XiaoMi-AI文件搜索系统
World File Search SystemPdM
冠状病毒大流行期间的压力弹性用于预测维护的机器学习算法选择的概念框架
行业4.0范式实现了高级数据驱动的决策过程，导致许多制造商进行数字化转型。在这种情况下，预测维护（PDM） - 即一种维护策略，可以预先预测基于机器学习（ML）的失败 - 即一组用于分析模式识别数据的算法 - 成为最突出的数据驱动的分析方法之一，以最大程度地提高工业系统的可用性和效率。的确，存在相当大的文献，该文献涉及基于ML的PDM，其中已将广泛的ML算法应用于广泛的工业环境。尽管这对该主题有了广泛的了解，但需要选择特定任务的正确算法是一个具有挑战性的问题，因为它被认为是开发和实施ML面向ML的方法的重要阶段。为了应对这种必要性，这项工作提出了一个概念框架，以指导从业人员和ML算法选择PDM问题的非专家用户。目的是为识别哪些ML技术可能在特定任务或数据集中实现有价值的性能，提供一组准则和建议。首先，PDM中最常用的ML算法与其核心特征，优势和缺点一起分析。然后，考虑了几个决策变量，具体取决于数据集和ML特征，学习目标，准确性和解释性。最后，提出了说明性的案例研究，以证明如何在实际的工业应用中采用拟议框架。
物联网和人工智能应用于工业 4.0 中的预测性维护：系统文献综述
摘要 工业 4.0 的技术进步，特别是在工业物联网 (IIoT) 和人工智能 (AI) 领域，使生产管理得到了一系列改进。大数据、雾计算和云计算以及神经网络的发展使预测性维护 (PdM) 成为一个受关注的领域，因为它能够有效地转变和适应机器状况。本文对 AI 和 IIoT 在 PdM 方面的最先进技术进行了系统的文献综述，为该领域未来的工作奠定了基础。从过去两年的出版物数量可以看出，这个主题的相关性仍然很高，但仍有几个相关的研究挑战需要解决，特别是要实现一个适应性强且同质的 PdM 模型。关键词 人工智能 (AI)、工业物联网 (IIoT)、工业 4.0、物联网 (IoT)、预测性维护 (PdM) 1. 简介 工业 4.0 及其支柱技术，即物联网 (IoT)、大数据和人工智能 (AI) – 尤其是神经网络 – 正在改变原有的工业自动化方法 (Dalzochio 等人，2020 年)。通过分析分布在织物生产工厂的无数传感器收集的数据，可以实现制造业的这种变化。预测性维护 (PdM) 是此场景提供的可能性之一。PdM 的主要思想是在故障发生之前预测故障，从而避免机器非计划停机和生产暂停，同时最大限度地延长设备寿命 (Rieger 等人，2019 年)。为了做出这些预测，必须存储和分析实时数据，同时考虑收集到的信号的不同方面和影响。在此背景下，人工智能，尤其是具有深度学习技术和处理算法的神经网络，能够将大数据转化为可用于决策的实际信息。然而，这些新技术的实施也带来了好处和挑战。现在，各行各业需要应对更加动态的环境，其中许多行业还没有准备好应对这种情况，尤其是在处理大数据方面。为了使大数据对生产力产生积极影响，选择和应用正确的人工智能策略至关重要。为了在这方面做出贡献，本文对工业物联网 (IIoT) 和应用于 PdM 的人工智能进行了系统的文献综述。最近的工作涵盖了人工智能在 IIoT 数据上的最新技术，特别是那些使用神经网络对维护进行预测分析的技术，这些工作被列为优先事项。人工智能积极影响的进展
Wayve Tutorial Talk_Hongyang - Hongyang Li
- 平均位移误差（ADE） - 最终位移误差（FDE） - 碰撞率 - 舒适分数 - PDM分数[Note]
Radius PDR - Mert Elektronik
