XiaoMi-AI文件搜索系统
World File Search System故障检测
可以使用算法接收器故障检测
没有终止电阻，收发器的内部共同模式电压缓冲区仍然可以将canh and Canl带在一起，但速率要慢得多。总线线上的电容载荷也可以减慢CANH和罐头电压的合并。When the controller sends pulses to the TXD pin, and if the recessive interval is not long enough for the differential voltage (CANH – CANL) to go below the input low-threshold for 10 consecutive pulse cycles (RXD signal stays low for the 10 TXD-signal pulses), a trans- mission failure fault will be reported.这也意味着，如果TXD信号的高时间太长，则可以进入隐性模式，并且RXD信号将变高，不会报告传输故障故障。推荐的最小TXD脉冲频率检测到反式失效故障，为200 kHz。
空气处理机组和变风量箱故障检测工具现场测试结果
摘要 建筑供暖、通风和空调 (HVAC) 设备经常无法满足设计时所设想的性能预期。此类故障通常会在很长一段时间内被忽视。此外，人们对各种不同且往往相互冲突的性能指标的组合寄予了更高的期望，例如能源效率、室内空气质量、舒适度、可靠性、限制公用设施的峰值需求等。为了满足这些期望，商业和住宅建筑中使用的流程、系统和设备正变得越来越复杂。这一发展既需要使用自动诊断来确保无故障运行，又通过提供强大且足够灵活的分布式平台来执行故障检测和诊断 (FDD)，从而为各种建筑系统提供诊断功能。本报告中描述的研究工作的目的是开发、测试和演示可以检测空气处理单元 (AHU) 和变风量 (VAV) 箱中常见机械故障和控制错误的 FDD 方法。这些工具的设计足够简单，可以嵌入到商业楼宇自动化和控制系统中，并且仅依赖于这些系统中常见的传感器数据和控制信号。AHU 性能评估规则 (APAR) 是一种诊断工具，它使用一组源自质量和能量平衡的专家规则来检测 f
更广泛地利用故障检测技术来提高住宅暖通空调设备效率的障碍
本作品是作为美国政府机构赞助工作的记录而编写的。美国政府及其任何机构、其任何雇员、其任何承包商、分包商或其雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或任何第三方的使用或此类使用的结果做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构、其承包商或分包商对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构、其承包商或分包商的观点和意见。
传感器故障检测、隔离和调节...
摘要 — 传感器技术通过将现场和实时原始数据集成到数字孪生中来赋能工业 4.0。然而，由于固有问题和/或环境条件，传感器可能不可靠。本文旨在检测传感器测量中的异常，识别故障数据并用适当的估计数据进行调整，从而为可靠的数字孪生铺平道路。更具体地说，我们提出了一种基于机器学习的通用传感器验证架构，该架构基于一系列神经网络估计器和分类器。估计器对应于所有不可靠传感器的虚拟传感器（用于重建正常行为并替换系统内孤立的故障传感器），而分类器用于检测和隔离任务。对三个不同的真实世界数据集进行了全面的统计分析，并在硬和软合成故障下验证了所提出的架构的性能。
基于自动故障检测和诊断的空气处理机组数字孪生预测性维护框架
建筑行业是全球能源消耗最多的行业，因此成为节能举措的重点。供暖、通风和空调 (HVAC) 系统是建筑的核心。稳定的空气处理机组 (AHU) 运行对于确保高效率和延长 HVAC 系统的使用寿命至关重要。本研究提出了 AHU 的数字孪生预测性维护框架，以克服目前在建筑中使用的设施维护管理 (FMM) 系统的局限性。数字孪生技术在设施管理行业仍处于起步阶段，它使用建筑信息模型 (BIM)、物联网 (IoT) 和语义技术来为建筑设施制定更好的维护策略。实施三个模块来执行预测性维护框架：基于 APAR（空气处理单元性能评估规则）方法的 AHU 运行故障检测、使用机器学习技术进行状态预测和维护计划。