作者：(美)迈克尔·派克(Michael G.Pecht),(美)康明守(Myeongsu Kang) 编 黄云,周振威,时林林 译
页数：492
出版社：电子工业出版社
出版日期：2025
ISBN：9787121495038
电子书格式：pdf/epub/txt
内容简介
本书由美国马里兰大学先进寿命周期工程中心（CALCE）Michael G.Pecht教授和Myeongsu Kang博士共同编写，系统介绍了在物联网和人工智能背景下电子产品故障预测与健康管理的理论基础、技术方法及应用案例。本书主要内容涵盖PHM概述、PHM传感系统、基于失效物理的PHM、机器学习（基本原理、数据预处理、异常检测、诊断与预测）、预测学的不确定性、PHM成本和投资收益、PHM维护决策、电子电路健康和剩余使用寿命估计、基于PHM的电子产品认证、锂离子电池PHM、发光二极管PHM、医疗卫生PHM、海底线缆PHM、互联车辆的故障诊断与故障预测、PHM在商用飞机中作用、电子产品PHM软件、e-维护、物联网时代的预测性维护、电子产品PHM专利分析、电子密集型系统PHM技术路线图等。
作者简介
Michael G. Pecht博士，获得了美国威斯康星大学麦迪逊分校物理学学士学位、电气工程硕士学位、工程力学硕士和博士学位。资深工程师，同时是IEEE、ASME、SAE和IMAPS的会士。发表技术论文700余篇，拥有专利8项。
实验室可提供从材料到整机设备、从硬件到软件直至复杂大系统的认证计量、试验检测、分析评价、数据服务、软件评测、信息安全、技术培训、标准信息、工程监理、节能环保、专用设备和专用软件研发等技术服务。实验室具有多项认证、检测资质和授权，建立了良好的国际合作互认关系，可在世界范围内开展认证、检测业务，代表中国进行国际技术交流、标准和法规的制订。同时，作为工业和信息化部的直属单位，为部的行业管理和地方政府提供技术支撑，为电子信息企业提供技术支持与服务，每年服务企业过万家。
目录
第1章 PHM概述 （1）
1.1 可靠性和故障预测 （1）
1.2 电子产品PHM （2）
1.3 PHM方法 （4）
1.3.1 基于PoF方法 （4）
1.3.2 预警电路 （10）
1.3.3 数据驱动方法 （11）
1.3.4 融合PHM方法 （16）
1.4 系统体系PHM的实施 （17）
1.5 物联网时代下的PHM （18）
1.5.1 物联网驱动的PHM应用：制造业 （19）
1.5.2 物联网驱动的PHM应用：能源生产 （19）
1.5.3 物联网驱动的PHM应用：运输和物流 （20）
1.5.4 物联网驱动的PHM应用：汽车 （20）
1.5.5 物联网驱动的PHM应用：医疗设备 （20）
1.5.6 物联网驱动的PHM应用：保修服务 （21）
1.5.7 物联网驱动的PHM应用：机器人 （21）
1.6 总结 （21）
原著参考文献 （22）
第2章 PHM传感器系统 （23）
2.1 传感器基础和传感原理 （23）
2.1.1 热传感器 （24）
2.1.2 电传感器 （24）
2.1.3 机械传感器 （25）
2.1.4 化学传感器 （25）
2.1.5 湿度传感器 （26）
2.1.6 生物传感器 （27）
2.1.7 光学传感器 （27）
2.1.8 磁传感器 （27）
2.2 PHM传感器系统 （28）
2.2.1 待监测参数 （29）
2.2.2 PHM传感器系统性能 （29）
2.2.3 PHM传感器系统的物理属性 （30）
2.2.4 PHM传感器系统的功能属性 （30）
2.2.5 可靠性 （33）
2.2.6 可用性 （33）
2.2.7 成本 （34）
2.3 传感器的选择 （34）
2.4 PHM实施的传感器系统案例 （35）
2.5 PHM传感器技术的发展趋势 （38）
原著参考文献 （39）
第3章 基于失效物理方法的PHM （40）
3.1 基于失效物理的PHM方法论 （40）
