XiaoMi-AI文件搜索系统
World File Search Systemfailures
工业资产车队的早期故障和服务
在针对工业资产车队（例如飞机、喷气发动机、风力涡轮机等）的服务市场中，原始设备制造商和服务提供商通过提供涵盖日常服务以及重大维护和维修的服务相互竞争。由于决策高度受可靠性模型的指导，因此可以肯定地说，服务盈利能力取决于理解操作条件和组件能力之间复杂随机相互作用的能力。不幸的是，运营商引入的激进任务组合、暴露于恶劣环境、维护不充分以及大规模生产问题等因素可能导致预测和观察到的使用寿命之间存在很大差异。本文重点关注早期死亡率对工业资产车队的影响的量化。使用数值实验来研究故障观测次数和车队规模如何影响车队可靠性建模。动态贝叶斯网络实施基于物理的模型，用于模拟车队不可靠性，同时考虑不良材料批次的影响。结果表明，材料能力、不良材料批次在车队中的渗透率以及车队规模极大地影响了模型的准确性。因此，自然观察到较少故障的小型车队运营商在量化早期死亡率时必须处理更大的不确定性。这对他们分配库存、劳动力等资源的能力产生负面影响，并在维修车队时解释生产力损失。另一方面，对于大型车队运营商来说，大量的故障观察可能会造成沉重的财务负担。尽管如此，它还可以减少构建/更新可靠性模型的不确定性，这有助于他们预测未来故障并为服务和维护做好准备。最后，结果还表明，重新启用舰队和开展检查活动等措施可以减轻舰队早期寿命问题的影响。
故障模式：分析故障的新方法 - LACCEI.org
我们提出故障模式的概念来描述故障如何导致系统故障。我们使用这个概念来描述一种故障场景，它说明了系统中的错误状态消息。故障模式描述了故障如何变成故障，表明故障如何在系统单元中传播直到产生故障。该模式明确显示了系统中的缺陷如何导致故障传播。故障模式中的信息对于评估和设计可靠的系统很有用。该模式还显示了如何阻止故障或减轻其影响。这些模式还有助于重建故障发生的过程，这可能具有取证价值。 关键词：故障、可靠性模式、模式、可靠性、安全模式 1. 引言 由于我们越来越依赖关键服务来执行基本的日常功能，我们需要避免系统故障。过去发生了几起事件，这些事件使人们更加意识到提高关键服务、应用程序和系统可靠性的必要性。 1985 年至 1987 年间，有六名患者因 Therac-25 机器受到过多辐射，导致严重健康损害（Leveson 和 Turner 1993 年）。波音飞机曾多次发生故障，导致人员死亡（波音商用飞机公司，2011 年）。美国东北部和中西部以及加拿大安大略省在
归因于……的电子系统故障和异常
本报告旨在让读者了解电磁干扰 (EMI) 引起的航天器电子系统故障和异常，展示电磁兼容性 (EMC) 活动与航天飞行计划结合的重要性，并对一些著名的 EM1 系统故障和军用和商用电子系统中的异常历史进行调查。由于美国国家航空航天局 (NASA) 计划中发生的归因于 EM1 的飞行中航天器故障和异常数量有限，因此包括军用和商用系统。非空间系统的纳入也有助于说明不断发展的电子系统对 EM1 越来越敏感，NASA 人员必须继续努力追求航天系统的 EMC。
锂离子电池故障和铝热反应的形成
摘要我们经常观察到一些具有层状阴极材料的失控锂离子电池内部温度比现有热失控模型预测的要高得多。此外，正极活性材料中原有的金属（如 Co、Ni 和 Mn）经常出现在温度变得非常高的电池中。有人推测金属的形成可以归因于岩盐物质（MO，其中 M 是金属）的还原，或锂化活性材料（LiMO 2 ）与 CO 2 的反应。我们提出了金属形成的另一种解释，这也会导致非常高的电池温度，即 Al 正极集流体和正极活性材料之间的铝热反应。与提到的 MO 和 LiMO 2 的反应相反，这些反应是高度放热的。本文介绍了铝热反应的化学性质。在失控模型中加入铝热反应可能会改善热失控时锂离子电池的温度预测。
