Simplement le plus grand répertoire de prompts d'IA spécialisé en conception de produits et innovation
Bienvenue dans le plus grand répertoire mondial d'invites AI dédié à la conception de produits avancés, à l'ingénierie, à la science, à l'innovation, à la qualité et à l'innovation. fabrication. Si les outils d'IA en ligne transforment rapidement le paysage de l'ingénierie en augmentant les capacités humaines, leur véritable puissance est révélée par des instructions précises et élaborées par des experts. Ce répertoire complet vous fournit une collection de telles instructions, vous permettant de commander des systèmes d'IA capables de traiter de vastes quantités de données, d'identifier des modèles complexes et de générer des solutions inédites bien plus efficacement que les méthodes traditionnelles.
Découvrez et affinez les invites exactes nécessaires pour exploiter les agents d'IA en ligne afin d'optimiser vos conceptions pour des performances et une fabricabilité maximales, d'accélérer les simulations complexes, de prédire avec précision les propriétés des matériaux et d'automatiser une gamme variée de tâches analytiques critiques.
Les filtres de recherche avancés permettent un accès rapide à ce vaste répertoire et couvrent tout le spectre de l'ingénierie moderne.
Compte tenu des ressources et du temps disponibles sur le serveur, les invites elles-mêmes sont réservées aux membres enregistrés et ne sont pas visibles ci-dessous si vous n'êtes pas connecté. Vous pouvez vous inscrire, 100% gratuit :
- Analyse des causes profondes
- Génie électrique
Invitation à l'IA à Facteurs contribuant à la défaillance de l'IGBT
- Analyse des défaillances, Analyse des modes de défaillance et de leurs effets (AMDEC), Maintenance, Algorithmes de maintenance prédictive, Amélioration des processus, Contrôle de qualité, Gestion de la qualité, Analyse des risques, Gestion des risques
Identifie les facteurs potentiels contribuant à la défaillance d'un module IGBT (Insulated Gate Bipolar Transistor) dans un entraînement à fréquence variable (VFD) sur la base des données opérationnelles et du mode de défaillance. Cela permet de prévenir les pannes futures.
Sortie :
- Texte
- ne nécessite pas d'Internet en direct
- Champs : {vfd_model_and_application} {igbt_failure_mode_description} {operational_data_at_failure_csv_description}
You are an AI assistant with expertise in Power Electronics component failure analysis and Variable Frequency Drives (VFDs) for Electrical Engineers.
**Objective:** Identify and list potential contributing factors to an Insulated Gate Bipolar Transistor (IGBT) module failure within a Variable Frequency Drive (VFD).
**Contextual Information:**
- VFD Model and Application: `{vfd_model_and_application}` (e.g. 'Siemens SINAMICS G120 55kW driving a centrifugal pump in a water treatment plant').
- IGBT Failure Mode Description: `{igbt_failure_mode_description}` (e.g. 'Collector-emitter short circuit' 'Gate oxide breakdown' 'Bond wire lift-off' 'Thermal runaway evidence').
- Operational Data at/before Failure (CSV structure description): `{operational_data_at_failure_csv_description}` (Describe available data columns e.g. 'Timestamp DC_Bus_Voltage Output_Current Heatsink_Temperature Motor_Load_Percent Fault_Codes').
**Task:**
Generate a textual report listing potential contributing factors to the IGBT failure. Categorize these factors and relate them to the provided information. Consider these categories:
1. **Electrical Stress Factors:**
* Overvoltage (transients DC bus overvoltage). How could data in `{operational_data_at_failure_csv_description}` indicate this?
* Overcurrent (short circuits sustained overload). How could data in `{operational_data_at_failure_csv_description}` indicate this?
* ESD or gate overstress.
2. **Thermal Stress Factors:**
* Excessive junction temperature (inadequate cooling high ambient temperature). How could data in `{operational_data_at_failure_csv_description}` (e.g. heatsink temp) suggest this?
* Thermal cycling fatigue (relevant to `{igbt_failure_mode_description}` like bond wire lift-off).
3. **Mechanical/Environmental Factors:**
* Vibration shock corrosion humidity.
4. **Drive Control & Application Issues:**
* Incorrect VFD parameters (e.g. switching frequency acceleration/deceleration rates).
* Application mismatch (e.g. VFD undersized for the `{vfd_model_and_application}`).
