PHM技術的發展過去是人們自我學習和提升的過程，即從對設備的故障和失效的被動維護，到定期檢修、主動預防，再到事先預測和綜合規劃管理。美陸軍早期裝備直升機的健康與使用監測系統就是PHM最原始的形態。20世紀60年代，由于航空航天領域極端復雜的環境和使用條件驅動了最初的可靠性理論、環境試驗和系統試驗能及質量方法的誕生。隨著宇航系統復雜性的增加，由設計不充分、制造誤差、維修差錯和非計劃事件等各種原因導致故障的機率也在增加，迫使人們在70年代提出了航天器綜合健康管理的概念來監視系統狀態。隨著故障監測和維修技術的迅速發展，先后開發應用的有飛機狀態監測系統、發動機監測系統、綜合診斷預測系統以及海軍的綜合狀態評估系統等。隨后出現的這些診斷故障原和檢測狀態的技術，最終帶來了故障預測方法PHM的誕生。

PHM技術的發展大致經歷了由外部測試到機內測試(BIT)，進而測試獨立出來成為一門學科，然后便是綜合診斷的提出與應用，最后便是發展到現在的預測與健康管理(PHM)技術。

在航空航天、國防軍事以及工業各領域中應用的不同類型的PHM系統，其體現的基本思想是類似的，區別主要表現在不同領域其具體應用的技術和方法的不同。

PHM系統主要有六個部分構成——

數據采集 

利用各種傳感器探測、采集被檢系統的相關參數信息，將收集數據進行有效信息轉換以及信息傳輸等。

信息歸納處理 

接受來自傳感器以及其它數據處理模塊的信號和數據信息，將數據信息處理成后續部件可以處理的有效形式或格式。該部分輸出結果包括經過濾波、壓縮簡化后的傳感器數據，頻譜數據以及其它特征數據等。

狀態監測 

接受來自傳感器、數據處理以及其它狀態監測模塊的數據。其功能主要是將這些數據同預定的失效判據等進行比較來監測系統當前的狀態，并且可根據預定的各種參數指標極限值/閾值來提供故障報警能力。

健康評估 

接受來自不同狀態監測模塊以及其它健康評估模塊的數據。主要評估被監測系統(也可以是分系統、部件等)的健康狀態(如是否有參數退化現象等)，可以產生故障診斷記錄并確定故障發生的可能性。故障診斷應基于各種健康狀態歷史數據、工作狀態以及維修歷史數據等。

故障預測決策 

故障預測能力是PHM系統的顯著特征之一。該部件由兩部分組成，可綜合利用前述各部分的數據信息，評估和預測被監測系統未來的健康狀態，并做出判斷，建議、決策采取相應的措施。該部件可以在被監測系統發生故障之前的適宜時機采取維修措施。該部分實現了PHM系統管理的能力，是另一顯著特征之一。

保障決策 

主要包括人-機接口和機-機接口。人-機接口包括狀態監測模塊的警告信息顯示以及健康評估、預測和決策支持模塊的數據信息的表示等；機-機接口使得上述各模塊之間以及PHM系統同其它系統之間的數據信息可以進行傳遞交換。需要指出的是，上述體系結構中的各部件之間并沒有顯明界限，存在著數據信息的交叉反饋。

PHM模型分類：

基于模型的故障診斷與預測 

故障診斷與預測一般需要先在系統的模型上測試和驗證，以最少的耗費來獲取直觀有效的數據信息。應用基于故障診斷與預測技術的系統模型，通常由一定的領域的專家給出，經過大量的數據驗證，通常比較真實可靠。基于模型的故障診斷與預測技術能深入對象系統本質的性質和實現實時的故障預測，并且對象系統的故障特征通常與模型參數相近或是緊密相聯系。隨著對設備故障演化機理理解的逐步深入，模型可以被逐漸修正來提高其預測精度。

但是，實際工程應用要求對象系統的數學模型具有較高的精度與復雜的動態系統，建立精確的數學模型往往是個難于解決的矛盾。因此基于模型的故障診斷與預測技術的實際應用范圍和效果常常受到限制。人們通過大量研究論證，逐步提出了許多相關的解決辦法。如基于隨機濾波理論的故障預測技術是基于模型的故障預測技術的典型代表，包括卡爾曼濾波、擴展卡爾曼濾波、無味濾波和粒子濾波。

基于狀態信息的故障診斷與預測 

現在基于狀態的維修手段，直接采信被觀測對象功能及性能信息進行故障診斷，是置信度很高的故障診斷、維修方法，得到了成功的應用。CBM方式是通過對設備工作狀態和工作環境實時監測，借助人工智能等先進的計算訪求，診斷、預測和合理安排設備未來的維修調度時間。CBM方法根據設備的實際運行狀態確定設備的最小維護時間，降低設備全壽命周期費用，增加設備的穩定性。CBM的思想即只有在設備需要維護時，才進行必要的維護，大大減少了不必要的檢修、診斷耗費。

基于知識的故障診斷與預測 

在實際工程應用中，常常無法獲得對象系統的精確數學模型，這就大大限制了基于模型的故障診斷與預測方法的實施。而基于知識的故障診斷與預測訪求不需要對象系統精確的數學模型，同時能夠有效地表達對象相關的領域專家的經驗知識，因此是很有前景的方法。基于知識的故障診斷與預測技術的最大優勢就是能夠充分利用對象系統有關的領域專家經驗知識。

但是，由于基于知識的故障診斷與預測技術本身更適合于定性推理而不太適合于定量計算，因而其實際應用還比較困難，單獨使用專家系統或模糊邏輯進行故障診斷與預測的實例還不多見。由于基于知識訪求是一種半定量方法，在表述知識和推理方面有其獨到之處。

因此，一般將其與其他技術相結合，以期獲得更好的應用效果。基于知識的故障診斷與預測的一般原理是：

a.數理統計的模型，通過系統現象對應的關鍵參數集，依據歷史數據建立各參數變化與故障損傷的概率模型(退化概率軌跡)，與當前多參數概率狀態空間進行比較，進行當前健康狀態判斷與趨勢分析。通過當前參數概率空間與已知損傷狀態概率空間的干涉來進行定量的損傷判定，基于既往歷史信息來進行趨勢分析與故障預測。

b.神經網絡(ANN)的模型，利用ANN的非線性轉化特征，及其智能學習機制，來建立監測到的故障現象與產品故障損傷狀態之間的聯系。利用已知的“異常特征-故障損傷”退化軌跡，或通常故障注入建立與特征分析結果關聯的退化軌跡，對ANN模型進行“訓練/學習”。然后利用“訓練/學習”后的ANN依據當前產品特征對產品的故障損傷狀態進行判斷。BP算法是該模型應用最廣泛的一種網絡。另外還有專家系統模型、模糊綜合評判模型等。

PHM技術的發展經歷了故障診斷、故障預測、系統集成三個日益完善的階段，在部件級和系統級兩個層次、在機械產品和電子產品兩個領域經歷了不同的發展歷程。當前PHM技術的發展體現在以系統級集成應用為牽引，提高故障診斷與預測精度、擴展健康監控的應用對象范圍，支持CBM與AL的發展。PHM技術以一門新生力量已經成功應用于軍事、民用航空以及電子領域，并大大提升各應用領域的運作效率，有著廣闊的發展前景。