XiaoMi-AI文件搜索系统
World File Search System故障诊断
在海上运输的数字革命中的网络挑战
摘要智能运输和海上技术包括区块链和智能合约技术，信息感知技术，智能决策技术，智能路由技术，海洋通信网络安全技术，路线计划技术，自主导航技术，州监测和故障诊断技术等。尽管如此，这些进步带来了实际和法律的挑战，以及数字时代的新威胁：网络犯罪。本文介绍了与数字技术在运输和运输中的集成相关的主要挑战和机遇，例如智能合约和无人船，以及网络问题如何影响海上行动的安全，保障和效率。第一部分研究了智能合约是集成和运行的技术背景，即术语区块链和技术分布式分类帐技术。进一步分析了海事行业中智能合约的机制和类型。此外，还研究了新技术的各个方面及其提出的挑战。第二部分重点关注智能合约的法律潜力，以检查其问题和海事行业的网络挑战。在本文的末尾列出了批判性言论和结论。关键字：数字化，网络安全，智能合约，自动船。JEL分类：K12，K20，K22，K24 DOI：10.62768/TBJ/2024/2024/20/2/2/09
智能制造人工智能监控现状及重点部分介绍
摘要 在过去的几十年里，以人工智能 (AI) 技术为支撑的智能化成为工业制造的重要趋势，加速了智能制造的发展。在现代工业中，标准人工智能被赋予了额外的属性，产生了所谓的工业人工智能 (IAI)，它已成为智能制造的技术核心。人工智能制造在从制造过程到最终产品物流的闭环生产链的许多方面带来了显着的改进。特别是，结合领域知识的 IAI 使生产监控领域受益匪浅。深度神经网络、对抗性训练和迁移学习等先进的人工智能方法已被广泛用于支持整个生产过程的诊断和预测性维护。人们普遍认为，IAI 是推动未来工业制造发展的关键技术。本综述全面概述了人工智能制造及其在监控中的应用。更具体地说，它总结了 IAI 的关键技术，并讨论了它们在生产监控的三个主要方面（故障诊断、剩余使用寿命预测和质量检测）的典型应用场景。此外，还讨论了 IAI 存在的问题和未来的研究方向。本综述进一步介绍了智能制造中基于人工智能的监控这一重点部分的论文，将它们融入概述中，强调它们如何为该领域的文献做出贡献并加以扩展。
第一原理高 - ...
摘要：现代工业单位收集大量流程数据，该过程基于哪些高级过程监视算法不断评估操作的状态。作为此类算法开发不可或缺的一部分，需要代表正常工作条件的参考数据集来评估该过程的稳定性，并确定它是稳定的，以校准监视过程，即估算监视统计量的参考模型并设置了参考模型。基本的假设是，所有相关的变异的“共同原因”在本参考数据集中表现得很好（使用过程监控的创始父亲Walter A. Shewhart所采用的术语）。否则，在执行监视方案期间，将不可避免地发生错误警报。但是，我们在本文中表明并证明了这一假设在现代工业系统中通常不满足。因此，我们引入了一种新方法，基于对共同原因变化的主要模式的严格机理建模以及使用随机计算模拟的使用，以增强历史数据集，并具有代表实际操作空间的全面覆盖的增强数据。我们展示了如何计算监视统计数据并设置其控制限制，并在宣布异常事件时进行故障诊断。所提出的方法称为AGV（人工产生共同原因可变性）用于Bosch Car Multimedia的表面固定技术（SMT）生产线，同时监视了17,000多个产品变量。
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。
过载中的离散任务切换
