電子產品故障預測與健康管理：基本原理、機器學習和物聯網

第1章 PHM概述 （1）
1.1 可靠性和故障預測 （1）
1.2 電子產品PHM （2）
1.3 PHM方法 （4）
1.3.1 基於PoF方法 （4）
1.3.2 預警電路 （10）
1.3.3 數據驅動方法 （11）
1.3.4 融合PHM方法 （16）
1.4 系統體系PHM的實施 （17）
1.5 物聯網時代下的PHM （18）
1.5.1 物聯網驅動的PHM應用：製造業 （19）
1.5.2 物聯網驅動的PHM應用：能源生產 （19）
1.5.3 物聯網驅動的PHM應用：運輸和物流 （20）
1.5.4 物聯網驅動的PHM應用：汽車 （20）
1.5.5 物聯網驅動的PHM應用：醫療設備 （20）
1.5.6 物聯網驅動的PHM應用：保修服務 （21）
1.5.7 物聯網驅動的PHM應用：機器人 （21）
1.6 總結 （21）
原著參考文獻 （22）
第2章 PHM傳感器系統 （23）
2.1 傳感器基礎和傳感原理 （23）
2.1.1 熱傳感器 （24）
2.1.2 電傳感器 （24）
2.1.3 機械傳感器 （25）
2.1.4 化學傳感器 （25）
2.1.5 濕度傳感器 （26）
2.1.6 生物傳感器 （27）
2.1.7 光學傳感器 （27）
2.1.8 磁傳感器 （27）
2.2 PHM傳感器系統 （28）
2.2.1 待監測參數 （29）
2.2.2 PHM傳感器系統性能 （29）
2.2.3 PHM傳感器系統的物理屬性 （30）
2.2.4 PHM傳感器系統的功能屬性 （30）
2.2.5 可靠性 （33）
2.2.6 可用性 （33）
2.2.7 成本 （34）
2.3 傳感器的選擇 （34）
2.4 PHM實施的傳感器系統案例 （35）
2.5 PHM傳感器技術的發展趨勢 （38）
原著參考文獻 （39）
第3章 基於失效物理方法的PHM （40）
3.1 基於失效物理的PHM方法論 （40）
3.2 硬件架構 （41）
3.3 載荷 （42）
3.4 失效模式、機理及影響分析（FMMEA） （42）
3.4.1 電子設備FMMEA案例 （45）
3.5 應力分析 （46）
3.6 可靠性評估和剩餘壽命預計 （48）
3.7 基於失效物理的PHM輸出 （50）
3.8 基於失效物理的PHM方法使用過程的註意事項和關註點 （51）
3.9 失效物理與數據驅動融合的故障預測 （52）
原著參考文獻 （52）
第4章 機器學習的基本原理 （53）
4.1 機器學習的類型 （53）
4.1.1 監督學習、無監督學習、半監督學習和強化學習 （54）
4.1.2 批量學習和在線學習 （55）
4.1.3 基於實例的學習和基於模型的學習 （56）
4.2 機器學習中概率論的基本原理 （56）
4.2.1 概率空間和隨機變量 （57）
4.2.2 分佈、聯合分佈和邊緣分佈 （57）
4.2.3 條件分佈 （57）
4.2.4 獨立性 （57）
4.2.5 鏈式法則和貝葉斯準則 （58）
4.3 概率質量函數和概率密度函數 （58）
4.3.1 概率質量函數 （58）
4.3.2 概率密度函數 （59）
4.4 均值、方差和協方差的估計 （59）
4.4.1 均值 （59）
4.4.2 方差 （59）
4.4.3 協方差的穩健估計 （60）
4.5 概率分佈 （60）
4.5.1 伯努利分佈 （61）
4.5.2 正態分佈 （61）
4.5.3 均勻分佈 （61）
4.6 最大似然估計和最大後驗估計 （61）
4.6.1 最大似然估計 （62）
4.6.2 最大後驗估計 （62）
4.7 相關性和因果性 （63）
4.8 核技巧 （63）
4.9 性能指標 （65）
4.9.1 診斷指標 （65）
4.9.2 預測指標 （68）
原著參考文獻 （69）
第5章 機器學習的數據預處理 （70）
5.1 數據清洗 （70）
5.1.1 缺失數據處理 （70）
5.2 特徵歸一化 （72）
5.3 特徵工程 （73）
5.3.1 特徵提取 （73）
5.3.2 特徵選擇 （77）
5.4 不平衡學習 （80）
5.4.1 不平衡學習的採樣方法 （80）
原著參考文獻 （82）
第6章 機器學習的異常檢測 （83）
6.1 引言 （83）
6.2 異常類型 （85）
6.2.1 點異常 （85）
6.2.2 上下文異常 （85）
6.2.3 集合異常 （85）
6.3 基於距離的方法 （86）
