XiaoMi-AI文件搜索系统
World File Search System惯性
基于惯性传感器的环境活动识别...
摘要 — 环境辅助生活 (AAL) 旨在创建创新的技术解决方案和服务，以支持老年人的独立生活，改善他们的生活质量并降低与医疗和社会护理相关的成本。AAL 系统通过基于传感器的技术提供健康监测，以保持健康和功能能力并为老龄化人口提供社会支持。人类活动识别 (HAR) 是开发强大的 AAL 解决方案的推动因素，尤其是在安全关键环境中。因此，在此领域内应用的 HAR 模型（例如用于跌倒检测或向护理人员提供背景信息）需要准确，以协助开发可靠的支持系统。在本文中，我们评估了三种机器学习算法，即支持向量机 (SVM)、隐马尔可夫模型 (HMM) 和 SVM 的混合 (SVM-HMM) 以及应用于老年人和他们的护理人员之间收集的数据集的人工神经网络 (ANN)。检测到的活动稍后将作为双向活动意识系统的输入，以增加社会联系。结果显示这三种算法都具有很高的分类性能。具体来说，SVM-HMM 混合表现出最佳的分类性能。除此之外，我们还将我们的数据集公开供机器学习社区使用。
迫切需要电网稳定惯性
马耳他公司 2023 年 10 月 18 日，美国能源部电力咨询委员会 (EAC) 发布了一份令人震惊的报告，题为“迫切需要可靠地促进能源转型”。1 它指出了替换即将退役的传统发电厂所提供的属性的迫切需要，这些属性可以保持电网的稳定、可靠和有弹性。它包括这些属性：惯性、无功功率能力、能源保证资源等。EAC 发布该报告“是为了营造一种采取行动的紧迫感……尽快确保我们还来得及可靠地过渡到我们的能源未来。” 可靠性属性，比如惯性，是看不见的、无补偿的服务，可以让电网像陀螺一样旋转。整个电网的设计和建造都以它们的可用性为假设。随着煤炭、天然气和核能等传统发电厂的退役，它们正在消失。虽然它们产生的兆瓦级能源可以被可变的可再生能源所取代，但它们提供的基本电网可靠性服务并不是由太阳能、风能或电池提供的，而且极难模仿。如果没有惯性，电网的频率就会变得不稳定，从而导致设备损坏，甚至电网崩溃。幸运的是，无碳同步长时储能等新技术可以填补这一空白，确保可靠的能源转换。 惯性的重要性 电网被称为世界上最大的机器 2 和 20 世纪最伟大的工程成就。 3 通过庞大的输配电线路网络将发电厂与消费者连接起来，它能在家庭、企业和行业需要时立即提供电力。自从托马斯·爱迪生将曼哈顿下城的珍珠街发电站与 59 个客户连接起来以来，电网一直在不断发展，但其基本结构和运行原理一直保持不变。电网的设计目标是不断平衡能源的供应和需求，使整个网络以相同、稳定的速度运行。在北美和其他几个国家，电网速度为 60 Hz。欧洲和世界其他大部分地区的电网频率为 50 Hz。如果
惯性和电网：无旋转指南
电力系统中的惯性是指大型旋转发电机和一些工业电动机中储存的能量，这使它们具有保持旋转的趋势。当大型发电厂发生故障时，这种储存的能量尤其有价值，因为它可以暂时弥补故障发电机造成的电力损失。这种暂时的响应（通常持续几秒钟）使控制大多数发电厂的机械系统有时间检测和应对故障。
惯性传感与人工智能相遇：机遇还是……
摘要 — 惯性导航系统（INS）已广泛应用于智能交通系统中提供独立和连续的运动估计。近年来，芯片级惯性传感器的出现将相关应用从定位、导航和移动地图扩展到基于位置的服务、无人系统和交通大数据。同时，受益于大数据的出现以及算法和计算能力的提升，人工智能（AI）已成为在各个领域成功应用的共识工具。本文从传感器设计和选择、校准和误差建模、导航和运动感知算法、多传感器信息融合、系统评估和实际应用等各个方面回顾了利用AI技术增强惯性感知的研究。本文从近300篇相关出版物中筛选出30多篇代表性文章，总结了各个方面的现状、优势和挑战。最后，总结了AI增强惯性传感的九大优势和九大挑战，并指出了未来的研究方向。
惯性传感器阵列 - DiVA 门户
如今，惯性传感器的运动估计已广泛应用于从飞机导航到可充气自行车头盔等各种应用领域。惯性传感器运动估计的精度取决于测量误差的大小。减少惯性传感器测量误差的一种方法是使用比运动估计所需更多的传感器。通过对冗余传感器的测量结果进行平均，可以减少独立误差的影响。但是，通过在刚体上放置多个惯性传感器，可以获得比简单平均更多的运动信息。例如，刚体的逐点加速度包含有关刚体旋转的信息。本论文研究并提出了如何融合惯性传感器阵列测量结果的方法，以及如何估计和校准传感器中存在的系统测量误差。惯性传感器阵列包含多个加速度计和多个陀螺仪。在运动估计应用中，通常从陀螺仪测量中估计角速度，然后将角速度积分为方向。角速度也可以从多个加速度计中估计。本论文提出了融合加速度计和陀螺仪测量的不同模型，以实现更准确的方向估计。通过提高方向的准确性
