XiaoMi-AI文件搜索系统
World File Search System空闲
带移动储能系统和离线控制光伏系统的配电网优化调度策略，以最大限度地减少太阳能弃光
摘要：由于离线控制光伏 (PV) 电站不具备在线通信和远程控制系统，因此无法实时调节功率。因此，在离线控制光伏饱和的配电网中，配电系统运营商 (DSO) 应考虑可再生能源的不确定性来调度分布式能源 (DER)，以防止因过压而导致的限电。本文提出了一种使用移动储能系统 (MESS) 和离线控制光伏的日前网络运行策略，以最大限度地减少功率削减。MESS 模型有效地考虑了 MESS 的运输时间和功率损耗，并模拟了各种操作模式，例如充电、放电、空闲和移动模式。优化问题基于混合整数线性规划 (MILP) 制定，考虑到 MESS 的空间和时间操作约束，并使用机会约束最优潮流 (CC-OPF) 执行。离线控制光伏的上限基于概率方法设定，从而减轻由于预测误差导致的过电压。所提出的运行策略在 IEEE 33 节点配电系统和 15 节点运输系统中进行了测试。测试结果证明了所提出方法在离线控制光伏系统中最小化限电的有效性。
空中交通管制及管理系统
摘要 — 传统的“空中交通管制系统”采用的是 DBS（基于距离的分离）和 TBS（基于时间的分离）的理念，这会导致一些与碰撞有关的小问题。但在这里，我想设计一个新系统，通过管理空中交通和管理航班航线使它们在不同的航道上飞行，从而使技术更加高效。此外，它还管理跑道上的空闲时段。空间中有多个站点可用，航班可以通过多条航线从一个站点飞往另一个站点，选择两个站点，航班可以从这两个站点起飞和降落，这样就不会妨碍其他航线，也不会有两架飞机相撞，最大数量的乘客可以从一个站点前往另一个站点。除此之外，我的第二个主要目标是选择源点和目的地之间的最佳路径，使用 Prim 算法计算车站之间的最短路径，然后在不同的最短路径中选择最佳路径，以使总体成本最低。结果将显示不同车站之间的不同路径，以便最大数量的乘客可以从一个地方前往另一个地方（源点和目的地），并且所有这些路径都代表车站之间的最佳路径。
故障类型及影响分析（FMEA）
本研究将故障模式和影响分析 (FMEA) 方法应用于一家生产工业厨房产品的公司的机械加工车间，该公司的产品系列中有数百种主要产品和数千种半成品。车间内 12 台机器上安装的可编程逻辑控制器 (PLC) 卡可实时监控机器状态、产品和生产情况。借助机器中的 PLC 卡，数据被记录在中央计算机中，并获得有关机器运行的精确数据。在研究范围内，通过放置在机器上的卡片获取数据，获得了机器的运行状态、产能使用时间、机器的工作时间、仅为卧式车床夹紧零件的等待时间、空闲等待时间、工作时间和停机时间。企业中应用FMEA方法，根据不依赖操作员获得的数据，确定最常见的错误类型，并针对RÖS值大于100的错误确定和实施预防和纠正措施。在主体研究之外，还对机械加工企业最大的成本项目——切削刀具成本进行了分析，并对未应用FMEA的2021年1月和应用FMEA的2021年2月及3月的生产成本进行了比较和评估。
TMP121、TMP123：具有 SPIŽ 接口的 1.5°C 精度数字温度传感器 (R ev. B)
当 CS 为高电平时，TMP121 和 TMP123 会持续将温度转换为数字数据。CS 必须保持高电平至少一个转换时间（最大 320ms）才能更新温度数据。从 TMP121 和 TMP123 读取温度数据时，需要将 CS 拉低，这将导致任何正在进行的转换终止，并使器件进入模拟关断状态。在模拟关断期间，静态电流降至 1µA。一旦 CS 被拉低，在 CS 下降之前最后一次完成的转换的温度数据将被锁存到移位寄存器中，并在 SCK 下降沿的 SO 上输出。16 位数据字首先输出符号位，然后是 MSB。在提高 CS 之前可以读取 16 位字的任何部分。TMP121 和 TMP123 通常需要 0.25 秒才能完成转换，在此期间消耗 50µA 电流。如果 CS 保持高电平的时间超过一个转换时间周期，则 TMP121 和 TMP123 将进入空闲模式 0.25 秒，仅需 20 µA 电流。每 0.5 秒开始一次新转换。图 2 描述了 TMP121 和 TMP123 的转换时序。
一种新型的基于异步脑信号的驱动器——......
