XiaoMi-AI文件搜索系统
World File Search SystemNPL
NPL 报告 MS 36 良好实践指南...
用于计量基础设施改进的工业传感器网络方法良好实践指南 Yuhui Luo、Peter Harris、Liam Wright 和 Kavya Jagan NPL 数据科学部，英国 Gertjan Kok VSL，荷兰 Loic Coquelin 和 Jabran Zaouali LNE，Frace Sascha Eichstädt PTB，德国 Tanja Dorst ZeMA，德国 Christos Tachtatzis、Ivan Andonovic 和 Gordon Gourlay 英国思克莱德大学 Bang Xiang Yong 英国剑桥大学 摘要 本指南介绍了一些具体方法，用于确定工业传感器网络中过程输出质量目标所需的测量覆盖率和准确度。它还介绍了一些用于工业过程优化的其他计量数据处理方法，重点关注受测量不确定性影响的数据的冗余、同步和特征选择等方面。本指南以英国思克莱德大学先进成型研究中心的径向锻造试验台为例。本指南是欧洲计量创新与研究计划 (EMPIR) 资助的 17IND12 Met4FoF“未来工厂计量”项目 (http://www.met4fof.eu) 的成果。
临界点分析及其应用 - NPL 出版物
2 单变量临界点 17 2.1 预测临界点：早期预警信号 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 检测引爆：潜力分析 . ... . ...
NPL 报告 MS42
可能令人惊讶的是，MSBE 并不强制要求任何特定的系统开发生命周期。MBSE 也没有说明需要对系统的哪些方面进行建模。开发团队应决定这些事项和模型的目的（例如需求捕获/系统设计/文档/所有这些？）以及如何开发模型。对于案例研究，遵循了 NPL 的软件开发程序 [15]。该程序为模型提供了一个很好的模板。图 2 说明了 [15] 中指定的迭代开发生命周期如何映射到使用 SysML 开发的模型示例。
NPL 报告 MS 40 监督申请审查...
1. 简介 未来通信的愿景是网络具有不断增加的连接性，可以以越来越高的速度传输越来越多的数据。由于其复杂性，这种网络只能通过利用可用数据的数据驱动自动化来实现。因此，人们普遍认为人工智能 (AI) 及其分析引擎机器学习 (ML) 是实现这一愿景的重要推动力 (Toy, 2021)。 NPL 的电磁技术小组为通信网络中使用的一些不同技术提供计量支持，其中包括无线电和光纤通信。同时，数据分析和建模小组一直在开发框架，以便在计量应用中可靠地使用机器学习。为了支持上述未来网络的愿景，NPL 有必要将机器学习越来越多地纳入通信网络的计量中。本报告的目的是回顾最近提出的一些机器学习在未来网络中的使用方式，特别关注监督学习和与计量最相关的应用。目的是让数据分析和建模以及电磁技术小组都能访问此文档，从而帮助弥合他们的专业领域。考虑到这一目标，我们提供了背景信息
NPL 报告 MAT 108
虽然 AM 已经存在了一段时间，但使用它来生产耐用的最终用途产品是一个新兴市场。自 2015 年以来，这个全球市场以约 25% 的复合年增长率增长，但根据大多数估计，仍低于 150 亿美元。这约占全球制造业的 0.10%，表明其具有巨大的上行潜力 [1]。AM 允许更大的设计自由，几乎不会增加复杂性的成本，并且总体上减少了浪费。它可以制造更轻、性能更好、更环保、可能更便宜的工业产品，所有这些都具有增强的运营灵活性、上市速度、工厂生产力和供应链弹性。美国能源部最近估计，3D 打印有可能将能源成本降低 50%，并将材料成本降低 90% [2]。利用 AM 的设计和制造自由度具有真正的好处，并将在实现净零目标方面发挥重要作用。
增材制造 - NPL 出版物
