摘要。本文介绍了机器学习技术的新颖使用,以识别分散能源系统领域内可再生微电网中的故障。该研究研究了机器学习模型在识别动态和可变微电网环境中异常的有效性。它利用一个综合数据集,其中包括太阳能,风能和水力发电,能源存储状态和故障指示器等参数。调查表明,与常规的基于规则的方法相比,在识别故障的识别优势方面具有94%的精度,这表明了机器学习的优越性,该方法的准确率为80%。精确度和召回措施强调了机器学习模型的均衡性能,降低了误报和假否定性,并保证了精确的问题检测。断层对微电网效率的影响大大降低,在断层情况下仅记录了2%,这表明模型维持有效的能量供应的能力。一项比较研究表明,与常规技术相比,准确性提高了14%,强调了自适应和数据驱动方法在识别复杂的断层模式方面的益处。灵敏度研究验证了机器学习模型的弹性,证明了它们适应不同设置的能力。模型的实际应用通过模拟
摘要。在依次连接的细胞之间达到平衡的过程对于预言过度充电或放电至关重要,并且还可以改善总体能量容量。本文讨论了用于在电池管理系统(BMS)中均衡单元充电创建的各种算法。适当的细胞平衡是维护锂离子电池(LIB)包的必不可少的。在BMS中,识别故障至关重要。这涵盖了DECTECT,隔离和估计故障。为了防止电池在不安全的范围内运行,至关重要的是要确保电流,电压和温度传感器的准确功能。准确的故障诊断对于电池管理系统的最佳操作至关重要。在电动汽车电池管理系统的背景下,非常依赖电流,电压和温度的精确测量,以估计充电状态(SOC)和整体电池健康。迅速识别早期失败可以减轻安全危害并最大程度地减少损害。neverther,有效地使用电子车辆的真实操作数据来确定这些初始失败仍然是一项复杂的任务。本文介绍了用于检测与平衡相关故障的不同算法的分析,涵盖了基于模型和不依赖模型的方法的两种方法。在此文档中还讨论了评估算法的优势和缺点,以及在平衡和故障检测领域的即将到来的挑战。
维修和保养 PCB 通过其对 PCB 销售的所有 Platinum Stock 产品提供“终身保修”以及对所有其他 PCB Stock、标准和特殊产品提供有限保修,保证客户完全满意。由于我们的传感器和相关仪器的复杂性,不建议进行现场维修和维护,如果尝试进行现场维修和维护,将使工厂保修失效。除了常规校准和电池更换(如适用)外,我们的产品无需用户维护。使用不会损害结构材料的溶液和技术清洁电连接器、外壳和安装表面。在非密封设备附近使用液体时要小心。只能用湿布擦拭此类设备 - 切勿浸湿或浸没液体。如果设备损坏或停止运行,我们的应用工程师将全天候为您提供故障排除支持。请致电或发送电子邮件,告知型号和序列号以及问题的简要说明。校准 必须对传感器和相关仪器进行常规校准才能保持测量精度。我们建议每年校准一次,在暴露于任何极端环境影响后或在任何关键测试之前进行校准。PCB Piezotronics 是一家通过 ISO-9001 认证的公司,其校准服务由 A2LA 认证为 ISO/IEC 17025,可通过 NIST 完全追溯到 SI。除了标准校准服务外,我们还提供专门测试,包括:高温或低温下的灵敏度、相位响应、扩展高频或低频响应、扩展范围、泄漏测试、静水压力测试等。有关更多信息,请联系您当地的 PCB Piezotronics 经销商、销售代表或工厂客户服务代表。
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。
在工业生产领域,状况监测在确保旋转机械的可靠性和寿命方面起着关键作用。由于大多数生产设施都严重依赖振动分析,因此它已成为条件监测实践的基石。但是,对振动信号的手动分析是一项耗时且专业的密集型任务,通常需要专门的领域知识。当前的研究通过提出一种新型的半自动诊断系统来解决上述挑战。该方法以快速傅立叶变换(FFT)频谱的形式利用历史振动数据。系统通过将频率范围划分为预定义的垃圾箱,并求和每个垃圾箱内的能量值,从而从频域中提取能量特征。随后,根据相应的机器条件将每个数据点标记为标记,从而使系统能够通过使用机器学习模型来学习诊断模式。这种方法通过最少的手动干预促进了有效而准确的诊断。产生的数据集有效地表示并提供了可解释的结果。支持向量机(SVM)和集成算法可立即诊断出故障,并以最小的错误率诊断。所提出的系统能够提供早期警告,从而防止进一步的恶化和计划外的下降。使用现实世界数据的实验验证证明了系统的功效,其准确性超过90%。