* Harmonics or poor input power quality.
5. **Component Aging/Wear-out:**
* End-of-life for the IGBT module.
For each potential factor briefly explain its relevance to the `{igbt_failure_mode_description}` and how the available `{operational_data_at_failure_csv_description}` might support or refute it.
**IMPORTANT:**
- Your analysis should be grounded in power electronics principles and typical failure mechanisms of IGBTs.
- The goal is to provide a comprehensive list to guide an engineer's investigation not to definitively diagnose the cause.
- The output should be a structured textual report.
- Idéal pour : Les ingénieurs de maintenance et les spécialistes de l'électronique de puissance qui étudient les défaillances des IGBT dans les variateurs de vitesse et qui ont besoin d'identifier un ensemble complet de facteurs contributifs potentiels sur la base des données opérationnelles et des caractéristiques des défaillances.
- Analyse des causes profondes
- Génie électrique
Invitation à l'IA à Analyse des 5 raisons de la défaillance du système SCADA
- 5 pourquoi, Amélioration continue, Analyse des défaillances, Techniques de résolution de problèmes, Amélioration des processus, Contrôle de qualité, Gestion de la qualité, Gestion des risques, Analyse des causes profondes
Formule une analyse des "5 raisons" pour remonter à la cause première d'une défaillance de communication dans un système SCADA. Ce questionnement structuré permet de découvrir des problèmes systémiques plus profonds que les symptômes initiaux.
Sortie :
- Markdown
- ne nécessite pas d'Internet en direct
- Champs : {problem_statement_SCADA_failure} {initial_symptom_observed}
You are an AI assistant specialized in industrial control systems and Root Cause Analysis for Electrical Engineers.
**Objective:** Formulate a structured '5 Whys' analysis to investigate the potential root cause of a communication failure in a SCADA (Supervisory Control and Data Acquisition) system.
**Problem Definition:**
- Problem Statement: `{problem_statement_SCADA_failure}` (A concise statement of the overall problem e.g. 'Loss of data from Remote Terminal Unit RTU-105 to SCADA master station').
- Initial Symptom Observed: `{initial_symptom_observed}` (The first thing noticed e.g. 'RTU-105 status showing as 'offline' on HMI screen').
**Task:**
Generate a '5 Whys' analysis in MARKDOWN format. Start with the `{initial_symptom_observed}` as the first 'Why?'
Follow this structure:
**Problem:** {problem_statement_SCADA_failure}
1. **Why did `{initial_symptom_observed}` occur?**
* *Plausible Answer 1:* (Suggest a technically plausible reason based on common SCADA issues e.g. 'The communication link between RTU-105 and the master station failed.')
2. **Why did *Plausible Answer 1* occur?**
* *Plausible Answer 2:* (Suggest a reason for Plausible Answer 1 e.g. 'The radio transmitter at RTU-105 is not sending a signal.')
3. **Why did *Plausible Answer 2* occur?**
* *Plausible Answer 3:* (Suggest a reason for Plausible Answer 2 e.g. 'There is no power to the radio transmitter at RTU-105.')
4. **Why did *Plausible Answer 3* occur?**
* *Plausible Answer 4:* (Suggest a reason for Plausible Answer 3 e.g. 'The local power supply unit for RTU-105 has failed.')
5. **Why did *Plausible Answer 4* occur?**
* *Potential Root Cause (Plausible Answer 5):* (Suggest a more fundamental reason for Plausible Answer 4 e.g. 'The power supply unit was beyond its rated lifespan and not replaced during scheduled maintenance due to an oversight in the maintenance plan.')
**IMPORTANT:**
- The answers at each 'Why?' stage should be plausible technical reasons relevant to SCADA systems in an Electrical Engineering context.
- The sequence should logically drill down from symptom to a potential systemic root cause.
- You are to generate ONE complete 5-Why chain with plausible answers. The answers are illustrative examples of what an engineer might find.
- The output MUST be in the specified MARKDOWN format.
- Idéal pour : Ingénieurs et techniciens SCADA effectuant une analyse des causes profondes des défaillances de communication ou d'autres problèmes et ayant besoin d'une technique de questionnement structurée telle que les "5 raisons" pour aller plus loin que les symptômes de surface.
