首页 > 科技 > 电子技术 > 电子技术应用

电子产品故障预测与健康管理：基本原理、机器学习和物联网

作译者：黄云,周振威,时林林

出版时间：2025-04 千字数：910 版次：01-01 页数：492

开本：16开装帧： I S B N ：9787121495038

换版：

纸质书定价：￥168.0

库存:无

分享到：

共有图书评论0条【查看评论摘要】

看了又看

{{data.bookName}}

￥{{data.price}}

内容简介

前言

上架建议

作者简介

编辑推荐

音视频专区

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）
7.2.1  监督机器学习算法	（105）
7.2.2  集成学习	（107）
7.2.3  深度学习	（110）
7.3  故障预测技术	（115）
7.3.1  回归分析	（115）
7.3.2  粒子滤波	（119）
原著参考文献	（122）
第8章  故障预测的不确定性表征、量化和管理	（123）
8.1  概述	（123）
8.2  PHM不确定性的来源	（125）
8.3  PHM中不确定性的形式化处理	（127）
8.3.1  问题1：不确定性表征和解释	（127）
8.3.2  问题2：不确定性量化	（127）
8.3.3  问题3：不确定性传播	（127）
8.3.4  问题4：不确定性管理	（128）
8.4  不确定性表征和解释	（128）
8.4.1  物理概率和基于试验的预测	（128）
8.4.2  主观概率和基于状态的预测	（129）
8.4.3  为什么剩余使用寿命预测是不确定的	（130）
8.5  剩余使用寿命预测的不确定性的量化与传播	（130）
8.5.1  不确定性量化的计算框架	（130）
8.5.2  剩余使用寿命预测：不确定性传播问题	（132）
8.5.3  不确定性传播方法	（132）
8.6  不确定性管理	（135）
8.7  案例分析：无人驾驶飞机电源系统的不确定性量化	（135）
8.7.1  模型描述	（135）
8.7.2  不确定性来源	（136）
8.7.3  结果：恒定幅度的负载条件	（137）
8.7.4  结果：可变幅度的负载条件	（137）
8.7.5  讨论	（138）
8.8  现存的挑战	（138）
8.8.1  时效性	（139）
8.8.2  不确定性的特征	（139）
8.8.3  不确定性的传播	（139）
8.8.4  拟合分布的性质	（139）
8.8.5  准确性	（139）
8.8.6  不确定性的界限	（139）
8.8.7  确定性的计算	（139）
8.9  总结	（140）
原著参考文献	（140）
第9章  PHM投资的成本和回报	（141）
9.1  投资回报	（141）
9.1.1  PHM的ROI分析	（142）
9.1.2  金融成本	（143）
9.2  PHM成本建模的术语和定义	（144）
9.3  实施成本	（144）
9.3.1  非经常性成本	（145）
9.3.2  经常性成本	（145）
9.3.3  基础设施成本	（145）
9.3.4  非金融的考虑和维修文化	（146）
9.4  成本规避措施	（147）
9.4.1  维修计划的成本规避	（148）
9.4.2  离散事件仿真的维修计划模型	（149）
9.4.3  预定计划的维修间隔	（149）
9.4.4  数据驱动（失效预兆的监测）方法	（149）
9.4.5  基于模型（LRU独立）的方法	（150）
9.4.6  离散事件仿真的实施细则	（151）
9.4.7  运行剖面	（152）
9.5  PHM成本分析案例	（153）
9.5.1  单接口模型结果	（154）
9.5.2  多接口模型结果	（156）
9.6  商业案例构建：ROI分析	（159）
9.7  总结	（165）
原著参考文献	（166）
第10章  PHM驱动的维修决策的评估和优化	（167）
10.1  单个系统中PHM驱动的维修决策的评估和优化	（167）
10.1.1  在单个系统中PHM驱动的预测性维修优化模型	（168）
10.1.2  案例研究：在单个系统中PHM驱动的维修决策优化（海上风力涡轮机）	（170）
10.2  可用性	（172）
10.2.1  可用性业务：基于结果的合同	（172）
10.2.2  将合同条款纳入维修决策	（173）
10.2.3  案例研究：在多系统中PHM驱动的维修决策优化（风电场）	（174）
10.3  未来发展方向	（176）
10.3.1  可用性设计	（176）
10.3.2  基于预测的保修	（177）
10.3.3  合同工程	（177）
原著参考文献	（178）
第11章  电子电路健康状态和剩余使用寿命估计	（179）
11.1  概述	（179）
11.2  相关工作	（180）
11.2.1  以元器件为中心的方法	（181）
11.2.2  以电路为中心的方法	（181）
11.3  基于核学习的电路健康状态估计	（183）
11.3.1  基于核的学习	（183）
11.3.2  健康状态估计方法	（184）
11.3.3  实施结果	（188）
11.4  基于滤波模型的RUL预测	（197）
11.4.1  故障预测问题描述	（197）
11.4.2  电路性能退化模型	（198）
11.4.3  基于模型的故障预测方法	（200）
11.4.4  实验结果	（202）
11.5  总结	（208）
原著参考文献	（209）
第12章  基于PHM的电子产品认证	（210）
12.1  产品认证的重要性	（210）
12.2  产品认证的考虑因素	（211）
12.3  当前的认证方法	（213）
12.3.1  基于标准的认证	（214）
12.3.2  基于知识或基于PoF的认证	（216）
12.3.3  基于故障预测的认证	（217）
12.4  结论	（221）
原著参考文献	（222）
第13章  锂离子电池PHM	（223）
13.1  概述	（223）
13.2  SOC的估计	（224）
13.2.1  SOC估计案例分析1	（225）
13.2.2  SOC估计案例分析2	（229）
13.3  健康状态的估计与预测	（234）
13.3.1  锂离子电池预测案例分析	（234）
13.4  总结	（238）
原著参考文献	（238）

