XiaoMi-AI文件搜索系统
World File Search System故障诊断
先进制造与工程
AMEDK3/021 计算机数控 (CNC) 编程/加工 75 A/615/8270 AMEDK3/022 电气、气动和液压系统及设备 75 F/615/8271 AMEDK3/023 技术人员的工程制图 75 J/615/8272 AMEDK3/024 工程系统的监控和故障诊断 75 L/615/8273 AMEDK3/025 工程测量系统的原理和应用 75 R/615/8274 AMEDK3/026 机械测量和检测技术 75 Y/615/6498 AMEDK3/027 工业机器人技术 75 D/615/8276 AMEDK3/028 制造和焊接原理 75 T/617/2376 AMEDK3/029焊接原理 75 A/617/2377 AMEDK3/030 图案开发 75 F/617/2378 AMEDK3/031 手工金属电弧 (MMA) 焊接 75 J/617/2379 AMEDK3/032 金属惰性气体、金属活性气体 (MIG/MAG) 焊接 75 A/617/2380 AMEDK3/033 钨极惰性气体 (TIG) 焊接工艺 75 F/617/2381
电机驱动中的人工智能
1986 年现代反向传播论文首次发表 [1] 后，电机控制界对机器学习 (ML) 的蓬勃发展了如指掌，三年后出现的关于离线训练神经网络以模仿三相 PWM 逆变器中磁滞电流控制器行为的研究 [2] 就证明了这一点。随后，在 20 世纪 90 年代初，人们在通用电压馈电交流电机 [3]、[4]、感应电机 [5]–[15]、直流电机 [16]、[17]、同步电机 [18] 和开关磁阻电机 [19] 上进行了一系列开创性的努力。除了对将 ML 应用于电机驱动控制的广泛兴趣外，此类技术（尤其是分类或回归技术）也已应用于各种类型电机的状态监测和故障诊断 [20]–[27]。大约在那个时候，随着神经网络等机器学习模型的出现，电力电子领域的前沿逐渐向前发展，这些模型已成为电力电子和电机驱动器中复杂系统识别、控制和估计的最重要领域 [28]。然而，也有人得出结论，“尽管技术进步，但目前神经网络在电力电子领域的工业应用似乎非常少” [29]。虽然机器学习应用始终以最快的可用硬件平台为目标，尤其是专注于（大规模）
基于模型的故障诊断的稳健残差生成...
为了保证安全运行和任务完成，必须尽早诊断自动系统中的任何故障。基于模型的技术已被广泛认为是诊断故障的可行且有效的方法，并且需要被监控系统的数学模型。成功的基于模型的故障诊断的先决条件是对建模不确定性具有令人满意的稳健性。本论文研究并进一步发展了稳健残差生成技术在基于模型的故障诊断中的理论和应用，首先研究并回顾了基于模型的故障诊断的基本原理。然后提出了一些设计稳健残差生成器的策略。本论文提出了一种用于稳健残差生成的新型全阶未知输入观测器结构，然后使用该结构设计方向和最小方差残差。然后非常详细地介绍了故障诊断的特征结构分配方法。提出了一种在扰动解耦设计中分配右观测器特征向量的新算法。然后使用扰动解耦残差生成来诊断喷气发动机系统示例中的故障。为了促进这一应用，提出了几种技术来推导近似扰动分布矩阵。这些技术扩大了扰动解耦残差生成方法的应用范围。鲁棒性
传输保护系统异常的网络物理安全分析
输电系统中的组件，随着自动化的不断发展，正变得越来越数字化。这些数字系统容易受到漏洞/攻击，利用这些漏洞可能会对电网性能造成重大影响。控制中心报告的多个警报可能是由于保护系统中的故障（预期操作）或故障（异常/意外操作）造成的。通过相量测量单元 (PMU) 等传感器获得的态势感知和通过网络系统获取的数据为开发系统的持续网络物理监控提供了机会。请注意，控制中心不会连续报告继电器数据。本文介绍了一种基于网络物理数据分析的技术来监控输电保护系统并检测恶意活动。首先，使用长短期记忆 (LSTM) 对 PMU 数据进行持续监控以检测数据异常，包括坏数据或缺失数据。然后，使用半监督深度自动编码器模型，利用感兴趣的 PMU 数据进行故障诊断。在本研究中，通过操纵保护设备的设置/逻辑设计来建模网络异常，并使用基于岭回归的分类器和特征工程管道来检测网络异常。然后利用深度自动编码器模型和基于岭回归的分类器的结果进行详细调查，以找出观察的根本原因
广告ICT支持分析师参考：ME2425069
•与其他ICT服务人员联络，以在课程网络，管理计算机网络，WAN和网络基础架构上的各种Windows服务器，软件，外围设备以及相关的安全性和系统策略的安装，维护，维修和备份。•为大学的学生和教职员工提供技术帮助，他们可能在任何网站或正在远程工作 /学习的高层员工 /学生使用计算机硬件或软件系统困难。•诊断计算机硬件和软件中的故障，并确保采取适当的措施以促进及时维修。•协助推出新的硬件/软件和新技术。•与供应商的技术支持团队联络以帮助故障诊断。•协助监控大学软件许可合规性。•与供应商进行记录和追逐保修维修。•采取质量控制计划，以提高支持和服务质量。•协助股票控制程序并维护资产登记册。•为其他员工提供技术培训，并在需要时提供指导和支持。•创建和更新文档并帮助指南。•协助笔记本电脑和其他便携式设备进行硬件维修。•在任何站点上协助ICT支持分析师完成实际任务。•协助监视大学ICT系统日志。调查发现或升级为高级技术人员的问题。•要执行经理可以合理要求
专题：智能逆变器中的人工智能和机器学习应用
