XiaoMi-AI文件搜索系统
World File Search System装配
人机协作装配任务中的脑机接口和手动引导控制
摘要：协作机器人 (Cobots) 是一种小型机器，可编程执行各种任务，能够减轻操作员的工作条件。因此，它们可以用于中小型企业，这些企业的特点是生产批次小，任务复杂多样。要开发实际的协作应用，需要合适的任务设计和人机之间的合适交互策略。实现人机之间有效、高效的通信策略是协作方法的里程碑之一，它可以基于多种通信技术，可能以多模式方式实现。在这项工作中，我们专注于合作装配任务。利用脑机接口 (BCI) 向协作机器人提供命令，使操作员能够在所需的时间在独立和合作协助模式之间切换。当操作员查看与不同命令相对应的两个闪烁屏幕时，可以根据收集的大脑命令激活这两种控制，这样操作员就不需要腾出双手向协作机器人发出命令信息，并且可以加快装配过程。通过在装配应用中开发和测试交互来验证所提方法的可行性。对同一装配任务的周期时间（有无协作机器人支持）进行了比较，比较了平均时间、变化性和学习趋势。因此，评估了所提交互策略的可用性和有效性，以评估所提解决方案在实际工业环境中的优势。
空间服务、装配和制造...
航天器寿命延长、碎片清除、空间操作自主性和机器人技术方面的技术进步将颠覆航天器设计、采购、发射、操作和维护的传统模式。专为空间服务、装配和制造 (ISAM) 设计的新一代航天器正引领这一潮流走向新的太空经济。在未来几年内，航天器加油将得到演示，商业加油站可能会出现，以提高在轨机动性和轨道异常恢复能力。在接下来的几年里，定期进行在轨硬件升级的航天器（商业、民用和军用卫星部门确定的一项战略能力）可能会变得司空见惯。当前的太空企业运营已经证明，即使没有 ISAM，也能持续运营、执行任务和开展业务，但 ISAM 有望提高弹性和灵活性、加快技术进步，并扩大地球同步轨道 (GEO) 以外的空间生态系统。
家具装配工 - 司机 (男/女/其他) - 拉姆施泰因空军基地 - AF.mil
您将根据您的资历和经验在 TV AL II* 框架内获得报酬，这意味着您还将获得节日和圣诞节奖金以及公司养老金计划和资本形成福利 受益于我们的内部培训和晋升机会，这将使您有机会在专业上得到发展 在国际化和包容性的工作环境中体验美国生活方式 作为我们空军大家庭的一员，美国的感恩节传统也成为您的节日。通过重新分配工作时间，您将获得额外九天的假期**
文章：Manimuthu, A.、Venkatesh, VG、Shi, Y. 等人（另外 2 位作者）（2021 年）使用联合人工智能和智能合约设计和开发汽车装配模型。国际生产研究杂志，60 (1)。第 111-135 页。ISSN 0020-7543
摘要 借助智能传感器和嵌入式驱动器，当今的汽车行业在机器学习、人工智能和物联网等新兴技术方面取得了巨大飞跃，并开始构建数据驱动的决策策略，以在全球智能制造中竞争。本文提出了一种新颖的设计框架，该框架使用联邦学习-人工智能（FAI）进行决策，并使用智能合约（SC）策略进行完全自动化的智能汽车制造业的流程执行和控制。所提出的设计引入了一个称为信任阈值限制（TTL）的新元素，它有助于缓和嵌入式设备、工具、能源和成本函数的过度使用，从而限制制造过程中的浪费。本研究重点介绍了人工智能在具有智能合约的去中心化区块链中的用例、公司的交易政策及其在社会经济危机期间有效处理市场风险评估的优势。由实时案例支持的开发模型结合了成本函数、交货时间和能源评估。结果突出了 FAI 在基于智能合约的汽车装配模型 (AAM) 决策准确性方面的应用，从而定性地限制了采购、装配和制造中成本、能源和其他控制功能的阈值水平。定制和与云集成的图形用户界面是该模型的一些挑战。
飞机装配障碍：人为失误还是缺乏生产设计？
摘要：犯错是人类的固有特性，这意味着在某种程度上，人为错误是不可避免的。业务改进工具和实践忽视了处理人为错误的根本原因；因此，它们忽略了某些可能防止或尽量减少此类错误发生的设计考虑。认识到这一差距，本文试图概念化一个基于防错概念的结合认知科学文献的模型，从而提供更深层次、更深刻的人为错误分析。进行了一项涉及航空航天装配线的探索性案例研究，以深入了解所开发的模型。案例研究的结果揭示了人为错误的四种不同原因，如下：（i）描述相似性错误，（ii）捕获错误，（iii）记忆失误错误，以及（iv）中断。基于此分析，提出了相应的防错措施。本文为未来研究航空航天工业人为错误背后的心理学奠定了基础，并强调了了解人为错误的重要性，以避免在劳动力投入至关重要的生产环境中出现质量问题和返工。
IBM 大型机装配的 AI/ML 现代化
具有复杂的持久性功能 - 现代关系和 NoSQL 数据库系统支持复杂的持久性功能，包括事务、原子性、可靠性、一致性、备份/恢复、查询等功能，这些功能在旧的单片系统中是不具备的。
