故障预测与健康状态管理技术综述
数据驱动故障预测和健康管理综述
数据驱动故障预测和健康管理综述随着科技的不断发展，数据驱动的故障预测和健康管理在各个领域逐渐受到重视。
通过对大量数据的收集、分析和处理，可以实现对系统的故障预测和健康状态的监测，从而提前采取措施进行维修和保养，提高系统的可靠性和安全性。
数据驱动的故障预测是一种基于历史数据的方法，通过对系统运行数据的监测和分析，可以预测系统未来可能发生的故障。
这种方法可以帮助我们在故障发生之前就采取相应的措施，从而避免或减少故障对系统运行的影响。
数据驱动的故障预测可以应用于各种领域，如制造业、能源行业、交通运输等。
例如，在制造业中，通过对生产设备的运行数据进行监测和分析，可以预测设备的故障，并及时进行维修，避免生产线的停机和生产损失。
数据驱动的健康管理是一种基于数据分析的方法，通过对系统运行数据的监测和分析，可以实时了解系统的健康状态。
这种方法可以帮助我们及时发现系统存在的问题，并采取相应的措施进行修复和保养，从而延长系统的使用寿命和提高系统的性能。
数据驱动的健康管理可以应用于各种设备和系统，如飞机、汽车、电力系统等。
例如，在飞机维修中，通过对飞机的运行数据进行监测和分析，可以及时发现飞机存在的问题，并进行维修和保养，确保飞机的安全运行。
数据驱动的故障预测和健康管理的核心是对数据进行分析和挖掘。
通过对大量的数据进行收集和存储，可以建立起系统的历史数据库。
然后，通过对历史数据的分析和挖掘，可以提取出系统的运行规律和特征，从而实现对系统的故障预测和健康状态的监测。
数据分析和挖掘的方法包括统计分析、机器学习、人工智能等。
这些方法可以帮助我们从海量的数据中提取出有用的信息和知识，为故障预测和健康管理提供决策支持。
然而，数据驱动的故障预测和健康管理也面临一些挑战和问题。
首先，数据的质量和可靠性是影响故障预测和健康管理效果的重要因素。
如果数据存在噪声和缺失，或者数据采集和存储的过程中存在错误和偏差，都会对故障预测和健康管理的结果产生不良影响。
故障预测与健康管理技术的现状与发展
故障预测与健康管理技术的现状与发展一、本文概述随着工业技术的不断进步和智能化水平的提高，故障预测与健康管理技术（Prognostics and Health Management，PHM）已成为当前研究领域的热点之一。
PHM技术通过对设备运行状态的实时监测与数据分析，旨在预测设备可能出现的故障，并对其进行健康管理，从而延长设备使用寿命，提高设备的可靠性和安全性。
本文将对故障预测与健康管理技术的现状进行综述，探讨其发展趋势和应用前景，以期为该领域的研究和实践提供参考和借鉴。
本文将介绍PHM技术的基本概念、发展历程和核心技术，阐述其在不同领域的应用现状。
本文将从数据采集与处理、故障预测与健康评估、健康管理决策等方面，分析当前PHM技术的研究热点和难点。
接着，本文将探讨PHM技术的发展趋势，包括智能化、集成化、标准化等方向，并展望其未来的应用前景。
本文还将总结PHM技术的发展对设备维护和管理带来的影响，以及面临的挑战和机遇。
通过本文的综述和分析，旨在为读者提供一个全面、深入的PHM技术现状与发展视角，为相关领域的研究和实践提供有益的参考和启示。
二、故障预测与健康管理技术的现状近年来，故障预测与健康管理（Prognostics and Health Management，PHM）技术在全球范围内得到了广泛的关注和应用。
作为维护设备持续、稳定运行的关键技术，PHM技术在航空、航天、船舶、电力、机械等领域均有所涉及，发挥着日益重要的作用。
目前，PHM技术主要依赖于大数据分析、机器学习、传感器技术等多学科交叉融合。
通过集成多种传感器，实时采集设备运行过程中的各种参数，如温度、压力、振动等，PHM系统能够实现对设备状态的全面感知。
同时，结合大数据分析技术，系统能够对采集到的大量数据进行深度挖掘，发现设备运行过程中的异常和故障模式，进而预测设备的剩余使用寿命和可能的故障点。
在机器学习算法的帮助下，PHM系统能够实现对设备状态的智能识别和故障预警。
《2024年复杂装备故障预测与健康管理关键技术研究》范文
《复杂装备故障预测与健康管理关键技术研究》篇一一、引言随着现代工业技术的飞速发展，复杂装备在各领域的应用日益广泛。
