XiaoMi-AI文件搜索系统
World File Search System可预测性
医疗保健领域对人工智能的接受度
3 另外，道具的展示顺序也是随机的。 4 由于10个项目中有4个被呈现，因此如果随机呈现，每个项目出现的次数可能会有所不同。因此，可以使用平衡的不完全区组设计（Louviere 和 Flynn，2010）来确保项目出现的频率相等。然而，由于本章的样本量非常大，达到 150,010（使用下面描述的计数方法），我们确定由于随机呈现而导致的出现次数差异很小。
用于电机预测性维护的人工智能 (AI)
轴承损坏是导致电动机故障的主要因素之一。研究表明，大约 40% 的电动机故障可归因于轴承损坏（图 3），这使其成为最常见的故障原因。这意味着，如果及早发现轴承损坏并采取必要措施，电动机的使用寿命可以大大延长。由于轴承是运动部件，因此容易受到各种形式的磨损。最常见的一些问题包括生锈、磨损和润滑剂耗尽。尽管存在这些问题，但电动机可能会继续运行一段时间而没有明显的影响，因此在电动机完全失效之前及早检测至关重要。这就是 ShiraTech-Knowtion 的预测性维护发挥作用的地方。通过轴承损坏预测，我们可以协助早期故障检测，从而及时采取补救措施，而不是等待彻底失效。
Microsoft Word - WP-Ayasdi 预测性维护 (1).docx
在过去的几年中，机器学习 (ML) 已成为管理资产维护数据的首选技术。以前的方法涉及收集历史资产数据并根据阈值标准创建规则集。由于数据量大且复杂，这种方法无法扩展，导致对何时执行维护程序的任意预测。ML 给维护从业人员带来的第一个好处是让他们摆脱了这些规则集的管理。然而，这种解决方案带来了一个新问题。通过基于现有数据训练模型，尤其是使用深度神经网络，从业人员失去了可解释性，从而导致一些不良后果。首先，难以解释或解读的黑盒模型和预测会导致对推荐操作的信任度降低。其次，它为数据科学家带来了更多工作——调整、实验等。因此，传统的 ML 方法会导致模型更难维护，并且维持成本更高。
预测性维护 智能传感器 嵌入式人工智能
ALTEN 在创新、研发和技术信息系统领域支持客户的发展战略。该集团成立于 30 多年前，已成为工程和 IT 服务领域的全球领导者。ALTEN 的业务遍及 30 个国家，目前在全球拥有超过 45,000 名员工。
预测性人工智能迫切需要问责 - cs.Princeton
6 Costanza-Chock、Sasha、Inioluwa Deborah Raji 和 Joy Buolamwini。“谁来审计审计员？对算法审计生态系统进行实地扫描后提出的建议。”2022 年 ACM 公平、问责和透明度会议论文集。2022；Wilson，Christo 等人。“构建和审计公平算法：候选人筛选案例研究。”2021 年 ACM 公平、问责和透明度会议论文集。2021。
使用自动故障检测和...进行预测性维护
通过预测性维护，可以使用测量的过滤器压差来计算更换过滤器的最佳时间。预测性维护系统会自动监控过滤器，因为随着时间的推移，过滤器会积聚污垢（压差增加），并在正确的时间触发维护操作。更换过滤器时，压差会下降，从而验证更换是否正确。通过分析过滤器随时间推移的压降，可以建立最佳的过滤器更换过程。此外，还可以收集有关哪些过滤器制造商的产品在每种条件下表现最佳的信息。当所讨论的空气过滤器用于洁净室时，请考虑这种预测方法的好处，因为错误可能会导致颗粒污染、操作中断以及潜在的产品和/或研究损失。
预测性设备维护解决方案 - SPECTRO CS
组成 ITL 的仪器经过精心挑选，因为它们不仅提供有效监测油润滑设备状况所需的数据，还因为它们易于操作和维护，安装时只需极少的特殊工具，并提供强大的样品吞吐量（大多数测量大约需要 1 分钟）。分析仪器将结果发送到中央计算机（或网络），并存储在数据库文件中，以供后续分析、评估和报告。
预测性数字孪生是提高任务准备度的基础
数字孪生是特定系统或物理资产不断发展的虚拟模型，它吸收资产生命周期数据，使数字孪生成为动态更新的资产特定模型，为智能自动化提供支持并推动关键决策。数字孪生对国家安全、工业发展和社会福祉等关键领域都有潜在影响。如果能够可靠地预测，数字孪生可以彻底改变依赖于复杂系统状态动态变化估计的关键决策过程。本文说明了预测性数字孪生（将数据驱动学习与基于预测物理的建模相结合）如何有助于提高任务准备度。数字孪生在数学上表示为概率图形模型，其中状态、控制、观测、感兴趣的数量和奖励等关键元素被建模为随机变量。图形模型表示这些不同元素之间的关系，以及它们随时间的演变和不确定性。该公式说明了无人机 (UAV) 结构数字孪生的开发。数字孪生结合了高保真结构有限元模型、计算效率高的降阶模型以及机载结构传感器生成的观测数据。一个示例展示了当无人机在飞行过程中经历结构退化时数字孪生如何更新，然后用于最佳地重新规划任务轨迹。
数据驱动的预测性维护模型方法...
结合基于物理/知识和数据驱动的方法进行 RUL 估计 Liao 和 Köttig (2016)，限定 RUL 估计不确定性的混合模型 Zhao 等人。(2013)，领域技术人员使用水管数据创建故障检测和预测模型 Li 和 Wang (2018)，并将基于知识的规则系统与数据驱动的方法相结合以对其进行改进 Cao 等人。(2020)。