XiaoMi-AI文件搜索系统
World File Search System故障检测
IM30-AB - 微型能量计
1.1 储存和运输________________________________________________________________________ 3 1.2 安装_________________________________________________________________________ 3 1.3 电气连接_______________________________________________________________ 3 1.4 测量输入和电源_____________________________________________________ 3 1.5 输出负载_____________________________________________________________________ 3 1.6 保护接地___________________________________________________________________ 3 1.7 设置和校准__________________________________________________________________ 3 1.8 安全保护____________________________________________________________________ 3 1.9 操作___________________________________________________________________________________________ 3 1.10 维护_______________________________________________________________________ 4 1.11 故障检测和维修__________________________________________________________________ 4
引用本文：Cyrus K. Foroughi、Ciara Sibley、Noelle L. Brown、Ericka Rovira、Richard Pak 和 Joseph T. Coyne (2019)：在模拟监督控制环境中检测自动化故障，人体工程学，DOI：10.1080/00140139.2019.1629639
摘要 本研究的目的是确定个人在监控多个自动化可靠性不同的自动显示器时的表现和视觉注意力分配情况。96 名参与者完成了一项模拟监督控制任务，其中每个自动显示器的可靠性水平不同（即 70%、85% 和 95%）。此外，参与者还完成了高和低工作量条件。性能数据显示：(1) 参与者未能检测到自动化失误的概率大约是自动化误报的 2.5 倍，(2) 参与者在高工作量条件下的自动化故障检测更差，(3) 参与者的自动化故障检测在可靠性方面基本保持不变。眼动追踪数据显示，在整个实验期间，参与者将注意力相对均匀地分布在所有三个自动显示器上。这些数据共同支持将系统范围的信任方法作为个人监控多个自动显示器的默认立场。
在模拟监控中检测自动化故障...
摘要 本研究的目的是确定个人在监控多个自动化可靠性不同的自动显示器时的表现和视觉注意力分配情况。96 名参与者完成了一项模拟监督控制任务，其中每个自动显示器的可靠性水平不同（即 70%、85% 和 95%）。此外，参与者还完成了高和低工作量条件。性能数据显示：(1) 参与者未能检测到自动化失误的概率大约是自动化误报的 2.5 倍，(2) 参与者在高工作量条件下的自动化故障检测更差，(3) 参与者的自动化故障检测在可靠性方面基本保持不变。眼动追踪数据显示，在整个实验期间，参与者将注意力相对均匀地分布在所有三个自动显示器上。这些数据共同支持将系统范围的信任方法作为个人监控多个自动显示器的默认立场。
具有完整性的弹性协作全源导航
全源弹性 能够保持一致的全源故障检测和排除 (FDE) 和完整性操作。弹性导航框架能够“了解”传感器信息的充分性，以便在发生传感器故障时保持这种一致性。本研究假设单个传感器同时发生故障。
IM30-C - 微型能量计
1.1 - 储存和运输， __________________________________________________________________________________________ 3 1.2 - 安装， ____________________________________________________________________________________________________________ 3 1.3 - 电气连接， ________________________________________________________________________________________________ 3 1.4 - 测量输入和电源，_____________________________________________________________________________________ 3 1.5 - 输出负载， ___________________________________________________________________________________________ 3 1.6 - 保护接地 _________________________________________________________________________________________ 3 1.7 - 设置和校准 __________________________________________________________________________________ 3 1.8 - 安全保护 _________________________________________________________________________________________ 3 1.9 - 处理 _________________________________________________________________________________________________ 3 1.10 - 维护 ______________________________________________________________________________________________ 4 1.11 - 故障检测和维修_____________________________________________________________________________ 4 2.1 电源 ____________________________________________________________________________________________________________ 4
安全数字智能二次开关设备解决方案 - ABB
电缆温升监测 • 温升值根据环境温度实时计算，更有利于状态监测。• 静态温升算法用于基本状态监测。• 三相温度不平衡算法可提供更可靠的故障检测。• 自供电温度传感器，免维护，IP 54。
实时故障的AI和机器学习解决方案 -
本研究提出了一个创新的框架，用于使用人工智能（AI）和机器学习（ML）实施实时耐受耐受性系统，以增强关键应用程序中的可靠性和弹性。满足航空航天，医疗保健，汽车和工业自动化等部门的需求，拟议的系统将故障检测，隔离和恢复机制集成到多层体系结构中。通过使用深度学习来准确的异常检测和加强学习进行快速断层隔离，该系统可以通过最小的潜伏度实现高容错的耐受性。该框架利用边缘计算进行实时数据处理，确保及时响应故障而没有过多的计算需求。多个案例研究的结果表明，故障检测准确性，隔离速度和恢复率的显着提高，从而确认了该框架在高风险环境中的适应性和有效性。这些发现突出了易于驱动故障的系统来提高各种关键行业的运营安全和可靠性标准的潜力。
bq297xx单细胞锂离子和Li-Polymer电池的成本效益电压和当前保护电路数据表（Rev. I）
•输入电压范围包+：VSS - 0.3V至12V•FET驱动器： - CHG和DSG FET驱动器输出•跨外部FET的电压传感过度电流保护（OCP）在±5MV（典型）内（典型）（典型）•故障检测 - 过度收取的检测（OVP） - 过度检测（OVER） - 电荷检测（UVP） - URR（UVP） - RURER（UVP） - RURN（UVP） - 持续（UVP） - RURR（UVP） - RURR（UVP） - RURR（UVP） - RURR（UVP） - RURR（UV） （OCD） - 负载短路检测（SCP）•电池耗尽的零电压充电•工厂编程的故障保护阈值 - 故障检测电压电压电压阈值 - 故障触发计时器 - 启用电池充电器的运行方式•启用电池充电器的操作模式 - 启用电池充电器 - 正常模式I CC = 4µA-shatpown IQ = 100NA•运行范围 +8-PIN•运行范围• +8-PIN-4-PIN-4-PIN-4-0-0-00°= - 40°0 = - 40°0°C = –40°C +40°C CCC = –40°c in DSE（1.50mm×1.50mm×0.75mm）
基于机器学习分类器的光伏阵列中的电故障分析和检测
摘要：由于其固有的优势，例如零污染，灵活性，可持续性和高可靠性，太阳能光伏发电引起了重大的兴趣。确保PV功率设施的有效运行在精确的故障检测中取决于。这不仅可以增强其可靠性和安全性，而且还可以优化利润并避免昂贵的维护。但是，使用通用保护设备的PV系统直流电（DC）侧的故障检测和分类带来了重大挑战。这项研究深入研究了对光伏（PV）阵列中复杂断层的探索和分析，尤其是那些表现出类似I-V曲线的阵列，这是PV故障诊断的重大挑战，在先前的研究中未充分解决。本文探讨了支持向量机（SVM）和极端梯度提升（XGBoost）的设计和实施，重点是它们有效地识别小型PV阵列中各种故障状态的能力。这项研究扩大了将优化算法的使用，特别是蜜蜂算法（BA）和粒子群优化（PSO），目的是提高基本SVM和XGBoost分类器的性能。优化过程涉及完善机器学习模型的超参数，以实现故障分类的卓越精度。发现蜜蜂算法的弹性和效率的有说服力的案例。使用用于优化SVM和XGBOOST分类器以检测PV阵列中的复杂故障时，蜜蜂算法显示出显着的精度。相比之下，使用PSO算法进行细调的分类器表现出相对较低的性能。这些发现强调了蜜蜂算法在光伏系统中故障检测中提高分类器准确性的潜力。