然而，这些装备在长时间运行过程中常常面临各种故障问题，不仅影响设备的正常运行，还可能带来巨大的经济损失和安全风险。
因此，对复杂装备进行故障预测与健康管理（PHM）技术的研究显得尤为重要。
本文旨在探讨复杂装备故障预测与健康管理的关键技术，以期为相关领域的研究与应用提供参考。
二、复杂装备故障预测与健康管理概述复杂装备通常指的是结构复杂、功能多样、运行环境多变的设备系统，如航空器、航天器、船舶、能源装备等。
故障预测与健康管理（PHM）技术是指通过对装备运行状态的监测、分析和预测，实现对设备故障的预警、定位、评估和预防的技术手段。
该技术综合了传感器技术、数据处理、机器学习等多学科知识，是实现装备智能化、自主化、无人化的重要支撑。
三、关键技术研究（一）传感器技术与数据采集传感器技术是复杂装备故障预测与健康管理的基础。
通过在装备上安装各类传感器，实时监测设备的运行状态，如温度、压力、振动等参数。
同时，利用数据采集技术将传感器数据传输至数据处理中心，为后续的故障预测和健康管理提供数据支持。
（二）数据处理与分析数据处理与分析是故障预测与健康管理的核心环节。
通过对传感器采集的数据进行清洗、滤波、特征提取等处理，形成能够反映设备运行状态的特征向量。
然后利用机器学习、深度学习等算法对特征向量进行分析和建模，实现对设备状态的监测和预测。
（三）故障预测与预警基于数据处理与分析的结果，结合预设的阈值和规则，对设备的运行状态进行判断和预测。
当设备出现异常或即将发生故障时，及时发出预警信息，提醒维护人员采取相应的措施，避免设备故障的发生或减轻故障带来的损失。
（四）健康评估与预防性维护通过对设备的运行状态进行持续监测和预测，实现对设备的健康评估。
根据评估结果，制定合理的预防性维护计划，对设备进行定期的检查、维护和修理，保证设备的正常运行和延长使用寿命。
电子系统故障预测方法综述
故障预测方法综述1.前言故障预测与健康状态管理(Prognostics and Health Management, PHM) 技术的提出，对现代复杂装备维修保障能力提出了更高的要求。
PHM技术是一种全面故障检测、隔离和预测，以及健康状态管理的技术。
它的引入不是为了直接消除故障，而是为了了解和预报故障何时可能发生，或在出现始料未及的故障时触发一种简单的维修活动，从而实现自助式保障，降低使用和保障费用的目标。
故障预测技术是PHM的核心技术之一，它是比故障诊断更高级的维修保障形式，它利用监测参数、实验数据等各种信息，借助相关推理技术评估部件或系统的未来健康状态或剩余使用寿命。
故障预测使得设备维护人员能够提前预知设备的健康状态和故障的发生，从而有效地降低故障风险、节约保障资源、减少经济损失。
在航天、核能等对可靠性要求较高的领域有着广阔的应用前景，是实现武器装备视情维修、自主式保障、感知与响应后勤的关键技术。
2.目前广泛使用的故障预测方法目前，故障预测方法可以分为基于模型和数据驱动两类。
基于模型的故障预测方法，如卡尔曼滤波器、粒子滤波器等。
虽然预测过程简单，但是如果假设的模型与实际不符则性能就较差。
人工神经网络具有模仿连续非线性函数的能力，并且能够从样本进行学习，因而在故障预测中得到了广泛的应用。
人工神经网络通过样本的学习可以掌握系统规律，无需对测量信号作模型假设。
由于神经网络具有很强的自适应性学习能力和非线性映射能力，适合于实现预测器的设计。
但是神经网络训练时需要大量数据样本，且存在收敛速度慢、局部极小点、网络结构难以确定等不足。
灰色预测按灰色系统理论建立预测模型，根据系统的普遍发展规律,建立一般性的灰色微分方程，通过对数据序列的拟合，求得微分方程的系数，从而获得灰色预测模型。
灰色预测利用灰色系统理论的GM ( Grey Model ) 模型进行预测。
灰色预测在处理小样本、贫信息、不确定问题上具有独特优势，但在预测精度和预测稳定性等问题上仍有待改进。
航空机电产品故障预测和健康管理技术
航空机电产品故障预测和健康管理技术随着航空业的快速发展，飞机安全性和可靠性成为航空公司和制造商最为关注的问题之一。
飞机的机电产品在飞行过程中扮演着至关重要的角色，任何故障都可能对飞机造成严重影响。
对航空机电产品故障进行预测和健康管理至关重要。
