電子產品故障預測與健康管理：基本原理、機器學習和物聯(lián)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 基于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(tǒng)體系PHM的實施 （17）
1.5 物聯(lián)網時代下的PHM （18）
1.5.1 物聯(lián)網驅動的PHM應用：制造業(yè) （19）
1.5.2 物聯(lián)網驅動的PHM應用：能源生產 （19）
1.5.3 物聯(lián)網驅動的PHM應用：運輸和物流 （20）
1.5.4 物聯(lián)網驅動的PHM應用：汽車 （20）
1.5.5 物聯(lián)網驅動的PHM應用：醫(yī)療設備 （20）
1.5.6 物聯(lián)網驅動的PHM應用：保修服務 （21）
1.5.7 物聯(lián)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(tǒng) （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(tǒng) （28）
2.2.1 待監(jiān)測參數 （29）
2.2.2 PHM傳感器系統(tǒng)性能 （29）
2.2.3 PHM傳感器系統(tǒng)的物理屬性 （30）
2.2.4 PHM傳感器系統(tǒng)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(tǒng)案例 （35）
2.5 PHM傳感器技術的發(fā)展趨勢 （38）
原著參考文獻 （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 可靠性評估和剩余壽命預計 （48）
3.7 基于失效物理的PHM輸出 （50）
3.8 基于失效物理的PHM方法使用過程的注意事項和關注點 （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(jiān)督學習、無監(jiān)督學習、半監(jiān)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 基于實例的學習和基于模型的學習 （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 分布、聯(lián)合分布和邊緣分布 （57）
4.2.3 條件分布 （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(xié)方差的估計 （59）
4.4.1 均值 （59）
4.4.2 方差 （59）
4.4.3 協(xié)方差的穩(wěn)健估計 （60）
4.5 概率分布 （60）
4.5.1 伯努利分布 （61）
4.5.2 正態(tài)分布 （61）
4.5.3 均勻分布 （61）
4.6 最大似然估計和最大后驗估計 （61）
4.6.1 最大似然估計 （62）
4.6.2 最大后驗估計 （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 特征歸一化 （72）
5.3 特征工程 （73）
5.3.1 特征提取 （73）
5.3.2 特征選擇 （77）
5.4 不平衡學習 （80）
5.4.1 不平衡學習的采樣方法 （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 基于距離的方法 （86）
6.3.1 采用逆矩陣方法的MD計算 （87）
6.3.2 采用Gram-Schmidt正則化方法的MD計算 （87）
6.3.3 決策準則 （87）
6.4 基于聚類的方法 （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 基于分類的方法 （92）
6.5.1 單分類 （93）
6.5.2 多分類 （96）
6.6 基于統(tǒng)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(tǒng)健康基準異常檢測 （101）
6.8 異常檢測的挑戰(zhàn) （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(jiān)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征、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：不確定性表征和解釋 （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 不確定性表征和解釋 （128）
8.4.1 物理概率和基于試驗的預測 （128）
8.4.2 主觀概率和基于狀態(tài)的預測 （129）
8.4.3 為什么剩余使用壽命預測是不確定的 （130）
8.5 剩余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 剩余使用壽命預測：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(tǒng)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：恒定幅度的負載條件 （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(zhàn) （138）
8.8.1 時效性 （139）
8.8.2 不確定性的特征 （139）
8.8.3 不確定性的傳播 （139）
8.8.4 擬合分布的性質 （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(guī)避措施 （147）
9.4.1 維修計劃的成本規(guī)避 （148）
9.4.2 離散事件仿真的維修計劃模型 （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(jiān)測）方法 （149）
9.4.5 基于模型（LRU獨立）的方法 （150）
9.4.6 離散事件仿真的實施細則 （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(yè)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(yōu)化 （167）
10.1 單個系統(tǒng)中PHM驅動的維修決策的評估和優(yōu)化 （167）
10.1.1 在單個系統(tǒng)中PHM驅動的預測性維修優(yōu)化模型 （168）
10.1.2 案例研究：在單個系統(tǒng)中PHM驅動的維修決策優(yōu)化（海上風力渦輪機） （170）
10.2 可用性 （172）
10.2.1 可用性業(yè)務：基于結果的合同 （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(tǒng)中PHM驅動的維修決策優(yōu)化（風電場） （174）
10.3 未來發(fā)展方向 （176）
10.3.1 可用性設計 （176）
10.3.2 基于預測的保修 （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(tài)和剩余使用壽命估計 （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 基于核學習的電路健康狀態(tài)估計 （183）
11.3.1 基于核的學習 （183）
11.3.2 健康狀態(tài)估計方法 （184）
11.3.3 實施結果 （188）
11.4 基于濾波模型的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 基于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 基于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 基于標準的認證 （214）
12.3.2 基于知識或基于PoF的認證 （216）
12.3.3 基于故障預測的認證 （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(tài)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(fā)光二