设置配置通过内置菜单中的标准终端软件进行，所有功能在所有无线电中都可用，并且所有无线电都相同，因此无需购买单独的基站、外站和中继器。您可以决定启用哪些功能以及希望 PDR 121 执行哪些工作，同时减少您的服务备件储备。PDM PDM 的设计考虑了 PDR 121 v2 和 PDR 221 v2。它基于相同的硬件，但它可以定位到 19 英寸机架中，以便于安装。这意味着它可以用作从属设备、中继器或主要用作主设备。
自动破坏系统和驾驶员安全
1机器人学系1 Ambalika技术研究所，勒克瑙摘要：预测维护（PDM）的目标是一种战略策略，是通过采用数据驱动的策略来预测问题来有效地管理资产维护。此过程涉及随着时间的推移收集数据以监视设备的状况，以确定可以帮助预测和预防问题的模式和相关性。在制造业中，机器通常在没有计划的维护时间表的情况下运行，这会导致由于计划外的不良功能而导致意外的停机时间。为了防止计划外的故障，计划的维护需要以预定的间隔检查机械状态并替换有缺陷的零件。但是，此策略提高了维护费用和机器停机时间。对PDM技术的重点可以降低停机时间的成本并提高工业设备的可用性（利用率），随着行业4.0和智能系统的兴起而增加。此外，通过优化组件有用寿命，PDM具有实现生产可持续实践的潜力。已经对有监督的学习方法进行了分析，例如梯度提升分类器，catboost分类器，轻度梯度提升机和极端的梯度提升。
瑞德西韦、齐多夫定 (AZT) 和奈韦拉平通过与聚合酶 L 的 RdRp 结构域进行高能相互作用来抑制 Chandipura 病毒复制
1 PDM 大学，巴哈杜尔加尔，哈里亚纳邦 2 德里大学生物物理系，南校区，新德里 3 德里大学南校区生物化学系，新德里 *通信地址：Dibyakanti Mandal 博士 PDM 大学生命科学学院微生物学系，3A 区，巴哈杜尔加尔哈里亚纳邦 - 124507 电子邮件：dkmandal2000@yahoo.com 电话：+918584000652 # 通信地址也可以是：Manish Kumar 博士 德里大学生物物理系，南校区 Benito Jaurez Marg，新德里 - 110021 电子邮件：manish.imt@gmail.com 关键词：Chandipura 病毒 L、瑞德西韦、AZT 和奈韦拉平 标题：瑞德西韦、AZT 和奈韦拉平对 CHPV 复制的抑制
关于预测维护的特征选择的稳定性和均匀合奏：铣削中的刀具条件监视的分类应用
摘要：功能选择（FS）代表了许多基于机器学习的预测前维护（PDM）应用程序的重要步骤，包括各种工业流程，组件和监视任务。所选功能不仅是学习模型的输入，而且还可以影响进一步的决策和分析，例如，PDM系统的传感器选择和可理解性。因此，在部署PDM系统之前，至关重要的是检查输入数据中所选特征的可重复性和鲁棒性。这对于具有较低样本比率比（SDR）的现实世界数据集特别重要。然而，据我们所知，在PDM的领域尚未考虑FS方法在数据变化下的稳定性。本文通过铣削中的工具状况监测来解决此问题，其中采用了基于支持向量机和随机森林的分类器。我们使用五倍的交叉验证来评估三种流行的基于滤波器的FS方法，即Fisher评分，最小冗余最大相关性（MRMR）和RERIEFF，以稳定性和宏F1表示。此外，对于每种方法，我们研究了同质FS集合对两个性能指标的影响。为了获得广泛的见解，我们使用了从我们的实验和NASA的存储库中获得的四个（2：2）的铣削数据集，它们在操作条件，传感器，SDR，类等方面有所不同。对于每个数据集，对两个单独的传感器及其融合进行了研究。（2）在大多数情况下，Fisher得分（单和/或合奏）优越。在结论中：（1）不同的FS方法可以产生可比的宏F1，但FS稳定性值大为不同。（3）MRMR的稳定性总体上是不同设置（例如传感器，子集基数）的最低，最大的稳定性，并且是从整体中最有益的一种。