XiaoMi-AI文件搜索系统
World File Search System维护操作
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
DOE设施的氧气不足的大气危害
with这种经营经验级别3（OE-3）文件是为了提高人们对整个能源部（DOE）企业中氧气不足氛围的潜力的认识，并通过在DOE设施的这种重要危害的运营经验中促进学习经验。DOE集成安全管理（ISM）政策的七个指导原则和五个核心功能（DOE策略450.4A，综合安全管理系统政策）以及10 CFR第851部分的危害识别和预防要求，工人安全和健康计划为分析这种危害提供基础，并建立可能的危害，并建立潜在的伤害和预防潜在的伤害。b ackground一种可能引起窒息的氧气不足的气氛，由职业安全与健康管理（OSHA）定义为含量小于19.5％的氧气。OSHA认为这立即危害生命或健康或IDLH。虽然氧气不足的气氛经常与狭窄的空间相关，但潜在的潜力在整个DOE的研究，生产和维护操作中都更加广泛。这包括在实验室中使用惰性气体，制造环境以及压缩气缸的室内存储（例如氮，氧气，氧化二氧化碳，
维持空军老化飞机进入 21 世纪 - DTIC
研究小组参观了美国空军商用和军用飞机维护设施的横截面，并从参与美国空军老旧飞机机队当前和未来维护的众多实体那里获得了高质量的简报。简报来自四家执行维护操作和维护研究与开发与老旧飞机相关的公司（波音、通用原子、洛克希德马丁和诺斯罗普格鲁曼）以及（空军）研究实验室（材料和制造、推进和飞行器理事会以及科学研究办公室）。小组还听取了美国空军以外的组织的意见，包括海军研究实验室、海军航空系统司令部、国家航空航天局、联邦航空管理局和达美航空——所有这些组织都有当前的飞机维护、技术和/或飞机维护过程监督活动。小组听取了大多数空军主要司令部（保障、需求和规划）的意见，包括空战司令部、空军物资司令部、空中机动司令部、空军全球打击司令部、空军特种作战司令部和空军教育和训练司令部。此外，研究小组还对三个空军物资司令部 (AFMC) 空中后勤中心和空军全球后勤支援中心进行了实地考察。访问了希尔和兰利空军基地第 388 和第 1 战斗机联队的飞机航线维护人员，获得了有用的见解。
深入强化学习基于钢生产线的维护决策
洛林大学，法国克兰。电子邮件：phuc.do@univ-lorraine.fr在4.0行业中，采用系统监控技术提供了有关系统健康状况的大量数据，这引发了采用基于条件的维护（CBM）的挑战。 由于其能力基于其嵌入式状况监测设备实时采用系统，这可以帮助降低O＆M成本并提高系统可用性，因此CBM已成为行业竞争力的一种相关方法。 但是，要利用大量数据在维护决策中的优势，要考虑的一个重要问题是国家和行动的巨大空间，这很难应对传统的维护模型。 为了克服这个问题，将机器学习和人工智能的新兴工具整合到维护决策和优化中似乎是有希望的。 因此，这项工作提出了对钢生产线的基于深入的加固学习（DRL）的维护优化，其中维护决策是根据有关系统状况的实时数据做出的。 研究的生产线使用金属废料作为钢材制造的原材料。 在使用之前，需要将废料粉碎在切碎机器中，这是最关键的过程。 当机器关闭以进行维护操作时，使用中间的缓冲区来继续为其余站提供碎屑。 建立了模拟模型，以模拟生产线的动态。 关键字：深钢筋学习，维护，钢生产线，模拟模型电子邮件：phuc.do@univ-lorraine.fr在4.0行业中，采用系统监控技术提供了有关系统健康状况的大量数据，这引发了采用基于条件的维护（CBM）的挑战。由于其能力基于其嵌入式状况监测设备实时采用系统，这可以帮助降低O＆M成本并提高系统可用性，因此CBM已成为行业竞争力的一种相关方法。但是，要利用大量数据在维护决策中的优势，要考虑的一个重要问题是国家和行动的巨大空间，这很难应对传统的维护模型。为了克服这个问题，将机器学习和人工智能的新兴工具整合到维护决策和优化中似乎是有希望的。因此，这项工作提出了对钢生产线的基于深入的加固学习（DRL）的维护优化，其中维护决策是根据有关系统状况的实时数据做出的。研究的生产线使用金属废料作为钢材制造的原材料。在使用之前，需要将废料粉碎在切碎机器中，这是最关键的过程。当机器关闭以进行维护操作时，使用中间的缓冲区来继续为其余站提供碎屑。建立了模拟模型，以模拟生产线的动态。关键字：深钢筋学习，维护，钢生产线，模拟模型然后建立一个DRL框架，以通过与环境的交互进行学习，以找到最低维护成本的最佳维护政策。进行了数值案例研究，以评估所提出的DRL维护方法与常规维护策略相比。结果，提出的DRL方法在成本以及系统可用性的增加方面显示出更好的结果。
