电力电子转换器已被广泛用于航空航天系统，直流传输，分布式能源，智能电网等，电源电子转换器的可靠性一直是学术界和行业的热点。执行电力电子转换器开放电路故障和智能故障诊断以避免次要故障，减少操作和维护成本，并提高电力电子系统的可靠性，这一点很重要。首先，分析和总结电力电子转换器的故障特征。其次，对电源电子转换器中的一些基于AI的故障诊断方法和应用示例进行了审查，并提出了基于随机森林和瞬态故障特征的故障诊断方法，用于三相功率电子转换器。最后，指出了未来的研究挑战和基于AI的故障诊断方法的方向。

自适应方法（例如自适应力矩估计（ADAM）及其变体）的收敛性和收敛速率分析已被广泛研究以进行非convex优化。分析基于假设，即预期或经验的平均损失函数是Lipschitz平滑的（即其梯度是Lipschitz的连续），并且学习率取决于Lipschitz连续梯度的Lipschitz常数。同时，对亚当及其变体的数值评估已经澄清说，使用较小的恒定学习速率而不依赖Lipschitz常数和超级参数（$ \ beta_1 $和$ \ beta_2 $）接近一个是有利的，这对于训练深神经网络是有利的。由于计算Lipschitz常数为NP-HARD，因此Lipschitz的平滑度条件是不现实的。本文提供了亚当的理论分析，而没有假设Lipschitz的平滑度条件，以弥合理论和实践之间的差距。主要的贡献是显示理论证据表明，亚当使用较小的学习率和接近一个的超级参数表现良好，而先前的理论结果全部用于接近零的超参数。我们的分析还导致发现亚当在大批量尺寸方面表现良好。此外，我们表明，当亚当使用学习率降低和接近一个的超级参数时，它的表现良好。

滚动轴承是工业机器中最广泛使用的轴承之一。滚动轴承条件的劣化可导致旋转机械的总失效。基于AI的方法广泛应用于滚动轴承的诊断。已显示杂交NN的方法来达到最佳诊断结果。通常，原始数据由安装在机器壳体上的加速度计产生。然而，每个信号的诊断实用性高度依赖于相应加速度计的位置。本文提出了一种新型混合CNN-MLP模型的诊断方法，其结合了混合输入来执行滚动轴承诊断。该方法使用来自轴安装的无线加速度传感器的加速度数据成功地检测和定位轴承缺陷。实验结果表明，混合模型优于分别操作的CNN和MLP型号，并且可以为轴承故障提供99,6％的高检测精度，而CNN的98％和MLP型号的81％。

Three-phase PWM voltage-source rectifier (VSR) systems have been widely used in various energy conversion systems, where current sensors are the key component for state monitoring and system control. The current sensor faults may bring hidden danger or damage to the whole system; therefore, this paper proposed a random forest (RF) and current fault texture feature-based method for current sensor fault diagnosis in three-phase PWM VSR systems. First, the three-phase alternating currents (ACs) of the three-phase PWM VSR are collected to extract the current fault texture features, and no additional hardware sensors are needed to avoid causing additional unstable factors. Then, the current fault texture features are adopted to train the random forest current sensor fault detection and diagnosis (CSFDD) classifier, which is a data-driven CSFDD classifier. Finally, the effectiveness of the proposed method is verified by simulation experiments. The result shows that the current sensor faults can be detected and located successfully and that it can effectively provide fault locations for maintenance personnel to keep the stable operation of the whole system.

互联网是人类有史以来最复杂的机器，以及如何防御入侵的情况更加复杂。随着新入侵的不断增加，入侵检测任务越来越依赖人工智能。机器学习模型的可解释性和透明度是对AI驱动的入侵检测结果的信任的基础。当前的解释人工智能技术是启发式的，这既不准确也不足够。本文提出了一种基于人造免疫系统的严格可解释的人工智能驱动的入侵检测方法。介绍了决策树模型的严格解释计算过程的细节。对良性交通流的主要隐含解释是针对网络免疫系统负选择的规则。实验是在现实生活中进行的。

