XiaoMi-AI文件搜索系统
World File Search System故障
结构降解导致硅胶密封剂故障
图1。PDMS-“随机分裂”机制的热降解a）分子内重新分布和b）分子间重新分布.......................................................................................................................................................................................................................................................................................................................................................................................................................................（a）新鲜制备的商用硅胶密封剂样品（b）提取的硅氧烷降解产物的离子电流热量计学的EGA-MS总离子电流热图。................................... 23 Figure 3.EGA-MS热合器用于控制和老化商用硅胶密封剂样品。 (a) Level 3 aging samples, (b) Level 2 aging samples, (c) Level 1 aging samples & (d) Control sample .................... 25 Figure 4. 比较加热速率不同的对照密封剂的TD-PYR-GC-MS曲线用于对照密封剂（从90°C到790°C）获得的对照密封剂（五个步骤）。 比较了两个加热速率：（a）600°C/min和（b）20°C/min。 ............................................................................................ 27 Figure 5. 对于两个新鲜制备的样品，获得了 GC-MS色谱图，并使用优化方法进行了比较。 ........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................... 28图6。 Siloxane Degradation Product Identification ............................................................................... 29 Figure 7. EGA-MS热合图和GC-MS色谱图，用于L3的代表性样品。 ............................................................................................................................................................. EGA-MS热合图和GC-MS色谱图，用于L2的代表性样品。 .... 33图11。EGA-MS热合器用于控制和老化商用硅胶密封剂样品。(a) Level 3 aging samples, (b) Level 2 aging samples, (c) Level 1 aging samples & (d) Control sample .................... 25 Figure 4.比较加热速率不同的对照密封剂的TD-PYR-GC-MS曲线用于对照密封剂（从90°C到790°C）获得的对照密封剂（五个步骤）。比较了两个加热速率：（a）600°C/min和（b）20°C/min。............................................................................................ 27 Figure 5.GC-MS色谱图，并使用优化方法进行了比较。........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................... 28图6。Siloxane Degradation Product Identification ............................................................................... 29 Figure 7.EGA-MS热合图和GC-MS色谱图，用于L3的代表性样品。 ............................................................................................................................................................. EGA-MS热合图和GC-MS色谱图，用于L2的代表性样品。 .... 33图11。EGA-MS热合图和GC-MS色谱图，用于L3的代表性样品。.............................................................................................................................................................EGA-MS热合图和GC-MS色谱图，用于L2的代表性样品。.... 33图11。.............................................................................................................EGA-MS热合图和GC-MS色谱图，用于L1的代表性样品。 ........................................................................................................................................................................................................................................................................................................................ EGA-MS和L0代表性样品的相应GC-MS色谱图。 不同降解水平L3，L2，L1 vs Control L0的代表性样品的定量数据。 在EGA-MS热合图和GC-MS色谱图，用于L1的代表性样品。........................................................................................................................................................................................................................................................................................................................EGA-MS和L0代表性样品的相应GC-MS色谱图。不同降解水平L3，L2，L1 vs Control L0的代表性样品的定量数据。在
跨域模拟故障注入用于设计稳健智能系统
