XiaoMi-AI文件搜索系统
World File Search System故障预测
飞机维护、修理和大修中的人工神经网络数学方法
摘要 - 飞机维护、修理和大修 (MRO) 是飞机生命周期成本 (LCC) 的主要组成部分之一。提高 MRO 效率并降低 MRO 成本是降低 LCC 的主要方法之一。在现代航空技术中，航空电子设备的复杂性及其维护量不断增加。传统的故障预测方法难以应用于复杂的技术系统，因此有必要缩短 MRO 间隔。本研究提出了人工神经网络 (ANN) 的数学方法作为解决此问题的可能方法。无人机 (UAV) 的航空电子设备是研究对象。分析了传统方法和 ANN 方法的可靠性和故障预测，并进行了结果比较。研究表明，所用方法适用于解决此问题。所得结果显示可靠性很高。建议进一步研究以扩展到更复杂的航空电子设备飞机。在 MRO 系统中引入 ANN 具有诸多优势，包括可以延长航空电子设备的维修间隔和预测故障，同时考虑到运行的外部因素。这必然会降低 LCC 并提高安全性。
网络弹性灵活交流输电系统ABB Inc
• 目标是开发基于领域的方法，用于柔性交流输电系统 (FACTS) 的纵深防御网络安全解决方案。我们解决了与 FACTS 控制系统内部攻击相关的漏洞，例如语法正确的恶意命令和测量。存在将 FACTS 控制扩展到网络安全的机会。主要的技术挑战是设计满足所保护操作过程的速度要求的控制器扩展。我们计划使用状态估计来防止虚假数据注入；前瞻性模拟来防止恶意命令；以及时间故障传播图和马尔可夫过程进行入侵检测和控制器故障预测。我们将利用 FACTS 设备独特的动态响应，例如通过探测信号或模拟来识别并提醒操作员任何对 FACTS 设备起作用的恶意网络命令和测量。我们将为与广域测量、保护和控制 (WAMPAC) 以及监控和数据采集 (SCADA)/能源管理系统 (EMS) 交互的分布式 FACTS 系统开发网络安全解决方案。矩阵束法将用于防止广域控制 FACTS 中的中间人攻击。变分模态分解 (VMD) 技术结合决策树 (DT) 和移动目标防御，可确保广域电压控制 FACTS 的安全。开发的方法将使用各种 FACTS 设备进行测试，例如静态无功补偿器 (SVC)、串联电容器 (SC)、静态补偿器 (STATCOM) 和晶闸管控制串联补偿器 (TCSC)。
井下振动因素在钻井工具可靠性大数据分析中的应用——综述
在极具挑战性的井下环境中，钻井工具通常要承受高温、剧烈振动等恶劣的操作条件。钻井活动会产生海量现场数据，即现场可靠性大数据（FRBD），其中包括井下操作、环境、故障、退化和动态数据。现场可靠性大数据具有规模大、种类多、极其复杂等特点，为钻井工具可靠性分析带来了丰富的机遇和巨大挑战。因此，作为影响钻井工具可靠性的关键因素之一，井下振动因素在基于FRBD的可靠性分析中起着至关重要的作用。本文回顾了井下钻井作业的重要参数，研究了井下振动的模式、物理和可靠性影响，介绍了可靠性大数据分析的特点。具体而言，本文探讨了振动因素在可靠性大数据分析中的应用，涵盖工具寿命/故障预测、预测/诊断、状态监测（CM）以及维护计划和优化。此外，作者强调了未来的研究，即如何更好地将井下振动因素应用于可靠性大数据分析，以进一步提高工具可靠性并优化维护计划。[DOI：10.1115 / 1.4040407]
数字孪生驱动的半物理仿真，用于智能制造系统中工业软件的测试和评估
摘要：为满足产品个性化制造的需求，智能制造系统（SMS）需要频繁进行重构。为了快速验证工业软件在针对新产品订单或升级产品订单重构SMS时的可靠性和适应性，提出了一种基于数字孪生驱动技术的工业软件测试评估半实物仿真方法。通过建立SMS半实物仿真模型，通过在各种制造场景中运行工业软件来快速验证软件系统的可靠性和鲁棒性。本文详细阐述了面向SMS开展工业软件半实物仿真测试评估的关键技术，包括如何同步信息系统和物理系统、如何进行半实物加速仿真测试、如何快速识别实际生产环境中使用的工业软件中的缺陷等。通过建立步进电机半实物仿真生产线模型，验证了所提方法的有效性和实用性，并显著缩短了工业软件的测试验证时间。最后，通过故障注入测试进一步验证了SMS工业软件的鲁棒性，以期为故障预测或故障预防研究提供参考。
