XiaoMi-AI文件搜索系统
World File Search SystemFault
故障树分析 - NASA 技术报告服务器
NASA STI 项目办公室提供对 NASA STI 数据库的访问，该数据库是世界上最大的航空和空间科学 STI 集合。该项目办公室也是 NASA 传播其研究和开发活动结果的机构机制。这些结果由 NASA 在 NASA STI 报告系列中发布，其中包括以下报告类型：
激光断层注射攻击对扩展的Merkle签名方案（XMSS）
基于状态的签名（HBS）方案的标准化始于2018年和2019年的IETF RFC的出版物IETF RFCS的扩展Merkle签名方案（XMSS）和基于Leighton-Micali Hash的签名（LMS）的出版物[8]，[8]，[11]。2020年，美国国家标准技术研究所（NIST）发表了进一步推荐的参数[7]。德国联邦信息安全办公室（BSI）在自己的出版物中指定了这两种算法[5]。自从其标准化以来，已将状态HBS算法部署在多种产品中，从嵌入式设备到服务器[3]，[6]，[12]。由于其固有的状态，可以使用密钥对创建的签名数量有限，这也限制了应用程序的范围。实际上，它们最适合验证很少更改的数据的完整性和真实性，例如嵌入式设备的固件。然后进行验证过程，然后在安全的启动或固件更新过程中进行。在过去的工作中，研究界已经调查了此用例[9]，[10]，[15]，[17]的硬件和软件优化，并且供应商带来了前进的产品[12]。
导体长度对电阻型超导故障电流限制器应用
摘要 - 使用2次生成高温超导体（2G HTS）磁带的电阻型超导故障电流限制器（R-SFCL）的设计。一方面，当淬火发生在整个导体上（即限制机制）时，它应该承受最高的电场以降低其长度并使其具有成本效益。另一方面，它还必须应对热点制度。临界电流范围内的故障电流可以导致沿导体长度的局部耗散，从而在显示最低值值的部分上。来自低正常区域传播速度的2G HTS磁带的电流几乎没有限制会导致这些区域的温度升高，从而极大地威胁了它们的完整性。总而言之，导体体系结构适应了高电场，并获得了热点制度中最高温度的无损值。但是，导致这种最后提及的制度的𝑰𝑰变化取决于沿胶带的位置。本文旨在鉴定可变导体长度对𝑰𝑰变化的影响，并因此对热点制度的影响。我们首先研究长度对𝑰𝑰变化的影响。当导体长度增加时，最小临界电流往往会减小。这种行为可以通过Weibull分布来建模，假设最小临界电流与无限导体长度不同。为了评估对热点制度的这种影响，我们使用2G HTS导体的确定性1D建模来开发一种概率方法，该模型沿其长度考虑了𝑰𝑰𝑰𝒄不均匀性，以模拟R-SFCL行为。看来，导体越长，热点状态中的最高温度就越高。此外，两个相对长度相对长度的测量值在热点状态下呈现不同的最高温度的事实导致了一种方法，可以设计出所需长度的大规模制造导体，可稳健，以在任何𝑰𝒄的变化中生存在热点方案中。
Miguel Realpe，Boris X. Vintimilla和Ljubo Vlacic。 （2015）。自动驾驶汽车的传感器故障检测和诊断。在第二国际同盟
Miguel Realpe，Boris X. Vintimilla和Ljubo Vlacic。（2015）。传感器故障检测和自动驾驶汽车的诊断。在第二届国际机电一体化，自动化和制造业会议上（ICMAM 2015），国际会议，新加坡，2015年（第1卷30，pp。1-6）。EDP科学。
Heraclius：一个具有现代支付系统潜力
现有的分布式计算机系统中常用的设计通常缺乏针对某些类型的故障（例如，恶意攻击和无声数据腐败）的内置防御，并依靠防止这些失败通过系统本身外部的技术进行。这些计算机系统故障可能会导致依靠它们的系统（例如现代支付系统）中的停机时间。拜占庭容错（BFT）系统具有提高弹性和安全性的潜力。BFT系统比当代设计可以忍受更大的故障模式，但遭受了绩效挑战。我们的工作试图设计和评估可扩展的BFT体系结构，并将其属性与付款基础结构中使用的其他数据库体系结构进行比较。此分析旨在更好地理解技术权衡，并且不可判断更广泛的政策或运营考虑因素。
