XiaoMi-AI文件搜索系统
World File Search System潜在故障
用于分立功率器件状态监测和剩余使用寿命预测的复合故障前兆
摘要 — 为了防止电力电子系统中发生灾难性故障，已经确定了多种故障前兆来表征功率器件的退化。然而，在确定支持高精度剩余使用寿命 (RUL) 预测的合适故障前兆方面存在一些实际挑战。本文提出了一种充分利用潜在故障前兆来制定复合故障前兆 (CFP) 的方法，其中 CFP 直接根据退化模型进行优化以提高预测性能。明确推导了退化模型的 RUL 估计值，以方便前兆质量计算。对于 CFP 公式，采用遗传规划方法以非线性方式整合潜在故障前兆。结果，阐述了一个可以为给定的 RUL 预测模型制定出更好故障前兆的框架。通过 SiC MOSFET 的功率循环测试结果验证了所提出的方法。
JR 东日本最新配备数字技术的车辆 - 2017 年 2 月 27 日
-加强机上和地勤人员的信息网络，监视设备状态，掌握潜在故障的迹象，采取预防措施，缩短故障时的恢复时间（INTEROS） -耐碰撞车辆（防偏置碰撞结构） -改进门的开启方式，即使人员被卡在门之间，也可以轻松拉出物品，从而防止被拖拽 -主要设备的双重化
USTER® QUANTUM 4.0
Uster Quality Expert 是用于纱线制造过程中先进工艺优化的质量管理平台。单一系统提供控制，确保纤维、纱线和织物的质量。100% 在线监控、精确的实验室测试和集成智能相结合，能够预测潜在故障并防止索赔。Uster Quality Expert 有两个版本：要么作为通过专用客户端服务器的独立解决方案，要么集成在 Uster Tester 6 中。
HALT 和 HASS
HASS 的优势包括： 发现由于工艺不良或制造流程而导致的隐藏或潜在故障 验证机械互连的完整性 防止有缺陷的部件到达最终用户/客户（早期故障/开箱即用故障） 检测组件和流程的变化 降低保修和现场服务成本 提高客户满意度 揭示制造过程中与流程相关的变化 发现软件和固件变化导致的问题 发现组件供应商质量问题和修订版本变化
906H、907H、908H - Hellopro.fr
设备维护服务。帮助优化机器性能和可靠性。服务包括： • 客户支持协议 • S•O•S 油分析 – 可以在潜在故障发展为耗费时间和金钱的重大问题之前检测出它们。在一系列好处中，S•O•S 可以缩短维修时间，并通过预测维修和停机成本来帮助管理预算。样品测试分析由经过培训的技术人员利用最先进的技术在 Cat 经销商实验室进行。大多数测试结果在收到样品后 24 小时内可用。• 维护合同 • 定期技术检查
DoD HFACS 版本 7.0
国防部人为因素分析和分类系统 (DOD HFACS) 7.0 版简介。人为因素描述了我们与工具、任务、工作环境和其他人的互动如何影响人的表现。人为因素是国防部事故的主要原因。国防部 HFACS 模型提出了一种系统的、多维的错误分析和事故预防方法。事故调查人员将在事故分析中使用国防部 HFACS 包括适用的 HFACS 代码。与不值得讨论的因素 (NFWOD) 和其他重要发现 (OFS) 相关的代码也将包括在事故分析中，但不会输入 AFSAS。目的。本指南提供了一个模板，用于组织调查中发现的人为因素。它旨在供调查委员会的所有成员使用，以准确记录与个人和事故或事件相关的人为表现的所有方面。 DoD HFACS 可帮助调查人员： 进行更全面的调查 对导致事故序列的特定行为（或不作为）进行分类 为 AFSAS 数据库提供信息，作为检测事故趋势和预防未来事故的存储库 描述。正如 James Reason (1990) 所述，主动故障是被认为导致或促成事故的个人行为或不作为。传统上称为“错误”，它们是个人犯下的最后“行为”，通常会立即产生后果。相比之下，潜在故障是组织内预先存在的条件，会间接影响事故事件的序列。这些潜在故障在事故期间对个人行为产生影响之前可能在一段时间内未被发现。