第14章  发光二极管PHM	（239）
14.1  概述	（239）
14.2  LED PHM方法评述	（240）
14.2.1  可用的故障预测方法概述	（240）
14.2.2  数据驱动方法	（241）
14.2.3  基于物理的方法	（245）
14.2.4  LED系统级故障预测	（246）
14.3  LED的仿真建模和失效分析	（246）
14.3.1  LED芯片级建模和失效分析	（247）
14.3.2  LED封装级建模和失效分析	（252）
14.3.3  LED系统级建模和失效分析	（254）
14.4  LED照明系统应用健康监测的投资回报分析	（256）
14.4.1  ROI方法论	（257）
14.4.2  将系统健康监测应用于LED照明系统的ROI分析	（259）
14.5  总结	（268）
原著参考文献	（268）
第15章  医疗PHM	（269）
15.1  美国的医疗	（269）
15.2  医疗的考虑因素	（270）
15.2.1  可植入医疗器械的临床应用	（270）
15.2.2  在护理机器人方面的考虑	（272）
15.3  PHM的优势	（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  增加任务可用性	（276）
15.3.4  延长系统的使用寿命	（276）
15.3.5  提高维修效率	（276）
15.4  可植入医疗器械的PHM	（277）
15.5  护理机器人PHM	（278）
15.6  基于“金丝雀”的医疗设备故障预测	（279）
15.7  总结	（280）
原著参考文献	（280）
第16章  海底电缆的PHM	（281）
16.1  海底电缆市场	（281）
16.2  海底电缆	（282）
16.3  海底电缆故障	（283）
16.3.1  内部故障	（283）
16.3.2  早期故障	（284）
16.3.3  外部故障	（284）
16.3.4  环境原因导致的故障	（285）
16.3.5  第三方破坏	（285）
16.4  最先进的监测	（285）
16.5  海底电缆的评定与维护	（286）
16.5.1  海底电缆的合格评定	（286）
16.5.2  机械测试	（287）
16.5.3  海底电缆的维护	（287）
16.6  数据采集技术	（287）
16.7  测量电缆材料的磨损行为	（288）
16.8  预测电缆移动	（289）
16.8.1  滑动距离推导	（290）
16.8.2  冲刷深度计算	（291）
16.9  电缆退化的预测	（291）
16.9.1  由于磨损造成的体积损失	（291）
16.9.2  腐蚀引起的体积损失	（292）
16.10  剩余使用寿命	（293）
16.11  案例研究	（295）
16.12  未来的挑战	（295）
16.12.1  随机故障的数据驱动方法	（296）
16.12.2  环境故障的模型驱动方法	（296）
16.13  总结	（297）
原著参考文献	（297）
第17章  联网车辆的故障诊断与故障预测	（298）
17.1  引言	（298）
17.2  自动现场数据分析仪设计	（299）
17.2.1  数据采集子系统	（300）
17.2.2  信息抽象子系统	（300）
17.2.3  根本原因分析子系统	（300）
17.3  案例研究：车载电池用CVDP	（303）
17.3.1  车载电池简介	（303）
17.3.2  将AFDA应用于车辆电池	（304）
17.3.3  实验结果	（305）
17.4  总结	（312）
原著参考文献	（312）
第18章  PHM在商业航空公司中的作用	（313）
18.1  航空维修的发展历程	（313）
18.2  各利益相关方对PHM的期望	（315）
18.2.1  乘客的期望	（315）
18.2.2  航空公司/运营商/飞机所有者的期望	（315）
18.2.3  飞机制造商的期望	（317）
18.2.4  发动机制造商的期望	（318）
18.2.5  系统和部件供应商的期望	（318）
18.2.6  MRO机构的期望	（319）
18.3  PHM的部署	（319）
18.3.1  SATAA	（320）
18.4  PHM的应用	（322）
18.4.1  发动机健康管理（EHM）	（323）
18.4.2  辅助动力单元的健康管理	（327）
18.4.3  环境控制系统和空气分配系统的健康监测	（328）
18.4.4  着陆系统的健康监测	（328）
18.4.5  液体冷却系统的健康监测	（329）
18.4.6  制氮系统的健康监测	（329）
18.4.7  油耗监测	（329）
18.4.8  飞行控制驱动系统的健康监测	（330）
18.4.9  电力系统的健康监测	（331）
18.4.10  结构健康监测	（332）
18.4.11  电池健康管理	（332）
18.5  总结	（333）
原著参考文献	（333）
第19章  电子产品PHM软件	（334）
19.1  PHM软件：CALCE仿真辅助可靠性评估	（334）
19.2  PHM软件：数据驱动	（338）
19.2.1  数据流	（339）
19.2.2  主要选项	（339）
19.2.3  数据预处理	（340）
19.2.4  特征发现	（341）
19.2.5  异常检测	（342）
19.2.6  诊断/分类	（344）
19.2.7  预测/建模	（346）
19.2.8  数据驱动PHM软件发展面临的挑战	（348）
19.3  总结	（349）
原著参考文献	（349）
第20章  电子维修	（350）
20.1  从被动维修到主动维修	（350）
20.2  电子维修的第一步	（351）
20.3  维修管理系统	（351）
20.3.1  寿命周期管理	（352）
20.3.2  电子维修系统	（353）
20.4  传感器系统	（353）
20.4.1  PHM传感器技术	（354）
20.5  数据分析	（354）
20.6  预测性维修	（355）
20.7  维修分析	（355）
20.7.1  维修分析的四个阶段	（356）
20.7.2  维修分析和电子维修	（356）
20.7.3  维修分析和大数据	（356）
20.8  知识发现	（357）
20.9  综合知识发现	（358）
20.10  人机交互的决策支持	（359）
20.11  电子维修的应用	（359）
20.11.1  铁路电子维修	（359）
20.11.2  制造业中的电子维修	（361）
20.11.3  用于轴承振动测量的MEMS传感器	（363）
20.11.4  用于温度测量的无线传感器	（363）
20.11.5  监控系统	（363）
20.11.6  电子维修云和服务器	（364）
20.11.7  仪表板	（365）
20.11.8  报警管理系统	（365）
20.11.9  云服务	（366）
20.11.10  图形用户界面	（367）
20.12  互联网技术与优化技术	（369）
原著参考文献	（369）
第21章  物联网时代的预测性维修	（370）
21.1  背景	（370）
21.1.1  维修计划的挑战	（371）
21.1.2  维修模式的演化	（371）
21.1.3  预防性维修与预测性维修的比较	（372）
21.1.4  P-F曲线	（372）
21.1.5  浴盆曲线	（373）
21.2  预测性项目收益	（374）
21.3  面向预测性维修的故障预测模型选择	（375）
21.4  物联网	（376）
21.4.1  工业物联网	（376）
21.5  基于IoT的预测性维修	（377）
21.6  预测性维修应用案例	（378）
21.7  基于数据驱动的预测性维修的机器学习技术	（378）
21.7.1  监督学习	（379）
21.7.2  无监督学习	（379）
21.7.3  异常检测	（379）
21.7.4  多类别和二元分类模型	（380）
21.7.5  回归模型	（380）
21.7.6  生存模型	（381）
21.8  最优做法	（381）
21.8.1  商业问题和量化指标的定义	（381）
21.8.2  资产和数据源的识别	（382）
21.8.3  数据采集和转换	（382）
21.8.4  模型建立	（383）
21.8.5  模型选择	（383）
21.8.6  预测结果并转化为流程见解	（384）
21.8.7  实施和部署	（384）
21.8.8  连续监测	（384）
21.9  成功的预测性维修的挑战	（385）
21.9.1  预测性维修管理成功的关键性能指标	（385）
21.10  总结	（386）
原著参考文献	（386）
第22章  电子产品PHM专利分析	（387）
22.1  概述	（387）
22.2  电子产品PHM专利分析	（389）
22.2.1  PHM专利的出处	（389）
22.2.2  PHM专利分析	（389）
22.3  电子系统PHM发展趋势	（391）
22.3.1  半导体产品和计算机	（391）
22.3.2  电池	（393）
22.3.3  电动机	（396）
22.3.4  电路与系统	（398）
22.3.5  汽车和飞机中的电气设备	（399）
22.3.6  网络和通信设施	（401）
22.3.7  其他	（403）
22.4  总结	（404）
原著参考文献	（404）
第23章  电子密集型系统的PHM技术路径图	（405）
23.1  概述	（405）
23.2  技术路线分类	（406）
23.2.1  元器件级PHM	（406）
23.2.2  系统级PHM	（410）
23.3  PHM方法论开发	（414）
23.3.1  最优算法	（415）
23.3.2  验证和确认	（419）
23.3.3  长期的PHM研究	（420）
23.3.4  用于储存的PHM	（420）
23.3.5  无故障发现/间歇故障的PHM	（421）
23.3.6  产品在不确定运行条件下的PHM	（421）
23.4  非技术障碍	（422）
23.4.1  投资成本、投资回报和商业案例开发	（422）
23.4.2  责任和诉讼	（423）
23.4.3  维护文化	（424）
23.4.4  合同结构	（424）
23.4.5  标准组织作用	（424）
23.4.6  许可和授权管理	（426）
原著参考文献	（426）
附录A  用于PHM的商业传感器系统	（427）
A.1  智能按钮—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  环境监测系统200—Upsite Technologies	（439）
A.10  S2NAP—RLW Inc.	（440）
A.11  SR1应变计指示器—Advance Instrument Inc.	（442）
A.12  P3应变指示器和记录仪—微测量	（443）
A.13  基于空气悬浮的称重系统—VPG Inc.	（445）
A.14  Radio Microlog—Transmission Dynamics	（446）
附录B  与PHM相关的期刊和会议记录	（449）
B.1  期刊	（449）
B.2  会议记录	（450）
附录C  术语和定义词汇表	（452）