人类推理可以从观察到的模式中蒸馏原理，并概括他们解释和解决新的问题。最强大的人工智能系统缺乏可解释性和象征性的推理能力，因此在需要人类理解的域名的域中没有实现至高无上的，例如科学或常识推理。在这里，我们介绍了深度蒸馏，一种机器学习方法，可以使用可解释的深度学习从数据中学习模式，然后将其冷凝成简洁，可执行的计算机代码。可以包含循环，嵌套逻辑语句和有用的中间变量的代码相当于神经网络，但通常更紧凑，人为可理解的数量级。在涉及算术，计算机视觉和优化的各种问题上，我们表明深度蒸馏产生简明代码，以概括分配，以解决问题的数量级越来越大而比训练数据更复杂。对于已知的地面真实规则集的问题，Deep Restilling通过可扩展的保证确切地发现了规则集。对于含糊不清或计算难以应变的问题，蒸馏规则类似于现有的人类衍生的算法，并且在PAR或更好地执行。我们的方法展示了无归档的机器智能可以建立一个更广泛和直观的规则，解释大型数据集中的模式，否则会压倒人类推理。

This paper presents a 1-D convolutional graph neural network for fault detection in microgrids. The combination of 1-D convolutional neural networks (1D-CNN) and graph convolutional networks (GCN) helps extract both spatial-temporal correlations from the voltage measurements in microgrids. The fault detection scheme includes fault event detection, fault type and phase classification, and fault location. There are five neural network model training to handle these tasks. Transfer learning and fine-tuning are applied to reduce training efforts. The combined recurrent graph convolutional neural networks (1D-CGCN) is compared with the traditional ANN structure on the Potsdam 13-bus microgrid dataset. The achievable accuracy of 99.27%, 98.1%, 98.75%, and 95.6% for fault detection, fault type classification, fault phase identification, and fault location respectively.

The monitoring of machine conditions in a plant is crucial for production in manufacturing. A sudden failure of a machine can stop production and cause a loss of revenue. The vibration signal of a machine is a good indicator of its condition. This paper presents a dataset of vibration signals from a lab-scale machine. The dataset contains four different types of machine conditions: normal, unbalance, misalignment, and bearing fault. Three machine learning methods (SVM, KNN, and GNB) evaluated the dataset, and a perfect result was obtained by one of the methods on a 1-fold test. The performance of the algorithms is evaluated using weighted accuracy (WA) since the data is balanced. The results show that the best-performing algorithm is the SVM with a WA of 99.75\% on the 5-fold cross-validations. The dataset is provided in the form of CSV files in an open and free repository at https://zenodo.org/record/7006575.

随着机器学习的发展，数据驱动模型已广泛用于振动信号故障诊断。大多数数据驱动的机器学习算法都是基于设计良好设计的功能，但通常需要提取特征提取。在深度学习时代，特征提取和分类器学习同时进行，这将导致端到端的学习系统。本文探讨了两个关键因素，即特征提取和分类算法中的哪一个，对于生成学习系统期间，对于振动信号诊断的特定任务更为必要。讨论了来自振动信号的特征提取，分别基于众所周知的高斯模型和统计特征进行振动信号。选择了几种分类算法以通过实验验证特征提取和分类算法对预测性能的比较影响。

实用值的逻辑是越来越多的神经符号方法的基础，尽管通常仅在定性上表征其逻辑推理能力。我们为建立此类系统的正确性和力量提供了基础。我们提供了声音和强烈完整的公理化，可以参数化以涵盖所有实现的逻辑，包括所有常见的模糊逻辑。我们的一类句子非常丰富，每个句子都描述了一组现实价值逻辑公式集合的可能的真实值，包括实际值的组合是可能的。强大的完整性使我们能够准确地得出有关公式集合的真实价值组合的组合，给出了有关其他几个公式集合的真实价值组合的信息。然后，我们扩展公理化以处理加权的子形成。最后，我们根据线性编程为某些实价逻辑和某些自然假设提供了基于线性编程的决策程序，无论我们的一组句子在逻辑上是否意味着我们的另一种句子。

