XiaoMi-AI文件搜索系统
World File Search System预测故障
数字孪生城市：框架与全球实践 | Weforum
数字孪生城市追求三大愿景：1）更加集约高效的城市生产运行、2）宜居便捷的城市生活空间、3）可持续的城市生态环境。在城市生产方面，利用数字孪生技术对人流、物流、能源流、信息流等复杂场景进行智能分析，如优化城市空间布局、缓解复杂路口交通拥堵、模拟演练应对自然灾害、科学制定应急疏散预案等，洞察城市运行规律，降低治理成本，改善市民生活质量。在城市生活方面，利用数字孪生技术监测城市组件性能，预测故障和规避风险，保障居民安全，利用数字孪生技术可以实现虚实交互、个性化定制的医院、教室、社区等服务。在减排方面，数字孪生城市可以帮助城市管理者和专家：1）评估和优化生态特征； 2）对各项碳排放实施政策进行综合诊断并选择最优解决方案；3）促进能源设施高效运行维护和碳轨迹追踪，助力城市实现碳中和。
印度尼西亚电气工程与计算机科学杂志
可持续能源生产的迫切需要大幅扩张可再生能源，特别是光伏 (PV) 系统。实时监控和数据分析的利用对于提高光伏系统的效率和性能至关重要。本摘要介绍了如何开发和部署光伏系统的无线监控系统。该系统利用连接到 WiFi 网络的 Raspberry Pi 设备和用于数据存储的 SD 卡，实现对光伏系统的远程监控和管理。所提出的监控系统包括一个配备传感器的 Raspberry Pi，用于测量各种参数，例如电压、电流、温度和太阳能电池板的环境条件；可以通过 Raspberry Pi 的无线功能远程访问监控系统，这些功能通过与现有 WiFi 网络建立连接来激活。所提出的配置便于将监控站放置在任何所需位置，从而无需复杂的接线连接。这些实时数据使太阳能系统管理人员能够快速识别异常、预测故障并优化能源生产。本文提出了一种用于监控光伏系统的无线监控系统，它是一种经济高效且可扩展的解决方案。
使用先进的无损检测进行关键基础设施故障分析和预防的概念模型。
摘要 - 关键基础设施的故障分析和预防对于确保运行可靠性和安全性至关重要。该概念模型探索了先进的无损检测 (NDT) 方法在关键基础设施系统中检测、分析和缓解故障的集成。无损检测技术（例如超声波检测、射线照相术、热成像和声发射分析）可实时洞察结构完整性而不会造成损坏。这些技术能够及早发现裂纹、腐蚀和材料疲劳等缺陷，这些缺陷通常是灾难性故障的前兆。所提出的模型概述了一种将预测分析与无损检测相结合的系统方法，以增强基础设施监控和维护策略。关键组件包括数据采集、预处理、使用机器学习算法进行缺陷分类以及实时决策。结合先进的数据融合技术，整合多种无损检测方法的见解，从而提高缺陷检测的准确性和可靠性。此外，该模型利用数字孪生技术来模拟和预测故障场景，从而实现主动维护和优化资源分配。该模型还强调了结合支持物联网的传感器和基于云的平台进行远程监控和利益相关者之间的实时数据共享的重要性。解决数据安全、可扩展性和测试协议标准化等挑战，以确保在交通、能源和
人工智能驱动的可再生能源系统预测性维护和优化，以提高运营效率和使用寿命
可再生能源系统的快速发展需要先进的维护和优化策略，以确保长期的运营效率和可持续性。传统方法通常无法预测故障并优化多样化和动态可再生能源基础设施的性能。本研究探讨了人工智能 (AI) 技术在可再生能源系统的预测性维护和优化中的应用，旨在提高运营效率并延长系统寿命。我们采用多种机器学习算法，包括深度神经网络和强化学习，来开发预测模型和优化策略。这些模型是在从运营中的风电场、太阳能装置和水力发电厂收集的大规模数据集上进行训练的。我们的结果表明，与传统方法相比，人工智能驱动的方法可以以 92% 的准确率预测设备故障，将计划外停机时间减少 35%。此外，人工智能优化的运行参数使所研究系统的整体能源输出提高了 8.5%。所提出的框架还显示出对各种环境条件和系统配置的适应性，表明其在可再生能源领域具有广泛的适用性。这项研究强调了人工智能在彻底改变可再生能源系统的维护实践和运营策略方面的巨大潜力，为更可靠、高效和可持续的清洁能源生产铺平了道路。