Microsoft Word - Wind_Turbine-Master_thesis-correction_6-final_4064286.doc
在火电厂和加工工业的资产健康管理中，旋转机械状态监测系统的应用和实施有着悠久的历史 [3]。该技术在风电行业得到了进一步扩展，因为风电公司地理分布广泛，通常位于偏远地区，应重新考虑运营和维护成本。在监控策略中需要考虑应用和设置集中监控系统来连续监控大量相同的机器。要远程监控风力涡轮机系统的状况，需要一个数据采集和进一步处理物理参数的系统。每当机器部件开始出现故障时，该部件的物理特性和动态行为就会发生变化。监控机器部件的特定参数使我们能够识别与该特定问题相关的故障模式。实施状态监测的主要优势和好处是监测部件的当前状况，主要目标是提高机器的整体性能和效率，减少故障频率并提高生产率。第二个主要目标是在部件完全磨损并导致计划外停机进行维护之前观察部件的磨损状况 [4]。通过使用状态监测技术或基于状态的维护；维护人员在需要时或在机器可以停机进行维护工作时立即执行相应的维护操作 [5]。
浮动混合发电机系统的控制和监督要求
摘要：本文介绍了一系列从海洋环境中产生可再生能源的设备，近年来，这些设备引起了越来越多的关注。特别是，本文描述了主要类型的浮动风力发电机和海流涡轮机。随着时间的推移，其中一些浮动发电机已经发展成各种混合模式，将不同的发电设备集成到同一系统中，如风力涡轮机、海流涡轮机、波浪能转换器等，目的是增加其发电能力并优化浮动系统的投资。然而，这种混合在某些情况下提供了解决控制系统结构稳定性问题的机会。自浮动风力涡轮机设计初期以来，这种稳定性增强一直被视为一项重大挑战。为了实现这一目标，本文提出了一种具体的解决方案，包括一个浮动混合系统，该系统由风力发电子系统和带有两个海流涡轮机的发电子系统组成。该建议允许开发一个集成控制系统，该系统同时处理系统的结构稳定性和发电能力的优化。此外，还强调了与实现经济可行性目标有关的其他要求，考虑到系统在特别恶劣的海洋环境中的可靠性和可用性，在这种环境中维护操作特别昂贵。为此，提出了一种智能集成监督、诊断和预测性维护任务的模型。
将先进技术应用于航空综合维护概念 - 在底层培训维护执行中使用虚拟现实
摘要。航空维修行业、维修和大修 (MRO) 程序需要跟上技术发展的步伐，从 2D 支持发展到 3D。现有的学习和培训 MRO 任务手册在很大程度上依赖于旧的 2D 图纸和按顺序执行的维护步骤列表。然而，这些是复杂的操作，需要 3D 洞察力，并且会从中受益匪浅，以便快速、易懂地吸收。虚拟现实 (VR) 应用程序可能是使这些程序更接近现实的合适选择，从而提高能力和技能。在 AIRMES 项目的几项维护优化开发中，该项目属于欧盟清洁天空 2 联合承诺计划，上述概念通过开发 VR 应用程序应用于维护执行，以帮助从业者执行特定维护活动，例如拆卸和定位飞机结构中的组件。VR 应用程序在移动平台上运行，该平台使用智能手机和便携式运动捕捉设备以及头戴式设备，允许从业者在现场学习和培训如何进行维护操作。实践者将处于沉浸式和交互式环境中，其中显示主机飞机结构部分和目标组件以及辅助/外围系统部件，并且可以通过虚拟手移除 3D 组件，虚拟手通过运动捕捉设备模拟用户的手。开发的系统为技术人员提供了针对特定情况的维护操作的高级培训和可靠信息，并有助于识别和执行要应用的程序，从而缩短维修时间。
舰队司令员工作说明书 (SOW) ...