序    言
2017年，由于电子驻车制动器出现故障，丰田汽车北美公司召回了28600辆2018年款C-HR汽车和39900辆2012—2015年款普锐斯插电式混合动力汽车。2016年，因锂离子电池故障，三星被迫召回约250万部三星Galaxy Note7手机；当时，野村证券的分析师估计，放弃该手机会导致95亿美元的销售额损失和51亿美元的利润损失。2016年5月27日，一架大韩航空2708航班的波音777-300飞机，在日本羽田机场加速起飞时，发动机着火，起飞被迫中止，所有17名机组人员和302名乘客被疏散。2009年6月22日，在华盛顿特区东北部，两列向南行驶的华盛顿地铁公司的列车发生相撞事件。相撞的原因是由轨道电路元件故障引起的，该元件一直受到寄生振荡影响使得其无法可靠地报告该段轨道何时被列车占用。
如果有健康及使用的监控、预测和预先维护，上述事故都可以避免。故障预测与系统健康管理（PHM）是一门交叉学科，它通过规避可能导致性能缺陷和安全不利影响的意外问题，从而保证系统组件、产品和系统的完整性。具体而言，预测指的是预测系统剩余使用寿命（RUL）的过程。在给定当前系统退化程度、负载历史以及预期的未来运行条件和环境条件的情况下，通过估计故障发展进程，PHM 可以预测产品或系统何时将不再于给定规格范围内表现出预期功能。健康管理是决策和实施行动的过程，它是基于系统健康监测和预期未来使用得出的健康状态（SOH）估计值进行的。
为响应工业、政府和学术界对PHM日益增长的关切，《电子产品预测与健康管理》于2008年出版。该书的主要内容是PHM的基本概念，介绍PHM方法，即失效物理（PoF）、数据驱动和融合方法，以及正在发展的技术，介绍用于现场健康和使用监测的传感器系统，并实现对电子元件、产品和体系系统的预测。该书讨论了由PHM带来的实施成本、潜在节约成本以及由此产生的投资回报（ROI）的确定方法。本书在其基础上更新了技术内容，全面讲述了电子产品PHM研究和开发过程中面临的挑战和机遇。
自2008年以来，PHM技术取得了长足的进步，逐步走向成熟。例如，在当前电子行业中，传统的假设和技术就足以维持产品质量的假定，正在受到超前产品发布、大批量供应链、更短的产品寿命周期、更严格的设计容差和无情的成本压力的挑战。在物联网（IoT）时代，传感器、数据速率和通信能力的急剧增加继续将PHM应用复杂性推向新的水平。因此，为了利用来自系统和传感器的大数据流，电子元件和产品制造商正在寻找新的解决方案。
本书不仅是对《电子产品预测与健康管理》的更新，而且具有19个新的章节，之前的所有章节都经过修改以包含当前最先进的技术。每章所涵盖的内容摘要如下。
第1章  PHM概述，给出了PHM和那些用于实现电子产品和系统预测的在研技术的基本理解，并介绍了组件、系统和体系系统的PHM实施步骤。具体内容包括可靠性和故障预测、电子产品PHM及方法、系统体系PHM的实施，以及物联网时代下的PHM。物联网时代下PHM对可靠性评估、预测和风险转移的实施具有重大影响，并正在创造新的商机。
第2章  PHM传感器系统，介绍了用于现场健康和使用监测的传感器的基础知识及其传感原理。本章讨论了传感器系统对PHM的要求、传感器系统的性能需求，以及传感器系统的物理和功能属性、可靠性、成本和可用性。此外，本章给出了一个清单，用于为特定PHM应用选择合适的传感器系统，并介绍了传感器系统技术的新趋势。
第3章  基于失效物理方法的PHM，给出了电子和机械组件/系统中各种常见故障模式和机理的深入观点，并介绍了使用物理/现象学模型的案例，这些模型可以非常准确地展示已建立的故障机理。本章给出了深度PoF预测应遵循的程序步骤，并强调了加速金丝雀结构失效以获得快速RUL估计的必要性。本章介绍了几个微电子设备的PoF预测案例，还描述了将PoF方法用于先进纳米电子设备的复杂性。虽然PoF方法为退化机理提供了数学框架，但本章也强调了将数据驱动的贝叶斯方法与定量RUL预测结合使用的必要性。
第4章  机器学习的基本原理，给出了机器学习的基础知识，机器学习在PHM中被广泛用于确定相关性、建立模式和评估导致失效的数据趋势。根据它们是否经过人工监督（监督、无监督、半监督和强化学习）进行训练、是否可以进行即时增量学习（在线学习与批量学习），以及是简单地比较新数据点与已知数据点，还是检测训练数据中的模式并构建预测模型（基于实例与基于模型的学习）等情况，本章进一步解释了将在PHM中用到的机器学习算法。此外，本章还介绍了概率论知识，以更好地理解机器学习和性能指标。
第5章  机器学习的数据预处理，讨论了在开发数据驱动的PHM方法之前需要进行的数据预处理。讨论数据清洗、特征归一化、特征提取、特征选择、不平衡学习等预处理任务。更具体地说，本章确定了PHM广泛使用的传统和最先进的数据预处理算法，并提供了每种算法的理论基础。
第6章  机器学习的异常检测，给出了异常检测的基础知识。本章确定了用于异常检测的机器学习算法，这些算法可以分为：基于距离、聚类、分类、统计、模型，以及异常检测。本章简要说明了如何在PHM中使用这些算法。
第7章  机器学习的故障诊断和故障预测，介绍了故障诊断在PHM中的作用。本章确定了用于故障诊断的机器学习算法，并从技术角度讨论了这些算法。本章还展示了使用深度学习进行特征学习驱动的故障诊断的有用性。同样，本章介绍了故障预测概念，并介绍了各种故障预测方法，如基于回归和滤波的方法。
第8章  故障预测的不确定性表征、量化和管理，分析了预测中不确定性的重要性、解释、量化和管理，重点是预测工程系统和组件的RUL。为了得到有意义的预测决策，重要的是分析不确定性的来源如何影响预测，从而计算RUL预测中的整体不确定性。然而，一些先进的工业技术并没有考虑采用系统性方法来处理不确定性。本章阐述了预测中的不确定性表征、量化和管理的重要性，重点讨论了基于试验的预测和基于状态的预测。已经证明，需要将RUL预测中的不确定性量化为一个不确定性传播问题来处理，该问题可以使用各种统计方法来解决。本章详细解释了几种不确定性传播方法，并给出了例子。最后，本章讨论了与预测中的不确定性量化和管理有关的实际挑战。
第9章  PHM投资的成本和回报，讨论了商业案例开发以支持将PHM融入系统。本章开展并描述了在系统中使用PHM的ROI分析方法，给出了因PHM可能带来的投资成本和成本回报（成本避免）的概述以支撑ROI计算分析。本章提供了量化各种成本的方法，并以航空电子子系统为案例研究开展了ROI分析。
第10章  PHM驱动的维修决策的评估和优化，讨论了在维修价值和最佳决策背景下的成本。根据系统及其利益相关者的不同，可以在多个层次实现价值。系统级价值意味着采取行动来保证单个系统的安全或最小化单个系统的寿命周期成本。或者，可以在“企业级别”实现价值，其中最佳行动是基于企业所有成员（如系统群体）RUL做出的。本章以一个案例研究作为总结，该案例采用了系统预测的RUL以获得评估和优化预测性维修（PdM）决策的可操作价值。
第11章  电子电路健康状态和剩余使用寿命估计，讨论了一种核函数方法，用于估计由于存在参数故障而导致的电子电路健康状况退化。本章还采用了一种统计滤波器方法预测电路故障，其中设计整个电路退化模型的目标是引入退化组件的PoF模型。