研究了一种新方法，用于选择使用激光吹粉 - 直接能量沉积 (LBP-DED) 生产并在涡轮段中填充间隙 Ni-Al 粉末（~0.75 面积分数）的修复支撑结构设计。使用四点弯曲试验量化了段的压扁和不压扁模拟及其对支撑结构退化的影响，以确定轴向杨氏模量在平面外弯曲中的作用。生产了两种截然不同的 LBP 添加结构；金刚石晶格 (DL) - 节点和连续路径 (CP) - 非节点，并将其与未修复状态进行比较。在室温下，发现原始设备 (OE) 和 DL 支撑结构的前壁和后壁以及内部节点对杨氏模量的贡献很大，而 CP 结构的刚度明显降低。氧化在耐磨材料内部压缩应力的形成过程中起着关键作用，CP 结构的弹性模量增加了两倍，但 OE 和 DL 支撑结构的弹性模量增加较少。随着弯曲循环次数的增加，弹性模量降低，曲率半径（扁平化）随之增加。开裂在前后壁内的节点设计中最为突出，裂纹会传播到表面或耐磨晶格的底部。在原始和 CP 支撑结构中，即使循环次数达到相当高，在等效弯曲循环中也没有观察到这种退化。从弯曲弹性模量的急剧下降伴随着曲率的明显变化，可以推导出耐磨材料灾难性失效的标准。非节点设计支撑结构最适合应对使用中的扁平化/不扁平化。
NPL 报告 MS 34 - 机器学习的不确定性评估
准确、标准化和质量保证的测量为社会带来了诸多好处。这一目标是通过计量基础设施实现的，这些基础设施定义了主要的测量标准，并确保所有测量都可以通过不间断的校准链追溯到这些标准，每个校准链都会增加测量不确定度（BIPM 等）。机器学习 (ML) 和人工智能 (AI) 有可能将计量的范围扩展到信号处理应用，例如先进制造、自动运输、网络通信和医学成像，其中底层物理模型要么不太了解，要么计算效率低下。然而，人们认为 ML 的输出不可信，阻碍了 ML 及其所有优点的采用（Floridi，2019 年）。更具体地说，ML 预测的可追溯性必须伴随着对不确定性的可靠定量评估。虽然机器学习的最新进展在很大程度上集中在分类任务上，但机器学习在计量学中的典型用途是回归任务，其中需要估计连续量。虽然目标是使用有关连续（单变量）量的信息来做出决策或评估系统是否满足特定要求，但根本挑战是测量该量以提供该信息，因此我们将在本报告中重点关注回归问题。计量学中如何出现回归问题？它们的出现是因为通常不可能或不希望直接测量一个量，而是需要或希望从一些更容易测量或有信息的贡献中推断出关于一个量的信息。这些贡献可能与某些仪器或系统进行的测量、应用的校正或从制造商的规格或校准证书等来源获得的信息有关。然后需要一个模型来从这些贡献中推断出有关感兴趣数量的信息。通过测量模型评估不确定性的框架在有影响力的“测量不确定度表达指南”（GUM）（BIPM 等，2008a）中为计量界标准化。在许多情况下，不可能基于物理理解构建或执行分析模型的计算，而是必须采用数据驱动的方法。举三个示例测量问题，其中 ML 要么正在使用，要么具有潜力。
NPL 报告 AS 102
执行摘要 病理学支撑着 90% 以上的医疗保健决策，目前正在经历数字化现代化，越来越依赖于新颖的成像和数据分析方法。COVID-19 疫情加剧了英国病理学服务的压力。虽然病理学服务的数字化有助于缓解这种压力，但许多数字化解决方案为时过早，因为它们基于非标准化流程、未校准的仪器、黑盒 AI 工具和低质量数据。关于使用人工智能工具的安全实践的计量指导、行业范围的数据和元数据标准、解决图像采集差异的技术以及病理学家的培训是通过更快、更精确、更强大的诊断改善患者结果的关键。为了支持工业战略挑战基金对数字病理学中心的投资，NPL 于 2020 年启动了一个数字病理学跨学科项目。本报告介绍了项目第一阶段结束时知识收集活动的结果。研究结果包括 a) 文献综述（第 2.1 节）、b) 在线调查结果，以确定数字病理学中的计量需求（第 2.2 和 6 节）和 c) 2021 年 1 月举行的 NPL 与数字病理学专家研讨会的成果，吸引了来自 NHS、制药、设备和软件供应商以及学术界的 40 多名与会者（第 2.3 和 3 节）。Si
锗单孔泵 - NPL 出版物
摘要 单电荷泵是单位安培量子标准的主要候选者，因为它们可以产生精确和量化的电流。为了在精度和操作速度方面达到计量要求，过去十年来，人们一直关注基于半导体的设备。使用各种半导体材料可以测试电荷泵设备的通用性，这是计量学非常理想的证明，GaAs 和 Si 泵处于这些测试的最前沿。在这里，我们展示了可以在尚未探索的半导体中实现泵送，即锗。我们实现了一个单孔泵，其可调势垒量子点在 Ge/SiGe 异质结构界面处静电定义。我们通过使用单个正弦驱动系统（频率高达 100 MHz）来观察量化电流平台。原型的运行受到多个点的意外形成的影响，这可能是由于无序电位和随机电荷波动造成的。我们建议直接改进制造工艺，以在未来的实验中改善泵特性。
NPL 报告 MS 29 传感器建模框架...
