故障预测与健康管理(PHM)技术的现状与发展
故障预测与健康管理（PHM）技术的现状与发展
曾声奎
北京航空航天大学可靠性工程研究所，北京 100083
Michael G. Pecht, 吴际
美国马里兰大学 CALCE电子产品与系统中心，马里兰，2074
Status and Perspectives of Prognostics and Health Management Technology) ZENG Sheng_kui1, Michael G. Pecht2, Wu Ji2
(1Institute of Reliability Engineering, Beihang University, Beijing#
100083, China)
(2CALCE Electronic Products and Systems Center ,University of Maryland,
College Park, MD 20742）
摘要：结合故障预测与健康管理（PHM）的技术发展过程，阐述了PHM的应用价值。论述了PHM技术系统级应用问题，提出了故障诊断与预测的人机环完整性认知模型，并依此对蓬勃发展的故障诊断与故障预测技术进行了分类与综合分析，给出了PHM技术的发展图像。针对故障诊断与预测的不确定性特征，对故障诊断与预测技术的性能要求、定量评价与验证方法进行了分析。最后，以PHM技术的工程应用为线索，提出了PHM技术发展中的几个问题。
关键词：故障预测；故障诊断；故障预测与健康管理
Abstract: This paper has briefed the potential benefits of Prognostics and Health Management (PHM) against its evolution history. The architecture for PHM system-level application is outlined, and a cognition model for diagnostics and prognostics is built based on the integrality of man-machine-environment. Directed by this model, various diagnostics and prognostics methods are classified and analyzed, and a whole picture of PHM is drawn. Uncertainty is a critical factor of PHM，its requirement-making, quantitative assessment and validation are discussed. Finally, key issues to do of PHM are listed with the goal of practical extensive use.
Key words: prognostic and Health Management; diagnostics; prognostics; cognition model
1. 引言
现代武器装备的采购费用和使用与保障（O&S）费用日益庞大，经济可承受性成为一个不可回避的问题。据美军综合数据[1][2]，在武器装备的全寿命周期费用中，使用与保障费用占到了总费用的72%。与使用保障费用相比，维修保障费用
在技术上更具有可压缩性。PHM、基于状态的维修（CBM）、货架产品（COTS）、自主保障（AL）等都是压缩维修保障费用的重要手段 [2][3][4]。
从20世纪70年代起，故障诊断、故障预测、CBM、健康管理等系统逐渐在工程中应用。70年代中期的A-7E飞机的发动机监控系统（EMS）成为PHM早期的典型案例[5]。在30年的发展过程中，电子产品机上测试（BIT）、发动机健康监控（EHM）、结构件健康监控（SHM）、齿轮箱、液压系统健康监控等具体领域问题的PHM技术得到了发展，出现了健康与使用监控系统（HUMS） [6]、集成状态评估系统（ICAS）[7][8]、装备诊断与预计工具(ADAPT) [9]等集成应用平台，故障诊断、使用监测、与维修保障系统交联是这些平台具有的典型特征，但故障预测能力和系统集成应用能力很弱或没有。例如， ICAS正在提升其故障预测能力、开放式系统集成能力，更好地满足系统级集成应用的需求[8]。
工程应用及技术分析[10]表明，PHM技术可以降低维修保障费用、提高战备完好率和任务成功率[3][4] [10]：
?通过减少备件、保障设备、维修人力等保障资源需求，降低维修保障费用；
?通过减少维修，特别是计划外维修次数，缩短维修时间，提高战备完好率；
?通过健康感知，减少任务过程中故障引起的风险，提高任务成功率。
本文在阐述PHM概念及其框架的基础上，依据故障诊断与预测的人机环完整性认知模型，对故障诊断与故障预测技术进行了分类与综合分析；分析了故障诊断与预测技术的性能要求、定量评价与验证方法；清理了PHM技术的发展方向。
2. PHM的系统级应用
PHM系统一般应具备故障检测、故障隔离、增强的诊断、性能检测、故障预测、健康管理、部件寿命追踪等能力[4]，通过联合分布式信息系统（JDIS）与自主保障系统交联。联合攻击战斗机（JSF）的PHM系统分为机上与地面两部分。机上部分，包括推进系统、任务系统等若干个区域管理者（AM），完成子系统、部件性能检测，增强的故障诊断，实现关键系统与部件的故障预测等任务[4]。例如，推进系统区域管理者（AM）就集成了吸入碎片监控（IDMS）、发动机微粒监控（EDMS）、涡流叶片监控（ECBS）、滑油微粒监控（ODM）等功能[11]。
大多数故障诊断与故障预测工具都具有领域相关的特点[9][12]。采用开放式的体系结构（OSA），方便各种故障诊断与预测方法的不断完善，实现即插即用，成为了在系统级实现PHM的一项关键技术 [8]。
典型的故障诊断与预测流程（图1）包含了数据采集、数据预处理、数据传输、特征提取、数据融合、状态监测、故障诊断、故障预测、保障决策等环节。数据的采集与传输，目前的发展体现在传感器的高精度、小型化、集成化、严酷环境适应性、可靠性（应比被监测对象更可靠）、低能耗，健壮与高速率传输的传感器网络等方面[13][14]，本文不再论述；在后文中主要集中在特征提取与数据融合、故障诊断与预测推理、以性能评价及保障决策等方面，对PHM技术的发展进行分析。
3. 故障诊断与预测技术的分类与分析
3.1 故障诊断与预测的认知模型
故障是产品不能完成规定功能或性能退化不满足规定要求的状态。故障诊断与预测都是对客观事物状态的一种判断，其最基本的出发点是判断者采信的信息源。客观事物的发展存在内因与外因两个方面，观察者、被观察对象、观测的环境构成了故障诊断与预测的完整认知模型（图2）。采信的信息源不同，构成了不同的故障诊断与预测方法论。对于故障诊断与故障预测来说，可以采信的信息源包括：
1.被观测对象直接的功能及性能信息（基于故障状态信息）；
2.被观测对象使用中表现出来的异常现象信息（基于异常现象信息）；
3.被观测对象使用中所承受的环境应力和工作应力信息（基于使用环境信
息）；
4.预置损伤标尺（precursor）的状态信息（基于损伤标尺信息）。
关于故障诊断与故障预测方法的分类，目前尚不统一，"基于经验、基于趋势、基于模型"[8]、""基于数据、基于模型"[15]等分类方法可以见诸文献。本文从故障诊断与故障预测的认知模型出发，依据采信的信息源不同对众多的故障诊断与故障预测方法进行归类分析，以期形成故障诊断与故障预测技术发展的完整图像。
3.2 基于故障状态信息的故障诊断与预测
直接采信被观测对象功能及性能信息进行故障诊断，是置信度最高的故障诊断方法，得到了最成功的应用。典型的方法包括电子产品的机上测试（BIT），以及非电子产品功能系统的故障诊断等。本文对具体方法不作说明。
虚警率（FA）高或不能复现（CND）故障多是困扰BIT的一个主要问题。以航空电子为例，美国F/A-18C飞机1996-1998年统计，虚警率高达88%，平均虚警间隔飞行时间（MFHBFA）不到1小时[16]。
造成BIT虚警率高的原因，除了BIT系统本身的设计问题外，主要表现为不可复现（CND）或重测合格（RTOK）等状态[17]。CND状态出现的原因一直是近年研究的热点，有专家认为，由于机上与地面工作应力和环境应力的不同，以及拆装过程的影响，使得机上测试状态与地面复测状态存在差异，是导致CND和虚警的一个主要原因[17][18][19]。与使用环境数据等进行融合，进行综合诊断，成为提高BIT能力的重要途径。
另外，实验证明环境应力对电子产品造成的某些累积损伤也表现为电性能的退化[18][20]，在现行BIT体系的基础上，采集电性能退化信息，有可能实现对电子产品的故障预测[17][18]。
3.3 基于异常现象信息的故障诊断与故障预测
通过被观测对象在非正常工作状态下所表现出来或可侦测到的异常现象（振动、噪声、污染、温度、电磁场等）进行故障诊断，并基于趋势分析进行故障预测。大多数机械产品由于存在明显的退化过程，多采用这种故障诊断与预测方式。
基于异常现象信息进行故障诊断与故障预测的一个主要问题是异常信息往往被正常工作噪声所掩盖。例如，采用振动或噪声分析手段对直升机齿轮箱进行故障诊断与预测时，状态异常（轮齿磨损）引起的振动载荷变化可能只有1/4G，而正常工作振动载荷可能达到1000G,信噪比为1:4000[21]。另一个问题是异常现象是宏观的系统级的，而故障原因却是部件级、材料级的，一种现象常存在多种可能的原因，导致故障定位困难。
