XiaoMi-AI文件搜索系统
World File Search System故障
导体长度对电阻型超导故障电流限制器应用
摘要 - 使用2次生成高温超导体（2G HTS）磁带的电阻型超导故障电流限制器（R-SFCL）的设计。一方面，当淬火发生在整个导体上（即限制机制）时，它应该承受最高的电场以降低其长度并使其具有成本效益。另一方面，它还必须应对热点制度。临界电流范围内的故障电流可以导致沿导体长度的局部耗散，从而在显示最低值值的部分上。来自低正常区域传播速度的2G HTS磁带的电流几乎没有限制会导致这些区域的温度升高，从而极大地威胁了它们的完整性。总而言之，导体体系结构适应了高电场，并获得了热点制度中最高温度的无损值。但是，导致这种最后提及的制度的𝑰𝑰变化取决于沿胶带的位置。本文旨在鉴定可变导体长度对𝑰𝑰变化的影响，并因此对热点制度的影响。我们首先研究长度对𝑰𝑰变化的影响。当导体长度增加时，最小临界电流往往会减小。这种行为可以通过Weibull分布来建模，假设最小临界电流与无限导体长度不同。为了评估对热点制度的这种影响，我们使用2G HTS导体的确定性1D建模来开发一种概率方法，该模型沿其长度考虑了𝑰𝑰𝑰𝒄不均匀性，以模拟R-SFCL行为。看来，导体越长，热点状态中的最高温度就越高。此外，两个相对长度相对长度的测量值在热点状态下呈现不同的最高温度的事实导致了一种方法，可以设计出所需长度的大规模制造导体，可稳健，以在任何𝑰𝒄的变化中生存在热点方案中。
Miguel Realpe，Boris X. Vintimilla和Ljubo Vlacic。 （2015）。自动驾驶汽车的传感器故障检测和诊断。在第二国际同盟
Miguel Realpe，Boris X. Vintimilla和Ljubo Vlacic。（2015）。传感器故障检测和自动驾驶汽车的诊断。在第二届国际机电一体化，自动化和制造业会议上（ICMAM 2015），国际会议，新加坡，2015年（第1卷30，pp。1-6）。EDP科学。
特刊``机器学习和基于深度学习的机器故障诊断和预后的进步''
故障诊断和故障预后旨在减少系统的停机时间，并通过用预测性或有条件的预防和纠正性维护策略来优化其性能。对诊断算法提供的系统的当前健康状况的了解以及预后算法提供的时间演变对于建立预测性和有条件维护是必要的，因此科学界对监测算法的开发越来越多。在文献中，有四个主要的方法来进行故障诊断和失败预后：基于物理模型，数据驱动方法，专家方法和混合方法的方法。数据采集和存储工具的快速开发，处理算法与仪器和过程自动化技术的演变相关联，从而促进了数据驱动方法的开发。本书中提出的论文介绍了故障诊断和失败预后的新方法，这些方法为科学问题提供了解决方案，例如结构化和非结构化的不确定性，存在多个故障，缺乏有关使用条件，特征提取和选择，选择和选择，模型优化和在线实施的先验知识。本书中给出的各种应用程序支持，从微电子设备到大型系统，突出显示了针对每个应用程序每个领域的实现约束，并提供了合适的解决方案。这种方法在制冷剂生产过程中已成功验证。在[1]中，在不同频率和尺度下进行特征提取的深度学习方法，以及用于特征选择和故障分类的卷积神经网络（CNN）。两个过滤阶段的关联（小波变换和卷积功能）允许处理过程的非线性机理以及变量之间的高度相关性。小波变换也用于[2]作为第一个数据处理步骤，与改善的粒子群优化（PSO）和后背传播（BP）神经网络相关，并线性增加了惯性重量。这个想法是将PBNN与改进的PSO算法相结合以进行参数优化，从而可以更好地分类。此方法用于由AC电源驱动的三相松鼠笼电动机的故障诊断。所考虑的故障是轴承损坏，定子绕组，转弯间短路和折叠杆折。Induction motor is also considered in [ 3 ] which focus their study on the impact of the use of attribute selection methods such as ReliefF, correlation-based feature selection (CFS), and correlation and fitness value-based feature selection (CFFS), on the performance of neural classifiers such as probabilistic neural network (PNN), radial basis function neural network (RBNN), and back propagation neural network （bpnn）。这项研究分析了用于故障诊断的感应电动机的当前信号。研究结果表明，与未使用的特征选择方法相比，Relieff，CFS和CFF具有更好的效率。在[4]中处理了可变操作条件下的故障诊断问题，其中数据处理是通过统计工具的组合完成的（经验模式分解 -
