本书是一本基于状态数据（CBD）来进行系统健康和寿命预测的综合指南。故障预测与健康管理为理解基于状态数据来监测和管理系统健康状态以提高系统可靠性的理论基础和方法提供了权威指南。该指南应用基于状态数据，生成特征后输入到预测算法，对健康和寿命进行故障预测。这种久经考验的方法使用从基于状态的电信号（包括代表物理组件的电信号）中提取的电子标签，并采用包括数据融合和转换、域转换、标准化、规范化和信号级别转换在内的处理方法，来支持故障预测。

本书主要为在关键流程行业工作的系统工程师以及汽车和航空航天设计师编写。

目录

第 1 章 故障预测简介

1.1 故障预测定义

1.1.1 本章目标

1.1.2 本章结构

1.2 可靠性理论基础

1.2.1 失效前时间分布

1.2.2 概率和可靠性

1.2.3 概率密度函数

1.2.4 分布之间的关系

1.2.5 故障率

1.2.6 期望值和方差

1.3 极限应力水平下的失效分布

1.3.1 基础模型

1.3.2 累积损伤模型

1.3.3 通用指数模型

1.4 参数估计中的不确定性方法

1.5 失效数期望

1.5.1 最少维修

1.5.2 失效更换

1.5.3 部分维修使失效次数减少

1.5.4 部分维修使寿命降低

1.6 系统可靠性、故障预测与健康管理

1.6.1 基于状态检测维护（CBM）的故障预测与健康管理（PHM）系统通用框架

1.6.2 PHM 与系统可靠性的关系

1.6.3 退化过程特征（DPS）和故障预测

1.6.4 理想的功能失效特征（FFS）与故障预测

1.6.5 非理想的 FFS 和故障预测

1.7 故障预测信息

1.7.1 非理想性：初始估计误差和剩余使用寿命

1.7.2 给定初始估计误差时 RUL 估计的收敛性

1.7.3 预测距离（PD）和收敛性

1.7.4 收敛：品质因数

1.7.5 造成 FFS 数据不理想的其他原因

1.8 关于成本和收益的决策

1.8.1 产品选择

1.8.2 最佳维护计划

1.8.3 基于状态的维护或更换

1.8.4 预防性更换计划

1.8.5 模型变形和扩展

1.9 本章小结

参考文献

补充书目

第 2 章 故障预测与健康管理（PHM）方法

2.1 故障预测与健康管理（PHM）方法简介

2.1.1 基于模型的预测方法

2.1.2 数据驱动预测方法

2.1.3 混合驱动预测方法

2.1.4 本章目标

2.1.5 本章结构

2.2 基于模型的预测

2.2.1 分析建模

2.2.2 分布建模

2.2.3 失效物理（PoF）和可靠性建模

2.2.4 加速因子

2.2.5 可靠性建模的复杂性

2.2.6 失效分布

2.2.7 基于故障率和时基故障（FIT）的多种失效模式

2.2.8 基于模型的预测的优缺点

2.3 数据驱动预测

2.3.1 统计方法

2.3.2 机器学习（ML）的分类和聚类

2.4 混合驱动预测

2.5 基于状态的维护

2.5.1 基于状态数据特征的建模

2.5.2 寿命消耗方法和 CBD 特征模型方法比较

2.5.3 CBD 特征建模实例

2.6 本章小结

参考文献

补充书目

第 3 章 故障演化特征

3.1 故障演化特征简介

3.1.1 本章目标

3.1.2 本章结构

3.2 特征基本类型

3.2.1 CBD 特征

3.2.2 功能失效预测（FFP）特征

3.2.3 将 FFP 转化为 FFS

3.2.4 将 FFP 转化为退化过程特征

3.2.5 将 DPS 转换为基于 DPS 的 FFS

3.3 模型验证

3.3.1 特征分类

3.3.2 验证 CBD 建模

3.3.3 验证 FFP 建模

3.3.4 验证 DPS 建模

3.3.5 验证基于 DPS 的 FFS 建模

3.4 FFS 曲线的非线性评价

