XiaoMi-AI文件搜索系统
World File Search System健康监测
基于分布式传感器和深度学习的大型空间天线结构健康监测研究
摘要：大多数现代地球和宇宙观测航天器现在都配备了大型轻便灵活的结构，例如天线、望远镜和可扩展元件。承载更复杂、更大的附件的趋势对于高精度科学应用至关重要，这使得轨道卫星更容易因结构损坏而导致性能损失或性能下降。在这种情况下，结构健康监测策略可用于评估卫星子结构的健康状况。然而，特别是在分析大型附件时，传统方法可能不足以识别局部损坏，因为它们通常会在系统动力学中引起不太可观察的变化，但会导致有效载荷数据和信息的相关丢失。本文提出了一种深度神经网络来检测故障并研究传感器对在大型网状反射器天线上承载分布式加速度计网络的轨道卫星的损伤分类的灵敏度。传感器获取的时间序列是使用完全耦合的 3D 模拟器生成的，该模拟器模拟柔性卫星的在轨姿态行为，其附件采用有限元技术建模。然后使用在复合场景中收集的传感器响应对机器学习架构进行训练和测试，该场景不仅包括结构元素的完全失效（结构断裂），还包括中等程度的结构损坏。所提出的深度学习框架和传感器配置被证明可以准确检测最关键区域或结构的故障，同时为几何特性和传感器分布开辟了新的研究可能性。
分解的表示与物理信息的变异自动编码器进行结构健康监测
摘要。大规模对结构的手动检查和评估是劳动密集型的，而且通常是不可行的，而数据驱动的机器学习技术可能无法识别相关的失败机制，并且对以前看不见的条件的概括不佳，尤其是在有限的信息中遇到的。我们提出了一个物理知识的变异自动编码器公式，以在测量中删除混杂源的图表学习，以计算基于物理模型的潜在参数的后验分布，并在有限测量值时预测结构的响应。自动编码器的潜在空间通过一组基于物理的潜在变量进行增强，这些变量可解释，并以先验分布和基于物理模型的形式允许域知识包含在自动编码器公式中。为了防止模型的数据驱动的组件覆盖已知的物理学，训练目标中包括一个正则化项，该术语对潜在空间和生成模型预测施加约束。在合成案例研究中评估了所提出的方法的可行性。
机器学习和结构健康监测概述，重点介绍新兴技术和高维数据源
摘要 传统的损伤检测技术正逐渐被最先进的智能监测和决策解决方案所取代。结构健康监测 (SHM) 系统中的近实时和在线损伤评估是一种有希望的过渡，可以弥合过去应用效率低下与未来新兴技术之间的差距。在智慧城市、物联网 (IoT) 和大数据分析时代，数据驱动的民用基础设施监测框架的复杂性尚未完全成熟。因此，机器学习 (ML) 算法提供了必要的工具来增强 SHM 系统的功能并为过去的挑战提供智能解决方案。本文旨在阐明和回顾现代 SHM 系统中涉及的 ML 前沿。提供了 ML 管道的详细分析，并在增强表格和图中总结了需求量大的方法和算法。通过物联网范式连接基础设施中关键信息的无处不在的感知和大数据处理是 SHM 系统的未来。随着这些数字技术的进步，考虑到下一代 SHM 和 ML 的结合，本文详细讨论了 (1) 移动设备辅助、(2) 无人机、(3) 虚拟/增强现实和 (4) 数字孪生方面的最新突破。最后，本文探讨了 SHM-ML 结合的当前和未来挑战以及未解决的研究问题。在 ML 参与的 SHM 中利用新兴技术的路线图仍处于起步阶段；因此，本文展望了监测系统在评估民用基础设施完整性方面的未来发展。
激光诱导的基于石墨烯的传感器在健康监测中：进度，传感机制和应用