3.2 硬件架构 （41）
3.3 载荷 （42）
3.4 失效模式、机理及影响分析（FMMEA） （42）
3.4.1 电子设备FMMEA案例 （45）
3.5 应力分析 （46）
3.6 可靠性评估和剩余寿命预计 （48）
3.7 基于失效物理的PHM输出 （50）
3.8 基于失效物理的PHM方法使用过程的注意事项和关注点 （51）
3.9 失效物理与数据驱动融合的故障预测 （52）
原著参考文献 （52）
第4章 机器学习的基本原理 （53）
4.1 机器学习的类型 （53）
4.1.1 监督学习、无监督学习、半监督学习和强化学习 （54）
4.1.2 批量学习和在线学习 （55）
4.1.3 基于实例的学习和基于模型的学习 （56）
4.2 机器学习中概率论的基本原理 （56）
4.2.1 概率空间和随机变量 （57）
4.2.2 分布、联合分布和边缘分布 （57）
4.2.3 条件分布 （57）
4.2.4 独立性 （57）
4.2.5 链式法则和贝叶斯准则 （58）
4.3 概率质量函数和概率密度函数 （58）
4.3.1 概率质量函数 （58）
4.3.2 概率密度函数 （59）
4.4 均值、方差和协方差的估计 （59）
4.4.1 均值 （59）
4.4.2 方差 （59）
4.4.3 协方差的稳健估计 （60）
4.5 概率分布 （60）
4.5.1 伯努利分布 （61）
4.5.2 正态分布 （61）
4.5.3 均匀分布 （61）
4.6 最大似然估计和最大后验估计 （61）
4.6.1 最大似然估计 （62）
4.6.2 最大后验估计 （62）
4.7 相关性和因果性 （63）
4.8 核技巧 （63）
4.9 性能指标 （65）
4.9.1 诊断指标 （65）
4.9.2 预测指标 （68）
原著参考文献 （69）
第5章 机器学习的数据预处理 （70）
5.1 数据清洗 （70）
5.1.1 缺失数据处理 （70）
5.2 特征归一化 （72）
5.3 特征工程 （73）
5.3.1 特征提取 （73）
5.3.2 特征选择 （77）
5.4 不平衡学习 （80）
5.4.1 不平衡学习的采样方法 （80）
原著参考文献 （82）
第6章 机器学习的异常检测 （83）
6.1 引言 （83）
6.2 异常类型 （85）
6.2.1 点异常 （85）
6.2.2 上下文异常 （85）
6.2.3 集合异常 （85）
6.3 基于距离的方法 （86）
6.3.1 采用逆矩阵方法的MD计算 （87）
6.3.2 采用Gram-Schmidt正则化方法的MD计算 （87）
6.3.3 决策准则 （87）
6.4 基于聚类的方法 （89）
6.4.1 k均值聚类 （90）
6.4.2 模糊c均值聚类 （91）
6.4.3 自组织映射（SOM） （91）
6.5 基于分类的方法 （92）
6.5.1 单分类 （93）
6.5.2 多分类 （96）
6.6 基于统计的方法 （98）
6.6.1 序贯概率比检验 （98）
6.6.2 相关性分析 （100）
6.7 无系统健康基准异常检测 （101）
6.8 异常检测的挑战 （102）
原著参考文献 （102）
第7章 机器学习的故障诊断和故障预测 （103）
7.1 故障诊断和故障预测的概述 （103）
7.2 故障诊断技术 （104）
7.2.1 监督机器学习算法 （105）
7.2.2 集成学习 （107）
7.2.3 深度学习 （110）
7.3 故障预测技术 （115）
7.3.1 回归分析 （115）
7.3.2 粒子滤波 （119）
原著参考文献 （122）
第8章 故障预测的不确定性表征、量化和管理 （123）
8.1 概述 （123）
8.2 PHM不确定性的来源 （125）
8.3 PHM中不确定性的形式化处理 （127）
8.3.1 问题1：不确定性表征和解释 （127）
8.3.2 问题2：不确定性量化 （127）
