XiaoMi-AI文件搜索系统
World File Search System潜在故障
无人机群体行为建模，用于早期发现故障模式
无人机 (UAV) 的进步，更具体地说是将大量自主无人机组成“群体”。这些群体形成有组织的飞行器集群，以集体形式执行多方面的操作。尽管无人机群体提供了诸多好处，但工程团队在设计无人机群体系统时仍必须克服一些障碍。一个关键领域是创建和理解群体行为并揭示可能影响预期任务的所有潜在故障场景。这项研究使用 Monterey Phoenix (MP) 来建模系统行为，将它们分组为可能的行为者行为的不同、可重复使用的代理类模型，并将行为者交互建模为单独的约束。这种方法能够从这些模型中计算行为者行为的每一种可能变化以及所有其他可能的行为者行为，从而生成一组详尽的可能场景或事件轨迹。通过对这些事件轨迹进行手动检查或半自动断言检查，可以发现不需要的和不良的行为和故障模式，这使得任务规划人员能够采用必要的故障安全行为来抵消这些未经请求的实例。
MIL-STD-883G 方法 1005.8 1993 年 6 月 1 日 1 ... - MMDC-Tech
方法 1005.8 稳态寿命 1. 目的。稳态寿命试验的目的是证明在较长时间内处于指定条件下的设备的质量或可靠性。在额定工作条件下进行的寿命试验应进行足够长的试验期，以确保结果不是早期故障或“早期死亡”的特征，并且在寿命试验结束前应定期观察结果，以指示故障率随时间的任何显著变化。在较短间隔或较低应力下获得有效结果需要加速测试条件或足够大的样本量，以提供合理的样本故障检测概率，该概率与样本所抽取批次中潜在故障的分布相对应。下面 3 中提供的测试条件旨在反映这些考虑因素。当采用该测试来评估设备的一般能力或进行设备鉴定测试以支持需要高可靠性的未来设备应用时，应选择测试条件以表示设备在电气输入、负载和偏置方面的最大操作或测试（参见测试条件 F）额定值以及相应的最大操作或测试温度或其他指定环境。2. 设备。合适的插座或其他安装
RECLAIM：迈向翻新和改造的新时代......
翻新和再制造是将旧产品或构成产品的部件进行修复的工业过程。再制造是将产品或其一部分的功能恢复到“全新”质量的过程，而翻新是将产品本身或其一部分恢复到“像全新”质量的过程，但不如再制造那么彻底。在此背景下，欧盟资助的 RECLAIM 项目基于大数据分析、机器学习、预测分析和优化模型，使用深度学习技术和数字孪生模型，提出了一种关于翻新和再制造的新想法，旨在使利益相关者能够做出明智的决定，决定是否要翻新、升级或修理即将报废的重型机械。 RECLAIM 项目还提供了新颖的策略和技术，使工业设备能够在旧工厂、翻新工厂和新工厂中重复使用，目的是通过回收设备并将其用于其他用途而不是在使用后丢弃来节省宝贵的资源。例如，RECLAIM 提供了一个使用数字孪生的模拟引擎，以预测大型工业设备的维护需求和潜在故障。该模拟引擎使虚拟孪生可用于存储机器使用寿命期间的所有可用信息（例如维护操作），这些信息可用于执行
运营弹性
企业已开始从传统的 BCM 向 OR 转型。对许多人来说，这两个术语可能含义相同，甚至在优先级方面具有相同的权重，因为它们是同义词。根据业务连续性研究所 (BCI)《2023 年连续性和弹性报告》对业务连续性和弹性从业人员进行的一项调查，50% 的受访者表示业务连续性和弹性之间没有区别，39% 的受访者表示实际上有区别。随着组织弹性、业务弹性等其他术语的引入，似乎出现了更大的混乱。然而，上述报告指出，接受调查的组织（包括银行和金融、零售、保险到医疗保健、航空、非营利组织等）的比例呈上升趋势，为 40%。巴塞尔委员会将运营弹性定义为组织在发生中断时开展关键运营的能力。这种能力使组织能够识别和保护自己免受威胁和潜在故障的影响，应对和适应，以及从破坏性事件中恢复和学习，以尽量减少破坏性事件对关键运营交付的影响。“OR”发展组织的预防/主动能力，使其在可能带来风险的事件中保持灵活性。在这里，某些活动是为了防止日常运营故障而开展的。它关注的是人，
![arXiv:2306.15394v1 [cs.CY] 2023 年 6 月 27 日](/simg/a\a7388b5519190d9f99586a4826eb56c3ee16f1cf.webp)
arXiv:2306.15394v1 [cs.CY] 2023 年 6 月 27 日