FRC 为所有海军飞机和相关支持设备提供维护、修理和大修 (MRO) 工程 (MRO-E)、物流 (MRO-L) 和生产 (MRO-P) 支持，提供全方位的飞机维护操作。本文介绍了维护高性能战术飞机以支持战斗机准备就绪以及确保所有支持活动达到最佳作战准备状态所需的关键能力。主要支持的 FRC 站点位于佛罗里达州杰克逊维尔、北卡罗来纳州樱桃点、加利福尼亚州北岛和位于加利福尼亚州圣地亚哥的海军航空技术数据和工程司令部，以及位于意大利的美国大陆 (CONUS) 内和美国大陆以外 (OCONUS) 的支队和远程站点。舰队支援小组 (FST) 为舰队支援中心的多种类型/型号/系列 (T/M/S) 的飞机提供后勤和工程支援，具体如下：佛罗里达州杰克逊维尔东南舰队战备中心 (FRCSE)：E-2/C-2、F-5、F-16、F/A-18、F-35、E-6B、P-3C、P-8A、T-6、T-34、T-44、TH-57、T-45、ALE-47 软件支援活动 (SSA)、MQ-4C Triton、机载多情报和特殊任务 (AMISM)、飞机武器装备/燃料遏制 (AAE/FC)、综合自动化支援系统 (CASS)、光电、电子战、计量工程和校准支援，以及各种发动机 (F-404、F-414、J85、T-56)、关键安全项目、结构、组件
国防部指令 4151.22，2007 年 12 月 2 日 - AcqNotes
主题：基于条件的维护加成 (CBM + ) 用于物资维护 参考：见附件 1 1。目的 基于条件的维护加成 (CBM + ) 是国防部全生命周期系统管理 (TLCSM) 可支持性战略中的主要可靠性驱动因素。与其他 TLCSM 推动因素（例如持续过程改进 (CPI)、因果预测模型以及通过基于绩效的物流 (PBL) 实现的预期结果）相结合，CBM + 致力于优化物资准备就绪的关键绩效指标 - 物资可用性、物资可靠性、平均停机时间和所有权成本。根据国防部指令 5134.01（参考文献 (a)）的授权，本指令为各军事部门和国防部机构制定了根据国防部指令 4151.18 和国防部指令 5000.2（参考文献 (b) 和 (c)）实施 CBM + 的政策和指导。2.适用性 a.本指令适用于国防部长办公室、各军事部门、参谋长联席会议主席办公室、作战司令部、国防部监察长办公室、国防机构、国防部实地活动部门以及国防部内所有其他组织实体（以下统称为“国防部组成部分”）。b.本指令适用于国防部，并通过纳入合同，适用于武器系统、设备和物资在所有生命周期阶段的商业维护操作。3.定义 a. CBM + 是应用和集成适当的流程、技术和基于知识的能力，以提高国防部系统和组件的可靠性和维护效率。本质上，CBM + 是根据可靠性中心维护 (RCM) 分析和其他支持流程提供的需求证据进行的维护，
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。