XiaoMi-AI文件搜索系统
World File Search SystemPHM
APL 21-009（PDF）-卫生保健服务部
所有计划信函 21-009（修订版）致：所有 MEDI-CAL 管理式医疗保健计划主题：收集健康社会决定因素数据目的：本所有计划信函 (APL) 旨在为 Medi-Cal 管理式医疗保健计划 (MCP) 提供指导，指导其使用卫生保健服务部 (DHCS) 优先健康社会决定因素 (SDOH) 代码收集可靠的 SDOH 数据。修订后的文字以斜体显示。背景：DHCS 于 2019 年发布了加州推进和创新 Medi-Cal (CalAIM) 提案，DHCS 于 2021 年 1 月 8 日对其进行了修订。1 CalAIM 是一项多年期计划，旨在通过广泛的交付系统、计划和支付改革改善 Medi-Cal 受益人的健康状况和生活质量。人口健康管理 (PHM) 是 CalAIM 的一项计划，旨在通过全人护理方法识别和管理会员风险和需求，同时关注和解决 SDOH。DHCS 认识到，一致且可靠地收集 SDOH 数据对于 CalAIM 的 PHM 计划的成功至关重要。为了推动改进，DHCS 正在提供有关收集 SDOH 数据的指导，以便：
基于动态概率模型和 LSTM 网络的航空发动机预测和健康管理框架
摘要：本研究提出了一种航空发动机预测与健康管理（PHM）框架，该框架结合了动态概率（DP）模型和长短期记忆神经网络（LSTM）。采用基于高斯混合模型-自适应密度峰值聚类算法的DP模型从发动机服役开始对故障发展进行建模，具有训练时间极短、精度足够高的优点，并引入主成分分析将复杂的高维原始数据转换为低维数据。该模型可根据发动机数据的积累不断更新，以捕捉发动机故障的发生和演变过程。针对常用数据驱动方法存在的问题，采用DP+LSTM模型对发动机剩余使用寿命（RUL）进行估算。最后，利用 NASA 的商业模块化航空推进系统仿真数据集对所提出的 PHM 框架进行了实验验证，结果表明 DP 模型在故障诊断中比经典的人工神经网络方法具有更高的稳定性，而 DP + LSTM 模型在 RUL 估计中的准确率高于其他经典的深度学习方法。
自主物流系统下飞机出动次数的模拟
在竞技场中进行模拟 ................................................................................................................33 假设 ................................................................................................................................33 数据收集 ................................................................................................................................35 模型开发 ................................................................................................................................37 模型初始化 .............................................................................................................................39 飞行前操作 .............................................................................................................................40 出击 .............................................................................................................................................41 飞行后操作 .............................................................................................................................42 PHM 区域 .............................................................................................................................42 故障排除和行动请求 .............................................................................................................44 维护操作 .............................................................................................................................46 MFHBCF 可靠性增长的实施 .............................................................................................48 学习曲线的实施 .............................................................................................................................50 模型验证和确认 .............................................................................................................................52 结论 .............................................................................................................................................53