基于异常现象信息进行故障诊断与故障预测的任务是：基于历史统计数据、故障注入获得的数据等各类已知信息，针对当前产品异常现象特征，进行故障损伤程度的判断及故障预测（图3）[22][23]。概率分析方法、人工神经网络、专家系统、模糊集、被观测对象物理模型等都可以用于建立异常现象与故障损伤关系模型。
概率趋势分析模型[8][24]
此类方法通过异常现象对应的关键参数集，依据历史数据建立各参数变化与故障损伤的概率模型（退化概率轨迹），与当前多参数概率状态空间进行比较，进行当前健康状态判断与趋势分析。通过当前参数概率空间与已知损伤状态概率空间的干涉来进行定量的损伤判定，基于既往历史信息来进行趋势分析与故障预测。
概率趋势分析模型已用于涡轮压缩机气道等的故障预测，主要监控效率、压缩比、排气温度、燃油流量等四个参数[24]。图4为双参数状态空间下，压缩机健康状态演化图，2%及4%的点代表了已知的相应损伤的概率空间,椭圆为概率分布等高线。
?神经网络（ANN）趋势分析模型[8][21][22]
此类方法利用ANN的非线性转化特征，及其智能学习机制，来建立监测到的故障现象与产品故障损伤状态之间的联系。利用已知的“异常特征-故障损伤”退化轨迹，或通过故障注入（seeded fault）建立与特征分析结果关联的退化轨迹，对ANN模型进行“训练/学习”；然后，利用“训练/学习”后的ANN依据当前产品特征对产品的故障损伤状态进行判断。由于ANN具有自适应特征，因此可以利用非显式特征信息来进行“训练/学习”与故障损伤状态判断。
?基于系统模型进行趋势分析[23][25]
此类方法利用建立被观测对象动态响应模型（包括退化过程中的动态响应），针对当前系统的响应输出，进行参数辨识，对照正常状态下的参数统计特性，进行故障模式确认、故障诊断和故障预测（图5）。这种方法提供了一种不同于概率趋势分析、ANN的途径，具有更高的置信度和故障早期预报能力[25]。
例如，针对机电式作动器（EMA）进行故障预测时[25]，基于MATLAB 建立EMA动态仿真模型，采用干摩擦系数（FDC）、局部齿轮硬度（LGS）、扭矩常数（TC）、电机温度（MT）作为关键参数进行故障预测。FDC 变化对作动筒响应的影响如图5所示。
3.4 基于使用环境信息的故障预测
由于电子产品尚无合适的可监测的耗损参数和性能退化参数、故障发生进程极短（毫秒级）等原因[15]，电子产品的寿命预测一直是一个难点。由美国马里兰大学CALCE ESPC提出的电子产品"寿命消耗监控（LCM）"方法论[26][27]是目前主要发展方向。LCM方法论（图6）采信的是环境信息，基于电子产品的失效物理模型，通过环境应力和工作应力监测，进行累计损伤计算，进而推断产品的剩余寿命。
LCM方法论的基础是对产品对象失效模式、失效机理的透彻了解，并建立量化的失效物理模型。电子产品（特别是电子元器件）的失效物理研究已有40年的历史，积累了丰富的模型，典型的模型包括焊点疲劳、电迁移、热载流子退化、时间相关介电质击穿（TDDB）、锡须、导电细丝形成（CFF）等[28]。
LCM方法论已用于航天飞机火箭助推器电子组件[29]、航天飞机远距离操作系统（SRMS）电子组件[30]、JSF飞机电源开关模块和DC/DC转换器[31]、航空电源[32]等的寿命预测，取得了良好的效果。LCM方法论事实上也适用于机械产品，目前已尝试在美军轮式地面车辆[33]、直升飞机齿轮箱中的正齿轮和蜗杆[34]等机械产品中应用。
3.5 基于损伤标尺的故障预测
所谓损伤标尺(precursor)，是针对一种或多种故障机理，以被监控产品相同的工艺过程制造出来的、预期寿命比被监控对象短产品。
基于对被监控对象特定失效机理的认识，损伤标尺可以做到定量设计。通过一系列不同健壮程度的损伤标尺，可以实现电子产品损伤过程的连续定量监控,解决LCM方法累计损伤程度难以证实的问题。
基于损伤标尺的故障预测可以在器件内和电路板级进行。器件内的损伤标尺，目前已有商业化的产品。针对静电损伤（ESD）、TDDB、电迁移、热载流子、辐射损伤等失效机理，做到了在宿主器件剩余20%寿命时失效[35]。目前国外军品器件大量断档的现实，为器件内的损伤标尺开辟了更大的应用空间。内建损伤标尺的器件，同时也是电路板组件的损伤标尺[36]。
3.6 数据融合及综合诊断与预测
综合利用来自多种信息源的、多参数、多传感器信息，以及历史与经验信息，以减小故障诊断与预测的差错，提高置信度，是数据融合的根本任务。
故障诊断与预测中的数据融合可以在三个层次进行[37]：①传感器层融合，没有信息丢失，但传输与计算量大；②特征层融合，特征提取时有信息丢失。③推理层融合。典型的数据融合过程（图1）包括在特征层融合时采信传感器层的关键原始数据，推理层融合时采信相似产品可靠性统计数据或专家经验知识。
数据融合时要考虑的主要问题是各种来源的信息的可信程度/精确度是不一样的，不恰当的数据融合也会导致故障诊断与预测的置信度降低[21][37]。常用的数据融合方法有权重/表决、贝叶斯推理、
Dempster-Shafer、卡尔曼滤波、神经网络、专家系统、模糊逻辑等方法[21]。
当前大量的应用案例都采用了数据融合的综合诊断与预测方法。例如，采用卡尔曼滤波方法对机械传动的振动数据进行融合[38] 、采用自动推理对齿轮箱的振动数据与油液污染数据进行融合[39]、采用权重方法和贝叶斯推理方法对监控直升飞机传动系的多加速度传感器数据进行融
合[40]等。图7为采用ANN融合齿轮箱领域专家知识与振动监测数据、试验台数据的方法，应用于齿轮箱健康监控，提高了对初期故障的预测置信度[41]。
需要强调的是，对于采用LCM方法的电子产品故障预测，更需要采用数据融合的方式提高预测的置信度。此类研究目前未见报道。
4. 故障诊断与预测技术的性能要求、评价与验证
由于产品内部特性（结构尺寸、材料特性等）、外界应力、量化故障规律、观测数据等的不确定性[42][43]，导致了故障诊断与预测的不确定性，产生了PHM技术的性能评价与验证问题。
4.1 故障诊断与预测的性能要求
故障检测与预测的置信度是随着损伤的严重程度而增大的。图8为实际损伤程度以及诊断置信度随时间的变化曲线[44]。
与BIT相似，针对退化效应的故障诊断与预测的性能参数也包括检测、隔离、预测三个方面，其中检测与预测能力是关键[44]。目前采用检测门限、总精度、稳定度、载荷灵敏度来描述故障检测水平[44]，采用预测时机及置信水平、预测距离来描述故障预测水平[15][45]。
检测门限用于表示达到特定检测置信度时的归一化剩余强度；总精度用于表达在损伤坐标尺下的平均检测置信水平；稳定度用于反映在同一损伤尺度下检测置信度的波动情况；载荷灵敏度来描述不同工作应力水平下检测置信水平的变化；预测时机与相应的置信度一起描述了故障预测水平（prognostics horizon）[15]。预测时机与实际发生故障时间的差距
称为预测距离，是另一个描述故障预测水平的关键参数，反映了故障预测是否足够及时，以便预留足够的维修保障准备时间。
4.2 故障诊断与预测的性能评价及验证
目前对于PHM技术的不确定性定量评价与验证，采取的主要手段是通过收集历史数据和故障注入产生的数据，建立相应领域的试验台（test bench），来对相应领域的各种故障诊断与预测方法进行验证与评价。例如，JSF项目资助的注入故障发动机试验台（SFET）[11],用于完成对JSF发动机健康监控方法的验证与评价；宾夕法尼亚大学应用研究实验室（ARL）的机械诊断测试台（MDTB）[41]，积累了大量齿轮、轴、轴承以及美海军航空母舰重要失效数据；IMPAC公司开发的性能评价工具（MET）[46]，用于对基于振动特征的健康监控方法进行评价。
5. 故障预测与健康管理技术展望
PHM技术的发展经历了故障诊断、故障预测、系统集成三个日益完善的阶段，在部件级和系统级两个层次、在机械产品和电子产品两个领域经历了不同的发展历程。当前PHM技术的发展体现在以系统级集成应用为牵引，提高故障诊断与预测精度、扩展健康监控的应用对象范围，支持CBM与AL的发展。
在PHM系统集成应用方面，体现在①如何采用并行工程的原则，与被监控产品设计同步，进行PHM的框架设计与细节设计？②如何进行PHM的定量性能评价与验证？③针对故障预测的不确定性，如何进行风险-收益分析，实现容忍不确定性的保障决策？
在提高故障诊断与预测精度方面，体现在①研究混合及智能数据融合技术，加强经验数据与故障注入数据的积累，提高诊断与预测置信度；②不断寻求高信噪比的健康监控途径。③研究灵巧、健壮的传感器，提高数据源阶段的精度。
在扩展应用对象范围方面，体现在向电子产品故障预测的扩展。①如何与故障预测技术相结合，提升BIT能力，减少CND，降低虚警率？②如何实现LCM不确定性的定量评价？③如何把LCM与损伤标尺技术相结合，提高LCM的置信度?
参考文献
[1] Alford, L.D., Jr.; The problem with aviation COTS, Aerospace and Electronic Systems Magazine, IEEE,Volume 16, Issue 2, Feb. 2001
[2] Gartner, D.L.; Dibbert, S.E.; Application of integrated diagnostic process to non-avionics systems, AUTOTESTCON Proceedings, 2001. IEEE
Systems Readiness Technology Conference.
