XiaoMi-AI文件搜索系统
World File Search System异常情况
英国石油公司德克萨斯城和雪佛龙里士满事故
尽管石油行业在提高安全性方面做出了努力，但严重事故发生率仍然很高，许多事故涉及人为失误事件 (HFE)，这些事件可以通过人为可靠性分析 (HRA) 进行识别、建模和量化。石油行业通常通过关注技术障碍来分析过程安全性，因此可以从 HRA 中受益。Phoenix 方法是一种 HRA 方法，它使用人为响应模型并将机组故障模式 (CFM) 与性能影响因素 (PIF) 联系起来。基于 Phoenix CFM 和 PIF，本文分析了两起炼油厂事故，即 BP 德克萨斯城 (2005) 和雪佛龙里士满 (2012)。分析包括构建事故时间表；识别 HFE 并将其分配给适当的 CFM；最后分析 PIF。分析有助于更好地了解操作员如何应对过程的异常情况，以及他们采取这些行动的原因，调查人为错误对事故的影响。评估人为错误在这些事故中所起的作用，有助于理解事故发生的原因，也是避免将来再次发生同样事件的关键信息。此外，还讨论和评估了主要基于核电站运营开发的 Phoenix HRA 在炼油厂运营场景中的应用特点和局限性。本文对调查人为错误对石油工业事故的潜在影响的价值提供了见解。
LV5+ 太阳能发电站 - 通用电气
GE 不仅为您提供了一套强大的装备，还为您提供了一个致力于在整个生命周期内帮助您的企业取得成功的合作伙伴。从促进融资到项目管理、维护和维修，我们在每个阶段协调和整合资源、合作伙伴关系和专业知识，帮助我们的客户降低风险、保护资产、最大限度提高生产力并优化运营和维护成本。GE 的定制服务协议涵盖整个工厂的整个生命周期，包括：远程运营中心提供全天候、全年 365 天的持续监控和诊断服务。我们的数字解决方案可以持续跟踪关键操作参数并检测异常情况。然后，GE 技术人员可以实时远程排除故障或重置设备。计划维护定期维护设备并保持太阳能设备运行，从而实现卓越的设备性能。非计划维护监控、排除故障和维修设备，使用预测分析来提高正常运行时间和生命周期生产并减少停机时间。零件计划提供全方位的产品以覆盖首选的备件服务水平。我们的预测能力由全机队零件消耗数据配置和管理知识驱动，甚至可以帮助预测您可能需要的东西。可用性保证 GE 作为您的太阳能合作伙伴，提供一系列合作模式，旨在实现可投资回报而不妥协
飞机着陆应用 - HAL 激光门户
摘要：飞机在着陆过程中的位置是关键。一组传感器提供数据以获得对飞机定位的最佳估计。然而，数据可能包含异常。为了保证传感器的正确行为，必须检测异常。然后，要么隔离故障传感器，要么过滤检测到的异常。本文提出了一种用于检测和纠正异常的新型神经算法，称为 NADCA。该算法使用紧凑的深度学习预测模型，并使用真实着陆信号中的真实和模拟异常进行了评估。NADCA 检测和纠正快速变化和缓慢移动的异常；无论信号的振荡程度如何，它都是稳健的，并且不需要隔离具有异常行为的传感器。无论传感器精度如何，NADCA 都可以实时检测和纠正异常。同样，NADCA 可以处理不同传感器中同时发生的异常，并避免信号之间可能出现的耦合问题。从技术角度来看，NADCA 使用一种新的预测方法和一种新的方法来实时获得平滑信号。 NADCA 的开发是为了检测和纠正飞机着陆过程中的异常情况，从而改善向飞行员提供的信息。尽管如此，NADCA 是一种通用算法，在其他情况下也很有用。NADCA 评估显示，异常检测的平均 F 值是 0.97，平均均方根误差 (R
