在纳米电子的快速前进的领域中的摘要,确保电路的鲁棒性对于可靠的性能至关重要。这项研究解决了使用深度学习技术在纳米电子电路中有效检测有效故障检测的关键需求。引言概述了纳米电子电路的增加的复杂性以及对断层易感性的相应上升,这强调了高级故障检测机制的必要性。手头的问题涉及在高度紧凑和复杂的纳米电子电路中识别断层的固有挑战,在这些断层中,传统的故障检测方法通常不足。突出了研究差距,强调缺乏根据纳米电子的特定挑战量身定制的可靠故障检测解决方案。为了弥合这一差距,我们的方法利用了深度学习的力量,采用神经网络来学习复杂的模式,指示纳米电子电路中的故障。该方法涉及开发一个综合数据集,该数据集可捕获各种故障场景,从而确保模型对现实情况的适应性。使用此数据集对神经网络进行了训练,从而可以辨别出信号潜在故障的微妙变化。结果介绍了提出的基于深度学习的故障检测系统的功效,与传统方法相比,准确性有显着提高。该系统不仅以高精度识别已知的故障,而且还具有出色的检测新故障的能力,展示了其对纳米电子电路体系结构不断发展的适应性。关键字:纳米电子,故障检测,深度学习,神经网络,鲁棒性
本文调查了使用深度强化学习(DRL)训练的政策的弹性,以解决敏捷的地球观察卫星调度问题(AEOSSP),重点是操作过程中反应轮(RW)断层的影响。尽管基于DRL的策略旨在处理动态和不可预见的场景,但在断层条件下的弹性并未得到很好的理解。本研究评估了各种断层场景下此类政策的适应性,从而确定了性能和安全性降解的阈值。调度问题被提出为可观察到的马尔可夫决策(POMDP),并使用在无故障环境中训练的策略解决。然后在各种故障场景中测试该策略,包括单独的RW故障,功率限制,摩擦增加,编码器测量错误以及电池容量。结果探索了界限,随着RW越来越多的断层,发生重大的性能和安全性降解。功率限制,摩擦和电池容量故障会随着故障严重程度的增加而导致逐渐下降的性能下降,并具有明显的安全阈值。但是,由于基于扭矩的态度控制机制,编码器断层的性能影响最小。
摘要从互联网技术和通信技术的快速发展中受益,行业互联网迅速上升。随着互联网技术的快速发展,网络安全变得越来越突出。此外,入侵攻击会导致系统故障或降低系统性能,因此入侵检测是确保系统可靠性的重要方面。针对运营过程中工业互联网面临的巨大安全风险,本研究提出了一种基于卷积神经网络的工业互联网故障检测模型,该模型最初通过卷积神经网络筛选了卷积神经网络的入侵攻击,并引入了粒子群群群优化算法,以识别筛查的入侵攻击。The experimental results demonstrated that when the training set size was 1600, the accuracy rates of random forest, K-mean clustering algorithm, convolutional neural network and improved convolutional neural network algorithms were 93.2%, 94.9%, 96.3%, and 98.6%, respectively, and the false alarm rates were 6.9%, 5.0%, 3.8%, and 2.1%, respectively.随机森林,K均值聚类,卷积神经网络和改进的卷积神经网络算法的均方根误差值分别为0.32、0.22、0.18和0.11。当训练集大小为800时,相应的F1值为0.81、0.84、0.87和0.98。该研究的结果表明,改进的算法模型优于其他策略,为在工业互联网中的应用提供了坚实的基础。
来源,此类系统也称为混合动力系统。电断层是一种异常情况,可能是由于设备故障或故障,人为错误或环境条件引起的[2]。电源系统中出现故障的各种原因可能是由于绝缘故障,闪电闪存,物理损害或人为错误所致。故障分析和预测对于检测故障,防止断层并清除系统从异常条件以及避免故障[3-5]非常重要。故障预测对于设计和选择断路器和继电器等设备也很重要,这也有助于提高电源系统稳定性和可靠性[6]。故障的预测有助于计划新系统的勃起和可行性研究,以确保未来的准备,以扩大负载需求,以扩展电力系统[7]。
这项工作探讨了使用机器学习检测严重缺陷的最新方法。使用机器学习算法中模式识别的力量,我们为图像尾字符串分析提供了一个自动系统。该系统在仔细标记不同故障分类的广泛数据集上进行培训。这使该模型可以在部署过程中检测和分类未见拖曳图像中的潜在错误。这种方法通过提供客观,自动化和不断学习的解决方案来进行船尾线检查,从而提供了与传统技术相比的重要优势。这可以改变许多行业中硬线完整性的评估方式。该方法通过分析苛刻的线的图像来检测缺陷来自动化检查过程。机器学习算法在模式识别方面表现出色,使其非常适合此任务。所提出的方法涉及在由不同故障类型分类的船尾线图像数据集上训练模型。一旦训练了模型,它就可以分析新图像并有效地对其进行分类,并检测到牵引线中的潜在错误。这种数据驱动的方法比传统方法具有多个优点,包括更好的准确性,效率以及随着时间的推移不断学习和改进的能力。这种方法可能会彻底改变许多行业的回报线控制。算法V3是由Google开发的深度卷积神经网络体系结构。由于有效地使用了卷积过滤器和自举模块,因此在各种图像分类任务中实现了高性能。种子模块堆叠具有并联不同尺寸过滤器的多卷积层,从而允许网络捕获图像的不同特征。这种层次结构方法允许Inception V3学习图像数据的复杂表示,从而在尾字符串分析中获得了更好的错误检测精度。