8.3.3 问题3：不确定性传播 （127）
8.3.4 问题4：不确定性管理 （128）
8.4 不确定性表征和解释 （128）
8.4.1 物理概率和基于试验的预测 （128）
8.4.2 主观概率和基于状态的预测 （129）
8.4.3 为什么剩余使用寿命预测是不确定的 （130）
8.5 剩余使用寿命预测的不确定性的量化与传播 （130）
8.5.1 不确定性量化的计算框架 （130）
8.5.2 剩余使用寿命预测：不确定性传播问题 （132）
8.5.3 不确定性传播方法 （132）
8.6 不确定性管理 （135）
8.7 案例分析：无人驾驶飞机电源系统的不确定性量化 （135）
8.7.1 模型描述 （135）
8.7.2 不确定性来源 （136）
8.7.3 结果：恒定幅度的负载条件 （137）
8.7.4 结果：可变幅度的负载条件 （137）
8.7.5 讨论 （138）
8.8 现存的挑战 （138）
8.8.1 时效性 （139）
8.8.2 不确定性的特征 （139）
8.8.3 不确定性的传播 （139）
8.8.4 拟合分布的性质 （139）
8.8.5 准确性 （139）
8.8.6 不确定性的界限 （139）
8.8.7 确定性的计算 （139）
8.9 总结 （140）
原著参考文献 （140）
第9章 PHM投资的成本和回报 （141）
9.1 投资回报 （141）
9.1.1 PHM的ROI分析 （142）
9.1.2 金融成本 （143）
9.2 PHM成本建模的术语和定义 （144）
9.3 实施成本 （144）
9.3.1 非经常性成本 （145）
9.3.2 经常性成本 （145）
9.3.3 基础设施成本 （145）
9.3.4 非金融的考虑和维修文化 （146）
9.4 成本规避措施 （147）
9.4.1 维修计划的成本规避 （148）
9.4.2 离散事件仿真的维修计划模型 （149）
9.4.3 预定计划的维修间隔 （149）
9.4.4 数据驱动（失效预兆的监测）方法 （149）
9.4.5 基于模型（LRU独立）的方法 （150）
9.4.6 离散事件仿真的实施细则 （151）
9.4.7 运行剖面 （152）
9.5 PHM成本分析案例 （153）
9.5.1 单接口模型结果 （154）
9.5.2 多接口模型结果 （156）
9.6 商业案例构建：ROI分析 （159）
9.7 总结 （165）
原著参考文献 （166）
第10章 PHM驱动的维修决策的评估和优化 （167）
10.1 单个系统中PHM驱动的维修决策的评估和优化 （167）
10.1.1 在单个系统中PHM驱动的预测性维修优化模型 （168）
10.1.2 案例研究：在单个系统中PHM驱动的维修决策优化（海上风力涡轮机） （170）
10.2 可用性 （172）
10.2.1 可用性业务：基于结果的合同 （172）
10.2.2 将合同条款纳入维修决策 （173）
10.2.3 案例研究：在多系统中PHM驱动的维修决策优化（风电场） （174）
10.3 未来发展方向 （176）
10.3.1 可用性设计 （176）
10.3.2 基于预测的保修 （177）
10.3.3 合同工程 （177）
原著参考文献 （178）
第11章 电子电路健康状态和剩余使用寿命估计 （179）
11.1 概述 （179）
11.2 相关工作 （180）
11.2.1 以元器件为中心的方法 （181）
11.2.2 以电路为中心的方法 （181）
11.3 基于核学习的电路健康状态估计 （183）
11.3.1 基于核的学习 （183）
11.3.2 健康状态估计方法 （184）
11.3.3 实施结果 （188）
11.4 基于滤波模型的RUL预测 （197）
11.4.1 故障预测问题描述 （197）
11.4.2 电路性能退化模型 （198）
