XiaoMi-AI文件搜索系统
World File Search Systemengr
HB1180 于 2025-02-05 09:07:21 发布
作者：众议员 Bentley、Beck、Breaux、A. Brown、M. Brown、N. Burkes、Cavenaugh、C. Cooper，5
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。
外骨骼机器人的激光磨损的步态识别传感器系统
摘要作为一种增强技术，可提高承重能力并防止受伤，辅助外骨骼机器人在货运和医疗保健中广泛应用。这种机器人对步态信息的感知对于他们的控制至关重要。此信息是辅助和协作功能中运动计划的基础。在这里，提出了用于外骨骼机器人的可穿越步态识别传感器系统。基于激光诱导的石墨烯的压力传感器阵列具有灵活性和可靠性。将多个传感器单元集成到鞋垫中，以检测关键足底位置的实时压力。此外，电路硬件和算法旨在通过步态识别的能力加强传感器系统。实验结果表明，所提出的系统的步态识别的准确性为99.85％，并且通过在外骨骼机器人上进行测试进一步验证了系统的有效性。
个性化的梭状芽胞杆菌艰难梭菌植入风险预测和益生菌治疗评估
人类肠道的治疗评估。2作者：Alex Carr 1,2，Nitin S. Baliga 1,2,3,4，Christian Diener 1,5，**和Sean M. 3 Gibbons 1,2,6,7，* 4隶属关系：5 6 1 1 6 1 Systems Biology Institute for Systems Biology，Seattle，西雅图，西雅图，华盛顿州西部，美国华盛顿州，美国7 2分子工程学计划 Seattle, WA, USA 9 4 Lawrence Berkeley National Lab, Berkeley, CA, USA 10 5 Diagnostic and Research Institute of Hygiene, Microbiology and Environmental 11 Medicine, Medical University of Graz, Graz, Austria 12 6 Departments of Bioengineering and Genome Sciences, University of Washington, 13 Seattle, WA, USA 14 7 eScience Institute, University of Washington, Seattle, WA, USA 15 * correspondence can be addressed to cdiener@isbscience.org和162作者：Alex Carr 1,2，Nitin S. Baliga 1,2,3,4，Christian Diener 1,5，**和Sean M. 3 Gibbons 1,2,6,7，* 4隶属关系：5 6 1 1 6 1 Systems Biology Institute for Systems Biology，Seattle，西雅图，西雅图，华盛顿州西部，美国华盛顿州，美国7 2分子工程学计划 Seattle, WA, USA 9 4 Lawrence Berkeley National Lab, Berkeley, CA, USA 10 5 Diagnostic and Research Institute of Hygiene, Microbiology and Environmental 11 Medicine, Medical University of Graz, Graz, Austria 12 6 Departments of Bioengineering and Genome Sciences, University of Washington, 13 Seattle, WA, USA 14 7 eScience Institute, University of Washington, Seattle, WA, USA 15 * correspondence can be addressed to cdiener@isbscience.org和16
超声可编程的氢键有机框架，用于Sono-femogenetics
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。该版本的版权持有人于2023年12月13日发布。 https://doi.org/10.1101/2023.12.13.571396 doi：Biorxiv Preprint