卫星在轨寿命预测是直接影响航天设备建设与发展的重要问题,而卫星寿命预测涉及其关键暴露件材料性能退化规律的研究,所以卫星关键暴露件在轨性能退化规律预测就变得至关重要。目前采用的预测方法大多是通过物理模拟实验进行数学建模,有一定的局限性,而且会耗费大量的人力、物力和时间,往往不能达到预期的效果。为此,本文提出了一种改进的RBF网算法,对卫星关键暴露件在轨性能退化规律进行建模,提供一种利用计算机辅助物理实验外推材料性能退化曲线的方法。卫星暴露件材料的性能退化规律预测可以归结为时间序列预测的一个应用,本文介绍了时间序列预测的相关问题,通过一个实例简要说明解决时间序列预测问题的主要过程,并概述了时间序列预测的研究现状,然后详细介绍了一种典型的神经网络方法——RBF网及其常用训练算法,讨论了这些方法的优缺点。一种应用较为广泛的RBF网训练算法是基于k-均值聚类和梯度下降(Least Means Square,简称LMS)的训练算法,其主要优点是算法简单、准确度较高,该算法通过k-均值聚类获得隐含层节点中心向量的值(基函数为高斯函数),缺点是独占性强即每一个样本被完全的归为某一类;利用LMS学习隐含层到输出层的权值,缺点是迭代计算步长太大,收敛速度慢。为此,本文提出一种基于模糊c-均值聚类(Fuzzy C-Means,简称FCM)聚类和具有自适应学习速率(Adaptive Learning Rate,简称ALR)的近似LMS的RBF网训练算法,有效地抑制了原始算法的独占性,加快了学习收敛速度,从而提高了预测精度。针对时间序列预测的特性和本课题应用背景的特点,本文提出了卫星关键暴露件(热控涂层)在轨性能退化规律预测实验方法,主要包括数据的转换处理、网络拓扑结构的确定,以及具体的实验操作过程,最后通过两种算法实验结果的比较来阐述本文所提出的改进算法的有效性和实用性。最后,本文实现了一个卫星在轨寿命预测演示系统。该系统主要包括寿命预测功能、子系统集成功能、统一模型表示功能和图形显示功能。