新光电脉电池和模块技术中的降解和故障模式2025
氧化隧道钝化接触（TOPCON）和硅杂音（SHJ）的可靠性情况如图1所示，所选降解和故障模式。尤其是半导体相关的降解模式显示降解和恢复路径：光（温度升高）诱导的降解（LETID/LID），UV诱导的降解（UVID）和潜在诱导的降解（PID）。只有在了解降解和恢复路径并提供测试方法时，才能评估其影响。右侧的图1显示了与嵌入，玻璃和接线框有关的常见降解模式或失败。当前的标准测试，尤其是IEC 61215标准的标准测试，无法揭示这些降解或故障模式。由于这些模式与安全有关，因此重要的是要了解原因并开发标准化测试以识别这些可靠性问题。
带有导电/密封故障的多孔介质的耦合HDG/DG方法
地下流动问题对于许多科学和工程领域（例如地球物理学，环境科学，碳氢化合物提取和地热能量生产）来说都是有趣的。断层是地质结构，是流离失所的不连续性。在地下流量问题中，故障可以充当流体流动的导管或障碍，具体取决于断层的渗透性。这些断层结构可能会导致流体流动的显着变化，因此了解断层的相互作用（作为导管或屏障），而流体流对于应用很重要。在本文的其余部分中，我们将指向导管（通常称为裂缝）是导致断层和障碍物作为密封断层的。在[27]中提出了带有导电和密封故障的地下流的数学模型。他们进一步分析了此问题的混合有限元方法。在这项开创性的工作后，文献中出现了许多关于离散的地下流动流的作品。其中包括杂化高阶方法[11]，内部惩罚不连续的盖尔金方法[25]，连续不连续的盖尔金方法[31]，一种杂交内部惩罚方法[23] [23]，一种混合的虚拟元素方法[5]，一种有限元方法[24]，一种杂物元素方法[9]杂物[9]杂物[9]，莫尔特（Mortar Arimation hybr A），效率分别效率[28]，效率分别效应[28]。 29]和有限体积方法[12]。在昏暗维域上定义了多孔 - 矩阵流的darcy方程。但是，故障中的流体流量被建模为（dim-1）维域上的流量问题。在本文中，为了离散这个跨二维问题，我们提出了一种耦合的双重混合混合杂交不连续的Galerkin（HDG）方法和内部罚款不连续的Galerkin（IPDG）方法。HDG方法最初是在[14]中引入的，是一种减少传统不连续Galerkin方法的计算成本的方法。这是通过以促进静态凝结的方式引入新面部未知数来实现的。在网格的（dim-1）维定义的这些新面孔的引入，以及它们与网格昏暗细胞上未知的细胞耦合的耦合，但是，也为处理缺陷流动流动的多孔 - 矩形问题的二维问题提供了自然框架。使用双重矩阵流的昏暗维数darcy方程是使用双
联邦学习用于监测工业过程的条件：关于故障诊断方法，挑战和前景的审查
摘要：通过基于条件的维护（CBM）调度来降低停机时间和提高生产率至关重要。的确，用于故障诊断（FD）的先进智能学习系统使有效隔离并识别故障的起源成为可能。已验证的智能工业基础设施技术使FD成为一项完全分散的分布式计算任务。为此，由于法律法规的限制或利益冲突，因此通常受所谓数据岛化的不同地区/机构之间的分配仅限于隐私，安全风险和行业竞争。因此，联邦学习（FL）被认为是将数据与多个参与者分开的有效过程，以协作培训智能且可靠的FD模型。据我们所知，迄今为止尚未对该主题进行全面研究，因此迫切需要进行基于审查的研究。在此范围内，我们的工作致力于审查FL应用程序诊断应用程序的最新进展，而FD方法，挑战和未来的前景受到特别关注。
Salesportal安装和故障排除指南
安装您可能需要在客户端系统上进行本地管理权才能执行安装。您必须使用Internet Explorer/Microsoft Edge继续进行。如果您的组织不允许使用这两者中的任何一种，请在此处进行Google Chrome / Mozilla Firefox Internet浏览器，然后再进行进一步进行。您至少需要Microsoft Dot Net Framework版本4.6.2才能启动该应用程序。请转到这里下载。转到https://salesportal.vishay.com，然后按开始按钮开始客户端安装。