新型IL2RG基因突变引起了原发性免疫疾病：病例报告和文献综述
这项研究提出了一个详细的临床病例，该病例是一个10岁男孩，病史长期咳嗽，发烧和支气管扩张的诊断延迟。对此案的审查表明，该儿童从小就患有支气管炎，中耳炎，皮肤过敏和病毒疣，表明免疫系统持续性异常。成像研究，包括肺和窦CT扫描，显示出明显的支气管扩张，并伴有感染和鼻窦炎。免疫评估显示免疫球蛋白水平和T细胞分布中的异常情况，表明潜在的免疫缺陷。整个外科体测序未鉴定与支气管扩张的高度相关并确定性致病性的任何遗传变异，但检测到IL2RG基因中的IL2RG中的复合杂合杂合的错义突变C.420a> t（P.R140S），该基因与主要的免疫缺陷（CID）相关（CID），这是一个临床型物型，cliNOTE;本案例报告不仅增强了我们对CID的理解，而且还为CID的遗传景观提供了新的添加，在国内和国际上，有助于早期诊断和治疗临床实践中此类疾病。在18个月的随访期间，孩子无法参加体育活动，并且经历了复发性的鼻炎，鼻窦炎和疣。孩子的当前体重和身高分别为30公斤和140厘米。
基于两色LED模块的光电子甲烷传感器
摘要：在技术渗透到我们生活的各个方面的时代，保护重要的基础设施免受网络威胁至关重要。本文探讨了机器学习和网络安全如何相互作用，并详细概述了这种动态协同作用如何增强关键系统和服务的防御。网络攻击对包括电网，运输网络和医疗保健系统在内的重要基础设施的公共安全和国家安全的危害非常重要。传统的安全方法未能跟上日益复杂的网络威胁。机器学习提供了改变游戏规则的答案，因为它可以实时分析大数据集并发现异常情况。这项研究的目的是通过应用机器学习算法（例如CNN，LSTM和深层增强算法）来增强关键基础架构的防御能力。这些算法可以通过使用历史数据并不断适应新威胁来预测弱点并减少可能的破坏。该研究还关注数据隐私，算法透明度和将机器学习应用于网络安全时出现的对抗性威胁的问题。要成功部署机器学习技术，必须消除这些障碍。保护重要的基础设施至关重要，因为我们每天都在连通性无处不在。这项研究提供了一个路线图，用于利用机器学习来维护我们当代社会的基础，并确保面对改变网络威胁，我们的重要基础设施是强大的。更安全，更安全的未来的秘诀是尖端技术与网络安全知识的结合。
使用机器的人群管理和工作监控
印度铁路是世界上最大的铁路网络之一，每天迎合数百万乘客。确保这大量乘客的安全和保障，同时也保持有效的操作是一项艰巨的任务。传统的手动监视和监视方法具有局限性，包括人为错误和无法实时处理大量数据。为了应对这些挑战，人工智能（AI）和机器学习（ML）技术的整合提供了有前途的解决方案。该项目提议开发AI驱动的系统，用于分析印度铁路的现有闭路电视（CCTV）录像，以增强人群管理，预防犯罪和工作监控。系统将利用高级AI算法来检测异常行为，跟踪人群的运动并实时确定潜在的安全威胁。通过利用ML功能，系统还将能够预测人群模式并优化资源分配。所提出的系统将包括几个组件。首先，先进的AI算法将用于分析CCTV素材，并检测异常情况，例如可疑行为，废弃的物体或异常人群运动。这些算法将在正常人群行为的大型数据集上进行培训，以最大程度地减少误报。其次，将采用Mlalgorithms根据历史数据，季节性和外部因素（例如天气和事件）来预测人群模式。此信息将用于优化资源分配，以确保安全人员有效，有效地部署。第三，将开发用户界面以向安全人员显示实时数据和见解，从而使他们能够迅速对任何潜在威胁或问题做出响应。
基于物联网的自动水质监测与纠正...