摘要 — 在工业 4.0 革命的压力下，以及现在的《欧洲芯片法案》，智能系统在所有工业领域（例如汽车和航空航天）中无处不在。此类系统包含属于多个物理域（例如电气和机械）的数字和模拟组件。为了确保稳健性，必须在开发周期的早期验证整个系统，并考虑所有这些域，正如 ISO 26262 标准对汽车系统等情况所建议的那样。不幸的是，包括故障注入和模拟在内的验证技术在模拟方面并不像数字方面那么先进：i) 它们没有完全标准化 ii) 它们高度依赖于领域，并且 iii) 它们与数字流分开执行。本文提出通过在多个物理域中进行模拟故障注入来生成故障场景，从而改进智能系统的设计。通过利用这些故障场景，可以提高模拟部分的稳健性，同时提高控制系统功能的数字部分的质量。介绍了一个包含微控制器和三轴加速度计的多领域案例研究，以证明所提方法在许多工业环境中的有效性。索引术语——故障模拟、设计自动化、设计稳健性、多领域模拟。
传输方程的有效和故障安全量子算法
在本文中，我们提出了一种可扩展的算法易于故障的计算机，用于在两个和三个空间维度中求解传输方程，以用于可变网格尺寸和离散速度，其中对象壁与笛卡尔网格，与笛卡尔电网相关，每个变化的veer veel veel的相对差异均与裁缝相关范围。我们提供了量子传输方法（QTM）的所有步骤的详细描述和复杂性分析，并为Qiskit中生成的2D流的数值结果作为概念证明。我们的QTM基于一种新型的流媒体方法，该方法可与先进的量子流方法相比，导致减少CNOT门的数量。作为本文的第二个亮点，我们提出了一种新颖的对象编码方法，该方法降低了编码墙壁所需的CNOT门的复杂性，该墙壁现在变得独立于墙壁的大小。最后，我们提出了粒子离散速度的新型量子编码，该量子能够以反映粒子速度的成本进行线性加速，现在它变得独立于编码的速度量。我们的主要贡献包括详细描述量子算法的故障安全实现，用于转移方程的反射步骤，可以在物理量子计算机上容易实现。这种故障安全实现允许各种初始条件和粒子速度，并导致墙壁，边缘和障碍物的颗粒流动行为在物理上纠正粒子流动行为。
电子系统中故障预测的基于自发的时间点过程模型：提高准确性和解释性
现有的用于预测电子设备故障率的模型通常会显示出差异，与实际测量相比，稳定时期的预测值较高，在流失期间的值较低。尽管它们经常用于模拟时间序列过程中的强度函数，但复发性神经网络（RNN）却难以捕获事件序列之间的长距离依赖性。此外，强度函数的固定参数形式可以限制模型的概括。为了解决这些缺点，提出了一种新颖的方法，利用注意机制在不依赖强度函数的情况下生成时间点过程。为了量化模型和现实分布之间的差异，模型使用Wasserstein距离来创建损失函数。此外，为了提高可解释性和概括性，使用一种自动机制来评估过去事件对当前发生的影响。比较测试表明，这种方法的表现超过了可能的可能性模型，而没有先前了解强度功能和类似RNN的生成模型，从而将相对错误率降低了3.59％，并将错误预测准确性提高了3.91％。
电源变压器中故障识别的机器学习
摘要：功率变压器在电能的有效和可靠分布中起关键作用。及时检测和诊断变压器中的故障对于预防昂贵的停机时间至关重要，确保安全和维持电力系统的完整性。变压器中故障识别的传统方法通常依赖于手动检查和定期测试，这可能是耗时的，劳动的，并且容易受到人为错误。机器学习（ML）技术提供了有前途的解决方案，用于自动化故障检测和功率变压器中的诊断过程。近年来，机器学习（ML）技术已成为自动化故障检测和功率变压器诊断过程的有希望的工具。mL算法可以分析从变压器传感器收集的大量数据，以识别指示各种故障的模式，包括绕组故障，绝缘降解和过热。通过利用ML，公用事业和运营商可以朝着预测和主动的维护策略迈进，最大程度地降低了灾难性失败的风险并优化资产绩效。本文对应用ML算法在功率变压器中的故障识别中的最新进步进行了全面综述。它探讨了各种ML技术，包括受监督和无监督的学习，强化学习和深度学习，突出了它们在变形金刚故障检测中的优势和局限性。本文讨论了数据可用性，模型的解释性和概括，以应对这些挑战并解锁ML在增强电力系统的可靠性和效率方面的全部潜力。
2024关于密码学中故障检测和公差的研讨会（FDTC 2024）（目录）
Abdallah Fathy, Marvy Badr Monir Mansour, Memristive Coupled Neural Network Based Audio Signal Encryption .......................................................................................................................................................... 149 24.Tomasz Grzywalski, Dick Botteldooren, Automatic re-labeling of Google AudioSet for improved quality of learned features and pre-training ................................................................................................................... 155 25.Nur BanuHancı，İlkeKurt，Sezer Ulukaya，OğuzhanErdem，SibelGüler，Cem Uzun，Hybrid语音频谱 - 基于基于校友的深度学习（HVSC-DL）模型，用于检测帕金森氏病的检测 ............................................................................................................................................................... 161 26.tomasz grzywalski，Dick Botteldooren，Yanjue Song，Nilesh Madhu，使用深神经网络的显着声音提取，预测复杂的口罩.............................................................................................................................................................................................................................................................................................................................................................................................................................................................Deepthi Kattula, P. Rajesh Kumar, Praveen B. Choppala, Multiple sampling with reduced resampling for particle filtering .................................................................................................................................................. 172 28.Bianca-Alexandra Zîrnă, Denis Mihailovschi, Mădălin Corneliu Frunzete, EMG Signal Acquisition and Processing for Muscle Contraction Classification ............................................................................................. 