集成电路（IC）的测试是一个非常昂贵的过程，但在确定IC的缺陷水平方面也是最重要的过程。 IC中的制造缺陷是使用符合故障模型对其进行建模的。拟合型号的模型涵盖了制造过程中发生的大多数物理故障。由于半导体技术的发展，功能尺寸降低，缺陷的尺寸也越来越小。这些难以检测的缺陷的测试是使用确定性测试生成（DTG）算法生成的。我们的工作旨在降低面向路径的决策成本：podem（DTG算法）而不损害测试质量。我们训练了一个元预测器，以选择给定电路和目标网的最佳模型。该合奏选择具有95％精度的最佳概率预测模型。从其CPU时间角度来看，这导致了回溯决策的数量减少，Podem的表现更好。我们表明，我们的ML引导的PoDEM算法具有元预测器的表现，其质量超过34％，而其他最先进的ML引导算法则至少高于ISCAS85基准电路的15％。

随着人工智能和自动驾驶技术的快速发展，对半导体的需求预计将大大增加。但是，半导体制造和新技术的开发的大量扩展将带来许多缺陷晶片。如果这些缺陷晶片尚未正确检查，则对这些缺陷晶片的无效半导体处理将对我们的环境产生额外影响，例如二氧化碳的发射过量和能源消耗。在本文中，我们利用量子计算的信息处理优势来促进缺陷学习缺陷审查（DLDR）。我们提出了一种经典的量子混合算法，用于近期量子处理器的深度学习。通过调整在其上实现的参数，由我们的框架驱动的量子电路学习给定的DLDR任务，包括晶圆缺陷地图分类，缺陷模式分类和热点检测。此外，我们探索具有不同表达能力和纠缠能力的参数化量子电路。这些结果可用于构建未来的路线图，以开发基于电路的量子深度学习，以进行半导体缺陷检测。

Reduced system dependability and higher maintenance costs may be the consequence of poor electric power quality, which can disturb normal equipment performance, speed up aging, and even cause outright failures. This study implements and tests a prototype of an Online Sequential Extreme Learning Machine (OS-ELM) classifier based on wavelets for detecting power quality problems under transient conditions. In order to create the classifier, the OSELM-network model and the discrete wavelet transform (DWT) method are combined. First, discrete wavelet transform (DWT) multi-resolution analysis (MRA) was used to extract characteristics of the distorted signal at various resolutions. The OSELM then sorts the retrieved data by transient duration and energy features to determine the kind of disturbance. The suggested approach requires less memory space and processing time since it can minimize a large quantity of the distorted signal's characteristics without changing the signal's original quality. Several types of transient events were used to demonstrate the classifier's ability to detect and categorize various types of power disturbances, including sags, swells, momentary interruptions, oscillatory transients, harmonics, notches, spikes, flickers, sag swell, sag mi, sag harm, swell trans, sag spike, and swell spike.

通过深度学习（DL）大大扩展了数据驱动故障诊断模型的范围。然而，经典卷积和反复化结构具有计算效率和特征表示的缺陷，而基于注意机制的最新变压器架构尚未应用于该字段。为了解决这些问题，我们提出了一种新颖的时变电片（TFT）模型，其灵感来自序列加工的香草变压器大规模成功。特别是，我们设计了一个新的笨蛋和编码器模块，以从振动信号的时频表示（TFR）中提取有效抽象。在此基础上，本文提出了一种基于时变电片的新的端到端故障诊断框架。通过轴承实验数据集的案例研究，我们构建了最佳变压器结构并验证了其故障诊断性能。与基准模型和其他最先进的方法相比，证明了所提出的方法的优越性。

轴承是容易出乎意料断层的旋转机的重要组成部分之一。因此，轴承诊断和状况监测对于降低众多行业的运营成本和停机时间至关重要。在各种生产条件下，轴承可以在一系列载荷和速度下进行操作，这会导致与每种故障类型相关的不同振动模式。正常数据很足够，因为系统通常在所需条件下工作。另一方面，故障数据很少见，在许多情况下，没有记录故障类别的数据。访问故障数据对于开发数据驱动的故障诊断工具至关重要，该工具可以提高操作的性能和安全性。为此，引入了基于条件生成对抗网络（CGAN）的新型算法。该算法对任何实际故障条件的正常和故障数据进行培训，从目标条件的正常数据中生成故障数据。所提出的方法在现实世界中的数据集上进行了验证，并为不同条件生成故障数据。实施了几种最先进的分类器和可视化模型，以评估合成数据的质量。结果证明了所提出的算法的功效。