人工智能对服务质量和顾客满意度的影响
摘要：这项研究强调了人工智能 (AI) 及其应用对约旦银行提供的服务质量、客户满意度的重要性。本研究论文全面回顾了关于人工智能的众多新兴应用及其对银行业的影响的文献。对现有文献进行了严格的研究，以检验人工智能在银行业的应用。人工智能通过提供信用评分检查、系统故障预测、紧急警报系统、欺诈检测、网络钓鱼网站检测、流动性风险评估、客户忠诚度评估和情报系统，通过减少员工工作量，改善了数百万客户和员工的银行体验。一份问卷收集了约旦银行业 270 名消费者的数据。SPSS 程序使用探索性因子分析对样本数据进行统计评估，以确定服务质量和客户满意度。结果表明，更新后的 SERVQUAL 模型提取了五个子量表，而不是原始模型中的八个。提取的子量表有形性、保证性、可靠性、响应性和同理心。根据这项研究，人工智能在统计上与服务质量和客户满意度相关。作者认为，更新后的 SERVQUAL 模型有助于解决银行业的客户满意度问题。研究结果表明，约旦银行业对人工智能的需求对客户同样重要；因此，应该根据客户的要求和偏好在虚拟代理和人工代理之间实现最佳平衡。此外，这项研究还发现了在银行业使用人工智能的实际意义，特别是与约旦客户感知相关的意义。关键词：- 银行业、人工智能、客户体验、服务质量
太阳能光伏电致发光图像中的人工智能辅助电池级故障检测和定位
随着全球范围内太阳能的日益普及，人们对开发有助于提高制造和持续运营效率的系统产生了浓厚的兴趣。由于各种现实条件和流程，太阳能电池板在制造和运营过程中会出现故障。这项工作的目标是建立一个端到端故障检测系统，以根据太阳能电池板的电致发光 (EL) 成像来检测和定位太阳能电池板中的故障。如今，大多数故障检测都是通过手动检查 EL 图像进行的。为此，我们建议设计和实施一个端到端系统，该系统首先将太阳能电池板分成单个太阳能电池，然后将这些电池图像通过分类 + 检测管道，以识别故障类型并定位电池内的故障。我们提出了一种混合架构，其中包含多个 CNN 模型架构的集合，用于分类和检测。该集合能够服务于单晶和多晶太阳能电池板。所提出的系统有助于显著提高太阳能电池板的效率并降低保修和维修成本。我们使用开放的 EL 图像数据集展示了所提系统的性能，其电池级故障预测准确率达到 95%，召回率也很高。所提算法适用，并可扩展到使用 RGB、EL 或热成像技术的其他太阳能应用。
MRO 运营中的航空数据分析
随着每一代民用飞机产生更多的在翼数据，机队逐渐与地面建立更紧密的联系，可以发现更多机会来提高维护、维修和大修 (MRO) 操作的效率。数据正成为飞机运营商的宝贵资产。传感器以更高的采样率测量和记录数千个参数。然而，数据本身并没有任何用途。只有分析才能释放它们的价值。数据分析方法可以很简单，利用可视化，也可以更复杂，利用复杂的统计和人工智能算法。每个问题都需要用最合适、最不复杂的方法来解决。在 MRO 操作中，可以确定两大类在翼数据分析问题。第一类需要识别模式，从而对不同的维护和大修过程进行分类和优化。第二类问题需要识别罕见事件，例如零件的意外故障。这类问题依赖于在大型数据集中检测有意义的异常值。这里可以提出不同的机器学习方法，例如孤立森林和逻辑回归。总体而言，数据分析在维护或故障预测中的应用是一个潜力巨大的科学领域。由于其复杂性，航空数据分析在 MRO 运营中的机会很多。随着 MRO 服务越来越注重长期合同，拥有正确预测方法的维护组织将具有优势。数据可访问性和数据质量是两个关键因素。同时，与数据传输和数据处理相关的众多技术发展可以为未来带来希望。
数字兄弟姐妹改善自主驾驶测试