随着先进的技术的应用，航空机电产品的故障预测和健康管理技术已经取得了长足的进步。
1.故障数据分析对于航空机电产品的故障预测，首先需要收集大量的故障数据，并进行深入的分析。
这些数据可以来自于实时监测系统、维修记录、航空公司的报告等渠道。
通过对这些数据进行分析，可以发现故障的规律和趋势，为故障的预测提供数据支持。
2.机器学习算法应用随着人工智能和大数据技术的迅速发展，机器学习算法成为航空机电产品故障预测的重要工具。
通过对大量的数据进行训练和学习，机器学习可以识别和分析出故障的特征，从而预测机电产品可能发生的故障类型和时间。
这种智能化的故障预测技术大大提高了飞机的安全性和可靠性。
3.状态监测系统状态监测系统是航空机电产品故障预测的重要手段之一。
通过安装各种传感器和监测设备，实时监测飞机的运行状态和机电产品的工作情况。
这些监测数据可以与历史数据进行比较分析，及时发现异常情况，预测可能的故障发生。
二、航空机电产品健康管理技术1.维修预测技术航空机电产品的健康管理不仅包括故障预测，还需要进行维修预测。
通过对机电产品的运行情况和使用寿命进行分析，可以预测出维修和更换零部件的时间点，为维修计划提供数据支持。
2.远程健康管理远程健康管理技术是航空机电产品健康管理的重要手段。
通过远程监测系统，航空公司和制造商可以实时监测飞机的运行情况，及时发现问题并进行处理。
这种远程健康管理技术大大提高了飞机的维护效率和安全性。
航空机电产品的健康管理离不开大数据分析。
通过对大量的监测数据进行汇总和分析，可以发现机电产品的工作情况和趋势，及时进行干预和维护，保障飞机的安全运行。
三、技术发展趋势随着航空业的不断发展，航空机电产品故障预测和健康管理技术也在不断创新和发展。
航空机电产品故障预测和健康管理技术
航空机电产品故障预测和健康管理技术航空机电产品故障预测和健康管理技术是一种通过对航空机电设备的运行数据进行分析和监测，提前预测设备可能出现的故障，并采取相应的预防措施，从而提高设备的可靠性和安全性的技术手段。
1. 数据采集与存储：通过在航空机电设备上安装传感器，采集设备的运行数据，包括振动、温度、压力、电流等等。
将采集到的数据进行实时存储和处理，以便进一步分析和预测。
2. 数据分析与建模：通过对采集到的数据进行统计和分析，构建设备的数学模型，了解设备的正常运行状态和异常特征。
利用机器学习和数据挖掘等方法，处理和分析大量数据，识别出潜在的故障特征和模式。
3. 故障预测与诊断：基于建立的模型和算法，对设备的运行状态进行评估和预测。
通过比对设备实际运行情况和模型预测结果，及时预测设备可能出现的故障，并提供相应的诊断信息，以提醒维修人员采取相应的维修措施。
4. 健康管理与维修优化：通过对航空机电设备进行定期巡检和监测，及时发现可能的故障，并做好维护和保养工作，延长设备的使用寿命。
基于故障预测和诊断结果，优化维修计划和资源配置，提高维修效率和降低维修成本。
航空机电产品故障预测和健康管理技术的应用，可以显著提高航空飞行安全性和设备可靠性，降低事故发生的风险。
通过提前预测和诊断设备故障，可以及时采取维修措施，减少设备的停机时间，提高运营效率。
在设备上安装传感器和进行数据分析，可以实现对设备运行状态的实时监测和评估，为维修人员和运营管理者提供决策支持和参考，提高整体的运行管理水平。
航空机电产品故障预测和健康管理技术是一项重要的航空领域技术，对于提高航空设备的可靠性和安全性具有重要意义。
随着现代航空技术的不断发展，该技术在航空工业中将起到越来越重要的作用。
航空机电产品故障预测和健康管理技术
航空机电产品故障预测和健康管理技术
航空机电产品的故障预测和健康管理技术是为了提供更可靠、高效和安全的飞行服务而开发的一种技术。
它通过利用先进的数学模型和算法，对航空机电产品的运行数据进行分析和处理，从而准确预测可能发生的故障，并在故障发生之前采取相应的维修措施，以避免事故的发生。
1. 数据采集和监测技术：通过传感器等设备对航空机电产品进行实时数据采集，并监测其运行状态。
这些数据包括温度、压力、震动等多个指标，可以反映出航空机电产品的健康状况。
2. 数据分析和处理技术：通过对采集的数据进行分析和处理，可以提取出有效的特征并建立数学模型。
这些模型可以用来预测航空机电产品的故障，并给出相应的维修建议。
