XiaoMi-AI文件搜索系统
World File Search Systemfault
滚动轴承的故障检测与诊断
注意：作者已授予非独家许可，允许加拿大图书馆和档案馆在任何地方复制、出版、存档、保存、保存、通过电信或互联网向公众传输、出借、分发和出售论文。世界各地，用于商业或其他目的，以缩微形式、纸质、电子和/或其他格式。
智能重组控制器中的故障检测和识别
在下一节中，定义了外国直接投资问题，并确定和讨论了重要的问题和权衡。这是一个系统描述和一些有关要采用方法类型的准则。AI的FDI方法已被概述，并提出了FOI的专家系统体系结构。在失败诊断任务中，对飞行员的认知建模研究为建筑奠定了基础，并表明应使用各种知识和推理的多种知识和推理。例如，我们将需要诸如一般诊断启发式方法之类的浅知识，但是我们还需要从诸如飞机的因果模型之类的深层知识中推理。要处理各种各样的知识表示，我们建议使用一种称为知识表示图（KR图）的图形方法来表示深度和浅层知识。从这个统一的代表中，深度和浅推理之间的接口变得透明，专家系统相对容易代码。使用OPS5专家系统开发工具实施了FOI系统的AI部分，称为“故障检测和识别专家系统”（FDIES），并被行使对多种执行器故障进行诊断。
非侵入式故障注入攻击综合综述
摘要 — 非侵入式故障注入攻击已成为从商品设备到高端定制处理器等一系列微电子系统的重大威胁。与侵入式攻击不同，这些攻击更便宜，并且可以在不物理改变硬件的情况下利用系统漏洞。此外，某些非侵入式故障注入策略允许远程利用漏洞而无需物理接近。然而，现有研究缺乏对这些攻击在不同目标平台、威胁模型、新兴攻击策略、评估框架和缓解方法上的广泛调查。在本文中，我们全面概述了当代非侵入式故障注入攻击的研究。我们的目标是整合和审查研究界提出的各种技术、方法、易受攻击的目标系统以及现有的缓解机制。此外，我们根据几个方面对攻击策略进行分类，对各个类别进行详细比较，并强调研究挑战和未来方向。通过强调和讨论尖端、非侵入式故障注入的前景，我们希望更多的研究人员、设计人员和安全专家进一步研究这些攻击，并在制定有效的对策时考虑到这些威胁。
型号 682C05 轴承故障检测器安装...
维修和保养 PCB 通过其对 PCB 销售的所有 Platinum Stock 产品提供“终身保修”以及对所有其他 PCB Stock、标准和特殊产品提供有限保修，保证客户完全满意。由于我们的传感器和相关仪器的复杂性，不建议进行现场维修和维护，如果尝试进行现场维修和维护，将使工厂保修失效。除了常规校准和电池更换（如适用）外，我们的产品无需用户维护。使用不会损害结构材料的溶液和技术清洁电连接器、外壳和安装表面。在非密封设备附近使用液体时要小心。只能用湿布擦拭此类设备 - 切勿浸湿或浸没液体。如果设备损坏或停止运行，我们的应用工程师将全天候为您提供故障排除支持。请致电或发送电子邮件，告知型号和序列号以及问题的简要说明。校准 必须对传感器和相关仪器进行常规校准才能保持测量精度。我们建议每年校准一次，在暴露于任何极端环境影响后或在任何关键测试之前进行校准。PCB Piezotronics 是一家通过 ISO-9001 认证的公司，其校准服务由 A2LA 认证为 ISO/IEC 17025，可通过 NIST 完全追溯到 SI。除了标准校准服务外，我们还提供专门测试，包括：高温或低温下的灵敏度、相位响应、扩展高频或低频响应、扩展范围、泄漏测试、静水压力测试等。有关更多信息，请联系您当地的 PCB Piezotronics 经销商、销售代表或工厂客户服务代表。
LLFI：横向激光故障注入攻击
安全集成电路旨在保护敏感信息的机密性和完整性，防止遭受逻辑和物理攻击。故障注入攻击指的是主动操纵芯片内部结构，从而在某些过程执行期间导致故障。这种技术及其不同变体已被证明非常强大 [4]。最广为人知的引发此类故障的技术是激光故障注入 (LFI)[14]，[15]、电磁故障注入 (EM-FI)[13]，[7]、体偏置注入 (BBI)[12] 和电压或时钟毛刺 [3]。针对此类攻击最常见的硬件物理对策是被动和主动屏蔽，以保护芯片免遭物理访问和操纵，以及各种传感器来检测温度、电压、光线或时钟频率方面的异常。如今，安全芯片设计中已经实施了针对故障攻击的有效对策，这使得 EM-FI、BBI 尤其是 LFI 成为在现代安全 IC 中诱发故障的主要技术。LFI 被认为是获得最精确结果的技术。另一方面，它成本最高，并且需要接触硅表面才能成功注入光。事实证明，正面和背面都可以使用该技术。然而，由于实施了特定的物理对策或金属电路本身可能会阻挡光线，因此芯片的正面更难受到攻击。因此，绝大多数激光 FI 攻击都是通过芯片的背面进行的。
电源变压器中故障识别的机器学习
摘要：功率变压器在电能的有效和可靠分布中起关键作用。及时检测和诊断变压器中的故障对于预防昂贵的停机时间至关重要，确保安全和维持电力系统的完整性。变压器中故障识别的传统方法通常依赖于手动检查和定期测试，这可能是耗时的，劳动的，并且容易受到人为错误。机器学习（ML）技术提供了有前途的解决方案，用于自动化故障检测和功率变压器中的诊断过程。近年来，机器学习（ML）技术已成为自动化故障检测和功率变压器诊断过程的有希望的工具。mL算法可以分析从变压器传感器收集的大量数据，以识别指示各种故障的模式，包括绕组故障，绝缘降解和过热。通过利用ML，公用事业和运营商可以朝着预测和主动的维护策略迈进，最大程度地降低了灾难性失败的风险并优化资产绩效。本文对应用ML算法在功率变压器中的故障识别中的最新进步进行了全面综述。它探讨了各种ML技术，包括受监督和无监督的学习，强化学习和深度学习，突出了它们在变形金刚故障检测中的优势和局限性。本文讨论了数据可用性，模型的解释性和概括，以应对这些挑战并解锁ML在增强电力系统的可靠性和效率方面的全部潜力。
使用...