3.4.1 传感系统

3.4.2 FFS 非线性

3.5 数据转换总结

3.6 退化率

3.6.1 常退化率：基于 DPS 的线性 FFS

3.6.2 非线性退化率

3.7 故障演化特征和系统节点

3.8 本章小结

参考文献

补充书目

第 4 章 启发式基于状态数据特征的建模方法

4.1 启发式特征建模简介

4.1.1 第 3 章回顾

4.1.2 CBD 特征的启发式建模理论

4.1.3 本章目标

4.1.4 本章结构

4.2 一般建模注意事项：CBD 特征

4.2.1 噪声边界

4.2.2 退化特征模型的定义

4.2.3 特征数据的额定值

4.2.4 故障到失效演化特征和退化特征模型的特征数据

4.2.5 CBD 特征到 FFS 数据的转换方法

4.3 CBD 建模：退化特征模型

4.3.1 退化特征模型典型实例

4.3.2 典型 FFP 退化特征的示例图

4.3.3 将递减特征转换为递增特征

4.4 DPS 建模：FFP 到 DPS 转换模型

4.4.1 开发转换模型：从 FFP 到 DPS

4.4.2 FFP 特征和 DPS 特征示例图

4.5 FFS 建模：失效水平和特征建模

4.5.1 使用 FFP 定义的失效水平开发基于 DPS 的失效水平（FL）模型

4.5.2 基于 FFP 和基于 DPS 的失效水平的建模结果

4.5.3 将 DPS 数据转换为 FFS 数据

4.6 本章小结

参考文献

补充书目

第 5 章 非理想数据：可用条件与应用效果

5.1 非理想数据：可用条件与应用效果简介

5.1.1 第 4 章回顾

5.1.2 数据采集、处理与变换

5.1.3 本章目标

5.1.4 本章结构

5.2 启发式方法在非理想 CBD 特征中的应用

5.2.1 启发式方法应用于非理想 CBD 特征的总结

5.2.2 预测案例

5.2.3 获取高精确预测信息的噪声

5.3 FFS 数据中的误差和非理想性

5.3.1 噪声边界和偏移误差

5.3.2 测量误差、不确定性和采样

5.3.3 其他噪声源

5.3.4 数据平滑和 FFS 数据中的非理想性

5.4 适用于 FFS 数据的启发式方法

5.4.1 调整 FFS 数据的方法

5.4.2 修正后 FFS 数据

5.4.3 数据调节的其他示例数据集

5.5 本章小结

参考文献

补充书目

第 6 章 设计：故障预测与健康管理系统的稳健原型示例

6.1 PHM 系统回顾

6.1.1 第 1 章：故障预测简介

6.1.2 第 2 章：故障预测与健康管理（PHM）方法

6.1.3 第 3 章：故障演化特征

6.1.4 第 4 章：启发式基于状态数据特征的建模方法

6.1.5 第 5 章：非理想数据：可用条件与应用效果

6.1.6 本章目标

6.1.7 本章结构

6.2 PHM 系统的设计方法

6.2.1 目标选择与评估系统失效模式

6.2.2 离线预测方法：选择结果

6.2.3 基于在线部署的基础架构选择

6.3 取样和轮询

6.3.1 连续 - 定期取样

6.3.2 定期爆发采样

6.3.3 轮询

6.4 初始设计规范

6.4.1 运行：测试与验证

6.4.2 试验台

6.4.3 试验结果

6.5 交流相电流的特殊 RMS 方法

6.5.1 峰值 RMS 方法

6.5.2 特殊峰值 RMS 方法：基本计算例行程序

6.5.3 特殊峰值 RMS 法：FFP 计算例行程序

6.5.4 峰值 RMS 方法：EMA

6.6 诊断与预测程序

6.6.1 开关电源

6.6.2 EMA

6.7 规范的可靠性和能力

6.7.1 基于节点的架构

6.7.2 案例设计

6.8 节点规范

6.8.1 系统节点定义

6.8.2 节点定义