第12章  基于PHM的电子产品认证，讨论了工业中使用的电子产品认证方法。本章描述了从设计阶段到最终认证的产品认证过程；阐述了认证中需考虑的关键因素，如产品细分市场/客户使用条件、供应链和环境法规；概述了产品认证方法，即基于标准的认证、基于知识的认证和基于故障预测的认证。基于标准的认证是一组预定义的可靠性要求，这些要求利用了使用条件和可靠性数据的历史数据库。基于知识的认证则使用关键技术属性和特定于故障模式的可靠性模型，以提供适合特定使用条件的认证方法。基于故障预测的认证使用产品的使用寿命数据来开发数据驱动的诊断和融合预测技术，以监控SOH并给出故障提前预警。
第13章  锂离子电池PHM，概述了锂离子电池状态估计和RUL预测的PHM技术。锂离子电池作为储能系统的应用日益广泛，引起了对其可靠性和安全性的关注。锂离子电池作为复杂电化学-机械系统的代表，因此使用基于物理的技术对它们进行建模可能需要大量计算。本章主要关注用于在线估计和预测应用的数据驱动的电池建模方法。本章讨论了关于电池荷电状态（SOC）和SOH估计以及RUL预测的三个案例研究，这些案例包括详细的模型开发和验证步骤。
第14章  发光二极管PHM，概述了用于发光二极管（LED）器件和LED系统的预测方法和模型。这些方法包括统计回归、静态贝叶斯网络、卡尔曼滤波、粒子滤波、人工神经网络和基于物理的方法。本章介绍了这些方法的一般概念和主要特征、应用这些方法的利弊，以及LED应用的案例研究。与非计划性维修方法相比，本章还讨论了在LED照明系统中应用PHM维护方法的投资回报（ROI）。
第15章  医疗PHM，介绍了医疗器械与PHM技术的集成，以解决可靠性、安全性和寿命周期成本问题。作为这一新的多学科领域的开创性工作，本章确立了可植入医疗器械PHM创新的基本原则，并为基于PHM的医疗保健行业铺平了道路。本章评论的主题包括医疗器械安全性、可靠性和寿命周期成本考虑的当前背景，适用于医疗器械的PHM技术和潜在的寿命周期效益，以及用于商业医疗保健和老年人家庭护理的无人系统PHM需求。
第16章  海底电缆的PHM，介绍了海底电力电缆领域，概述了它们在支持全球海上可再生能源领域的关键作用。本章总结了这些产品的设计和验证标准，并通过15年历史工业数据得到失效模式与影响分析，提出了其健康管理中的挑战。海底电力电缆监测技术的最新研究表明，超过70%的故障模式没有得到监测。为了应对这一挑战，本章介绍了一种融合的PHM方法，该方法结合了数据驱动方法和PoF方法的高级特性来估计电缆的RUL。该模型支持RUL预测、脆弱电缆区域的定位、给定路线的电缆产品比较以及路线优化。这项研究表明了PHM方法对关键基础设施具有重要价值。
第17章  联网车辆的故障诊断与故障预测，给出了一个称为现场数据自动分析仪的通用框架，以及分析大量现场数据的相关算法，并通过系统地利用信号处理、机器学习和统计分析方法迅速确定故障的根本原因。本章最终将故障分析结果以可操作的设计改进建议提供给产品开发工程师，并通过车载电池失效分析验证本章提出的框架的有效性。对车辆制造行业而言，本章所做的工作对提高产品质量和可靠性尤为重要，这是因为复杂性会随着新的车辆子系统迅速引入而不断增加。
第18章  PHM在商业航空公司中的作用，概述了在商业航空公司中PHM如何从定期维护实践演变为计划维护的一个组成部分。随着传感器和数据采集技术的进步以及越来越多的飞机配备这些技术，PHM带来的好处已不限于提高飞机可用性、降低维护成本和提高操作安全性。各种利益相关方开始争夺数据权利和所有权，从而减缓了PHM实施和集成的进度。本章讨论了维护策略的演变、各利益相关方的目标、PHM的实施以及PHM在商业航空公司中的应用。
第19章  电子产品PHM软件，介绍了由高级寿命周期工程中心（CALCE）开发的PHM软件。该中心开发了仿真辅助可靠性评估（SARA）软件对电子产品进行虚拟验证和测试。同样，采用数据驱动的PHM软件执行一系列数据分析和机器学习算法，可用于初步理解数据，并在必要时构建模型以检测与目标系统要求、预期或所需性能的任何偏差，确定故障位置（故障隔离），识别故障类型（故障识别），预测RUL。
第20章  电子维修，介绍了电子维修的发展历史，它被定义为一种用于提高维护过程的效率和有效性的系统或框架，是通过运用信息和通信技术以辅助PHM分析，以及提供监测、诊断、预测和处置能力来实现的。此外，本章还介绍了电子维修的技术方法及其应用，其中电子维修是一系列旨在获得业界卓越表现的决策支持服务。
第21章  物联网时代的预测性维修，介绍了物联网驱动的PdM方法。本章概述了IoT及其通过联网机器而应用到一个成功PdM项目。本章重点介绍了传统维护技术面临的挑战，并探讨了PdM的机遇。PdM可以帮助组织仅在真正需要的最佳时间进行维修，而不是让组件运行至故障状态或基于预防性维护间隔到期时更换健康组件。本章深入探讨了几个重要的IoT PdM案例，并概述了不同的机器学习方法，这些方法利用机器的实时数据流来评估正在使用的机器健康状况和未来的系统故障。本章还介绍了实施PdM计划的一些最佳实践，深入分析挑战和一些克服挑战的潜在策略。
第22章  电子产品PHM专利分析，回顾和分析了与PHM相关的美国专利，以探索各行业电子产品PHM的发展趋势、挑战和机遇。由于目前关于该主题的讨论大多数发表在期刊上的学术论文中，缺少能够总结学术界和工业界对该主题的不同观点的图书，本章对专利的回顾和分析可填补这些空白。
第23章  电子密集型系统的PHM技术路径图，介绍了电子产品PHM研究和开发的挑战与机遇。本章包括有关PHM技术持续发展的重要后续步骤的建议，并提出了PHM技术路线图。
附录A  用于PHM的商业传感器系统，提供了当前可用于PHM的商业传感器系统的描述和规格。
附录B  与PHM相关的期刊和会议记录，给出了发表PHM相关文章的期刊和会议论文集列表。该列表涵盖了土木和机械结构、航空电子、机械和电子产品、预测算法和模型、传感器、传感器应用、健康监测、预测性维修和物流的方法及应用。
附录C  术语和定义词汇表，给出了相关的术语和定义词汇表，尤其是本书中使用的术语和定义。本书对设计、测试、操作、制造和维修方面的工程师和数据科学家来说是必不可少的。它涵盖了电子学的所有领域，并为以下方面提供指导：
?  现场负载条件对部件和系统的损伤估计的评估方法；
?  评估预测性工作实施的成本和收益；
?  开发在实际寿命周期条件下产品和系统现场监测的新方法；
?  使用基于状态的（预测性）维护；
?  通过延长维护周期和/或及时维修措施提高系统可用性；
?  获取设计、认证和根因分析的负载历史知识；
?  减少未发现故障诊断的发生；
?  从减少的检查成本、停机时间和库存中降低设备寿命周期成本；
?  了解用于诊断、预测的统计技术和机器学习方法；
?  了解物联网、机器学习和风险评估之间的协同作用；
?  为进一步研究和开发提供指导与方向。
此外，限于时间和篇幅，书中不可避免地会有遗漏和错误，还请广大读者批评指正。最后，我们要向支持CALCE并对本书给予宝贵的建设性意见的150多家公司和组织，表示诚挚的感谢。



