XiaoMi-AI文件搜索系统
World File Search SystemUseful
预测和剩余使用寿命 (RUL) 估计...
第一种方法需要在正常或故障条件下建立系统行为的精确物理模型。当将从传感器捕获的数据与模型的预测进行比较时，可以推断出系统的健康状况。第二种方法使用过去行为的数据来确定当前性能并预测剩余使用寿命 (RUL) (Yakovleva & Erofeev，2015)。物理方法包括失效物理模型。另一种方法是使用简单的裂纹扩展模型来预测受疲劳失效机制影响的系统的 RUL。基于模型的技术需要结合实验、观察、几何和状态监测数据来估计特定失效机制造成的损害。数据驱动技术源自使用历史“运行至失效”(RTF) 数据。这些技术通常用于基于预定失效阈值的估计。可以使用“小波包”分解方法和/或隐马尔可夫模型 (HMM)，因为时频特征比单纯的时间变量能提供更精确的结果。然而，使用历史数据预测资产寿命的方法需要了解资产的物理性质（Okoh 等人，2016 年）。数据驱动的 RUL 估算方法是本章的主题。
可用于高等教育的免费（或类似免费）生成人工智能（AI）工具
教育 最后更新时间：2023 年 6 月 11 日 V5 犹他谷大学安妮·阿伦特博士 回答您的问题 Chat GPT ( https://chat.openai.com/chat )：这个工具是一个聊天机器人，可以生成文本、翻译语言、编写不同类型的创意内容，并以信息丰富的方式回答您的问题。 Google Bard ( https://bard.google.com/ )：Bard 使用互联网来回答问题，而不是像搜索引擎那样提供网页和网页链接。它还可以写文章和诗歌。 Perplexity AI ( https://www.perplexity.ai/ )：回答带有引文的问题。 Copy AI ( https://www.copy.ai/ )：回答问题，但也可以创建博客文章或消息内容等内容。 Bing AI ( http://www.bing.com/ )。希望您使用 Microsoft Edge（不能与 SafeSearch 一起使用）。有一个候补名单。 YouChat ( https://you.com/ )。免费。有效。还提供相关的 Web 搜索结果。写作帮助 ChatSonic/WriteSonic（https://writesonic.com/chat）。对话式 AI 聊天机器人。免费试用 10,000 字，然后付费。包括 AI 文章撰写器，包括广告和社交媒体写作。它还有一个引文生成器。Jasper AI（https://www.jasper.ai/）。免费试用，然后付费。专为文案撰写而设计。Quillbot（https://quillbot.com/）：这个工具是一个免费的生成人工智能工具，可用于重写文本、校对文档和生成创意内容。这对正在撰写论文、研究论文或其他创意项目的学生很有用。有免费版和高级（付费）版。AI Writer（https://tools.picsart.com/）此工具使用 AI 生成营销材料（口号、主题标签、产品描述、网页副本）。 Grammarly ( https://www.grammarly.com/ )：此工具使用人工智能检测和纠正语法、拼写和标点错误，并提供改进句子结构、词汇和写作风格的建议。拼写、语法和标点都是免费的，其他服务（如句子重写或抄袭检测）则需要付费。Hemingway Editor ( http://www.hemingwayapp.com/ )：此工具可分析文本并提供简化和澄清句子的建议，并突出显示冗长复杂的句子和常见的写作错误，如被动语态和副词过度使用。ProWritingAid ( https://prowritingaid.com/ )：此工具提供对写作风格、语法和拼写的详细分析，并提供改进可读性、重复性和句子结构的建议。LanguageTool ( https://languagetool.org/ )：此工具可检查 20 多种语言的语法、拼写和风格，并提供纠正错误和改进句子结构的建议。 Writefull (https://writefull.com/) - 此工具通过根据大型语言使用数据库分析文本来提供写作反馈。它建议改进措辞、词汇选择和句子结构的替代方案。需要下载并添加到 Word 中。没有会员资格，工具功能有限。内容摘要 Eightify ( https://eightify.app/ )。此工具可摘要 YouTube 视频并包含关键片段的链接。每周免费三次，之后需付费。 Summarize Tech ( https://www.summarize.tech/ )：此工具可摘要 YouTube 视频并包含关键片段的链接。可无限制使用，但不如 Eightify 全面。 Resoomer ( https://resoomer.com/en/ )：此工具可摘要任何类型的文本，包括网页和文档。它还提供荧光笔功能，可突出显示文本中最重要的部分。 SMMRY ( https://smmry.com/ ) - 此工具可对任何文本进行简洁摘要，并允许用户调整摘要的长度。它还提供一个分数，表明所达到的摘要水平。