概率方法在涡轮发动机盘寿命预测和风险评估中的应用
摘要：涡轮发动机盘寿命预测和相关风险的理解仍然是当今设计师面临的重大挑战。尽管在材料测试和特性分析以及损伤容限和线性弹性断裂力学建模的应用方面取得了进展，但在正确评估载荷、几何形状和材料设计性能变化方面仍然存在空白。再加上先进的混合和复合材料系统的应用，准确处理材料变化的需求就更大了。仍然存在关键部件故障事件，而目前使用的现有分析方法、测试和检查无法正确解释这些事件。概率方法的应用提供了一种有效且有用的方法来建模这种变化，同时也提供了一种评估随机变量敏感性和风险评估的方法。目前的研究以及适用的行业和政府监管指南和出版物都已审查并将被介绍。本文将讨论最有效的工具、建模方法和预测故障风险评估，以及对未来工作的建议。本文介绍了概率方法在管理机队发动机和部件使用方面提供经济有效方法的潜力，以及其在机队管理中增强“因故退役”概念安全实施的能力。
使用自适应机器学习形式对船舶能源系统进行动态故障分析
摘要：全球贸易中航运业务的重要性要求全面了解其可持续性。这取决于船舶结构和重要系统（如船舶推进发动机）的完整性/性能。本研究论文介绍了一种自适应机器学习形式——贝叶斯网络在考虑非线性和非连续故障相互作用的船舶推进发动机故障评估中的应用。该模型捕捉关键故障影响因素及其复杂的相互作用，以预测船舶能源系统的故障概率。进行了敏感性和不确定性分析，以确定关键故障影响因素对船舶推进发动机可靠性的影响程度以及先前数据处理中的相关不确定性。该模型在远洋船舶的推进发动机上进行了测试，以根据故障原因之间的逻辑依赖关系预测故障可能性。基于规范概率算法分析了两种情景，结果表明，基于三种关键故障模式的证据，船舶推进发动机故障可能性分别增加了 11.8%、8.2% 和 9.4%。该模型表现出自适应/动态能力，能够捕捉新的故障信息并更新系统的故障概率。所提出的方法为关键船舶能源系统的完整性管理提供了状态监测工具和预警指南。
ExplainBattery：使用高效 LSTM 模型和可解释性功能增强电池容量估计
摘要 预测和健康管理 (PHM) 通过预测故障和采取预防措施对于确保机器可靠运行至关重要。在这种情况下，准确预测用于广泛应用的锂离子电池的容量至关重要，因为它们会随着时间的推移不可避免地退化。电池管理系统 (BMS) 在电池整个生命周期的健康状况监测和管理中发挥着关键作用。我们提出了一种新型的长短期记忆 (LSTM) 神经网络模型来预测锂离子电池容量。我们的模型旨在比最先进的模型更高效，特别是在可训练参数的数量方面，使其适合部署在 BMS 中常见的低资源设备上。利用 NASA 艾姆斯预测卓越中心提供的锂离子电池老化数据集，我们证明我们的 LSTM 模型可以提供准确可靠的容量预测。为了补充所提出的模型，本文介绍了 ExplainBattery，这是一个允许用户与我们高效的 LSTM 进行交互的 Web 应用程序。该工具使用户能够直观地了解不同电池的预测结果，并通过可解释的仪表板探索最具影响力的属性。ExplainBattery 增强了我们模型的可用性和透明度，为 PHM 和 BMS 环境中的进一步研究和实际应用提供了一个可访问的平台。
学士学位项目铁路数字孪生：- DiVA 门户
软件工程师和研究人员对数字孪生 (DT) 概念的兴趣日益浓厚。作为一个新兴主题，DT 是一个很有前途的范例，可以提高不同领域信息物理系统的可预测性、安全性和可靠性。尽管趋势日益增长，但决定实施 DT 的最佳方法仍然具有挑战性。此外，据作者所知，我们发现，在运输行业，尤其是铁路系统领域，缺乏对 DT 进行的研究，也没有系统的综述。因此，本论文遵循系统的文献综述方法，在四个数字图书馆中确定了 363 篇文章，其中包括 60 篇主要文章，以解决三个研究问题。审查显示，大多数审查文章都集中在铁路分区维护和检查上，DT使能技术人工智能是耦合度最高的技术。深入分析发现，大多数文章将机器学习算法和技术应用于DT中，以检测故障、预测故障、做出自动决策和监控健康状况以优化铁路系统。还发现互操作性是讨论最多的挑战，其难点在于实时传输运营数据并实现实时决策。此外，分析还显示了DT的几个机会和优势，例如降低维护成本和对减少公路货运的积极贡献。最后，根据审查结果，提出并解释了以流程图形式支持设计铁路预测性维护DT的指南。
