XiaoMi-AI文件搜索系统
World File Search System信号故障
数字化正在改变水泥行业。人工智能...
摘要 温度、振动、压力和其他操作参数的传感器在早期检测中起着关键作用。现有的传感器可以轻松整合到动态 AI 系统中，因为 CemAI 的算法与传感器的制造商或品牌无关。该系统还为潜在的传感器或信号故障提供反馈回路。随着维护洞察力的发展，额外的传感器只能增强 CemAI 技术的预测性维护结果。一个代表性的单窑水泥厂可能有 1000 到 5000 个各种类型的信号（温度、振动、气流、压力等）正在被跟踪。
工具睫状刺猬响应的时间分辨蛋白质组学分析
主要纤毛是一个信号室，通过其蛋白质，脂质和第二信使组成的变化来解释刺猬信号。在这里，我们将纤毛的接近标记与定量的质谱法结合了响应于刺猬的纤毛蛋白质组的时间依赖性变化。这种方法正确地识别了已知经历刺猬调节的睫状重新分布的三个因素，并揭示了两种此类额外的蛋白质。首先，我们发现cAMP依赖性蛋白激酶（PKA）的调节亚基迅速退出纤毛，以及G蛋白 - 耦合受体GPR161响应HEDGEHOG，我们建议GPR161/PKA模块的感觉和camp Signals Camp Signals Signals Signals CILAIRY PKA。第二，我们将磷酸酶圣丁素识别为细胞类型 - 刺猬信号的特定调节剂，该刺猬信号传导在途径激活时进入原发性纤毛。定量睫状蛋白质组谱分析的广泛适用性有望快速表征纤毛病及其潜在信号故障。
电动机轴承故障检测的监督对比度学习 /作者=张，亨格鲁伊； Wang，Bingnan /CreationDate = 2024年9月4日 /受试者=电气系统，机器学习，多物理建模< /div < /div>
抽象的各种故障会导致电动机故障，从而导致停机时间和资产损失。故障检测技术在行业中非常需要预测和防止此类故障。机器学习的最新进展已启用数据驱动的模型，这些模型可以从电动机中监视的信号中识别故障。但是，这些信号可能很复杂，并且表明故障的特征是微妙的。因此，需要提取与信号故障相关的信息特征的有效方法。在本文中，我们探讨了对比度学习在检测相位电流信号的轴承断层中的使用。我们开发了一个模型架构，该模型结构由两个部分，一个特征提取器和一个分类器组成，其中特征提取器使用监督的对比度学习进行了预训练。在Pader-Born University轴承故障数据集上进行了测试，我们的模型达到了87％的高故障分类精度，这表现优于常规机器学习模型。我们还进行了消融测试，以证明该模型中基于对比的学习培训的重要性。通过研究模型的分类结果和提取的特征，我们进一步探讨了对比度学习在提取区分不同类别的特征中的效果。我们预计对比度学习可以奠定更准确的故障检测模型的基础，并将其扩展到其他实际的故障检测任务。