6.3.1 採用逆矩陣方法的MD計算 （87）
6.3.2 採用Gram-Schmidt正則化方法的MD計算 （87）
6.3.3 決策準則 （87）
6.4 基於聚類的方法 （89）
6.4.1 k均值聚類 （90）
6.4.2 模糊c均值聚類 （91）
6.4.3 自組織映射（SOM） （91）
6.5 基於分類的方法 （92）
6.5.1 單分類 （93）
6.5.2 多分類 （96）
6.6 基於統計的方法 （98）
6.6.1 序貫概率比檢驗 （98）
6.6.2 相關性分析 （100）
6.7 無系統健康基準異常檢測 （101）
6.8 異常檢測的挑戰 （102）
原著參考文獻 （102）
第7章 機器學習的故障診斷和故障預測 （103）
7.1 故障診斷和故障預測的概述 （103）
7.2 故障診斷技術 （104）
7.2.1 監督機器學習算法 （105）
7.2.2 集成學習 （107）
7.2.3 深度學習 （110）
7.3 故障預測技術 （115）
7.3.1 回歸分析 （115）
7.3.2 粒子濾波 （119）
原著參考文獻 （122）
第8章 故障預測的不確定性表徵、量化和管理 （123）
8.1 概述 （123）
8.2 PHM不確定性的來源 （125）
8.3 PHM中不確定性的形式化處理 （127）
8.3.1 問題1：不確定性表徵和解釋 （127）
8.3.2 問題2：不確定性量化 （127）
8.3.3 問題3：不確定性傳播 （127）
8.3.4 問題4：不確定性管理 （128）
8.4 不確定性表徵和解釋 （128）
8.4.1 物理概率和基於試驗的預測 （128）
8.4.2 主觀概率和基於狀態的預測 （129）
8.4.3 為什麽剩餘使用壽命預測是不確定的 （130）
8.5 剩餘使用壽命預測的不確定性的量化與傳播 （130）
8.5.1 不確定性量化的計算框架 （130）
8.5.2 剩餘使用壽命預測：不確定性傳播問題 （132）
8.5.3 不確定性傳播方法 （132）
8.6 不確定性管理 （135）
8.7 案例分析：無人駕駛飛機電源系統的不確定性量化 （135）
8.7.1 模型描述 （135）
8.7.2 不確定性來源 （136）
8.7.3 結果：恆定幅度的負載條件 （137）
8.7.4 結果：可變幅度的負載條件 （137）
8.7.5 討論 （138）
8.8 現存的挑戰 （138）
8.8.1 時效性 （139）
8.8.2 不確定性的特徵 （139）
8.8.3 不確定性的傳播 （139）
8.8.4 擬合分佈的性質 （139）
8.8.5 準確性 （139）
8.8.6 不確定性的界限 （139）
8.8.7 確定性的計算 （139）
8.9 總結 （140）
原著參考文獻 （140）
第9章 PHM投資的成本和回報 （141）
9.1 投資回報 （141）
9.1.1 PHM的ROI分析 （142）
9.1.2 金融成本 （143）
9.2 PHM成本建模的術語和定義 （144）
9.3 實施成本 （144）
9.3.1 非經常性成本 （145）
9.3.2 經常性成本 （145）
9.3.3 基礎設施成本 （145）
9.3.4 非金融的考慮和維修文化 （146）
9.4 成本規避措施 （147）
9.4.1 維修計劃的成本規避 （148）
9.4.2 離散事件模擬的維修計劃模型 （149）
9.4.3 預定計劃的維修間隔 （149）
9.4.4 數據驅動（失效預兆的監測）方法 （149）
9.4.5 基於模型（LRU獨立）的方法 （150）
9.4.6 離散事件模擬的實施細則 （151）
9.4.7 運行剖面 （152）
9.5 PHM成本分析案例 （153）
9.5.1 單接口模型結果 （154）
9.5.2 多接口模型結果 （156）
9.6 商業案例構建：ROI分析 （159）
9.7 總結 （165）
原著參考文獻 （166）
第10章 PHM驅動的維修決策的評估和優化 （167）
10.1 單個系統中PHM驅動的維修決策的評估和優化 （167）
10.1.1 在單個系統中PHM驅動的預測性維修優化模型 （168）
10.1.2 案例研究：在單個系統中PHM驅動的維修決策優化（海上風力渦輪機） （170）
10.2 可用性 （172）
10.2.1 可用性業務：基於結果的合同 （172）
10.2.2 將合同條款納入維修決策 （173）
10.2.3 案例研究：在多系統中PHM驅動的維修決策優化（風電場） （174）