4. 运行优化技术：通过分析航空机电产品的运行数据，优化其运行策略，减少能耗和维修成本。
可以通过调整航空机电产品的工作参数，降低其能耗，提高其效率。
航空机电产品的故障预测和健康管理技术在航空工业中应用广泛。
它可以提高航空机电产品的可靠性和安全性，延长其使用寿命，并降低维修成本和停机时间。
它也可以提供更精确和实时的维修建议，帮助维修人员更准确地判断故障的原因和解决方案。
航空机电产品的故障预测和健康管理技术是一项非常重要的技术，它可以为航空工业带来巨大的经济效益和安全保障。
随着科技的不断发展，相信这项技术将会得到进一步的完善和推广。
航空航天领域故障预测与健康管理技术研究综述
(%)航天系统与技术 (21)航空航天领域故障预测航天系统部林燕随着新技术的广泛应用和功能、性能不断丰富强化，航空航天装备系统的度越来越高。
应用场合的特殊性要求航空航天装备对故障的容忍度极低，这与愈发复杂的系统可能带来的风险产生矛盾。
因而，传统的定期排查、事后管理维修等系统维护手段已经无法适应航空航天装备发展趋势，高效、准确、低成本的航空航天装备监测维护系统和科学的维修管理技术，以及视情维修方法的需求愈发强烈。
在此背景下，应用于航空航天装备的故障预测与健康管理技术(PHM)应运而生。
PHM是一项广泛应用于各个领域的新兴综合技术，它综合利用复杂传感网络技术、数据融合与现代信息处理技术、人工智能和机器学习算法等最新的科技成果，对复杂系统未来一段时间内失效或发生故障的情形提供预测，并在故障发生时，为故障发生位置和类型提供准确的判断。
同时，根据故障预测与判断结果，基于可靠性,为中心的维修(RCM)提供依据，并与基于状态的维修(CBM)有效对接。
因此，PHM系统可以精准预测故障的发生并确定故障的位置和种类，极大地提高装备运行维护的效率。
通过与维修管理系统的对接，显著提高维修工作的及时性和准确性。
相较于定期维护、人工判断故障性质和事后维修等传统方法，不仅能够大大降低航空航天装备的故障率和事故率,而且能够优化装备维护管理工作,显著降低维护成本。
目前，西方发达国家的航空航天装备体系已经基本配套完整的PHM系统，参与信息的搜集、融合和处理分析，进而做出维修管理决策和装备实时监测。
国内关于航空航天装备的PHM技术方兴未艾，但和西方发达国家相比仍然有彳馱差距。
Aerospace China2019.5*PACE SYSTEM AND TECHNOLOGY一航空航天装备PHM 技术的发展概况PHM 技术，概括来说，就是将传感器釆集的数据进行处理、融合，由计算机根据一定的模型，依 据相应的算法得到检测目标当前的状态和未来一段时间的变化趋势。
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。
航空机电产品故障预测和健康管理技术
航空机电产品故障预测和健康管理技术航空机电产品的故障预测和健康管理技术是航空领域内一项重要的研究方向。
它通过对航空机电产品的数据进行分析和处理，提前预测可能发生的故障，并采取相应的维修措施，以确保航空器的安全运行。
故障预测和健康管理技术可以应用于各种航空机电产品，如发动机、传动系统、液压系统等，以及整机的综合系统，如飞行控制系统、导航系统等。
通过实时监测和分析航空机电产品的工作状态和性能参数，可以及时发现潜在的故障隐患，并进行预测和诊断。
这不仅可以提高航空器的可靠性和安全性，还可以优化维修计划，降低维修成本，提高航空器的可用性和经济效益。
1. 数据采集和处理：通过传感器和数据采集系统，实时采集航空机电产品的各种参数和状态数据，如温度、压力、振动等。
然后，对采集到的数据进行处理和分析，提取特征信息、建立模型，并进行故障诊断和预测。
2. 故障预测和诊断模型：根据采集到的数据和航空机电产品的特性，建立故障预测和诊断模型。
这些模型可以基于统计方法、机器学习方法或人工智能方法等，用于预测潜在的故障、诊断故障原因和判断故障的严重程度。
3. 健康管理系统：根据上述模型和算法，开发健康管理系统，对航空机电产品进行实时监测和分析。
该系统可以提供实时的健康状态和性能评估，预测故障发生的概率，提供相应的维修建议，并记录和分析历史数据，以改进模型和算法。
