XiaoMi-AI文件搜索系统
World File Search System维护性
数据驱动的预测性维护模型方法...
结合基于物理/知识和数据驱动的方法进行 RUL 估计 Liao 和 Köttig (2016)，限定 RUL 估计不确定性的混合模型 Zhao 等人。(2013)，领域技术人员使用水管数据创建故障检测和预测模型 Li 和 Wang (2018)，并将基于知识的规则系统与数据驱动的方法相结合以对其进行改进 Cao 等人。(2020)。
2024 年预测性维护的未来预测
对预测性维护解决方案的需求正在增长，因为公司希望降低设备运营成本、减少停机时间并提高现有设备的生产率，而不是购买新设备。预测性维护使企业能够通过快速响应潜在问题并节省维护流程来获得竞争优势。临时设备故障总是会导致财务损失，并且在某些行业中还会给客户带来极大的不便：例如在能源或运输行业。分析公司 MarketsandMarkets 对此进行了研究，预测性维护和状态预测系统已成为一个价值数十亿美元的全球市场。
使用机器学习对水泵进行预测性维护
预测性保护或维护与物联网结合使用，帮助行业检测生产或维护设备中的重要故障。在本研究中，我们提供了一个系统架构模型，用于根据受监控设备获取的数据检测早期水泵系统故障。在试验部分，我们研究了水泵行业的实际测量统计数据、事件和故障。正在尝试不同的保护措施或策略来保持行业的有效性。保护会破坏任何行业的商品价值。为了避免受到冲击或以后发生故障，应以减少保护任务成本和时间的方式规划保护程序。本研究描述了基于工业领域随机森林方法的预测性维护或预防性保护的敏锐机器学习架构系统的实施，该系统考虑了物联网和机器学习 (ML) 技术支持实时统计、在线数据收集和分析，以便尽早检测机器故障，从而实现对数据的实时监控、数据可视化和分析，以便尽早检测机器故障。
![[Hiroshima University]防止遗传性顽固性疾病，多囊性肾脏疾病的发作...](/simg/g:\will\search\icon\source\9\98e0a9ee1d2e76f9f014ae06e9b98ce27b5eea93.webp)
加速度诱発性意识消失（Gravity-induced loss of consciousness
摘要 重力引起的意识丧失 (G-LOC) 是战斗机飞行员面临的主要威胁，可能会导致致命事故。高 +Gz（头到脚方向）加速度力会诱发脑出血，导致周边视力丧失、中央视力丧失（昏厥）和 G-LOC。我们尝试建立一个公式，使用脑氧合血红蛋白 (oxyHb) 值、身高、体重和身体质量指数 (BMI) 来预测 G-LOC。我们分析了 2008 年至 2012 年间测量的 249 名人体离心机受训者的脑氧合血红蛋白值。受训者暴露于两种离心机模式。一种是 4G–15s、5G–10s、6G–8s 和 7G–8s，不穿抗荷服（间隔 60 秒，发作率为 1G/s）。另一组为 8G-15s，起始速率为 6G/s，穿着抗荷服。我们使用近红外光谱仪 (NIRS)（NIRO-150G，日本静冈县滨松光子学株式会社，滨松）测量了受训者的脑氧合血红蛋白值。分析了以下参数。A）基线值为 +Gz 暴露前 30 秒的平均值。B）+Gz 暴露期间氧合血红蛋白的最大值。C）+Gz 暴露期间氧合血红蛋白的最小值。D）氧合血红蛋白从最大值到最小值的变化率（变化率）。使用逻辑回归分析进行统计分析，以建立预测 G-LOC 的公式。受训者的年龄为 24.1 ±1.7（S.D.）（范围，22 ～ 30）
使用家庭高级...