10.3 未來發展方向 （176）
10.3.1 可用性設計 （176）
10.3.2 基於預測的保修 （177）
10.3.3 合同工程 （177）
原著參考文獻 （178）
第11章 電子電路健康狀態和剩餘使用壽命估計 （179）
11.1 概述 （179）
11.2 相關工作 （180）
11.2.1 以元器件為中心的方法 （181）
11.2.2 以電路為中心的方法 （181）
11.3 基於核學習的電路健康狀態估計 （183）
11.3.1 基於核的學習 （183）
11.3.2 健康狀態估計方法 （184）
11.3.3 實施結果 （188）
11.4 基於濾波模型的RUL預測 （197）
11.4.1 故障預測問題描述 （197）
11.4.2 電路性能退化模型 （198）
11.4.3 基於模型的故障預測方法 （200）
11.4.4 實驗結果 （202）
11.5 總結 （208）
原著參考文獻 （209）
第12章 基於PHM的電子產品認證 （210）
12.1 產品認證的重要性 （210）
12.2 產品認證的考慮因素 （211）
12.3 當前的認證方法 （213）
12.3.1 基於標準的認證 （214）
12.3.2 基於知識或基於PoF的認證 （216）
12.3.3 基於故障預測的認證 （217）
12.4 結論 （221）
原著參考文獻 （222）
第13章 鋰離子電池PHM （223）
13.1 概述 （223）
13.2 SOC的估計 （224）
13.2.1 SOC估計案例分析1 （225）
13.2.2 SOC估計案例分析2 （229）
13.3 健康狀態的估計與預測 （234）
13.3.1 鋰離子電池預測案例分析 （234）
13.4 總結 （238）
原著參考文獻 （238）

第14章 發光二極管PHM （239）
14.1 概述 （239）
14.2 LED PHM方法評述 （240）
14.2.1 可用的故障預測方法概述 （240）
14.2.2 數據驅動方法 （241）
14.2.3 基於物理的方法 （245）
14.2.4 LED系統級故障預測 （246）
14.3 LED的模擬建模和失效分析 （246）
14.3.1 LED芯片級建模和失效分析 （247）
14.3.2 LED封裝級建模和失效分析 （252）
14.3.3 LED系統級建模和失效分析 （254）
14.4 LED照明系統應用健康監測的投資回報分析 （256）
14.4.1 ROI方法論 （257）
14.4.2 將系統健康監測應用於LED照明系統的ROI分析 （259）
14.5 總結 （268）
原著參考文獻 （268）
第15章 醫療PHM （269）
15.1 美國的醫療 （269）
15.2 醫療的考慮因素 （270）
15.2.1 可植入醫療器械的臨床應用 （270）
15.2.2 在護理機器人方面的考慮 （272）
15.3 PHM的優勢 （274）
15.3.1 安全性的提升 （275）
15.3.2 提高使用可靠性 （275）
15.3.3 增加任務可用性 （276）
15.3.4 延長系統的使用壽命 （276）
15.3.5 提高維修效率 （276）
15.4 可植入醫療器械的PHM （277）
15.5 護理機器人PHM （278）
15.6 基於“金絲雀”的醫療設備故障預測 （279）
15.7 總結 （280）
原著參考文獻 （280）
第16章 海底電纜的PHM （281）
16.1 海底電纜市場 （281）
16.2 海底電纜 （282）
16.3 海底電纜故障 （283）
16.3.1 內部故障 （283）
16.3.2 早期故障 （284）
16.3.3 外部故障 （284）
16.3.4 環境原因導致的故障 （285）
16.3.5 第三方破壞 （285）
16.4 最先進的監測 （285）
16.5 海底電纜的評定與維護 （286）
16.5.1 海底電纜的合格評定 （286）
16.5.2 機械測試 （287）
16.5.3 海底電纜的維護 （287）
16.6 數據採集技術 （287）
16.7 測量電纜材料的磨損行為 （288）
16.8 預測電纜移動 （289）
16.8.1 滑動距離推導 （290）
16.8.2 沖刷深度計算 （291）
16.9 電纜退化的預測 （291）
16.9.1 由於磨損造成的體積損失 （291）
16.9.2 腐蝕引起的體積損失 （292）
16.10 剩餘使用壽命 （293）