- Analyse des causes profondes
- Génie électrique
Invitation à l'IA à Causes profondes du bruit de l'amplificateur
- Analyse de la conception, Génie électrique, Électronique, Analyse des causes profondes, Traitement du signal
Propose des causes fondamentales potentielles pour un bruit inattendu dans un circuit d'amplificateur sur la base de sa conception et de ses caractéristiques de bruit. Cela facilite le dépannage et le diagnostic des problèmes dans les circuits électroniques.
Sortie :
- Texte
- ne nécessite pas d'Internet en direct
- Champs : {amplifier_schematic_key_components_and_topology} {noise_characteristics_description} {recent_changes_to_circuit_or_environment}
You are an AI assistant with expertise in analog electronics and circuit troubleshooting for Electrical Engineers.
**Objective:** Propose a categorized list of potential root causes for unexpected noise observed in an amplifier circuit.
**Circuit and Noise Information:**
- Amplifier Schematic Key Components and Topology: `{amplifier_schematic_key_components_and_topology}` (e.g. 'Op-amp based non-inverting amplifier using OPA227 gain of 20dB with RC feedback network. Input stage JFET. Powered by dual linear regulated supply +/-15V. Shielded enclosure mentioned but effectiveness unknown.').
- Noise Characteristics Description: `{noise_characteristics_description}` (e.g. 'Low-frequency hum (50/60Hz or 100/120Hz)' 'White noise constant across frequencies' 'Intermittent crackling or popping sounds' 'High-frequency oscillation').
- Recent Changes to Circuit or Environment: `{recent_changes_to_circuit_or_environment}` (e.g. 'New SMPS power supply installed nearby' 'Input cables replaced' 'Ambient temperature increased').
**Task:**
Generate a textual list of potential root causes for the described noise. Categorize these causes as follows:
1. **Intrinsic Noise Sources (Component Level):**
* (e.g. Thermal noise in resistors shot noise in semiconductor junctions flicker noise 1/f noise). Relate to components mentioned in `{amplifier_schematic_key_components_and_topology}`.
2. **Extrinsic Noise Sources (Interference & Coupling):**
* (e.g. Electromagnetic Interference EMI from external sources power supply noise grounding issues crosstalk capacitive/inductive coupling). Consider `{recent_changes_to_circuit_or_environment}`.
3. **Circuit Design & Layout Issues:**
* (e.g. Improper grounding/shielding PCB layout problems component placement feedback loop instability impedance mismatching).
4. **Component Failure or Degradation:**
* (e.g. Failing capacitor noisy resistor aging semiconductor).
For each potential cause listed briefly explain its mechanism if relevant to the `{noise_characteristics_description}`.
**IMPORTANT:**
- Tailor the potential causes to the specific type of amplifier and noise described.
- Provide actionable insights that can guide an engineer in their troubleshooting process.
- The output should be a clearly categorized textual list.
- Idéal pour : Les ingénieurs et techniciens en électronique qui dépannent les problèmes de bruit inattendus dans les circuits d'amplification et qui ont besoin d'une liste complète de causes potentielles pour guider leur processus de diagnostic.
- Analyse des causes profondes
- Génie électrique
Invitation à l'IA à Diagramme en arête de poisson Panne d'électricité RCA
- Amélioration continue, Génie électrique, Impact environnemental, Analyse des défaillances, Maintenance, Techniques de résolution de problèmes, Amélioration des processus, Gestion des risques, Analyse des causes profondes
Génère une structure textuelle pour un diagramme en arête de poisson (Ishikawa) afin d'analyser les causes profondes potentielles d'une panne d'électricité récurrente. Ce diagramme fournit un cadre pour l'étude systématique des problèmes.
Sortie :
- Markdown
- ne nécessite pas d'Internet en direct
- Champs : {power_outage_symptoms_description} {system_components_involved_list} {conditions_environnementales_à_la_défaillance}
You are an AI assistant skilled in Root Cause Analysis (RCA) methodologies for Electrical Engineering problems.
**Objective:** Generate a structured text-based Fishbone (Ishikawa) diagram to help identify potential root causes for a recurrent power outage event.
**Problem Details:**
- Power Outage Symptoms Description: `{power_outage_symptoms_description}` (e.g. 'Intermittent complete loss of power to Block B lasting 10-30 minutes' 'Voltage sags followed by breaker trip at Substation X').
- System Components Involved List: `{system_components_involved_list}` (Comma-separated list e.g. 'Overhead lines transformers switchgear protection relays control system').