摘要。人工智能 (AI) 在空中交通管制等安全关键环境中的日益普及，促使人们开发出实用、高效且在一定程度上可以向人类解释的系统，从而获得信任和接受。本结构化文献分析研究了 n = 236 篇关于人工智能可解释性和接受度要求的文章。结果包括对 n = 48 篇文章的全面回顾，这些文章涉及人们将人工智能视为可解释所需的信息、接受人工智能所需的信息以及促进对人工智能信任的表示和交互方法。结果表明，两个主要用户群体是需要有关模型内部操作信息的开发人员和需要有关人工智能结果或行为信息的最终用户。用户的信息需求在具体性、复杂性和紧迫性方面各不相同，必须考虑上下文、领域知识和用户的认知资源。人工智能系统的接受度取决于有关系统功能和性能的信息、隐私和道德考虑，以及根据个人偏好量身定制的目标支持信息和建立对系统的信任的信息。有关系统局限性和潜在故障的信息可以提高接受度和信任度。可信交互方法类似于人类，包括自然语言、语音、文本和图形、图表和动画等视觉表示。我们的研究结果对未来以人为本的人工智能系统的发展具有重要意义。因此，它们适合作为进一步针对特定应用的用户需求调查的输入。
CENTERLINE 2100 电机控制中心 - 文献库
这款业界领先的电机控制中心 50 多年来一直为您提供所需的安全性、性能和可靠性。• 设计通过 UL 845 认证并符合 NEMA 标准 • 通过 ArcShield™ 技术帮助减少电弧闪光事故 • 绝缘水平母线选项通过防止电弧传播帮助提高人员安全性。它是一种耐腐蚀、即装即用的绝缘包裹物，您可以快速组装。 • 节省空间的设计可最大程度地提高分段利用率，从而减少 MCC 占用空间 • 提供各种智能电机控制选项，例如： - 带有 E300™ 电子过载继电器的跨线启动器 - 软启动器 - 变速驱动器 • SecureConnect™ 技术有助于提供更安全的工作环境，能够在门关闭的情况下断开单个单元中垂直电源母线的电源 • 经过型式测试的机柜具有高短路电流额定值 • 经过工厂测试，可实现更快、更可靠的启动 • 采用 IntelliCENTER® 技术的 CENTERLINE 2100 MCC 具有内置网络和预配置软件，可以： - 通过全系统通信提高性能 - 共享诊断信息以进行预测性维护 - 在潜在故障发生之前发出警告 • CENTERLINE 2100 MCC 设计用于： - 允许向后兼容 - 提供母线支撑以实现统一支撑 - 完全隔离机柜并提供牢固的接地系统 - 通过节省空间的设计最大程度地提高分段利用率 - 改善散热
纳米电子电路中基于学习的基于学习的故障检测
在纳米电子的快速前进的领域中的摘要，确保电路的鲁棒性对于可靠的性能至关重要。这项研究解决了使用深度学习技术在纳米电子电路中有效检测有效故障检测的关键需求。引言概述了纳米电子电路的增加的复杂性以及对断层易感性的相应上升，这强调了高级故障检测机制的必要性。手头的问题涉及在高度紧凑和复杂的纳米电子电路中识别断层的固有挑战，在这些断层中，传统的故障检测方法通常不足。突出了研究差距，强调缺乏根据纳米电子的特定挑战量身定制的可靠故障检测解决方案。为了弥合这一差距，我们的方法利用了深度学习的力量，采用神经网络来学习复杂的模式，指示纳米电子电路中的故障。该方法涉及开发一个综合数据集，该数据集可捕获各种故障场景，从而确保模型对现实情况的适应性。使用此数据集对神经网络进行了训练，从而可以辨别出信号潜在故障的微妙变化。结果介绍了提出的基于深度学习的故障检测系统的功效，与传统方法相比，准确性有显着提高。该系统不仅以高精度识别已知的故障，而且还具有出色的检测新故障的能力，展示了其对纳米电子电路体系结构不断发展的适应性。关键字：纳米电子，故障检测，深度学习，神经网络，鲁棒性
实时系统的容错策略和概率保证
嵌入式系统的广泛部署对我们的社会产生了重大影响，因为它们在许多关键的实时应用中与我们的生活相互作用。通常，用于安全或任务关键型应用（例如航空航天、航空电子、汽车或核领域）的嵌入式系统在恶劣的环境中工作，在这些环境中，它们会频繁遭受瞬态故障，例如电源抖动、网络噪声和辐射。它们还容易受到设计和生产故障导致的错误的影响。因此，它们的设计目标是即使在发生错误的情况下也能保持及时性和功能正确性。容错对于实现可靠性起着至关重要的作用，而设计有效和高效的容错机制的基本要求是潜在故障及其表现的现实和适用模型。在这种情况下需要考虑的一个重要因素是故障和错误的随机性，如果在时序分析中通过假设严格的最坏情况发生场景来解决这些问题，可能会导致不准确的结果。同样重要的是，通过有效利用可用资源实现容错，解决嵌入式系统的功率、重量、空间和成本限制。本论文提出了一个框架，用于设计可预测的可靠嵌入式实时系统，同时解决及时性和可靠性问题。它提出了一系列容错策略，特别是针对嵌入式实时系统。通过考虑系统构建块的不同关键性级别，可以实现高效的资源利用。容错策略与所提出的概率可调度性分析技术相辅相成，这些技术基于全面的随机故障和错误模型。
