在航天领域,会采用运行稳定性高的星载系统进行程序控制、数据传输以及状态监控。但在空间环境中的辐射因素和高能电子会给系统的稳定运行带来隐患。因此,早期对星载系统的健康评估尤为重要。通常星载系统的健康评估包含以下两个方面:模拟故障注入形成样本数据集和复杂系统故障预测、诊断。本文将围绕这两个方面的内容,针对星载系统中ARM架构的复杂处理器系统展开研究。在系统级仿真开发平台Simics上对典型处理器系统的关键硬件组件和上层应用进行层次化系统级建模,获得故障注入效果快速评估的目标系统。在此基础上,在硬件层的处理器微架构和磁盘寄存器进行单比特翻转故障注入,根据应用程序的执行时间进行系统关键变量的固定时序采样。在此过程中,利用定时控制任务实现了故障注入和时序采集的自动化,降低了人工操作介入导致的时间开销。针对采集获得的系统关键变量时序数据特点,设计了特定的数据标准化、失效模式标注等数据清洗方法,构建{故障源,观测点不确定度,失效标签}组成的结构化故障样本数据集。利用图模型中的贝叶斯网络模型,建立数据驱动的处理器系统中故障传播关系网络,采用半自动化的方式来定义网络拓扑,利用样本学习的方式训练网络的条件概率表,实现“故障源-系统失效行为”的双向概率推理。为了降低观测数据的时序采样开销,尝试使用循环神经网络中的LSTM网络模型对观测节点的时序值进行预测,并级联贝叶斯网络进行系统失效类型预测。通过调整测试中的采样次数,确定了级联模型的采样次数和预测准确率的最优权衡,将采样次数从之前固定50次降低到39次,使得在保持级联模型原有预测精度的前提下,减少了20%的数据采集时间开销。