飞轮系统,它将姿态控制与充电、放电功能相结合,储能飞轮的功能切换与系统故障难以区分。为了检测储能飞轮的早期故障,利用OPTICS算法的可达距离图自动识别储能飞轮的功能个数,并采用K-means算法将观测数据划分为不同的族类,且族类代表储能飞轮的不同功能,利用SPE指标检测各族类所对应的系统故障。最后,通过储能飞轮的仿真数据验证本章算法的有效性。