基于抽象模拟的测试是确保自动驾驶软件可靠性的重要步骤。实际上，当公司依靠第三方通用类似物（无论是内部还是外包测试）时，测试结果对真正的自动驾驶汽车的普遍性受到威胁。在本文中，我们通过引入数字兄弟姐妹的概念来增强基于仿真的测试，这是一种多用模拟器方法，该方法在多个具有不同技术的通用模拟器上测试给定的自动驾驶汽车，该工具在测试过程中作为合奏集体运作。我们在一个案例研究中的方法举例说明了我们的方法，该案例研究着重于测试自动驾驶汽车的车道保存组件。我们将两个开源模拟器用作数字兄弟姐妹，我们从经验上将这种多模拟器方法与在大量测试用例上的物理缩放自动驾驶汽车的数字双胞胎进行了比较。我们的方法需要以道路点序列的形式为每个单独的模拟器生成和运行测试用例。然后，使用特征图在模拟器之间迁移测试用例，以表征锻炼的驾驶条件。最后，联合预测的失败概率是计算的，并且仅在兄弟姐妹之间达成一致的情况下才报告失败。我们的经验评估表明，数字兄弟姐妹的集合故障预测因子优于每个单独的模拟器，可以预测数字双胞胎的故障。我们讨论了案例研究的发现，并详细介绍了我们的方法如何帮助对自动驾驶软件自动测试感兴趣的研究人员。
![arxiv：2305.08060v2 [CS.SE] 2024年4月24日](/simg/g:\will\search\icon\source\a\af2d83b1b0da84a24ba64f62f94c32bbecd1cb70.webp)
arxiv：2305.08060v2 [CS.SE] 2024年4月24日
基于抽象模拟的测试是确保自动驾驶软件可靠性的重要步骤。实际上，当公司依靠第三方通用模拟器（无论是内部还是外包测试）时，测试结果对真正的自动驾驶汽车的概括性就受到威胁。在本文中，我们通过引入数字兄弟姐妹的概念来增强基于仿真的测试，这是一种多用模拟器方法，该方法在多个具有不同技术的通用模拟器上测试给定的自动驾驶汽车，该工具在测试过程中作为合奏集体运作。我们在一个案例研究中的方法举例说明了我们的方法，该案例研究着重于测试自动驾驶汽车的车道保存组件。我们使用两个开源模拟器作为数字兄弟姐妹，我们从经验上比较了这种多模拟器方法与在大型测试用例上的物理缩放自动驾驶汽车的数字双胞胎进行比较。我们的方法需要以道路点序列的形式为每个单独的模拟器生成和运行测试用例。然后，使用特征图在模拟器之间迁移测试用例，以表征锻炼的驾驶条件。最后，联合预测的失败概率是计算的，并且仅在兄弟姐妹之间达成一致的情况下才报告失败。我们的经验评估表明，数字兄弟姐妹的集合故障预测因子优于每个单独的模拟器，可以预测数字双胞胎的故障。我们讨论了案例研究的发现，并详细介绍了我们的方法如何帮助对自动驾驶软件自动测试感兴趣的研究人员。
使用分布式的预测机学习模型
摘要：在云计算和大型分布式系统的时代，确保不间断的服务和操作可靠性至关重要。常规的容错技术通常采用反应性方法，仅在出现问题后解决问题。这可能导致性能恶化和停机时间。通过预测机器学习模型，这项研究为分布式系统提供了主动的容错方法，从而防止了大量故障。我们的研究重点是将最先进的机器学习算法与大量操作数据流的实时分析相结合，以预测系统中的异常和可能的故障。我们采用了有监督的学习算法，例如随机森林和梯度增强，以高精度预测故障。预测模型经过历史数据的培训，捕获了在系统故障之前的复杂模式和相关性。通过这种主动方法使早期缺陷检测成为可能，可以采取预防补救措施，减少停机时间并保留系统完整性。为了验证我们的方法，我们在模拟的分布式系统环境中设计并实施了一个故障预测框架，该框架反映了当代云体系结构。我们的实验表明，预测模型可以成功预测各种故障，从硬件失败到网络破坏，并在大量的交货时间内，为实施预防措施提供了关键的窗口。此外，我们评估了这些先发制人行动对整体系统性能的影响，突出了可靠性的提高和平均恢复时间（MTTR）的减少。我们还分析了在多种多样的动态分布环境中提出的解决方案的可伸缩性和适应性。通过与现有的监视和管理工具无缝集成，我们的框架可显着增强容错功能，而无需进行当前系统的大量重组。这项工作介绍了一种使用预测机学习模型在分布式系统中的可容忍度的主动方法。与传统的反应性方法响应失败后，这项工作集中在预测故障之前。