全球人口不断上升和改善的生活水平导致了非传染性疾病的惊人增加，尤其是心血管和慢性呼吸道疾病，对人类健康构成了严重威胁。可穿戴的传感设备利用微观感应技术进行实时监测，已成为预防疾病的有前途的工具。在各种传感平台中，基于石墨烯的传感器在微传感的领域表现出了出色的性能。激光诱导的石墨烯（LIG）技术是一种具有成本效率和便捷的石墨烯制备方法，引起了人们的特别关注。通过在环境温度和压力下将聚合物直接转换为图案化的石墨烯材料，它是一种方便且环保的传统方法替代方案，为电子设备制造提供了创新的可能性。将基于LIG的传感器集成到健康监测系统中，具有彻底改变健康管理的潜力。为了纪念LIG发现十周年，这项工作提供了有关LIG的演变和基于LIG传感器的进展的全面概述。研究了基于LIG的传感器的多种传感机制，探索了健康监测领域的最新研究进展。此外，还讨论了与基于LIG的传感器相关的机会和挑战。
使用储层计算 CMOS IC 实现实时居家患者健康监测
摘要 — 本研究提出了一种混合信号、储层计算神经网络 (RC-NN)，用于使用智能可穿戴设备进行家庭实时健康监测。所提出的技术在心电图 (ECG) 信号的压力检测和使用融合人口统计和生理信息的融合人工智能 (AI) 模型的心脏病检测中得到了证明。RC-NN 使用具有短期记忆的静态随机储层层将输入数据非线性投影到高维平面，并在输出层使用线性 AI 模型轻松分离。RC-NN 采用 65nm CMOS 工艺设计，检测压力和心脏病的平均准确率分别为 92.8% 和 86.8%，同时分别消耗 10.97nJ/推理和 2.57nJ/推理。
基于神经网络的尖峰近传感器计算，用于结构健康监测中的损伤检测
摘要：在这项工作中，我们提出了一种创新的方法，用于利用脑启发算法的基础设施损坏检测。所提出的解决方案利用了复发性尖峰神经网络（LSNN），这些神经网络（LSNN）正以其理论能量效率和紧凑性而出现，从而通过在传感器节点上直接处理来自低成本加速度计（MEMS）的数据来识别损害条件。我们专注于设计MEMS数据的有效编码，以优化低功率微控制器上的SNN执行。我们在配备有STM32嵌入式微控制器和数字MEMS加速度计的硬件原型传感器节点上表征和支持LED LSNN性能和能耗。我们使用了一个硬件环境和虚拟传感器在连接到物理微控制器的SPI接口上生成数据，以通过来自真实高架桥的数据流来评估系统。我们还利用了这种环境，以研究不同的传感器编码技术的影响，模仿了生物启发的传感器能够生成事件而不是加速度的传感器。获得的结果表明，在使用基于尖峰的输入编码技术时，提出的优化嵌入的LSNN（ELSNN）就可以在先进的ART中存在的幼稚LSNN算法实现而达到54％的执行时间。优化的ELSNN需要约47 kcycles，这与SPI接口的数据传输成本相当。但是，基于尖峰的编码技术需要更大的输入向量才能获得相同的分类精度，从而导致更长的预处理和传感器访问时间。总体而言，基于事件的编码技术会导致更长的执行时间（1.49×），但能耗相似。在传感器上移动此编码可以消除此限制，从而导致总体能量更稳固的监视系统。
梦想：合并未来结构健康监测技术的高级传感技术和仿真工具
在过去几十年中，跟踪结构损害并预测其演变一直是一个永久的工程问题。这是强化研究工作的主题，既有实验性和数值进步。一方面，如今具有嵌入式微传感器阵列的板载传感技术可以准确地进行机械应变的原位测量，因此提供了有关内部损伤状态的非常丰富的实验信息（Azam，2014）。尤其是，使用标准光纤与雷利反向散射结合的技术（Sanborn等，2011）非常有吸引力，因为它可以通过无与伦比的空间分辨率对应变场进行实时分布式表征（每米的数千个测量值）。这种技术已经在几种应用中使用，并且越来越多地设想了工业家进行结构性健康监测（SHM）（Di Sante，2015年）。
通过人工智能物联网和网络物理系统进行健康监测，确保智能可穿戴计算的安全