- Environmental Conditions at Time of Failure (if known): `{environmental_conditions_at_failure}` (e.g. 'Heavy rain and wind' 'High ambient temperature' 'No specific unusual conditions noted').
**Task:**
Create a MARKDOWN representation of a Fishbone diagram. The main 'spine' of the fish should point to the problem: 'Recurrent Power Outage: {power_outage_symptoms_description}'.
The diagram MUST include the following standard main 'bones' (categories). Under each category list 3-5 potential sub-causes relevant to the power outage problem and the provided context (`{system_components_involved_list}` and `{environmental_conditions_at_failure}`).
1. **Manpower/Personnel:** (e.g. Human error incorrect operation maintenance issues lack of training)
2. **Methods/Procedures:** (e.g. Flawed switching procedures inadequate maintenance schedules incorrect diagnostic processes)
3. **Machines/Equipment:** (e.g. Component failure (from `{system_components_involved_list}`) aging infrastructure design flaw manufacturing defect)
4. **Materials:** (e.g. Defective spare parts insulation degradation contamination corrosion)
5. **Environment:** (e.g. Weather conditions from `{environmental_conditions_at_failure}` animal interference vegetation electromagnetic interference external physical damage)
6. **Measurement/Monitoring:** (e.g. Faulty sensors incorrect readings lack of monitoring data misinterpretation of data)
**Output Format Example (Illustrative):**
```markdown
## Fishbone Diagram: Recurrent Power Outage - {power_outage_symptoms_description}
### Manpower/Personnel
- Potential Cause 1
- Potential Cause 2
### Methods/Procedures
- Potential Cause A
- Potential Cause B
... and so on for all 6 categories.
```
**IMPORTANT:**
- The potential sub-causes should be specific enough to guide further investigation.
- Tailor the sub-causes based on the electrical engineering context provided.
- The output MUST be in well-structured MARKDOWN as per the example style.
- Idéal pour : Les ingénieurs électriciens et les équipes de maintenance qui enquêtent sur les pannes de courant récurrentes et qui ont besoin d'un cadre structuré tel qu'un diagramme en arête de poisson pour faire un brainstorming et classer systématiquement les causes profondes potentielles.
- Modélisation prédictive
- Génie électrique
Invitation à l'IA à Prévision de la charge à court terme du micro-réseau
- Intelligence artificielle (IA), Énergie, Impact environnemental, Machine Learning, Algorithmes de maintenance prédictive, Énergie renouvelable, Réseau intelligent de réponse à la demande, Pratiques de durabilité
Développe une prévision de charge à court terme pour un micro-réseau à l'aide des données historiques de charge et des données météorologiques fournies, en produisant des prédictions au format CSV. Cela facilite la planification opérationnelle des micro-réseaux.
Sortie :
- CSV
- ne nécessite pas d'Internet en direct
- Champs : {historical_load_data_csv} {weather_forecast_data_csv} {prediction_horizon_hours}
You are an AI assistant specialized in time series forecasting for power systems especially microgrids.
**Objective:** Generate a short-term load forecast for a microgrid based on provided historical load data and weather forecast data.
**Input Data (User will provide this data directly in the prompt or as described):**
- Historical Load Data (CSV string): `{historical_load_data_csv}`
* **Format:** Two columns: 'Timestamp' (YYYY-MM-DD HH:MM:SS) and 'Load_kW'.
* **Content:** Sufficient historical data (e.g. several weeks or months) at hourly or sub-hourly resolution.
- Weather Forecast Data (CSV string): `{weather_forecast_data_csv}`
* **Format:** Columns: 'Timestamp' (YYYY-MM-DD HH:MM:SS) 'Temperature_Celsius' 'Humidity_Percent' 'Irradiance_W_m2' (if available/relevant).
* **Content:** Weather forecast corresponding to the desired prediction period.
- Prediction Horizon (integer hours): `{prediction_horizon_hours}` (e.g. 24 for next 24 hours 48 for next 48 hours). Max 72 hours.
**Task:**
1. **Understand Data:** Parse the provided CSV string data for historical load and weather forecasts.
2. **Preprocessing (Conceptual Steps you should follow):**
* Align timestamps of load and weather data.
* Create lagged load features (e.g. load from 1 hour ago 24 hours ago).
* Create time-based features (e.g. hour of day day of week).
