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。
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）