16.11 案例研究 （295）
16.12 未來的挑戰 （295）
16.12.1 隨機故障的數據驅動方法 （296）
16.12.2 環境故障的模型驅動方法 （296）
16.13 總結 （297）
原著參考文獻 （297）
第17章 聯網車輛的故障診斷與故障預測 （298）
17.1 引言 （298）
17.2 自動現場數據分析儀設計 （299）
17.2.1 數據採集子系統 （300）
17.2.2 信息抽象子系統 （300）
17.2.3 根本原因分析子系統 （300）
17.3 案例研究：車載電池用CVDP （303）
17.3.1 車載電池簡介 （303）
17.3.2 將AFDA應用於車輛電池 （304）
17.3.3 實驗結果 （305）
17.4 總結 （312）
原著參考文獻 （312）
第18章 PHM在商業航空公司中的作用 （313）
18.1 航空維修的發展歷程 （313）
18.2 各利益相關方對PHM的期望 （315）
18.2.1 乘客的期望 （315）
18.2.2 航空公司/運營商/飛機所有者的期望 （315）
18.2.3 飛機製造商的期望 （317）
18.2.4 發動機製造商的期望 （318）
18.2.5 系統和部件供應商的期望 （318）
18.2.6 MRO機構的期望 （319）
18.3 PHM的部署 （319）
18.3.1 SATAA （320）
18.4 PHM的應用 （322）
18.4.1 發動機健康管理（EHM） （323）
18.4.2 輔助動力單元的健康管理 （327）
18.4.3 環境控制系統和空氣分配系統的健康監測 （328）
18.4.4 著陸系統的健康監測 （328）
18.4.5 液體冷卻系統的健康監測 （329）
18.4.6 制氮系統的健康監測 （329）
18.4.7 油耗監測 （329）
18.4.8 飛行控制驅動系統的健康監測 （330）
18.4.9 電力系統的健康監測 （331）
18.4.10 結構健康監測 （332）
18.4.11 電池健康管理 （332）
18.5 總結 （333）
原著參考文獻 （333）
第19章 電子產品PHM軟件 （334）
19.1 PHM軟件：CALCE模擬輔助可靠性評估 （334）
19.2 PHM軟件：數據驅動 （338）
19.2.1 數據流 （339）
19.2.2 主要選項 （339）
19.2.3 數據預處理 （340）
19.2.4 特徵發現 （341）
19.2.5 異常檢測 （342）
19.2.6 診斷/分類 （344）
19.2.7 預測/建模 （346）
19.2.8 數據驅動PHM軟件發展面臨的挑戰 （348）
19.3 總結 （349）
原著參考文獻 （349）
第20章 電子維修 （350）
20.1 從被動維修到主動維修 （350）
20.2 電子維修的第一步 （351）
20.3 維修管理系統 （351）
20.3.1 壽命周期管理 （352）
20.3.2 電子維修系統 （353）
20.4 傳感器系統 （353）
20.4.1 PHM傳感器技術 （354）
20.5 數據分析 （354）
20.6 預測性維修 （355）
20.7 維修分析 （355）
20.7.1 維修分析的四個階段 （356）
20.7.2 維修分析和電子維修 （356）
20.7.3 維修分析和大數據 （356）
20.8 知識發現 （357）
20.9 綜合知識發現 （358）
20.10 人機交互的決策支持 （359）
20.11 電子維修的應用 （359）
20.11.1 鐵路電子維修 （359）
20.11.2 製造業中的電子維修 （361）
20.11.3 用於軸承振動測量的MEMS傳感器 （363）
20.11.4 用於溫度測量的無線傳感器 （363）
20.11.5 監控系統 （363）
20.11.6 電子維修雲和服務器 （364）
20.11.7 儀表板 （365）
20.11.8 報警管理系統 （365）
20.11.9 雲服務 （366）
20.11.10 圖形用戶界面 （367）
20.12 因特網技術與優化技術 （369）
原著參考文獻 （369）
第21章 物聯網時代的預測性維修 （370）
21.1 背景 （370）
21.1.1 維修計劃的挑戰 （371）
21.1.2 維修模式的演化 （371）
21.1.3 預防性維修與預測性維修的比較 （372）
21.1.4 P-F曲線 （372）