这项工作探讨了使用机器学习检测严重缺陷的最新方法。使用机器学习算法中模式识别的力量，我们为图像尾字符串分析提供了一个自动系统。该系统在仔细标记不同故障分类的广泛数据集上进行培训。这使该模型可以在部署过程中检测和分类未见拖曳图像中的潜在错误。这种方法通过提供客观，自动化和不断学习的解决方案来进行船尾线检查，从而提供了与传统技术相比的重要优势。这可以改变许多行业中硬线完整性的评估方式。该方法通过分析苛刻的线的图像来检测缺陷来自动化检查过程。机器学习算法在模式识别方面表现出色，使其非常适合此任务。所提出的方法涉及在由不同故障类型分类的船尾线图像数据集上训练模型。一旦训练了模型，它就可以分析新图像并有效地对其进行分类，并检测到牵引线中的潜在错误。这种数据驱动的方法比传统方法具有多个优点，包括更好的准确性，效率以及随着时间的推移不断学习和改进的能力。这种方法可能会彻底改变许多行业的回报线控制。算法V3是由Google开发的深度卷积神经网络体系结构。由于有效地使用了卷积过滤器和自举模块，因此在各种图像分类任务中实现了高性能。种子模块堆叠具有并联不同尺寸过滤器的多卷积层，从而允许网络捕获图像的不同特征。这种层次结构方法允许Inception V3学习图像数据的复杂表示，从而在尾字符串分析中获得了更好的错误检测精度。
基于规范的测试的故障类别和错误检测能力
对于软件来说，情况类似，但是可能出现的故障类别要多得多。由于实现与其规范之间的差异是人为错误的结果，因此某些类型的故障几乎无法提前预测。尽管如此，还是可以假设某些故障类别，并构建测试集来检测它们。Weyuker 等人 [1994] 和 Richardson 和 Thompson [1988; 1993] 定义的故障类别如下：变量引用故障——布尔变量 x 被另一个变量 y 替换，x → y；变量否定故障——布尔变量 x 被 x → 替换；表达式否定故障——布尔表达式 p 被 p → 替换；关联移位错误——一个布尔表达式被一个变量之间关联的表达式所替换，例如，将 x ∧ � y ∨ z � 替换为 x ∧ y ∨ z ；运算符引用错误——一个布尔运算符被另一个运算符替换，例如，将 x ∧ y 替换为 x ∨ y 。Vouk et al. [1994] 定义了其他类型的错误：不正确的关系运算符、不正确的括号、不正确的算术表达式、多余的二元运算符、缺少二元运算符。实验结果已用于评估各种测试生成方法的有效性[Ammann et al. 1998; Foster 1984; Offutt and Liu 1997; Vouk et al.1994; Weyuker et al. 1994]，尽管考虑的故障类别都是从规范中得出的，并且一些实现故障可能并不完全适合
可再生微电网故障检测的机器学习方法
摘要 本研究重点研究和使用机器学习 (ML) 方法来识别可再生微电网中的故障。它强调了与这些动态能源系统相关的困难和复杂性。对从太阳能和风能生产、电池存储状态、故障信号和机器学习模型性能中获得的实际数据的检查突出了可再生微电网中故障检测技术的复杂性。对可再生能源生产数据的分析表明，太阳能和风能的输出存在波动，突出了某些时间段内约 5-10% 的差异，从而说明了可再生能源的间歇性特性。同时，微电网内电池中存储的能量在时间间隔内逐渐下降约 3-5%，表明可能对系统稳定性产生影响。故障检测信号显示出不稳定的模式，这强调了在系统内部查找和分类问题所涉及的复杂性。对机器学习模型的评估（包括监督和无监督学习方法）揭示了许多性能指标。监督模型的准确率更高，通常在 85% 到 90% 之间。但是，它们容易偶尔出现错误分类。相比之下，无监督模型的准确率中等，通常在 75% 到 80% 之间。它们在检测故障方面表现出灵活性，但其精度有限。该研究强调需要结合使用监督和无监督机器学习模型来提高可再生微电网故障检测的准确性。这些结果为了解故障检测程序的复杂性和困难性提供了宝贵的见解，这可能有助于进一步提高可再生微电网系统的可靠性和耐用性。
印度电动汽车可靠性故障树分析
近几十年来，电动汽车创新发展迅速。这些汽车的大规模商业使用仍然受到可靠性相关问题的制约。通过利用故障树 (FT) 和蒙特卡罗模拟，创建了一个数学原型，其中包括车辆系统所有主要电气部件的可靠性特性，包括电池、电机、驱动器、控制器。研究表明，通过提高部件恢复率，可以提高车辆的生存能力。对这个范例进行了彻底的讨论，并基于电动汽车对可靠性估计进行了介绍和分析。本文概述的思想可以支持这项关于电动汽车可靠性设计和维护的研究。此外，本研究的结果可能对电动汽车制造者有所帮助，特别是在升级部件效率和规划提高可靠性时。