[3] Byer,B.; Hess,A.; Fila,L.; Writing a convincing costbenefit analysis to substantiate autonomic logistics, Aerospace Conference, 2001, IEEE Proceedings. Volume 6.
[4] Hess,A.; Calvello,G.; Dabney,T.; PHM a key enabler for the JSF autonomic logistics support concept，Aerospace Conference, 2004. Proceedings. 2004 IEEE，Volume 6.
[5] Andy Hess, The Joint Strike Fighter (JSF) Prognostics and Health Management, NDIA 4th Annual Systems Engineering Conference, 2001 [6] (10)Gill, J.J.; Lessons learned from rotary- and fixed-wing HUMS applications, Aerospace Conference Proceedings, 2000 IEEE, Volume 6.
[7] Byington,C.S.; Watson,M.; Roemer,M.J.; Galic,T.R.;McGroarty, J.J.; Prognostic enhancements to gas turbine diagnostic systems，Aerospace Conference, 2003. Proceedings. 2003 IEEE，Volume 7.
[8] Byington,C.S.; Roemer,M.J.; Galie,T.; Prognostic enhancements to diagnostic systems for improved condition-based maintenance，Aerospace Conference Proceedings, 2002. IEEE,Volume 6.
[9] Araiza,M.L.; Kent,R.; Espinosa,R.; Real-time, embedded diagnostics and prognostics in advanced artillery systems, AUTOTESTCON Proceedings, 2002. IEEE, Oct. 2002 Page(s):818 - 841
[10] Bridgman, M.S.; Relating failure prognostics to system
benefits,Aerospace Conference Proceedings, 2002. IEEE,Volume 7. [11] Powrie, H.E.G.; Fisher, C.E.; Engine health monitoring: Towards total prognostics, Aerospace Conference, 1999. Proceedings. Volume 3. [12] Su, L.P.; Nolan, M.; DeMare, G.; Carey, D.R.; Prognostics framework, AUTOTESTCON '99. IEEE Systems Readiness Technology Conference, 1999.
[13] Harman, R.M.; Wireless solutions for aircraft condition based maintenance systems, Aerospace Conference Proceedings, 2002. IEEE, Volume 6.
[14] Nickerson, B.; Lally, R.; Development of a smart wireless networkable sensor for aircraft engine health management, Aerospace Conference, 2001, IEEE Proceedings. Volume 7.
[15]
https://www.360docs.net/doc/b37631691.html,/whats_new/upcoming/2004/workshop/02.pdf [16] Karen T. Bain and David G. Orwig, F/A-18E/F Built-In-Test (BIT) Maturation Process, NDIA 3th Annual Systems Engineering Conference, 2000.
[17] R. Williams, J. Banner, I. Knowles, M. Natishan, and M. Pecht, An
Investigation of 'Cannot Duplicate' Failure, Quality and Reliability Engineering International;, Vol. 14, pp. 331-337, 1998
[18] M.Pecht, M.Dube, M.Natishan, R.Williams, J.Banner and I. Knowles, An Evaluation of Built-In Test, IEEE Transactions on Aerospace and Electronic Systems, Vol. 37, No. 1, pp. 266-272, January 2001.
[19] Pecht, M.; Ramappan, V.; Are components still themajor problem: a review of electronic system and device field failure returns,Components, IEEE Transactions on Hybrids, and Manufacturing Technology,Volume 15, Issue 6, Dec. 1992
[20] Kirkland, L.V.; Pombo, T.; Nelson, K.; Berghout, F.; Avionics health management: searching for the prognostics grail,Aerospace Conference, 2004. Proceedings. 2004 IEEE, Vol 5.
[21] D. L. Hall, S.A.H. McMullen. Mathematical techniques in multisensor data fusion，Boston: Artech House, c2004.
[22] J. H. Williams，A. Davies，P. R. Drake, Condition-based maintenance and machine diagnostics，Chapman & Hall, 1994.
[23] H.G. Natke, C. Cempel, Model-aided diagnosis of mechanical systems: fundamentals, detection, localization, and assessment，Springer Verlag,
c1997.
[24] G. J. Kacprzynski, M. Gumina,etc, A PROGNOSTIC MODELING APPROACH FOR PREDICTING RECURRING MAINTENANCE FOR SHIPBOARDPROPULSION SYSTEMS, Proceedings of ASME Turbo Expo 2001, New Orleans, LA USA
[25] Byington, C.S.; etc; A model-based approach to prognostics and health management for flight controlactuators，Aerospace Conference, 2004. Proceedings. 2004 IEEE，Volume 6.
[26] A. Ramakrishnan and M. Pecht, A Life Consumption Monitoring Methodology for Electronic Systems,IEEE Transactions on Components and Packaging Technologies, Vol. 26, No. 3, pp. 625-634, September, 2003.
[27] R. Valentin, M. Osterman and Bob Newman, Remaining Life Assessment of Aging Electronics in Avionic Applications, The Annual Reliability and Maintainability, 2003 Proceedings, pp. 313-318, Tampa Florida, January 27-30, 2003.
[28] Milton ohring, reliability and failure of electronic materials and devices, Academic Press,1998
[29]
https://www.360docs.net/doc/b37631691.html,/whats_new/upcoming/2004/workshop/06.pdf
[30] V. Shetty, D. Das, M. Pecht, D. Hiemstra and S. Martin, Remaining Life Assessment of Shuttle Remote Manipulator System End
Effector,Proceedings of the 22nd Space Simulation Conference, Ellicott City, MD, October 21-23, 2002.
[31]
https://www.360docs.net/doc/b37631691.html,/whats_new/upcoming/2004/workshop/09.pdf [32]
https://www.360docs.net/doc/b37631691.html,/whats_new/upcoming/2004/workshop/05.pdf [33]
https://www.360docs.net/doc/b37631691.html,/whats_new/upcoming/2004/workshop/03.pdf [34] Kacprzynski, G.J.; Roemer, M.J.; Modgil, G.; Palladino, A.; Maynard, K.; Enhancement of physics-of-failure prognostic models with system level features,Aerospace Conference Proceedings, 2002. IEEE.
[35] https://www.360docs.net/doc/b37631691.html,/docs/News_Release_C&D_Tech.pdf
[36]
https://www.360docs.net/doc/b37631691.html,/whats_new/upcoming/2004/workshop/07.pdf [37] Roemer, M.J.; Kacprzynski, G.J.; Orsagh, R.F.; Assessment of data and knowledge fusion strategies for prognostics and health management, Aerospace Conference, 2001, IEEE Proceedings.Volume 6.
[38] Mcclintic, K.T., Feature prediction and tracking for monitoring the condition of complex mechanical systems, in Acoustics, University Park, PA: The Pennsylvania State University,1998.
[39] Byington C.S., etc, Fusion techniques for vibration and oil
debris/quality in gearbox failure testing, International conference on condition monitoring, Swansea, 1999.
[40] Erdley, J.L., Improved fault detection using multilsensor data fusion, in Electrical Engineering, University Park, PA: The Pennsylvania State University,1997.
[41] Garga, A.K.; McClintic, K.T.; Campbell, R.L.; Chih-Chung Yang; Lebold, M.S.; Hay, T.A.; Byington, C.S.; Hybrid reasoning for prognostic learning in CBM systems, Aerospace Conference, 2001, IEEE Proceedings.Volume 6.
[42] Achintya Haldar, Sankaran Mahadevan. Reliability assessment using stochastic finite element analysis，New York: John Wiley & Sons, c2000.
[43] https://www.360docs.net/doc/b37631691.html,/members/projects/2005/C05-29/spring.pdf
[44] Orsagh, R.F.; Roemer, M.J.; Savage, C.J.; Lebold, M.; Development of performance and effectiveness metrics for gas turbine diagnostic technologies, Aerospace Conference Proceedings, 2002. IEEE, vol.6
[45] https://www.360docs.net/doc/b37631691.html,/members/projects/2005/C05-31/spring.pdf
[46] Byington C.S., etc, Metrics evaluation and tool development for health and usage monitoring system technology, The American helicopter society 59th annual forum, Phoenix, Arizona, 2003.
