XiaoMi-AI文件搜索系统
World File Search System故障检测
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用的重点主题之一。个体传感信息通常用于揭示潜在的过程动态并识别其中的潜在变化。这些系统通常配备具有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船上系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。例如线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）[1][2]。研究人员还使用了软计算
配备升降副翼的小型无人机的故障检测和基本飞行中重新配置
摘要：本文介绍了配备两个升降副翼和一个电动机的小型无人机的飞行故障检测和基本重构。考虑的故障场景是直线平飞期间一个控制面卡在给定位置。故障检测采用多模型自适应估计解决，考虑无故障和故障（左或右表面卡住）系统模型。基本重构是为了稳定飞行免受大气干扰，在横向通道中应用剩余表面，并采用总能量控制概念将空速和高度保持在纵向通道中可接受的限度之间。在软件在环仿真中，故障检测和重构取得了令人满意的结果。
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用的重点主题之一。个体传感信息通常用于揭示潜在的过程动态并识别其中的潜在变化。这些系统通常配备具有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船上系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。例如线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）[1][2]。研究人员还使用了软计算
使用组合测试提高 MC/DC 和故障检测强度
在提高效率和安全性方面发挥了关键作用，甚至取代了人类。然而，实施错误和设计缺陷可能会导致灾难性的后果。联邦航空管理局要求在A级（最安全关键系统）上进行修改条件/决策覆盖（MC/DC），事实证明，它能有效地检测软件错误。然而，生成测试以实现高MC/DC可能非常昂贵且耗时。最近，许多研究表明，组合测试（CT）可以以经济高效的方式生成高质量的测试用例。CT能否生成测试用例以实现高MC/DC？在本文中，我们对两个实际程序进行了实证研究，以评估使用组合测试提高MC/DC覆盖率的效率和有效性，以及故障检测强度。
使用支持向量机进行飞机飞行控制执行器故障检测
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%。
超出限制：对锂离子电池技术中故障检测和平衡的简要探索
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。
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
使用遗传算法进行基于模型的机电执行器故障检测和识别预测
摘要：飞机控制面的传统液压伺服机构正逐渐被机电执行器 (EMA) 等新技术所取代。由于 EMA 才刚刚采用，因此无法获得有关其可靠性的现场数据，其故障模式尚未完全了解；因此，有效的预测工具可以帮助检测飞行控制系统的早期故障，以便正确安排维护干预和执行器更换。这将带来双重好处：通过避免飞机在部件受损的情况下飞行，可以提高安全性，并且可以防止更换仍能正常工作的部件，从而降低维护成本。然而，由于受监控系统的复杂性和多学科性质，EMA 预测提出了挑战。我们提出了一种基于模型的故障检测和隔离 (FDI) 方法，采用遗传算法 (GA) 在系统性能开始受到影响之前识别故障前兆。考虑了四种不同的故障模式：干摩擦、间隙、部分线圈短路和控制器增益漂移。本文提出的方法能够以比数据驱动策略更有效的方式利用系统设计知识来应对挑战，并且需要的实验数据更少。为了测试所提出的工具，开发了一个模拟测试台。实施了具有不同详细程度的 EMA 的两个数值模型：高保真模型提供了要分析的故障执行器的数据，而更简单的模型，计算量更小，但足够准确以模拟所考虑的故障模式，由 GA 迭代执行。结果显示，该系统具有良好的稳健性和精确度，能够早期识别系统故障，且误报或漏报很少。
使用改进的循环神经网络进行无线传感器网络建模：应用于故障检测
这篇论文由路易斯安那理工大学数字共享中心研究生院免费提供给您，供您免费访问。路易斯安那理工大学数字共享中心的授权管理员已接受该论文，将其纳入博士论文。如需更多信息，请联系 digitalcommons@latech.edu 。
基于自动故障检测和诊断的空气处理机组数字孪生预测性维护框架
建筑行业是全球能源消耗最多的行业，因此成为能源效率举措的优先事项。供暖、通风和空调 (HVAC) 系统是建筑物的核心。稳定的空气处理机组 (AHU) 运行对于确保高效率和延长 HVAC 系统的使用寿命至关重要。本研究提出了 AHU 的数字孪生预测性维护框架，以克服目前在建筑物中使用的设施维护管理 (FMM) 系统的局限性。数字孪生技术在设施管理行业中仍处于起步阶段，它使用建筑信息模型 (BIM)、物联网 (IoT) 和语义技术为建筑设施制定更好的维护策略。实施预测性维护框架需要三个模块：基于 APAR（空气处理机组性能评估规则）方法的 AHU 运行故障检测、使用机器学习技术的状态预测以及维护计划。此外，在挪威一栋教育建筑的真实案例研究中，对所提出的框架进行了测试，使用 2019 年 8 月至 2021 年 10 月之间的数据，以验证该方法的可行性。还通过 FM 系统获取了检查信息和以前的维护记录。结果表明，不断更新的数据结合 APAR 和机器学习算法可以检测故障并预测空气处理系统的未来状态