使用容错在线调度
在外太空中有超过21000个对象，并暴露于苛刻的空间环境中。空间对象的大小有很大变化。我们的研究集中于小型卫星，例如立方体，这些卫星必须尊重时间，空间和能量限制。为了解决此问题，本文介绍并评估了两个容忍在线调度算法算法：算法将所有任务安排为Aperiodic（称为OneOff），而将到达任务放置为Aperiodic或Quartiac ofic odic或周期性任务（称为Oneoff＆Cyclic）。基于几种情况，结果表明，订购策略的性能受到系统负载的影响以及与要执行的所有任务的简单和双重任务的比例。“最早的截止日期”和“最早到达时间”为Oneoff的订购政策，或“最小懈怠”订购策略，用于单一和周期性，拒绝所有测试的场景中最小任务。本文还介绍了评估订购策略实时性能的计划时间的分析，并表明Oneoff比OneOff＆Cyclic所需的时间更少。最后，发现所研究的算法在恶劣的环境中的性能也很好，并提供与基于三重模块化冗余的系统相同的可靠性水平，系统功耗较少。
特刊``机器学习和基于深度学习的机器故障诊断和预后的进步''
故障诊断和故障预后旨在减少系统的停机时间，并通过用预测性或有条件的预防和纠正性维护策略来优化其性能。对诊断算法提供的系统的当前健康状况的了解以及预后算法提供的时间演变对于建立预测性和有条件维护是必要的，因此科学界对监测算法的开发越来越多。在文献中，有四个主要的方法来进行故障诊断和失败预后：基于物理模型，数据驱动方法，专家方法和混合方法的方法。数据采集和存储工具的快速开发，处理算法与仪器和过程自动化技术的演变相关联，从而促进了数据驱动方法的开发。本书中提出的论文介绍了故障诊断和失败预后的新方法，这些方法为科学问题提供了解决方案，例如结构化和非结构化的不确定性，存在多个故障，缺乏有关使用条件，特征提取和选择，选择和选择，模型优化和在线实施的先验知识。本书中给出的各种应用程序支持，从微电子设备到大型系统，突出显示了针对每个应用程序每个领域的实现约束，并提供了合适的解决方案。这种方法在制冷剂生产过程中已成功验证。在[1]中，在不同频率和尺度下进行特征提取的深度学习方法，以及用于特征选择和故障分类的卷积神经网络（CNN）。两个过滤阶段的关联（小波变换和卷积功能）允许处理过程的非线性机理以及变量之间的高度相关性。小波变换也用于[2]作为第一个数据处理步骤，与改善的粒子群优化（PSO）和后背传播（BP）神经网络相关，并线性增加了惯性重量。这个想法是将PBNN与改进的PSO算法相结合以进行参数优化，从而可以更好地分类。此方法用于由AC电源驱动的三相松鼠笼电动机的故障诊断。所考虑的故障是轴承损坏，定子绕组，转弯间短路和折叠杆折。Induction motor is also considered in [ 3 ] which focus their study on the impact of the use of attribute selection methods such as ReliefF, correlation-based feature selection (CFS), and correlation and fitness value-based feature selection (CFFS), on the performance of neural classifiers such as probabilistic neural network (PNN), radial basis function neural network (RBNN), and back propagation neural network （bpnn）。这项研究分析了用于故障诊断的感应电动机的当前信号。研究结果表明，与未使用的特征选择方法相比，Relieff，CFS和CFF具有更好的效率。在[4]中处理了可变操作条件下的故障诊断问题，其中数据处理是通过统计工具的组合完成的（经验模式分解 -
欧洲被羞辱地排除在乌克兰谈判之外是其......
