故障预测与健康管理（PHM）技术可实现对保障对象的状态监控、故障综合诊断、故障预测、健康管理和全寿命预测等。本书通过分析当前故障预测与健康管理技术的发展现状，介绍机械设备、电子设备故障预测与健康管理的常用方法和具体应用案例，梳理美国政府及军事领域故障预测与健康管理相关的项目、技术和文件，为我国故障预测与健康管理技术的发展提供理论指导和有益借鉴。
本书内容丰富、重点突出、注重实用性，可供相关企业及从事故障预测与健康管理的研究人员、管理人员等借鉴参考。

第1部分 故障预测与健康管理的基本概况
第1章 绪论
1.1 故障预测与健康管理概念
1.2 故障预测与健康管理背景
1.3 故障预测与健康管理应用
1.4 故障预测与健康管理方法
1.5 故障预测与健康管理优势
1.5.1 降低全寿命周期的成本
1.5.2 优化系统设计的流程
1.5.3 提升生产过程的质量
1.5.4 增强系统运行的效果
1.5.5 保障后勤维修的优势
1.6 故障预测与健康管理面临的挑战
第2部分 机械设备的故障预测与健康管理
第2章 基于物理模型的机械设备故障预测与健康管理
2.1 基于物理模型的机械设备故障预测简介
2.2 非线性最小二乘法
2.3 贝叶斯方法
2.3.1 马尔可夫链蒙特卡罗抽样方法
2.3.2 电池故障预测贝叶斯方法的MATLAB实现
2.4 粒子滤波
2.4.1 序列重要性重采样过程
2.4.2 电池故障预测的粒子滤波方法的MATLAB实现
2.5 基于物理模型的故障预测方法的实际应用
2.5.1 问题定义
2.5.2 针对裂纹扩展示例的代码修改
2.5.3 结果
2.6 基于物理模型的故障预测方法的优点和不足
2.6.1 模型充分性
2.6.2 参数估计
2.6.3 退化数据质量
第3章 数据驱动的机械设备故障预测与健康管理
3.1 数据驱动的机械设备故障预测简介
3.2 高斯过程回归
3.2.1 高斯过程模拟
3.2.2 基于高斯过程的电池故障预测的MATLAB实现
3.3 神经网络
3.3.1 前馈神经网络模型
3.3.2 基于神经网络的电池故障预测的MATLAB实现
3.4 数据驱动的故障预测方法的实际应用
3.4.1 问题定义
3.4.2 裂纹扩展示例的MATLAB代码
3.4.3 结果
3.5 数据驱动的故障预测方法存在的问题
3.5.1 模型形式充分性
3.5.2 最优参数估计
3.5.3 退化数据的质量
第3部分 电子设备的故障预测与健康管理
第4章 故障预测与健康管理的传感器系统
4.1 传感器和传感原理
4.1.1 热传感器
4.1.2 电传感器
4.1.3 机械传感器
4.1.4 湿度传感器
4.1.5 生物传感器
4.1.6 化学传感器
4.1.7 光学传感器
4.1.8 磁传感器
4.2 故障预测与健康管理传感器系统的运行
4.2.1 需要监测的参数
4.2.2 传感器系统的性能
4.2.3 传感器系统的物理属性
4.2.4 传感器系统的功能属性
4.2.5 成本
4.2.6 可靠性
4.2.7 可用性
4.3 传感器选择
4.4 故障预测与健康管理实现的传感器系统示例
第5章 基于物理模型的电子设备故障预测与健康管理
5.1 硬件配置
5.2 载荷
5.3 故障模式、机制及影响分析
5.4 应力分析
5.5 可靠性评估和剩余使用寿命预测
5.6 基于物理模型的故障预测与健康管理方法的输出
第6章 数据驱动的电子设备故障预测与健康管理
6.1 参数统计方法
6.1.1 似然比检验
6.1.2 最大似然估计
6.1.3 Neyman-Pearson准则
6.1.4 期望值最大化
6.1.5 最小均方差估计
6.1.6 最大后验概率估计
6.1.7 Rao-Blackwell估计
6.1.8 Cramer-Rao下界
6.2 非参数统计方法
6.2.1 基于最近邻的分类
6.2.2 Parzen窗（核密度估计）
6.2.3 Wilcoxon秩和检验
6.2.4 Kolmogorov-Smirnov检验
6.2.5 卡方拟合优度假设检验
6.3 机器学习方法
6.3.1 有监督分类
6.3.2 无监督分类
6.4 本章小结
第4部分 应用案例
第7章 机械设备故障预测与健康管理应用案例
7.1 现场测量与关节磨损预测
7.1.1 动机和背景
7.1.2 磨损模型和磨损系数
7.1.3 曲柄滑块机构关节磨损的现场测量
7.1.4 贝叶斯方法用于预测关节渐进磨损
7.1.5 磨损系数识别与磨损量预测
7.1.6 结论
7.2 不同噪声和偏差条件下使用贝叶斯方法识别模型参数
7.2.1 动机和背景
7.2.2 损伤增长模型和测量不确定度模型
7.2.3 贝叶斯方法用于损伤特性描述
7.2.4 结论
7.3 加速寿命试验数据在故障预测中的实际应用
7.3.1 动机和背景
7.3.2 问题定义
7.3.3 加速寿命试验数据的应用
7.3.4 结论
7.4 基于特定频域中熵变的轴承故障预测方法
7.4.1 动机和背景
7.4.2 退化特征的提取方法和属性
7.4.3 故障预测
7.4.4 方法通用性讨论
7.4.5 结论和未来工作的建议
7.5 其他应用实例
第8章 电子设备故障预测与健康管理应用案例
8.1 基于核学习的电子部件健康评估
8.1.1 基于