AGL 地上 AI 人工智能 ALIAS 机组人员 驾驶舱自动化系统 AMDP 抽象马尔可夫决策过程 AN 人工神经元 ANN 人工神经网络 ARIAS 日益自主系统的保证推理 ARL 保证强化学习 ASRS 航空安全报告系统 AT 航空运输 ATC 空中交通管制 ATIS 机场塔台信息服务 BRGA 商务、区域和通用航空 CAE 索赔-论据-证据 COTS 商用现货 CRM 机组资源管理 CTM 机组任务管理 CWA 认知工作分析 DAL 设计保证级别 DARPA 国防高级研究计划局 EA 企业架构师 EFB 电子飞行包 EGPWS 增强型近地警告系统 FAA 联邦航空管理局 FHA 功能危害分析 FL 飞行高度 FMEA 故障模式及影响分析 FMS 飞行管理系统 FO 副驾驶 FPM 飞行路径管理 FTA故障树分析 GPWS 近地警告系统 GSN 目标结构符号 HITL 人机交互 IA 高度自主 IAS 智能自动驾驶系统
AGL 地上 AI 人工智能 ALIAS 机组人员 驾驶舱自动化系统 AMDP 抽象马尔可夫决策过程 AN 人工神经元 ANN 人工神经网络 ARIAS 日益自主系统的保证推理 ARL 保证强化学习 ASRS 航空安全报告系统 AT 航空运输 ATC 空中交通管制 ATIS 机场塔台信息服务 BRGA 商务、区域和通用航空 CAE 索赔-论据-证据 COTS 商用现货 CRM 机组资源管理 CTM 机组任务管理 CWA 认知工作分析 DAL 设计保证级别 DARPA 国防高级研究计划局 EA 企业架构师 EFB 电子飞行包 EGPWS 增强型近地警告系统 FAA 联邦航空管理局 FHA 功能危害分析 FL 飞行高度 FMEA 故障模式及影响分析 FMS 飞行管理系统 FO 副驾驶 FPM 飞行路径管理 FTA故障树分析 GPWS 近地警告系统 GSN 目标结构符号 HITL 人机交互 IA 高度自主 IAS 智能自动驾驶系统
系统安全性、可靠性和风险分析是在整个系统生命周期中执行的重要任务,以确保安全关键系统的可靠性。概率风险评估 (PRA) 方法是广泛用于此目的的全面、结构化和逻辑方法。PRA 方法包括但不限于故障树分析 (FTA)、故障模式和影响分析 (FMEA) 和事件树分析 (ETA)。现代系统日益复杂,其动态行为能力使传统 PRA 技术难以准确分析此类系统。为了全面准确地分析复杂系统,需要考虑不同的特征,例如组件之间的功能依赖性、系统的时间行为、组件/系统的多种故障模式/状态以及系统行为和故障数据的不确定性。不幸的是,传统方法无法解释这些方面。贝叶斯网络 (BN) 因其灵活的结构和在分析过程中纳入上述大部分方面的能力而在风险评估应用中广受欢迎。此外,BN 还能够执行诊断分析。 Petri 网是另一种能够对系统动态行为进行建模和分析的正式图形和数学工具。它们也越来越多地用于系统安全性、可靠性和风险评估。本文对 Petri 网进行了回顾
摘要。供应链管理涵盖了工业部门内材料,信息和货币流量的效率和有效性的研究。评估绩效在衡量公司的管理能力方面至关重要。在印度尼西亚PT Otsuka,在实习期间进行了研究,涉及观察和访谈。随后,制定了关键的性能指标(KPI),涵盖了诸如原材料使用的准确性,生产水平计划的准确性,生产计划的频率,源循环时间变化,成品产品质量,使周期时间,交付周期,交付周期,避免成品交付的延迟以及成品返回的精确度。Snorm de Boer归一化来计算KPI,从而为每个指标产生性能结果。通过分析层次结构过程(AHP)方法确定涉及加权的最终性能,为每个KPI分配显着性水平。发布数据处理,很明显,成品质量指标的值最低。因此,使用故障模式和效应分析(FMEA)方法设计了改进建议。这些建议最终导致了用于开发用于机器清洁,全面的个人保护设备(PPE)使用的警告贴纸设计,并重新检查了尺度。
