随着越来越强调降低海上风（OSW）行业的运营和维护成本（O $ \＆$ M），因此需要探索深度学习（DL）的新方法和应用到域中的要求。基于条件的监控（CBM）一直处于最新研究开发基于警报的系统和数据驱动决策的最前沿。本文简要介绍了该领域正在进行的研究，特别关注警报序列建模以及其实施中面临的相关挑战。本文提出了一个新颖的想法，以比较长期记忆（LSTM）和双向LSTM（BILSTM）模型，预测一组相关的修复动作。使用Bilstm实现高达80.23 $ \％$的培训准确性结果，并且测试准确性结果高达76.01 $ \％$，这表明了未来研究中可以进一步进一步研究所提出方法的潜在好处。本文介绍了一个框架，该框架将拟议的方法集成到o $ \＆$ m程序中，并讨论了潜在的好处，其中包括减少过多的警报，以及不必要的船只转移到涡轮机进行故障诊断和矫正。
translated by 谷歌翻译
无人驾驶汽车（UAV）的使用提供了各种应用程序的许多优势。但是，安全保证是广泛使用的关键障碍，尤其是考虑到无人机所经历的不可预测的操作和环境因素，这些因素很难仅在设计时间内捕获。本文提出了一种称为SAFEDRONES的新可靠性建模方法，以通过实现无人机的运行时可靠性和风险评估来帮助解决此问题。它是可执行数字可靠身份（EDDI）概念的原型实例化，该概念旨在为多机器人系统的实时，数据驱动的可靠性保证创建基于模型的解决方案。通过提供实时可靠性估算，SAFEDRONES允许无人机以自适应方式相应地更新其任务。
translated by 谷歌翻译
机器学习〜（ML）近年来在不同的应用和域上提供了令人鼓舞的结果。但是，在许多情况下，需要确保可靠性甚至安全性等质量。为此，一个重要方面是确定是否在适合其应用程序范围的情况下部署了ML组件。对于其环境开放且可变的组件，例如在自动驾驶汽车中发现的组件，因此，重要的是要监视其操作情况，以确定其与ML组件训练有素的范围的距离。如果认为该距离太大，则应用程序可以选择考虑ML组件结果不可靠并切换到替代方案，例如改用人类操作员输入。 SAFEML是一种基于培训和操作数据集的统计测试的距离测量，用于执行此类监视的模型无形方法。正确设置Safeml的限制包括缺乏用于确定给定应用程序的系统方法，需要多少个操作样本来产生可靠的距离信息以及确定适当的距离阈值。在这项工作中，我们通过提供实用方法来解决这些限制，并证明其在众所周知的交通标志识别问题中的用途，并在一个使用Carla开源汽车模拟器的示例中解决了这些局限性。
translated by 谷歌翻译