Einfach das größte Verzeichnis für KI-Eingabeaufforderungen, spezialisiert auf Produktdesign und Innovation

Willkommen beim weltweit größten Verzeichnis für KI-Anweisungen, das sich mit fortschrittlichem Produktdesign, Technik, Wissenschaft, Innovation, Qualität und Fertigung befasst. Während Online-KI-Tools die technische Landschaft durch die Erweiterung menschlicher Fähigkeiten rapide verändern, entfalten sie ihre wahre Stärke erst durch präzise und fachmännisch ausgearbeitete Anweisungen. In diesem umfassenden Verzeichnis finden Sie eine Sammlung solcher Anweisungen, die es Ihnen ermöglichen, KI-Systeme zu steuern, die große Datenmengen verarbeiten, komplexe Muster erkennen und neue Lösungen weitaus effizienter als herkömmliche Methoden entwickeln können.
Entdecken Sie die exakten Eingabeaufforderungen, die Sie benötigen, um KI-Agenten für die Optimierung Ihrer Entwürfe im Hinblick auf Spitzenleistung und Herstellbarkeit, die Beschleunigung komplexer Simulationen, die genaue Vorhersage von Materialeigenschaften und die Automatisierung einer Vielzahl wichtiger Analyseaufgaben zu nutzen, und stimmen Sie diese ab.
Die erweiterten Suchfilter ermöglichen einen schnellen Zugriff auf dieses umfangreiche Verzeichnis und decken das gesamte Spektrum der modernen Technik ab.
Angesichts der Server-Ressourcen und des Zeitaufwands sind die Eingabeaufforderungen selbst nur registrierten Mitgliedern vorbehalten und unten nicht sichtbar, wenn Sie nicht angemeldet sind. Sie können sich registrieren, 100% kostenlos:
Mitgliedschaft erforderlich
Sie müssen Mitglied sein, um auf diesen Inhalt zugreifen zu können.
- Codegenerierung und Fehlersuche
AI Aufforderung an Debuggen von VHDL-Zustandsmaschinen-Codefragmenten
- Design für die Fertigung (DfM), Optimierung des Designs, Fehlermöglichkeits- und Einflussanalyse (FMEA), Finite-Elemente-Methode (FEM), FPGA, Qualitätssicherung, Qualitätskontrolle, Validierung, Überprüfung
Diese Eingabeaufforderung analysiert einen bereitgestellten VHDL-Codeausschnitt für eine Finite State Machine (FSM) und eine Beschreibung eines beobachteten fehlerhaften Verhaltens oder einer Fehlermeldung. Die KI sollte potenzielle Probleme wie Fehler bei den Zustandsübergängen, logische Fehler, Race Conditions oder Syntaxprobleme identifizieren und Korrekturen vorschlagen. Dies hilft bei der FPGA/ASIC-Entwicklung.
Ausgabe:
- Text
- erfordert kein Live-Internet
- Felder: {vhdl_code_snippet} {fsm_description_and_ports} {beobachtetes_problem_oder_fehler_meldung} {target_fpga_family_optional}
- Am besten geeignet für: Identifizierung und Korrekturvorschläge für häufige Fehler in VHDL-FSM-Implementierungen, damit Ingenieure Designs für FPGAs oder ASICs effizienter debuggen können.
- Datengenerierung oder -erweiterung
AI Aufforderung an Synthetisches ADC-Rauschen CSV generieren
- Digitaler Zwilling, Maschinelles Lernen, Qualitätssicherung, Qualitätskontrolle, Signalverarbeitung, Simulation, Testmethoden
Diese Eingabeaufforderung erzeugt einen CSV-Datensatz mit synthetischen Analog-Digital-Wandler (ADC)-Ausgangscodes, die verschiedene Rauscharten enthalten. Der Benutzer gibt den Signalpegel der ADC-Auflösung und die Merkmale des Quantisierungsrauschens, des thermischen Rauschens und des 1/f-Rauschens an. Dies ist nützlich zum Testen digitaler Signalverarbeitungsalgorithmen.
