XiaoMi-AI文件搜索系统
World File Search System健康监测
顶部管道系统的结构健康监测和...
5 传感器系统 ................................................................................................................................................ 12 5.1 传感器系统定义 12 5.2 传感器系统故障模式 14 5.3 应变计 15 5.4 加速度计 17 5.5 速度计 18 5.6 运动参考单元 18 5.7 波雷达 18 5.8 流量计 19 5.9 光纤传感器 19 5.10 数字图像相关 (DIC) 20 5.11 声学传感器 20 5.12 基于光学的泄漏检测系统 22 5.13 温度传感器 22 5.14 无线传感器的局限性 23
飞机健康监测程序的开发... - Fenix
导师：Prof. Pedro da Graça Tavares Álvares Serrão 委员会成员：Prof.塞尔吉奥·大卫·帕雷里尼亚·卡瓦略
航空电子设备健康监测可信度评估
本文提供了一种使用自动测试设备 (ATE) 评估下机航空电子系统健康监测可信度的方法。指标包括假阳性、假阴性、真阳性和真阴性的概率。我们首次考虑了刺激信号源 (SSS) 的不稳定性、测量通道误差的随机和系统分量以及系统本身的可靠性特性。我们考虑了永久性故障和间歇性故障的指数分布的具体情况，并推导出计算可信度指标的公式。数值计算说明了正确和错误决策的概率如何取决于精度参数。我们表明，当刺激信号的标准差增加时，假阳性和假阴性的概率增加得比真阳性和真阴性的概率下降得快得多。对于甚高频全向测距 (VOR) 接收器，我们证明即使刺激信号源产生的随机误差为零，假阳性和假阴性的概率也不为零。
航空电子设备健康监测可信度评估
本文提供了一种使用自动测试设备 (ATE) 评估下机航空电子系统健康监测可信度的方法。指标包括假阳性、假阴性、真阳性和真阴性的概率。我们首次考虑了刺激信号源 (SSS) 的不稳定性、测量通道误差的随机和系统分量以及系统本身的可靠性特性。我们考虑了永久性故障和间歇性故障的指数分布的具体情况，并推导出计算可信度指标的公式。数值计算说明了正确和错误决策的概率如何取决于精度参数。我们表明，当刺激信号的标准差增加时，假阳性和假阴性的概率增加得比真阳性和真阴性的概率下降得快得多。对于甚高频全向测距 (VOR) 接收器，我们证明即使刺激信号源产生的随机误差为零，假阳性和假阴性的概率也不为零。
光纤传感器在结构健康监测中的应用
摘要— 结构健康监测 (SHM) 可以理解为传感与智能的集成，以便记录、分析、定位和预测结构载荷和损伤诱发条件，从而使无损检测成为其中不可或缺的一部分。此外，SHM 系统可以包括执行装置，以采取适当的反应或纠正措施。SHM 传感要求非常适合光纤传感器 (OFS) 的应用，特别是提供集成、准分布式或完全分布式技术。在本教程中，在简要介绍基本的 SHM 概念之后，回顾了可用于此应用的主要光纤技术，重点介绍了四种最成功的技术。然后，还介绍了在实际结构中使用 OFS 的几个示例，包括来自可再生能源、交通运输、土木工程和石油和天然气工业领域的示例。最后，确定了当前最相关的技术挑战和关键行业市场。本文提供了教程介绍、该主题的全面背景以及对 OFS 用于 SHM 的未来进行了预测。此外，还讨论了近期将面临的一些挑战。
设备使用机器学习的设备健康监测...
