Michael G. Pecht博士，获得了美国威斯康星大学麦迪逊分校物理学学士学位、电气工程硕士学位、工程力学硕士和博士学位。资深工程师，同时是IEEE、ASME、SAE和IMAPS的会士。发表技术论文700余篇，拥有专利8项。
实验室可提供从材料到整机设备、从硬件到软件直至复杂大系统的认证计量、试验检测、分析评价、数据服务、软件评测、信息安全、技术培训、标准信息、工程监理、节能环保、专用设备和专用软件研发等技术服务。实验室具有多项认证、检测资质和授权，建立了良好的国际合作互认关系，可在世界范围内开展认证、检测业务，代表中国进行国际技术交流、标准和法规的制订。同时，作为工业和信息化部的直属单位，为部的行业管理和地方政府提供技术支撑，为电子信息企业提供技术支持与服务，每年服务企业过万家。

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）