缩  略  语
2D SPRT  二维序贯概率比检验（two-dimensional Sequential Probability Ratio Test）
3D TIRF  三维遥测脉冲响应指纹（three-dimensional Telemetric Impulsion Response Fingerprint）
A/D  模数转换（analog-to-digital）
A4A  美国航空公司（Airlines for America）
AC  交流电（Alternating Current）
AdaBoost  自适应增强算法（Adaptive Boosting）
ADAS  高级驾驶员辅助系统（Advanced Driver-Assistance System）
ADASYN  自适应合成采样（Adaptive Synthetic Sampling）
ADT  加速退化试验（Accelerated Degradation Test）
AEC  铝电解电容器（Aluminum Electrolytic Capacitor）
AF  加速系数（Acceleration Factor）
AFDA  自动现场数据分析仪（Automatic Field Data Analyzer）
AI  人工智能（Artificial Intelligence）
AISC-SHM  航空航天工业结构健康管理指导委员会（Aerospace Industry Steering Committee on Structural Health Management）
AIST  先进工业科学技术（Advanced Industrial Science and Technology）
ALT  加速寿命试验（Accelerated Life Test）
AMM  飞机维修手册（Aircraft Maintenance Manual）
ANN  人工神经网络（Artificial Neural Network）
AOG  飞机迫停地面（Aircraft On Ground）
API  应用程序编程接口（Application Programming Interface）
APU  辅助动力单元（Auxiliary Power Unit）
ARC  艾姆斯研究中心（Ames Research Center）
ARIMA  自回归综合移动平均（Auto-Regressive Integrated Moving Average）
ASG APU  启动发电机（Starter Generator）
ATA  航空运输协会（Air Transport Association）
ATU  自耦变压器单元（AutoTransformer Unit）
AUC ROC  ROC曲线下面积（Area Under the ROC Curve）
BBN  贝叶斯信念网络（Bayesian Belief Network）
BCU  电池控制单元（Battery Control Unit）
BGA  球栅阵列（Ball Grid Array）
BIOS  基本输入/输出系统（Basic Input/Output System）
BIT  内置测试（Built-In Test）
BMC  贝叶斯蒙特卡罗（Bayesian Monte Carlo）
BMS  电池管理系统（Battery Management System）
BMU  最佳匹配单元（Best Matching Unit）
BN  贝叶斯网络，批量归一化（Bayesian Network，Batch Normalization）
BOP  防喷器（Blowout Preventer）
BP  反向传播（Back Propagation）
BPF  带通滤波器（Bandpass Filter）
BPNN  反向传播神经网络（Back-Propagation Neural Network）
C2MS  腐蚀和腐蚀性监测系统（Corrosion and Corrosivity Monitoring Systems）
CABGA  芯片阵列?球栅阵列（ChipArray? Ball Grid Array）
CALCE  高级寿命周期工程中心（Center for Advanced Life Cycle Engineering）
CAMP  连续适航性维修程序（Continuous Airworthiness Maintenance Program）
CAN  控制器局域网（Controller Area Network）
CAP  电容（Capacitance）
CART  分类回归树（Classification And Regression Tree）
CASS  持续分析和监测（Continuous Analysis and Surveillance）
CBA  成本效益分析（Cost-Benefit Analysis）
C-BIT  连续内置测试（Continuous BIT）
CBM  基于状态的维修（Condition-Based Maintenance）
CBM+  基于状态的维修升级版（Condition-Based Maintenance Plus）
CCA  电路卡组件（Circuit Card Assembly）
CC-SMPS  恒流开关电源（Constant-Current Switch Mode Power Supply）
CCT  相关色温（Correlated Color Temperature）
CDF  累积分布函数（Cumulative Distribution Function）
CE  交叉熵（Cross-Entropy）
CfA  关于可用性合同（Contract for Availability）
CFR  联邦法规（Code of Federal Regulations）
CHD  冠心病（Coronary Heart Disease）
CL  置信限（Confidence Limit）
CME  水分膨胀系数（Coefficient of Moisture Expansion）
CMMS  计算机化维修管理系统（Computerized Maintenance Management System）
CMOS  复合金属氧化物半导体（Complementary Metal-Oxide-Semiconductor）
CND  无法复制（Cannot Duplicate）
CNI  通信导航和识别（Communication Navigation and Identification）
CNN  卷积神经网络（Convolutional Neural Network）
COV  变异系数（Coefficient Of Variation）
CPC  合作专利分类（Cooperative Patent Classification）
CPCP  腐蚀预防和控制程序（Corrosion Prevention and Control Program）
CPU  中央处理器（Central Processing Unit）
CRI  显色指数（Color Rendering Index）
CSD  恒速驱动（Constant Speed Drive）
CSP  芯片级封装（Chip Scale Packaging）
CTE  热膨胀系数（Coefficient of Thermal Expansion）
CUT  被测电路（Circuit Under Test）
CVDP  联网车辆诊断和预测（Connected Vehicle Diagnostics and Prognostics）
DAG  有向无环图（Directed Acyclic Graph）
DC  直流电（Direct Current）
DCF  贴现现金流（Discounted Cash Flow）
DD  数据驱动（Data-Driven）
DfR  可靠性设计（Design-for-Reliability）
DMU  数据管理单元（Data Management Unit）
DOD  内部对象损伤（Domestic Object Damage）
DOF  指定大修设施（Designated Overhaul Facilities）
DPM  每百万次的缺陷数（Defects Per Million）
DRN  深度残差网络（Deep Residual Network）
DRU  仓库可更换单元（Depot-Replaceable Unit）
DSS  分布式应变传感（Distributed Strain Sensing）
DST  分布式应变和温度；动态应力测试（Distributed Strain and Temperature；Dynamic Stress Testing）
DT  决策树（Decision Tree）
DTPS  传动系预测系统（Drive Train Prognostics Systems）
DTS  分布式温度传感（Distributed Temperature Sensing）
DWT  离散小波变换（Discrete Wavelet Transform）
ECC  错误检查和纠正（Error Checking and Correction）
ECEM  能源和状态监测（Energy and Condition Monitoring）
ECM  发动机状态监测（Engine Condition Monitoring）
ECRI  美国紧急医疗研究所（Emergency Care Research Institute）
ECS  环境控制系统（Environmental Control System）
ECU  电子控制单元，发动机控制单元（Electronic Control Unit，Engine Control Unit）
ED  电动驱动器；欧几里得距离（欧氏距离）（Electrical Driver；Euclidean Distance）
EDL  综合电子数据日志（Integrated Electronic Data Log）
EEEU  末端执行器电子单元（End-Effector Electronics Unit）