摘要：互联网的功能正在从计算机互联网 (IoC) 不断转变为“物联网 (IoT)”。大多数连接系统称为网络物理系统 (CPS)，是由人类和物理环境、智能对象以及嵌入式设备和基础设施等众多特征的集成形成的。有一些关键问题，例如安全风险和道德问题，可能会影响物联网和 CPS。当每条数据和设备都连接到网络上并可获取时，黑客就可以获取它并将其用于不同的诈骗。在医疗保健 IoT-CPS 中，可以通过可穿戴传感器收集患者的日常医疗和身体数据。本文提出了一种支持 AI 的 IoT-CPS，医生可以利用它基于 AI 发现患者的疾病。人工智能的创建是为了发现一些疾病，例如糖尿病、心脏病和步态障碍。每种疾病在患者或老年人中都有不同的症状。从 Kaggle 存储库检索数据集以执行支持 AI 的 IoT-CPS 技术。对于分类，采用支持人工智能的 IoT-CPS 算法来发现疾病。实验结果表明，与现有算法相比，所提出的支持人工智能的 IoT-CPS 算法在准确率、精确度、召回率和 F 值方面更有效地检测患者疾病和老年人跌倒事件。
使用可变磁阻传感器和叶尖正时方法对压缩机和涡轮叶片进行结构健康监测
摘要。本文介绍了旋转风扇、压缩机和涡轮叶片诊断的综合方法。关键的低速和高速旋转流体流动机械（风扇、蒸汽涡轮机和航空喷气发动机）面临机械损坏（由异物和侵蚀引起）、腐蚀和其他形式的材料疲劳（LCF、HCF、VHCF、TMF）的风险。叶片质量变化（沉积物的影响）和材料各向异性率导致模态特性变化，这些物体面临危险。为了监测叶片的实际运行状况和技术状态，采用了旋转叶片观察器方法（叶尖定时方法）。受监控的旋转叶片排和磁阻传感器的组合创建了一种编码器，其输出信号同时包含以下信息：- 由空气动力和质量力输入引起的叶片振动；- 瞬时转子转速；- 转子不平衡和振动；- 磁阻传感器与振动和旋转叶片的耦合条件。测量值是叶片到达固定观察者（安装在装配外壳上的磁阻传感器）的时间 (TOA)。TOA 受非周期性（瞬时理想转子转速）和周期性分量（叶片和转子振动）调制。TOA 的测量是通过频率法实现的，可用于典型的计数器卡和 AD/DA 转换器。利用记录（非均匀采样）数据的数值处理来分离 TOA
多功能入耳式生物传感系统和体域网络，实现不引人注目的持续健康监测
为了实现连续的移动健康监测，可穿戴传感器需要以轻巧、不显眼的包装提供与临床设备相当的性能。这项工作提出了一个完整的多功能无线电生理数据采集系统 (weDAQ)，该系统已证明可用于耳内脑电图 (EEG) 和其他身体电生理学，使用由标准印刷电路板 (PCB) 制成的用户通用干接触电极。每个 weDAQ 设备提供 16 个记录通道、驱动右腿 (DRL)、3 轴加速度计、本地数据存储和可适应的数据传输模式。weDAQ 无线接口支持部署体域网络 (BAN)，该网络能够通过 802.11n WiFi 协议同时聚合多个可穿戴设备上的各种生物信号流。每个通道可解析超过 5 个数量级的生物电位，噪声水平为 0.52 μV rms，带宽为 1000 Hz，峰值 SNDR 为 119 dB，CMRR 为 111 dB（2 ksps 时）。该设备利用带内阻抗扫描和输入多路复用器，动态选择良好的皮肤接触电极作为参考和传感通道。从受试者进行的耳内和前额 EEG 测量捕捉到了大脑 alpha 活动的调制、眼电图 (EOG) 特征性眼球运动以及下颌肌肉的肌电图 (EMG)。在休息和锻炼期间，在自然办公环境中对多个自由移动的受试者进行了同时的 ECG 和 EMG 测量。所展示的开源 weDAQ 平台和可扩展 PCB 电极的小尺寸、性能和可配置性旨在为生物传感界提供更大的实验灵活性，并降低新健康监测研究的进入门槛。