BESS 事故 - 近期故障和风险管理注意事项
电池故障分析和故障类型表征 Sean Berg 2021 年 10 月 8 日 本文介绍了锂离子电池的类型、故障类型以及用于调查起源和原因以识别故障机制的取证方法和技术。这是六部分系列文章的第一篇。要阅读本系列的其他文章，请单击此处。在过去 10 年中，可再生和可持续能源在整体电力生产和使用中的份额稳步增长，这主要是由于人们对气候变化以及石油价格不确定性和资源可用性的担忧。其中一些能源类型的间歇性问题已通过使用电池储能系统 (BESS) 得到很大程度的抵消，但并未完全解决。具体来说，锂离子 (Li-ion) 电池是 BESS 中最常用的电池类型，具有许多优势，包括尺寸更小、功率密度和能量密度等等。过去 10 年，锂离子电池每千瓦时的价格也大幅下降，这有助于降低这些可再生能源的能源成本，而持续的技术进步也提高了锂离子电池的性能。这些电池是一种多功能且高度可扩展的储能介质，可以采用多种形状和化学成分，使其可用于各种应用。然而，与任何其他技术一样，锂离子电池也会出现故障。了解电池故障和故障机制以及它们是如何导致或触发的非常重要。本文讨论了常见的锂离子电池故障类型，重点关注热失控，这是一种特别危险和危险的故障模式。本文还将讨论可用于表征电池故障的取证方法和技术。电池单元可能以多种方式发生故障，包括滥用操作、物理损坏或单元设计、材料或制造缺陷等。锂离子电池在充电/放电循环中会随着时间的推移而劣化，导致电池保持电量的能力下降。对于锂离子电池，当电池容量低于其标称容量的某个百分比（即通常为 80%，但可能低至 60%）时，电池将无法工作。以过高的 C 速率（即充电和放电期间由电池提供或流向电池的电流的量度）对电池进行充电和放电，例如，额定容量为 1,000 mAh 的电池以 1C 放电时可提供 1 安培电流 1 小时，这会缩短电池寿命并可能导致其他故障机制。撞击或跌落造成的物理损坏可能导致电池内部损坏。电解质蒸汽产生和从果冻卷中泄漏可能导致膨胀。密封不当或易受密封性损坏的电池可能导致电解质泄漏，以及潜在的内部暴露于外部氧气。如果电池有任何电量，这可能会导致爆炸，因为锂碳阳极对大气具有高度反应性。这些条件的某些组合，包括滥用操作条件，可能会导致热失控故障。本文重点介绍与热失控故障相关的原因。热失控是一种危险的故障类型，可能导致爆炸和火灾。在更大规模的锂离子电池储能系统中，这种故障可能是连锁的和灾难性的，因为热失控是由热量驱动的。一个以这种方式发生故障的电池会迅速导致由此产生的火灾的热量蔓延到其他周围的电池并引发相同的故障。结果不仅会对财产构成严重威胁，而且还会对
利用SDN中的网络切片来处理应用程序失败
摘要 - 不像传统网络，软件定义的Net Works（SDN）提供了对网络中所有设备的总体视图和集中控制。SDNS使网络管理员能够使用通用API在SDN控制器的基础上通过程序应用程序来实现网络策略。可以通过维护整个网络的统一控制来部署一个或多个控制器实例来管理数据流。预计控制器将对转发设备的查询迅速响应。假定控制器的快速响应是在执行复杂的机制的同时是不合理的。在本文中，作者提出了一种称为隔离器的独特，自适应，轻巧但有效的技术，以减轻内部攻击的效果以及在启用SDN的云中分布式应用程序的故障。在检测虚拟机的任何可疑活动时，提出的安全应用程序通过将接口删除到其各自的共享网络并通过以高度选择性模式运行的受限制网络来隔离。通过将数据流量进行深度数据包检查，限制网络搜索与已知蠕虫模式的匹配。该应用程序是针对OpenDaylight Controller编程的，结果显示出具有最小的延迟和计算成本的恶意活动方面有了显着改善。