Ausgabe:
- CSV
- erfordert kein Live-Internet
- Felder: {adc_resolution_bits} {num_samples} {noise_parameters_json} {dc_signal_level_percent_fs}
- Ideal für: Erstellung realistischer ADC-Ausgangsdaten mit kontrollierten Rauscheigenschaften zur Simulation und Prüfung der Filterleistung von DSP-Algorithmen oder zur ADC-Modellierung, ohne dass Hardware benötigt wird.
- Extraktion von Informationen
AI Aufforderung an Extract Algorithmus Details Forschungspapier
- Kontrollkarte, Maschinelles Lernen, Leistungsverfolgung, Prozessverbesserung, Qualitätsmanagement, Forschung und Entwicklung, Signalverarbeitung, Statistische Analyse
Diese Eingabeaufforderung analysiert den Text einer Forschungsarbeit, die sich mit einem bestimmten Signalverarbeitungs- oder Steuerungsalgorithmus befasst. Sie extrahiert wichtige Details wie die Schritte des Algorithmus, die mathematische Formulierung, die berichteten Leistungskennzahlen und Hinweise zur Implementierung. Die Ausgabe ist eine strukturierte Textzusammenfassung.
Ausgabe:
- Text
- erfordert kein Live-Internet
- Felder: {Forschungspapier_Text} {Algorithmusname} {Abschnitte_zum_Schwerpunkt_auf_Liste}
- Am besten geeignet für: Effizientes Verständnis der Kernaspekte eines neuen oder komplexen Algorithmus, der in einem Forschungspapier vorgestellt wird, ohne das gesamte Dokument lesen zu müssen, nützlich für Durchführbarkeitsstudien oder Implementierungsplanung.
- Fehlersuche und Diagnostik
- Elektroingenieurwesen
AI Aufforderung an Interpretation von SCADA-Alarmprotokollen für die Ursachenanalyse
- Elektroingenieurwesen, Fehlermöglichkeits- und Einflussanalyse (FMEA), Algorithmen für die vorausschauende Wartung, Prozessverbesserung, Prozess-Optimierung, Qualitätskontrolle, Qualitätsmanagement, Ursachenanalyse, Smart Grid Demand Response
Diese Eingabeaufforderung verarbeitet Auszüge aus SCADA-Alarmprotokollen, um Alarme zeitlich und logisch zu gruppieren und daraus die Ursachen abzuleiten und vorbeugende Wartungsmaßnahmen für elektrische Netzanlagen vorzuschlagen.
Ausgabe:
- Markdown
- erfordert kein Live-Internet
- Felder: {scada_alarm_log_text}
- Am besten geeignet für: SCADA-Alarmmustererkennung und Zusammenfassung von Fehlerursachen
- Datengenerierung oder -erweiterung
- Elektroingenieurwesen
AI Aufforderung an Erweiterung des Datensatzes für Stromnetz-Fehlerfälle
- Maschinelles Lernen, Algorithmen für die vorausschauende Wartung, Prozessverbesserung, Qualitätsmanagement, Erneuerbare Energie, Risikoanalyse, Simulation, Nachhaltigkeitspraktiken
Mit dieser Eingabeaufforderung werden neue, realistische Fehlerszenarien mit unterschiedlichen Parametern (Fehlertyp, -ort, -dauer) auf der Grundlage eines bestehenden Datensatzes von Stromnetzfehlern erstellt, um das Training von maschinellen Lernmodellen oder Belastungstests zu unterstützen.
Ausgabe:
- JSON
- erfordert kein Live-Internet
- Felder: {power_faults_dataset_json} {Anzahl_der_neuen_Fälle}
- Am besten geeignet für: Erweiterung von Fehlerdatensätzen für Stromnetzsimulationen oder ML-Training
- Datengenerierung oder -erweiterung
- Elektroingenieurwesen
AI Aufforderung an Synthetische Sensorrauschdaten generieren
- Künstliche Intelligenz (KI), Maschinelles Lernen, Qualitätssicherung, Qualitätskontrolle, Sensoren, Signalverarbeitung, Simulation, Statistische Analyse
Diese Eingabeaufforderung erzeugt synthetische Rauschdaten, die den statistischen Eigenschaften (Mittelwert, Varianz, Verteilungsart) des eingegebenen Sensorrauschdatensatzes entsprechen, um die Sensorsignalmessungen in elektronischen Experimenten oder Simulationen zu ergänzen.
