XiaoMi-AI文件搜索系统
World File Search System故障预测
适用于云数据中心的抗不稳定可再生能源分配系统
摘要 — 可再生能源供应是解决数据中心不断增加的电力成本、能源消耗和有害气体排放问题的有前途的解决方案。然而，由于可再生能源的不稳定性，可再生能源供应不足可能导致使用储存能源或棕色能源。为了解决这个问题，本文提出了一种不稳定性弹性可再生能源分配系统。我们将作业的服务水平目标 (SLO) 定义为仅使用提供的可再生能源成功运行的概率。系统将具有相同 SLO 级别的作业分配给相同的物理机器 (PM) 组，并使用可再生能源发电机为每个 PM 组供电，这些发电机有不低于其 SLO 的概率生产不低于其能源需求的数量。我们使用深度学习技术来预测生产不低于每种可再生能源的每个值的概率，并预测每个 PM 区域的能源需求。我们制定了一个优化问题，将具有不同不稳定性的可再生能源资源匹配到不同的 PM 组进行供应，并使用强化学习方法和线性规划方法对其进行求解。我们进一步提出了一种能源驱动的计算资源分配方法，该方法根据每个 PM 组中的作业截止时间和故障概率调整每个作业的计算资源量，以及一种基于故障预测的节能方法。实际跟踪驱动的实验表明，与其他方法相比，我们的方法实现了更低的 SLO 违规、总能源货币成本和总碳排放量，并且与单个方法的有效性相比。
通过...进行时间序列的自监督对比预训练
时间序列的预训练提出了一个独特的挑战，因为预训练和目标域之间可能存在不匹配，例如时间动态的变化、快速演变的趋势以及长期和短期周期效应，这可能会导致下游性能不佳。虽然领域自适应方法可以缓解这些变化，但大多数方法都需要直接来自目标域的示例，这使得它们对于预训练来说不是最优的。为了应对这一挑战，方法需要适应具有不同时间动态的目标域，并且能够在预训练期间无需看到任何目标示例即可做到这一点。相对于其他模态，在时间序列中，我们期望同一示例的基于时间和基于频率的表示在时频空间中位置靠近。为此，我们假设时频一致性 (TF-C)——将示例的基于时间的邻域嵌入到靠近其基于频率的邻域——对于预训练是可取的。受 TF-C 启发，我们定义了一个可分解的预训练模型，其中自监督信号由时间和频率分量之间的距离提供，每个分量都通过对比估计单独训练。我们在八个数据集上评估了新方法，包括电诊断测试、人体活动识别、机械故障检测和身体状态监测。针对八种最先进方法的实验表明，TF-C 在一对一设置（例如，在 EMG 数据上微调 EEG 预训练模型）中平均比基线高出 15.4%（F1 分数），在具有挑战性的一对多设置（例如，对 EEG 预训练模型进行微调以进行手势识别或机械故障预测）中高出 8.4%（精度），反映了现实世界应用中出现的场景广度。源代码和数据集可在https://github.com/mims-harvard/TFC-pretraining获得。
wlcsp 焊点的电迁移性能 - PEP
摘要 在高温和大电流条件下测试了晶圆级芯片规模封装 (WLCSP) 组件。在焊料/凸块下金属化 (UBM) 界面处观察到电迁移损坏以及加速扩散和金属间化合物生长。最终电气故障通常是由于 UBM 附近的再分布线 (RDL) 中产生空隙而发生的。温度升高、电流密度增加和 RDL 走线宽度减小会导致故障率增加。Ni UBM 焊盘和 Cu 柱结构的性能均优于 Cu UBM 焊盘。根据实验数据和其他已发表数据开发了基于 Black 方程的故障模型。然后使用该模型根据代表性现场使用条件制定加速测试和鉴定测试的推荐指南。关键词：WLCSP、电迁移。引言由于 WLCSP 外形小巧，已成为便携式产品应用中使用的 RF 降压转换器、相机闪光灯驱动器、背光驱动器和模拟开关等设备的流行封装。这些器件需要通过 BGA 焊点传输高达 2A 或更高的电流。由于电迁移导致的现场故障是限制给定器件最大额定电流的一个潜在因素。倒装芯片和 WLCSP 焊点中的电迁移故障是由于高电流密度驱动的扩散和金属间化合物反应在高温下加速而发生的 [1-34]。这些影响会产生空洞，这些空洞会随着时间的推移而打开和增长。随着空洞尺寸的增加，通过焊点的电阻会增加，最终出现开路。在大多数电迁移研究中，使用电流密度和温度的测试矩阵来比较设计或材料变量。测试通常会持续到给定支路中至少一半的单元发生故障，以便数据可以拟合对数正态分布或威布尔分布。一个典型目标是确定故障预测模型的常数，例如 Black 方程 [27]。
特刊“基于机器学习和深度学习的机器故障诊断和预测的进展”
故障诊断和故障预测旨在通过用预测性或条件性维护策略取代预防性和纠正性维护来减少系统停机时间并优化其性能。诊断算法提供的系统当前健康状态知识以及预测算法提供的系统健康状态随时间演变的知识对于建立预测性和条件性维护必不可少，因此科学界对开发越来越有效的监测算法很感兴趣。在文献中，故障诊断和故障预测方法主要有四种：基于物理模型的方法、数据驱动方法、专家方法和混合方法。数据采集和存储工具以及处理算法的快速发展，加上产生大量数据流的仪器仪表和过程自动化技术的发展，促进了数据驱动方法的发展。本书中提出的论文提出了新的故障诊断和故障预测方法，为结构化和非结构化不确定性、多种故障的存在、缺乏对使用条件的先验知识、特征提取和选择、模型优化和在线实施等科学问题提供了解决方案。本书提供的各种应用支持，从微电子设备到大型系统，强调了每个应用领域特有的实施约束并提出了合适的解决方案。在 [1] 中，提出了一种深度学习方法，该方法结合小波变换用于不同频率和尺度下的特征提取，以及卷积神经网络 (CNN) 用于特征选择和故障分类。两个滤波阶段（小波变换和卷积函数）的关联可以处理过程的非线性机制和变量之间的高度相关性。该方法在制冷剂生产过程中得到了成功验证。 [2] 还将小波变换用作第一步数据处理，并与改进的粒子群优化 (PSO) 和具有线性增加惯性权重的反向传播 (BP) 神经网络相结合。其思想是将 PBNN 与改进的 PSO 算法结合起来进行参数优化，从而提高分类精度。该方法用于交流电源驱动的三相鼠笼感应电动机的故障诊断。考虑的故障包括轴承损坏、定子绕组、匝间短路和转子断条。[3] 也考虑了感应电动机，其研究重点是使用属性选择方法的影响，例如 ReliefF、基于相关性的特征选择 (CFS) 以及基于相关性和适应度值的特征选择 (CFFS)。概率神经网络 (PNN)、径向基函数神经网络 (RBNN) 和反向传播神经网络 (BPNN) 等神经分类器的性能。本研究分析了感应电机的电流信号以进行故障诊断。研究结果表明，ReliefF、CFS 和 CFFS 比未使用的特征选择方法具有更好的效率。[4] 讨论了可变运行条件下的故障诊断问题，其中数据处理是通过统计工具（经验模式分解）和 CFFS 的组合来完成的。