设备健康管理系统的一项重要功能—故障预测与健康管理(Prognostic and Health Management,简称PHM),可以实时监控设备的工作数据,及时发现故障原因与部位,同时可以预估设备未来的运行状态,帮助企业提前排查设备故障,减小损失。本课题以高温真空压合机为研究案例,设计适用于中小型设备的通用PHM系统,满足企业工作人员可以远程监控、实时了解设备工作情况的需求,达到快速发现问题解决问题,提高工作效率的目的,给企业和社会带来更大的经济效益。本课题选择基于案例推理方法(Case-based Reasoning,简称CBR)进行研究,设计相应的故障预测模型,针对CBR算法进行改进,并检测改进算法的准确性,从而有效地提高高温真空压合机系统的稳定性和可靠性。本文以咸阳威迪机电科技有限公司生产的高温真空压合机为案例对象,利用传感器技术采集设备工作所产生的数据,验证设计的模型,并实现了故障预测与健康管理。设备在运行过程中会产生实时数据,这些数据可定量表示设备运行状态的优劣。首先通过传感器采集设备的特征属性参数存储到后台,系统如果要以更加便利规整的方式计算访问后台数据,必须让它们以特殊的组织形式存储,最终形成案例库。本系统构建B树结构的二级案例库,将历史案例存入文件系统,便于故障预测与健康管理。同时,在进行故障诊断与故障预测前,系统需对“温度”、“真空度”和“压力”三个数据的特征属性权重进行确定。为了PHM技术的效率,文中对基于案例推理预测方法中的搜索算法—最近邻算法(Nearest Neighbor algorithm,简称KNN)进行研究,改进出一种裁剪分治方法,通过对搜索区域的裁剪而达到减少搜索次数,提高算法效率的目的。仿真实验结果表明,当目标案例处于案例属性空间中部、偏离70%和偏离90%情况下,算法效率可分别提高25.08%、14.48%和0.58%。当目标案例处于案例属性空间的边缘10%以外的区域,裁剪分治法效率接近于循环遍历法的效率。相较于传统循环遍历法,裁减分治算法在效率上有优势。最终实现了高温真空压合机的PHM系统。