4. 故障维修和优化：根据故障预测和诊断结果，制定相应的维修计划和方案。
对于紧急故障，必须立即采取措施进行修复；对于预测的潜在故障，可以提前安排维修，避免事故发生；对于常规维修，可以根据航空机电产品的健康状态和维修历史，优化维修计划，减少停机时间和维修成本。
航空机电产品的故障预测和健康管理技术能够提高航空安全性，降低维修成本，提高航空器的可用性和经济效益。
随着传感器技术、大数据分析和人工智能等领域的不断发展，这一技术将得到更广泛的应用和发展。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
万方数据．１２１４·计算机测爵与控制第１６卷诊断转向基于智能系统的预测，反应式的通信转向在准确时间为识别故障的信息源，将有关信息直接传送给中间层的区域管对准确的部位进行准确维修的先导式活动…］。
其目的是减少理器。
机下ＰＨＭ则包括区域管理器和平台管理器。
机载维修人力、增加出动架次、实现自主式保障。
美国Ｆ一３５联合ＰＨＭ的结构体系如图３所示。
攻击机（ｊｏｉｎｔｓｔｒｉｋｅｆｉｇｈｔｅｒ，ＪＳＦ）的ＰＨＭ方案Ⅲ３如图１所刀≮。
图１ＪＳＦ的ＰＨＭ方案该技术的实现将使由事件主宰的维修（即事后维修）或时间相关的维修（即定期维修）被基于状态的维修（即视情维修）所取代ｎ”¨］。
２ＰＨＭ的工作原理Ｆ一３５联合攻击战斗机的ＰＨＭ用于机载信息的监控、存储、传送以及故障的预测与诊断，是一种综合运用由多种诊断和预测技术构成的部件、分系统和系统级状态监控策略的一体化建模结构。
它采用基于人工智能的方法，将来自传感器或ＢＩＴ的数据传给事先已构造和训练好的智能推理机软件，智能推理机利用基于模型的推理、神经网络和模糊逻辑之类的智能数学模型来模仿物理系统的工作状态，对各个分系统和整个系统即将发生的故障进行检测和隔离，并根据部件或分系统当前的诊断状态和现有使用数据来预计其未来的健康状况和故障模式。
ＪＳＦＰＨＭ的工作原理如图２所示。
图２ＪＳＦＰＨＭ的工作原理ＰＨＭ结构综合了机上和机下有关组元ｍ““，分为３个层次。
最低层是分布在飞机各分系统部件中的软、硬件监控程序；中间层为区域管理器；顶层是飞机平台管理器。
最底层作中华测控网ｃｈｉｎａｍｃａ．ｃｏｍ平曩筑哪矗蕾Ｐｆ＊一Ｉ尊图３机载ＰＨＭ的结构体系ＰＨＭ采用的分层智能推理机构，在多个层次上采用多种类型的推理机，并利用更多判据查明原因，以便最大限度减少对单个传感器和算法的依赖，提高故障隔离的准确性，减少虚警。
在区域级和飞机平台级，机上和机下ＰＨＭ都可完成以下类型的推理。
（１）诊断推理：对监控的结果和其他输入进行评估，确定所报告故障的原因和影响。
诊断推理机由一套算法组成，采用模型对故障的输入信息进行评估。
这些模型可确定失效模式、监控信息和故障影响之间的关系。
（２）预测推理：确定飞机正朝某种已知的故障状态发展及相关的潜在影响。
在许多情况下，机上预测处理主要是收集数据，机下处理则是根据机队信息和趋势情况完成预测推理。
（３）异常推理：通过识别原来未预料到的情况，帮助改进飞机设计。
机上处理主要是检测异常情况和收集相关数据；机下处理则是判断所发现的异常是已知的故障状态，还是需要研究的新情况。
推理机信息管理器综合上述３种推理机的结果，形成报告，确定已检测出和预测出的故障及其对任务的影响。
３ＰＨＭ的功能ＰＨＭ技术的迅速发展导致了维修和保障模式从状态监控向状态管理的转变，ＪＳＦ借助由这种转变引入的故障预测能力来识别和管理故障的发生。
ＪＳＦ的ＰＨＭ能诊断飞机自身的健康状况，确定飞机当前的任务能力；能在事故发生前预测故障，确定在何时以何种方式与格式将有关信息提供给维修人员，给出使飞机维修时间最少的解决办法。
此外，利用预测和诊断技术，ＰＨＭ还可以确定各分系统故障的根本原因及其对系统／部件的影响，从而实现对飞机部件进行基于状态的维修。
ＰＨＭ具有以下能力。
（１）测试性和机内测试（ＢＩＴ）能力。
（２）传感器、部件和分系统级有关数据的采集能力。
（３）借助系统模型、确证、相关和信息融合技术，精确地检测和隔离系统、部件或子单元的故障和（或）失效状态的能力。
（４）预测即将发生的故障．并估计部件剩余寿命的能力。
