XiaoMi-AI文件搜索系统
World File Search Systemfault
实时系统中的可靠性和容错问题
随着计算机在应用领域的应用日益广泛，例如过程工业中危险化工厂和核反应堆的控制、国防中的战斗管理和武器运载、医疗保健中的重症监护和诊断系统以及空中和高速地面交通的控制系统，实时计算机控制系统中容错和可靠性问题的重要性很容易得到重视。在这些系统中使用计算机进行故障检测和诊断以及系统重新配置，有可能大大提高实时系统的运行效率。计算机系统是监控和控制设备的主要组成部分，其故障可能导致灾难性的后果，因此，只有在充分证明其所需的可靠性水平后才能安装此类系统。
故障树分析 - NASA 技术报告服务器
NASA STI 项目办公室提供对 NASA STI 数据库的访问，该数据库是世界上最大的航空和空间科学 STI 集合。该项目办公室也是 NASA 传播其研究和开发活动结果的机构机制。这些结果由 NASA 在 NASA STI 报告系列中发布，其中包括以下报告类型：
国际人道主义法在网络战中的应用存在缺陷
随着各国参与网络军备竞赛，战争态势已从战场上的常规战争转变为虚拟战争。从简单的分布式拒绝服务 (DDoS) 攻击到强大的 Stuxnet 和 Flame，网络武器的潜在人员伤亡各不相同。《武装冲突法》 (LOAC) 的起草非常灵活，以适应不断变化的情况。本文主要基于这样的假设：现有条约法在许多方面已经足够，但在某些领域仍需要制定条约。可预见的解决方案是全面的国家实践，以解释规范网络环境中武装冲突的现有规则 (lex lata)。这是因为网络空间的武装冲突在多个维度上不同于动能战争。国际社会尚未就网络战争时期武装冲突法如何提供保护达成共识。从定义攻击和对象等基本术语到归因问题，都需要解决。鉴于这种模糊性，国际人道主义法（IHL，与武装冲突法互换使用）在网络空间发生的冲突中比在物理空间中更频繁地被违反。各国真诚利用现有法律的努力是网络背景下国际人道主义法发展的必要条件。
mm mm AFTC 自动故障树代码...
60 摘要：故障树在系统的可靠性和安全性分析中起着主导作用。手动构建故障树是一项非常耗时的任务，而且它不会给出正式的结果，因为它高度依赖于分析师的经验和启发式方法。这就需要计算机化的故障树构建，这仍然吸引着可靠性分析师的兴趣。AFTC 软件是一种用户友好的软件模型，用于基于决策表构建故障树。软件配备了各种核电站 (NPP) 系统中常用组件的决策表库。用户需要根据可用的流程图制作要构建故障树的系统的节点图。文本节点图是定义系统流程图的唯一输入。AFTC 软件是一个基于规则的专家系统，它从系统流程图和组件决策表中绘制故障树。AFTC 软件以文本和图形格式提供故障树。提供有关如何输入系统流程图和组件决策表的帮助。该软件是用 C 语言开发的。软件通过印度 PHWR 消防水系统的简化版本进行验证。将进行代码转换以创建基于窗口的版本。
分析继电器故障数据，提高服务可靠性
一个 55 年历史的继电器发生一次组件故障，表明了过去几十年继电器系统的卓越可靠性。这应该让我们思考传统上使用两个不同的继电器系统来提高可靠性的做法。该实用程序提供的数据表明，几乎所有跳闸故障都是由连接线或断路器问题引起的，而不是继电器结构或设计。这表明添加第二个不同的继电器系统几乎不会提高保护系统的可靠性。另一方面，由于第二个不同的继电器系统增加了设置错误的概率，因此随着继电器的增加，误跳闸的概率大约翻倍。当出于维护或测试目的需要两个继电器时，这些数据表明，具有相似的接线和设置将提供最小的安全性下降。
纳米电子电路中基于学习的基于学习的故障检测
在纳米电子的快速前进的领域中的摘要，确保电路的鲁棒性对于可靠的性能至关重要。这项研究解决了使用深度学习技术在纳米电子电路中有效检测有效故障检测的关键需求。引言概述了纳米电子电路的增加的复杂性以及对断层易感性的相应上升，这强调了高级故障检测机制的必要性。手头的问题涉及在高度紧凑和复杂的纳米电子电路中识别断层的固有挑战，在这些断层中，传统的故障检测方法通常不足。突出了研究差距，强调缺乏根据纳米电子的特定挑战量身定制的可靠故障检测解决方案。为了弥合这一差距，我们的方法利用了深度学习的力量，采用神经网络来学习复杂的模式，指示纳米电子电路中的故障。该方法涉及开发一个综合数据集，该数据集可捕获各种故障场景，从而确保模型对现实情况的适应性。使用此数据集对神经网络进行了训练，从而可以辨别出信号潜在故障的微妙变化。结果介绍了提出的基于深度学习的故障检测系统的功效，与传统方法相比，准确性有显着提高。该系统不仅以高精度识别已知的故障，而且还具有出色的检测新故障的能力，展示了其对纳米电子电路体系结构不断发展的适应性。关键字：纳米电子，故障检测，深度学习，神经网络，鲁棒性
