XiaoMi-AI文件搜索系统
World File Search System维护性
尿线粒体DNA 与原发性膜性肾病患者 ...
原发性膜性肾病 （ primary membranous nephro- pathy ， PMN ） 是全球成人肾病综合征常见的病因 ， 也是中国原发性肾小球疾病中发病率第二 、 增长 最快的疾病 [ 1 ] 。大多数 PMN 患者有典型的临床表 现 ， 包括大量蛋白尿 、 低蛋白血症 、 水肿和高脂血 症等。近 30% 的 PMN 患者能够获得自发缓解 ， 但 中危和高危患者 ， 即大量蛋白尿 、 肾功能不稳定的 患者 ， 缓解的可能性较低 [ 2 ] 。 既往研究表明 ， 线粒体功能障碍在急性肾损伤 （ acute kidney injury ， AKI ） 和慢性肾脏病 （ chronic kidney diseases ， CKD ） 的发病机制和肾脏修复中发 挥关键作用 [ 3 - 4 ] 。线粒体功能与线粒体 DNA （ mito- chondrial DNA ， mtDNA ） 的完整性密切相关 ， 当线 粒体受损时 ， mtDNA 会从线粒体基质释放到细胞 质或细胞外 ， 进而激活氧化应激反应 ， 并作为炎症 介质激活自然免疫炎症反应 [ 5 ] 。目前多项研究表 明 ， 尿 mtDNA 是各种肾脏疾病中线粒体损伤的替 代标志物 [ 6 ] 。我们之前的研究表明 ， mtDNA 在尿液 和肾脏组织中容易被检测到 ， 其拷贝数与糖尿病肾 脏疾病的肾功能下降和肾脏病理结构改变有关 [ 7 ] 。 另一项研究指出 ， 尿液中 mtDNA 与肾功能下降速 度有关 ， 并能预测非糖尿病肾脏疾病患者血肌酐翻 倍或需要进行透析治疗的风险 [ 8 ] 。然而 ， 尿 mtD- NA 在 PMN 患者中的改变及其对预后的预测作用 仍不明确。本研究旨在探讨尿 mtDNA 与 PMN 患
人工智能在预测性维护中的作用
摘要 城市交通基础设施包括道路、桥梁和隧道，对城市交通至关重要，但随着时间的推移，它们仍然容易磨损和损坏。传统的维护方法依赖于被动维修和定期检查，往往无法防止突然发生故障，从而导致代价高昂的中断和安全风险。本研究探讨了人工智能 (AI) 如何通过预测性维护彻底改变基础设施管理。通过部署智能传感器和利用预测分析，AI 能够持续监测结构健康状况，并在潜在问题升级为严重故障之前主动识别它们。该研究开发并测试了一种基于 AI 的预测性维护模型，该模型分析城市基础设施中嵌入式传感器的实时数据，以检测异常并预测故障模式。结果表明，预测性维护模型可以缩短响应时间，将维护成本降低 30%，并防止大约 92% 的意外故障。这些发现强调了 AI 驱动的方法在减少计划外中断、优化资源配置和延长基础设施使用寿命方面的潜力，最终创建更安全、更可持续的城市交通系统。然而，数据变化和环境干扰方面的挑战也值得关注，这表明未来还有改进的空间。这项研究为将人工智能融入城市基础设施维护提供了一个框架，凸显了人工智能在改变城市长期基础设施健康和可靠性方面所具有的潜力。
航空预测性维护的完整解决方案
南卡罗来纳大学参与美国军方直升机和旋翼飞机研究已有 18 年多。这项工作的大部分重点是通过利用基于条件的维护 (CBM)（通常称为预测性维护 (PM)）来优化飞机的正常运行时间和飞行准备情况。这种类型的维护不同于其他传统方式（反应性和预防性），因为它具有高可靠性和低成本。任何应用中 PM 的基础都是数据收集和存储。它首先将自然语言处理 (NLP) 等工具应用于历史维护记录，以确定飞机上最关键的部件。然后使用先前收集的传感器数据的数据挖掘来建立监控关键部件的最可靠类型的状态指示器 (CI)。随着收集到更多数据，这些来自 CI 的阈值可以随时间进行修改。一旦制定了数据收集方案，就可以使用预测来确定组件的剩余使用寿命。使用此流程以及通过维护指导小组 (MSG-3) 计划优化的维护计划，有助于消除飞机上不必要的维护操作，并减少飞机运行所需的组件库存。制定此维护方案后，可以利用物联网 (IoT) 让整个流程在单一环境中运行。这进一步开发了解决方案，并允许操作比单独执行更快地执行。除非人员接受适当的教育和培训，否则这些实践的预期收益和未来发展将永远不会实现。在航空环境中培养预测性维护实践文化对于确保此解决方案的成功至关重要。
通过集成预测性维护创造价值
随着公司不断进步并采用下一个更高的成熟度级别，它不一定会放弃较低级别、不太复杂的维护策略。实施可靠性中心维护 (RCM) 1 的公司认识到，一刀切的维护策略会将稀缺的维护资源浪费在不太重要的资产上，而对更关键的资产却服务不足。例如，公司可能会继续对非常低关键性的物品采取被动的方法（例如灯泡、铅笔刀等）忽略它们，直到它们出现故障。预防性维护可能适用于需要定期检查、更换润滑剂等的低中关键性资产。但是，通过预防性维护，一些设备将在必要之前得到维修，而其他设备将在维修之前出现故障。
预测性维护在制造业中的优势...
本案例研究中涉及的真正挑战是预测性维护的实施取决于几个因素，例如数据可靠性、实时数据处理和其他技术挑战。另一个挑战是如何为没有技术和财政资源实施 PdM 的中小型企业 (SME) 提供简化的预测性维护模型。进一步的研究可以解决这些挑战，以提出一种新的简化 PdM 模型。
人工智能驱动的预测性维护 - ijrpr
人工智能 (AI) 的进步已经将世界上许多行业彻底改变了不同的创新形式 (Rashid 和 Kausik，2024)。在这种情况下，各行各业的物流凭借其变革潜力而成为一项关键优势 (Kern，2021)。因此，在人工智能的许多最流行和最可靠的应用中，预测性维护是一种主动方法，它影响机器学习算法、实时数据分析和预测分析，以在设备故障发生之前进行预先预测 (Çinar 等人，2020；Keleko 等人，2022)。从被动和预防性维护到预测性维护的转变通过减少停机时间来改革物流功能 (Carvalho 等人，2019a)。此外，它还增强了资源配置，降低了供应链网络的相关成本 (Molęda 等人，2023)。由于预测性维护提高了重要资产（例如运输车辆、存储系统和物料处理设备）的可靠性，因此它以效率和可持续性增强了最终供应链目标。
人工智能助力采矿业预测性维护
目前，整个采矿数据供应链都在收集数据，但通常以零散的方式用于跟踪单个动作或事件。数据往往侧重于特定问题，如通风监测、事故分析、车队和人员管理或尾矿坝监测。例如，如果钻机的温度或压力超过建议范围，就会发出警报，信息会传回数据库。操作员可以立即采取行动，防止代价高昂的设备故障，但前提是他们了解警报的目的。信息可能会或可能不会被记录下来，以用于未来的维护计划。用户会遇到大量仪表板，这些仪表板报告了过去的 KPI，但没有提供展望或帮助未来的维护计划。
用于预测性维护的可解释人工智能技术
本信息是根据美国政府某个机构资助的工作编制的。美国政府或其任何机构及其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，或承担任何法律责任或义务，也不保证其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式引用任何特定的商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定表明或反映美国政府或其任何机构的观点和意见。