万方数据 万方数据 万方数据 万方数据故障预测与健康状态管理技术综述作者：郭阳明， 蔡小斌， 张宝珍， 翟正军， Guo Yangming， Cai Xiaobin， Zhang Baozhen ， Zhai Zhengjun作者单位：郭阳明,翟正军,Guo Yangming,Zhai Zhengjun(西北工业大学,计算机学院,陕西,西安,710072)， 蔡小斌,Cai Xiaobin(西北工业大学,计算机学院,陕西,西安,710072;中航一集团科技委,北京,100068)， 张宝珍,Zhang Baozhen(中国航空工业发展研究中心,北京,100068)刊名：计算机测量与控制英文刊名：COMPUTER MEASUREMENT & CONTROL年，卷(期)：2008,16(9)被引用次数：13次1.Hess A;Calvello G PHM the key enabler for the joint strike fighter(JSF)autonomic logistics support concept 20042.Hess A The joint strike fighter(JSF)prognostics and health management 20013.曾声奎;吴际故障预测与健康管理(PHM)技术的现状与发展[期刊论文]-航空学报 2005(05)4.Hess A;Fila L Prognostics,from the need to reality-from the fleet users and PHM systemdesigner/developers Perspectives 20025.Smith G;Sehroeder J B;Navarro S Development of a prognostics & health management capability for the joint strike fighter 19976.Johnson S B Introduction to system health engineering and management in aerospace 20057.Hailer K A;Anderson K Smart Built-In-Test(BIT) 19858.张宝珍国外综合诊断、预测与健康管理技术的发展及应用 20079.Byington C S;Roemer M J;Galie T Prognostic enhancements to diagnostic systems for improved condition-based maintenance 200010.Scheuren W Safety & The Military Aircraft Joint Strike Fighter Prognostics & HealthManagement[AIAA 98-3710]11.Gandy M;Line K Joint Strike Fighter-Prognostics and Health Management(PHM) 200412.Turbo machinery Prognostics and Health Management via Eddy Current Sensing,Current Developments 199913.Kaeprzynski G J;Hess A J Health management system design:development,simulation and cost/benefit optimization 200214.Hess A;Fila L Prognostics,from the need to reality-from the fleet users and PHM systemdesigner/developers perspectives 200215.Malley M E A Methodology for simulating the joint strike fighter's (JSF)prognostics and health management system 200116.Hailer K A;Anderson K Smart built-in-test(BIT) 198517.Processer