XiaoMi-AI文件搜索系统
World File Search SystemFault
我们很高兴宣布将在Ayia Napa举行的第六届国际控制和耐断层系统国际会议（Systol2025）
Selected Conference Topics Fault detection and isolation Fault tolerant control / fault recovery Cyber- physical security Resilience Networked control system Health monitoring Intrusion detection in CPS Decision making AI for fault diagnosis Discrete event and hybrid systems Supervisory control Fault-forecasting methods Data-driven methods Maintenance policies Risk analysis Safety Control Transportation systems Automobile Ground / Aerial Autonomous vehicles Power plants / energy transport Chemical processes Aeronautics / aerospace土木工程水分配系统通信网络机器和机器人医疗设备puigupc，spainvicenc.puig（at）upc.eduifac safeprocess tc6.4
轴承故障检测与分类的决策树模型比较研究
轴承故障诊断对于减少故障、提高旋转机械的功能性和可靠性至关重要。由于振动信号是非线性和非平稳的，提取特征以进行降维和有效的故障检测具有挑战性。本研究旨在评估基于决策树的机器学习模型在轴承故障数据检测和分类中的性能。提出了一种将基于树的分类器与派生的统计特征相结合的机器学习方法，用于局部故障分类。通过时域分析从正常和故障振动信号中提取统计特征，以开发基于树的 AdaBoost (AD)、分类和回归树 (CART)、LogitBoost 树 (LBT) 和随机森林树 (RF) 模型。
实时故障的AI和机器学习解决方案 -
本研究提出了一个创新的框架，用于使用人工智能（AI）和机器学习（ML）实施实时耐受耐受性系统，以增强关键应用程序中的可靠性和弹性。满足航空航天，医疗保健，汽车和工业自动化等部门的需求，拟议的系统将故障检测，隔离和恢复机制集成到多层体系结构中。通过使用深度学习来准确的异常检测和加强学习进行快速断层隔离，该系统可以通过最小的潜伏度实现高容错的耐受性。该框架利用边缘计算进行实时数据处理，确保及时响应故障而没有过多的计算需求。多个案例研究的结果表明，故障检测准确性，隔离速度和恢复率的显着提高，从而确认了该框架在高风险环境中的适应性和有效性。这些发现突出了易于驱动故障的系统来提高各种关键行业的运营安全和可靠性标准的潜力。
使用分布式的预测机学习模型
摘要：在云计算和大型分布式系统的时代，确保不间断的服务和操作可靠性至关重要。常规的容错技术通常采用反应性方法，仅在出现问题后解决问题。这可能导致性能恶化和停机时间。通过预测机器学习模型，这项研究为分布式系统提供了主动的容错方法，从而防止了大量故障。我们的研究重点是将最先进的机器学习算法与大量操作数据流的实时分析相结合，以预测系统中的异常和可能的故障。我们采用了有监督的学习算法，例如随机森林和梯度增强，以高精度预测故障。预测模型经过历史数据的培训，捕获了在系统故障之前的复杂模式和相关性。通过这种主动方法使早期缺陷检测成为可能，可以采取预防补救措施，减少停机时间并保留系统完整性。为了验证我们的方法，我们在模拟的分布式系统环境中设计并实施了一个故障预测框架，该框架反映了当代云体系结构。我们的实验表明，预测模型可以成功预测各种故障，从硬件失败到网络破坏，并在大量的交货时间内，为实施预防措施提供了关键的窗口。此外，我们评估了这些先发制人行动对整体系统性能的影响，突出了可靠性的提高和平均恢复时间（MTTR）的减少。我们还分析了在多种多样的动态分布环境中提出的解决方案的可伸缩性和适应性。通过与现有的监视和管理工具无缝集成，我们的框架可显着增强容错功能，而无需进行当前系统的大量重组。这项工作介绍了一种使用预测机学习模型在分布式系统中的可容忍度的主动方法。与传统的反应性方法响应失败后，这项工作集中在预测故障之前。
使用...
