XiaoMi-AI文件搜索系统
World File Search System故障
DEMOPOLIS LOCK – 上部斜接门槛故障
当前的操作是关闭下部人字闸门，使水池平衡，并设置上部挡水板，以控制船闸室。操作将于 1 月 19 日至 21 日进行。工程和运营部门正在继续分析损坏程度，并正在采取其他行动来阻止水流并控制船闸。
未发现故障事件的原因和成本 - SMTnet
摘要 当系统级测试（例如内置测试 (BIT)）指示故障但在维修期间未发现此类故障时，会发生未发现故障 (NFF) 事件。随着越来越多的电子设备受到 BIT 的持续监控，间歇性故障更有可能触发要求采取维护措施，从而导致 NFF。NFF 经常与误报 (FA)、无法复制 (CND) 或重新测试 OK (RTOK) 事件混淆。NFF 是由 FA、CND、RTOK 以及许多其他复杂因素引起的。尝试修复 NFF 会浪费宝贵的资源、损害对产品的信心、造成客户不满，而且维修质量仍然是个谜。以前的研究表明，大多数要求采取维修措施的故障迹象都是无效的，这使问题更加复杂。NFF 可能是由实际故障引起的，也可能是误报的结果。了解问题的原因可能有助于我们区分可以修复的被测单元 (UUT) 和不能修复的被测单元 (UUT)。在计算真正的维修成本时，我们必须考虑尝试修复无法修复的 UUT 而浪费的精力。本文将阐明这种权衡。最后，我们将探索以经济有效的方式处理 NFF 问题的方法。简介 系统级测试有多种形式，并且出于各种原因而运行。在生产中，运行系统测试是为了确保产品已准备好供最终用户使用，在军事术语中通常称为准备发布或 RFI。它还用于确保持续运行，并以内置测试 (BIT) 的形式实现。由此可见，当最终用户执行正常系统操作时，系统测试也可视为正在运行。他/她可能会观察到异常和不一致，从而需要采取修复措施。我们在本文中使用的系统级测试将涵盖所有这些形式。当系统级测试失败时，一个或多个被测子系统单元 (UUT) 被怀疑是系统故障的根源。系统级维修包括更换可疑的 UUT 并将更换的 UUT 发送到仓库级维修设施，通常是工厂。图 1 显示了系统级测试中发现的故障结果，它们在持续性故障和未发现故障之间分布。持续性故障 (PF)，有时也称为确认故障，是导致系统级测试失败并将导致仓库中的 UUT 也发生故障的故障。NFF 有两类。我们称它们为持续性故障，以表明系统级故障持续到车库。相反，NFF 将在车库通过 UUT 测试。如 [1] 中所述，大多数系统测试失败都是由系统级误报 (FA) 引起的。[2] 详细介绍了由间歇性故障 (IF) 导致的 NFF。图 1 还说明了逃避系统级测试的故障。它们在系统级创建 NFF。这种现象的常见情况是计算机挂起，通过重新启动软件可以“修复”。没有采取任何维护措施，也没有任何子系统返回车库或工厂，因此 NFF 不会渗透到车库。除非问题重复多次，否则将被视为正常异常，并避免可能导致维修站出现 NFF 的情况。为了避免混淆，理解我们在本文中使用的术语非常重要。未发现故障 (NFF) 是指 UUT 在维修站测试站通过第一次测试的情况。间歇性故障 (IF) 是仅在某些条件下暴露的真实故障。当它们不暴露时，会导致 NFF。误报 (FA) 是在系统级别指示没有故障的故障。[3] 或者，FA 可以定义为在不需要任何维护操作时发出维护操作请求。[1] 系统级 FA 可能会将一些子组件送往维修站进行维修，或者如果结果受到质疑，则再次运行相同的系统级测试以获得对结果的信心。当系统级测试运行多次时，它会增加区分 FA 和 IF 的可能性，使得返回维修站的 UUT 更有可能是 IF 的结果。
使用 AI Playbook 规划自然语言处理故障
原型化 AI 用户体验具有挑战性，部分原因是概率 AI 模型使得在部署之前预测、测试和缓解 AI 故障变得困难。在这项工作中，我们着手为早期 AI 原型设计的从业者提供支持，重点关注基于自然语言 (NL) 的技术。我们对一家大型科技公司的 12 名 NL 从业者的采访表明，除了 AI 原型设计的挑战之外，由于缺乏工具和时间紧迫，原型设计通常根本不发生或仅关注理想化的场景。这些发现为我们设计 AI Playbook 提供了参考，AI Playbook 是一种交互式低成本工具，我们开发该工具是为了鼓励在部署之前主动和系统地考虑 AI 错误。我们对 AI Playbook 的评估表明，它有潜力 1) 鼓励产品团队优先考虑理想和故障场景，2) 从用户体验的角度标准化 AI 故障的表达，3) 充当用户体验设计师、数据科学家和工程师之间的边界对象。
26 座发电厂背板故障的高级分析
摘要。背板退化是影响现场暴露光伏 (PV) 模块发电厂的已知可靠性问题。在这项工作中，我们介绍了过去三年的经验教训，在弗劳恩霍夫 ISE 的 TestLab PV 模块中检查了来自 26 个发电厂的模块。基础是对当前观察到的背板和相关退化特征的描述，例如背板粉化、不同层中的裂缝和成分的化学变化。此外，我们还列出了对故障和模块材料进行初步和更详细分析的分析方法。例如，已发现一种称为“闪光灯测试”的方法可以快速直接地识别背板内受损的聚丙烯 (PP) 层。此外，还介绍了扫描声学显微镜 (SAM) 和不同 FTIR 光谱变体的比较。
常见原因故障、特殊风险和区域安全...