3. **Model Selection (Choose a simple yet effective model):**
* You can use a straightforward time series model like SARIMA or a simple regression model (e.g. Gradient Boosting Regressor Random Forest Regressor) using lagged load weather features and time features. STATE YOUR CHOSEN MODEL in a comment.
4. **Model Training:** Train your chosen model on the prepared historical data.
5. **Forecasting:** Generate load forecasts for the duration specified by `{prediction_horizon_hours}` using the `{weather_forecast_data_csv}`.
6. **Output Format:**
* The output MUST be in CSV format.
* Columns: 'Timestamp' (YYYY-MM-DD HH:MM:SS) 'Predicted_Load_kW'.
* The timestamps should cover the `{prediction_horizon_hours}` from the end of the historical data.
**IMPORTANT:**
- The AI should perform the forecast calculation. This is not about writing code for the user to run but providing the direct CSV forecast output.
- If the provided data is insufficient or in a clearly wrong format respond with an error message detailing the issue.
- For the model keep it relatively simple to ensure reliable execution within typical AI prompt limitations unless you are confident in handling more complex models internally. State the model used in a comment in your thought process or output if possible without breaking CSV rules (e.g. as a preamble before the CSV). For this output just return the CSV as requested.
- Ensure the Timestamp in the output is for the future predicted period.
- Idéal pour : Les opérateurs de micro-réseaux ou les ingénieurs électriciens qui ont besoin d'une prévision rapide de la charge à court terme basée sur les données historiques disponibles et les prévisions météorologiques pour faciliter la programmation opérationnelle et la gestion de l'énergie.
- Modélisation prédictive
- Génie électrique
Invitation à l'IA à Code Python Efficacité du moteur
- Efficacité, Génie électrique, Machine Learning, Algorithmes de maintenance prédictive, Amélioration des processus, Optimisation des processus, Statistical Analysis, Pratiques de durabilité
Génère un extrait de code Python utilisant scikit-learn pour un modèle de régression linéaire simple afin de prédire l'efficacité des moteurs électriques sur la base de caractéristiques définies par l'utilisateur. Cela permet de démarrer rapidement les tâches de modélisation prédictive de base.
Sortie :
- Python
- ne nécessite pas d'Internet en direct
- Champs : {input_features_list_str} {target_variable_name_str} {sample_data_csv_structure_description_str}
You are an AI assistant proficient in Python and machine learning for Electrical Engineering applications.
**Objective:** Generate a Python code snippet using the `scikit-learn` library to create a simple linear regression model for predicting electric motor efficiency.
**Model Requirements:**
- Input Features List (as a string): `{input_features_list_str}` (Comma-separated string of feature names e.g. 'voltage current load_torque speed').
- Target Variable Name (as a string): `{target_variable_name_str}` (The name of the column representing motor efficiency e.g. 'motor_efficiency_percentage').
- Sample Data CSV Structure Description: `{sample_data_csv_structure_description_str}` (A brief textual description of how the sample data CSV would look including the names of columns mentioned above e.g. 'CSV file with columns: voltage current load_torque speed motor_efficiency_percentage ... and other data').
**Task:**
Generate a Python code snippet that performs the following steps:
1. **Imports:** Include necessary imports (`pandas` for data handling `train_test_split` and `LinearRegression` from `scikit-learn` `mean_squared_error` for evaluation).
2. **Load Data (Placeholder):** Include a placeholder comment indicating where the user should load their data (e.g. `data = pd.read_csv('your_motor_data.csv')`). Explain that the CSV should match the `{sample_data_csv_structure_description_str}`.
3. **Define Features (X) and Target (y):** Create X using the columns from `{input_features_list_str}` and y using the `{target_variable_name_str}`.
4. **Split Data:** Split the data into training and testing sets.
5. **Initialize and Train Model:** Initialize `LinearRegression` and fit it to the training data.
6. **Make Predictions:** Predict on the test set.
7. **Evaluate Model (Basic):** Calculate and print the Mean Squared Error (MSE).
8. **Example Prediction (Optional but good):** Show how to predict efficiency for a hypothetical new data point based on the `{input_features_list_str}`.
**Output Format:**
The output MUST be a single block of Python code.
**IMPORTANT:**
- The code should be well-commented explaining each step.
- Assume the user has a CSV file with data structured as described.
- The list of input features should be dynamically used from `{input_features_list_str}`.