热泵是复杂的系统，容易受到各种故障的影响。通过纳入当代物联网技术，这些设备不断传输数据，从而可以监视，维护和效率。这项研究着重于通过监督的机器学习算法（例如XGBoost，Random Forest，SVM和K-NN）识别出短持续时间循环为故障。使用来自热泵系统的大量记录数据进行了数据预处理和标记，从而解决了高维度，数据稀疏性和时间依赖性等问题。方法包括特征工程，丢失数据的插值以及压缩机短持续时间循环的缩写。进行了监督的机器学习模型，以对这些短持续时间周期进行分类。在模型中，XGBoost达到了最高的精度和F1得分，有效地区分了正常条件和断层条件。这些发现突出了机器学习的潜力，以增强热泵中的预测性维护和操作效率。
fogros2-ft：容错的云机器人
摘要 - 云机器人技术使机器人能够将复杂的计算任务卸载到云服务器以进行性能和易于管理。但是，云计算可能是昂贵的，云服务可能会偶尔遭受停机时间，并且机器人和云之间的连接可能是网络服务质量（QoS）的变化。我们通过引入多云扩展名来自动复制独立的无状态机器人服务，将请求路由到这些副本，并指导第一响应回复，以减轻这些问题，以减轻这些问题。随着复制，即使云服务提供商降低或QoS较低，机器人仍然可以从云计算中受益。此外，许多云计算提供商提供了低成本的“点”计算实例，这些实例可能会无法预测。通常，这些低成本实例不适合云机器人技术，但是Fogros2-ft的容错性质可以可靠地使用它们。我们在模拟（视觉对象检测，语义分割，运动计划）和1个物理机器人实验（Scan-Pick-Pick-Pick-and-place）中，在3个云机器人方案中演示了FogroS2-FT的容错能力。在相同的硬件规范上运行，Fogros2-ft实现运动计划，最高2.2倍的成本降低，并在99％（P99）长尾潜伏期上降低了5.53倍。fogros2-ft在网络放缓和资源争议下，对象检测和语义分割的P99长尾延迟分别减少了2.0倍和2.1倍。视频和代码可在https://sites.google.com/view/fogros2-ft上找到。
电动机轴承故障检测的监督对比度学习 /作者=张，亨格鲁伊； Wang，Bingnan /CreationDate = 2024年9月4日 /受试者=电气系统，机器学习，多物理建模< /div < /div>
抽象的各种故障会导致电动机故障，从而导致停机时间和资产损失。故障检测技术在行业中非常需要预测和防止此类故障。机器学习的最新进展已启用数据驱动的模型，这些模型可以从电动机中监视的信号中识别故障。但是，这些信号可能很复杂，并且表明故障的特征是微妙的。因此，需要提取与信号故障相关的信息特征的有效方法。在本文中，我们探讨了对比度学习在检测相位电流信号的轴承断层中的使用。我们开发了一个模型架构，该模型结构由两个部分，一个特征提取器和一个分类器组成，其中特征提取器使用监督的对比度学习进行了预训练。在Pader-Born University轴承故障数据集上进行了测试，我们的模型达到了87％的高故障分类精度，这表现优于常规机器学习模型。我们还进行了消融测试，以证明该模型中基于对比的学习培训的重要性。通过研究模型的分类结果和提取的特征，我们进一步探讨了对比度学习在提取区分不同类别的特征中的效果。我们预计对比度学习可以奠定更准确的故障检测模型的基础，并将其扩展到其他实际的故障检测任务。
使用深度学习控制的故障电流限制器
本研究解决了整合可再生能源（尤其是风能）时网格稳定性的挑战。它专注于使用高级策略（例如故障电流限制器和深度学习），增强双喂养发电机（DFIG）风能系统中的瞬态稳定性。该研究包括对故障场景，模拟和解决方案评估的彻底分析，强调了维持可再生能源网格稳定性的关键需求。随着风能需求的增加，优化系统性能至关重要。许多风力涡轮机依靠DFIG，需要稳健的故障乘车。引入了一个被动故障电流限制器，以增强DFIG系统瞬态稳定性。这个没有主动控制器的限制器具有内在的弹性。该研究引入了一种新型算法，以计算最佳断层电流限制性，并在参考水平的±10％以内保持电压。瞬态稳定性通过涉及对称和不对称断层的模拟进行评估，并结合了深度学习。MATLAB/SIMULINK证实了所提出的限制器和算法在提高基于DFIG的风能系统的瞬时稳定性方面的功效。该研究强调了故障电流限制器和深度学习在无缝将可再生能源整合到电网中的作用。
通过求解神经微分方程的镜头进行量子机学习在理论上容易的量子计算机上：校准
关键字：神经普通微分方程，Wasserstein生成的广告网络，序列到序列网络本报告调查了神经通用差分方程（NODE）在机器学习中的应用，重点介绍其在Wasserstein生成的对抗性网络（WGANS）（WGANS）（WGANS）和序列到序列到序列到序列 - 序列到序列（seq2seqsssssssssssssss）的集成。我们探索了解决ODE的各种方法，并在计算效率和准确性方面进行了比较。我们的研究采用了JAX框架和差异方程求解器库的Diffrax来实施和评估这些方法。我们使用FréchetInception距离（FID）度量和SEQ2SEQ模型使用BLEU分数对WGAN进行基准测试。我们的分析涵盖了不同的伴随，自适应公差，网络体系结构中的求解器位置以及标准化技术的影响。对于WGAN，我们发现求解器的选择及其实现并没有显着影响FID得分，但确实会影响计算时间。在SEQ2SEQ模型中，我们观察到，增加网络的宽度会始终提高BLEU分数，并且选择伴随方法和适应性公差可以显着影响性能和效率。我们的结果表明，ODE求解器和相关参数的最佳选择取决于特定的机器学习任务以及准确性和计算效率之间所需的权衡。这项研究通过为不同的应用程序和计算约束来优化这些模型，从而为基于节点的机器学习的不断增长贡献。
对故障位移危害的韧性
尽管最近在新西兰的地震破裂主要影响农村地区，但与断层相关的地面变形（位移）对建筑物和基础设施造成了重大损害（Van Dissen等，2012; Van Dissen等，2019;图。1）。Surface deformation also increased the intensity and spatial extent of secondary hazards like landslides (Bloom et al., 2021; Singeisen et al., 2024), river avulsion (Quigley and Duffy, 2020; McEwan et al., 2023), and long-term river and coastal flood susceptibility (Hughes et al., 2015; Quigley and Duffy, 2020; Delano et Al。，2023）。主动断层区与新西兰Aotearoa（NZ）周围的建筑物和关键基础设施相交 - 这些“节点”代表了增强对结构需求的位置以及未来事件中潜在级联生命线失败的来源。但是，在新西兰立法或建筑法规中，目前尚未解决断层表面破裂的危害。