與數學、物理等這些傳統從哲學演化出來的學科不同，PHM是從工程領域提煉，並且不斷系統化、體系化的一門系統工程學科，聚焦於複雜工程健康狀態的監測、預測和管理。
PHM的實現需要狀態監測、故障檢測診斷、預測、運維優化等多項技術的支撐，其目標是降低成本，減少浪費，提高效率，讓機器設備更安全、可靠地運行。
新概念：MTBD
為了更好的理解PHM，我們先來介紹個新的概念—MTBD (Mean-Time-Before-Degradation)，衰退發生前的平均時間。與之對標的MTBF，是可靠性領域另外一個非常重要的概念，指的是機器從這次失效到下次失效的平均時間，即平均壽命是多長。
傳統基於時間可靠性分析的方式，一般先統計零部件使用的壽命，假設大概服從正態分布，通過求解壽命的期望值，估計該部件的有效使用時間。
這種方式有一定的局限性。首先是其只基於時間一個維度，無法把其他變量（如環境、自身機理狀態等）整合到壽命預測裡，本質上信息的缺陷導致預測結果的精確度欠佳；其次該方法只適用於大批量生產的同類型的簡單組件（如燈泡、軸承），而對於一些結構複雜、數量不多的設備很難做預測。
而PHM本質上是信息的融合，它把運行過程中不同維度的數據整合到模型中，再量化成能夠反映系統衰退的健康值指標，能夠對結構、過程複雜的對象做更為精準的預測。同時由於它是基於自身的歷史數據或機理做分析，所以可以進行個性化的處理，並不完全依賴於研究對象的存在數量。
新一代的維護系統需要重點關注以下三個共通問題：
設備智能化
未來的設備將越來越智能化，具備狀態自知覺、趨勢可預測、以及洞察可傳承等能力。
信息同步性的智能化
未來維護系統的另一個關鍵組成部分是信息同步性的智能化。對於信息同步性的智能化，李傑教授曾提出OHIO（Only Handle Information Once）的概念，即只對信息做一次處理。自動化協同傳遞出來的信息，並且直接推送給所有需要知道這些信息的用戶，給不同用戶以最合適的方式展示最合適的信息，最大化信息的對稱性。
我們現在用的很多手機APP（比如「航旅縱橫」）起到的就是這樣的作用：信息（比如前序航班起降時間）與終端（比如已經買了機票的人）直接相連，無論用戶在何時何地，都可以看到與自己相關的第一手的信息（比如航班是否延誤），根據該信息可以直接作出決策（比如機票的退改籤），最大限度避免意外情況造成的損失。
運維技術智能化
操作設備的智能信息及同步的狀態等信息都需要傳遞到運維這個層面，讓用戶能夠實現運維決策優化，並對運維任務的優先級進行排序，最終實現整個系統時長可用性的提高（All-Time Readiness）。
我們通常只能看到設備故障的一些表象問題（如失效、瑕疵、缺陷等），但並不清楚具體是磨損、腐蝕還是其他什麼因素導致了這些結果，這就需要智能技術來識別並預測其發展趨勢，並將這些信息傳遞給客戶來做決策。
簡言之，把不確定的信息確定化，並為客戶節約成本、提高效率就是我們維護的最終目標。
降本、增效的宗旨始終體現在維護策略的演進過程：從最開始的東西壞了再修的修復性維護，到預防性維護，再到基於狀態的維護，然後發展為現在的PHM。
其中修復性維護整體花費最高；預防性維護對於高可靠性系統，很有可能在其還沒壞的時候就換掉，造成很大的浪費；基於狀態的維護相對來說更有針對性且更精準，但仍有一定的局限性，它只能反映當前狀態，而沒有辦法對未來進行預測，管控未來的風險；所以PHM技術的出現就是要預測並管理系統未來可能出現的風險，進而降低系統運維成本。
不同維護策略的詳細介紹可參考天澤智雲之前的文章《從修復性維護到預測性維護 風機維護策略的發展趨勢》。
故障預測（Prognostics）
故障預測的狹義定義是指監測某一類故障的早期現象，並能預測故障距離失效還有多長時間，即預測剩餘使用時間（RUL）。
PHM與傳統的CBM（基於狀態的監測）最大的區別是，要做到能夠預測它最後的剩餘使用壽命到底有多少。
健康預測（Health Prediction）
健康預測是另外一個維度，是一個更廣泛的概念，指近期剩餘使用壽命的健康值趨勢走向如何，與RUL不同的是在做健康預測時可能不清楚失效的標準，不知道設備到底什麼時候會壞。
失效（Failure）
失效並不是指被監測對象完全不能用了，而是諸如設備仍在運轉，但精度下降且對最終生產產品造成不良損失，或者系統出現不穩定的狀態等我們都認為是失效，分為硬失效和軟失效兩類。