作者简介：
曾声奎（1968－）男，贵州兴义人，北京航空航天大学可靠性工程研究所研究员，主要研究方向为可靠性设计与分析、计算机辅助可靠性维修性保障性设计、故障预测与健康监控、性能与可靠性一体化设计等。email:zengshengkui@https://www.360docs.net/doc/b37631691.html,
Michael G. Pecht（1952－）男，美国马里兰大学CALCE电子产品和系统中心的创建者、主任和首席教授，IEEE和ASME院士（Fellow）。《Microelectronics Reliability International 》主编,《IEEE Transactions on Components and Packaging Technology》和《International Microelectronics Journal》副主编。曾担任8年《IEEE Transactions on reliability》主编，出版了18本关于电子产品研发、使用和供应链管理方面的著作。email:pecht@https://www.360docs.net/doc/b37631691.html,
吴际（1972－）女，美国马里兰大学CALCE电子产品和系统中心研究科学家，博士，IEEE会员。研究领域包括无铅焊接电子产品可靠性评估、电连接器和IC插座、加速试验、失效分析、可靠性能力评估等。她是《Lead-Free Electronics》、《The Chinese Electronics Industry -2003 edition》的作者之一。email:jwu@https://www.360docs.net/doc/b37631691.html,
慢病患者的健康管理研究现状及启示要点
?综述?慢病患者的健康管理研究现状及启示 李桂蓉 ６２１０００四川省绵阳，绵阳市中心医院眼科 ＤＯＩ：１０．３７６０／ｃｍａ．ｊ．ｉｓｓｎ．１００８－６７０６．２０１６．０８．０４０ 【摘要】 慢病的健康管理是目前医疗延伸服务的研究方向和热点。本研究系统地回顾了国内外慢病健 康管理的发展、慢病的管理模式，提出了国内现行慢病健康管理模式存在的诸多问题，认为慢病健康管理需要 明确对象与标准、建立多方联动的信息化机制、以政府和法律为保障的强基层医疗队伍建设、多部门联合的分 级诊疗实施，试图为慢病健康管理提供理论依据。 【关键词】 慢病； 健康管理 Ｔｈｅｓｉｔｕａｔｉｏｎａｎｄｅｎｌｉｇｈｔｅｎｍｅｎｔｏｆｍａｎａｇｅｍｅｎｔａｎｄｒｅｓｅａｒｃｈｏｎｃｈｒｏｎｉｃｐａｔｉｅｎｔｓ＇ｈｅａｌｔｈＬｉＧｕｉｒｏｎｇ． ＤｅｐａｒｔｍｅｎｔｏｆＯｐｈｔｈａｌｍｏｌｏｇｙ，ＭｉａｎｙａｎｇＣｅｎｔｒａｌＨｏｓｐｉｔａｌ，Ｍｉａｎｙａｎｇ，Ｓｉｃｈｕａｎ６２１０００，Ｃｈｉｎａ 【Ａｂｓｔｒａｃｔ】 ＯｂｊｅｃｔｉｖｅＡｔｐｒｅｓｅｎｔ，ｈｅａｌｔｈｃａｒｅｆｏｒｃｈｒｏｎｉｃｄｉｓｅａｓｅｓｉｓｔｈｅｈｉｇｈｌｉｇｈｔｏｆｍｅｄｉｃａｌｅｘｔｅｎｄｅｄｓｅｒｖ－ ｉｃｅ．Ｔｈｅａｒｔｉｃｌｅｈａｓｓｙｓｔｅｍａｔｉｃａｌｌｙｄｅｍｏｎｓｔｒａｔｅｄｔｈｅｄｅｖｅｌｏｐｍｅｎｔａｎｄｍａｎａｇｅｍｅｎｔｍｏｄｅｓｏｆｈｅａｌｔｈｃａｒｅｆｏｒｃｈｒｏｎｉｃ ｄｉｓｅａｓｅｓｂｏｔｈａｔｈｏｍｅａｎｄａｂｒｏａｄ，ａｎｄａｌｓｏｒａｉｓｅｄｖａｒｉｏｕｓｐｒｏｂｌｅｍｓｉｎｔｈｅｃｕｒｒｅｎｔｍａｎａｇｅｍｅｎｔｍｏｄｅｌ．Ｉｔｉｓｎｅｃｅｓｓａｒｙ ｔｏｆｉｎｄｔｈｅｃｏｒｒｅｃｔｏｂｊｅｃｔｓａｎｄｓｔａｎｄａｒｄｓ，ａｎｄｂｕｉｌｄａｎｉｎｔｅｒ－ｃｏｎｎｅｃｔｅｄａｎｄａｌｌ－ｒｏｕｎｄｍｅｃｈａｎｉｓｍｂａｓｅｄｏｎｉｎｆｏｒｍａ－ ｔｉｏｎａｎｄａｐｏｗｅｒｆｕｌｇｒａｓｓ－ｒｏｏｔｍｅｄｉｃａｌｇｒｏｕｐｂａｃｋｅｄｕｐｂｙｔｈｅｇｏｖｅｒｎｍｅｎｔａｎｄｌａｗ．Ｗｅｃａｌｌｆｏｒｔｈｅｃｌａｓｓｉｆｉｅｄｉｍｐｌｅ－ ｍｅｎｔａｔｉｏｎｂｙｊｏｉｎｔｅｆｆｏｒｔｓｏｆａｌｌｄｅｐａｒｔｍｅｎｔｓｔｏｐｒｏｖｉｄｅｖａｌｉｄｔｈｅｏｒｉｅｓｆｏｒｈｅａｌｔｈｃａｒｅｆｏｒｃｈｒｏｎｉｃｄｉｓｅａｓｅｓ．【Ｋｅｙｗｏｒｄｓ】 Ｃｈｒｏｎｉｃｄｉｓｅａｓｅ； Ｈｅａｌｔｈｃｏｎｔｒｏｌ 慢病已成为２１世纪危害人们健康的主要问题［１］。慢病健康管理是以生物－心理－社会医学模式为主导，通过对慢病患者及高危人群提供系统、全面、全程、连续、主动、综合的健康管理措施，以促进健康，延缓疾病进程，减少并发症，降低致残率，从而延长人均寿命，提高生活质量，降低医疗费用的管理模式［２］。慢病健康管理起源于２０世纪６０年代美国，２０世纪８０年代形成体系并迅速在英国得到推广［３－５］。慢病健康管理对象主要以心脑血管病、糖尿病、恶性肿瘤、慢性呼吸系统疾病等为代表的疾病［６］。因其高发病率和病死率、低知晓率和控制率特点，给国家带来较大的经济负担，成为了目前全球的公共卫生问题。 １慢病需求的增加推动慢病健康管理快速发展 近年来，随着疾病谱的改变，使得越来越多的病种归入慢病的范畴，人口老龄化趋势导致越来越多的失能、半失能老年人和伴随多种疾病的老年人增加，因慢病而引起的发病和死亡比例呈直线上升趋势。预计到２０２０年，发展中国家８０％的疾病负担来自慢病问题［７－８］。我国在医疗卫生改革中将提高服务效率、降低费用、缩短患者平均住院时间等作为改革措施［９］，使得更多的慢病患者无法在医疗机构享受医疗服务，催生并促进了慢病管理学科和延伸护理的建立与持续发展。国家卫计委出台的《中国慢病防治工作规划（２０１２－２０１５年）》［１０］提出：关口前移以推进全民健康生活方式；拓展服务以及时发现管理高风险人群；规范防治以提高慢病诊治康复效果；明确职责以加强慢病防治有效协同；抓好示范，提高慢病综合防控能力；共享资源，完善慢病监测信息管理。中国护理事业发展规划纲要（２０１１－２０１５年）更是明确提出建立和完善“以机构为支撑、居家为基础、社区为依托”的长期护理服务体系，提高对长期卧床患者、晚期姑息治疗患者、老年慢病患者等人群提供长期护理、康复、健康教育、临终关怀等服务的能力［１１］。 ２国外慢病健康管理的发展特点 ２．１ 慢病健康管理起源早、发展快、管理系统日趋完善慢病健康管理起源于２０世纪６０年代，１９６０年美国开始进行“全民健康与营养调查（ＮＨＩＳ）”，开启了慢病健康管理之路，之后英国、芬兰、日本等发达国家陆续开展慢病管理，逐步形成较为成熟的健康管理体系。美国政府认为慢病健康管理关系到国家经济、政治和社会稳定，一直致力于积极制定健康管理计划及建立慢病健康管理体系［１２］。英国和芬兰主要以社区卫生服务推进慢病管理体系，他们认为只要改变影响健康的不良生活为就可以有效地控制慢病的进展。而日本则主要以提供专业的健康管理师为特色，并且有政府和民间的健康管理组织合作为慢病患者提供健康服务［１３］。外国学者认为，慢病患者的健康管理需要完成疾病治疗管理，在慢病健康管理过程中产生新的角色及在工作、家庭和朋友中新的定位，还有如何正确面对疾病所致的情绪这三方面的任务［１４］。经过３０余年的实践证明，国外的慢病健康管理理念及体系已趋于完善，并成为提高国民健康水平最经济、最有效的措施。
预测与健康管理(PHM)技术现状与发展
随着高科技的不断注入，现代装备的高集成化、高智能化以及分析处理问题的高效化日益增强，随之而来的系统的故障诊断、维修保障和可靠性越来越受到人们的高度重视。 目前世界上大部分装备的维护多以定期检查、事后维修为主，不仅耗费大量的人力和物力，而且效率低下。PHM(Prognosties and Health Management)预测与健康管理技术是综合利用现代信息技术、人工智能技术的最新研究成果而提出的一种全新的管理健康状态的解决方案。PHM系统未来一段时间内系统失效可能性以及采取适当维护措施的能力，一般具备故障检测与隔离、故障诊断、故障预测、健康管理和部件寿命追踪等能力。 PHM技术的发展过得去是人们自我学习和提升的过程，即从对设备的故障和失效的被动维护，到定期检修、主动预防，再到事先预测和综合规划管理。美陆军早期装备直升机的健康与使用监测系统就是PHM最原始的形态。20世纪60年代，由于航空航天领域极端复杂的环境和使用条件驱动了最初的可靠性理论、环境试验和系统试验能及质量方法的诞生。随着宇航系统复杂性的增加，由设计不充分、制造误差、维修差错和非计划事件等各种原因导致故障的机率也在增加，迫使人们在70年代提出了航天器综合健康管理的概念来监视系统状态。随着故障监测和维修技术的迅速发展，先后开发应用的有飞机状态监测系统、发动机监测系统、综合诊断预测系统以及海军的综合状态评估系统等。随后出现的这些诊断故障原和检测状态的技术，最终带来了故障预测方法PHM的诞生。 上世纪末，随着美军重大项目F-35联合攻击机(JSF)项目的启动，正式把以上的故障预测和维修全面解决方案命名为预测与健康管理(PHM)系统，为PHM技术的诞生带来了契机。