图1多个系统萎缩的治疗方法这种形状说明了针对多系统萎缩（MSA）病理机制的各种治疗策略。MSA的特征是神经元丧失，神经胶质病和α-突触核蛋白夹杂物的积累。抗 - α突触核蛋白疗法包括 - 在诸如ANELE138B，清除剂，例如PD01A，PD03A，LU AF82422，TAK - 341和UB – 312和UB –312和UB –312和抑制方法之类的清除剂中的聚集。细胞疗法涉及修复和再生受损神经组织的间充质干细胞。能量代谢和INSU -LIN信号 - 靶向疗法包括脱齿素 - 4，泛氨醇和NAD +补充。抗炎性和神经保护疗法具有氟西汀，AAV2 - GDNF和KM819的化合物，可减少炎症并提供神经保护作用。细胞调节文本包括显示退化的神经元，α-突触核蛋白夹杂物，活化的星形胶质细胞和小胶质细胞，免疫 - 反应性T细胞，IM成对的线粒体，Pro - 炎性细胞因子，肌蛋白损失和髓质细胞质细胞胞质包含（GCIS）（GCIS）。此视觉代表提供了MSA中治疗策略及其细胞靶标的概述。
螺栓故障位置分析，实现预测性维护
在本研究中，我们从汽车和轮胎厂收集了大量断裂接头螺栓，并对每个螺栓进行分析，以确定失效原因和螺栓上裂纹的起始位置。然后根据失效原因和位置对螺栓进行分组，以调查失效概率和失效位置概率。结果表明，低周和高周疲劳占螺栓失效的 70%，80% 的螺栓失效发生在螺栓螺纹区域的深处。只有在确定因低周疲劳而失效的样本中才会发现更靠近头部和杆部交叉处的失效位置。尽管如此，只有 40% 的低周疲劳导致的螺栓失效发生在靠近头部的位置，60% 的失效发生在远离头部的螺纹区域。本研究结果有助于预测螺栓的故障位置，从而有助于指导接头螺栓的预防性维护程序。
IBM 预测性维护和质量 2.0 技术概述
第 2 章 IBM 预测性维护和质量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . ... ... . ...
预测性维护 4.0 - 预测不可预测的事件 - 普华永道
我们成功实施 PdM 4.0 的方法 本报告的后半部分重点介绍了我们实施 PdM 4.0 的方法，该方法考虑了技术和组织方面。我们提供了一个框架，用于逐步实施 PdM 4.0 模型中的技术组件，以支持业务战略。我们的方法还涵盖了维持 PdM 4.0 所需的技术基础设施 - 数据分析平台、物联网基础设施。如果 PdM 4.0 要取得成功，组织方面也很重要。我们专注于两个方面：培养 PdM 4.0 所需的技能和能力，以及建立数字文化。仅仅吸引和培养可靠性工程和数据科学人才是不够的。公司还必须创造环境，让这些人才能够蓬勃发展，相互挑战和补充，从而为改善维护和资产管理提供有价值且可操作的新见解。
使用数字孪生进行预测性维护 - WUR eDepot
背景：预测性维护是一种创建更可持续、更安全、更有利可图的行业的技术。创建预测性维护系统的关键挑战之一是缺乏故障数据，因为机器经常在故障前进行维修。数字孪生提供物理机器的实时表示并生成预测性维护算法可以使用的数据（例如资产退化）。自 2018 年以来，关于将数字孪生用于预测性维护的科学文献数量激增，这表明需要进行彻底的审查。目标：本研究旨在收集和综合专注于使用数字孪生进行预测性维护的研究，为进一步的研究铺平道路。方法：使用主动学习工具对已发表的使用数字孪生进行预测性维护的主要研究进行系统文献综述 (SLR)，其中分析了 42 项主要研究。结果：本 SLR 确定了使用数字孪生进行预测性维护的几个方面，包括目标、应用领域、数字孪生平台、数字孪生表示类型、方法、抽象级别、设计模式、通信协议、孪生参数以及挑战和解决方案方向。这些结果有助于在学术界和行业中使用数字孪生开发预测性维护的软件工程方法。结论：本研究是预测