XiaoMi-AI文件搜索系统
World File Search System维护性
美国军方的预测性维护 - Cloudera
海军最近面临着令人担忧的舰船维护赤字问题。2019 年至 2020 年期间，海军面临 10 亿美元的舰船维修缺口，导致必要的维护工作被推迟，预定的维护期也推迟了。3 例如，濒海战斗舰 (LCS) 经常会因为意外的维护成本和高昂的承包商费用而面临长达两个多月的延误。4 在某些情况下，即使是非常小的不可预见的维护问题也会导致长时间的延误，因为造船厂工人要等待批准。舰队部队舰队司令克里斯·格雷迪上将在 2020 年 9 月的舰队维护和现代化研讨会上表示：“如果我们要寻找改进的地方，那么这些研究都得出了相同的结论：舰队战备的最大阻碍因素是造船厂的维护和现代化绩效。”“我们必须做得更好。”5
基于 D-H 的维护可访问性评估方法...
在虚拟维修中，应用最为广泛的可达性评价方法是利用虚拟人可达包络面来判断评价可达性，但该方法只能给出可达与不可达两种评价结果，包络面的构建缺乏足够的数据和理论支撑，评价的精度和准确性有待提高。本文提出了一种参数化的可达性评价方法及可达性包络面构建方法。首先，为了客观地描述人体运动，从人体腰部到指尖建立6关节5连杆的D-H（Denavit-Hartenberg）连杆模型，并根据人机工程学确定与可达性相关的10个自由度及角度范围。然后，引入舒适度对可达性评价进行细化，并依据RULA（快速上肢评估）构建了基于舒适度的多级可达性评价体系。为了便于该方法在虚拟环境中的应用，提出了一种可达性包络面构建方法。首先，基于D-H模型，通过蒙特卡洛模拟生成可达点，其次，由最外层随机可达点组成可达包络面，最后在虚拟环境中与DELMIA提供的可达包络面进行对比实验
基于机器学习的预测性维护模型 - IEOM
摘要 生产系统受到由操作和环境条件引起的性能下降和故障的影响。事实上，计划外、计划外的维护 (UUM) 实践会导致生产力下降、生产损失、昂贵的劳动力（呼叫、加班）和设备损坏。然而，预测性维护 (PdM) 是一种基于条件的维护策略 (CBM)，近年来在从业者中越来越受欢迎，它在需要时执行维护行动，避免不必要的预防措施或故障。机器学习 (ML) 已成为维护策略中缓解这些挑战的一种先进诊断方法。尽管如此，由于负责数据收集和执行的工业物联网 (IIoT) 不成熟，基于 ML 的 PdM 策略仍处于起步阶段。实施基于 ML 的 PdM 是一个困难且昂贵的过程，尤其是对于那些通常缺乏必要技能和财务和劳动力资源的公司而言。因此，需要进行成本导向分析来确定何时实施基于 ML 的 PdM。拟议的研究开发了 ML 算法，并为考虑航空行业的从业者和研究人员提供了一个智能 PdM 模型和框架。本文的贡献有两个方面。首先是开发基于 ML 的预测维护模型。分析表明，随机森林的表现优于其他模型，在平均
人工智能驱动的储能系统预测性维护：
awais.sadaqat94@gmail.com 摘要： - 储能系统 (ESS) 对于可再生能源的可靠整合和电网的稳定至关重要。然而，这些系统面临着与运营效率、组件磨损和意外故障相关的挑战，所有这些都会影响可靠性和使用寿命。人工智能驱动的预测性维护通过利用机器学习和数据分析来预测故障、优化维护计划和提高整体系统性能，提供了一种变革性的解决方案。本文探讨了人工智能在 ESS 预测性维护策略中的集成，重点关注高级算法如何监控系统健康状况、在故障发生前预测故障并减少停机时间。案例研究和模拟展示了人工智能模型如何预测电池退化、组件故障和性能异常，从而延长系统寿命并提高运行可靠性。研究结果表明，人工智能驱动的维护可以显着降低运营成本、降低意外故障风险并支持开发更具弹性的储能基础设施。
用于电机预测性维护的人工智能 (AI)
轴承损坏是导致电动机故障的主要因素之一。研究表明，大约 40% 的电动机故障可归因于轴承损坏（图 3），这使其成为最常见的故障原因。这意味着，如果及早发现轴承损坏并采取必要措施，电动机的使用寿命可以大大延长。由于轴承是运动部件，因此容易受到各种形式的磨损。最常见的一些问题包括生锈、磨损和润滑剂耗尽。尽管存在这些问题，但电动机可能会继续运行一段时间而没有明显的影响，因此在电动机完全失效之前及早检测至关重要。这就是 ShiraTech-Knowtion 的预测性维护发挥作用的地方。通过轴承损坏预测，我们可以协助早期故障检测，从而及时采取补救措施，而不是等待彻底失效。
Microsoft Word - WP-Ayasdi 预测性维护 (1).docx
在过去的几年中，机器学习 (ML) 已成为管理资产维护数据的首选技术。以前的方法涉及收集历史资产数据并根据阈值标准创建规则集。由于数据量大且复杂，这种方法无法扩展，导致对何时执行维护程序的任意预测。ML 给维护从业人员带来的第一个好处是让他们摆脱了这些规则集的管理。然而，这种解决方案带来了一个新问题。通过基于现有数据训练模型，尤其是使用深度神经网络，从业人员失去了可解释性，从而导致一些不良后果。首先，难以解释或解读的黑盒模型和预测会导致对推荐操作的信任度降低。其次，它为数据科学家带来了更多工作——调整、实验等。因此，传统的 ML 方法会导致模型更难维护，并且维持成本更高。
预测性维护 智能传感器 嵌入式人工智能
ALTEN 在创新、研发和技术信息系统领域支持客户的发展战略。该集团成立于 30 多年前，已成为工程和 IT 服务领域的全球领导者。ALTEN 的业务遍及 30 个国家，目前在全球拥有超过 45,000 名员工。
使用自动故障检测和...进行预测性维护
通过预测性维护，可以使用测量的过滤器压差来计算更换过滤器的最佳时间。预测性维护系统会自动监控过滤器，因为随着时间的推移，过滤器会积聚污垢（压差增加），并在正确的时间触发维护操作。更换过滤器时，压差会下降，从而验证更换是否正确。通过分析过滤器随时间推移的压降，可以建立最佳的过滤器更换过程。此外，还可以收集有关哪些过滤器制造商的产品在每种条件下表现最佳的信息。当所讨论的空气过滤器用于洁净室时，请考虑这种预测方法的好处，因为错误可能会导致颗粒污染、操作中断以及潜在的产品和/或研究损失。
预测性设备维护解决方案 - SPECTRO CS
组成 ITL 的仪器经过精心挑选，因为它们不仅提供有效监测油润滑设备状况所需的数据，还因为它们易于操作和维护，安装时只需极少的特殊工具，并提供强大的样品吞吐量（大多数测量大约需要 1 分钟）。分析仪器将结果发送到中央计算机（或网络），并存储在数据库文件中，以供后续分析、评估和报告。