健康监测技术在机载雷达结构上的应用分析

故障预测与健康管理（Prognostics and Health Management, PHM）技术是一项前沿的复杂工程应用技术,在机载雷达系统上具有迫切的需求和广泛的应用前景。文中首先分析了典型的飞机PHM系统架构;然后,针对机载雷达系统结构特点,提出一种基于故障模式、影响及危害性分析（Failure Mode, Effects & Criticality Analysis, FMECA）的结构健康监测系统构建流程,得到了典型机载雷达系统结构的健康监测系统架构;最后,对PHM技术在某机载雷达大型一维转台上的应用进行了分析,获得了各关键系统的多参量实时数据,为机载雷达系统的结构安全提供早期预警、故障诊断与寿命预测。本研究对结构健康监测技术在机载雷达领域的工程化应用具有指导意义。     

基于SOA的设备群PHM系统研究及实现

针对设备群的故障预测与健康管理系统（PHM）技术的特点,提出了一种按设备级、工作单元级、设备群级和企业级分层的PHM功能模型,建立了功能模块间及不同层间的信息流动及需求关系。基于WEB服务和SOA技术,建立了PHM的系统分层架构模型;提出一种基于时间戳数据防过期方法,解决了基于XML的数据交互过程中的数据同步问题;研究了各功能组件模块之间的协同运行问题;基于逻辑斯蒂回归和支持向量机建立了性能退化趋势预测模型。在此基础上,开发了基于WEB的PHM软件原型系统,以验证上述方法和技术的可行性。     

民用飞机系统的故障预测与健康管理系统设计

在对民用飞机系统的故障预测与健康管理系统及其重要作用进行论述的基础上,分析了故障预测与健康管理（PHM）、视情维修（CBM）、自主保障（AL）及其相互关系。同时,论述了民用飞机系统的故障预测与健康管理系统的几个主要功能模块。     

数控机床故障预测与健康管理系统关键技术研究探讨

为提高数控机床的使用效率及使用寿命,必须构建故障预测与健康管理系统。现概述了故障预测和健康管理系统,以及影响PHM系统应用的关键技术,并提出PHM关键技术的具体实施方案,对实现机床故障的提前预测和剩余寿命计算具有重要的实践意义。     

基于PHM技术的测井设备智能管理体系的应用研究

测井设备的智能管理体系具有有效的预警和健康管理机制,能准确地预测故障并进行维修保养提醒.它是一种能够模拟人的自治性神经系统指挥身体运动的智能体系.PHM技术（故障预测与健康管理）已成功地应用多个领域,论文讨论PHM技术应用于测井设备智能维修体系的方法与可行性,详细阐述了评估测井设备健康状态的方法.     

基于数字孪生技术的工业机器人故障预测方法

为了提高工业机器人的运行效率，采用数字孪生技术和卷积神经网络算法设计了工业机器人故障的预测方法。首先设计了工业机器人故障预测的基本架构，然后利用数字孪生技术构建了虚实映射的工业机器人的物理模型，并提取工业机器人的运动姿态特征，最后利用卷积神经网络算法构建了工业机器人电机故障的预测模型，通过对故障特征信号特征提取和分类，实现了故障的实时预测。仿真结果表明：通过孪生虚拟模型获取的工业机器人运行状态与实际运行状态高度重合，采用提出的故障预测方法对100组数据处理，得到的正确率、精确率、召回率和F1值4个性能指标分别为0.961 7、0.903 5、0.925 4和0.923 1，均明显高于其他两种对比方法，为工业机器人进行故障诊断和预测提供有力的技术支持。     

故障预测与健康管理技术的应用与发展

近年来,随着航天航空技术的不断发展,关于管理系统的研究也不断深入。故障预测与健康管理(PHM)系统属于目前可用于故障系统预测和管理的有效框架,PHM技术在设备装备维修保障当中的应用价值非常突出。为进一步提高PHM技术的应用效益,本文分析了PHM技术的应用与发展,希望可以为相关从业者提供理论帮助。     

数据驱动故障预测和健康管理综述

着重介绍数据驱动故障预测和健康管理(PHM)方法的研究现状。通过对数据驱动PHM方法的分类阐述,逐步说明面向复杂系统数据驱动PHM的方法体系和流程,并重点对构成数据驱动PHM方法体系的核心环节进行分析和总结。在此基础上,采用一个锂离子电池循环寿命预测实例综合分析了数据驱动PHM的实现过程。最后,分析了数据驱动PHM方法的发展趋势和研究挑战。     

数控设备的故障预测与健康管理技术

为提高数控设备的使用寿命及效率,提出了故障预测与健康管理(PHM)的概念和体系结构,.该方案能够实现数控设备故障的预测和剩余寿命计算.     

基于深度学习的工业装备PHM研究综述

随着物联网和通信技术的快速发展,现代工业装备海量运行数据被实时监测传输,推动装备服役阶段的故障预测与健康管理进入大数据时代。面对具有不确定性强、价值密度低及多源异构特点的装备运行大数据,传统浅层模型算法存在难以自主挖掘数据蕴含特征、对装备健康状态表征能力弱的先天不足。近年来,作为机器学习领域的研究热点,深度学习理论得到了学术界与工业界的广泛关注,相关的工业装备故障预测与健康管理（prognostics and health management, 简称PHM）研究与应用层出不穷,为解决大数据背景下的故障预测与健康管理难题提供了新的思路和技术手段。为此,笔者回顾了工业装备故障预测与健康管理技术发展历程;从异常检测、故障诊断以及故障预测3个方面综述了深度学习已取得的研究成果;讨论了深度学习在当下工业装备故障预测与健康管理中的热点话题;分析了该研究方向在工程实际中面临的挑战,并探讨应对这些挑战的有效措施和未来发展趋势。