XiaoMi-AI文件搜索系统
World File Search System故障检测
滚动轴承的故障检测与诊断
注意：作者已授予非独家许可，允许加拿大图书馆和档案馆在任何地方复制、出版、存档、保存、保存、通过电信或互联网向公众传输、出借、分发和出售论文。世界各地，用于商业或其他目的，以缩微形式、纸质、电子和/或其他格式。
传感器故障检测、隔离和调节...
摘要 — 传感器技术通过将现场和实时原始数据集成到数字孪生中来赋能工业 4.0。然而，由于固有问题和/或环境条件，传感器可能不可靠。本文旨在检测传感器测量中的异常，识别故障数据并用适当的估计数据进行调整，从而为可靠的数字孪生铺平道路。更具体地说，我们提出了一种基于机器学习的通用传感器验证架构，该架构基于一系列神经网络估计器和分类器。估计器对应于所有不可靠传感器的虚拟传感器（用于重建正常行为并替换系统内孤立的故障传感器），而分类器用于检测和隔离任务。对三个不同的真实世界数据集进行了全面的统计分析，并在硬和软合成故障下验证了所提出的架构的性能。
可以使用算法接收器故障检测
没有终止电阻，收发器的内部共同模式电压缓冲区仍然可以将canh and Canl带在一起，但速率要慢得多。总线线上的电容载荷也可以减慢CANH和罐头电压的合并。When the controller sends pulses to the TXD pin, and if the recessive interval is not long enough for the differential voltage (CANH – CANL) to go below the input low-threshold for 10 consecutive pulse cycles (RXD signal stays low for the 10 TXD-signal pulses), a trans- mission failure fault will be reported.这也意味着，如果TXD信号的高时间太长，则可以进入隐性模式，并且RXD信号将变高，不会报告传输故障故障。推荐的最小TXD脉冲频率检测到反式失效故障，为200 kHz。
输电线路配电系统故障检测
摘要：电力已成为我们所有人最抢手的便利设施。电力仅限于城市的时代已经一去不复返了。现在，它已经覆盖了世界每个遥远的地方。所以我们现在有一个复杂的电力系统网络。这种电力由输电线路传输。这些故障的发生是自然的。这些故障会损坏许多重要的电气设备，如变压器、发电机、输电线路。对于不间断电源，我们需要尽可能地防止这些故障。线路在输送电力时要延伸很长的距离，因此，该项目需要在尽可能短的时间内检测到故障。用于这些故障检测的基于微处理器和微控制器的系统发展迅速。本文模拟了使用 PIC 微控制器和 ADC 电流传感器检测故障的数值过流继电器。这些继电器比传统的机电继电器和静态继电器更可靠，响应更快。它们具有更大的设置范围、更高的精度、更小的尺寸和更低的成本，以及许多其他功能，例如故障事件记录、自动复位等。使用基于智能 GSM 的故障检测和定位系统来充分准确地指示和定位发生故障的确切位置。这将确保技术人员更短的响应时间来纠正这些故障，从而帮助避免变压器损坏和灾难。该系统使用电流变压器、电压变压器、PIC 16F877 微控制器、RS-232 连接器和 GSM 调制解调器。该系统自动检测故障、分析和分类这些故障，然后使用基于阻抗的算法方法计算故障与控制室的距离。最后，故障信息被传输到控制室。该项目是关于设计数字继电器，当输入值超过继电器中设置的参考值时，检测到故障，然后向断路器发出跳闸信号。总之，由于系统自动准确地提供准确的故障位置信息，因此定位故障所需的时间大大减少。关键词：PIC 微控制器、ADC 电流传感器、GSM。
联合安全锂离子电池故障检测。......
宾夕法尼亚州埃克斯顿——先进安全解决方案领域的全球领导者 United Safety & Survivability Corporation 自豪地宣布推出其最新创新产品——锂离子电池故障检测传感器。这款突破性产品为各行各业的电动汽车树立了新的安全标准。锂离子电池已成为我们日常生活中不可或缺的一部分——从校车到公共交通，从急救车到建筑设备——电动汽车在全球范围内呈上升趋势。然而，随着锂离子电池的普及，安全问题也随之上升。一旦锂离子电池进入热失控状态，就无法阻止，因此加强监控和早期检测至关重要。United Safety & Survivability Corporation 的锂离子电池故障检测传感器旨在解决这些问题。在故障的早期阶段，电池单元开始产生各种气体，这些气体会积聚并增加电池内部的压力，直到压力释放激活排气。传感器可以检测到释放的气体，从而在潜在故障变得严重之前就检测到它们。虽然该设备可以单独安装，但也可以与 Fogmaker 灭火系统等灭火系统结合使用，以提供全面的检测和抑制系统。 United Safety 首席执行官 Joseph Mirabile 表示：“这款锂离子电池传感器改变了电动汽车安全领域的格局。”随着电动汽车在各个领域的兴起，火灾风险与许多人习惯的有很大不同。当电动汽车内部起火时，我们所能希望的就是给乘客提供最大的疏散时间。能够提供一种能够阻止火灾的产品，更不用说在热失控事件发生之前就阻止火灾，这确实是一件独一无二的事情。将它与我们的 Fogmaker 系统结合起来，我相信这是目前市场上最好的电动汽车检测和抑制套件。” 关于 United Safety & Survivability Corporation United Safety and Survivability Corporation 致力于提供最具创新性和可靠性的安全和生存解决方案，让我们的客户可以信赖它们来保护生命和财产。作为设计和制造世界一流安全性、生存能力和技术解决方案的全球领导者，我们的产品组合涵盖了各种行业和类别，包括商用客车、消防车、救护车、军用车辆、长途客车、轨道车和机车的座椅。我们为军用车辆设计和制造特种士兵生存能力系统，我们的革命性灭火系统用于校车、公共交通、重型机械等。主动空气净化和 AEGIS® 微生物表面处理可消除空气和表面的细菌和病毒，帮助保护公众和操作员。有关 United Safety 的更多信息，请访问 www.usscgroup.com 或 www.ussc.com.au。
飞机涡轮喷气发动机的故障检测与隔离...