人类的多任务处理可以分为两种不同的模式（Wickens and McCarley，2008）。一种模式涉及并发执行，即同时进行两项任务，比如开车和说话。注意力通过共享大脑中有限的多种资源来分散（Navon and Gopher，1979；Meyer and Kieras，1997；Wickens，2002，2008）。另一种模式涉及顺序任务执行，此时操作员必须选择执行一项任务或另一项任务，因为在超负荷情况下无法同时执行多项任务。人类的经验提供了许多此类多任务处理在高工作负荷下崩溃的例子（Dismukes，2010；Loukopoulos et al.，2009；Wickens and McCarley，2008）。其中一些崩溃导致了悲剧：发短信使视线从路面转移，从而导致碰撞；三哩岛核电站的操作员过于专注于故障诊断，以致于没有注意到关键指标（Rubenstein and Mason，1979）；L1011 的飞行员过于专注于潜在的起落架故障，以至于他们停止了高度监控并坠毁在沼泽地中（Wiener，1977）；空中交通管制员因交通管理负担过重，忘记将一架等候的飞机移出跑道（NTSB 1991）。事实上，航空业尤其会出现几种情况，即本应具有最高优先级的任务被放弃或忽视，而其他任务则被优先考虑。
应用数学和非线性科学
本文旨在解决UHV转换器设备中故障样本不足的问题，这阻碍了他们的智能操作和检查。用于对UHV转换器设备的操作和检查，本文提出了多模式的学习样品时空相关生成方法。此方法从缺陷失误开发时间序列过程中获取典型的故障样本，并通过融合时间序列演变定律和相邻样品的相似性，使用最近的邻居生成段技术创建样品。基于转换器和转换器阀的物理模型，我们分析了部分放电，高温过热和微动磨损的断层发育定律。通过整合时间序列故障演化机制和多模式状态数量之间的空间相关性，建立了具有嵌入式断层机制的多模式故障样品生成模型。模拟表明，类似大脑的学习会产生嵌入在539列中的转换器部分放电和转换器阀IGBT微动磨损的样品中，包括376个转换器和163个转换器阀案例。生成的样品和实际样品之间的一致性超过90％，从而促进了脑部样模型的培训，以对高压转换器设备的健康评估，故障诊断和趋势预测进行培训。
使用...对工业旋转机械进行多故障诊断
摘要：工业 4.0 是智能制造的时代。没有机械，制造就不可能实现。这些机器大部分由旋转部件组成，因此被称为旋转机器。工程师的首要任务是维护这些关键机器，以减少计划外停机并延长机器的使用寿命。预测性维护 (PdM) 是当前智能维护的趋势。PdM 中的挑战性任务是诊断故障类型。随着人工智能 (AI) 的进步，数据驱动的预测性维护方法正朝着智能制造迈进。一些研究人员发表了与旋转机器故障诊断相关的研究成果，主要探讨单一类型的故障。然而，缺乏对旋转机器“多故障诊断”的综合文献综述。需要系统地涵盖从传感器选择、数据采集、特征提取、多传感器数据融合到系统评价多故障诊断中使用的人工智能技术的所有方面。在这方面，本文试图通过使用“系统评价和荟萃分析的首选报告项目”（PRISMA）方法对工业旋转机械多故障诊断的数据驱动方法进行系统文献综述来实现这一点。PRISMA 方法是系统评价和其他荟萃分析的组成和结构的指南集合。本文确定了该领域的基础工作，并对与工业旋转机械多故障诊断相关的不同方面进行了比较研究。本文还确定了主要挑战和研究差距。它利用人工智能的最新进展提供了实现多故障诊断的解决方案，为该领域的未来研究奠定了坚实的基础。
电动汽车的 AI 增强型电池管理系统：提高安全性、性能和使用寿命