21.1.5 浴盆曲線 （373）
21.2 預測性項目收益 （374）
21.3 面向預測性維修的故障預測模型選擇 （375）
21.4 物聯網 （376）
21.4.1 工業物聯網 （376）
21.5 基於IoT的預測性維修 （377）
21.6 預測性維修應用案例 （378）
21.7 基於數據驅動的預測性維修的機器學習技術 （378）
21.7.1 監督學習 （379）
21.7.2 無監督學習 （379）
21.7.3 異常檢測 （379）
21.7.4 多類別和二元分類模型 （380）
21.7.5 回歸模型 （380）
21.7.6 生存模型 （381）
21.8 最優做法 （381）
21.8.1 商業問題和量化指標的定義 （381）
21.8.2 資產和數據源的識別 （382）
21.8.3 數據採集和轉換 （382）
21.8.4 模型建立 （383）
21.8.5 模型選擇 （383）
21.8.6 預測結果並轉化為流程見解 （384）
21.8.7 實施和部署 （384）
21.8.8 連續監測 （384）
21.9 成功的預測性維修的挑戰 （385）
21.9.1 預測性維修管理成功的關鍵性能指標 （385）
21.10 總結 （386）
原著參考文獻 （386）
第22章 電子產品PHM專利分析 （387）
22.1 概述 （387）
22.2 電子產品PHM專利分析 （389）
22.2.1 PHM專利的出處 （389）
22.2.2 PHM專利分析 （389）
22.3 電子系統PHM發展趨勢 （391）
22.3.1 半導體產品和電腦 （391）
22.3.2 電池 （393）
22.3.3 電動機 （396）
22.3.4 電路與系統 （398）
22.3.5 汽車和飛機中的電氣設備 （399）
22.3.6 網絡和通信設施 （401）
22.3.7 其他 （403）
22.4 總結 （404）
原著參考文獻 （404）
第23章 電子密集型系統的PHM技術路徑圖 （405）
23.1 概述 （405）
23.2 技術路線分類 （406）
23.2.1 元器件級PHM （406）
23.2.2 系統級PHM （410）
23.3 PHM方法論開發 （414）
23.3.1 最優算法 （415）
23.3.2 驗證和確認 （419）
23.3.3 長期的PHM研究 （420）
23.3.4 用於儲存的PHM （420）
23.3.5 無故障發現/間歇故障的PHM （421）
23.3.6 產品在不確定運行條件下的PHM （421）
23.4 非技術障礙 （422）
23.4.1 投資成本、投資回報和商業案例開發 （422）
23.4.2 責任和訴訟 （423）
23.4.3 維護文化 （424）
23.4.4 合同結構 （424）
23.4.5 標準組織作用 （424）
23.4.6 許可和授權管理 （426）
原著參考文獻 （426）
附錄A 用於PHM的商業傳感器系統 （427）
A.1 智能按鈕—ACR Systems （427）
A.2 OWL 400—ACR Systems （428）
A.3 SAVER ? 3X90—Lansmont Instruments （430）
A.4 G-Link-LXRS—LORD MicroStrain Sensing Systems （431）
A.5 V-Link-LXRS—LORD MicroStrain Sensing Systems （433）
A.6 3DM-GX4-25—LORD MicroStrain Sensing Systems （434）
A.7 IEPE-Link-LXRS—LORD MicroStrain Sensing Systems （436）
A.8 ICHM 20/20—Oceana Sensor （437）
A.9 環境監測系統200—Upsite Technologies （439）
A.10 S2NAP—RLW Inc. （440）
A.11 SR1應變計指示器—Advance Instrument Inc. （442）
A.12 P3應變指示器和記錄儀—微測量 （443）
A.13 基於空氣懸浮的稱重系統—VPG Inc. （445）
A.14 Radio Microlog—Transmission Dynamics （446）
附錄B 與PHM相關的期刊和會議記錄 （449）
B.1 期刊 （449）
B.2 會議記錄 （450）
附錄C 術語和定義詞匯表 （452）