EEPROM  带电可擦可编程只读存储器（Electrically-Erasable Programmable Read-Only Memory）
EF  增强因子（Enhancement Factor）
EFV  远征军车辆（Expeditionary Force Vehicle）
EGT  排气温度（Exhaust Gas Temperature）
EHM  发动机健康管理/监测（Engine Health Management/Monitoring）
EHSA  电液伺服机构（Electro-Hydraulic Servo Actuator）
EIA  电子工业联盟（Electronics Industries Alliance）
EKF  扩展卡尔曼滤波器（Extended Kalman Filter）
ELIMA  环境寿命周期信息管理和获取（Environmental Life-cycle Information Management and Acquisition）
EM  期望最大化（Expectation Maximization）
EMA  机电机构（Electromechanical Actuator）
EMMS  电子维修管理系统（E-Maintenance Management System）
EOA  告警专家（Expert-On-Alert）
EOD  放电终止（End Of Discharge）
EOL  寿命终止（End Of Life）
EPC  能源绩效合同（Energy Performance Contracting）
EPR  延伸生产者责任；乙丙橡胶（Extended Producer Responsibility；Ethylene Propylene Rubber）
ES  专家系统；欧几里得空间（Expert System；Euclidean Space）
ESC  增强型自校正（Enhanced Self-Correcting）
ESD  静电放电（Electrostatic Discharge）
ESR  等效串联电阻（Equivalent Series Resistance）
ETOPS  扩展操作（Extended Operations）
EV  电动汽车（Electric Vehicle）
EVN  欧洲车辆牌号（European Vehicle Number）
FAA  联邦航空管理局（Federal Aviation Authority）
FADEC  全权限数字电子控制（Full Authority Digital Electronic Control）
FAR  联邦航空条例（Federal Aviation Regulations）
FAT  工厂验收测试（Factory Acceptance Test）
FBG  光纤布拉格光栅（Fiber Bragg Grating）
FCM  模糊c均值聚类（Fuzzy C-Means clustering）
FCU  燃料控制单元（Fuel Control Unit）
FD＆C  联邦食品、药品和化妆品（Federal Food，Drug，and Cosmetic）
FDA  美国食品药品监督管理局（Food and Drug Administration）
FEA  有限元分析（Finite Element Analysis）
FFNN  前馈神经网络（Feed-Forward Neural Network）
FIELD  发那科智能驱动链驱动（FANUC’s Intelligent Drive Link Drive）
FIM  故障隔离手册（Fault Isolation Manual）
FL  模糊逻辑（Fuzzy Logic）
FMEA  失效模式及影响分析（Failure Modes and Effects Analysis）
FMECA  失效模式、影响及危害度分析（Failure Mode，Effect and Criticality Analysis）
FMMEA  失效模式、机理及影响分析（Failure Modes，Mechanisms，and Effects Analysis）
FN  假阴性（False Negative）
FOD  外来物损伤（Foreign Object Damage）
FP  假阳性（False Positive）
FPM  融合预测模型（Fusion Prognostic Model）
FPR  假阳性率（False Positive Rate）
FPT  首达时间（First Passage Time）
FT  故障树（Fault Tree）
FUDS  联邦城市驾驶时间表（Federal Urban Driving Schedule）
GA  通用航空（General Aviation）
GCU  发电机控制单元（Generator Control Unit）
GMM  高斯混合模型（Gaussian Mixture Model）
GPA  气路分析（Gas-Path Analysis）
GPR  高斯过程回归（Gaussian Process Regression）
GPS  全球定位系统（Global Positioning System）
GPU  图形处理单元（Graphic Processing Unit）
GUI  图形用户界面（Graphic User Interface）
HALT  高加速寿命试验（Highly Accelerated Life Testing）
HDD  硬盘驱动器（Hard Disk Drive）
HDFS Hadoop  分布式文件系统（Hadoop Distributed File System）
HFS  混合特征选择（Hybrid Feature Selection）
HI  健康指标（Health Indicator）
HM  健康监测（Health Monitoring）
HMM  隐马尔可夫模型（Hidden Markov Model）
HPF  高通滤波器（High-Pass Filter）
HPS  高压钠灯（High-Pressure Sodium）
HRT  激素替代疗法（Hormone Replacement Therapy）
HTOL  高温工作寿命（High-Temperature Operating Life）
HVAC  高压交流电（High-Voltage Alternating Current）
HVDC  高压直流电（High-Voltage Direct Current）
I2C  集成电路（Inter-Integrated Circuit）
I-BIT  中断内置测试（Interruptive BIT）
IC  集成电路；内燃机（Integrated Circuit；Internal Combustion）
ICD  植入式心律转复除颤器（Implantable Cardioverter Defibrillator）
ICT  信息和通信技术（Information and Communication Technologies）
IDE  集成数据环境（Integrated Data Environment）
IDG  集成驱动发电机（Integrated Drive Generator）
IEEE  电气和电子工程师学会（Institute of Electrical and Electronics Engineers）
IESNA  北美照明工程协会（Illuminating Engineering Society of North America）
IFF  敌我识别（Identification Friend or Foe）
iForest  隔离森林（isolation Forest）
IFSD  空中停机（Inflight Shutdown）
IGBT  绝缘栅双极型晶体管（Insulated Gate Bipolar Transistor）
i,i,d  独立同分布（independent and identically distributed）
IIoT  工业物联网（Industrial Internet of Things）
ILR  植入式环路记录器（Implantable Loop Recorder）
ILS  综合后勤保障（Integrated Logistics Support）
ILT  库存提前期（Inventory Lead Time）
iNEMI  国际电子生产商联盟（international National Electronics Manufacturing Initiative）
INS  惯性导航系统（Inertial Navigation System）
IoT  物联网（Internet of Things）
IP  知识产权（Intellectual Property）
IPC  印刷电路学会（Institute for Printed Circuits）
IR  红外线（Infra-Red）
ISHM  综合系统健康管理（Integrated Systems Health Management）
ISO  国际标准化组织（International Organization for Standardization）
IT  互联网技术（Internet Technology）
ITO  铟锡氧化物（Indium Tin Oxide）
iTree  隔离树（isolation Tree）
IVHM  飞行器综合健康管理（Integrated Vehicle Health Management）
JEDEC  电子器件工程联合委员会（Joint Electron Device Engineering Council）
JSF  联合攻击战斗机（Joint Strike Fighter）
JTAG  联合测试行动小组（Joint Test Action Group）
KBQ  基于知识的认证（Knowledge-Based Qualification）
