XiaoMi-AI文件搜索系统
World File Search System故障模式
灌装设备预防性维护策略研究...
摘要：为保证企业生产活动的正常进行，提升企业的竞争力，设备管理与维护策略的制定一直是企业日常管理的重要内容之一。针对我国某啤酒生产企业的实际需求，提出了基于可靠性中心维护（RCM）的灌装设备预防性维护策略。首先，在分析RCM理论和设备维护的基础上，给出了啤酒生产设备故障分析的一般流程。其次，分析了瓶装啤酒的一般生产流程，介绍了啤酒生产线主要灌装设备的组成。借助设备可靠性的关键指标，如平均故障间隔时间（MTBF）、平均修复时间（MTTR）、可用度Ai，对灌装生产线进行故障分析，并计算相关结果。然后，对灌装机进行过程故障模式与影响分析（PFMEA），并对风险优先级高的潜在故障模式进行故障树分析（FTA）。最后，在RCM的基础上制定灌装设备的预防和维护策略。通过本文的研究，可以显著降低维护成本和非计划停机时间。
关键发展挑战和潜力...
• “NEP 系统的亚规模太空飞行测试无法解决与基线任务 NEP 系统相关的许多风险和潜在故障模式。通过充分的 M&S [建模与仿真] 和地面测试，包括全尺寸和功率的模块化子系统测试，首次载人火星任务之前的货运任务可以满足飞行资格要求。可能不需要完全集成的地面测试。”（重点补充）
金属基复合材料：测试、分析
于 1988 年 4 月 25-26 日在内华达州斯帕克斯举行。ASTM D-30 高模量纤维及其复合材料委员会：测试、分析和故障模式和美国国家航空航天局 (NASA) 赞助了该研讨会。美国国家航空航天局兰利研究中心的 W. S. Johnson 主持了该研讨会，并担任了该出版物的编辑。
迈向高可靠性人工智能
长期内持续保持低错误率的组织 先前的信念：系统中存在未知的故障模式。组织的作用是发现并修复它们 1. 保持持续的态势感知 2. 检测异常和未遂事件 3. 生成和评估多个假设 4. 设计、实施和测试解决方案 5. 最终决策由最有专业知识的人做出
DeepHyper：大规模自动化机器学习
Li, Hao, Zheng Xu, Gavin Taylor, Christoph Studer 和 Tom Goldstein。“可视化神经网络的损失情况。”《神经信息处理系统进展》第 31 期 (2018)。A. Krishnapriyan、A. Gholami、S. Zhe、R. Kirby 和 MW Mahoney。“描述物理信息神经网络中可能出现的故障模式。”《神经信息处理系统进展》第 34 期 (2021)。
“ sanjeevini”基于机器学习的阿育吠陀药物系统
5 Vikram Sarabhai航天中心，印度Thiruvananthapuram，印度摘要：这项工作调查了增强学习的开发和优化，以预测发射车模拟中最坏情况的情况。模拟考虑了可能影响发射的各种环境因素，包括风条件，温度，大气压和其他参数。在这里，我们正在尝试确定火箭发射期间可能发生的潜在故障模式和异常。增强学习模型是使用目标函数培训的，该目标功能旨在准确预测火箭发射期间最坏情况。它还对导致最坏情况的因素提供了宝贵的见解，从而为降低风险和系统改进提供了有针对性的策略。这种方法旨在量化单个参数或其组合对预测最坏情况结果的影响。本文证明了加强学习的潜力，可以准确预测最坏情况，从而启动车辆模拟来验证算法的鲁棒性。开发的模型可以通过预测和减轻最坏情况的情况来为决策提供信息，并提高空间任务的总体弹性和效率。关键字 - 最坏的情况，强化学习，启动车辆模拟，环境因素，异常，故障模式，降低风险，空间任务
军用标准 - Amazon AWS
跨功能要求 . . . . . . . . . . . . . . . 操作和维护要求 . . . . . . . . 执行活动数据表 . . . . . . . . . . . . 可靠性、可用性、可维护性；故障模式、影响和危害性分析；可维护性分析 . . . . . . . . . . . 任务分析和人员及支持要求 . . . . . . . . . . . . . . . . 支持设备和培训材料要求 . . . . . . . . . . . . . . . . 被测单元要求和论证 . . 设施考虑 . . . . . . . . . . . . 人员技能考虑 . . . . . . . . . .包装和供应要求。。。。。可运输性工程分析。。。。。LCN 分配和结构。。。。。。。。。LSA/LSAR 指导会议。。。。。。。。。。。。
NUREG/CR-7151 第 1 卷“基于故障注入的数字 I&C 系统可靠性评估方法的开发。”
摘要 当今新兴的计算机技术已经引入了整合来自众多工厂系统的信息并及时向操作人员提供所需信息的能力，这是上一代工厂设计和建造时无法想象的。例如，小型模块化反应堆 (SMR) 工厂设计将广泛使用基于计算机的 I&C 系统来实现各种工厂功能，包括安全和非安全功能。另一方面，现有轻水反应堆工厂的数字升级正变得必不可少，以便维持和延长工厂寿命，同时提高工厂性能，降低老化和过时设备的维护成本，并促进预测系统监控和人机界面 (HMI) 决策。新建和现有工厂广泛使用数字仪表和控制系统引发了与 20 世纪 70 年代工厂使用的上一代模拟和基本数字 I&C 系统无关的问题。这些问题包括数字 I&C 系统中出现未知故障模式和 HMI 问题。因此，数字系统的可靠性/安全性、数字 I&C 系统故障和故障模式的分类以及软件验证仍然是轻水可持续性和 SMR 计划以及整个数字 I&C 系统社区的重要问题。第 1 卷至第 4 卷中描述的研究旨在帮助指导开发
贝叶斯网络和 Petri 网在安全中的应用...
系统安全性、可靠性和风险分析是在整个系统生命周期中执行的重要任务，以确保安全关键系统的可靠性。概率风险评估 (PRA) 方法是广泛用于此目的的全面、结构化和逻辑方法。PRA 方法包括但不限于故障树分析 (FTA)、故障模式和影响分析 (FMEA) 和事件树分析 (ETA)。现代系统日益复杂，其动态行为能力使传统 PRA 技术难以准确分析此类系统。为了全面准确地分析复杂系统，需要考虑不同的特征，例如组件之间的功能依赖性、系统的时间行为、组件/系统的多种故障模式/状态以及系统行为和故障数据的不确定性。不幸的是，传统方法无法解释这些方面。贝叶斯网络 (BN) 因其灵活的结构和在分析过程中纳入上述大部分方面的能力而在风险评估应用中广受欢迎。此外，BN 还能够执行诊断分析。 Petri 网是另一种能够对系统动态行为进行建模和分析的正式图形和数学工具。它们也越来越多地用于系统安全性、可靠性和风险评估。本文对 Petri 网进行了回顾