特朗普现在正在利用他可能即将成为形成跨大西洋伙伴的永恒优柔寡断。将欧洲领导人排除在和平谈判之外，使美国杠杆作用，无论是以增加武器进口的形式，在与中国的贸易战争中支持或其他经济收益的支持。正如我们已经在与加拿大和墨西哥的短暂贸易战中所看到的那样，特朗普正在积极与盟友进行国际谈判，首先抚慰华盛顿的肌肉，然后接受妥协。特朗普最终将以某种方式与欧洲面对面，很可能希望它会为乌克兰的重建做出很大的贡献。但是，此初始排除旨在证明谁在控制过程中。
联邦学习用于监测工业过程的条件：关于故障诊断方法，挑战和前景的审查
摘要：通过基于条件的维护（CBM）调度来降低停机时间和提高生产率至关重要。的确，用于故障诊断（FD）的先进智能学习系统使有效隔离并识别故障的起源成为可能。已验证的智能工业基础设施技术使FD成为一项完全分散的分布式计算任务。为此，由于法律法规的限制或利益冲突，因此通常受所谓数据岛化的不同地区/机构之间的分配仅限于隐私，安全风险和行业竞争。因此，联邦学习（FL）被认为是将数据与多个参与者分开的有效过程，以协作培训智能且可靠的FD模型。据我们所知，迄今为止尚未对该主题进行全面研究，因此迫切需要进行基于审查的研究。在此范围内，我们的工作致力于审查FL应用程序诊断应用程序的最新进展，而FD方法，挑战和未来的前景受到特别关注。
特刊“基于机器学习和深度学习的机器故障诊断和预测的进展”
故障诊断和故障预测旨在通过用预测性或条件性维护策略取代预防性和纠正性维护来减少系统停机时间并优化其性能。诊断算法提供的系统当前健康状态知识以及预测算法提供的系统健康状态随时间演变的知识对于建立预测性和条件性维护必不可少，因此科学界对开发越来越有效的监测算法很感兴趣。在文献中，故障诊断和故障预测方法主要有四种：基于物理模型的方法、数据驱动方法、专家方法和混合方法。数据采集和存储工具以及处理算法的快速发展，加上产生大量数据流的仪器仪表和过程自动化技术的发展，促进了数据驱动方法的发展。本书中提出的论文提出了新的故障诊断和故障预测方法，为结构化和非结构化不确定性、多种故障的存在、缺乏对使用条件的先验知识、特征提取和选择、模型优化和在线实施等科学问题提供了解决方案。本书提供的各种应用支持，从微电子设备到大型系统，强调了每个应用领域特有的实施约束并提出了合适的解决方案。在 [1] 中，提出了一种深度学习方法，该方法结合小波变换用于不同频率和尺度下的特征提取，以及卷积神经网络 (CNN) 用于特征选择和故障分类。两个滤波阶段（小波变换和卷积函数）的关联可以处理过程的非线性机制和变量之间的高度相关性。该方法在制冷剂生产过程中得到了成功验证。 [2] 还将小波变换用作第一步数据处理，并与改进的粒子群优化 (PSO) 和具有线性增加惯性权重的反向传播 (BP) 神经网络相结合。其思想是将 PBNN 与改进的 PSO 算法结合起来进行参数优化，从而提高分类精度。该方法用于交流电源驱动的三相鼠笼感应电动机的故障诊断。考虑的故障包括轴承损坏、定子绕组、匝间短路和转子断条。[3] 也考虑了感应电动机，其研究重点是使用属性选择方法的影响，例如 ReliefF、基于相关性的特征选择 (CFS) 以及基于相关性和适应度值的特征选择 (CFFS)。概率神经网络 (PNN)、径向基函数神经网络 (RBNN) 和反向传播神经网络 (BPNN) 等神经分类器的性能。本研究分析了感应电机的电流信号以进行故障诊断。研究结果表明，ReliefF、CFS 和 CFFS 比未使用的特征选择方法具有更好的效率。[4] 讨论了可变运行条件下的故障诊断问题，其中数据处理是通过统计工具（经验模式分解）和 CFFS 的组合来完成的。