人工智能在智能输送带监控系统中的应用：全面的评论
这项调查Art -um -us提供了相对文献的曝光，并在人工智能（AI）的传送带系统中具有特定的重点。这项调查Art -um -um -ul -un -un -ul -us介绍了基于物联网，绩效分析，可视化和力邮寄的皮带状况及其预后。该评论基于该研究的最后五年发表的79条经过同行评审的期刊，重点介绍了使用DL模型应用高级AI技术的制造，采矿和物流行业的传送带系统的性能和安全性的增强。将要研究的AI技术是用于检测故障和预测故障的ML算法的专业，用于实时鉴定资产和IoT系统缺陷的CV系统用于数据集合和处理。从调查中可以看出，这些AI可能性的整合增强了准确的故障检测领域的能力；材料处理的卓越控制和基于计算机的智能操作比监视风扇输送机的方面。创新涉及一些包括以下内容的概念；皮带撕裂的预测模型使用神经网络的实时预测皮带撕裂，计算机视觉，对表面问题的实时识别的实时预测，可以将系统未计划的时间降低至少30％。它还描述了数据质量问题的当前状态，所使用算法的解释以及扩展已经存在的系统的过程。最后但并非最不重要的一点是，它为AI系统中的多个智能以及Edge AI智能决策，强化学习智能控制以及与其他新兴技术的AI提供了关键和精确的建议；数字双胞胎。最后，可以提到的是，关于进行调查，可以说明如何随着AI在各个领域的有效用途来更改传送带系统，以提高性能，可靠性和安全性。
物联网和人工智能应用于工业 4.0 中的预测性维护：系统文献综述
摘要 工业 4.0 的技术进步，特别是在工业物联网 (IIoT) 和人工智能 (AI) 领域，使生产管理得到了一系列改进。大数据、雾计算和云计算以及神经网络的发展使预测性维护 (PdM) 成为一个受关注的领域，因为它能够有效地转变和适应机器状况。本文对 AI 和 IIoT 在 PdM 方面的最先进技术进行了系统的文献综述，为该领域未来的工作奠定了基础。从过去两年的出版物数量可以看出，这个主题的相关性仍然很高，但仍有几个相关的研究挑战需要解决，特别是要实现一个适应性强且同质的 PdM 模型。关键词 人工智能 (AI)、工业物联网 (IIoT)、工业 4.0、物联网 (IoT)、预测性维护 (PdM) 1. 简介 工业 4.0 及其支柱技术，即物联网 (IoT)、大数据和人工智能 (AI) – 尤其是神经网络 – 正在改变原有的工业自动化方法 (Dalzochio 等人，2020 年)。通过分析分布在织物生产工厂的无数传感器收集的数据，可以实现制造业的这种变化。预测性维护 (PdM) 是此场景提供的可能性之一。PdM 的主要思想是在故障发生之前预测故障，从而避免机器非计划停机和生产暂停，同时最大限度地延长设备寿命 (Rieger 等人，2019 年)。为了做出这些预测，必须存储和分析实时数据，同时考虑收集到的信号的不同方面和影响。在此背景下，人工智能，尤其是具有深度学习技术和处理算法的神经网络，能够将大数据转化为可用于决策的实际信息。然而，这些新技术的实施也带来了好处和挑战。现在，各行各业需要应对更加动态的环境，其中许多行业还没有准备好应对这种情况，尤其是在处理大数据方面。为了使大数据对生产力产生积极影响，选择和应用正确的人工智能策略至关重要。为了在这方面做出贡献，本文对工业物联网 (IIoT) 和应用于 PdM 的人工智能进行了系统的文献综述。最近的工作涵盖了人工智能在 IIoT 数据上的最新技术，特别是那些使用神经网络对维护进行预测分析的技术，这些工作被列为优先事项。人工智能积极影响的进展