摘要：现代航空涡轮喷气发动机代表着复杂的系统，因此，重点关注安全性、可靠性、效率以及降低维护成本等问题。诊断技术的不断进步为实施渐进方法带来了新的可能性，而不是基于硬件冗余的传统方法。本文讨论了诊断和备份系统的设计，该系统使用投票方法和分析冗余来表示使用实验识别方法（多项式模型、神经网络）的计算模型。该系统的一部分也是专家系统，能够区分发动机故障和传感器错误。所提出的喷气发动机系统在实验室条件下在小型涡轮喷气发动机 iSTC-21v 上进行了测试，结果良好。
基于人工智能的航天器故障检测与识别技术
摘要 航天器系统及其任务的复杂性日益增加，需要更高水平的性能和创新的解决方案。为确保可靠性、可用性和安全性，必须实现机载自主性和最少故障。故障检测和识别 (FDI) 对于在航天器故障导致重大故障之前识别它们至关重要。然而，由于太空环境和对系统信息的依赖，FDI 的设计和应用具有挑战性。为了提高准确性、速度和抗噪性，已经开发了基于人工智能 (AI) 技术的现代 FDI 方法。本文研究了航天器姿态确定和控制子系统 (ADCS) 和电力子系统 (EPS) 中的最新 FDI 技术。本文讨论了各种 FDI 方法和框架，强调了它们的优点、缺点以及实施 AI 的重要性。此外，本文还对不同的方法进行了彻底的分析和比较。
使用人工智能的电动机故障检测
摘要： - 电动机是各种工业应用中的关键组件，其可靠性对于确保连续操作和最小化停机时间至关重要。本文介绍了应用于电动机故障检测的人工智能（AI）技术的全面审查和分析。我们探讨了各种AI方法，包括机器学习，深度学习和混合方法，评估它们在识别和分类不同类型的运动故障方面的有效性。该研究涵盖了广泛的电动机类型和故障场景，提供了有关该领域最新和未来方向的见解。我们的发现表明，与传统方法相比，基于AI的故障检测系统在准确性，早期检测能力和适应性方面可显着提高，为更可靠，有效的工业运营铺平了道路。
电故障检测的研究和实验...
摘要 - 随着电动汽车（EV）纳入日常生活的不断增长，对可靠充电站的需求已大大增加。确保这些电台的电气安全需要高质量的电感器组件，以在充电过程中保持准确性和效率。这项研究介绍了电感器自动电气故障检测系统的开发，旨在提高成本效益并降低企业的风险。首先，本文提供了不同类型的电感器的结构，标准和技术参数。然后，详细介绍了电故障检测系统的概述和工作原理。实验结果进行分析以评估系统的准确性和可靠性，证明了其提高电动电动机充电站中电感器组件性能的潜力。
可再生微电网故障检测的机器学习方法
摘要 本研究重点研究和使用机器学习 (ML) 方法来识别可再生微电网中的故障。它强调了与这些动态能源系统相关的困难和复杂性。对从太阳能和风能生产、电池存储状态、故障信号和机器学习模型性能中获得的实际数据的检查突出了可再生微电网中故障检测技术的复杂性。对可再生能源生产数据的分析表明，太阳能和风能的输出存在波动，突出了某些时间段内约 5-10% 的差异，从而说明了可再生能源的间歇性特性。同时，微电网内电池中存储的能量在时间间隔内逐渐下降约 3-5%，表明可能对系统稳定性产生影响。故障检测信号显示出不稳定的模式，这强调了在系统内部查找和分类问题所涉及的复杂性。对机器学习模型的评估（包括监督和无监督学习方法）揭示了许多性能指标。监督模型的准确率更高，通常在 85% 到 90% 之间。但是，它们容易偶尔出现错误分类。相比之下，无监督模型的准确率中等，通常在 75% 到 80% 之间。它们在检测故障方面表现出灵活性，但其精度有限。该研究强调需要结合使用监督和无监督机器学习模型来提高可再生微电网故障检测的准确性。这些结果为了解故障检测程序的复杂性和困难性提供了宝贵的见解，这可能有助于进一步提高可再生微电网系统的可靠性和耐用性。