PHM是JSF项目实现经济承受性、保障性和生存性目标的一个关键所在。JSF的PHM系统是当前飞机上使用的(BIT)和状态监控的发展，这种发展的主要技术要素是从状态(健康)监控向状态(健康)管理的转变，这种转变引入了故障预测能力，借助这种能力从整个系统(平台)的角度来识别和管理故障的发性，其目的是减少维修人力物力、增加出动架次率以及实现自主式保障。 PHM技术的发展大致经历了由外部测试到机内测试(BIT)，进而测试独立出来成为一门学科，然后便是综合诊断的提出与应用，最后便是发展到现在的预测与健康管理(PHM)技术。 在航空航天、国防军事以及工业各领域中应用的不同类型的PHM系统，其体现的基本思想是类似的，区别主要表现在不同领域其具体应用的技术和方法的不同。一般而言，PHM 系统主要有六个部分构成： 1、数据采集利用各种传感器探测、采集被检系统的相关参数信息，将收集数据进行有效信息转换以及信息传输等。 2、信息归纳处理接受来自传感器以及其它数据处理模块的信号和数据信息，将数据信息处理成后续部件可以处理的有效形式或格式。该部分输出结果包括经过滤波、压缩简化后的传感器数据，频谱数据以及其它特征数据等。 3、状态监测接受来自传感器、数据处理以及其它状态监测模块的数据。其功能主要是将这些数据同预定的失效判据等进行比较来监测系统当前的状态，并且可根据预定的各种参数指标极限值/阈值来提供故障报警能力。 4、健康评估接受来自不同状态监测模块以及其它健康评估模块的数据。主要评估被监测系统(也可以是分系统、部件等)的健康状态(如是否有参数退化现象等)，可以产生故障诊断记录并确定故障发生的可能性。故障诊断应基于各种健康状态历史数据、工作状态以及维修历史数据等。 5、故障预测决策故障预测能力是PHM系统的显著特征之一。该部件由两部分组成，可综合利用前述各部分的数据信息，评估和预测被监测系统未来的健康状态，并做出判断，建议、决策采取相应的措施。该部件可以在被监测系统发生故障之前的适宜时机采取维修措施。该部分实现了PHM系统管理的能力，是另一显著特征之一。
健康管理行业发展现状研究
健康管理行业发展现状研究 作者：[程蕾] 来源：国泰君安证券 一、行业的现状、规模以及所处的生命周期（一）行业现状与规模随着社会发展和生活水平的普遍提高，人们对健康的追求越来越高，相关健康服务业发展前景广阔。以生物技术和生命科学为先导，涵盖医疗卫生、营养保健、健身休闲等健康服务功能的健康产业成为引导全球经济发展和社会进步的重要产业。据统计，目前全球股票市值中，健康产业相关股票的市值约占总市值的13%左右。特别是在发达国家，健康产业已经成为带动整个国民经济增长的强大动力，美国的医疗服务、医药生产、健康管理等健康行业增加值占GDP比重超过16%，加拿大、日本等国健康产业增加值占GDP比重也超过10%。在我国，健康产业仅占中国国民生产总值的5%左右，低于许多发展中国家。根据《国务院关于促进健康服务业发展的若干意见》（国发[2013]40号）规划，到2020年，基本建立覆盖全生命周期、内涵丰富、结构合理的健康服务业体系，打造一批知名品牌和良性循环的健康服务产业集群，并形成一定的国际竞争力，基本满足广大人民群众的健康服务需求。健康服务业总规模达到8万亿元以上，成为推动经济社会持续发展的重要力量。据前瞻产业研究院发布的《2014-2018年中国健康服务行业市场前瞻与投资战略规划分析报告》的数据分析，中国健康管理市场保守估计将呈20%的年增长率发展，2014年中国健康管理市场预期将达1075亿元，2018年将达到2188 亿元。可以说，健康服务及相关产业前景广阔，市场潜力巨大。健康服务业以维护和促进人民群众身心健康为目标，主要包括医疗服务、健康管理与促进、健康保险以及相关服务，涉及药品、医疗器械、保健用品、保健食品、健身产品等支撑产业，覆盖面广，产业链长。1、世界主要发达国家卫生费用支出情况根据世界卫生组织统计，2013年，美国卫生总费用支出26565亿美元，占GDP比重17.60%，日本卫生总费用支出5400亿美元，占GDP比重9.20%，德国卫生总费用支出4114亿美元，占GDP比重11.50%，英国卫生总费用支出2321亿美元，占GDP比重9.60%，中国卫生总费用支出3649亿美元，占GDP比重5%。我国与世界发达国家相比，卫生支出占比相对较低。
故障预测与健康管理系统方案
故障预测与健康管理系统解决方案 1.国内数字化设备管理存在的问题 今天，随着德国“工业4.0”、美国GE“工业互联网”在全球的风靡，以及“中国制造2025”战略的如火如荼地推进，以新一代信息技术与制造业深度融合为特点的智能制造已经引发了全球性的新一轮工业革命，并成为制造业转型升级的重要抓手与核心动力。 1.1.设备管理问题依然严重 在多年的项目实施过程中深切感觉到，国内不管是大型企业还是中小企业，随着数字化脚步的加快，设备数控化率在逐年飞速的提高，数字化设备的数量与日俱增。但这些设备出现故障以后的维修周期平均在2周以上，属于主轴、丝杠等关键部件损坏所导致的故障维修时间平均在3周以上。维修期间，不仅严重影响生产进度，影响交货期，而且需要花费不菲的维修费用。国外设备厂家提供的维修服务都是从工程师离开国外住地开始计算维修费用，如果请国外工程师维修，光人工费用每次平均都在5万（人民币）以上，加上更换备件等费用，每年企业需支付昂贵的设备维修费用。 企业目前对数字化设备采用传统“事后维修”的管理方法已经严重制约了公司的智能制造发展目标。需要研究和探索，对于大量的离散制造业的设备进行预防性维护和故障预测的方案。 1.2.设备健康管理需求迫在眉睫 设备数据采集系统采集设备数据利用价值没有充分挖掘出来，给工厂决策等提供的分析数据有限。虽然在数字化工厂建设上取得了较好的效果，但是在设备数据利用方面还远远不够。设备数据采集系统经过长期的系统运行，拥有了大量的设备的运行历史数据。
3OEE、开机率、故障率报表显示70% 4报警故障信息次数和内容统计40% 5加工零件信息数量统计30% 6程序传输功能程序上传下载90% 7其它信息报表和看板展示不确定 表格1某企业数据采集利用程度表 设备数据采集系统虽然可以提供与生产效率相关的基本统计信息，但仍然倚重硬件互联的部分，对于数据，尤其是海量互联数据分析来达到机器主件衰退监测、健康状况评估、故障预测预诊断、风险评估、以及决策支持方面，仍然有提升空间： 1)现有的数控机床联网制造了大量数据，然而目前却没有很好的分析方式， 目前仅仅限于原始数据重现，应该进行价值挖掘。 2)数控机床数量多、类型多、系统多样，虽然数据互联，但对于每种不同机 型，缺少每个机台的针对性健康状态监测结果。 3)现有的生产管理系统更多是从设计角度出发，没有对设备健康状况做监测， 并且在管理时没有将生产效率与设备健康连接起来，所使用机器将因为衰 退情况的未知而对生产任务的完成造成未知风险。 4)对于设备生产产品的质量检测，目前没有实现数字化。在发现产品质量问 题时，次品已经产生。缺少提前预测产品质量缺陷手段。 5)在绿色环保方面，对于设备使用的能量没有监测或数字化管理手段。设备 能耗状况的管理相对粗放，没有能够与生产任务协调管理，使得在达到生 产效率最大化的同时实现能效最优化来节省开支，降低碳排放。 6)对于相同设备的维护管理，由于经常依赖于经验以及设备用户手册，所采 用的维护方式大都趋同。然而，根据设备所经历的不同工况，相同的设备 可能衰退的过程不尽相同。如果对于衰退不严重的设备实施了维护，那么 会造成资源浪费以及停机时间，进而影响生产效率；如果对于衰退严重的 设备延迟进行维护，则可能造成设备加速老化，甚至严重的生产安全隐患。
健康管理行业发展现状研究
健康管理行业发展现状研究 作者：[程蕾]???来源：国泰君安证券 一、行业的现状、规模以及所处的生命周期（一）行业现状与规模随着社会发展和生活水平的普遍提高，人们对健康的追求越来越高，相关健康服务业发展前景广阔。以生物技术和生命科学为先导，涵盖医疗卫生、营养保健、健身休闲等健康服务功能的健康产业成为引导全球经济发展和社会进步的重要产业。据统计，目前全球股票市值中，健康产业相关股票的市值约占总市值的13%左右。特别是在发达国家，健康产业已经成为带动整个国民经济增长的强大动力，美国的医疗服务、医药生产、健康管理等健康行业增加值占GDP比重超过16%，加拿大、日本等国健康产业增加值占GDP比重也超过10%。在我国，健康产业仅占中国国民生产总值的5%左右，低于许多发展中国家。根据《国务院关于促进健康服务业发展的若干意见》（国发[2013]40号）规划，到2020年，基本建立覆盖全生命周期、内涵丰富、结构合理的健康服务业体系，打造一批知名品牌和良性循环的健康服务产业集群，并形成一定的国际竞争力，基本满足广大人民群众的健康服务需求。健康服务业总规模达到8万亿元以上，成为推动经济社会持续发展的重要力量。据前瞻产业研究院发布的《2014-2018年中国健康服务行业市场前瞻与投资战略规划分析报告》的数据分析，中国健康管理市场保守估计将呈20%的年增长率发展，2014年中国健康管理市场预期将达1075亿元，2018年将达到2188亿元。可以说，健康服务及相关产业前景广阔，市场潜力巨大。健康服务业以维护和促进人民群众身心健康为目标，主要包括医疗服务、健康管理与促进、健康保险以及相关服务，涉及药品、医疗器械、保健用品、保健食品、健身产品等支撑产业，覆盖面广，产业链长。1、世界主要发达国家卫生费用支出情况根据世界卫生组织统计，2013