摘要:人工智能 (AI) 等新兴技术的应用会带来风险,需要解决这些风险才能确保社会技术基础设施的安全可信。机器学习 (ML) 是人工智能最发达的子领域,可以改善决策过程。然而,ML 模型表现出传统 IT 系统不会遇到的特定漏洞。随着包含 ML 组件的系统变得越来越普遍,为安全从业人员提供针对特定 AI-ML 管道量身定制的威胁建模至关重要。目前,在识别和分析针对 ML 技术的威胁时,还没有成熟的方法来考虑整个 ML 生命周期。在本文中,我们提出了一种以资产为中心的方法——STRIDE-AI——用于评估基于 AI-ML 的系统的安全性。我们讨论了如何应用 FMEA 流程来识别在 ML 生命周期的不同阶段生成和使用的资产可能如何失效。通过将 Microsoft 的 STRIDE 方法应用于 AI-ML 领域,我们将潜在的 ML 故障模式映射到这些威胁可能危及的威胁和安全属性。所提出的方法可以帮助 ML 从业者选择最有效的安全控制措施来保护 ML 资产。我们借助从 TOREADOR H2020 项目中选取的一个实际用例来说明 STRIDE-AI。
ananda_cm@css.nal.res.in 关键词:ARINC 429、综合模块化航空电子设备 (IMA)、发动机指示机组警报系统 (EICAS)、自动飞行控制系统 (AFCS)、实时仿真、FAR 25、FAA、DGCA、故障模式影响分析 (FMEA) 摘要:传统上,正在实施的航空电子架构具有联合性质,这意味着每个航空电子功能都有自己独立的、专用的容错计算资源。联合架构具有固有故障控制的巨大优势,同时也带来了大量使用资源的潜在风险,从而导致重量、隐患、成本和维护增加。随着计算机和软件技术的飞速发展,航空业正逐渐转向在民用运输机上使用综合模块化航空电子设备 (IMA),这可能导致每个硬件平台都包含多种航空电子功能。集成模块化航空电子设备是下一代飞机航空电子设备架构中最重要的概念。SARAS 航空电子设备套件完全与符合 FAR25 的几乎玻璃驾驶舱架构相结合。航空电子设备活动从开始到执行均受民航总局 (DGCA) 审查的法规和程序的约束。航空电子设备活动的每个阶段都有自己的技术参与,以使系统完美。此外,飞行数据处理、监控和分析也是民航业的重点领域,可确保安全性和
CAD 3DExperience – Dassault Systmemes Catia V6/V5 - Dassault Systemes SolidWorks – Dassault Systemes AutoCAD 2D – Autodesk Inventor – Autodesk Solid Edge - Siemens Rhinoceros CAE (Computer-Aided Engineering) Moldex3D (injection molding simulation) - CoreTech System Co., Ltd. SolidWorks Simulation (linear structural analysis) CAT (Computer-Aided Tolerancing) 3DCS - Dimensional Control Systems, Inc. Cetol6σ – Sigmetrix, Enginsoft Reverse Engineering and quality control Scanner Laser 3D: Konica Minolta Range 7 Geomagic Studio and Geomagic Control (ex Qualify) Photogrammetry: Agisoft Metashape (Photoscan) Photogrammetry: Autodesk Recap Software Design Expert – Design Of Experiments software ModeFrontier - 优化软件专利搜索软件材料选择软件NPD技术DOE,QFD,FMEA Office Word,Excel,PowerPoint,签名人意识到,根据Art,根据ART,根据刑法和特殊法律对虚假声明,文件的虚假和使用虚假文件的使用受到惩罚。