惯性聚变能反应堆的燃料循环
在磁约束聚变 (MCF) 领域，氚燃料循环已得到详尽研究。[1,2,3] 已经开发出处理、监测、从化学结合物种中回收、浓缩和储存氚的技术，其产量接近反应堆相关产量。[4] 关键组件已在大型托卡马克或氚处理设施中进行了测试。[5] 该技术的很大一部分可转移到适用于惯性聚变能 (IFE) 的系统。然而，操作条件与磁性情况有很大不同，因此对 IFE 燃料循环组件施加了 MCF 情况下没有的条件，因此需要针对 IFE 特定主题进行研究。燃料回路由喷射器系统和用于回收反应堆流出物的基础设施组成。MCF 中的颗粒注入是一种将 DT 冰输送到托卡马克等离子体深处的有吸引力的方法。部署在 IFE 反应堆中的目标需要特定的设计来优化燃烧分数，该分数可能高达 1/3。这可能需要不同元素的复合层。湿泡沫等靶概念将由嵌入低密度 CH 泡沫中的液态 DT 组成，也很有前景。MCF 反应堆将在真空中运行，主要成分是氢同位素。一些 IFE 反应堆设计将在中等真空（几托）下运行，主要成分是氖或氙，以帮助缓和冲击波和对第一壁的粒子冲击。MCF 反应堆必须应对等离子体与偏滤器相互作用时产生的灰尘。IFE 反应堆需要将残留的靶碎片与流出物中的挥发性氢物种分离并去除。图 1 提供了 IFE 反应堆的通用燃料循环。作为代表性示例，该设计隐含了在薄壁塑料外壳内分层使用 DT 冰。泡沫填充的液态 DT 靶和更复杂的靶设计（例如采用空腔的靶设计）将需要更广泛的碎片收集和处理子系统（具体取决于细节）。燃料循环包括两个独立的回路：一个回路为反应堆提供燃料，另一个回路用于增殖氚。反应堆流出物被分离成两股：挥发性成分在气体离开反应堆时被低温抽吸，而颗粒碎片则通过重力送入收集器并氧化以将吸收的氢与碳物质分离。低温分离器将氦灰排放到环境中，将氖/氙转移以供再利用，并通过渗透器将氢同位素排放到同位素分离器。同位素分离器将氢排放到环境中，并将氘和氚引导到胶囊工厂和靶填充系统。增殖毯回路有两个主要功能：从反应堆中提取热量和增殖氚。反应堆周围是熔盐池，用于捕获和缓和聚变中子，作为氚增殖的前体。熔盐从反应堆泵出，通过热交换器、杂质去除子系统（用于净化熔盐）、氚提取模块，然后返回到反应堆周围的安全壳中。在 380 MWe IFE 反应堆中，主要物质的摩尔流速为：H、D、T、C、O、He 和 Xe，该反应堆使用封装在薄塑料壳中的 DT 冰靶。20 毫克氚靶以 0.5 Hz 的频率注入。燃烧分数假设为 25%。聚变功率转换为电能的比率假设为 30%。假设工厂占空比为 90%。
印度电力系统惯性评估的报告
Figure 1.1 Stages of power system frequency response after a disturbance ........................................................ 19 Figure 1.2 Frequency response during 12 March 2014 event ............................................................................... 20 Figure 1.3 Frequency response during 23 April 2018 event .................................................................................. 21 Figure 1.4 Frequency response during 28 May 2020 event ...............................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................Frequency Drop .................................................................................................... 76 Figure 6.6 Power number during different grid events in India ............................................................................ 77 Figure 7.1 Flow chart for online inertia estimation ............................................................................................... 