Ausgabe:
- CSV
- erfordert kein Live-Internet
- Felder: {sensor_noise_data_csv} {desired_number_of_points}
- Am besten geeignet für: Erstellung synthetischer Rauschdatensätze für die Sensoranalyse
- Datengenerierung oder -erweiterung
- Maschinenbau
AI Aufforderung an Synthetische Spannungs-Dehnungs-Kurvendaten generieren
- Legierungen, Finite-Elemente-Methode (FEM), Materialien, Maschinenbau, Mechanische Eigenschaften, Metallurgie, Produktentwicklung, Simulation, Spannungsrisskorrosion
Diese Eingabeaufforderung erzeugt synthetische Spannungs-Dehnungs-Datenpunkte für eine hypothetische Metalllegierung auf der Grundlage der wichtigsten mechanischen Eigenschaften. Sie ist nützlich für die Erstellung illustrativer Datensätze für die FEM-Vorverarbeitung oder für Ausbildungszwecke, wenn keine tatsächlichen experimentellen Daten verfügbar sind. Die Ausgabe erfolgt im CSV-Format.
Ausgabe:
- CSV
- erfordert kein Live-Internet
- Felder: {alloy_name} {ultimate_tensile_strength_mpa} {yield_strength_mpa} {elongation_at_break_percent}
- Ideal für: Erstellung plausibler Materialverhaltensdatensätze für Simulationen oder Lehrbeispiele, wenn keine spezifischen experimentellen Daten vorliegen.
- Extraktion von Informationen
- Maschinenbau
AI Aufforderung an Kompilieren Sie die Tabelle der Standardkomponentenabmessungen
- Design für additive Fertigung (DfAM), Design für die Fertigung (DfM), Befestigungselemente, Materialien, Maschinenbau, Produktdesign, Produktentwicklung, Qualitätssicherung, Qualitätskontrolle
Diese Eingabeaufforderung hilft bei der Extraktion und tabellarischen Auflistung von Standardabmessungen für gängige mechanische Komponenten (z. B. Schrauben, Lager, Rohre) aus einem bereitgestellten Textausschnitt eines technischen Handbuchs oder einer relevanten URL einer Webseite. Ziel ist es, eine strukturierte Tabelle mit diesen Abmessungen zu erhalten. Die Ausgabe ist eine Markdown-Tabelle, die leicht lesbar ist.
Ausgabe:
- Markdown
- erfordert Live-Internet
- Felder: {handbook_section_text_or_URL} {component_name} {dimension_headers_list}
- Ideal für: Erstellung von Schnellreferenztabellen mit Standardkomponentenabmessungen aus Referenzmaterialien, nützlich für Entwurf und Zeichnung.
- Extraktion von Informationen
- Maschinenbau
AI Aufforderung an Fehlermodi aus der Forschung extrahieren
- Korrosion, Design für additive Fertigung (DfAM), Design für die Fertigung (DfM), Analyse des Versagens, Fehlermöglichkeits- und Einflussanalyse (FMEA), Wartung, Maschinenbau, Qualitätsmanagement, Risikoanalyse
Diese Eingabeaufforderung dient dazu, den Text einer Forschungsarbeit oder eine öffentlich zugängliche URL einer Forschungsarbeit nach Erwähnungen bestimmter Versagensarten bei mechanischen Komponenten oder Systemen zu durchsuchen. Es werden die identifizierten Ausfallarten und der Kontext oder die Ursachen, die ihnen zugeschrieben werden, aufgelistet. Dies hilft bei der schnellen Erfassung von Informationen über häufige oder neuartige Ausfallmechanismen.
Ausgabe:
- Markdown
- erfordert Live-Internet
- Felder: {Recherche_Quelltext_oder_URL} {komponente_typ} {failure_keywords_list}
- Am besten geeignet für: Sammeln von Wissen über Ausfallmechanismen aus der Fachliteratur, um Informationen über Konstruktion, Materialauswahl oder Wartungsstrategien zu erhalten.
Diskutiert niemand über die mögliche Voreingenommenheit bei der KI-Auswahl für diese Verzeichnisse? KI ist nicht immun gegen Vorurteile, Leute.