摘要。电动汽车 (EV) 对于降低碳排放和解决全球环境问题至关重要。电池为电动汽车提供动力，因此电池管理对于安全性和性能至关重要。作为一种自检系统，电池管理系统 (BMS) 可确保运行可靠性并消除灾难性故障。随着电池老化，内阻会增加，容量会降低，因此 BMS 会实时监控电池的健康和性能。电动汽车储能系统 (ESS) 需要复杂的 BMS 算法来保持效率。使用考虑充电时间、电流和容量的电池效率计算，这种方法应该可以可靠地预测电池的 SoC 和 SoH。随着电池老化，内阻会增加，从而缩短恒流 (CC) 充电时间。通过分析这些变化，可以更准确地预测 SoH。用于估计 SoC 和增强 BMS 性能的传统方法（例如深度神经网络）用于最大限度地降低错误率。然而，随着电池老化，AI 方法因其提供精确诊断、故障分析和热管理的能力而备受瞩目。这些 AI 驱动的技术显著提高了充电和放电周期的安全性和可靠性。为了进一步确保安全，BMS 中集成了故障诊断算法。该算法主动解决潜在问题，从而保持电池的效率和安全性。通过在 ESS 中的成功应用证明了所提出的 BMS 算法的有效性，验证了其管理电池状态、提高性能和确保电动汽车运行可持续性的能力。
人工智能正在为空调工程师提供帮助
在这个例子中，AI 检测到实际室温低于设定点（太冷），送风流量为零，尽管送风挡板 100% 打开。哦，它不比人类聪明。是的，我们需要人类编写程序来告诉我们检查。在什么时候？这个错误报告给了空调工程师。任何读过这篇文章的人可能也会发现这个缺点。但使用人工智能最重要的优势是，你编写的程序只需要执行一次。它会一直这样进行故障检测，永不停歇，永不疲倦。永远不会感到无聊，每天都要与建筑物中的数千台 VAV 箱一起工作。当检测到故障时，AI 还可以进行故障诊断，例如导致故障的原因。在这个例子中，从皮托管到压力传感器的压力测量管松动，导致压力读数为零。VAV 箱也会将空气流量视为零。起初，AI 对此并不擅长，不知道错误是什么。但我们人类逐渐教会 AI，如果它遇到此数据的错误，那应该是由此引起的。如果数据出现这种错误，很可能是因为AI的记忆力超强，它不会忘记，而是不断积累知识。不断进步随着时间的推移，AI再次发现了同样的错误。可以诊断错误已更正可以说出导致错误的原因以及如何修复它。自动故障检测和诊断（AFDD）将发挥作用。肯定更多的是空调工程
卡尔曼滤波器组在飞机发动机中的应用...
卡尔曼滤波器组在飞机发动机故障诊断中的应用 Takahisa Kobayashi QSS Group, Inc. 俄亥俄州克利夫兰 44135 电子邮件：Takahisa.Kobayashi@grc.nasa.gov Donald L. Simon 美国陆军研究实验室 格伦研究中心 俄亥俄州克利夫兰 44135 电子邮件：Donald.L.Simon@grc.nasa.gov 摘要 本文将卡尔曼滤波器组应用于飞机燃气涡轮发动机传感器和执行器故障检测和隔离 (FDI) 以及组件故障检测。这种方法使用多个卡尔曼滤波器，每个滤波器都用于检测特定的传感器或执行器故障。如果确实发生故障，除使用正确假设的滤波器之外的所有滤波器都会产生较大的估计误差，从而隔离特定故障。同时，估计了一组指示发动机部件性能的参数，以检测突然退化。将所提出的 FDI 方法应用于标称和老化条件下的非线性发动机仿真，并给出了巡航运行条件下各种发动机故障的评估结果。证明了所提出的方法能够可靠地检测和隔离传感器和执行器故障。术语 A16 可变旁通管道面积 A8 喷嘴面积 BST 增压器 CLM 组件级模型 FAN 风扇 FDI 故障检测和隔离 FOD 异物损坏 HPC 高压压缩机 HPT 高压涡轮 LPT 低压涡轮 P27 HPC 入口压力 PS15 旁通管道静压 PS3 燃烧室入口静压 PS56 LPT 出口静压 T27D 增压器入口温度 T56 LPT 出口温度