国外健康管理发展现状
国内外健康管理发展现状 健康管理的概念提出和实践最初出现在美国，生存环境恶化、人口老龄化加剧、慢性病人群不断增长直接导致美国医疗卫生需求过度增长。美国经济和社会发展面临着前所未有的威胁和挑战。传统的以疾病诊治为中心的卫生服务模式应对不了新的挑战，在这种环境下，以健康管理为中心的卫生服务模式应运而生了。在美国，最先应用健康管理的是保险行业。20世纪60年代，美国保险业即提出了健康管理的概念。医疗保险业的管理者通过长期观察发现，大部分健康人仅用很少的医疗费用，而一小部分人却不合比例地用掉了大部分医疗费用。因而找到那些可能导致高费用的人并采取措施来减少他们的医疗费用对保险业来说尤为重要。应用健康管理技术可以早期鉴别出高危人群，通过健康管理减少投保人的患病风险，从而减少保险的赔付费用。健康管理既能提高个人的健康水平，从而提高个人对健康保险的信任度，又能减少医疗费用支出，增加行业收益，使投保人与保险公司双方受益。20 世纪 90 年代，企业管理者意识到员工的健康直接关系到企业的效益和发展，员工或其家属的健康出现问题会直接造成的生产率下降。有研究发现，员工的健康出现问题时，雇主不仅要花费医药开支，同时还意味着要承担因员工健康问题造成的生产效率下降而带来的损失。基于这种情况，亟待出现一种以疾病预测为导向的医疗服务，维护企业员工的健康状态。只有员工及其家属的健康得到保障，才能提高员工的生产效率，使得经济快速健康发展。于是，健康管理的疾病预测模型研究进入了一个快速发展的时期，疾病预测技术被越来越多地应用到了健康管理服务中。实践证明，如果在健康管理方面投入1元钱，则可以减少 3~6 元的医疗费用，再加上提高生产效率的回报，实际效益更大。健康管理通过为企业员工提供健康管理服务，识别和控制疾病危险因素，从而改善其健康状况，不仅减少企业的医疗费用支出，同时能提高工作效率。1990年美国政府制订了“健康人民”的健康管理计划，该计划项目是全国性的，由美国联邦卫生和社会服务部主持，每10年1次，循环反复，旨在逐步提高全体国民的健康水平。目前，“健康人民”已完成了第 2 个 10 年，即“健康人民 2010”。该计划包括两个目标：一是提高健康生活质量，延长健康寿命；二是消除健康差距。政府在美国的全民健康管理中起到了积极的倡导作用，不仅指明了方向，更在政策上大力支持，使美国健康管理取得了显著的成
国外综合诊断、预测与健康管理的发展历程
国外综合诊断、预测与健康管理的发展历程 张宝珍 引言 随着现代武器装备复杂性、综合化、智能化程度的不断提高，为了以更经济有效的方式满足现代战争联合作战和网络中心战等新型作战模式对武器作战效能和敏捷、准确和经济的持续保障能力的需求，综合的故障诊断、预测与健康管理（PHM）技术获得美英等军事强国越来越多的重视和应用。PHM是对武器系统传统使用的机内测试（BIT）和状态（健康）监控能力的进一步拓展，这种发展的主要技术要素是从状态监控向健康管理的转变，这种转变引入了预测能力，借助这种能力识别和管理故障的发生、规划维修和供应保障，其主要目的是降低使用与保障费用、提高装备系统安全性、战备完好性和任务成功性，实现基于状态的维修（CBM）和自主式保障。 所谓预测，即预计性诊断部件或系统完成其功能的状态，包括确定部件的残余寿命或正常工作的时间长度；所谓健康管理，是根据诊断/预测信息、可用资源和使用需求对维修活动做出适当决策的能力。PHM代表了一种方法的转变，即从传统的基于传感器的诊断转向基于智能系统的预测，反应性的通信转向主动性的3Rs（即在准确的时间对准确的部位采取正确的维修活动）。PHM重点是利用先进的传感器的集成，并借助各种算法和智能模型来诊断、预测、监控和管理飞机的状态。这一技术的实现将使传统的事后维修或定期维修被基于状态的维修（CBM，亦称视情维修）所取代。 PHM技术早在2000年就被列入美国国防部威胁减少局的《军用关键技术》报告中，国防部最新的防务采办文件将嵌入式诊断和预测技术视为降低总拥有费用和实现最佳战备完好性的基础，进一步明确确立了PHM技术在实现美军武器装备战备完好性和经济可承受性方面的重要地位。目前，PHM已成为美国国防部采购武器系统的一项要求。 一、 预测与健康管理技术的发展演变过程 PHM技术的演变过程是人们认识和利用自然规律过程的一个典型反映，即从对故障和异常事件的被动反应，到主动预防，再到事先预测和综合规划管理。PHM技术是在传统的状态（健康）监控和故障诊断技术基础上发展起来的。随着系统和设备性能和复杂性的增加以及信息技术的发展，PHM技术的发展经历了由外部测试到机内测试（BIT）→测试性成为一门独立的学科→综合诊断的提出与发展→预测与健康管理（PHM）系统的形成等的发展演变过程。在应用产品层次上，从过去的部件和分系统级发展到现在的覆盖整个平台各个主要
故障预测与健康管理 HM 技术的现状与发展
故障预测与健康管理（PHM）技术的现状与发展 曾声奎? 北京航空航天大学可靠性工程研究所，北京 100083 Michael G. Pecht, 吴际? 美国马里兰大学 CALCE电子产品与系统中心，马里兰，2074 Status and Perspectives of Prognostics and Health Management Technology)? ZENG Sheng_kui1, Michael G. Pecht2, Wu Ji2? (1Institute of Reliability Engineering, Beihang University, Beijing# 100083, China)? (2CALCE Electronic Products and Systems Center ,University of Maryland, College Park, MD 20742） 摘要：结合故障预测与健康管理（PHM）的技术发展过程，阐述了PHM的应用价值。论述了PHM技术系统级应用问题，提出了故障诊断与预测的人机环完整性认知模型，并依此对蓬勃发展的故障诊断与故障预测技术进行了分类与综合分析，给出了PHM技术的发展图像。针对故障诊断与预测的不确定性特征，对故障诊断与预测技术的性能要求、定量评价与验证方法进行了分析。最后，以PHM技术的工程应用为线索，提出了PHM技术发展中的几个问题。 关键词：故障预测；故障诊断；故障预测与健康管理 Abstract: This paper has briefed the potential benefits of Prognostics and Health Management (PHM) against its evolution history. The architecture for PHM system-level application is outlined, and a cognition model for diagnostics and prognostics is built based on the integrality of man-machine-environment. Directed by this model, various diagnostics and prognostics methods are classified and analyzed, and a whole picture of PHM is drawn. Uncertainty is a critical factor of PHM，its requirement-making, quantitative assessment and validation are discussed. Finally, key issues to do of PHM are listed with the goal of practical extensive use. Key words: prognostic and Health Management; diagnostics; prognostics; cognition model 1. 引言
国外健康管理发展现状
国外健康管理发展现状 Prepared on 22 November 2020
