XiaoMi-AI文件搜索系统
World File Search System危急情况
邮轮发电厂动态停电概率监控系统
摘要：严格的环境法规和提高航运运营可持续性的努力导致设计和采用更复杂的船舶发电厂系统配置以及实施数字化功能。由于这些系统的复杂性，由组件和子系统故障引起的可能导致事故的危急情况需要及时检测和缓解。本研究旨在通过开发一种综合监控安全系统的概念来提高船舶复杂系统及其运行的安全性，该系统采用现有的安全模型和船上传感器的数据融合。采用详细的故障树来模拟停电事件，代表邮轮的航行模式和其工厂的运行模式。邮轮警报和监控系统获取的船上传感器测量值与这些故障树相结合，以解释所调查发电厂配置及其组件运行条件的船上信息，从而有助于估计停电概率的时间变化以及发电厂组件的动态临界性评估。通过使用 Matlab/Simulink 开发的虚拟仿真环境验证了所提出的概念。本研究支持对船舶动力装置的动态评估，因此有利于提高运行期间动力装置的安全性的决策。
挪威胡斯塔维卡维京天空号停电 - NTNU Open
本文从 2019 年 3 月在挪威胡斯塔德维卡发生的 Viking Sky 游轮故障（停电、失去推进力和近乎搁浅）中汲取教训。游轮行业的故障和事故吸引了全球媒体的关注，并可能严重影响相关公司和当局的声誉和业务绩效。采用系统方法调查和分析 (CAST)，旨在通过系统方法最大限度地从 Viking Sky 的故障中吸取教训，并有助于减少游轮行业的故障。这项研究提出了三项主要建议：事故或故障前兆和恢复力指标概述；对其他游轮的安全建议；北极和南极地区增加游轮运营的经验教训和行动策略。研究发现，多种事故或故障前兆，例如润滑油水平低、涡轮增压器故障、大型柴油发电机不工作、恶劣天气导致安全设备无法运行以及其他前兆，导致 Viking Sky 在胡斯塔德维卡遇到故障和极度危急的情况。船长立即决定发出求救信号、船员的准备情况以及处理紧急情况的方式等弹性指标被发现对 Viking Sky 的危急情况产生了积极影响。本文还强调，适应
智慧城市主要领域的网络威胁、攻击和对策概述
摘要：智慧城市是通过数字技术增强现有设施和服务，使人民和公司受益的地方。这个城市最关键的基础设施是相互关联的。市政领域之间数据交换的增加旨在管理重要资产，从而提高城市治理的自动化程度并优化动态提供的服务。但是，目前尚无明确的指南或标准来对这些数据流进行建模。因此，运营商、市政当局、政策制定者、制造商、解决方案提供商和供应商被迫接受可扩展性有限且需求各异的系统。尽管如此，提高对智慧城市网络安全的认识并实施适当措施以保护公民的隐私和安全至关重要，因为网络威胁似乎是有组织、多样且复杂的。本研究旨在概述智能城市主要领域（智能政府、智能出行、智能环境、智能生活、智能医疗、智能经济和智能人）的网络威胁、攻击和对策。它旨在呈现从最先进技术中提取的信息，以便政策制定者能够感知危急情况，同时成为科学界的宝贵资源。它还试图提供一个结构参考模型，以指导与智能城市网络相关的基础设施升级的架构设计和实施。
能源转换与管理
在可再生能源 (RES) 大量渗透的情况下，利用电转气 (PtG) 技术可以正确支持配电系统运行。本文讨论了 PtG 运行对电力配电系统的影响。我们创建了一种新型 PtG 工厂模型，以代表整个过程链并与网络计算兼容。我们根据在实际工厂收集的测量数据，定义并验证了模型结构及其相应参数。然后，我们在分别代表乡村和半城市环境的两个网络模型上模拟了 PtG 对配电系统的影响。我们通过定义一组包含由 RES 工厂放置引起的配电网危急情况的案例来进行测试。引入 PtG 的目的是减少反向功率流，以及减少配电系统中的过流和过压问题。年度模拟结果显示，与基准情况相比，反向功率流大幅减少（从 78% 减少到 100%），并缓解（甚至解决）了网络的过流和过压问题。这些结果表明，PtG 是保证向脱碳能源系统平稳过渡的可能解决方案。PtG 电厂的容量系数在很大程度上取决于网络拓扑、RES 渗透率、PtG 电厂的数量及其规模。从测试案例来看，农村网络（其中最小容量系数约为 50%）的性能优于半城市网络（其中容量系数值介于 21% 和 60% 之间）。
自适应多智能体深度强化学习，实现及时的医疗干预
摘要 — 有效的患者监测对于及时干预和改善医疗结果至关重要。传统的监测系统通常难以处理生命体征波动的复杂动态环境，从而导致延迟识别危急情况。为了应对这一挑战，我们提出了一种使用多智能体深度强化学习 (DRL) 的新型 AI 驱动患者监测框架。我们的方法部署了多个学习代理，每个代理都专用于监测特定的生理特征，例如心率、呼吸和体温。这些代理与通用医疗监测环境交互，学习患者的行为模式，并根据估计的紧急程度做出明智的决策以提醒相应的医疗应急小组 (MET)。在本研究中，我们使用来自两个数据集的真实生理和运动数据来评估所提出的多智能体 DRL 框架的性能：PPG-DaLiA 和 WESAD。我们将结果与几个基线模型进行了比较，包括 Q-Learning、PPO、Actor-Critic、Double DQN 和 DDPG，以及 WISEML 和 CA-MAQL 等监测框架。我们的实验表明，所提出的 DRL 方法优于所有其他基线模型，可以更准确地监测患者的生命体征。此外，我们进行超参数优化，以微调每个代理的学习过程。通过优化超参数，我们提高了学习率和折扣因子，从而提高了代理在监测患者健康状况方面的整体表现。与传统方法相比，我们的 AI 驱动的患者监测系统具有多种优势，包括能够处理复杂和不确定的环境、适应不同的患者状况以及在没有外部监督的情况下做出实时决策。然而，我们发现了与数据规模和未来生命体征预测相关的局限性，为未来的研究方向铺平了道路。