81 Figure 7.2 Online inertia monitoring in NRLDC EMS ............................................................................................. 82 Figure 7.3 Online inertia monitoring in WRLDC EMS ............................................................................................ 82 Figure 7.4 Online Kinetic energy monitoring in SRLDC EMS .................................................................................. 82 Figure 7.5 Online inertia monitoring in ERLDC EMS .............................................................................................. 82 Figure 7.6 Online inertia monitoring in NERLDC EMS ........................................................................................... 83 Figure 7.7 Online inertia monitoring for All India grid in NLDC EMS ..................................................................... 83 Figure 7.8 Sample daily kinetic energy curve for All Indian Grid ........................................................................... 84 Figure 7.9 Sample daily kinetic energy curve for NR ............................................................................................. 84
英国激光惯性聚变技术计划...
• 但为什么压缩在 ICF 中如此重要？ • 想法： • 固体时 ρ DT = 0.25g/cc • 点火要求：ρR HS > 0.3 g/cm 2 • 对于固体密度 DT => R HS = 1.2cm • 我们不能只将 1.2cm 半径的固体密度 DT 加热到 5 keV 吗？ • 不行！ • 聚变产量将难以控制 • 输入能量要求巨大（5000 MJ）
惯性导航系统（IMU/INS）RCI本地为...
研究问题的简介DLRL方向查找器（DF）系统当前使用方位角轴承来识别频率料斗信号，并在三个类别中对检测到的信号进行分类，即固定频率（FF），频率料斗（FH）和爆发。DF系统在频域中进行扫描，并执行所有检测到的信号的DF。由于信号处理是基于框架/批次的，并在频域中进行，并且在每个通道中并行，因此爆发和单个啤酒花的时间持续时间估计的准确性受到限制，因此，快速料斗的Hop速率估计值不准确。使用来自两个或五个DF天线中的每个DF天线中的时域iQ数据基于深度学习/机器学习的算法，以将接收的信号分类为FF，FF和爆发。培训数据需要由适当的数学模型生成，该模型应允许引入噪声和褪色。产生的信号应允许以瞬时带宽内的不同频率同时存在多个信号。预计它将能够估算200个微秒的次数和爆发持续时间。需要使用仿真验证所提出的方法的性能，并使用使用商业阶段相干的信号采集硬件（最少2个通道）生成或捕获的数据在工作站/笔记本电脑或PC上测试。dlrl寻求与学术机构一起开发和实施复杂的统计数字信号处理算法的解决方案。
图像和惯性传感器融合导航
本论文由 AFIT Scholar 的学生研究生作品免费提供给您，供您开放访问。它已被 AFIT Scholar 的授权管理员接受纳入论文和学位论文。有关更多信息，请联系 richard.mansfield@afit.edu。