W H Development of structural health management technology for aerospace vehicles 200318.Bohryk P J Intelligent sensors-a genetic software approach 200519.Oosterom M;Babuska R Virtual sensor for fault detection and isolation in flight control systemfuzzy modeling approch 200020.Hess A The prognostic requirement for advanced sensors and non traditional detection technologies 200221.Gandy M Wireless sensors for ading aircraft health monitoring 200022.Borinski J W;Meller S A Aircraft health monitoring using optical fiber sensors 200423.Wilson A Mems based corrosion and stress sensors for Non-Destructive Aircraft Evaluation 20041.郭阳明.蔡小斌.张宝珍.翟正军.GUO Yang-ming.CAI Xiao-bin.ZHANG Bao-zhen.ZHAI Zheng-jun新一代装备的预测与健康状态管理技术[期刊论文]-计算机工程与应用2008,44(13)2.张宝珍预测与健康管理技术的发展及应用[会议论文]-20073.彭宇.刘大同.彭喜元.Peng Yu.Liu Datong.Peng Xiyuan故障预测与健康管理技术综述[期刊论文]-电子测量与仪器学报2010,24(1)1.黄鹤**.陈文豪.张弋机载航电系统射频信道健康表征及影响评估*[期刊论文]-电讯技术 2013(5)2.郭阳明.付琳娟.冉从宝.马捷中基于ESN的航空发动机状态组合预测方法[期刊论文]-航空动力学报 2013(4)3.熊大顺.李颖晖.杨健.朱广东预测与健康管理系统验证与确认方法研究[期刊论文]-计算机测量与控制 2013(8)4.徐圆.刘莹.朱群雄基于多元时滞序列驱动的复杂过程故障预测方法应用研究[期刊论文]-化工学报 2013(12)5.杨森.孟晨.王成AFSA优化灰色神经网络的某电源组合故障预测[期刊论文]-计算机测量与控制 2012(10)6.吕建伟.余鹏.魏军.杨建军舰船装备健康状态评估方法[期刊论文]-海军工程大学学报 2011(3)7.朱丽.龙兵.刘震基于ARMA的雷达发射机故障预测及其实现[期刊论文]-计算机测量与控制 2010(11)8.蔡显良.王娟PHM数据和知识管理系统的设计与实现[期刊论文]-航空计算技术 2013(2)9.余鹏.吕建伟.刘中华舰船装备健康状态评估及其应用研究[期刊论文]-中国修船 2010(6)10.李勇.常天庆.白帆.张雷.张波面向服务的装甲装备PHM体系结构研究[期刊论文]-计算机测量与控制 2012(7)11.李伟.马吉胜.吴大林机械系统虚拟样机故障仿真技术研究[期刊论文]-计算机工程与设计 2011(5)12.杨森.孟晨.王成基于改进灰色神经网络的故障预测方法研究[期刊论文]-计算机应用研究 2013(12)13.李敏.齐伟伟军用装备CBM应用研究[期刊论文]-价值工程 2010(26)14.穆彤娜.张雪胭.于洪敏装备健康管理的内涵与发展[期刊论文]-装备学院学报 2012(5)15.龙凤.王忠.程绪建.陈桂明一种基于信息融合的军用电子产品PHM方案设计[期刊论文]-微电子学与计算机2010(9)16.马飒飒.陈国顺.方兴桥复杂装备故障预测与健康管理系统初探[期刊论文]-计算机测量与控制 2010(1)17.韩少鹏.陆宁云.姜斌基于不确定信息的系统建模与状态预测方法[期刊论文]-华东理工大学学报（自然科学版） 2013(1)本文链接：/Periodical_jsjzdclykz200809001.aspx。