XiaoMi-AI文件搜索系统
World File Search System系统行为
太阳能绿色氢气生产建模与分析
摘要：本文研究了在伊拉克四个主要城市采用光伏能源系统将太阳能转化为氢气的可行性。为生产氢气，我们模拟了一个 22 kWp 离网太阳能系统、一个 8 kW 碱性电解器、一个氢气压缩机和一个氢气罐，用于全年生产氢气。使用 2021 年至 2030 年的每小时实验天气数据，使用 MATLAB/Simulink 创建推荐系统行为的数学模型。结果显示，氢气年产量范围为 1713.92 至 1891.12 千克，氧气年产量范围为 1199.74 至 1323.78 千克，水年消耗量范围为 7139.91 至 7877.29 升。每千克氢气的成本为 3.79 美元。结果表明，太阳能制氢系统的最佳建造地点可能是伊拉克中部地区以及其他具有类似气候特征的地区，特别是辐射水平高的地区。
高度集成的飞机系统需求生成
摘要 - 本文介绍了一种使用 STPA 生成复杂且高度集成的飞机系统需求的方法，STPA 是一种危险分析技术，可处理硬件、软件和人工操作员，并将它们集成到一个统一的过程中。该方法使用通用商用飞机的空气管理系统（发动机排气、客舱空调、增压和防冰）的接口进行了说明。首先应用 STPA 通过结构化的自上而下的方法识别不良/不安全的系统行为。随后根据 STPA 的结果生成需求，以处理这些不安全行为。应用结果表明，这种方法允许从早期开发阶段开始系统地评估系统的设计空间，并生成需求来处理那些从间接组件交互中出现的属性，这些属性通常会危及高级系统目标的实现。这种方法还特别很好地解决了人机交互问题，将人为因素过程整合到整个工程过程中。
高度集成的飞机系统的需求生成
摘要 — 本文介绍了一种使用 STPA 生成复杂且高度集成的飞机系统需求的方法，STPA 是一种危险分析技术，可处理硬件、软件、人工操作员并将它们集成到一个统一的过程中。使用通用商用飞机的空气管理系统（发动机排气、客舱空调、增压和防冰）接口来说明该方法。首先应用 STPA 通过结构化的自上而下方法识别不良/不安全的系统行为。随后根据 STPA 的结果生成需求，以处理这些不安全行为。应用结果表明，这种方法允许从早期开发阶段开始系统地评估系统的设计空间，并生成需求来处理那些从间接组件交互中出现的属性，这些属性通常会危及高级系统目标的实现。该方法还特别很好地解决了人机交互问题，将人为因素过程整合到整个工程过程中。
人工智能如何挑战设计实践？
数字系统的动态性通常通过强调迭代和持续部署的软件生产实践而增加，而机器学习使系统能够通过使用和积累新数据而进化。由此产生的非预期系统行为往往是无法挽回的，而不是简单的修复。因此，设计师需要方法和预防机制来处理其设计成果的长期社会技术影响。考虑到整个技术发展，我们正在目睹组织、开发者社区和公共话语中的道德觉醒。随着人们要求算法系统做出责任感、公平性、透明度和无偏见的决策，技术伦理问题的道德强度似乎正在增加 [4]。继 1990 年代可用性出现和 2000 年代用户体验出现之后，现在似乎是时候为更宏大的道德和责任概念进行设计了。话虽如此，旨在提高设计伦理和责任感的各种有前景的方法（例如价值敏感设计）才刚刚开始在设计实践中建立。
面向情感 XAI：通过面部情感分析来理解可解释的人机交互
随着机器学习方法越来越多地用于增强人类决策能力，可解释人工智能 (XAI) 研究探索了将系统行为传达给人类的方法。然而，这些方法往往无法解释人类在与解释互动时的情感反应。面部情感分析研究人类面部的情绪表达，是了解用户如何参与解释的一个有前途的视角。因此，在这项工作中，我们的目标是 (1) 确定人们与 XAI 界面交互时哪些面部情感特征会很明显，以及 (2) 开发一个多任务特征嵌入，将面部情感信号与参与者对解释的使用联系起来。我们的分析和结果表明，当参与者未能有效地使用解释时，面部 AU1 和 AU4 以及唤醒的发生和值会增加。这表明面部情感分析应该纳入 XAI，以根据个人的互动风格个性化解释，并根据执行任务的难度调整解释。
AC ROS：针对机器人的保证案例驱动适应...