维修和保养 PCB 通过其对 PCB 销售的所有 Platinum Stock 产品提供“终身保修”以及对所有其他 PCB Stock、标准和特殊产品提供有限保修,保证客户完全满意。由于我们的传感器和相关仪器的复杂性,不建议进行现场维修和维护,如果尝试进行现场维修和维护,将使工厂保修失效。除了常规校准和电池更换(如适用)外,我们的产品无需用户维护。使用不会损害结构材料的溶液和技术清洁电连接器、外壳和安装表面。在非密封设备附近使用液体时要小心。只能用湿布擦拭此类设备 - 切勿浸湿或浸没液体。如果设备损坏或停止运行,我们的应用工程师将全天候为您提供故障排除支持。请致电或发送电子邮件,告知型号和序列号以及问题的简要说明。校准 必须对传感器和相关仪器进行常规校准才能保持测量精度。我们建议每年校准一次,在暴露于任何极端环境影响后或在任何关键测试之前进行校准。PCB Piezotronics 是一家通过 ISO-9001 认证的公司,其校准服务由 A2LA 认证为 ISO/IEC 17025,可通过 NIST 完全追溯到 SI。除了标准校准服务外,我们还提供专门测试,包括:高温或低温下的灵敏度、相位响应、扩展高频或低频响应、扩展范围、泄漏测试、静水压力测试等。有关更多信息,请联系您当地的 PCB Piezotronics 经销商、销售代表或工厂客户服务代表。
可以通过冗余,多样性,分离,自我诊断和重新配置来实现用于自动驾驶汽车的抽象耐故障硬件体系结构。这些方法可以通过N独立系统体系结构与多数裁员结合在一起。可容忍系统的开发在从4级的自动驾驶系统启动中至关重要。电气和电子系统的复杂性日益增加对于安全关键系统的设计具有挑战性。这项工作旨在开发一种方法来管理产品开发中这种复杂性并使用它来比较不同类型的体系结构。基础是由传感器和微控制器组成的系统。通过数值求解相应的马尔可夫链的主方程来自动计算系统的所有可能月球配置的可靠性。随后,基于软件的故障树分析可以对组件结构进行更详细的建模。结果表明,四线体系结构可以提供合适的结果,并且相对于ISO 26262目标值,2-ECU系统的开发工作高于1-ECU系统。关键字:自动驾驶,失败操作,产品架构,计算设计方法,数值方法联系人:Julitz,Tim Maurice Dermany julitz julitz@uni-wuppertal.de
对称密码学的最新趋势是,其设计要么允许有效实施侧信道和故障攻击对策,要么提供一定程度的固有保护以抵御这些物理攻击媒介。这在轻量级密码学领域尤其重要,因为轻量级密码学旨在部署在嵌入式设备中,因此物理攻击是一种现实威胁。DEFAULT 是一种轻量级对称密码,其基本结构源自 GIFT [ 10 ],由 Asiacrypt'21 [ 8 ] 提出,旨在提供针对差分故障分析 (DFA) [ 12 ] 的保护(另请参阅 [ 7 ,第 5.1 节])。提供这种保护的主要设计特征是具有线性结构的 SBox,我们将其称为 LS SBox。结果表明,无论攻击者在这种 SBox 的输入端注入多少故障,都无法准确确定输入值。 DEFAULT 的 DFA 安全性为 264 ,通常,使用相同构造,对于 n 位密码,安全性为 2 n/ 2 。量子计算的出现对密码学构成了强大的威胁。Shor 算法将密钥搜索空间复杂度降低到多项式时间,这尤其削弱了公钥算法的安全性 [32]。已有许多研究工作致力于探索公钥密码对抗量子对手的适用性,例如 [19]。通常,对称密码在量子攻击方面具有更高的安全性,Grover 算法能够通过 2 n/ 2 次查询执行完整密钥搜索。人们可能会注意到,对称密钥密码的量子安全性在设计时并未得到适当分析(基本上,量子安全性是设计者理所当然的)。例如,轻量级密码不仅在经典电路中消耗更少的资源,而且也适用于量子电路。因此,轻量级的
基于地质调查,Lampung的地质状况受到苏门答腊岛西侧的苏门答腊大型群岛的影响,从利瓦山谷(Liwa Valley)到塞曼科湾(Semangko Bay)的拉瑙湖(Ranau Lake)的大苏门特断层区域。它们是kumering故障和semangko故障。kumering故障是位于拉瑙湖(Ranau Lake)附近的一个主动断层,而Semangko断层是Suoh Valley和Semangko Bay附近发现的活跃故障。在两个有效断层交叉的两个位置,已经建造了几种可再生能源,并且有可能用于开发和建设,尤其是水力发电厂和地热植物。Ranau-Suoh湖谷之间有几个水电位置。其中一个是正在研究地质危害潜力的水力发电厂。同时,对于Suoh Valley,地热发电厂有一些潜在的区域。
We would like to thank Rabah Amir, Francis Bloch, Gabrielle Demange, Maria Garcia-Alonso, Sanjeev Goyal, Matthew Elliott, Maia King, Judith Payne, Zaki Wahhaj, Kathy Yuan, Marco van der Leij, and participants at seminars at Amsterdam, Bath, Cambridge, Glasgow, LSE, Malaga, NYU阿布达比,巴黎,萨拉曼卡以及几次讲习班和会议,以获取宝贵的评论。