11.4.3 基于模型的故障预测方法 （200）
11.4.4 实验结果 （202）
11.5 总结 （208）
原著参考文献 （209）
第12章 基于PHM的电子产品认证 （210）
12.1 产品认证的重要性 （210）
12.2 产品认证的考虑因素 （211）
12.3 当前的认证方法 （213）
12.3.1 基于标准的认证 （214）
12.3.2 基于知识或基于PoF的认证 （216）
12.3.3 基于故障预测的认证 （217）
12.4 结论 （221）
原著参考文献 （222）
第13章 锂离子电池PHM （223）
13.1 概述 （223）
13.2 SOC的估计 （224）
13.2.1 SOC估计案例分析1 （225）
13.2.2 SOC估计案例分析2 （229）
13.3 健康状态的估计与预测 （234）
13.3.1 锂离子电池预测案例分析 （234）
13.4 总结 （238）
原著参考文献 （238）
1.1 可靠性和故障预测 （1）
1.2 电子产品PHM （2）
1.3 PHM方法 （4）
1.3.1 基于PoF方法 （4）
1.3.2 预警电路 （10）
1.3.3 数据驱动方法 （11）
1.3.4 融合PHM方法 （16）
1.4 系统体系PHM的实施 （17）
1.5 物联网时代下的PHM （18）
1.5.1 物联网驱动的PHM应用：制造业 （19）
1.5.2 物联网驱动的PHM应用：能源生产 （19）
1.5.3 物联网驱动的PHM应用：运输和物流 （20）
1.5.4 物联网驱动的PHM应用：汽车 （20）
1.5.5 物联网驱动的PHM应用：医疗设备 （20）
1.5.6 物联网驱动的PHM应用：保修服务 （21）
1.5.7 物联网驱动的PHM应用：机器人 （21）
1.6 总结 （21）
原著参考文献 （22）
第2章 PHM传感器系统 （23）
2.1 传感器基础和传感原理 （23）
2.1.1 热传感器 （24）
2.1.2 电传感器 （24）
2.1.3 机械传感器 （25）
2.1.4 化学传感器 （25）
2.1.5 湿度传感器 （26）
2.1.6 生物传感器 （27）
2.1.7 光学传感器 （27）
2.1.8 磁传感器 （27）
2.2 PHM传感器系统 （28）
2.2.1 待监测参数 （29）
2.2.2 PHM传感器系统性能 （29）
2.2.3 PHM传感器系统的物理属性 （30）
2.2.4 PHM传感器系统的功能属性 （30）
2.2.5 可靠性 （33）
2.2.6 可用性 （33）
2.2.7 成本 （34）
2.3 传感器的选择 （34）
2.4 PHM实施的传感器系统案例 （35）
2.5 PHM传感器技术的发展趋势 （38）
原著参考文献 （39）
第3章 基于失效物理方法的PHM （40）
3.1 基于失效物理的PHM方法论 （40）
3.2 硬件架构 （41）
3.3 载荷 （42）
3.4 失效模式、机理及影响分析（FMMEA） （42）
3.4.1 电子设备FMMEA案例 （45）
3.5 应力分析 （46）
3.6 可靠性评估和剩余寿命预计 （48）
3.7 基于失效物理的PHM输出 （50）
3.8 基于失效物理的PHM方法使用过程的注意事项和关注点 （51）
3.9 失效物理与数据驱动融合的故障预测 （52）
原著参考文献 （52）
第4章 机器学习的基本原理 （53）
4.1 机器学习的类型 （53）
4.1.1 监督学习、无监督学习、半监督学习和强化学习 （54）
4.1.2 批量学习和在线学习 （55）
4.1.3 基于实例的学习和基于模型的学习 （56）
4.2 机器学习中概率论的基本原理 （56）
4.2.1 概率空间和随机变量 （57）
4.2.2 分布、联合分布和边缘分布 （57）
4.2.3 条件分布 （57）
4.2.4 独立性 （57）
