XiaoMi-AI文件搜索系统
World File Search Systemfriendly
智能光伏系统的电网友好型电源控制
电力电子技术在现代电力系统中的渗透率不断提高，对整个系统的稳定性提出了挑战，需要更先进的控制策略来解决这些问题。其中一个挑战是可再生能源的变化，包括光伏 (PV) 系统，它们通常具有不确定性和间歇性（不可调度）。在这方面，灵活的功率控制解决方案对光伏系统具有很高的兴趣，这是智能光伏逆变器的一项基本功能，可以最大限度地减少电网整合和运行中的不利影响。另一方面，光伏系统可以通过功率控制提供辅助服务，例如电压和频率支持。因此，本文概述了灵活有功功率控制 (FAPC) 的最新进展，该控制使智能光伏系统能够实现电网友好型整合。从电网的角度介绍了对 FAPC 的需求。然后，回顾了各种 FAPC 方案，其中通过修改最大功率点跟踪 (MPPT) 的控制策略是最可行和最有效的，无需任何硬件修改。这被称为灵活功率点跟踪 (FPPT)，并通过案例研究进一步说明。此外，还详细讨论了促进电网全面电压和频率支持的功率储备控制 (PRC)。还介绍了未来的研究前景。
用户友好的 MES 界面：工业 4.0 车间基于 AI 的聊天机器人协助建议
摘要。本文的目的是研究工业 4.0 场景中的“技术援助”，并使用制造执行系统 (MES) 来满足车间轻松提取信息的需求。我们确定了用户友好型 MES 界面的具体要求，以开发（和测试）技术援助方法，并引入带有预测系统的聊天机器人作为 MES 的接口层。聊天机器人旨在通过协助车间员工并从他们的输入中学习来实现生产协调，从而充当智能助手。我们编写了一个原型聊天机器人作为概念验证，其中新的接口层以自然语言提供与生产相关的实时更新，并为 MES 增加了预测能力。结果表明，与传统搜索技术相比，MES 的聊天机器人界面对车间员工有益，并且可以轻松提取信息。本文对制造业信息系统领域做出了贡献，并展示了工厂中的人机协作系统。特别是，本文推荐了开发基于 MES 的技术辅助系统的方式，以便于信息检索。
应用生态友好的多官方多孔石墨烯氧化物在水溶液中的吸附铬的吸附性隔离
使用两种硅烷（（（3-氨基丙基） - 三乙氧基菌）和（3-甲基丙基） - 三乙氧基硅烷）进行官能化，以分别获得生态友好型胺功能化的GO（GONH）和硫醇功能功能（GOSH）。两个硅烷也被一起使用，以获得胺 - 硫醇双官能化的GO（GOSN）。获得了各种物理化学特征，包括使用傅立叶转换红外（FTIR）光谱仪，热重分析仪和X射线衍射仪的光谱。吸附剂用于对水溶液中Cr吸附的比较研究。将所获得的数据拟合到伪优先（PFO）和伪秒阶（PSO）模型，均质分形伪秒（FPSO）以及Weber-Morris - 莫里斯 - 摩尔斯 - 摩尔斯 - 莫里斯（Weber-Morris）内膜内颗粒扩散（IPD）动力学模型。计算了Langmuir和Freundlich吸附等温模型以及热力学的模型参数。表征结果显示成功的功能化。GONH，GOSH和GOSN分别在水中表现出碱性，酸性和中性pH。胺和硫醇官能团，以及降低的顺序。吸附剂比原始GO具有更高的每单位重量密度，并且热稳定性更好。平衡Cr吸附。PSO和FPSO更好地描述了速率数据。随着溶液的pH含量，Cr吸附降低；最佳吸附在pH 2处记录。吸附过程是理论上的放热过程，即自发过程。平衡吸附数据拟合了GONH的Langmuir吸附等温线模型，而它为GOSH和GOSN拟合了Freundlich。这些吸附剂的Cr吸附能力分别为114、89.6和173 mg/g，分别为GONH，GOSH和GOSN，并且这些吸附能力比几种报道的基于石墨烯的吸附剂要好，并提出了这些吸附剂的潜力。©2020水环境联合会
用于高级 fMRI 分析的用户友好型学习材料
先进的脑成像分析方法，包括多元模式分析 (MVPA)、功能连接和功能对齐，在过去十年中已成为认知神经科学的有力工具。这些工具以自定义代码和单独的程序包实现，通常需要不同的软件和语言能力。虽然专家研究人员可以使用，但新手用户面临着陡峭的学习曲线。这些困难源于使用新的编程语言（例如 Python）、学习如何将机器学习方法应用于高维 fMRI 数据以及极少的文档和培训材料。此外，大多数标准 fMRI 分析包（例如 AFNI、FSL、SPM）侧重于预处理和单变量分析，在如何与高级工具集成方面存在空白。为了满足这些需求，我们开发了 BrainIAK (brainiak.org)，这是一个开源 Python 软件包，它将几种尖端的、计算效率高的技术与其他 Python 包（例如 Nilearn、Scikit-learn）无缝集成，用于文件处理、可视化和机器学习。为了传播这些强大的工具，我们开发了用户友好的教程（Jupyter 格式；https://brainiak.org/tutorials/），以便更广泛地学习 BrainIAK 和 Python 中的高级 fMRI 分析。这些材料涵盖的技术包括：MVPA（模式分类和表征相似性分析）；并行探照灯分析；背景连接；全相关矩阵分析；受试者间相关性；受试者间功能连接；共享响应建模；使用隐马尔可夫模型进行事件分割；以及实时 fMRI。对于长时间运行的作业或大内存需求，我们提供有关高性能计算集群的详细指导。这些笔记本已在多个站点成功测试，包括作为耶鲁大学和普林斯顿大学课程的问题集以及各种研讨会和黑客马拉松。这些材料是免费共享的，希望它们成为开源软件和教育材料池的一部分，用于大规模、可重复的 fMRI 分析和加速发现。