法律15/68的26。 签名人授权根据ART处理个人数据。 立法法令196/2003。 根据2016年4月27日欧洲议会法规第679/2016号法律,我特此表示同意处理并使用本简历中提供的数据。 Modena,30/06/2024 Francesco Gherardini法律15/68的26。签名人授权根据ART处理个人数据。立法法令196/2003。根据2016年4月27日欧洲议会法规第679/2016号法律,我特此表示同意处理并使用本简历中提供的数据。Modena,30/06/2024 Francesco Gherardini
摘要:人工智能 (AI) 等新兴技术的应用会带来风险,需要加以解决,以确保社会技术基础设施的安全可信。机器学习 (ML) 是 AI 最发达的子领域,可以改善决策过程。但是,ML 模型表现出传统 IT 系统不会遇到的特定漏洞。随着包含 ML 组件的系统变得越来越普遍,为安全从业人员提供针对特定 AI-ML 管道量身定制的威胁建模至关重要。目前,在识别和分析针对 ML 技术的威胁时,尚无成熟的方法来考虑整个 ML 生命周期。在本文中,我们提出了一种以资产为中心的方法——STRIDE-AI——用于评估基于 AI-ML 的系统的安全性。我们讨论如何应用 FMEA 流程来确定在 ML 生命周期的不同阶段生成和使用的资产可能如何失效。通过将 Microsoft 的 STRIDE 方法应用于 AI-ML 领域,我们将潜在的 ML 故障模式映射到威胁以及这些威胁可能危及的安全属性。所提出的方法可以帮助 ML 从业者选择最有效的安全控制措施来保护 ML 资产。我们借助从 TOREADOR H2020 项目中选择的真实用例来说明 STRIDE-AI。
收讫日期:2021 年 2 月 4 日 接受日期:2021 年 10 月 1 日 摘要 水平定向钻井 (HDD) 是一项非常复杂的技术。尽管通过这种技术安装管道通常是成功的,但也有不成功的例子。由于该技术的复杂性,随着多个过程的相互作用,与这些过程中的不确定性相关的风险起着重要作用。这些风险与地下地层的变化、自然环境的变化、经济环境的变化以及设备的局限性、技术中断和人为因素有关。本文介绍了 HDD 技术中 14 个外部风险因素(8 个自然或环境风险因素以及 6 个经济风险因素)的 FMEA 和 Pareto-Lorenz 分析的风险评估结果。在所提出的方法中,不仅考虑了外部风险因素发生的概率,还考虑了其后果和检测故障的能力,迄今为止,这些因素在文献中尚未明确区分和考虑。这种方法显示了所分析的外部故障的发生、严重性和检测之间的关系。此外,还确定了 HDD 技术中 40 种外部风险检测可能性。计算出的风险优先级数字可以对 HDD 外部故障进行排序,并确定建议的检测选项不令人满意且不足的最关键风险,因此需要探索其他类型的风险应对措施。
系统安全性、可靠性和风险分析是在整个系统生命周期中执行的重要任务,以确保安全关键系统的可靠性。概率风险评估 (PRA) 方法是广泛用于此目的的全面、结构化和逻辑方法。PRA 方法包括但不限于故障树分析 (FTA)、故障模式和影响分析 (FMEA) 和事件树分析 (ETA)。现代系统日益复杂,其动态行为能力使传统 PRA 技术难以准确分析此类系统。为了全面准确地分析复杂系统,需要考虑不同的特征,例如组件之间的功能依赖性、系统的时间行为、组件/系统的多种故障模式/状态以及系统行为和故障数据的不确定性。不幸的是,传统方法无法解释这些方面。贝叶斯网络 (BN) 因其灵活的结构和在分析过程中整合上述大部分方面的能力而在风险评估应用中广受欢迎。此外,BN 还具有执行诊断分析的能力。Petri 网是另一种能够对系统动态行为进行建模和分析的正式图形和数学工具。它们也越来越多地用于系统安全性、可靠性和风险评估。本文回顾了贝叶斯网络和 Petri 网在系统安全性、可靠性和风险评估中的应用。回顾强调了基于 BN 和 PN 的方法相对于其他传统方法的潜在用处,以及在不同实际应用场景中的相对优势和劣势。