4.2.5 链式法则和贝叶斯准则 （58）
4.3 概率质量函数和概率密度函数 （58）
4.3.1 概率质量函数 （58）
4.3.2 概率密度函数 （59）
4.4 均值、方差和协方差的估计 （59）
4.4.1 均值 （59）
4.4.2 方差 （59）
4.4.3 协方差的稳健估计 （60）
4.5 概率分布 （60）
4.5.1 伯努利分布 （61）
4.5.2 正态分布 （61）
4.5.3 均匀分布 （61）
4.6 最大似然估计和最大后验估计 （61）
4.6.1 最大似然估计 （62）
4.6.2 最大后验估计 （62）
4.7 相关性和因果性 （63）
4.8 核技巧 （63）
4.9 性能指标 （65）
4.9.1 诊断指标 （65）
4.9.2 预测指标 （68）
原著参考文献 （69）
第5章 机器学习的数据预处理 （70）
5.1 数据清洗 （70）
5.1.1 缺失数据处理 （70）
5.2 特征归一化 （72）
5.3 特征工程 （73）
5.3.1 特征提取 （73）
5.3.2 特征选择 （77）
5.4 不平衡学习 （80）
5.4.1 不平衡学习的采样方法 （80）
原著参考文献 （82）
第6章 机器学习的异常检测 （83）
6.1 引言 （83）
6.2 异常类型 （85）
6.2.1 点异常 （85）
6.2.2 上下文异常 （85）
6.2.3 集合异常 （85）
6.3 基于距离的方法 （86）
6.3.1 采用逆矩阵方法的MD计算 （87）
6.3.2 采用Gram-Schmidt正则化方法的MD计算 （87）
6.3.3 决策准则 （87）
6.4 基于聚类的方法 （89）
6.4.1 k均值聚类 （90）
6.4.2 模糊c均值聚类 （91）
6.4.3 自组织映射（SOM） （91）
6.5 基于分类的方法 （92）
6.5.1 单分类 （93）
6.5.2 多分类 （96）
6.6 基于统计的方法 （98）
6.6.1 序贯概率比检验 （98）
6.6.2 相关性分析 （100）
6.7 无系统健康基准异常检测 （101）
6.8 异常检测的挑战 （102）
原著参考文献 （102）
第7章 机器学习的故障诊断和故障预测 （103）
7.1 故障诊断和故障预测的概述 （103）
7.2 故障诊断技术 （104）
7.2.1 监督机器学习算法 （105）
7.2.2 集成学习 （107）
7.2.3 深度学习 （110）
7.3 故障预测技术 （115）
7.3.1 回归分析 （115）
7.3.2 粒子滤波 （119）
原著参考文献 （122）
第8章 故障预测的不确定性表征、量化和管理 （123）
8.1 概述 （123）
8.2 PHM不确定性的来源 （125）
8.3 PHM中不确定性的形式化处理 （127）
8.3.1 问题1：不确定性表征和解释 （127）
8.3.2 问题2：不确定性量化 （127）
8.3.3 问题3：不确定性传播 （127）
8.3.4 问题4：不确定性管理 （128）
8.4 不确定性表征和解释 （128）
8.4.1 物理概率和基于试验的预测 （128）
8.4.2 主观概率和基于状态的预测 （129）
8.4.3 为什么剩余使用寿命预测是不确定的 （130）
8.5 剩余使用寿命预测的不确定性的量化与传播 （130）
8.5.1 不确定性量化的计算框架 （130）
8.5.2 剩余使用寿命预测：不确定性传播问题 （132）
8.5.3 不确定性传播方法 （132）
8.6 不确定性管理 （135）
8.7 案例分析：无人驾驶飞机电源系统的不确定性量化 （135）
8.7.1 模型描述 （135）
8.7.2 不确定性来源 （136）
8.7.3 结果：恒定幅度的负载条件 （137）
8.7.4 结果：可变幅度的负载条件 （137）
8.7.5 讨论 （138）
8.8 现存的挑战 （138）