系统变化是代谢组学数据分析中的常见问题。因此，使用不同的缩放和归一化技术来预处理数据进行代谢组学数据分析。尽管文献中有几种缩放方法可用，但是缩放，转换和/或归一化技术的选择会影响进一步的统计分析。选择适当的缩放技术进行下游分析以获得准确的结果或做出正确的决定是一项挑战。此外，现有的缩放技术对离群值或极值敏感。为了填补空白，我们的目标是引入不受异常值影响的强大缩放方法，并为下游分析提供了更准确的结果。在这里，我们引入了一种新的加权缩放方法，该方法对异常值具有强大的功能，但是，在数据预处理中不需要其他异常检测/治疗步骤，并将其与通过人工和实际代谢组学数据集进行了比较与常规缩放和归一化技术。我们在不存在和存在不同百分比的异常值的情况下，使用代谢组学数据分析评估了所提出的方法的性能与其他现有的常规缩放技术相比。结果表明，在大多数情况下，在不存在和存在异常值的情况下，提出的缩放技术的性能比传统的缩放方法更好。提出的方法改善了进一步的下游代谢组学分析。提出的强大缩放方法的R函数可在https://github.com/nishithkumarpaul/robustscaling/blob/main/main/wscaling.r.r

作为一种特殊的无限级矢量自回旋（VAR）模型，矢量自回归移动平均值（VARMA）模型比广泛使用的有限级var模型可以捕获更丰富的时间模式。然而，长期以来，其实用性一直受到其不可识别性，计算疾病性和解释相对难度的阻碍。本文介绍了一种新颖的无限级VAR模型，该模型不仅避免了VARMA模型的缺点，而且继承了其有利的时间模式。作为另一个有吸引力的特征，可以单独解释该模型的时间和横截面依赖性结构，因为它们的特征是不同的参数集。对于高维时间序列，这种分离激发了我们对确定横截面依赖性的参数施加稀疏性。结果，可以在不牺牲任何时间信息的情况下实现更高的统计效率和可解释性。我们为提出的模型引入了一个$ \ ell_1 $调查估计量，并得出相应的非反应误差边界。开发了有效的块坐标下降算法和一致的模型顺序选择方法。拟议方法的优点得到了模拟研究和现实世界的宏观经济数据分析的支持。

图表神经网络（GNN）基于故障诊断（FD）近年来收到了越来越多的关注，因为来自来自多个应用域的数据可以有利地表示为图。实际上，与传统的FD方法相比，这种特殊的代表性表格导致了卓越的性能。在本次审查中，给出了GNN，对故障诊断领域的潜在应用以及未来观点的简单介绍。首先，通过专注于它们的数据表示，即时间序列，图像和图形，回顾基于神经网络的FD方法。其次，引入了GNN的基本原则和主要架构，注意了图形卷积网络，图注意网络，图形样本和聚合，图形自动编码器和空间 - 时间图卷积网络。第三，通过详细实验验证基于GNN的最相关的故障诊断方法，结论是基于GNN的方法可以实现良好的故障诊断性能。最后，提供了讨论和未来的挑战。

The tradeoff between performance and inference speed is critical for practical applications. Architecture reparameterization obtains better tradeoffs and it is becoming an increasingly popular ingredient in modern convolutional neural networks. Nonetheless, its quantization performance is usually too poor to deploy (e.g. more than 20% top-1 accuracy drop on ImageNet) when INT8 inference is desired. In this paper, we dive into the underlying mechanism of this failure, where the original design inevitably enlarges quantization error. We propose a simple, robust, and effective remedy to have a quantization-friendly structure that also enjoys reparameterization benefits. Our method greatly bridges the gap between INT8 and FP32 accuracy for RepVGG. Without bells and whistles, the top-1 accuracy drop on ImageNet is reduced within 2\% by standard post-training quantization.