航天器在轨运行无法像地面装备一样定期维护保养，健康评估与寿命预测是保障长期安全可靠运行的关键支撑。中国人工智能学会白皮书系统阐述了健康评估的三大路径（基于模型、数据驱动、状态估计）和寿命预测的三大路径（基于失效机理、数据驱动、混合模型）。从动量轮轴承温度到锂离子电池内阻，从陀螺漂移系数到星载轴钟频率稳定性——白皮书展示了关键部组件寿命预测的量化方法体系，为在轨决策提供了科学依据。

基于模型的健康评估通过方程组、状态空间模型、物理模型等描述航天器在不同工况下的运行状态，采用仿真技术预测模拟行为，评估性能衰退、零件损坏或故障等健康状况。该方法能够提供细致模拟，但模型建立需考虑系统复杂性和多变性，参数估计与校准需要大量实验数据和专业知识，适用范围有限。

基于数据驱动的健康评估利用统计学（分析数据分布、趋势和相关性）、机器学习（学习模式和规律）和深度学习（神经网络直接建模）三大工具，从海量数据中自动提取系统状态特征并进行故障检测与预测。文献[147]提出基于改进云模型的燃油分配器健康评估；文献[151]提出基于无监督模型的航天器蓄电池健康评估，成功运用于某在轨卫星蓄电池组；文献[155]提出基于可解释信念规则库（IBRB-r）的动量轮健康评估，增强了评估结果的透明性和解释性。

基于状态估计的健康评估利用惯性测量单元、GPS、陀螺仪、加速度计等传感器数据，采用扩展卡尔曼滤波器等状态估计技术对航天器位置、速度、姿态等状态进行实时推测。该方法可实时监测系统状态变化，但传感器误差和外部干扰可能影响估计精度，计算开销也较大。

基于失效机理的寿命预测通过故障模式、机理和效应分析提取预报参数，结合失效机理模型评估剩余使用寿命。常用模型包括维纳退化模型、动态故障树、随机混杂自动机等。文献[159]基于维纳退化模型和EM算法建立动量轮可靠性模型，利用第一次碰撞时间描述失效时间，推导出可靠性函数的显式结果并进行寿命预测。

基于数据驱动的寿命预测通过统计学方法（聚类、高斯分布、隐马尔可夫模型）、人工智能算法（专家系统、神经网络、支持向量机）和形式化方法（Petri网）构建预测模型。文献[161]基于Copula函数的多退化变量陀螺寿命预测，利用陀螺漂移系数样本的标准差数据波动性随时间递增特性，建立方差时变正态随机过程退化模型，得到剩余寿命边缘分布函数。

基于混合模型的寿命预测结合失效机理模型与数据驱动模型，构建模型与模型、数据与数据、模型与数据的多重映射关系。文献[177]提出基于粒子滤波的闭环控制下执行器隐含退化量估计方法，利用权值优选粒子滤波算法在线估计执行器隐含退化量，通过蒙特卡洛仿真计算合理失效阈值，建立基于该阈值的系统失效判断准则。文献[173]开发数据驱动神经网络方法用于航天器驱动部件剩余寿命预测。

动量轮以轴承温度、润滑剂损耗为特征量，综合失效物理模型和在轨遥测数据进行预测；锂离子电池以电量为特征量，采用相关向量机-粒子滤波方法预测；激光陀螺以激光强度和读出强度为特征量，通过多项式拟合外推预测；星载轴钟以频率稳定性为特征量建立Wiener过程模型。这些实践为航天器在轨剩余寿命评估提供了可操作的量化方法。