此外，在挪威一栋教育建筑中使用 2019 年 8 月至 2021 年 10 月之间的数据对所提出的框架进行了实际案例研究，以验证该方法的可行性。还通过 FM 系统获取检查信息和以前的维护记录。结果表明，不断更新的数据与 APAR 和机器学习算法相结合可以检测故障并预测空气处理单元 (AHU) 组件的未来状态，这可能有助于维护计划。消除检测到的操作故障可每年节省数千美元的能源，因为消除了已识别的操作故障。� 2022 作者。由 Elsevier B.V. 出版。这是一篇根据 CC BY 许可开放获取的文章 ( http://creativecommons.org/licenses/by/4.0/ )。
基于自动故障检测和诊断的空气处理机组数字孪生预测性维护框架
建筑行业是全球能源消耗最多的行业，因此成为能源效率举措的优先事项。供暖、通风和空调 (HVAC) 系统是建筑物的核心。稳定的空气处理机组 (AHU) 运行对于确保高效率和延长 HVAC 系统的使用寿命至关重要。本研究提出了 AHU 的数字孪生预测性维护框架，以克服目前在建筑物中使用的设施维护管理 (FMM) 系统的局限性。数字孪生技术在设施管理行业中仍处于起步阶段，它使用建筑信息模型 (BIM)、物联网 (IoT) 和语义技术为建筑设施制定更好的维护策略。实施预测性维护框架需要三个模块：基于 APAR（空气处理机组性能评估规则）方法的 AHU 运行故障检测、使用机器学习技术的状态预测以及维护计划。此外，在挪威一栋教育建筑的真实案例研究中，对所提出的框架进行了测试，使用 2019 年 8 月至 2021 年 10 月之间的数据，以验证该方法的可行性。还通过 FM 系统获取了检查信息和以前的维护记录。结果表明，不断更新的数据结合 APAR 和机器学习算法可以检测故障并预测空气处理系统的未来状态
太阳能光伏电致发光图像中的人工智能辅助电池级故障检测和定位
随着全球范围内太阳能的日益普及，人们对开发有助于提高制造和持续运营效率的系统产生了浓厚的兴趣。由于各种现实条件和流程，太阳能电池板在制造和运营过程中会出现故障。这项工作的目标是建立一个端到端故障检测系统，以根据太阳能电池板的电致发光 (EL) 成像来检测和定位太阳能电池板中的故障。如今，大多数故障检测都是通过手动检查 EL 图像进行的。为此，我们建议设计和实施一个端到端系统，该系统首先将太阳能电池板分成单个太阳能电池，然后将这些电池图像通过分类 + 检测管道，以识别故障类型并定位电池内的故障。我们提出了一种混合架构，其中包含多个 CNN 模型架构的集合，用于分类和检测。该集合能够服务于单晶和多晶太阳能电池板。所提出的系统有助于显著提高太阳能电池板的效率并降低保修和维修成本。我们使用开放的 EL 图像数据集展示了所提系统的性能，其电池级故障预测准确率达到 95%，召回率也很高。所提算法适用，并可扩展到使用 RGB、EL 或热成像技术的其他太阳能应用。
基于人工智能的蓄电池系统预测性故障检测
计算重建误差。大多数电池模块老化正常。此外，当正常老化模块中电池单元的运行数据与训练模型时使用的运行数据性质相同时，计算出的重建误差较小。然而，当电池模块中电池单元的运行数据与学习 ₂ 期间输入的运行数据性质不同时，计算出的重建误差较大。因此，可以根据重建误差的大小提前自动检测可能发生故障的电池模块。
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。
建筑能源管理系统策略回顾：模型预测控制、需求侧管理、优化、故障检测与诊断
预计未来 20 年，建筑能耗将增长 40% 以上。电力仍然是建筑物消耗的最大能源，而且需求还在不断增长。为了减轻日益增长的需求的影响，需要制定战略来提高建筑物的能源效率。在住宅建筑中，家用电器、水和空间供暖是能源消耗增加的原因，而在非住宅建筑中，空间供暖和其他杂项设备是能源利用增加的原因。建筑能源管理系统支持建筑管理人员和业主提高现代和现有建筑的能源效率，非住宅和住宅建筑都可以从建筑能源管理系统中受益，以减少能源消耗。根据建筑类型，可以使用不同的管理策略来实现节能。本文回顾了提高能源效率的建筑能源管理系统的管理策略。研究了非住宅和住宅建筑中的不同管理策略。随后，从建筑类型、建筑系统和管理策略的角度讨论了所回顾的研究。最后，本文讨论了建筑能源管理系统提高能源效率的未来挑战。