特刊“基于机器学习和深度学习的机器故障诊断和预测的进展”
故障诊断和故障预测旨在通过用预测性或条件性维护策略取代预防性和纠正性维护来减少系统停机时间并优化其性能。诊断算法提供的系统当前健康状态知识以及预测算法提供的系统健康状态随时间演变的知识对于建立预测性和条件性维护必不可少，因此科学界对开发越来越有效的监测算法很感兴趣。在文献中，故障诊断和故障预测方法主要有四种：基于物理模型的方法、数据驱动方法、专家方法和混合方法。数据采集和存储工具以及处理算法的快速发展，加上产生大量数据流的仪器仪表和过程自动化技术的发展，促进了数据驱动方法的发展。本书中提出的论文提出了新的故障诊断和故障预测方法，为结构化和非结构化不确定性、多种故障的存在、缺乏对使用条件的先验知识、特征提取和选择、模型优化和在线实施等科学问题提供了解决方案。本书提供的各种应用支持，从微电子设备到大型系统，强调了每个应用领域特有的实施约束并提出了合适的解决方案。在 [1] 中，提出了一种深度学习方法，该方法结合小波变换用于不同频率和尺度下的特征提取，以及卷积神经网络 (CNN) 用于特征选择和故障分类。两个滤波阶段（小波变换和卷积函数）的关联可以处理过程的非线性机制和变量之间的高度相关性。该方法在制冷剂生产过程中得到了成功验证。 [2] 还将小波变换用作第一步数据处理，并与改进的粒子群优化 (PSO) 和具有线性增加惯性权重的反向传播 (BP) 神经网络相结合。其思想是将 PBNN 与改进的 PSO 算法结合起来进行参数优化，从而提高分类精度。该方法用于交流电源驱动的三相鼠笼感应电动机的故障诊断。考虑的故障包括轴承损坏、定子绕组、匝间短路和转子断条。[3] 也考虑了感应电动机，其研究重点是使用属性选择方法的影响，例如 ReliefF、基于相关性的特征选择 (CFS) 以及基于相关性和适应度值的特征选择 (CFFS)。概率神经网络 (PNN)、径向基函数神经网络 (RBNN) 和反向传播神经网络 (BPNN) 等神经分类器的性能。本研究分析了感应电机的电流信号以进行故障诊断。研究结果表明，ReliefF、CFS 和 CFFS 比未使用的特征选择方法具有更好的效率。[4] 讨论了可变运行条件下的故障诊断问题，其中数据处理是通过统计工具（经验模式分解）和 CFFS 的组合来完成的。
使用最佳门源电压去极化在功率SIC MOSFET的短路操作下朝着安全故障模式
摘要 - 本文重点介绍了在短路条件下SIC MOSFET的鲁棒性水平的提高。在这项研究中，提出了两种允许在短电路操作下在平面电源MOSFET设备中确保安全的“失败”（FTO）模式的方法。这些方法基于栅极源电压的直接去极化及其根据FTO和经典不安全热失控之间的临界消散功率（W/mm²）的计算进行估计。他们允许确定门源电压的最大值，以在接近名义值的排水源电压下保留FTO模式。引入了FTO和“ Fafto-Short”（FTS）之间功率密度的边界。对竞争中的两种故障模式进行了完整的实验，该实验可能出现在1.2 kV SIC MOSFET的短路测试（SC）测试中。最后，研究了栅极源电压去极化对国家电阻（R DS（ON））的惩罚，以评估技术效率。
博士职位 保护深度学习硬件加速器免受故障注入和侧通道攻击
在深度学习硬件安全环境中，有报道称 DNN 实现受到的本地和远程攻击越来越多 [3]。这些攻击包括利用功耗 [5–7] 或电磁 (EM) 辐射 [8–10] 的侧信道分析 (SCA) 攻击 [4]，以及故障注入 (FI) 攻击 [11–13]。SCA 攻击会破坏机密性，使秘密深度学习资产（模型、私有数据输入）得以恢复，从而危及隐私并通过模型逆向工程进行伪造；FI 攻击会破坏完整性，通过错误分类和受控行为改变预期性能，以及可用性，通过拒绝访问或降低质量或性能使系统变得无用 [14]。由于 AI 边缘设备的可访问性和暴露性更高，因此对它们发起的物理 SCA 和 FI 攻击尤其令人担忧。然而，这些攻击不再需要对目标进行物理访问，因为云端和数据中心采用 FPGA 也使它们成为可以通过软件触发的远程硬件攻击的目标 [15]。