8.8.1 时效性 （139）
8.8.2 不确定性的特征 （139）
8.8.3 不确定性的传播 （139）
8.8.4 拟合分布的性质 （139）
8.8.5 准确性 （139）
8.8.6 不确定性的界限 （139）
8.8.7 确定性的计算 （139）
8.9 总结 （140）
原著参考文献 （140）
第9章 PHM投资的成本和回报 （141）
9.1 投资回报 （141）
9.1.1 PHM的ROI分析 （142）
9.1.2 金融成本 （143）
9.2 PHM成本建模的术语和定义 （144）
9.3 实施成本 （144）
9.3.1 非经常性成本 （145）
9.3.2 经常性成本 （145）
9.3.3 基础设施成本 （145）
9.3.4 非金融的考虑和维修文化 （146）
9.4 成本规避措施 （147）
9.4.1 维修计划的成本规避 （148）
9.4.2 离散事件仿真的维修计划模型 （149）
9.4.3 预定计划的维修间隔 （149）
9.4.4 数据驱动（失效预兆的监测）方法 （149）
9.4.5 基于模型（LRU独立）的方法 （150）
9.4.6 离散事件仿真的实施细则 （151）
9.4.7 运行剖面 （152）
9.5 PHM成本分析案例 （153）
9.5.1 单接口模型结果 （154）
9.5.2 多接口模型结果 （156）
9.6 商业案例构建：ROI分析 （159）
9.7 总结 （165）
原著参考文献 （166）
第10章 PHM驱动的维修决策的评估和优化 （167）
10.1 单个系统中PHM驱动的维修决策的评估和优化 （167）
10.1.1 在单个系统中PHM驱动的预测性维修优化模型 （168）
10.1.2 案例研究：在单个系统中PHM驱动的维修决策优化（海上风力涡轮机） （170）
10.2 可用性 （172）
10.2.1 可用性业务：基于结果的合同 （172）
10.2.2 将合同条款纳入维修决策 （173）
10.2.3 案例研究：在多系统中PHM驱动的维修决策优化（风电场） （174）
10.3 未来发展方向 （176）
10.3.1 可用性设计 （176）
10.3.2 基于预测的保修 （177）
10.3.3 合同工程 （177）
原著参考文献 （178）
第11章 电子电路健康状态和剩余使用寿命估计 （179）
11.1 概述 （179）
11.2 相关工作 （180）
11.2.1 以元器件为中心的方法 （181）
11.2.2 以电路为中心的方法 （181）
11.3 基于核学习的电路健康状态估计 （183）
11.3.1 基于核的学习 （183）
11.3.2 健康状态估计方法 （184）
11.3.3 实施结果 （188）
11.4 基于滤波模型的RUL预测 （197）
11.4.1 故障预测问题描述 （197）
11.4.2 电路性能退化模型 （198）
11.4.3 基于模型的故障预测方法 （200）
11.4.4 实验结果 （202）
11.5 总结 （208）
原著参考文献 （209）
第12章 基于PHM的电子产品认证 （210）
12.1 产品认证的重要性 （210）
12.2 产品认证的考虑因素 （211）
12.3 当前的认证方法 （213）
12.3.1 基于标准的认证 （214）
12.3.2 基于知识或基于PoF的认证 （216）
12.3.3 基于故障预测的认证 （217）
12.4 结论 （221）
原著参考文献 （222）
第13章 锂离子电池PHM （223）
13.1 概述 （223）
13.2 SOC的估计 （224）
13.2.1 SOC估计案例分析1 （225）
13.2.2 SOC估计案例分析2 （229）
13.3 健康状态的估计与预测 （234）
13.3.1 锂离子电池预测案例分析 （234）
13.4 总结 （238）
原著参考文献 （238）
第14章 发光二