收到日期 2020 年 6 月 13 日，修订日期 2020 年 8 月 4 日，接受日期 2020 年 9 月 29 日，发布日期 2021 年 4 月 21 日摘要：在水产养殖业中，鱼的生长缓慢和渔业中的鱼死亡是每个养鱼户遇到的问题。水质是一个关键因素，在养殖任何水生生物时都必须进行监测；然而，大多数养鱼户并不考虑这一点，因为水质检测和水传感器成本高且不方便用户使用。为了解决这个问题，我们创建了一个物联网连接的模块化设备，该设备将协助当地养鱼户通过他们的智能手机使用我们的应用程序进行实时监控和设置设备以及数据存储。模块化设备由不同的水传感器组成，例如 pH、水位、温度、溶解氧、总溶解固体、氧化还原电位和浊度。这些传感器与不同的执行器（如曝气器、水过滤器、蠕动泵、水泵、喂鱼器和加热器）一起，将有助于监测和纠正水环境中的异常情况。将提出的模块化设备读数与渔业和水产资源局-国家内陆渔业技术中心 (BFAR-NIFTC) 万用表进行了比较。它们的读数之间的百分比差异低于 2%，在可接受的范围内。关键词：水产养殖、模块化、物联网、氧化还原电位、浊度、网关、LoRaWAN
气候驾驶员2024年夏季
2023 - 2024年夏季，其进行性厄尔尼诺（Elniño）的影响标志着我们地区的干燥状况比正常情况要干燥。尽管西部塔拉鲁亚山脉和卡皮蒂海岸的总季节性降雨量接近正常，但其他大多数地区仅接受了正常降雨的一半。东部Wairarapa最干燥的地方获得了长期季节平均水平的20-40％。孤立的雷暴是在厄尔尼诺现象中观察到的一个不寻常的特征，在新西兰周围的海洋水域异常温暖的推动下。这些风暴有助于防止夏季干燥在整个季节加剧低谷流动。各种长期记录被打破，包括Masterton的一月份降雨量最低，只有4毫米（自1926年以来记录）和惠灵顿机场的一月份温度最高，1月22日为29.6度（自1962年以来记录）。整个地区的各种夜间高温记录也被打破。惠灵顿机场和Masterton Te Ore矿石网站都有记录的第三个干燥夏季（2001年以来惠灵顿以来最干燥的夏天，类似于Masterton的2021年），尽管这些是当地的异常情况，因为其他近乎接近的车站并不那么干燥。厄尔尼诺（Elniño）增强的西风在本赛季结束时大部分都感到，惠灵顿机场（Wellington Airport）自1992年以来是2月的最风。然而，对于夏季平均水平，该地区南部的风速仅略高于平均水平，在该地区北部的平均水平低于平均水平（请参阅附录2）。气候驱动器
使用ESP32CAM和OCR分析使用MATLAB
对有效和智能能源管理系统的日益增长的需求促使了精致技术的进步，以实时监视用电。这项研究介绍了使用ESP32CAM微控制器的远程监视系统，并采用光学特征识别（OCR）分析，提供了全面的解决方案，用于远程监控电表。该系统利用ESP32CAM微控制器（以其功率和多功能性而闻名）来捕获电表的定期图像。随后，将OCR分析用于从捕获的图像中提取数值数据，例如仪表读数，从而增强自动化和准确性，同时最大程度地减少手动干预。所提出的系统的关键元素包括配备摄像头的ESP32CAM模块，用于捕获图像捕获，集成的无线连接用于远程通信以及OCR算法，以进行有效的数据提取。该系统设计为适应性，可容纳在住宅，商业和工业环境中常见的各种类型的电表。远程监视的功能授权用户通过用户友好的界面访问用电消耗的实时数据，从而促进了有关能源管理的知情决策。此外，该系统具有主动维护的潜力，通过通知用户的不规则性或电力消耗模式的异常情况。建议的远程监控系统提供了一种具有成本效益的可扩展解决方案，以提高电力消耗监控的效率。通过合并ESP32CAM和OCR分析的功能，该系统为远程监视建立了一个可靠的平台，有助于智能和可持续的能源管理实践的发展。
人工智能中的不确定性：评估外部深度神经网络
随着 AI 模型越来越多地部署在关键应用中，确保模型在暴露于分布不均 (OOD) 或扰动数据等异常情况时保持一致的性能非常重要。因此，本文研究了各种深度神经网络（包括 ResNet-50、VGG16、DenseNet121、AlexNet 和 GoogleNet）在处理此类数据时的不确定性。我们的方法包括三个实验。首先，我们使用预训练模型对通过 DALL-E 生成的 OOD 图像进行分类，以评估其性能。其次，我们使用概率平均从模型的预测中构建了一个集合，以达成共识，因为它比多数或多数投票更具优势。使用平均概率、方差和熵指标量化集合的不确定性。我们的结果表明，虽然 ResNet-50 是 OOD 图像最准确的单一模型，但该模型组合的表现更佳，可以正确分类所有图像。第三，我们通过向来自 DALL-E 或真实世界捕获的新认知图像添加扰动（过滤器、旋转等）来测试模型的稳健性。选择 ResNet-50 是因为它是性能最佳的模型。虽然它可以正确分类 5 张未受干扰的图像中的 4 张，但在扰动后它对所有图像都进行了错误分类，这表明存在很大的漏洞。这些错误分类对人类观察者来说很明显，凸显了 AI 模型的局限性。使用显着性图，我们确定了模型认为对其决策很重要的图像区域。