177 29.Alin Alexandru șerban, Mădălin frunzete, Traffic flow models and statistical analysis using compressed date from acquisition module ...............................................................................................................................Solomon Habtamu Tessema, Daruisz Bismor, Roman Wyżgolik, Advanced Signal Processing Techniques for Plasma-Mag Welding Process ...................................................................................................................................................Karolina Bronczyk，MichałAdamski，AgatadąBrowska，Adam Konieczka，Adamdąbrowski，来自各种Passnger Car发动机的污染物的二次污染物.. div>卡洛琳娜·布朗西克（Karolina Bronczyk），米歇·亚当斯基（MichałAdamski），阿加塔·dąbrowska，亚当·科尼克斯卡（Adam Konieczka），亚当·迪布罗斯基（Adamdąbrowski），PMS5003 formaldehyde传感器的准确性和交叉敏感性分析Damian Jankowski，Sebastian Szwaczyk，PawełKaczmarek，PrzemysławFścibiorek，Zbigniew Piotrowski，大数据技术在互联网资源处理系统中的有效应用 ................................................................................................................................................... 211
COP28第6.4条故障
项目的主持人必须向监督机构（SB）提交拟议活动，以根据A6.4机制进行注册，以便签发A6.4ERS。A6.4ER的机制注册表中容纳了一个基于联合国的框架，将单位标记为“授权”或“缓解贡献”。机制注册表将包含一个待处理帐户，持有帐户，取消帐户，取消全球排放（OMGE）总体缓解的帐户以及适应性帐户的收益份额。当事方以及有权根据A6.4运营的私人或公共实体将拥有一个持有帐户。机制登记处将与A6.2下的国际注册中心联系起来，以使当事方将A6.4ERS转移到国际注册中，以根据A6.2的ITMO将其用作iTMOS授予其他当事方的NDC。主持人必须在其向SB的申请中指定A6.4ERS是否会对其NDC做出贡献，或者他们是否会成为ITMO。在后者的情况下，必须在主持人的排放量中进行相应的调整。主持人可以追溯授权任何已发行的A6.4ERS成为ITMO，或用于其他国际缓解目的。必须根据该机制进行注册的活动必须提供OMGE，并且必须与东道党的可持续发展目标保持一致。至少取消2％是自动取消
TCAN1043XX-Q1汽车低功率故障受保护器CAN FD和WAKE DATASHEET（Rev. G）
•AEC Q100：有资格用于汽车应用 - 温度1级：T a = –55°C至125°C - 设备HBM分类水平：±16KV - 设备CDM分类级别：±1500V•功能安全安全性 - 可靠性的文档 - 可用于辅助安全系统的文档•满足仪式的要求•可以满足ISO 1188-2（20168-2（20168年8月2日）• (flexible data rate) and "G" options support 5Mbps – Short and symmetrical propagation delays and fast loop times for enhanced timing margin – Higher data rates in loaded CAN networks • V IO Level shifting supports 2.8V to 5.5V • Operating modes – Normal mode – Standby Mode with INH output and local and remote wake up request – Low power sleep mode with INH output and local and remote wake up request • Passive behavior when unpowered – Bus and logic terminals are high impedance (no load to operating bus or application) – Hot plug capable: power up and down glitch free operation on bus and RXD output • Meets or exceeds EMC standard requirements – IEC 62228-3 – 2007 compliant – SAE J2962-2 compliant • Protection features – IEC ESD protection of bus terminals: ±8kV – Bus fault protection: ±58V (non-H variants) and ±70V (H变体） - 供应端子上电压欠压保护 - 驾驶员占主导地位（TXD DTO）：数据速率降至9.2kbps - 热关机保护（TSD）•接收器通用模式输入电压：±30V•典型的环路延迟：110NS•110NS•从–55°C到150°C的交界处温度
在持续故障下对Ascon Cipher的安全分析
摘要。这项工作调查了NIST美国最近对Ascon Cipher进行的持续故障分析，用于轻巧的加密应用。在持续的故障中，在整个加密阶段，系统中都存在曾经通过Rowhammer注入技术注入的故障。在这项工作中，我们提出了一个模型，以安装Ascon Cipher上的持续故障分析（PFA）。在Ascon Cipher的最终回合中，我们确定置换回合中注入故障的S-box操作P 12很容易泄漏有关秘密密钥的信息。该模型可以存在于两个变体中，其中一个平行S-box调用中的单个输出s-box的实例，同一错误的S-box迭代64次。攻击模型表明，具有经过身份验证的加密使用相关数据（AEAD）模式运行的任何spongent构造都容易受到持续故障的影响。在这项工作中，我们演示了单个故障的场景，其中一旦注射后，在设备关闭电源之前，该故障持续了。使用采用的方法，我们成功地检索了Ascon中的128位键。我们的实验表明，所需查询的最小数字和最大数量分别为63个明文和451个明文。此外，我们观察到，安装攻击所需的查询数量取决于S-box LUT中的故障位置，如报告的图所示，该图报告了最小查询数量和100个键值的平均查询数量。
轴承故障检测与分类的决策树模型比较研究
轴承故障诊断对于减少故障、提高旋转机械的功能性和可靠性至关重要。由于振动信号是非线性和非平稳的，提取特征以进行降维和有效的故障检测具有挑战性。本研究旨在评估基于决策树的机器学习模型在轴承故障数据检测和分类中的性能。提出了一种将基于树的分类器与派生的统计特征相结合的机器学习方法，用于局部故障分类。通过时域分析从正常和故障振动信号中提取统计特征，以开发基于树的 AdaBoost (AD)、分类和回归树 (CART)、LogitBoost 树 (LBT) 和随机森林树 (RF) 模型。