6.8.3 PHM 系统原型的其他节点定义

6.9 系统验证和性能指标

6.9.1 误差的偏移类型

6.9.2 确定预测距离的不确定性

6.9.3 使用 PHα 估计收敛性

6.9.4 性能指标

6.9.5 预测 RUL、SoH、PH 和退化信息

6.10 系统验证高级预测

6.10.1 SMPS：FFP 特征直接转换成 FFS

6.10.2 SMPS：FFP 特征转换为 DPS 再转换为 FFS

6.11 PHM 系统验证 EMA 故障

6.11.1 EMA 的负载（摩擦）故障类型

6.11.2 EMA 的绕组故障类型

6.11.3 EMA 的电源开关晶体管故障类型

6.12 PHM 系统验证功能集成

6.12.1 功能集成：控制和数据流

6.12.2 系统性能指标总结

6.12.3 PHM 系统规划

6.13 本章小结

参考文献

补充书目

第 7 章 预测使能：选择、评估和其他考量

7.1 预测使能简介

7.1.1 第 6 章回顾

7.1.2 电子健康解决方案

7.1.3 关键系统和预警

7.1.4 减少维护

7.1.5 健康管理、维护和后勤

7.1.6 本章目标

7.1.7 本章结构

7.2 预测目标的评估、选择和规范

7.2.1 预测目标评估、选择和筛选的标准

7.2.2 MTBF 与 MTTF 的含义

7.2.3 MTBF 与 MTTF 的不确定性

7.2.4 TTF 与 PITFF

7.3 预测方法的成本效益示例

7.3.1 成本效益情况

7.3.2 成本分析

7.4 浴盆曲线的可靠性

7.4.1 浴盆曲线的 MTBF 和 MTTF

7.4.2 触发点和预测距离

7.5 本章小结

参考文献

补充书目

前言

故障预测与健康管理（PHM）系统由三个重要部分组成：传感器框架和特征向量框架组成的传感系统、预测框架和性能验证框架组成的预测系统以及健康管理系统。尽管健康管理系统是最为复杂和昂贵的，但是本书的主题涉及与传感系统和故障预测有关的内容，它们的一个重要目标是为被监测系统提供准确的健康预测信息，为健康管理和故障预测提供有力支持。本书首先介绍了基于经典的模型驱动、数据驱动和混合驱动方法的可靠性预测方法，了解这些方法有助于理解本书后面介绍的基于特征驱动方法的基本原理，但使用这些经典方法或手册对故障进行预测评估时，其结果往往不准确或出现误导的情况。

本书提出了充分考虑故障模式、运行环境和工况的建模和数据处理方法，介绍了一种基于特征数据的方法，它是通过提取故障或状态指标的先导指标作为特征数据来形成基于状态数据（CBD）特征，这些特征可以归一化并转换为无量纲比值，称为功能失效预测（FFP）特征。FFP 特征构成特征曲线族，每个曲线族都基于导致退化的失效机制总体，并引起监测信号的变化。

本书给出了一组退化特征模型，每个模型代表一种退化模式，并展示了如何使用这些模型将 FFP 特征转换为退化过程特征（DPS）数据，以及如何将其转换为功能失效特征（FFS）数据，该数据特别适用于预测算法。FFS 数据形成线性化的传递曲线，在没有发生退化的情况下，其值为 0 或更小；当被监测的部件、组件或系统（可预测的目标）达到或超过退化水平时，其值为 100 或更大，使预测目标不能够在规范范围内运行。当所有的噪声（即并非由退化引起的数据变化）从监测信号中去除时，FFP 特征可以转换为 DPS 数据，根据 DPS 数据形成线性直线传递曲线，根据设定的功能失效发生时间的阈值，可以将 DPS 数据转换为 FFS 数据。

由于无法消除所有噪声，本书提出了一些实用的信号处理技术，以改善或减轻噪声的影响，包括但不限于以下内容：数据融合、数据转换、域转换、滤波、阈值宽裕度、数据平滑处理和数据趋势分析。本书用有噪声数据的案例对这些技术进行了阐述，其中包括表现信号变化以及由温度和反馈引起的曲线形状变化的数据。

