XiaoMi-AI文件搜索系统
World File Search System模态特性
迈向地理空间人工智能的基础模型（愿景论文）
大型预训练模型，也称为基础模型 (FM)，以任务无关的方式在大规模数据上进行训练，并且可以通过微调、小样本学习甚至零样本学习适应各种下游任务。尽管它们在语言和视觉任务中取得了成功，但我们尚未看到为地理空间人工智能 (GeoAI) 开发基础模型的尝试。在这项工作中，我们探索了为 GeoAI 开发多模态基础模型的前景和挑战。我们首先通过测试现有大型预训练语言模型 (LLM)（例如 GPT-2 和 GPT-3）在两个地理空间语义任务上的性能来展示这个想法的优势。结果表明，这些与任务无关的 LLM 在小样本学习设置中在两个任务上的表现都可以胜过任务特定的全监督模型，性能提高 2-9%。然而，鉴于 GeoAI 的多模态特性，我们也展示了这些现有基础模型的局限性，尤其是在处理与其他模态相结合的几何图形时。因此，我们讨论了多模态基础模型的可能性，该模型可以通过地理空间对齐推理各种类型的地理空间数据。我们通过讨论为 GeoAI 开发此类模型的独特风险和挑战来结束本文。
使用可变磁阻传感器和叶尖正时方法对压缩机和涡轮叶片进行结构健康监测
摘要。本文介绍了旋转风扇、压缩机和涡轮叶片诊断的综合方法。关键的低速和高速旋转流体流动机械（风扇、蒸汽涡轮机和航空喷气发动机）面临机械损坏（由异物和侵蚀引起）、腐蚀和其他形式的材料疲劳（LCF、HCF、VHCF、TMF）的风险。叶片质量变化（沉积物的影响）和材料各向异性率导致模态特性变化，这些物体面临危险。为了监测叶片的实际运行状况和技术状态，采用了旋转叶片观察器方法（叶尖定时方法）。受监控的旋转叶片排和磁阻传感器的组合创建了一种编码器，其输出信号同时包含以下信息：- 由空气动力和质量力输入引起的叶片振动；- 瞬时转子转速；- 转子不平衡和振动；- 磁阻传感器与振动和旋转叶片的耦合条件。测量值是叶片到达固定观察者（安装在装配外壳上的磁阻传感器）的时间 (TOA)。TOA 受非周期性（瞬时理想转子转速）和周期性分量（叶片和转子振动）调制。TOA 的测量是通过频率法实现的，可用于典型的计数器卡和 AD/DA 转换器。利用记录（非均匀采样）数据的数值处理来分离 TOA