XiaoMi-AI文件搜索系统
World File Search Systemfault
使用机器学习模型进行故障诊断
摘要轴承是带有变速箱的任何机械的关键元素。必须有效诊断轴承断层以确保机械的安全性和正常操作。因此，轴承中机械故障的识别和评估对于确保可靠的机械操作非常重要。这项比较研究表明，通过利用各种机器学习方法，包括SVM，KNN，线性回归，脊回归，XGB回归，ADABOOST回归和CAT促进回归，轴承诊断的性能。轴承就像机械世界的无名英雄一样，在船上从车轮到螺旋桨，都极大地支撑和指导所有事物的平稳运动。然而，与其他机械组件一样，随着时间的流逝，轴承的持续使用会导致磨损，这最终可能导致故障。
使用人工智能的电动机故障检测
摘要： - 电动机是各种工业应用中的关键组件，其可靠性对于确保连续操作和最小化停机时间至关重要。本文介绍了应用于电动机故障检测的人工智能（AI）技术的全面审查和分析。我们探讨了各种AI方法，包括机器学习，深度学习和混合方法，评估它们在识别和分类不同类型的运动故障方面的有效性。该研究涵盖了广泛的电动机类型和故障场景，提供了有关该领域最新和未来方向的见解。我们的发现表明，与传统方法相比，基于AI的故障检测系统在准确性，早期检测能力和适应性方面可显着提高，为更可靠，有效的工业运营铺平了道路。
可再生微电网中故障检测的机器学习方法
摘要。本文介绍了机器学习技术的新颖使用，以识别分散能源系统领域内可再生微电网中的故障。该研究研究了机器学习模型在识别动态和可变微电网环境中异常的有效性。它利用一个综合数据集，其中包括太阳能，风能和水力发电，能源存储状态和故障指示器等参数。调查表明，与常规的基于规则的方法相比，在识别故障的识别优势方面具有94％的精度，这表明了机器学习的优越性，该方法的准确率为80％。精确度和召回措施强调了机器学习模型的均衡性能，降低了误报和假否定性，并保证了精确的问题检测。断层对微电网效率的影响大大降低，在断层情况下仅记录了2％，这表明模型维持有效的能量供应的能力。一项比较研究表明，与常规技术相比，准确性提高了14％，强调了自适应和数据驱动方法在识别复杂的断层模式方面的益处。灵敏度研究验证了机器学习模型的弹性，证明了它们适应不同设置的能力。模型的实际应用通过模拟
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用领域的焦点话题之一。个体传感信息通常用于揭示底层过程动态并识别其中的潜在变化。这些系统通常配备有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船载系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。示例包括线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）
EDF 和 AREVA UK EPR 评估 - 故障研究 - ONR
作为通用设计评估 (GDA) 流程的一部分，本报告所支持的评估以及 EDF 和 AREVA 就英国 EPR™ 反应堆设计所提交的意见都是在日本福岛事件发生之前制定的。因此，本报告的任何调查结果或结论均未提及福岛。但是，ONR 提出了 GDA 问题，要求 EDF 和 AREVA 说明他们将如何考虑从福岛事件中吸取的教训，包括 ONR 首席检查员的中期和最终报告中确定的教训和建议。有关此 GDA 问题的详细信息，请参阅联合监管机构的新建网站 www.hse.gov.uk/newreactors 以及 ONR 对 EDF 和 AREVA 英国 EPR™ 反应堆的第 4 步跨领域主题评估。
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用的重点主题之一。个体传感信息通常用于揭示潜在的过程动态并识别其中的潜在变化。这些系统通常配备具有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船上系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。例如线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）[1][2]。研究人员还使用了软计算
MAKO 无人机飞行模拟用于数据驱动的故障诊断
过去十年，各种用途的无人机数量迅速增加。这促使监管机构急于制定安全的整合战略，以适当共享空域的利用率。处理故障和失效是关键问题之一，因为它们在可用的事件报告中占了更大的比重。这些小型飞行器的硬件限制表明，需要使用分析冗余，而不是常规飞行中通常的硬件冗余做法。在本研究过程中，回顾了飞机的故障检测和诊断。然后模拟了 MAKO 飞机的非线性模型，以生成故障和正常飞行数据。该平台能够为各种飞行条件生成数据，并设计用于故障检测和诊断的机器学习实现。
工业智能制造实时故障诊断方法综述
摘要：工业4.0时代，高度复杂的生产设备日益集成化、智能化，对数据驱动的过程监控与故障诊断提出了新的挑战。工业物联网、信息物理系统、人工智能等技术在现代工业智能制造中得到越来越广泛的应用。云计算和大数据存储极大地促进了工业信息流的处理和管理，有助于实时故障诊断（RTFD）技术的发展。本文全面回顾了工业过程监控和机器状态监控领域的最新RTFD技术。从数据采集过程开始，详细介绍了RTFD流程。目前的RTFD方法分为基于独立特征提取的方法、基于“端到端”神经网络的方法以及基于新视角的定性知识推理的方法。此外，本文讨论了RTFD在未来发展中的挑战和潜在趋势，为专注于该领域的研究人员提供参考。
使用 ICAP 加速 FPGA 故障注入活动的方法
摘要：片上系统 (SoC) 的复杂性不断增加，集成电路 (IC) 制造工艺的微型化技术不断发展，使得现代 SoC 更容易受到辐射引起的单粒子效应 (SEE) 的影响，即使在海平面也是如此。为了以低成本提供切合实际的估计，需要能够复制 SEE 的高效分析技术。在这些方法中，通过使用现场可编程门阵列 (FPGA) 进行仿真进行故障注入，可以在被测电路 (CUT) 上运行活动。本文研究了使用 FPGA 架构来加速故障活动的执行。因此，提出了一种在 FPGA 上映射 CUT 占用的新方法，从而显著减少了要注入的故障总数。此外，还提出了一种故障注入技术/流程来展示尖端方法的优势。所提出的技术使用 Xilinx FPGA 的内部配置访问端口 (ICAP) 模拟 CUT 的所有组合元素中的单粒子瞬变 (SET)。
针对个人智能设备的实用低成本故障注入攻击
摘要：传统上，故障攻击被认为是一种威胁模型，该模型假设被测设备由攻击者拥有。我们提出了该模型的变体。在我们的模型中，攻击者将故障注入电路集成到恶意的现场可更换单元 (FRU) 中，受害者随后将其放置在靠近自己设备的位置。包含 FRU 的设备示例包括路由器中的接口卡、手机中的触摸屏和传感器组件、打印机中的墨盒、健康传感器中的电池等。FRU 通常由售后维修技术人员安装，而无需正确验证其真实性，先前的研究表明，它们可以用作对智能设备的隐私和完整性进行各种攻击的载体。我们设计并实现了一种适合放置在恶意 FRU 内的低成本故障注入电路，并展示了如何通过组合硬件-软件方法使用它从特权系统进程中实际提取机密，即使攻击者软件应用程序仅具有用户级权限。我们的原型可以产生高效且可重复的攻击，尽管其成本比常用的故障注入分析实验室设置低几个数量级。这种威胁模型允许远程执行故障攻击，即使被测设备在受害者手中。结合纯软件故障攻击的最新进展，我们认为应该将对故障攻击的抵抗力内置到其他类型的设备中。