实现自适应行为的网络物理系统（例如自主机器人）需要确保在运行时适应性调整过程中始终满足需求。机器人操作系统 (ROS) 是机器人系统的中间件基础设施，广泛应用于研究和工业应用。然而，ROS 本身并不能保证自适应行为。本文介绍了 ACROS，它通过在运行时使用保证案例模型来管理基于 ROS 的系统的自适应操作，从而填补了这一空白。保证案例提供了系统满足需求的结构化论据，并且可以使用目标结构化符号 (GSN) 模型以图形方式指定。ACROS 使用 GSN 模型来实例化基于 ROS 的 MAPE-K 框架，该框架又在运行时使用这些模型来确保系统行为在适应性调整过程中始终符合需求。在本研究中，ACROS 在 1:5 比例的自动驾驶汽车 EvoRally 上实施和测试。
人机交互的验证与综合 - DROPS
机器人技术的发展趋势是，从与人物理分离工作的工业机器人，转向在工作场所和家中与人协作和互动的机器人。人机交互 (HRI) 领域从计算、设计和社会的角度研究这种交互。与此同时，人们对机器人和自主系统行为的安全性、验证和自动合成的研究兴趣日益浓厚。形式化方法和测试领域专注于系统的验证和合成，旨在对系统进行建模并定义和证明这些系统的规范；在机器人技术的背景下，这些技术考虑了机器人动力学及其与不断变化和不确定的环境的相互作用。然而，与机器人合作的人不仅是机器人环境的一部分，而且是一个自主代理，其意图、信念和行为与机器人代理的意图、信念和行为相吻合。这引发了与验证和合成相关的新研究问题，包括什么是人机交互的适当模型；是否以及如何
人机交互验证与综合 - DROPS
机器人技术的发展趋势是，从与人物理分离工作的工业机器人，转向在工作场所和家中与人协作和互动的机器人。人机交互 (HRI) 领域从计算、设计和社会的角度研究此类交互。与此同时，人们对机器人和自主系统行为的安全性、验证和自动合成的研究兴趣日益浓厚。形式化方法和测试领域专注于系统的验证和合成，旨在对系统进行建模并定义和证明这些系统的规范；在机器人技术的背景下，这些技术考虑了机器人动力学及其与不断变化和不确定的环境的相互作用。然而，与机器人合作的人不仅仅是机器人环境的一部分，还是一个具有意图、信念和行动的自主代理，这些意图、信念和行动与机器人代理的意图、信念和行动相吻合。这引发了与验证和综合相关的新研究问题，包括人机交互的适当模型是什么；是否以及如何
重新思考人工智能的监管 - EECS 人员
本文探讨了监管人工智能 (AI) 系统所面临的挑战，并提出了一种适合 AI 新功能的监管模式。与过去的技术不同，使用深度学习等技术构建的 AI 系统无法直接分析、指定或根据法规进行审计。它们的行为是不可预测的，源自训练而非有意设计。然而，将监督委托给专家机构的传统模式不应完全抛弃，这种模式在航空和核电等高风险领域取得了成功。相反，政策制定者必须控制当今不透明模型带来的风险，同时支持对可证明安全的 AI 架构的研究。借鉴 AI 安全文献和过去监管成功的经验，有效的 AI 治理可能需要整合权力、许可制度、强制训练数据和建模披露、系统行为的正式验证以及快速干预的能力。
4-TSO纸张关于网格形成转换器的要求
2。瞬时短路电流贡献（对故障水平的贡献）：如果短路（电压的步骤变化），点1中描述的补偿电流有助于短路电流。通过有效的网格阻抗和断层阻抗以及整个系统的其他阻抗，在短时范围内确定了时间常数，相位位置和幅度。在短时范围之外，如果仍然存在故障条件，则可以根据特征曲线或可调节的系统特征以受控方式提供转换器电流的正顺序。第一响应与更高级别特征之间的过渡必须不间断，并且尽可能无震动。或者，在短时范围之外，转换器可以继续作为阻抗背后的电压源。快速电流限制以保护系统 - 例如发生故障，残留电压低（接近系统接近的短路） - 是允许的，并且不得导致同步损失。当前限制必须在其优先级方面参数化（例如true-ny-ny-try-ny-the Active或Reactive电流上的优先级）。在不对称网格故障的情况下，还需要针对计数器系统的定义系统行为。