XiaoMi-AI文件搜索系统
World File Search Systemfailures
26 座发电厂背板故障的高级分析
摘要。背板退化是影响现场暴露光伏 (PV) 模块发电厂的已知可靠性问题。在这项工作中，我们介绍了过去三年的经验教训，在弗劳恩霍夫 ISE 的 TestLab PV 模块中检查了来自 26 个发电厂的模块。基础是对当前观察到的背板和相关退化特征的描述，例如背板粉化、不同层中的裂缝和成分的化学变化。此外，我们还列出了对故障和模块材料进行初步和更详细分析的分析方法。例如，已发现一种称为“闪光灯测试”的方法可以快速直接地识别背板内受损的聚丙烯 (PP) 层。此外，还介绍了扫描声学显微镜 (SAM) 和不同 FTIR 光谱变体的比较。
多芯片 IGBT 功率模块中引线键合故障导致的温度变化
在功率循环实验中，需要估算开关的温度。当一个开关由几个并联的芯片组成时，这些芯片的温度可能不一样。在没有对每个芯片进行单独监控的情况下，通常假设平均温度是由最常见的 TSEP（热敏电参数）如 Von 估算的。然而，每个芯片的温度都是未知的。一些研究解释并评估了初始温度不平衡 [1]。当模块由于热机械循环而老化时，引线键合会退化和剥离，从而改变流向芯片的电流路径，从而改变损耗和温度分布。[2, 3] 分别在单芯片和多芯片的情况下评估了估算温度（即 Von）随退化的变化。然而，文献中没有通过实验获得温度分布随退化的变化。
人工智能在预测和预防高风险环境中汽车故障中的作用
人工智能模仿人类智能，用于预测和预防关键的汽车故障。这些故障通常发生在测试情况下，可能很危险。了解组件行为对于实施有效的故障防御措施至关重要。目前，预测随机组件故障具有挑战性。人工智能通过智能模拟真实世界条件来实现预测性故障模拟。通过将模拟的组件行为与实际数据进行比较，可以实现故障预测。这对于维护和备件供应计划非常有价值。汽车系统中的人工智能技术正在不断发展，对于解决当前问题和防止未来故障至关重要。模拟和预防性维护对于了解系统行为和防止故障至关重要。
密西西比河系统基础设施故障对区域经济的影响（摘要）
最后，作者讨论了他们的研究意义。例如，考虑到中断（包括计划中断和非计划中断）的重大不利影响，研究人员建议基础设施投资决策应优先考虑内陆水路系统（包括 MRS）的维护和升级。此外，研究人员强调，主动规划可以简化驳船运营并最大限度地减少计划中断的影响。研究人员还强调了铁路替代在增强 MRS 弹性方面的作用。为了最大限度地提高弹性，他们主张扩大内陆水路沿线的多式联运设施，并优化驳船公司和铁路之间的时间表协调。
err@hri 2024挑战：人类机器人互动中错误和失败的多模式检测
尽管机器人技术和机器学习（ML）最近取得了进步，但我们日常生活中的自主机器人的部署仍然是一个开放的挑战。这是由于多种原因是他们的频繁错误，例如中断人们或延迟反应，以及他们对人言语的有限能力，即在将语音转录到文本等任务中的失败。这些错误可能会破坏相互作用并负面影响人类对这些机器人的看法。要解决这一问题，机器人需要具有检测人类机器人间互动（HRI）故障的能力。err@hri 2024挑战通过在人类机器人相互作用（HRI）（HRI）的基准多模式数据集（HRI）（鼓励研究人员）开发和基准测试多模式机器学习模型以检测这些失败的情况下解决了这一问题。我们创建了一个数据集，其中包含多模式的非语言交互数据，包括与机器人教练的互动视频剪辑中的面部，语音和姿势效果，并带有标签，指示机器人误差，用户尴尬和交互破裂，允许培训和评估预测性模型。挑战邀请群体提交其多模式ML模型以检测机器人误差，并针对各种性能指标进行评估，例如准确性，精度，召回率，F1得分，并在有没有误差的情况下反映了这些度量的时间敏感性。这项挑战的结果将有助于研究领域更好地了解人类机器人相互作用中的机器人故障并设计自动驾驶机器人，这些机器人在成功检测到它们后可以减轻自己的错误。
人工智能对因结算失败而面临新现金罚款的银行有帮助
SmartStream 人工智能和机器学习产品经理 Jethro MacDonald 表示：“人们设定的门槛不同，因此他们可能会对不同对账结果进行完全不同的分类，即使是在同一个公司或同一个司法管辖区内。”“假设你是一家公司，任何超过 5 美元的 Smart
对支持飞机定期维护计划制定失败的运营后果的评估
已经对涉及飞机故障及其对商业航空公司运营影响的可能情景进行了一些实证研究。通过文档研究和访谈提取了实证数据，并以事件树分析 (ETA) 为指导。该分析由飞机制造商和商业航空公司的经验丰富的从业人员共同进行，这有助于对研究结果进行持续验证。最后，该研究还估算了已确定的故障运营后果的相关成本。为了量化故障的运营后果，在缺乏足够和可靠数据的情况下，已经采用成对比较技术的方法来有效提取专家的判断。
建立因果模型，以查找无人机故障的实际原因
找到无人驾驶飞机（UAV）故障的实际原因可以分为两个主要任务：建立因果模型和对其进行实际因果分析（ACA）。虽然文献中有可用的解决方案可以执行ACA，但构建全面的因果模型仍然是一个开放的问题。通常由域专家手动执行的昂贵且耗时的构建过程，阻碍了基于因果关系的诊断解决方案的广泛应用。本研究提出了一种基于自然语言处理的方法，用于自动化无人机的因果模型。从在线资源中收集文本数据后，在句子中确定了因果关键字。接下来，基于代币之间的预定依赖性规则从句子中提取原因 - 效应短语。最后，提取的原因对成对合并以形成因果图，然后我们将其用于ACA。为了演示我们的框架的适用性，我们刮擦了一个开源无人机控制器软件Ardupilot的在线文本资源。我们使用真实飞行日志的评估表明，生成的图可以成功地用于查找不良事件的实际原因。此外，我们的混合因果 - 效应提取模块的性能要比纯学习的工具（即CIRA）的精确度比纯学习的工具（即CIRA），而在我们的Ardupilet用例中，召回率为25％。
运输型飞机执行器故障的自动飞行控制器自适应补偿
本论文由 ScholarWorks@UARK 免费提供给您，供您开放访问。它已被 ScholarWorks@UARK 的授权管理员接受，并被纳入研究生论文和学位论文中。如需更多信息，请联系 scholar@uark.edu。
睡眠不足后注意力不集中代表脑脊液流动的时刻
。CC-BY-NC-ND 4.0 国际许可证下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2024 年 11 月 15 日发布。；https://doi.org/10.1101/2024.11.15.623271 doi：bioRxiv 预印本