公式 1 中表达的简单理论基于系统中没有显著的休眠。然而，在大多数复杂系统中，可能存在许多故障，这些故障通常直到维护期间进行系统检查时才被发现。系统设计人员需要集中精力安排系统架构以减少休眠故障的数量；其余故障需要定期进行维护检查，以便它们与其他故障一起发生的概率达到可接受的水平。然而，图 1 中所示的简单理论曲线和实际曲线之间存在差异的主要原因是通道故障并非完全独立，并且共因故障对实际实现的总系统故障概率有显著影响。在确定这些故障后，应考虑设计变更、制造技术、维护措施和系统操作程序，以消除或减轻共因故障。虽然不是详尽的清单，但前面的章节讨论了可能对大多数飞机类型构成“威胁”的一些最常见的共因故障。系统外部的风险可能是由各种事件引起的，其中许多被称为特殊风险。
电子系统中风扇 PHM 的故障物理方法...
2 硬件分析 风扇是一种空气流动装置，利用由电动机通过电子或机械命令驱动的旋转叶片或叶轮 [4]。根据风扇的定义，旋转叶片和电动机是帮助风扇实现其所需功能（即空气流动）的核心部件。通常，风扇包含的组件种类可能因供应商和客户的要求而有所不同。例如，尽管存在由于金属刷退化而产生金属颗粒和电火花等潜在副作用，但风扇中可以使用有刷电机代替无刷电机。但是，无论具体设计如何，风扇中核心组件的功能都不会改变。选择用于消费电子应用的 BLDC 风扇进行硬件分析。图 1 展示了风扇的两个核心元素；即电动机和叶片。在图 2 中，电动机被拆解成两个部分：风扇外壳内的定子和转子。在电动机中，叶片直接安装在转子上。转子中的条形永磁体具有足够的柔韧性，可以装入转子外壳中，并与
对SHA-3的实际故障攻击损害了Kyber和...
摘要 - ML-KEM和ML-DSA是基于NIST标准的基于晶格后的加密算法。在这两种算法中，K ECCAK是广泛用于得出敏感信息的指定哈希算法，使其成为攻击者的宝贵目标。在故障注射攻击领域，很少有针对K ECCAK的作品，并且尚未完全探讨其对ML-KEM和ML-DSA安全性的影响。因此，许多攻击仍未发现。在本文中，我们首先确定k eccak的各种故障漏洞，这些漏洞通过在实用的循环锻炼模型下操纵控制流来确定（部分）输出。然后，我们系统地分析了错误的K ECCAK输出的影响，并提出了六次针对ML-KEM的攻击，以及针对ML-DSA的五次攻击，包括钥匙恢复，签名伪造和验证旁路。这些攻击涵盖了关键产生，封装，拆卸，签名和验证阶段，使我们的计划成为第一个应用于ML-KEM和ML-DSA的所有阶段。在嵌入式设备上运行的PQClean库的ML-KEM和ML-DSA的C实现中，提出的攻击已验证。实验表明，可以在ARM Cortex-M0+，M3，M4和M33微处理器上使用具有低成本电磁断层注射设置的ARM Cortex-M0+，M3，M4和M33微处理器，可实现89的成功率。5％。一旦断层注射成功，所有提议的攻击都可以通过100％的概率成功。
机械滥用下锂离子电池的安全性能和故障标准
摘要：随着全球对环境问题的关注，控制二氧化碳的排放已成为重要的全球议程。在这种情况下，新型能源车的开发（例如电动汽车）正在流动。但是，作为电动汽车的关键电源，机械滥用下的锂离子电池的安全性能引起了广泛关注。评估锂离子电池的安全性能需要深入研究。本文对锂离子电池机械滥用的最新实验和数值模拟进行了综述。它展示了实验研究的主要方法和结论，比较了准静态和动态负载下的不同反应形式，讨论了锂离子电池中应变率依赖性的原因，并描述了电荷（SOC）对机械滥用和机械滥用能力的安全性能以及机械滥用能力的影响。此外，本文结合了数值仿真研究的方法，分析了详细建模和均质建模方法的优点和缺点，总结了基于应变的内部短路故障标准，并审查了基于多物理学的数值预测模型。最后，它在研究电池组通过数值模拟的安全性能方面提供了最新的进展。
使用深度学习控制的故障电流限制器
本研究解决了整合可再生能源（尤其是风能）时网格稳定性的挑战。它专注于使用高级策略（例如故障电流限制器和深度学习），增强双喂养发电机（DFIG）风能系统中的瞬态稳定性。该研究包括对故障场景，模拟和解决方案评估的彻底分析，强调了维持可再生能源网格稳定性的关键需求。随着风能需求的增加，优化系统性能至关重要。许多风力涡轮机依靠DFIG，需要稳健的故障乘车。引入了一个被动故障电流限制器，以增强DFIG系统瞬态稳定性。这个没有主动控制器的限制器具有内在的弹性。该研究引入了一种新型算法，以计算最佳断层电流限制性，并在参考水平的±10％以内保持电压。瞬态稳定性通过涉及对称和不对称断层的模拟进行评估，并结合了深度学习。MATLAB/SIMULINK证实了所提出的限制器和算法在提高基于DFIG的风能系统的瞬时稳定性方面的功效。该研究强调了故障电流限制器和深度学习在无缝将可再生能源整合到电网中的作用。