装配和拆除
前言 6 致谢 6 1.0 简介 7 2.0 本技术指南中使用的关键术语和定义 9 2.1 术语和定义 10 2.2 如何在树艺中使用 kN 值 11 3.0 规划索具操作 13 3.1 简介 14 3.2 风险评估 15 3.3 规划 15 3.4 角色和职责 18 3.5 操作员能力 18 3.6 场地布局 20 3.7 树木状况评估 21 4.0 索具技术 25 4.1 简介 26 4.2 索具点在上方 28 4.3 索具点在下方 32 4.4 其他索具方案 36 4.5 辅助拆除技术 40 4.6 预加载线 41 4.7 机械优势 (MA) 42 5.0锚固力 45 5.1 简介 46 5.2 摩擦力 46 5.3 矢量 47 5.4 锚固力随绳索角度变化 47 5.5 重定向 48 6.0 操作员定位 51 6.1 概述 52 6.2 切割技术 53 7.0 系统组件 57 7.1 概述 58 7.2 硬件组件 59 7.3 纺织组件 59 7.4 模块化组件 59 7.5 连接器 59 7.6 组件类型摘要 60
开发知识管理应用本体以支持飞机装配系统设计 郑晓晨 1、陆金芝 1、Rebeca Arista 2、胡晓都 3,4、Joachim Lentes 3、Fernando Ubis 5、Jyri Sorvari 5 和 Dimitris Kiritsis 1
摘要 在飞机项目的早期阶段，工业架构师需要评估不同的工业场景并进行权衡，以根据不同的关键绩效指标优化未来的工业架构。以前项目中积累的专家知识为新项目提供了基础。以一致的方式捕获和重用专家知识是一项具有挑战性的任务。本文介绍了一个关于飞机装配过程形式化应用本体开发的案例研究。它旨在促进从现有程序中捕获专家知识并重用它以支持新的飞机装配系统设计。该应用本体继承了IOF-Core本体的结构和类作为基础，采用BFO作为顶级本体。历史装配过程规范和领域专家的反馈被用作本体的知识来源。提取装配过程的相关元素，包括所有操作、材料和制造资源，并将其作为个体集成到本体中。基于对这些个体的分析，可以在类似过程中重复使用的共同知识可以概括为本体的相互关联的类。使用工业试点介绍了应用本体的详细开发方法。开发的本体被集成为交易空间框架的核心功能块。它可以帮助跟踪利益相关者的需求并支持新装配过程的联合仿真。关键词 1 本体，IOF，BFO，飞机装配，知识管理，系统工程，基于本体的工程。
使用 ANN 预测动态互联装配系统中基于 AI 的在线调度的性能指标
摘要 由于产品频繁变化，大规模定制要求缩短制造系统的响应时间。系统动态性的增加对灵活性提出了更高的要求，尤其是对装配过程，因为复杂性在价值创造的最后一步不断积累。与传统的专用装配线方法相比，灵活且动态互连的装配系统可以满足日益增长的需求。这类系统中的高复杂性和动态环境导致对实时在线控制和调度解决方案的需求。在在线调度的决策中，预测可用操作后果的能力至关重要。在实时环境中，运行大量离散事件模拟来评估操作如何展开需要太多的计算时间。人工神经网络 (ANN) 是一种可行的替代方案，可以快速评估生产状态的潜在未来性能价值，以进行在线生产规划和控制。它们可以预测性能指标，例如在当前生产状态下的预期完工时间。利用人工智能 (AI) 游戏算法的最新进展，创建了一个基于 Google DeepMind 的 AlphaZero 的装配控制系统。具体来说，ANN 被纳入到该方法中，它建议有利的工作路由决策并预测行动的价值。结果表明，训练后的网络预测有利行动的准确率超过 95%，估计完成时间的误差小于 3%。
飞机系统和装配应用研究能力
We collaborate with several research centers and universities: Material and Processing Department (University of Naples – Federico II), Industrial Design Department (University of Naples – Vanvitelli), Center of Turbulence Research (Stanford, Ca), LABMEC University of Calabria, CREATE, EPFL (Lausanne, CH) We work with a network of multidisciplinary companies: Officine Meccaniche Irpine O.M.I Srl, HPD SRL，LFI SRL，Caltec Constortium