随着人工智能的兴起，机器学习和深度学习在研究以及工业上的应用。现阶段，大多数工业在做故障预测的时候更倾向于使用结合大数据的机器学习算法来对其进行预测以及后期的运维工作。但是，不管是其机理模型还是数据模型在一定程度上都会有其缺陷，因此需要将机理模型和数据模型进行融合，称之为混合模型。

关于故障预测的方法，目前主要分为三类，即基于机理模型的预测方法、数据模型的预测方法、以及混合模型预测方法。在数据模型的故障预测方法中，通常会使用模式识别和机器学习技术来检测系统状态的变化。数据模型适合用在系统太过复杂以至于很难建立合适的机理模型，或者建立机理模型的成本太过高昂的情况下。因此，数据模型的优势是比其他方法更加快速廉价，而且适用范围广。而它的缺点在于它预测的置信区间较其他方法宽，而且需要大量的数据去训练模型。

PHM利用先进传感器的集成，借助各种算法和智能模型来预测、监控和管理系统的健康状态。它强调资产设备管理中的状态感知，监控设备健康状况、故障频发区域与周期，通过数据监控与分析，预测故障的发生，从而大幅度提高运维效率。

关键核心技术

1）传感器数据采集

传感器作为最底层的数据获取元素，感受被测对象的相应参数（振动、温度、光强、电压等）变化，并将测到的物理量按照一定转换规则转换为便于后续传输与处理的电信号，其直接关系到故障诊断、故障预测的有效性，而传感器种类的选取、传感器的优化布局等关键技术也越来越受到关注。

2）数据处理及特征提取

通常PHM系统不会将传感器采集到的数据直接用于故障的诊断和预测，而是经过一系列的预处理、特征提取、同类或异类数据的信息融合等处理之后加以判断。随着人工智能、大数据等新兴技术的不断兴起，运用这些技术的数据处理、特征提取技术也成为当前研究的一大热点。

3）健康评估与故障预测

健康评估与故障预测就是基于数据处理、特征提取的结果运用失效模型、智能的推理算法评估系统的运行状态，预测系统发生故障的部位、时间及使用寿命，并给出合理的维修保障建议。失效模型的建立一般有两种方式：一种是基于失效物理的方法，从材料的组成、变化及系统各部分之间的相互影响进行分析，需要非常完善的相关基础理论，这在当前是很难实现的，所以一般采用这种方式建立的失效模型精度不高，导致健康评估与故障预测的准确度不高；另一种方式是基于大数据驱动的建模，在当前大数据热潮背景下得到了一定的发展，具有比较大的潜在研究价值。智能推理是运用各种先进的分析、预测算法及失效模型，评估系统状态，预测系统健康状况的变化趋势。

4）信息资源管理与决策

PHM系统运用系统健康状况趋势信息、历史状态信息、任务信息等，结合当前的维修、维护、保养资源及成本，决策得到系统的维修保障方案，为事后维修或周期性检修承担针对性维护，可以辅助后勤保障系统的设计，改善效率的同时降低了成本。

5）PHM验证技术

PHM验证是确认设计结果是否达到设计要求，从而对完善设计提出反馈，是设计开发成熟化、部署应用的关键环节。

总结：PHM是利用传感器采集系统的数据信息，借助于信息技术、人工智能推理算法来监控、管理与评估系统自身的健康状态，在系统发生故障之前对其故障进行预测，并结合现有的资源信息提供一系列的维护保障建议或决策，它是一种集故障检测、隔离、健康预测与评估及维护决策于一身的综合技术。相较于传统的故障后维修或定期检修这类基于当前健康状态的故障检测与诊断，PHM是对未来健康状态的预测，变被动式的维修活动为先导性的维护保障活动，大大提高了装备的战备完好性。

贝斯特全球最奢华立足国防军工，积极拓展军民融合，经过多年发展，形成完整的电子对抗试验训练平台和通信仿真与测试解决方案，积累了丰富的产品方案和实施经验。