容错之前量子计算实用性的证据
量子计算有望在某些问题上提供比传统计算更快的速度。然而，发挥其全部潜力的最大障碍是这些系统固有的噪声。这一挑战被广泛接受的解决方案是实现容错量子电路，而这超出了当前处理器的能力。我们在此报告了在嘈杂的 127 量子比特处理器上进行的实验，并展示了在超越蛮力传统计算的规模上对电路体积的准确期望值的测量。我们认为这代表了量子计算在容错时代之前的实用性的证据。这些实验结果得益于超导处理器在这种规模上的相干性和校准方面的进步，以及表征 1 和可控制地操纵如此大型设备上的噪声的能力。我们通过将测量的期望值与精确可验证电路的输出进行比较来确定其准确性。在强纠缠状态下，量子计算机提供了正确的结果，而基于纯态的一维（矩阵积态，MPS）和二维（等距张量网络态，isoTNS）张量网络方法 2,3 等领先的经典近似方法则无法实现。这些实验展示了实现近期量子应用的基础工具 4,5 。
表征深神经网络中子诱导的断层模型
摘要 - 在图形处理单元（GPU）上执行的深神经网络（DNN）的可靠性评估是一个具有挑战性的问题，因为硬件体系结构非常复杂，软件框架由许多抽象层组成。虽然软件级故障注入是评估复杂应用程序可靠性的一种常见且快速的方法，但它可能会产生不切实际的结果，因为它对硬件资源的访问有限，并且采用的故障模型可能太幼稚（即单位和双位翻转）。相反，用中子光束注射物理断层提供了现实的错误率，但缺乏故障传播可见性。本文提出了DNN故障模型的表征，该模型在软件级别结合了中子束实验和故障注入。我们将运行一般矩阵乘法（GEMM）和DNN的GPU暴露于梁中子，以测量其错误率。在DNNS上，我们观察到关键错误的百分比可能高达61％，并表明ECC在减少关键错误方面无效。然后，我们使用RTL模拟得出的故障模型进行了互补的软件级故障注入。我们的结果表明，通过注射复杂的断层模型，Yolov3的误导率被验证为非常接近通过光束实验测得的速率，该速率比仅使用单位倒换的断层注射测量的频率高8.66倍。
自动除颤器对心脏患者的远程监控-IJRPR
广泛采用电动汽车（EV）取决于可靠有效的电池管理系统的开发。一个关键的挑战在于确保整个车辆寿命中的电池健康，安全性和最佳性能。传统方法通常依赖于预定的维护或发生故障后的反应措施。本文介绍了一种新颖的方法 - 一种AI驱动的机器学习（ML）框架 - 用于主动电动电动电动电池健康管理。我们建议的系统解决了三个关键方面：实时故障检测，持续的健康监测以及剩余的使用寿命（RUL）锂离子电池的预测。该框架利用电池管理系统（BMS）的丰富数据流，包括电压，电流，温度和细胞健康参数。通过采用高级ML算法，系统可以实时分析此数据，以识别偏离正常工作模式的异常。这可以尽早发现潜在的电池故障，以防止安全危害和性能退化。此外，本文探讨了回归或深度学习技术在RUL预测中的应用。这允许主动维护计划，优化资源分配以及由于意外的电池故障而最大程度地减少停机时间。该框架不断学习和适应累积数据的能力可确保准确性和可靠性的持续提高。本文提出了对电动汽车中智能电池管理的重大进步。我们将深入研究拟议的ML框架，详细介绍其功能，以进行故障检测，健康监测和RUL预测。将提出实验结果和性能指标，以验证我们方法的有效性。最后，我们将讨论该AI驱动系统对EV电池健康管理未来的潜在影响及其对更可靠和可持续的运输环境的贡献。除了对单个车主的直接利益外，该AI驱动的电池管理系统的广泛实施还具有对更广泛的社会和环境影响的巨大希望。通过提高电动汽车电池的寿命和效率，该技术可以显着降低与电池制造和处置相关的环境足迹。通过主动维护延长锂离子电池的寿命不仅可以保存宝贵的资源，还可以减轻电池生产的环境影响，这涉及有限的原材料和能源密集型制造工艺。