1 简介 传感器建模是自动驾驶汽车仿真的重要组成部分。传感器模型的作用是模拟从环境中捕获信息并将其提供给后续处理步骤的过程。自动驾驶汽车环境下的传感器模型已经为摄像头 [1]、激光雷达 [2]、雷达 [3]、声纳 [4] 和其他类型的传感器开发，对每种特定传感器类型的建模本身就是一个深入研究的领域。虽然已经开发了许多传感器模型，但在标准化传感器建模过程方面尚未做出重大努力，这项工作是朝着这个方向迈出的一步。本文件描述了创建传感器模型的通用框架，该框架适用于上述所有类型的传感器。通过这种类型的标准化，我们希望最终实现一个明智的传感器模型开发过程，同时严格覆盖 ODD、安全标准以及不确定性量化和报告。本文档的结构如下。第 2 节阐述了传感器模型的概念，并概述了一些常见的传感器模型类型。第 3 节随后描述了创建传感器模型的总体工作流程。这将是首次尝试标准化自动驾驶汽车中不同传感器的建模过程，并有望成为虚拟测试更高标准化的基石。我们在不同类型的传感器模型的背景下说明了每个步骤。2 传感器模型 在自动驾驶汽车领域，物理测试是一个繁琐且昂贵的过程，无法针对车辆可能遇到的每一种情况进行测试，因此虚拟测试变得非常重要。为了执行虚拟测试，可以考虑多种测试架构，包括车辆在环 (MIL)、软件在环 (SIL) 和硬件在环 (HIL)，有关更多详细信息，请参阅 [1]。ISO 26262 [2] 提供了一些关于在验证和确认活动中使用模拟的指导，并基于 V 模型。执行所有这些虚拟测试的核心是存在一个可靠的传感器模型，该模型包括严格覆盖操作设计领域以及正确理解和报告准确性和不确定性。传感器模型是一种数学构造，旨在模仿现实世界中传感器的工作原理。传感器模型用于许多应用，包括自动驾驶汽车和医疗保健 [3]、[4]。传感器模型还充当运行系统（自动驾驶汽车算法等）与虚拟环境之间的纽带，这对于态势感知非常重要。模型是一种函数，它接收一组输入并以数学方式生成一组输出，明确这些输入和输出是什么非常重要。此应用的传感器模型的输入由两部分组成：场景和环境条件（例如雨）。为了使模型易于计算，输入和输出都需要离散化。例如，对于相机模型，输入场景和输出很可能是一个像素化网格，其中每个像素捕获其边界内的入射光的平均强度。环境条件需要通过一些有限维特征向量进行总结 [5]。另一方面，对于 LiDAR、RaDAR 和 Sonar，虽然需要以类似的方式捕捉环境条件，但输入场景很可能是占用网格（AV 环境的空间地图）[6]，输出将是传感器记录的强度和范围测量值。在这种情况下，逆传感器模型也很有趣，它根据 LiDAR、RaDAR 或 Sonar 测量值求解占用网格 [7]。前向传感器模型 [6] 给出了当第个单元的状态为时观察到读数 z k 的条件概率，即