基于机器学习的剩余使用寿命预测技术用于锂离子电池管理系统：全面评论
锂离子电池（LIB）用于为从便携式消费电子设备到电动汽车和网格式储能系统的一系列应用。现在，随着LIB在高功率和复杂应用中的越来越多的应用，预测可靠操作的剩余使用寿命（RUL）并保护电池组免受包括灾难性故障在内的不必要的事件，这是非常重要的。关于RUL的实时信息对于预测电池故障状况至关重要，导致预防有效或至少减少电池故障可能造成的损坏。此外，准确的Rul对于在其使用寿命结束时安排常规维护和必要的更换非常有帮助。因此，RUL预测已成为研究人员兴趣的话题。在过去的十年中提出了几种RUL估计技术，基于机器学习（ML）的技术在准确性，适应性和建模方面表现出了优越性。因此，基于ML的RUL预测方法是根据本文中的基本绩效参数对其基本性能参数进行了全面审查的。还提出了有关问题，挑战，趋势和未来研究范围的详细讨论，以向研究人员提供明确的指南。
基于混合模型的锂离子电池剩余使用寿命预测
摘要：准确预测剩余使用寿命（RUL）是保证锂离子电池安全稳定性的关键功能。为解决不同工况下的容量再生和模型适应性，提出了一种基于带自适应噪声的完全集合经验模态分解（CEEMDAN）和双向门控循环单元（BiGRU）的混合RUL预测模型。利用CEEMDAN将容量划分为固有模态函数（IMF）以降低容量再生的影响。此外，提出一种改进的灰狼优化器（IGOW）来保持BiGRU网络的可靠性。利用混沌帐篷映射提高GWO算法中初始种群的多样性，采用改进的控制因子和动态种群权重来加速算法的收敛速度。最后，进行容量和RUL预测实验，验证不同训练数据和工况下的电池预测性能。结果表明，所提出的方法仅使用 30% 的训练集即可实现小于 4% 的 MAE，并使用 CALCE 和 NASA 电池数据进行了验证。
基于随机滤波方法的储能元件剩余使用寿命预测综述
摘要：锂离子电池是一种绿色环保的储能元件，因其能量密度高、循环性能好而成为储能的首选。锂离子电池在充放电循环过程中会发生不可逆过程，造成电池容量的不断衰减，最终导致电池失效，准确的剩余使用寿命（RUL）预测技术对储能元件的安全使用和维护具有重要意义。本文综述了国内外储能元件RUL预测方法的研究进展。首先明确储能元件的失效机理，然后总结以锂离子电池为代表的储能元件RUL预测方法；其次，分析了基于卡尔曼滤波和粒子滤波的数据-模型融合方法在锂离子电池RUL预测中的应用，并讨论了储能元件RUL预测面临的问题及未来的研究展望。
文官控制军队：一个“有用的虚构”？
在 2022 年《战争之石》专栏文章“支持和捍卫：民事控制原则和民事-军事关系最佳实践”中，一份史无前例的签名名单向公众写了一封公开信。2 八位前国防部长和六位退休的参谋长联席会议主席发出号召，要求遵守民事控制的基本原则。这篇专栏文章的前提是，由于最近与伊拉克和阿富汗战争有关的政策决定、疫情引发的社会动荡、经济波动以及对 2020 年总统大选相关事件的持续辩论，美国民选和任命官员与国家军队之间的当前民事-军事关系紧张。备受尊敬的国防专家和学者米歇尔·弗卢努瓦 (Michele Flournoy) 和彼得·费弗 (Peter Feaver) 随后发表了一篇支持文章，强调了文官控制原则的神圣性，并讲述了特朗普政府期间军事精英与高级成员和总统的关系和行为轶事。3
使用预测和健康管理 (PHM) 预测起落架的剩余使用寿命
摘要：起落架是飞机的重要组成部分。然而，起落架的部件在其使用寿命内容易退化，这可能导致起飞和降落时出现摆振效应。为了减少意外航班中断并提高飞机的可用性，本研究研究了预测性维护 (PdM) 技术。本文介绍了一个案例研究，该研究基于当前在役飞机的预测和健康管理 (PHM) 框架实施剩余使用寿命 (RUL) 的健康评估和预测工作流程，这可能对机队运营商和飞机维护产生重大影响。机器学习用于使用数据驱动方法开发起落架的健康指标 (HI)，而时间序列分析 (TSA) 用于预测其退化。使用来自在役飞机的大量真实传感器数据评估退化模型。最后，概述了为下一代飞机实施内置 PHM 系统的挑战。
使用长期的剩余使用寿命 (RUL) 回归...