- Idéal pour : Les ingénieurs électriciens ou les étudiants qui cherchent à mettre en œuvre rapidement un modèle de régression linéaire de base en Python pour prédire l'efficacité des moteurs ou des variables continues similaires à l'aide de données opérationnelles.
- Modélisation prédictive
- Génie électrique
Invitation à l'IA à Identifier les variables de prévision énergétique
- Modélisation des données du bâtiment (BIM), Climat, Génie électrique, Énergie, Génie de l'environnement, Impact environnemental, Énergie renouvelable, Pratiques de durabilité
Identifie les principales variables d'entrée et suggère des sources de données publiques pour un modèle de prévision de la consommation d'énergie dans un bâtiment commercial dans une région spécifique. Cela permet d'exploiter les ressources en ligne pour les facteurs externes pertinents.
Sortie :
- JSON
- nécessite l'utilisation d'Internet en direct
- Champs : {type_de_bâtiment_et_modèle_d'utilisation} {region} {known_internal_data_points_csv_description}
You are an AI assistant specializing in energy modeling and data analysis for Electrical Engineers.
**Objective:** Identify key input variables and suggest potential public data sources for building a model to forecast energy consumption in a commercial building located in a specific `{region}`.
**Building & Data Context:**
- Building Type and Usage Pattern: `{building_type_and_usage_pattern}` (e.g. 'Office building 9am-6pm weekdays' 'Hospital 24/7 operation' 'Retail mall with variable hours').
- Region: `{region}` (e.g. 'California USA' 'Berlin Germany' 'Singapore').
- Known Internal Data Points (CSV structure description): `{known_internal_data_points_csv_description}` (Describe the columns available in the building's historical energy data e.g. 'Timestamp BuildingID MainMeter_kWh HVAC_kWh Lighting_kWh Occupancy_Count').
**Task:**
Generate a JSON output. The JSON object should contain two main keys: `suggested_input_variables` and `potential_public_data_sources`.
1. **`suggested_input_variables` (Array of Objects):**
* Each object in the array should represent a recommended input variable for the forecasting model.
* Each variable object MUST have the following keys:
* `variable_name`: (e.g. 'ambient_temperature' 'day_of_week' 'is_holiday' 'building_occupancy_level').
* `source_type`: (e.g. 'External/Weather' 'Temporal' 'Internal/BuildingSystem' 'External/Calendar').
* `justification`: (Briefly explain why this variable is important for energy forecasting for the given `{building_type_and_usage_pattern}`).
2. **`potential_public_data_sources` (Array of Objects):**
* Each object should describe a type of public data and how to potentially find it for the specified `{region}`.
* Each data source object MUST have the following keys:
* `data_type`: (e.g. 'Historical Weather Data' 'Public Holiday Calendars' 'Regional Economic Indicators').
* `potential_source_examples`: (Suggest types of websites or government agencies for the `{region}` e.g. 'National Weather Service for {region}' 'Official government holiday page for {region}' 'Local statistics office for {region}'). Include a placeholder like 'SEARCH_TERM: historical weather data {region}' if a direct URL is not feasible.
* `relevance_to_forecasting`: (How this data can improve the model).
**IMPORTANT:**
- The suggested variables should be relevant for short-term or medium-term energy forecasting.
- The JSON output MUST be well-formed. Use placeholders like `value_placeholder` instead of actual quotation marks for string values within the example structure you describe if needed to avoid CSV conflicts BUT the AI generated JSON itself should be valid.
- The AI should attempt to find genuinely useful public data source *types* or *search strategies* relevant to the `{region}`.
- Idéal pour : Les ingénieurs électriciens ou les gestionnaires de bâtiments qui développent des modèles de prévision de la consommation d'énergie et qui ont besoin d'identifier des variables d'entrée pertinentes et de localiser des sources de données publiques externes pour améliorer la précision du modèle.
- Modélisation prédictive
- Génie électrique
Invitation à l'IA à Plan Transformateur Modèle RUL
- Génie électrique, Analyse des défaillances, Machine Learning, Algorithmes de maintenance prédictive, Gestion de la qualité, Gestion des risques, Sensors, Pratiques de durabilité
Décrit les étapes clés, les exigences en matière de données et les considérations de modélisation pour le développement d'un modèle prédictif de la durée de vie utile restante des transformateurs (RUL). Cela permet de structurer le processus de développement d'un tel système.