特徵（Features）
從原始信號中提取出的關鍵信息，和應用直接相關、緊耦合的信息，通過數學運算、統計計算得到，從數據分析的角度直接提取的能夠描述數據狀態的一些凝練信息。
健康值（Health Index）
和系統的健康狀況直接對標的量，可以是機理相關的（如橋梁的裂紋長度），也可以是概率相關的（如失效的可能性），或者是虛擬的（如機器學習得到的擬合度或者距離）等，能夠直接反應系統衰退狀態的一些值。
故障預測包括基於數據驅動、基於機理、基於混合模型，及基於可靠性、統計分析等多種方法，下面我們主要介紹數據驅動的PHM建模方法，有以下幾種不同的思維方式：
模型與機理模型對比。將對比後產生的不同偏移量化成健康值。
與自身歷史趨勢對比。將歷史狀態做一個基線，認為它是健康的，用當前狀態與基線對比，如果有漂移我們則認為該狀態發生衰退。
對等相較。假設多數同類設備是健康的，通過對比找到不健康的設備，並分析失效模式。
數據驅動的PHM技術的分析流程通過5S方法論指導工業智能化的落地。
Streamline：數據排序、過濾、優先級劃分；
Smart Processing：選擇合適的特徵和正確的建模工具做智能分析；
Synchronize & See：將結論通過可視化界面同步給用戶；
Standardize：將以上信息標準化並形成組織裡的知識；
Sustain：標準化後的知識組成模型中的智能資產，最終實現可傳承的洞察與知識。
PHM並不是適用於所有的對象，我們可以參照下圖進行判斷（縱軸代表發生頻率，橫軸表示故障發生後的影響），PHM適用於發生頻率不高、但一旦發生影響很大的故障。
資料來源：美國IMS中心
頻率低、影響大：PHM
頻率低、影響小：傳統維護方式
頻率高、影響小：準備更多備件
頻率高、影響大：系統設計的問題，需改進設計
1、需求定義
與傳統網際網路思維不同，工業智能的應用是收斂式的，所以在設計PHM系統時首先要定義有哪些問題，做問題的拆解，與用戶一起探討他們面臨哪些挑戰（如運維、質量、能效等），並對其進行完整的調研。
第二步是確定監控層次，包括確定是要做組件級的分析，還是機器、產線或者系統級的分析，要選擇哪些關鍵的組件、部件進行建模，以及需要關心哪些特定的故障模式等等，這些都要在這個層面定義好。
第三步是模型選擇，考慮到底應該採集哪些信號，是用數據驅動式的建模方式，還是機理式的，或者混合式的。當選定了一種建模方式後（如數據驅動），再進一步確定哪些關鍵因素對建模目標有決定性影響，並將這些信息提取出來。
第四步是傳感器及採集策略的選擇，此時需要有專業的數據採集團隊根據數據科學家的需求來做信號採集。
接下來是部署策略和實驗設計，即模型最終是人工觸發的還是在線一直運行的，要嵌入系統還是部署在雲端等等。我們在建模之前需要把這些問題考慮清楚，之後就可以做一些實驗，如果有條件的話可以從實驗臺上獲得我們需要的一些數據。
之後通過示範項目，驗證整個系統從硬體到軟體再到算法是否能夠有機結合，算法能否閉環用戶需求並實際傳遞給用戶一些可執行的信息，同時對投資回報率（ROI）進行分析，判斷我們現在這種方式能否在成本可控範圍內最小程度定製化地推廣。
確定可以實施之後進行技術上線，並且平行展開規模化的應用。
下面列舉了天澤智雲核心技術團隊完成或參與的一些PHM項目，供大家參考。點擊標題，閱讀具體案例。
軌旁設備預測性維護
零部件級智能維護
傳統製造業如何實現智能化？帶鋸工具機自適應健康預測系統
工業機器人故障診斷與預測
半導體製造設備ROI高達500%！故障預測與健康管理（PHM）是剛需
滾珠絲槓故障預測與健康管理（PHM）
作者簡介
金超 博士
天澤智雲技術研發副總裁
美國辛辛那提大學智能維護系統中心機械工程博士。在李傑教授指導下，自2012年開始，在智能維護系統中心參與負責十五個以上世界級企業與研究機構的科研項目，涉及領域包括半導體製造、能源、航運、旋轉機械，以及電氣設備，具有豐富的工程實踐經驗。
根據李傑教授CPS理論撰寫的「賽博製造（Cybermanufacturing）」提案獲美國NSF研究獎金資助。金超博士的研究興趣包括時間序列模態識別增強的特徵工程，基于振動信號的故障早期檢測，以及系統級預診斷與健康管理。
金超博士參與的科研項目合作方包括應用材料Applied Materials、伊頓電氣Eaton、日立、電裝、Flanders Make，以及高盛精密機電等等。