摘要：直接应用脑信号来操作移动载人平台（例如车辆）可能有助于神经肌肉疾病患者恢复驾驶能力。本文开发了一种基于脑电图（EEG）信号的新型驾驶员-车辆接口（DVI），用于脑控车辆的连续和异步控制。所提出的 DVI 由用户界面、命令解码算法和控制模型组成。用户界面旨在呈现控制命令并诱导相应的大脑模式。开发了命令解码算法来解码控制命令。建立控制模型以将解码的命令转换为控制信号。离线实验结果表明，所开发的 DVI 可以生成准确率为 83.59% 的运动控制命令，检测时间约为 2 秒，而在空闲状态下的识别准确率为 90.06%。基于 DVI 开发了实时脑控模拟车辆，并在 U 型转弯道路上进行了测试。实验结果表明 DVI 用于连续和异步控制车辆的可行性。这项工作不仅推动了脑控汽车的研究，而且为驾驶员-车辆界面、多模式交互和智能汽车提供了宝贵的见解。
TMP121、TMP123：具有 SPIŽ 接口的 1.5°C 精度数字温度传感器 (R ev. B)
当 CS 为高电平时，TMP121 和 TMP123 会持续将温度转换为数字数据。CS 必须保持高电平至少一个转换时间（最大 320ms）才能更新温度数据。从 TMP121 和 TMP123 读取温度数据时，需要将 CS 拉低，这将导致任何正在进行的转换终止，并使器件进入模拟关断状态。在模拟关断期间，静态电流降至 1µA。一旦 CS 被拉低，在 CS 下降之前最后一次完成的转换的温度数据将被锁存到移位寄存器中，并在 SCK 下降沿的 SO 上输出。16 位数据字首先输出符号位，然后是 MSB。在提高 CS 之前可以读取 16 位字的任何部分。TMP121 和 TMP123 通常需要 0.25 秒才能完成转换，在此期间消耗 50µA 电流。如果 CS 保持高电平的时间超过一个转换时间周期，则 TMP121 和 TMP123 将进入空闲模式 0.25 秒，仅需 20 µA 电流。每 0.5 秒开始一次新转换。图 2 描述了 TMP121 和 TMP123 的转换时序。
迈向紧凑型混合脑机接口 (BCI)
事实证明，通过结合两种不同的 BCI 模态，可以显著提高典型的单模态脑机接口 (BCI) 的性能。这种所谓的“混合 BCI”技术已经研究了几十年；然而，特别是结合脑电图 (EEG) 和功能性近红外光谱 (fNIRS) 的混合 BCI（以下称为 hBCI）尚未在实际环境中得到广泛应用。hBCI 系统不受欢迎的主要原因之一是它们的硬件通常过于笨重和复杂。因此，为了使 hBCI 更具吸引力，有必要实现一个轻量级、紧凑且性能下降最小的 hBCI 系统。在本研究中，我们调查了实现紧凑型 hBCI 系统的可行性，该系统具有明显较少的 EEG 通道和 fNIRS 源检测器 (SD) 对，但可以实现足够高的分类准确率，可用于实际 BCI 应用。当被试执行三个不同的心理任务时，获取 EEG 和 fNIRS 数据，这三个心理任务包括心算、右手运动想象和空闲状态。我们的分析结果表明，使用仅具有两个 EEG 通道和两个 fNIRS SD 对的 hBCI 系统可以对这三种心理状态进行分类，分类准确率高达 77.6 ± 12.1%。
PANalytical Empyrean：粉末 XRD 程序手册
