XiaoMi-AI文件搜索系统
World File Search System可靠
CHIMERA（CHARM高能离子微电子可靠性保证）现状与展望
Cern Beam物理学：Matthew Fraser，Eliott Johnson，Nikolaos Charitonidis，Rebecca Taylor Beam操作：Marc Delrieux，Linac3和Leir Teams Beam仪器：Federico Roncarolo，Inaki Ortega Ruiz，Jocelyn Tan，Jocelyn tan，Jocelly brreth，Aboub eboub eboun damhmun NOLI CHAM和IRRAD：Salvatore Danzeca，Federico Ravotti辐射保护：Robert Froeschl，Angelo Infantino Fluka：Francesco Cerutti，Luigi Esposito知识转移：Enrico Chesta R2E：Ruben Garcia Alia，Matteo Brucoli，Rudy ferrea and gire and giuse and n n and Alia Emriskova，Mario Sacristan，Daniel Prelipcean集团和部门管理：Brennan Goddard，Simone Gilardoni，Markus Brugger
直升机推进系统可靠性和发动机监控...
足够的碎片使电路通电并打开驾驶舱灯。现在有检测器可以自动清除正常磨损颗粒。但是，频繁的自我清除可能表明存在早期问题。因此，清除操作的频率指示（无论是自动的还是飞行员启动的）都将提供有用的诊断信息。基于振动信号分析的更复杂的监测技术也可用，并且可以纳入监测系统。
在潜在空间上实施稀疏性，以促进可靠和可解释的表示
最近，密集的潜在变量模型已显示出令人鼓舞的结果，但是它们的分布式和潜在的代码使它们降低了易于解释，并且对噪声的影响较低。另一方面，稀疏表示更为简约，提供了更好的解释性和噪声稳健性，但是由于涉及的复杂性和计算成本，很难实现稀疏性。在此过程中，我们提出了一种新颖的无监督学习方法，以利用逐渐稀疏的尖峰和平板分布作为我们的先验，以在发电机模型的潜在空间上强化稀疏性。我们的模型由自上而下的发电网络组成，该网络将潜在变量映射到观测值。我们使用最大似然采样来推断发电机后方向的潜在变量，并且推理阶段的尖峰和平板正则化可以通过将非信息性潜在维度推动到零来引起稀疏性。我们的实验表明，学到的稀疏潜在表示保留了大多数信息，我们的模型可以学习解开的语义，并赋予潜在代码的解释性，并增强分类和denosing任务的鲁棒性。
国际可靠性入门和... - DTIC
估计每次收集这些信息的公共报告负担超过 1 小时，包括审查说明、搜索现有数据源、收集和维护所需数据以及完成和审查信息收集的时间。请发送有关此负担估计或此信息收集的任何其他方面的评论。包括减轻此负担的建议，发送至 Woshington 总部服务部。信息运营和报告理事会，1215 Jefferson Davis Highwoy。1204 套房。弗吉尼亚州阿灵顿 22202-4302。并寄至管理办公室预算、文书工作减少项目 10704-0188），华盛顿特区 20503。1.仅供机构使用（留空）2.报告日期 1997 年 3 月
可靠性和可维护性 (RAM) 培训
认识到需要帮助项目经理更好地理解安全和保障技术，Gary G. Kelm、Frank J. Barber 和 Frank J. Barina 编写了附录 B。Kam L. Wong 使用 Charles Ryerson 和 Irwin Quart 提供的信息和概念编写了我们之前的工作簿 RP-1253 的第一章；感谢 North-Holland, Inc. 允许重印部分图表和文本。感谢 Fredrick D. Gregory、Michael A. Greenfield 博士、Peter Rutledge 博士、Vernon W. Wessel 和 Frank Robinson, Jr. 的鼓励和支持，让专业开发团队为我们的 NASA 安全培训课程 017 开发这本新工作簿。Henry A. Malec 已经去世，我们将怀念他。人们将永远记住他为推动可靠性协会所做的努力。他编写了本书原版的第 7、10 和 11 章。Martha Wetherholt 和 Tom Ziemianski 编写了第 8 章和第 9 章。感谢数字设备公司的数字出版社提供第 7 章中的软件评估材料。Vincent R. LaUi，现任美国宇航局格伦研究中心（俄亥俄州克利夫兰）风险管理顾问，编写了一些新章节和附录 C，添加了一些问题，并编辑和负责本手册修订版的最终 NASA 印刷。
空间应用 MEMS 可靠性保证指南
可靠性模型的应用 ................................................................ 16 故障 .............................................................. 18 .............................................................. 9 附加阅读材料 ..............................................................................................
照明、可靠性测试、自动驾驶汽车 | DIGIFED
• 如何将 Digifed 在照明、可靠性测试和自动驾驶汽车方面的能力用作项目的一部分，同时利用 DigiFed 合作伙伴来最大化您的提案分数：卓越、影响力、实施质量（45 分钟）
可靠性设计：- NASA 技术报告服务器
中心自 1963 年起聘用他为航空技术专家。目前，作为任务安全与保障办公室设计、分析和故障指标工作的兼职，他负责产品保证管理，并教授课程以协助 NASA 的培训需求。Lalli 先生毕业于凯斯西储大学，获得理学学士学位和理学硕士学位电气工程。1959 年，作为 Case 的研究助理，后来在 PicatinnyArsenal，他帮助开发了电子引信和特殊设备。1956 年至 1963 年，他在 TRW 担任设计、领导和集团工程师。Lalli 先生是俄亥俄州的注册工程师，也是 Eta Kappa Nu、IEEE、IPC、ANSI 和 ASME 的成员。
国防电子产品可靠性要求 - DTIC
传统可靠性评估方法侧重于可靠性预测，而 PoF 方法则关注预防、检测和纠正与产品设计、制造和操作相关的故障。PoF 方法的基础是产品要求的定义，包括在操作和非操作期间暴露于温度、湿度、振动、冲击、腐蚀、辐射和电力等应力，以确定产品可能如何发生故障。然后进行可靠性评估，针对主要故障部位，并确定产品是否能达到预期寿命，或者是否必须采取其他措施来提高其稳健性。
在挑战性的天气条件下可靠的对象检测
对象检测在各种自主系统中至关重要，例如监视，自动驾驶和驾驶员的稳定性，通过识别行人，车辆，交通信号灯和标志来确保安全。然而，诸如雪，雾和雨等不利天气条件构成了挑战，具有检测准确性，冒险发生事故和大坝。这清楚地表明了在所有天气条件下都起作用的强大观察检测解决方案的必要性。我们采用了三种策略来增强不利天气中的基于深度学习的对象检测：对全球全天候图像进行培训，对图像进行培训，并具有合成的增强天气噪声，并将对象的变形与不利天气图像denosistighting进行整合。使用分析方法，GAN网络和样式转移网络产生合成天气噪声。我们使用BDD100K数据集中的真实世界全天候图像和用于评估未见现实世界的不利天气图像的评估，通过训练对象进行分割模型比较了这些策略的性能。通过降级现实世界的不利天气图像以及对物体检测的结果和原始嘈杂图像的结果进行了评估，从而评估了不利天气。我们发现，使用全天候现实世界图像训练的模型表现最佳，而对对象检测进行对象检测的策略则表现最差。