笔者按：本文是基于北京天泽智云科技有限公司某员工在bilibili.com上通过视频形式发表的公开课进行的整理，未经本人校对，仅供交流学习使用。
整体分为回顾建模方法论、明确基本概念、梳理常用算法、进行案例分析等，具体如下。
一、回顾预测性维护建模方法论
确定关键设备，进行数据采集和传输，进行信号处理，提取重要特征信息，开展健康评估和故障诊断，预测使用寿命，对健康状态进行可视化。
二、明确健康评估基本概念
评估目标：将高维特征向量转换为单个健康指数（健康状态、健康置信度CV等）。
指标类型：1、以物理量作为健康指标，例如桥梁裂纹长度、刀具磨损量等，有些值可以直接被量测出来。有些指标比如刀具的磨损量，无法在机床工作的时候去测量，只有在停机取下来后，通过放大镜、显微镜才能测量出来；但是我们可以通过监测一些其它的信号和这样一个具体的物理量之间做一个拟合关系，常用的有神经网络、模糊逻辑等。2、基于概率的健康指标，表示的意思是现在处于健康状态的概率，概率值越高说明越健康，越低说明越接近故障，比如像逻辑回归模型或一些统计模型得到的概率。3、虚拟的健康指标，它是具有物理意义的，是数学上的一个标量，一般指的是通过一些模型去拟合它的健康状态，然后当前状态下也用同样的模型去拟合，发现存在的偏差，比如我们有可能用马氏距离、欧氏距离来直接表示，另外SOM-MQE也是算法之一。
在数据驱动的健康评估里，一般分为两个阶段，训练阶段和验证阶段。1、训练阶段会拿些历史数据，一个m*n特征矩阵，包括m个样本，n维特征，去训练一个健康评估的模型，这种训练又分为两种，一种是监督式学习，就是说我们既有健康状态的数据，也有故障状态的数据，这样的话我们就可以去分析建模出来，我们当前的状态是处于健康和故障中间的某一个地方、某种程度；而更多的就是工业大数据中故障的数据是非常宝贵非常难得的，一般我们获得的都是一些健康的数据，所以说就会有一种非监督学习的方式，它只有健康数据，那么如何评估现在的状态呢，就是用现在的状态和健康状态的一个相似程度，比如像图上的就是用的高斯分布方法。2、训练好了这个健康评估模型之后，在验证阶段也就是模型上线，真正使用的时候会把这一个当前状态放到这个模型里去计算，得到一个最后的健康值。
三、梳理健康评估常用算法
1.逻辑回归算法