加州大学圣地亚哥分校 - eScholarship
摘要。由于民用基础设施的老化及其相关的经济影响，越来越需要持续监测结构和非结构部件，以进行系统生命周期管理，包括维护优先级排序。对于复杂的基础设施，此监控过程涉及以不同时间尺度和分辨率收集的不同类型的数据源，包括但不限于从人工检查中抽象出的评级数据、历史故障记录数据、不确定成本数据、高保真物理模拟数据和在线高分辨率结构健康监测 (SHM) 数据。数据源的异质性对实施用于维护等生命周期行动决策的诊断/预测框架提出了挑战。以人字门的角块组件为例，本章介绍了一个整体的贝叶斯数据分析和机器学习 (ML) 框架，以演示如何使用贝叶斯和 ML 方法集成各种数据源，以实现有效的 SHM 以及预测和健康管理 (PHM)。具体而言，本章讨论了如何将贝叶斯数据分析和 ML 方法应用于 (1) 角块轴承失接触退化的诊断；(2) 优化门上 SHM 的传感器位置；(3) 融合各种数据源以实现有效的 PHM；(4) 通过考虑不确定性下人类决策的行为方面来决定维护策略。
ExplainBattery：使用高效 LSTM 模型和可解释性功能增强电池容量估计
摘要 预测和健康管理 (PHM) 通过预测故障和采取预防措施对于确保机器可靠运行至关重要。在这种情况下，准确预测用于广泛应用的锂离子电池的容量至关重要，因为它们会随着时间的推移不可避免地退化。电池管理系统 (BMS) 在电池整个生命周期的健康状况监测和管理中发挥着关键作用。我们提出了一种新型的长短期记忆 (LSTM) 神经网络模型来预测锂离子电池容量。我们的模型旨在比最先进的模型更高效，特别是在可训练参数的数量方面，使其适合部署在 BMS 中常见的低资源设备上。利用 NASA 艾姆斯预测卓越中心提供的锂离子电池老化数据集，我们证明我们的 LSTM 模型可以提供准确可靠的容量预测。为了补充所提出的模型，本文介绍了 ExplainBattery，这是一个允许用户与我们高效的 LSTM 进行交互的 Web 应用程序。该工具使用户能够直观地了解不同电池的预测结果，并通过可解释的仪表板探索最具影响力的属性。ExplainBattery 增强了我们模型的可用性和透明度，为 PHM 和 BMS 环境中的进一步研究和实际应用提供了一个可访问的平台。
都灵理工学院机构库
航空工业近几十年来最重要的研究趋势之一是努力设计和生产“更多电动飞机”。在此框架内，电气技术在飞行控制系统中的应用虽然缓慢但正在逐步增加：从引入电传操纵系统开始，然后用纯机电执行器部分替换传统的液压/电液执行器。这种演变使我们能够获得更灵活的解决方案，减少安装问题并增强飞机控制能力。然而，机电执行器 (EMA) 远非成熟的技术，仍然存在一些安全问题，这些问题可以通过增加其设计复杂性并因此增加生产成本来部分限制。开发强大的预测和健康管理 (PHM) 系统可以提供一种无需复杂设备设计即可防止发生严重故障的方法。本文介绍了用于作为主要飞行控制执行器的 EMA 的综合 PHM 系统研究的第一部分；介绍并讨论了该应用的特点，同时提出了一种基于短时间飞行前/飞行后健康监测测试的新方法。电机绕组中的匝间短路被确定为最常见的电气性能下降，并提出了一种用于异常检测和预测的粒子过滤框架，该框架具有自调节非线性模型。因此，通过最先进的性能指标评估了特征、异常检测和预测算法，并讨论了它们的结果。
通过物理增强动态模式分解方法启用具有替代模型的替代预后学
计算模型提供了评估和预测物理系统健康和性能的基本定量工具。但是，由于其时间密集型的性质，高实现模型很少用于实时操作或大型优化循环。提高预后计算效率的一种常见方法是采用表面模型。这样的模型可以显着减少计算时间，以获得一些准确的损失。在这种情况下，提出了动态模式分解（DMD）的使用，以对锂离子（Li-ion）电池电量进行替代模型。dmd，但是尚未应用于PHM域，在PHM域中，非线性行为的远面预测对于传播断层或剩余有用的使用寿命至关重要。对于锂离子电池健康管理，DMD的标准应用仅使用可观察到的兴趣量无法捕获实验室测试中展示的电池的非线性排放。Koopman理论提供了一种机制，可以通过将非线性状态变量扩展到系统表示中，以在DMD框架中以高维线性模型进行高维线性模型进行交易。通过这种方式，DMD允许根据Koopman运算符的维度提供可配置的模拟精度。为了进行电池健康管理，我们使用了更高的物理模型的隐藏状态增强了可观察到的变量，以构建DMD代理。与高实现模型相比，替代物提高了计算效率，仅损失准确性，并实现了长期prog-
国防固定翼飞机维护和运营预测性维护的系统文献综述
摘要：近几十年来，传感器技术的使用日益广泛，以及飞机维护和操作数字化程度的提高，使得人们能够检测、诊断和预测飞机结构、系统和部件的健康状况。预测性维护和密切相关的概念，如预测和健康管理 (PHM)，从研究角度来看，引起了越来越多的关注，涵盖了越来越多的原创研究论文和评论论文。在考虑后者时，仍然存在一些限制，包括缺乏研究方法定义，以及缺乏关于预测性维护的评论论文，这些论文侧重于国防背景下的军事应用。这篇评论论文旨在通过提供系统的两阶段预测性维护评论来解决这些差距，重点关注国防领域，特别关注固定翼国防飞机的运营和维护。虽然国防飞机与民航平台有相似之处，但国防飞机在操作和环境方面表现出显著差异，并且具有不同的性能目标和约束。该评论采用了一种系统方法，结合了所考虑领域的文献计量分析，以及一组对齐的评论论文的文本处理和聚类，以定位后续讨论的核心主题。本次讨论重点介绍了最先进的应用程序和相关
国防固定翼飞机维护和运营预测性维护的系统文献综述
摘要：近几十年来，传感器技术的使用日益广泛，以及飞机维护和操作数字化程度的提高，使得人们能够检测、诊断和预测飞机结构、系统和部件的健康状况。预测性维护和密切相关的概念，如预测和健康管理 (PHM)，从研究角度来看，引起了越来越多的关注，涵盖了越来越多的原创研究论文和评论论文。在考虑后者时，仍然存在一些限制，包括缺乏研究方法定义，以及缺乏关于预测性维护的评论论文，这些论文侧重于国防背景下的军事应用。这篇评论论文旨在通过提供系统的两阶段预测性维护评论来解决这些差距，重点关注国防领域，特别关注固定翼国防飞机的运营和维护。虽然国防飞机与民航平台有相似之处，但国防飞机在操作和环境方面表现出显著差异，并且具有不同的性能目标和约束。该评论采用了一种系统方法，结合了所考虑领域的文献计量分析，以及一组对齐的评论论文的文本处理和聚类，以定位后续讨论的核心主题。本次讨论重点介绍了最先进的应用程序和相关