现代文明中科学技术的快速增长导致机械和设备的规模，复杂性和自动化的增加。现代工业生产的两个最重要方面是问题识别和机械状况监测。通过有效的状况监测使早期问题检测成为可能，这在考虑到生产效率，操作可靠性，维护成本和停机时间等变量时至关重要。研究问题的识别和机械的健康监测具有实际意义。为了进行设备监控和故障诊断的目的，记录了有关设备的温度，振动，噪声水平和润滑状态的信息。之后，该信息被用来确定该问题的主要来源，并采取补救措施。条件监视系统的核心元素是故障预测，功能提取和问题诊断。特征提取和故障诊断对于正常检测，问题定位和失败严重性预测至关重要。本文包括故障诊断和计算智能在状态监控和故障检测中的应用，本文还介绍了一种使用机器学习（ML）技术进行设备状态监测的方法。流行的机器学习（ML）分类方法，例如随机森林（RF），随机树（RT），天真贝叶斯（NB），XG Boost（XGB）和Logistic Recression（LR），用于组装。紧迫需要提高机器的可靠性并减少由于机器故障而导致的生产损失的可能性，这是对机器状况监测的越来越重视的原因。关键字：故障预测，机器学习，天真的贝叶斯，生产，随机森林，随机树，意外的停机时间。
使用异常检测技术进行机队健康监测
1 ONERA DTIS，图卢兹大学，图卢兹，法国；luis.basora@onera.fr (L.B.); paloma.bry@protonmail.com (P.B.); xavier.olive@onera.fr (X.O.)2 荷兰皇家航空公司，邮政信箱 7700，1117 ZL Schiphol，荷兰，Floris.Freeman@klm.com (F.F.)* 通信地址：luis.basora@onera.fr † 当前地址：2 avenue Édouard Belin, 31055 Toulouse CEDEX 4, France.‡ 这些作者对本作品的贡献相同。
基于叶片 TT 和 TC 的涡轮机械健康监测
有效的发动机健康监测对于飞机安全至关重要，尤其是对于老化的机器。ITWL 为 TS-11 Iskra 喷气教练机开发了 SNDŁ-1b/SPŁ-2b 诊断系统，该系统自 1993 年以来已在波兰空军成功使用 [1, 2]。该系统具有诊断功能，需要技术人员参与。飞机维护和安全方面的众多好处促使国防部支持开发新的发动机健康监测系统，该系统也基于叶尖正时技术。它的目的不仅仅是升级后继产品，还应使用市场上可用的新技术。该系统订购了两个版本，分别用于 SO-3 涡轮喷气发动机 (TS-11) 和 RD-33 涡轮风扇发动机 (Mig-29)。
结构风力涡轮机叶片的健康监测静态测试
本报告是作为美国政府机构赞助的工作的说明而编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
深度学习方法的最新进展用于锂离子电池的健康监测
摘要：近年来，通过广泛采用锂离子电池（LIB）作为主要的储能解决方案，运输电气化的快速演变得到了推动。确保这些LIB的安全有效操作的关键需求将电池管理系统（BMS）定位为该景观中的关键组件。在各种BMS功能中，状态和温度监测的出现是智能LIB管理的最重要的。本评论重点介绍了自由局健康管理的两个关键方面：对卫生状况（SOH）的准确预测和剩余使用寿命的估计（RUL）。实现精确的SOH预测不仅延长了Libs的寿命，而且还提供了优化电池使用情况的宝贵见解。此外，准确的规则估计对于有效的电池管理和州估计至关重要，尤其是随着电动汽车需求不断增长。评论强调了机器学习（ML）技术在增强LIB状态预测的同时降低计算复杂性的重要性。通过深入研究该领域的当前研究状态，该评论旨在阐明在LIBS背景下利用ML的有希望的未来途径。值得注意的是，它强调了高级RUL预测技术的越来越多的必要性及其在应对与电动汽车需求迅速相关的挑战方面的作用。在采用对称方法时，ML与电池管理协调一致，极大地促进了运输电气化的可持续进度。这项全面的审查确定了现有的挑战，并提出了一个结构化框架来克服这些障碍，并强调了专门针对可充电LIB的机器学习应用程序的开发。在这项工作中，人工智能（AI）技术的整合至关重要，因为研究人员渴望加快电池性能的进步并克服与LIBS相关的当前限制。本研究提供了文献的简洁概述，为使用ML技术用于锂电池健康监测时提供了有关当前状态，未来前景和挑战的见解。