XiaoMi-AI文件搜索系统
World File Search Systemrul
可靠性工程与系统安全
提出了一种评估飞机发动机监测数据的新方法。通常，预测和健康管理系统使用某些发动机部件的退化过程知识以及专业专家意见来预测剩余使用寿命 (RUL)。出现了新的数据驱动方法，可以在不依赖这种昂贵过程的情况下提供准确的诊断。但是，它们中的大多数缺乏解释组件来理解模型学习和/或数据的性质。为了弥补这一差距，我们提出了一种基于变分编码的新方法。该模型由一个循环编码器和一个回归模型组成：编码器学习将输入数据压缩到潜在空间，以此为基础构建一个自解释的地图，可以直观地评估飞机发动机的劣化率。获取这种潜在空间是通过变分推理引导的新成本函数和惩罚预测误差的项来进行正则化的。因此，不仅实现了可解释的评估，而且还实现了显着的预测准确性，优于 NASA 流行模拟数据集 C-MAPSS 上的大多数最新方法。此外，我们使用来自实际涡扇发动机的数据在现实场景中展示了我们的方法的应用。
电动汽车大规模发展的关键挑战：全面回顾
AC 交流电 ACO 蚁群优化 BEV 纯电动汽车 BMS 电池管理系统 BSS 电池换电站 BTMS 电池热管理系统 DC 直流电 DWPT 动态无线功率传输 E3G 第三代环保主义 EchM 电化学模型 ECM 等效电路模型 EVCS 电动汽车充电站 EV 电动汽车 EVSE 电动汽车供电设备 GA 遗传算法 HEV 混合动力电动汽车 HOV 高乘载汽车 ICEV 内燃机汽车 IEC 国际电工委员会 IP 整数规划 ISO 国际标准化组织 PCM 相变材料 PEV 插电式电动汽车 PSO 粒子群优化 PTC 正温度系数 RUL 剩余使用寿命 RTR 温升速率 SAE 汽车工程师协会 SOC 充电状态 SOH 健康状态 V2B 车对楼 V2G 车对电网 V2H 车对家 V2L 车对负载 V2V 车对车 V2X 车对万物 VCC蒸汽压缩循环 WPT 无线电力传输
预测和健康管理系统架构定义的系统方法
预测和健康管理 (PHM) 系统通过提供诊断和预测功能来支持飞机维护，利用现代飞机上传感器数据可用性的提高。诊断提供故障检测和隔离功能，而预测可以预测系统的剩余使用寿命 (RUL)。在文献中，PHM 技术已从不同角度进行研究，涵盖各种目标，例如提高飞机系统的可靠性、可用性、安全性和降低维护成本。从设计角度来看，有几种设计方法的概念性公式可用，从而可以基于不同的框架和系统需求的推导来构建一组 PHM 系统架构。但是，尚未建立一套系统的方法来实现对 PHM 架构的一致定义。尚未深入研究架构的特征。为了解决这些差距，本文提出了一种系统的 PHM 架构定义方法，以确保在产品生命周期的开发阶段实现更完整、更一致的设计。此外，本文还根据此系统方法提出了一种通用的 PHM 架构。进行了案例研究以验证和确认该架构，确保其满足正确、完整地表示 PHM 特性的要求。
第六届国际工业4.0国际会议和智能制造业2024年11月20日，布拉格（捷克共和国）会议时间：捷克共和国lo
。ISM 2024 General Co-Chairs Francesco Longo, MSC-LES – DIMEG, University of Calabria, Italy David Romero, Tecnológico de Monterrey, Mexico ISM 2024 Program Chair Vittorio Solina, MSC-LES – DIMEG, University of Calabria, Italy ISM 2024 Board of Advisors Agostino Bruzzone - University of Genoa, Italy - ISM Mentor Chair Michael Affenzeller - University of Applied Sciences Upper Austria, Austria -Former ISM General Co-Chair Weiming Shen - Huazhong University of Science and Technology, China - Former ISM General Co-Chair Luigi D'Oriano - Baker Hughes, Italy - Advisory Board Member – Corporate James C. Spohrer - ISSIP, ex-IBM - Advisory Board Member – Corporate Antonio Padovano - University of意大利卡拉布里亚 - 前ISM计划联合主席TuğrulÖzel -rutgers University-美国新不伦瑞克省 - 顾问委员会成员 - 北美Florinda Matos -Iscte Business School，葡萄牙dinâmia'cet -Iscte，葡萄牙 - 咨询委员会成员Radu Godina- Nova Godina- Nova Goda -Nova Science of Science and Dive -diva -div
罗马尼亚统计杂志 - 增刊编号。 2022 年 11 月
与人口和劳动力市场之间存在的相关性有关。因此，Anghel 和 Anghelache（2018）强调，考虑到罗马尼亚现有大量养老金领取者，就业人口面临的困难日益增加。 Anghelache、Anghel 和 Iacob（2020）分析了冠状病毒大流行背景下与人口自然流动相关的许多方面。 Chéron、Hairault 和 Langot（2013）重点研究了整个生命周期中可用的工作。 Hili、Lahmandi-Ayed 和 Lasram（2016）多次提到全球化下的劳动力。 Klein 和 Ventura (2009) 分析了劳动力流动性与生产率之间的相关性。 Maestas、Mullen 和 Powell（2016）研究了人口老龄化对劳动力以及生产率的影响。 Mortensen 和 Pissarides（2011）强调了失业理论的要素。 Raiu, C.V., Juknevičienė, V. (2021) 采用新韦伯方法强调什么