裂缝的寿命 - 剑桥学者出版社
断裂和损伤力学这个术语让很多人感到有些不安。这是因为，直到最近，力学的主要重点还是材料的强度和阻力。对于某些人来说，谈论断裂就像谈论一种致命的疾病一样令人不舒服。但是，就像预防致命疾病一样，必须了解其性质、症状和行为；要确保结构的强度，必须了解其潜在故障的原因和性质。断裂问题在材料强度科学中至关重要。但是，作为可变形固体力学的一个独立分支，断裂力学不仅起源于最近，而且其边界尚未明确界定。因此，将来自许多不同科学和工程分支的代表的努力结合起来，对断裂概念进行全面研究至关重要。同样重要的是，术语的差异（这在不同科学中很常见）和普遍认为所有问题的答案都存在于一般问题的特定部分这一信念不会导致概念争议被词语争论所取代的情况。目前，常规断裂力学是研究裂纹或裂纹系统扩展的条件。但是，裂纹的性质不同，并且在不同的尺度水平上进行考虑。一种极端情况是晶粒断裂，当两个原子层之间的距离足以忽略原子之间的相互作用力时，晶粒断裂会以亚微观裂纹开始。另一个极端的例子是核反应堆焊接涡轮转子中出现的裂纹，裂纹的长度和宽度可能达到厘米；这被称为宏观断裂。在第一种情况下，裂纹扩展的条件由裂纹尖端的原子结构定义。这里考虑的是由原子而不是连续介质形成的离散晶格；因此，“裂纹尖端”的概念本身变得不确定。这种亚微观裂纹及其与其他晶格缺陷相互作用的行为的研究本质上属于固体物理学而不是力学的领域；然而，经典弹性理论的方法完全是
![为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器收集数据，从而基于深度学习和人工智能建立有效的解决方案[1-4]。这不仅对传感器产生了巨大的需求，带来了商机，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测方面，集成深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，由人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高预测准确性。此外，在工业环境中，通过人工智能增强的传感器在监控设备健康状况、预测潜在故障和安排维护方面发挥着优化制造运营的关键作用。](/simg/f\f35968dfeaed06f5c0286399ab4f1fb8e15e2e87.png)
为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器收集数据，从而基于深度学习和人工智能建立有效的解决方案[1-4]。这不仅对传感器产生了巨大的需求，带来了商机，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测方面，集成深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，由人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高预测准确性。此外，在工业环境中，通过人工智能增强的传感器在监控设备健康状况、预测潜在故障和安排维护方面发挥着优化制造运营的关键作用。
为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器来收集数据，以便建立基于深度学习和人工智能的有效解决方案[1-4]。这不仅对传感器产生了巨大的需求，提供了商业机会，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测中，集成了深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高其预测准确性。此外，在工业环境中，人工智能增强的传感器在优化制造运营方面发挥着至关重要的作用，可以监测设备健康状况、预测潜在故障并提前安排维护 [ 9 – 12 ]。这种方法减少了运营停机时间并提高了整体效率。在此背景下，“传感器和应用中的人工智能和深度学习”特刊收集了关于人工智能（特别是深度学习）和传感器技术在各个领域的新发展的高质量原创贡献，以及分享想法、设计、数据驱动的应用程序以及生产和部署经验和挑战。本期特刊征文主题包括制造、机械和半导体的应用和传感器；建筑、施工、楼宇、电子学习的智能应用和传感器；推荐系统；自动驾驶汽车、交通监控和运输的应用和传感器；物体识别、图像分类、物体检测、语音处理、人类行为分析；以及其他相关传感应用 [ 13 , 14 ]。