故障预测与健康管理技术（PHM）作为实现武器装备基于状态的维修、自主式保障、感知与响应后勤等新思想、新方案的关键技术，受到美英等军事强国的高度重视和广泛推广。包括两层含义：
一是故障预测，即预先诊断部件或系统完成其功能的状态，确定部件正常工作的时间长度；
二是健康管理，即根据诊断或预测信息、可用资源和使用要求对维修活动做出适当决策的能力。
PHM系统的技术特征：
通过测试和计算关键部件的剩余寿命来主动地监测系统的健康状态；
健康信息用于优化维修活动和后勤保障；
最好不要增加新的传感器，而是使用原有传感器来监测健康信息；
基本方法是将传感器测到的对象系统的响应与该系统模型的响应做对比；
使用老化模型计算关键部位的剩余寿命；
用理论推导方法或对特定部分做磨损试验得到老化模型。
常用的故障诊断和预测技术方法：
基于数学模型的故障检测与诊断方法：特点是必须将故障数学模型化，有时建立模型很困难；不依赖实例和经验，适用于新的没有成熟经验的诊断。
基于参数估计的故障检测与诊断方法：特点是须先确定一个信任域，当参数超出域时认为故障；适用于故障能由参数的显著变化来描述的诊断。
基于信号处理的故障检测与诊断方法：通过对检测信号的分析处理，利用特征信号对故障进行识别和诊断。典型方法：小波变换、模态分解等。
基于知识的故障检测与诊断方法：不需精确的数学模型，能模拟人的思维过程，具有自学习、自组织、自推理能力。
基于实例的故障检测与诊断方法：是一种使用过去的经验实例指导解决新问题的方法，优点是不需从实例中提取规则，求解快；不足是能搜集的实例是有限的，求解时可能出现误诊或漏诊。
基于模糊理论的故障检测与诊断方法：征兆的描述、故障与征兆的关系往往具有模糊特性，模糊语言变量能更准确地表示这种模糊性的征兆和故障；问题在于知识获取困难，如何确定故障与征兆间的模糊规则；如何实现模糊语言变量与隶属度间的推理转换。
基于神经网络的故障检测与诊断方法：利用神经网络的联想、推理和记忆能力进行知识处理；适用于复杂多模式的诊断，有离线和在线诊断两种方式。