1计算机科学与工程,1海得拉巴技术与管理学院,印度海得拉巴。 摘要:晶圆,薄的半导体切片对于微电子设备至关重要,尤其是在综合电路(ICS)中,在各种行业(例如计算,太阳能电池和光学)中起着基本作用。 我们创建了一种使用Python,Flask和Pycharm的机器学习模型,以及随机的森林和XG增强分类器,以预测需要基于传感器输入来替换Wafers。 晶圆故障检测对于半导体产生至关重要,通过识别非功能晶圆来提高制造产量。 数据集包括晶圆名称和590个传感器值列,最后一列指示“好/坏”状态,以批量进行分析。 两个类别+1和-1分别表示工作条件和更换的需求,从而确保有效识别和预测有故障的晶圆,而不会影响其他资源。 索引项 - 晶圆,集成电路,计算,机器学习模型,故障检测,传感器输入,分类,替换。1计算机科学与工程,1海得拉巴技术与管理学院,印度海得拉巴。摘要:晶圆,薄的半导体切片对于微电子设备至关重要,尤其是在综合电路(ICS)中,在各种行业(例如计算,太阳能电池和光学)中起着基本作用。我们创建了一种使用Python,Flask和Pycharm的机器学习模型,以及随机的森林和XG增强分类器,以预测需要基于传感器输入来替换Wafers。晶圆故障检测对于半导体产生至关重要,通过识别非功能晶圆来提高制造产量。数据集包括晶圆名称和590个传感器值列,最后一列指示“好/坏”状态,以批量进行分析。两个类别+1和-1分别表示工作条件和更换的需求,从而确保有效识别和预测有故障的晶圆,而不会影响其他资源。索引项 - 晶圆,集成电路,计算,机器学习模型,故障检测,传感器输入,分类,替换。
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。
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。
摘要:本文全面介绍了区域供热系统中最先进的智能故障检测和诊断技术。维护高效的区域供热系统至关重要,因为故障会导致热量损失增加、客户不适和运营成本增加。智能故障检测和诊断可以利用人工智能或机器学习自动识别和诊断故障行为。在我们的调查中,我们回顾并讨论了过去 12 年发表的 57 篇论文,强调了最近的趋势,确定了当前的研究差距,讨论了当前技术的局限性,并为该领域的未来研究提供了建议。虽然人们对这个话题的兴趣越来越浓厚,而且过去五年也取得了很大的进步,但缺乏开源的高质量标记数据严重阻碍了进展。未来的研究应该旨在探索迁移学习、领域自适应和半监督学习,以提高当前的性能。此外,研究人员应该使用以数据为中心的方法来增加对区域供热数据的了解,为未来区域供热的故障检测和诊断奠定坚实的基础。
摘要:未来几代飞行控制系统,例如无人驾驶飞行器 (UAV) 的飞行控制系统,可能会更具适应性和智能性,以应对无人驾驶带来的额外安全性和可靠性要求。高效的故障检测和隔离 (FDI) 系统至关重要,应该能够监控飞机的健康状况。从历史上看,硬件冗余技术已用于检测故障。然而,由于成本高且附加组件质量大,在无人机中复制执行器并不理想。幸运的是,也可以使用分析冗余技术检测飞机执行器故障。在本研究中,设计了一种使用支持向量机 (SVM) 的数据驱动算法。所研究的飞机执行器故障是效率损失 (LOE) 故障。故障检测算法的目的是根据执行器的健康状况将特征向量数据分类为正常或故障类。结果表明,SVM 算法几乎可以立即检测到 LOE 故障,平均准确率为 99%。