6) 增加电压和电流：a) 要增加电压和电流，请转到“仪器设置”选项卡，然后双击任意蓝色文本。b) 单击“X 射线”选项卡。空闲状态为 45 kV 和 20 mA，而测量状态为 45 kV 和 40 mA。如果电压不是 45 kV，请将其更改为 45 kV 并单击“应用”。如果电流已经是 40 mA，则无需执行任何操作。7) 安装样品台：a) 要将样品放入 Empyrean，请转到“仪器设置”选项卡，然后双击任意蓝色文本。b) 在“样品台”选项卡下，取消选中“抬起”旁边的框，然后单击“应用”（您可能需要单击“抬起”框一次，单击“应用”，然后重复这两个步骤。有时计算机会对样品台的当前状态感到困惑）。c) 将样品安装在仪器中。注意不要对样品支架区域施加力，否则会关闭整个仪器 d) 在“样品台”选项卡下，选中“提升”旁边的框，然后单击“应用”。必须关闭门才能提升。 8) 注意：将固体样品的样品支架放入 Empyrean 后，检查样品支架是否
在低功率5K-LUT FPGA上使用尖峰神经网络的实时SEMG处理
摘要 - 基于表面肌电图（SEMG）的分析的手动运动的准确建模为开发复杂的假体设备和人机界面的开发提供了令人兴奋的机会，从离散的手势识别转向连续运动跟踪。在这项研究中，我们基于轻量级尖峰神经网络（SNN）和在晶格ICE40-ultraplus FPGA上实施了两种实时SEMG加工的解决方案，特别适用于低功率应用。我们首先评估离散手势识别任务中的性能，考虑到参考Ninapro DB5数据集，并在十二个不同的固定手势的分类中占83.17％的准确性。我们还考虑了连续填充力建模的更具挑战性的问题，在独立的扩展和收缩练习中引用了用于填充跟踪的Hyser数据集。评估表明，高达0.875的相关性与地面真正的力。我们的系统利用了SNN的固有效率，并在活动模式下消散11.31 MW，以进行手势识别分类的44.6 µJ，用于强制建模推理的手势识别分类和1.19 µJ。考虑动态功率消费管理和引入空闲时期，对于这些任务，平均功率下降至1.84兆瓦和3.69兆瓦。
SamurAI：具有事件驱动唤醒和嵌入式 ML 加速功能的多功能物联网节点
摘要 — 现在，物联网应用需要增强识别和自适应等功能。虽然物联网节点功耗是这些应用的主要关注点，但由于通过无线网络连续传输传感器或图像数据，基于云的处理变得难以为继。因此，应在物联网节点中集成优化的 ML 功能和数据传输。此外，物联网应用在零星数据记录和耗能数据处理（例如图像分类）之间左右为难。因此，节点的多功能性是解决这种多样化能源和处理需求的关键。本文介绍了 SamurAI，这是一种多功能物联网节点，它通过利用两个片上子系统来弥补处理和能源方面的差距：低功耗、无时钟、事件驱动的始终响应 (AR) 部分和节能的按需 (OD) 部分。 AR 包含一个 1.7MOPS 事件驱动的异步唤醒控制器 (WuC)，唤醒时间为 207ns，针对零星计算进行了优化，而 OD 结合了深度睡眠 RISC-V CPU 和 1.3TOPS/W 机器学习 (ML)，可执行高达 36GOPS 的更复杂任务。这种架构分区实现了同类最佳的多功能性指标，例如峰值性能与空闲功率比。在应用分类场景中，它展示了系统功率增益，与基于云的处理相比高达 3.5 倍，从而延长了电池寿命。