摘要 — 准确预测元件的剩余使用寿命 (RUL) 是电子电路中的主要关注点。基于 RUL 的健康诊断在确定设备故障时间方面发挥着重要作用，可作为工业应用中的预警。本文提出了一种基于长短期记忆 (LSTM) 的回归模型，利用设备最基本的提取电气特征来预测环形振荡器 (RO) 电路的 RUL。LSTM 网络能够捕获时间序列数据中的时间依赖性并消除传统循环神经网络 (RNN) 中遇到的梯度消失问题。从 Cadence 模拟中，利用 22 nm CMOS 技术库，已经证明 RO 频率退化主要取决于三个主要因素，包括工作温度、电压以及最重要的设备老化参数。结果表明，13 和 21 阶段的 RUL 预测结果中超过 90% 的案例受电源电压变化限制，变化范围为 0.7 V 至 0.9 V，预测偏差最小为 2 天至 6 天。关键词：老化、剩余使用寿命、机器学习、在线预测、可靠性
经济社会和有用知识的兴起
经济社会在18世纪后期出现。我们认为，这些机构通过采用，产生和扩散新知识来降低获得有用知识的成本。结合了德国活跃经济社会3300名成员的宇宙的位置信息与专利持有人和世界公平参展商的位置信息，我们表明，拥有更多成员的地区在19世纪后期更具创新性。可以说，社会的这种持久影响是通过集聚经济体和局部知识溢出而产生的。我们提供证据来支持这一主张，该说法表明制造业立即增加，较早的职业学校建立以及到19世纪中叶在拥有更多成员的地区到达十九世纪中叶的高度熟练的机械工人。我们还表明，与同一社会成员的地区在专利方面具有更高的相似性，这表明社交网络促进了空间知识的扩散并塑造了创新的地理。
通过机器学习的时间频率健康指标估计冷却装置的剩余使用寿命
摘要：预测性维护 (PM) 策略已引起航空业的关注，以降低维护成本和飞机停地 (AOG) 时间。利用飞机系统的状态监测数据，预测和健康维护 (PHM) 从业者一直通过应用剩余使用寿命 (RUL) 概念来预测飞机部件的使用寿命。此外，在预测中，当很难直接从数据中发现故障出现模式时，健康指标 (HI) 的构建起着重要作用。HI 通常由处理非平稳信号（例如飞机传感器时间序列）的数据驱动模型支持，其中需要从时间和频域进行数据转换。在本文中，我们基于希尔伯特谱的构造构建了时频 HI，并提出将基于物理的模型与数据驱动的模型相结合，以预测飞机冷却装置的 RUL。使用来自一家主要航空公司的数据，并考虑两个健康退化阶段，可以使用数据驱动的机器学习模型 (ML) 来估计飞机系统故障的发生。具体而言，我们的结果表明，所分析的冷却装置在使用寿命的最后飞行小时内出现异常退化之前会经历正常退化阶段。