KDD  数据库中的知识发现（Knowledge Discovery in Databases）
KF  卡尔曼滤波（Kalman Filtering）
kLDA  核线性判别分析（kernel Linear Discriminant Analysis）
k近邻（k-Nearest Neighbor，k-NN）
kPCA  核主成分分析（kernel PCA）
KPI  关键绩效指标（Key Performance Indicator）
K-S  科尔莫戈罗夫-斯米尔诺夫（Kolmogorov–Smirnov）
LASSO  最小绝对收缩和选择操作（Least Absolute Shrinkage and Selection Operation）
LAV  轻型装甲车（Light Armored Vehicle）
LCC  寿命周期成本（Life-Cycle Cost）
LCEP  寿命周期环境剖面（Life-Cycle Environmental Profile）
LCM  寿命损耗监测（Life Consumption Monitoring）
LDA  线性判别分析（Linear Discriminant Analysis）
LED  发光二极管（Light-Emitting Diode）
LEE  光萃取效率（Light Extraction Efficiency）
LLP  寿命有限部分（Life-Limited Part）
LPF  低通滤波器（Low-Pass Filter）
LPP  局部保持映射（Locality Preserving Projection）
LRU  线路可更换单元（Line-Replaceable Unit）
LS  后勤保障（Logistics Support）
LSM  最小二乘法（Least-Squares Method）
LSR  最小二乘回归（Least-Squares Regression）
LS-SVM  最小二乘支持向量机（Least-Squares Support Vector Machine）
LTE  长期演变（Long-Term Evolution）
MA  维修分析（Maintenance Analytics）
MAD  中位数绝对偏差（Median Absolute Deviation）
MAE  平均绝对误差（Mean Absolute Error）
MAP  最大后验估计（Maximum A Posteriori estimation）
MAR  随机缺失（Missing At Random）
MCAR  完全随机缺失（Missing Completely At Random）
MCC  马修斯相关系数（Matthews Correlation Coefficient）
MCP  多芯片处理器（Multichip Processor）
MCS  蒙特卡罗模拟（Monte Carlo Simulation）
MCU  模块控制单元（Module Control Unit）
MD  马氏距离（Mahalanobis Distance）
MDC  电动压缩机（Motor-Driven Compressor）
MEL  最低设备清单（Minimum Equipment List）
MEMS  微机电系统（Microelectromechanical System）
MFD  多功能显示器（Multifunction Display）
ML  机器学习（Machine Learning）
MLCC  多层陶瓷电容器（Multilayer Ceramic Capacitor）
MLDT  平均物流延迟时间（Mean Logistics Delay Time）
MLE  最大似然估计（Maximum Likelihood Estimation）
MLPNN  多层感知器神经网络（Multilayer Perceptron Neural Network）
MNAR  非随机缺失（Missing Not At Random）
MOCVD  金属有机化合物化学气相沉积（Metal-Organic Chemical Vapor Deposition）
MOSFET  金属氧化物半导体场效应晶体管（Metal-Oxide-Semiconductor Field-Effect Transistor）
MQE  最小量化误差（Minimum Quantization Error）
MQW  多量子阱（Multi-Quantum Well）
MRO  维护、修理、大修（Maintenance，Repair，Overhaul）
MSE  均方误差（Mean Squared Error）
MSET  多元状态估计技术（Multivariate State Estimation Technique）
MTBF  平均故障间隔时间（Mean Time Between Failure）
MTE  分子测试设备（Molecular Test Equipment）
MTTF  平均失效时间（Mean Time To Failure）
MTTR  平均修复时间（Mean Time To Repair）
NASA  美国国家航空航天局（National Aeronautics and Space Administration）
NDT  无损检测（Nondestructive Testing）
NEA  富氮空气（Nitrogen-Enriched Air）
NEMS  纳米机电系统（Nanoelectromechanical System）
NFF  未发现故障（No Fault Found）
NGS  制氮系统（Nitrogen Generation System）
NHTSA  国家公路运输安全管理局（National Highway and Transportation Safety Administration）
NLME  非线性混合效应估计（Nonlinear Mixed-effect Estimation）
NLS  非线性最小二乘法（Nonlinear Least Squares）
NMEA  美国国家海洋电子协会（National Marine Electronics Association）
NN  神经网络（Neural Network）
NPV  净现值（Net Present Value）
NTF  无问题发现（No-Trouble-Found）
NVRAM  非易失性随机存取存储器（Non-Volatile Random Access Memory）
O＆M  运行维护（Operation and Maintenance）
OAA  一对多（One-Against-All）
OAO  一对一（One-Against-One）
OBD  车载诊断（On-Board Diagnostics）
OBIGGS  机载制氮（On-Board Inert Gas Generation）
OC-SVM  单类SVM（One-Class SVM）
OCV  开路电压（Open-Circuit Voltage）
OEM  原始设备制造商（Original Equipment Manufacturer）
OHVMS  海上高压电网监测系统（Offshore High-Voltage network Monitoring System）
OOR  有序整体范围（Ordered Overall Range）
OT  优化技术（Optimizing Technology）
PAR  精密进场雷达（Precision Approach Radar）
PBL  基于绩效的后勤（Performance-Based Logistics）
PBSA  基于绩效的服务获取（Performance-Based Service Acquisition）
Pc-  磷转化（Phosphor-converted）
PCA  主成分分析（Principal Component Analysis）
PCB  印制电路板（Printed Circuit Board）
PCC  皮尔逊相关系数（Pearson Correlation Coefficient）
PCN  产品更改通知（Product Change Notification）
PCS  主成分空间（Principal Component Space）
PD  局部放电（Partial Discharge）
PDF  概率密度函数（Probability Density Function）
PdM  预测性维修（Predictive Maintenance）
PF  粒子过滤器（Particle Filter）
PH  比例风险（Proportional Hazard）
PHM  故障预测与系统健康管理（Prognostics and systems Health Management）
PI  绩效指标（Performance Indicator）
PLC  可编程逻辑控制器（Programmable Logic Controller）
PMF  概率质量函数（Probability Mass Function）
PMML  预测性维修标记语言（Predictive Maintenance Markup Language）
POE  以太网供电（Power Over Ethernet）
PoF  失效物理（Physics-of-Failure）
PPA  购电协议（Power Purchase Agreement）
PPP  公私合作关系（Public/Private Partnership）
PSO  粒子群优化（Particle Swarm Optimization）
PSS  产品服务系统（Product Service System）
PTH  镀通孔（Plated Through Hole）
PWB  印刷线路板（Printed Wiring Board）
QCM  静态电流监测器（Quiescent Current Monitor）
QW  量子阱（Quantum Well）
RAMS  可靠性、可用性、可维修性和可保障性（Reliability，Availability，Maintainability，and Supportability）