国内外健康管理发展现状 健康管理的概念提出和实践最初出现在美国，生存环境恶化、人口老龄化加剧、慢性病人群不断增长直接导致美国医疗卫生需求过度增长。美国经济和社会发展面临着前所未有的威胁和挑战。传统的以疾病诊治为中心的卫生服务模式应对不了新的挑战，在这种环境下，以健康管理为中心的卫生服务模式应运而生了。在美国，最先应用健康管理的是保险行业。20世纪60年代，美国保险业即提出了健康管理的概念。医疗保险业的管理者通过长期观察发现，大部分健康人仅用很少的医疗费用，而一小部分人却不合比例地用掉了大部分医疗费用。因而找到那些可能导致高费用的人并采取措施来减少他们的医疗费用对保险业来说尤为重要。应用健康管理技术可以早期鉴别出高危人群，通过健康管理减少投保人的患病风险，从而减少保险的赔付费用。健康管理既能提高个人的健康水平，从而提高个人对健康保险的信任度，又能减少医疗费用支出，增加行业收益，使投保人与保险公司双方受益。20世纪90年代，企业管理者意识到员工的健康直接关系到企业的效益和发展，员工或其家属的健康出现问题会直接造成的生产率下降。有研究发现，员工的健康出现问题时，雇主不仅要花费医药开支，同时还意味着要承担因员工健康问题造成的生产效率下降而带来的损失。基于这种情况，亟待出现一种以疾病预测为导向的医疗服务，维护企业员工的健康状态。只有员工及其家属的健康得到保障，才能提高员工的生产效率，使得经济快速健康发展。于是，健康管理的疾病预测模型研究进入了一个快速发展的时期，疾病预测技术被越来越多地应用到了健康管理服务中。实践证明，如果在健康管理方面投入1元钱，则可以减少3~6元的医疗费用，再加上提高生产效率的回报，实际效益更大。健康管理通过为企业员工提供健康管理服务，识别和控制疾病危险因素，从而改善其健康状况，不仅减少企业的医疗费用支出，同时能提高工作效率。1990年美国政府制订了“健康人民”的健康管理计划，该计划项目是全国性的，由美国联邦卫生和社会服务部主持，每10年1次，循环反复，旨在逐步提高全体国民的健康水平。目前，“健康人民”已完成了第2个10年，即“健康人民2010”。该计划包括两个目标：一是提高健康生活质量，延长健康寿命；二是消除健康差距。政府
故障预测与健康管理
故障预测与健康管理（PHM） 故障预测与健康管理（PHM）技术作为实现武器装备基于状态的维修（CBM）、自主式保障、感知与响应后勤等新思想、新方案的关键技术，受到美英等军事强国的高度重视和推广应用。PHM系统正在成为新一代的飞机、舰船和车辆等系统设计和使用中的一个重要组成部分。它包括两层含义，一是故障预测，即预先诊断部件或系统完成其功能的状态，确定部件正常工作的时间长度；二是健康管理，即根据诊断/预测信息、可用资源和使用需求对维修活动做出适当决策的能力。实际上，PHM技术现已广泛应用于机械结构产品中，比如核电站设备、制动装置、发动机、传动装置等。而将PHM技术应用于电子产品则是近年来国外科技研发的重要发展趋势之一。目前国外对电子产品PHM技术的研发主要集中于军用电子产品，重点包括两部分内容：一是产品寿命周期原位监测中的传感系统与传感技术，二是残余寿命预测的故障诊断模型与算法。前者集中于开发无线微型传感器，以取代尺寸较大且需要有线传输数据的传统传感器。后者致力于探索各种不同类型的诊断模型与算法，为军用电子产品故障预测能力提供理论基础。 国外参与PHM相关技术研发的单位非常广泛，如美国国防部和三军的有关机构；NASA；波音、洛克希德·马丁、格鲁门、ARINC、霍尼韦尔、罗克韦尔、雷神、通用电气、普惠、BAE系统公司、史密斯航宇公司、古德里奇公司和泰瑞达公司等跨国公司；康涅狄格大学、田纳西大学、华盛顿大学、加州工学院、麻省理工学院、佐治亚理工学院、斯坦福大学、马里兰大学等著名院校；智能自动化公司、Impact技术公司、质量技术系统公司（QSI）、Giordano自动化公司等软件公司；荷兰PHM联盟（DPC）、Sandia国家实验室（SNL）、美国国防工业协会（NDIA）系统工程委员会、美"联合大学综合诊断研究中心"、美测试与诊断联盟（TDC）等协会和联盟。其中，研发电子产品PHM技术的单位首推马里兰CALCE 电子产品和系统中心，其水平处于世界领先地位。目前国外采用的电子产品故障预测方法可以归纳为以下三类。 1、通过监测失效征兆来预测故障 2、通过设置预警电路（Canary Devices）来预测故障 3、通过建立累积损伤模型来预测故障 除上述三种方法外，国外研发机构也在努力探索使用新方法。比如，史密斯航宇集团在飞机和直升机子系统中综合利用奇异值分解、主成分分析和神经网络进行非线性多元分析和异常状况检测；美国国家航空航天局在航天飞机中使用故障检测算法（包括高斯混合模型、隐马尔可夫模型、卡尔曼滤波、虚拟传感器等）来检测产品异常状态；范德比尔特大学在航宇产品中使用前馈信号（泰勒级数展开）来预测故障。 虽然国外研发机构对军用电子产品PHM技术表现出浓厚兴趣，而且发展迅速，但就目前来看，电子产品PHM技术还远未成熟，至少在以下方面面临巨大挑战。 1、残余使用寿命预测中的不确定性 2、间歇失效的预测 3、电子产品寿命周期数据的原位监测 4、对PHM技术投资回报率的评估 5、确定系统性能的门限值
故障预测与健康管理IEEE标准
故障预测与健康管理IEEE标准 John W. Sheppard1, Mark A. Kaufman2, Timothy J. Wilmering3 1. The Johns Hopkins University, 3400 N. Charles Street, Baltimore, MD 21218, jsheppa2@https://www.360docs.net/doc/b37631691.html, 2. NSWC Corona Division, PO Box 5000, Corona, CA 92878, mark.kaufman@https://www.360docs.net/doc/b37631691.html, 3. The Boeing Company, PO Box 516, M/C S270-3800, St.Loui,MO63166,timothy.j.wilmering@https://www.360docs.net/doc/b37631691.html, 摘要：如今，复杂的系统如飞机，发电厂和网络的操作员，一直在强调需要为最大限度地提 高业务目的在线健康监测可用性和安全性。故障预测与健康管理（PHM）这门学科被认为是处理这些管理和预测的要求需要的正式学科。在本文中，我们将探讨在IEEE标准的发展框架下，如何根据目前标准用来支持PHM的申请。特别重点将放在PHM的作用以及国防部（DOD）的PHM的相关标准自动测试系统有关的研究。 关键字—故障预测，PHM，CBA，AI-ESTATE，SIMICA 1．介绍 1976年，IEEE为测试All Systems（ATLAS）的语言的缩写规范的而建立了标准协调委员会20（SCC20）。从那时起，标准协调委员会（SCC20）扩大其工作范围，为开发大型系统级测试和相关系统的诊断标准。1989年，IEEE批准了一个项目授权请求（PAR），授权SCC20开发一个新的标准，这个标准是根据项目P1232，主要针对成熟的人工智能领域——人工智能交流服务领带全部测试环境(AIESTATE)而制定的。1995年，SCC20审查并公布了（全测试环境）AI-ESTATE标准，IEEE 1232-1995，并于2002年，升级了该标准。今天，SCC20下，其诊断和维修控制（DMC）的管理小组正在完成AI-ESTATE标准的一个新的更新，这个标准是强调它的拥抱PHM的相关问题进行广泛的范围。 国防部（DOD）ATS框架工作组是一个多重服务的，有行业学术伙伴关系的机构，这个机构着重于在定义一个信息框架，并确定为下一代自动测试系统（ATS）的标准。基于20世纪90年代，苯丙胺类兴奋剂的研究和开发的集成产品团队定义苯丙胺类兴奋剂的“关键接口的”设置工作的基础上，当前的工作组已选择，支持发展，并表明将在苯丙胺类兴奋剂的使用商业标准。2007年，工作组决定扩大其范围，以拥抱PHM的信息需求，以及和增加了两个新“元素”，以它的框架的一元（生产）预后的数据和一个（投票站）预后服务的元素。工作组决定对这些要素集中平行的诊断数据和诊断服务要素已经在框架中。 故障预测与健康管理（PHM）已经被定义为“PHM的已经被定义为“一个维护和利用的信号、测量、模型和算法，以发现、评估和跟踪恶化的健康状态，并预测可能发生的故障的办法[1]。”正如定义一样，PHM包括的东西比标准协调委员会20（SCC20）的规定要多得多。因此，（全测试环境）AI-ESTATE标准由此建立并发表许多有关于故障诊断的PHM文章。在软件接口维护信息收集与分析(SIMCA)项目下，诊断和维修控制（DMC）小组正在制定标准，这些标准可能会规定其它的PHM信息管理要求。这些标准通过收集可用于分析的维护和诊断过程的历史信息，并把这些分析与整个系统或者单个系统联系起来。其结果是一个标准的集合，这个标准可以诊断成熟，PHM的过程趋于完善。本文的重点是AI-ESTATE和SIMICA标准在PHM系统中的应用。在这个文件的讨论强调了在制定这些标准的最新研究成果和重点介绍了如何使用它们来满足
健康管理现状