碳排放的社会成本、风险、分配、市场失灵
制定气候变化政策需要综合分析经济与环境之间的相互关系，包括：跨代和代内分配的巨大风险和影响；主要市场的许多失败、限制或缺失；以及政府在抵消这些失败和分配影响方面的局限性。许多标准经济模型（包括综合评估模型）并未体现这些基本要素的关键方面。我们发现，通常用于评估气候政策的描述性和规范性方法存在根本缺陷，显示出系统性偏差，高估了气候行动的成本，低估了收益。我们提供了一种计算碳社会成本的替代方法，该方法涵盖了我们已确定的基本要素。
好的系统，坏的数据？：对人工智能炒作和失败的解释
人工智能经过几十年的发展，如今已成为一个著名且成熟的学术领域（Stone 等人，2016 年）。专注于领域知识表示和使用的符号人工智能是人工智能研究的早期领域（Ribes 等人，2019 年）。最近的许多创新都发生在统计机器学习领域，包括使用人工神经网络的深度学习方法，包括自然语言处理、计算机视觉和机器人等领域的应用（Stone 等人，2016 年）。现代人工智能特别依赖于处理大型数据集，以一定程度的自主性进行处理和加权，并提供概率性而非确定性的结果。人工智能的伦理、政策和法律问题尚未明确界定。数据的多样性和数量以及算法驱动的分析通常违反直觉的输出使得预测危害变得更加困难。用于支持人工智能的数据来自大量来源，包括可能甚至不知道数据是为此目的而收集的人们。然而，将人工智能应用于这些异构数据得出的结论往往具有知识的分量，而没有对其不确定性进行有意义的说明。这一领域的一个关键挑战是试图理解和主张“黑箱”分析技术（Fleischmann & Wallace，2005，2009）的责任时出现的问题——尤其是当使用这些技术进行的研究结果用于指导政策、指导资源和应对紧急情况时（Lehr & Ohm，2017）。关于人工智能成功和失败的流行描述并非没有话语权。在讨论“坏”人工智能时，往往很难不去想 HAL、天网或其他类似的媒体对人工智能失败的描述（事实上，当我们的采访对象被问及人工智能的潜在负面后果时，他们经常会提到这些流行的描述）。同样，对人工智能的正面评价往往无法解释这些系统的缺陷和局限性，或者无法透明地表示它们的运作或范围。克兰兹伯格（1986）的《技术第一定律》认为，“技术既不是好的也不是坏的，也不是中性的”（第 547 页）。过度夸大人工智能的积极或消极影响的极端例子属于将人工智能视为纯粹的好或坏的阵营。然而，同样重要的是要注意，人工智能并不是中性的，一些人工智能系统对特定社会或整个社会的不同成员有一些好的影响和一些坏的影响。因此，挑战在于确定哪些因素影响了人工智能的“好”或“坏”。坏数据是坏人工智能的一个常见替罪羊。现代人工智能的特点是它与广泛的异构数据收集和分析机制的关系以及对它们的依赖。算法分析提供了处理
具有严重执行器卡塞故障的飞机的鲁棒跟踪控制
莱特兄弟发明飞机后不久，威尔伯·莱特就设想，当“这一特性（平衡和操纵能力）”被解决后，飞行时代将到来[1]。事实上，飞行时代确实已经到来——民航运输已成为我们长途旅行的主要方式，军用飞机在国防中发挥着重要作用，航空业已成为世界经济不可或缺的一部分。毫无疑问，飞机飞行安全和效率极其重要。航空业、国家运输安全委员会、联邦航空管理局和美国国家航空航天局一直在努力将航空事故率降至最低。飞机设计/维护、导航/制导设备、交通控制系统、飞行员培训等的改进已经