Reason 的“瑞士奶酪”模型描述了在复杂操作期间可能发生主动故障和潜在故障的四个级别（见图 1）。层中的漏洞表示失败或缺失的危害缓解控制，这可能会导致整体事故情况。从事故开始追溯，Reason 模型的第一层描述了最直接导致事故的行为。大多数因果因素都在这个层面上被发现，然而，Reason 模型迫使调查人员解决因果事件序列中的潜在故障或“漏洞”，如果只关注个人行为，这些故障或漏洞可能会被忽视。Reason 模型中的潜在故障和条件被描述为先决条件、监督和组织影响。应用。事故是个人和组织因素的结果，这些因素进一步分为因果因素和/或促成因素。其行为影响事故结果的个人应被确定为“事故人员”并接受调查。他们的行为和先决条件将在 AFSAS 中的人员层面上确定。这些行为和先决条件发生的背景将作为监管和组织因素记录下来，并在事故层面上确定。这些因素归因于事故本身，而不是某个特定的人。调查人员将通过 AFSAS 中的一系列问题获得有关如何使用 HFACS v7.0 的指导。对于 A 类、B 类和 E 类生理事故，调查人员将被要求回答所有问题并在纳米代码层面提供输入。对于 C 类和 D 类事故和钝剑事件，调查人员将被允许使用纳米代码，但这不是必需的；他们只需回答问题即可。这些新的编码规则已嵌入 AFSAS 中，以指导调查人员。调查人员确定的每个人为因素代码都必须被评定为对事故有影响的因果因素或促成因素。 因果因素是指如果得到纠正，可能会防止或减轻损害和/或伤害的缺陷。原因并不意味着责备。很可能是其他事件/条件的结果的事件/条件不是因果关系，应被评为促成因素。 促成因素是独立的事件/条件，它们不会直接导致损害和/或伤害，但对于事故序列的进展不可或缺。促成因素允许其他事件/条件的进展。如果某个事件/条件被认为既是促成因素又是因果关系，则仅将其评为因果关系。 促成因素是独立事件/条件，不会直接导致损害和/或伤害，但对于事故序列的进展必不可少。促成因素允许其他事件/条件的进展。如果事件/条件被视为既是促成因素又是因果因素，则仅将其评为因果因素。 促成因素是独立事件/条件，不会直接导致损害和/或伤害，但对于事故序列的进展必不可少。促成因素允许其他事件/条件的进展。如果事件/条件被视为既是促成因素又是因果因素，则仅将其评为因果因素。
人工智能监管即将进入生命科学领域：现在需要采取三个步骤
LS 公司还需要不断调整报告，以满足不断发展的 AI 功能和监管要求。他们需要根据设备的风险分类、对其进行的修改数量和类型以及解决方案用于决策的算法的成熟度和可靠性来调整报告的频率和其中的信息类型。例如，如果最初旨在通过跟踪患者的生活习惯来确保患者得到适当治疗的 AI 解决方案发展到也可用于诊断疾病的程度，那么随着潜在故障风险的增加，用于衡量其有效性的 KPI 必须发生变化。在这种情况下，关于设备安全性和有效性的报告可能会每半年或每季度进行一次，而不是每年一次。
维护策略 - Daniel Penn Associates
7. 识别故障。工程、维护、运营和质量部门的每个人都有责任识别故障迹象。在许多情况下，我们会关闭设备以查找潜在故障（P-F 曲线上的 P）或故障（F），而其他技术可以在不关闭资产的情况下确定故障的可能性。除了振动和红外分析等预测技术外，还包括质量组的 SCADA 系统参数，如流量、压力、温度和统计过程图。也不要忘记人类的感官。有资格使用这些感官的人比有资格进行振动分析的人多得多。这些感官包括感觉温差、听到噪音和检测振动等。
人为因素分析和分类系统（国防部...
步骤 1：确定导致事故的所有因素：调查安全人员必须首先拼凑事件的顺序，以确定“发生了什么”。下一步是识别所有异常事件以及导致每个异常事件发生的条件层。这是通过应用因果映射过程来确定每个异常事件发生的原因，以确定“事故发生的原因或个人失败的原因”的潜在故障来实现的。此过程可帮助组织超越单个人的行为，并确定与培训失败、监督/领导失败、资源支持失败、物资设计缺陷和/或书面政策或程序缺陷相关的哪些潜在危险条件影响了事故个人。