健康管理的现状、认识误区及实现路径探析 南方医科大学南方医院健康管理中心周光清…摘要?文章分析了健康管理在中国的发展现状，认识误区，并结合工作实际，对健康管理及其产业发展的实现路径进行了思考和探讨，提出健康管理是一个预防性、群体性、社会性的系统工程，需要有健康促进的舆论为基础，健康促进的政策环境作保证、健康促进的网络作支撑。 …关键词?健康管理现状误区实现路径 健康成为社会公众关注的焦点和热点，也越来越成为幸福指数的关键指标。现代人要应付快节奏的学习、工作和生活，要面临越来越多的竞争和挑战，人们的生理和心理随时都可能发生老化和病变。目前，慢性病的发病率连年上升，亚健康人群与日俱增，心理问题更是屡见不鲜，这些都严重地威胁到了人类健康。 健康管理随之而生，如何管出健康，已经成为医院工作的新内容，如果有效地开展健康管理，也成为医院管理工作者面临的新课题。 一、健康管理的实践与现状分析 健康管理是一种对个人及人群的健康危险因素进行全面管理的过程[1]。从上世纪70年代至今，肇始于美国的健康管理作为一门学科和行业兴起并日趋完善。目前，已经有7700万
美国人在大约650个健康管理组织中享受医疗服务，9000万以上的美国人成为PPO（优先选择提供者）计划的享用者，这意味着每10个美国人中就有7个享有健康管理服务。 虽然西方的健康管理经过二三十年的发展，已成体系并在改善人们的健康状况、有效降低医疗保险开支等方面成效显著，但健康管理对于我国来讲，无论从规模还是介入层次上讲仍是一个新事物。2001年我国第一家以健康管理注册的公司问世，目前发展到200多家，2003年我国首次将健康管理引入健康保险领域，虽然随着社会发展和医学技术的进步而逐渐引起人们的关注，一方面是人们对健康的充分关注、医疗费用的大额支出，另一方面，健康管理虽然概念炙手可热，可相关的制度环境和操作方式都制约着健康管理远远没有参与到日常生活中来。 目前，我国健康管理的现状还不尽如人意，有关健康管理、健康产业的内涵、外延、实际运作存在着很多不清晰的认识。健康管理各环节所采用的方法，健康管理从业人员的资质、准入、继续教育、再注册缺乏标准和规范，健康管理相关的法律法规、政策支持、市场管理还很不完善。总的来讲，中国健康管理的现状呈现以下特点： 1、需求迫切，但服务形式单一，手段落后。 2、理念先行，但学术理论与技术研究相对滞后。 3、概念先进，但运营不规范。
大健康产业未来十年发展趋势研究健康管理
健康管理发展迅猛,投资前景无限 目录
大健康产业未来十年发展机会报告核心观点 ●2013年中国专业健康管理服务市场规模已超过876亿,未来十年的市场规模 将接近万亿，其年增长率在13%-51%之间； ●专业健康管理服务处于发展初级阶段，各健康管理机构竞争不明显； ●体检主导模式、中药调理模式、资源整合模式、私人医生模式、技术服务模 式、综合信息平台模式是现阶段最适合中国国情与民众需求的商业模式创新； ●物联网技术的出现为专业健康管理服务的发展开拓出一个新的发展方向； ●专业健康管理服务产业是投资机构竞逐的重点行业，其中体检中心、中医养 生、月子中心和康复中心是最具投资潜力的领域； ●除社会环境因素和技术因素外，创新、人力储备、以及商业模式是专业健康 管理服务机构的关键成功因素； ●政府支持力度不足、科研与学术研究薄弱、人才瓶颈、公众认知度和接受度 不高、行业缺乏标准是现阶段投资专业健康管理服务行业的主要风险； ●专业健康管理服务产业投资前景巨大，投资价值4颗星。 1、市场前景 ●截止2013年中国已有超过6000家各类提供健康管理服务的公司，其市场规 模已超过876亿； ●在未来十年专业健康管理服务市场的市场规模将接近万亿，其年增长在 13%-51%之间。 （1）市场规模 2013年中国的专业健康管理服务市场1规模已超过876亿，未来十年将保持 1专业健康管理产业按服务内容一般分为健康检查、美容护理（含口腔护理）、健康咨询（运动、营养、心 理咨询及寻医问药指导）、保健服务（针对个人的目标性诊断、定制服务、专家会诊、贵宾服务）、陪诊服 务（针对病患客户的非医疗服务）；专业健康管理产业按服务对象一般分为儿童健康服务、中老年健康服务、
健康管理的现状与展望
健康管理的现状与展望 客观地分析健康管理的现状与发展前景，是准确把握健康管理的现实状况、有效促进本学科建设、大力推进该项事业向前发展的前提。 一、国外健康管理的发展现状 20世纪70年代，随着美国医疗保险业与医疗模式的发展，健康管理作为一门学科和产业在西方国家迅速发展，其中美国职业和环境医学学会、杜克大学、梅奥医疗集团等对健康管理的模型开发、效果评价进行了一定的研究。目前，由美国政府制定的全国健康管理计划已进入了第二个十年，主要为提高健康生活质量，延长健康寿命、消除健康差距两个目标。此外，健康管理服务组织的形式趋于多元化，包括医疗集团、健康促进中心、社区服务组织、健康管理公司、医学健身申心、医学健身学会等。在健康管理研究机构方面有美国健康与生产力管理研究院(IPHM)等。美国健康管理研究中心提出的口号是：提倡健康的生活方式！提高生活质量！ 日本的健康管理始于1959年。在80年代颁布健康管理法规，2007年-2016年实施新健康开拓战略，即运动一生和从小普及健康知识。21世纪国民健康促进运动的健康日本21政策。要求日本全国各健康管理机构与医院皆全力配合。 在日本，由行政机关和民间健康管理组织一起．对全体国民进行健康管理，并对登录的外国人提供健康管理服务。它使成千上万的患者摆脱了疾病的困扰，走向健康长寿的道路。健康管理成果：两亿人口，60万人做健康管理服务，直接效果平均寿命逐年增加，1947年男性50岁，1947年女性50岁；1992年男性平均76.09岁，女性82.22岁。现在平均寿命达到83.7岁，排在世界第一。 二、我国健康管理现状与发展前景 我国的健康管理还处在初始发展阶段。学科理论体系与相关技术方法还不够完善，完整的健康管理医学服务模式还没形成。目前，国内五千多家的健康管理机构，主要有三类：三级甲等医院成立的体检中心；社会民营投资的体检中心，民营投资的健康管理中心（公司运作）；三级甲等医院体检中心设立的健康管理中心。应该说今后健康管理的重点在社区，因
健康管理发展.doc
健康管理发展迅猛投资前景无限 理实国际咨询《大健康产业未来十年发展机会研究报告》 健康保健服务产业机会点 核心观点 2013 年中国专业健康管理服务市场规模已超过 876 亿, 未来十年的市场规模将接近万亿，其年增长率在 13%-51%之间； 专业健康管理服务处于发展初级阶段，各健康管理机构竞争不明显； 体检主导模式、中药调理模式、资源整合模式、私人医生模式、技术服务模 式、综合信息平台模式是现阶段最适合中国国情与民众需求的商业模式创 新； 物联网技术的出现为专业健康管理服务的发展开拓出一个新的发展方向；专 业健康管理服务产业是投资机构竞逐的重点行业，其中体检中心、中医养 生、月子中心和康复中心是最具投资潜力的领域； 除社会环境因素和技术因素外，创新、人力储备、以及商业模式是专业健康 管理服务机构的关键成功因素； 政府支持力度不足、科研与学术研究薄弱、人才瓶颈、公众认知度和接受度 不高、行业缺乏标准是现阶段投资专业健康管理服务行业的主要风险；专业 健康管理服务产业投资前景巨大，投资价值 4 颗星。 1、市场前景 截止 2013 年中国已有超过6000 家各类提供健康管理服务的公司，其市场规模已超过 876 亿； 在未来十年专业健康管理服务市场的市场规模将接近万亿，其年增长在 13%-51%之间。
（1）市场规模 2013 年中国的专业健康管理服务市场规模已超过876 亿，未来十年将保持13%-51%的增长速度，到2023 年有望接近万亿的市场规模。随着国家对医疗体 制的改革、鼓励和支持社会资本进入医 疗健康行业的政策利好、健康管理消费市场 巨大的增长潜力等因素使专业健康管理服务 产业成为投资机构竞逐的重点领域。研究机 构ChinaVenture 的报告认为，中国的专业 健康管理服务产业在未来10 年将接近万亿 的市场规模，且年增长将维持在13%-51%之间。 中国已有超过 6000 家各类提供专业健 康管理服务的机构。中国健康管理行业发 展异常迅猛，截止2013 年中国已有超过6000 小贴士： 专业健康管理产业按服务内容一般分为健 康检查、美容护理（含口腔护理）、健康咨询（运动、营养、心理咨询及寻医问药指 导）、保健服务（针对个人的目标性诊断、定制服务、专家会诊、贵宾服务）、陪诊服务（针对病患客户的非医疗服务）；专业健康管理产业按服务对象一般分为儿童健康 服务、中老年健康服务、女性健康服务、 生殖健康服务、亚健康健康服务、高收入（金领）健康服务、职业白领（外企）健 康服务 ; 此外根据产业关联程度、部分相关产业也可函括在广义健康管理服务产业 范畴，一般包括中医养生、康复中心和月 子中心。 家各类提供专业的健康管理服务的机构，其中有数家已经获得数千万美元巨额投资，而境内外资金预计有超过10 亿美元会投入中国的健康管理行业。 图 1-1 2009-2013年中国专业健康管理服务市场规模