主题：如今，人工智能（AI）尤其是机器学习（ML）的研究正在迅速发展，成为过去几十年来最突出的焦点。人工智能和机器学习的目的是促进具有像人类一样学习和推理能力的智能系统。这些技术具有巨大的优势，已成功应用于许多工业领域，包括图像分类、语音识别、自动驾驶汽车、计算机视觉等。电力电子具有巨大的潜力，受益于人工智能和机器学习在其各种应用中的发展。这包括电源模块散热器的设计优化、电网边缘互联逆变器的智能控制方案、电力电子的故障诊断和自愈、最大功率点跟踪（MPPT）、可再生能源转换系统的短期/长期预测、逆变器网络的异常检测和分类等。通过实施人工智能和机器学习，电力电子系统具有自我意识和自适应能力，因此可以提高系统自主性。特别部分的目的是为研究人员、执业工程师和其他利益相关者提供一个及时的机会，让他们分享他们在智能逆变器/转换器系统中人工智能和机器学习应用领域的最新发现，这些发现与智能操作、控制和优化解决方案有关。主题涵盖电力电子的所有领域。提交的内容需要展示对这些领域的强大原创贡献。
网络系统工程师 - 职位描述 - 诺斯罗普·格鲁曼公司
优先资格/经验 • 测试自动化经验 • 在系统工程生命周期内具有工程规划和执行验证和确认/系统/软件活动的经验 • 具有定义测试要求、程序和测试设备的经验 • 报告测试指标，包括测试管理工具经验 • 国防或受监管行业内的 V&V/系统/软件工程经验 • 熟悉工程标准 • 熟悉功能安全能力/技能要求 • 善于解决问题，能够为各种问题开发解决方案 • 注重细节 • 具备技术报告写作技能，可以高标准地编写文档 • 故障诊断技能，包括故障识别和报告 • 有条理，善于工作量管理并适当确定优先顺序以满足期限 • 灵活应对不断变化的优先事项 • 良好的人际交往能力，能够有效地与所有受众/利益相关者互动 • 擅长演讲 • 能说流利的英语 • 客户关注 • 具有“能做”的态度 其他要求 • 如有需要，可以在轮班模式下工作 • 如有需要，可以在周末工作 • 出差要求：可能需要偶尔前往英国参加团队/客户的技术访问、会议和培训活动 • 许可要求：职位持有人必须持有并维持英国政府许可（如有需要）
开发电动汽车电池系统的数字双平台
电动汽车中的电池系统需要适当的监控和控制，以确保可靠，高效和安全的操作。网络物理技术的最新进步带来了新兴的数字双胞胎概念。这个概念为电池系统的实时状况监测和故障诊断开辟了新的可能性。听起来很有希望，但概念实施仍然面临许多挑战。挑战之一是可以开发数字双胞胎的平台，该平台涉及数据管道和建模工具。数据管道将包括具有较高速度，音量，价值，多样性和真实性数据的采集，存储和提取转换载荷（ETL），称为大数据。建模工具必须提供应用程序来构建高保真模型，这是数字双胞胎所需的元素之一。基于这些迫切性，本文提出了一个平台，以促进电动汽车中电池系统的数字化对齐。该平台建立在开源框架CDAP上，配备了数据管道和建模工具。它已经运行了几个具有不同计算资源配置和工作负载的性能测试。加倍处理能力可以减少计算时间的12％，同时将记忆大小增加四倍，只会减少计算时间的10％。结果表明，处理能力比内存大小更影响性能数字双胞胎平台。
硬盘故障大数据预防性维护... - ijiet
摘要 —近年来，随着云技术的快速进步，数据中心一直被认为是云服务评估最重要的方面之一，其可靠性和可用性一直是每个IT工程师关注的焦点。然而，服务中断是每个数据中心需要考虑的最重要的因素，影响用户体验，或造成业务损失。因此，数据中心的自动化故障预防和监控将有效提高云服务的可靠性。预测性维护不同于传统的维护过程（即日常维护和纠正性维护），它通过执行设备状态监控来评估状态，并根据状态预测何时应进行维护。本研究专注于硬盘故障预测，利用大数据分析和机器学习技术，我们开发了预防性监控系统（PMS）。利用预测和健康管理（PHM）来识别故障机制，并结合自我监测，分析和报告技术（SMART）在设备故障前识别异常的早期迹象。最后，我们使用随机森林算法构建预测模型。本研究旨在开发一种预测监测系统，提供设备状态监测和故障诊断，从而识别设备故障并尽快解决，使系统保持最佳状态。索引词——大数据、预防性维护、故障预测、硬盘、随机森林。
A. Ph.D.程序A. Ph.D.程序
和深度学习，物联网，智能运输系统，用于医疗保健系统的人工智能，教育系统的人工智能，工业互联网的AI，农业机器人技术。机器维护，机械故障诊断，工业互联网，工业应用的物联网 /雾计算机器的机器学习智能电网控制系统，优化，估计，电源系统的控制设计，微电网，PV系统和风能系统的控制设计，电源转换器和过滤器的控制设计，转换器设计，太阳能电池设备，生物医学仪器和控制，机器学习和深度学习，控制机器人车辆的控制开发。无线传感器网络，智能电网，需求侧管理，电力系统，物联网，电动汽车：智能分销网格中的PEV/PHEV，人工智能，机器学习和深度学习，工业自动化，无人机技术。Power Systems Distribution Automation, Power Systems Protection, Wide Area Measurement Systems, Power System Analysis, Dynamics and Control, FACTS, Grid Integrated Renewable Energy Systems, Electricity Market, Congestion Management, Power system Cyber Security Power Electronics, Restructured Power Systems, Smart Grid, Power System Economics, Embedded Systems, Power System Operation & Control, Electric Drives