RBF  径向基函数（Radial Basis Function）
RBFNN  径向基函数神经网络（Radial Basis Function Neural Network）
RBU  残差建模单元（Residual Building Unit）
RC  电阻/电容（Resistance/Capacitance）
RCM  以可靠性为中心的维修（Reliability-Centered Maintenance）
ReLU  整流线性单元（Rectifier Linear Unit）
RESS  可充电储能系统（Rechargeable Energy Storage System）
RF  无线电频率（Radio Frequency）
RFID  射频识别（Radio Frequency Identification）
RH  相对湿度（Relative Humidity）
RLA  剩余寿命评估（Remaining Life Assessment）
RM＆D  远程监测和诊断（Remote Monitoring and Diagnostics）
RMSE  均方根误差（Root-Mean-Squared Error）
RNN  递归神经网络（Recurrent Neural Network）
ROA  实物期权分析（Real Options Analysis）
ROC  接收者操作特征（Receiver Operating Characteristic）
RoHS  有毒有害物质禁用指令（Restriction of Hazardous Substances）
ROI  投资回报率（Return On Investment）
ROM  只读存储器（Read-Only Memory）
ROV  遥控水下航行器（Remotely Operated underwater Vehicle）
RPN  风险优先数（Risk Priority Number）
RTD  电阻温度检测器（Resistance Temperature Detector）
RTOK  重新测试正常（Re-Test OK）
RTPH  实时电源线束（Real Time-Power Harness）
RUL  剩余使用寿命（Remaining Useful Life）
RUP  剩余有用性能（Remaining Useful Performance）
RVM  相关向量机（Relevance Vector Machine）
SA  模拟退火（Simulated Annealing）
SAAAA  感知、获取、分析、建议和行动（Sense，Acquire，Analyze，Advise，and Act）
SaaS  软件即服务（Software as a Service）
SAE  汽车工程师学会（Society of Automotive Engineers）
SAR  社会辅助机器人（Socially Assistive Robotics）
SARA  仿真辅助可靠性评估（Simulation Assisted Reliability Assessment）
SATAA  感知、获取、转移、分析和行动（Sense，Acquire，Transfer，Analyze，and Act）
SBCT  斯特赖克旅战斗队（Stryker Brigade Combat Team）
SBQ  基于标准的认证（Standards-Based Qualification）
SCADA  监控和数据采集系统（Supervisory Control And Data Acquisition）
SD  安全数字；标准差（Secure Digital；Standard Deviation）
SDG  有符号图（Signed Diagraph）
SEI  固体电解质界面（Solid Electrolyte Interphase）
SHM  结构健康管理；系统健康监测（Structural Health Management；System Health Monitoring）
SIA  半导体工业协会（Semiconductor Industry Association）
SIR  采样重要性重采样（Sampling Importance Resampling）
SIS  序列重要性采样（Sequential Important Sampling）
SIV  应力引起的空隙（Stress-Induced Voiding）
SLI  启动照明点火（Starting-Lighting-Ignition）
SLOC  源代码行（Source Lines Of Code）
SLPP  监督局部保持映射（Supervised Locality Preserving Projection）
SMART  自我监测分析和报告技术（Self-Monitoring Analysis and Reporting Technology）
SMOTE  合成少数类过采样技术（Synthetic Minority Oversampling Technique）
SOA  面向服务的体系结构（Service-Oriented Architecture）
SOC  荷电状态（State Of Charge）
SOH  健康状态（State Of Health）
SOM  自组织映射（Self-Organizing Map）
SPD  光谱功率分布（Spectral Power Distribution）
SPRT  序贯概率比检验（Sequential Probability Ratio Test）
SRB  固体火箭助推器（Solid Rocket Booster）
SRMS  航天飞机遥控操纵系统（Shuttle Remote Manipulator System）
SRU  车间可更换单元（Shop-Replaceable Unit）
SSE  南苏格兰电力公司（Scottish and Southern Energy）
SVM  支持向量机（Support Vector Machine）
SVR  支持向量回归（Support Vector Regression）
TC  型号合格证（Type Certificate）
TDDB  时间相关介电击穿（Time-Dependent Dielectric Breakdown）
TDR  时域反射计（Time Domain Reflectometry）
TEF  瞬时接地故障（Transient Earth Fault）
TEG  热电发电机（Thermoelectric Generator）
THB  温度/湿度/偏差（Temperature/Humidity/Bias）
TMS  发射机管理子系统（Transmitter Management Subsystem）
TN  真阴性（True Negative）
TNI  未识别故障（Trouble Not Identified）
TP  真阳性（True Positive）
TPR  真阳性率（True Positive Rate）
TSM  故障排除手册（Troubleshooting Manual）
TSMD  时间-应力测量装置（Time-Stress Measurement Device）
TSV  硅通孔（Through-Silicon Via）
TTF  失效时间（Time-To-Failure）
UAP  不确定性调整预测（Uncertainty Adjusted Prognostics）
UAV  无人飞行器（Unmanned Aerial Vehicle）
UBL  使用寿命（Usage-Based Lifing）
UE  用户设备（User Equipment）
UER  计划外发动机拆卸（Unscheduled Engine Removal）
uHAST  无偏高加速应力测试（unbiased Highly Accelerated Stress Test）
UKF  无迹卡尔曼滤波器（Unscented Kalman Filter）
USABC  美国先进电池联盟（US Advanced Battery Consortium）
USB  通用串行总线（Universal Serial Bus）
USPTO  美国专利商标局（US Patent and Trademark Office）
UT  无迹变换（Unscented Transform）
UV  紫外线（Ultra-Violet）
V＆V  验证和确认（Verification and Validation）
V2I  车辆到基础设施（Vehicle-to-Infrastructure）
V2V  车对车（Vehicle-to-Vehicle）
VBA  应用程序用VB语言（Visual Basic for Applications）
VCE  集电极-发射极电压（Collector-Emitter Voltage）
VFSG  变频启动发电机（Variable Frequency Starter Generator）
VLSI  超大规模集成电路（Very Large Scale Integrated）
VSWR  电压驻波比（Voltage Standing Wave Ratio）
WSN  无线传感器网络（Wireless Sensor Network）
XLPE  交联聚乙烯（Crosslinked Polyethylene）
XML  可扩展标记语言（Extensible Markup Language）
ZDS  零缺陷采样（Zero Defect Sampling）
ZVEI  中央电气工程与电子协会（Zentralverband Elektrotechnik and Elektronikindustrie）

查看更多 > 图书评论

暂无评论

发表图书评论

评论标题：
评论内容：
验证码：: 看不清楚
点击刷新
: 您还没有登录，请登录后再评论。
点击“登录”

购买过本书的顾客还买过

{{data.bookName}}

￥{{data.price}}