人工智能的工程应用
在预测和健康管理 (PHM) 中，从大量状态监测数据构建综合健康指标 (HI) 的任务起着至关重要的作用。HI 可能会影响剩余使用寿命 (RUL) 预测的准确性和可靠性，并最终影响系统退化状态的评估。大多数现有方法都先验地假设被研究机械的退化规律过于简单，这在实践中可能无法恰当地反映现实。特别是对于在随时间变化的外部条件下运行的复杂程度高的安全关键工程系统，退化标签不可用，因此监督方法不适用。为了解决上述推断 HI 值的挑战，我们提出了一种新的基于反因果关系的框架，通过从因果模型的影响中预测原因来降低模型复杂度。提出了两种用于推断结构因果模型的启发式方法。首先，从时间序列的复杂性估计中识别因果驱动因素，其次，通过 Granger 因果关系推断出一组效应测量参数。一旦知道了因果模型，离线反因果学习只需几个健康周期就能确保强大的泛化能力，从而有助于获得 HI 的稳健在线预测。我们在 NASA 的 N-CMAPSS 数据集上验证并比较了我们的框架，并与商用喷气式飞机上记录的实际运行条件进行了比较，这些条件用于进一步增强 CMAPSS 模拟模型。提出的具有反因果学习的框架优于现有的深度学习架构，将所有调查单元的平均均方根误差 (RMSE) 降低了近 65%。
碳边界调整机制对土耳其经济的潜在影响
本报告是作为中量可持续融资设施（MIDSEFF）的碳融资顾问协会的一部分准备的。本金是欧洲重建与发展银行（EBRD），以及银行的特殊股东基金（SSF）的任务 - 另请参见www.turkishcarbonmarket.com本报告的作者是Imogen Long，Carolina Changan，Darragh Conway，Szymon Mikolajczyk（气候焦点），Ebru Voyvoda（中东技术大学），ErinçYeldan（Kadir Have ahmetAt Ath都艾尔·艾尔·艾尔·艾尔·艾尔坦（ErinçYeldan）大学和Engin Mert（气候派手）。我们要对以下有价值的投入和反馈（字母内）表示感谢：AbdulkadirBektaş，AydınSargın，CerenFırat，Ecem Konak，Ecem Konak，Emir Konak，Emir Aldan，Emir Aldan，EyüpKaanMoralian，Ezgi akgedik akgedik akgedik akgedik keemafa keemaf， AllözGündüz，Suatözbek，Suatşağban，OkanUğurlu，Orhan Solak和ÖyküUyanık。来自Ebru，MuharremAşkın，Elif Bakna，ArifCemGündoğan，Gerrit Hold，Ishi MineIşık，Emre Oguzoncul和Jan-Willem van de Ven。在本项目过程中提供支持的完整清单，包括贸易部，能源和自然资源部，环境，城市化和气候改变者，工业部土耳其水泥（Türkçimemento）和土耳其钢生产商协会（Tçüd）公司。
通过物理增强动态模式分解方法启用具有替代模型的替代预后学
计算模型提供了评估和预测物理系统健康和性能的基本定量工具。但是，由于其时间密集型的性质，高实现模型很少用于实时操作或大型优化循环。提高预后计算效率的一种常见方法是采用表面模型。这样的模型可以显着减少计算时间，以获得一些准确的损失。在这种情况下，提出了动态模式分解（DMD）的使用，以对锂离子（Li-ion）电池电量进行替代模型。dmd，但是尚未应用于PHM域，在PHM域中，非线性行为的远面预测对于传播断层或剩余有用的使用寿命至关重要。对于锂离子电池健康管理，DMD的标准应用仅使用可观察到的兴趣量无法捕获实验室测试中展示的电池的非线性排放。Koopman理论提供了一种机制，可以通过将非线性状态变量扩展到系统表示中，以在DMD框架中以高维线性模型进行高维线性模型进行交易。通过这种方式，DMD允许根据Koopman运算符的维度提供可配置的模拟精度。为了进行电池健康管理，我们使用了更高的物理模型的隐藏状态增强了可观察到的变量，以构建DMD代理。与高实现模型相比，替代物提高了计算效率，仅损失准确性，并实现了长期prog-
使用机器学习的道路事故严重性预测 传导易燃电缆的方法...- IJRPR 雀巢的供应链管理-IJRPR 制造可持续的低成本反应堆来治疗家庭废水 用于诊断印度农村疾病的医疗人工智能工具 药物发现与开发中的人工智能-IJRPR 使用ML -IJRPR 预测电动电动机的电池rul
k-nearest邻居（KNN）是一种简单而功能强大的机器学习算法，用于分类和回归任务。在道路事故严重性预测的背景下，KNN可根据各种特征（例如天气条件，一天中的时间，道路类型，车辆类型，交通量等）来对事故的严重程度（例如，次要，中等，严重）进行分类。KNN算法可以通过比较给定数据点（即事故记录）中的范围（即，事故记录）的范围（即，事故记录）的范围（即，事故记录）的范围（即，事故记录）的范围（即，事故记录）的范围（即，事故记录）（即，事故记录）的范围（即，均为事故的范围）， 预言。k-nearest邻居（KNN）是一种简单而有效的算法，可预测道路事故严重性，尤其是当特征和结果之间的关系并不过于复杂时。尽管KNN提供了简单性和可解释性，但它确实具有诸如高计算成本和功能缩放敏感性之类的局限性。因此，KNN最适合较小的数据集或其简单性和易于理解的情况。