此外，本书还介绍了非线性退化速率和多种退化模式的影响，以及处理这些影响的方法和技术。提出了一种利用退化模型和数据处理的启发式方法。结果表明，即使幂函数类型退化的幂的确切值或指数函数类型退化的寿命值未知，或 CBD 特征使老化速度指数级变化的结果是否存在潜在的幂函数类型退化未知，但是 FFS 数据具有足够多的线性特征，从而提供非常准确的预测信息。预测信息的不准确（误差）是由传感系统的不足造成的，主要有两个因素：一是用于融合、转换、调节和处理数据的信号调节与数据处理的例行程序；二是系统采样和数据采样的不足（不精确建模）。在系统采样率和数据采样率足够高的情况下，预测信息的准确性接近系统的极限水平。系统对预测精度的限制主要是由测量的不确定性和误差造成的，例如数字化、量化误差、数学舍人、制造公差、温度和压力等环境影响的测量值变化，制造引起的数值的变化，等等。一个经常被忽视导致预测准确或不准确的因素是传感系统采用的取样方法：要求最小功能失效预测范围为 20 周，准确度在 10% 以内，失效时间精度为 ±1 周，此时使用每 2 周采样一个节点数据的传感系统没有意义。

结果表明，尽管所有曲线存在诱发噪声的非线性效应，但 PHM 系统预测算法的设计和开发比较简单，并不复杂，而且很容易提供非常准确的预测信息，如估算剩余使用寿命（RUL）和健康状况（SoH）。为了说明这一点，作者使用了自适应剩余寿命估计器（ARULE?）程序中的计算预测算法。

传感系统应采用采样、滤波、掩蔽、融合、转换数据类型和域（如时间和频率）、平滑处理等方法和手段获取和控制 CBD，以充分改善和减轻所有噪声的影响。PHM 系统中使用传感系统的最终目标是成为将监测信号转换成具有足够线性的传递曲线，以支持形成准确的预测信息的传感器。预测信息至少应包含以下内容：

如果输入的振幅等于或低于退化阈值，则健康状况为 100%。

如果输入的振幅等于或高于失效阈值，则健康状况为 0。

故障预测目标发生退化：健康状况在 0~100%。

RUL 估计值：寿命终止（EOL）前的估计剩余时间。

预测范围（PH）估计值：当前时间加上 RUL 估计值。

本书给出了一个典型 PHM 系统稳健原型设计，包括一个框架架构和支持故障预测的控制 / 数据流，可启动六个组件（可在线更换单元）：两个开关模式电源和四个机电执行器。每个开关模式电源都能使用单个传感器对单个失效模式进行预测：滤波电容的损失。每个机电执行器都能使用一组相位电流传感器对三种不同的失效模式实现故障预测：执行器的 H 桥控制器中功率开关晶体管的导通电阻增大；执行器的无刷直流电机绕组中产生退化；以及直流电机轴上负载过高。该系统包括两个子系统，每个子系统有三个支持故障预测的单元：一个电源和两个机电执行器。本书提出了一种设计方案，以实现以下功能：第一，对控制单元的轮询和采样，以获取、调节和处理 CBD，进而生成预测信息；第二，支持检查点或重启，其中系统可以停止、暂停或结束，然后重新启动；第三，演示如何使用警报来支持事件触发维护。本书第 7 章是关于故障预测的作用 —— 选择、评估和其他考量。

致谢

作者想要对我们的家人，尤其是我们的妻子和我们的同事给予我们的理解、耐心和支持表示感谢。感谢对本书中的研究成果提供支持的众多政府机构和技术联络点：国防部 - 美国海军航空系统司令部（NAVAIR）、美国海军海上系统司令部（NAVSEA）、美国空军和陆军、美国航空航天局（NASA）和美国能源部。感谢威利出版公司的工作人员对我们的支持、理解和鼓励。最后，感谢本书编辑理查德？汤普森在后勤、编辑、协调和与威利出版公司工作人员联络等方面提供的支持和帮助。