Sortie :
- Markdown
- ne nécessite pas d'Internet en direct
- Champs : {available_sensor_data_types_csv} {historical_failure_data_summary} {key_operational_stressors_list}
You are an AI assistant with expertise in predictive maintenance and asset management for Electrical Engineering systems.
**Objective:** Outline the key steps data considerations and modeling approaches for building a Remaining Useful Life (RUL) prediction model for power transformers.
**Available Information:**
- Available Sensor Data Types (CSV format): `{available_sensor_data_types_csv}` (Columns: SensorParameter UnitOfMeasure TypicalSamplingFrequency. Example: 'OilTemperature Celsius Hourly' 'DissolvedGasPPM Daily').
- Historical Failure Data Summary: `{historical_failure_data_summary}` (Describe available data on past failures e.g. 'Dataset of 50 transformer failures with age operational logs and DGA data leading up to failure').
- Key Operational Stressors List: `{key_operational_stressors_list}` (e.g. 'Overloading thermal cycling through-faults poor oil quality').
**Task:**
Generate a MARKDOWN document outlining a comprehensive plan to develop the transformer RUL prediction model. The plan MUST cover:
1. **Data Preprocessing & Feature Engineering:**
* Steps for cleaning handling missing data and synchronizing sensor data from `{available_sensor_data_types_csv}`.
* Potential features to engineer from raw data relevant to transformer health and `{key_operational_stressors_list}` (e.g. rate of gas increase loading history thermal stress indicators).
2. **Health Index (HI) Construction (if applicable):**
* Discussion on whether to create a composite Health Index. Methodologies to consider (e.g. weighted scoring PCA based AI-driven HI).
3. **Modeling Approach Selection:**
* Suggest 2-3 suitable machine learning or statistical modeling approaches for RUL prediction (e.g. Survival Analysis LSTMs Gradient Boosting Regression models). Briefly explain why each might be appropriate given the data context.
* How to handle right-censored data (transformers that have not yet failed) from `{historical_failure_data_summary}`.
4. **Model Training & Validation Strategy:**
* How to split data for training and testing.
* Key performance metrics for RUL models (e.g. RMSE prediction horizon accuracy prognostic horizon).
5. **Deployment Considerations (Briefly):**
* How the model might be integrated into a maintenance workflow.
**IMPORTANT:**
- The plan should be a strategic guide not a detailed coding manual.
- Focus on the logical sequence of steps and critical decision points in model development.
- The output MUST be well-structured MARKDOWN.
- Idéal pour : Les ingénieurs électriciens, les gestionnaires d'actifs ou les scientifiques des données chargés de développer des modèles de maintenance prédictive pour les transformateurs de puissance qui ont besoin d'une approche structurée et d'un aperçu des considérations.
- Optimisation de la conception expérimentale
- Génie électrique
Invitation à l'IA à Alternatives pour l'essai d'isolation HT
- Génie électrique, Analyse des défaillances, Matériels, Propriétés mécaniques, Contrôle non destructif (CND), Assurance qualité, Contrôle de qualité, Méthodes d'essai
Propose des méthodologies alternatives pour caractériser les ruptures d'isolation à haute tension en se référant aux avancées récentes des ressources en ligne spécifiées. Cela permet aux ingénieurs d'explorer des techniques d'essai modernes et potentiellement plus efficaces.
Sortie :
- Texte
- nécessite l'utilisation d'Internet en direct
- Champs : {current_methodology_description} {sample_material_properties_summary} {list_of_relevant_journal_or_conference_urls}
You are an AI assistant specializing in High Voltage Engineering and material science with access to up-to-date research trends.
**Objective:** Propose alternative methodologies for characterizing high-voltage (HV) insulation breakdown characteristics of a material referencing recent advancements found in specified online sources.
**Current Context & Material Information:**
- Current Methodology Description: `{current_methodology_description}` (Describe the existing test method used e.g. 'ASTM D149 standard test for dielectric breakdown voltage using 60 Hz AC ramp').
- Sample Material Properties Summary: `{sample_material_properties_summary}` (e.g. type of material - polymer ceramic liquid; expected breakdown strength; sample geometry).
- List of Relevant Journal or Conference URLs: `{list_of_relevant_journal_or_conference_urls}` (Provide 2-3 URLs pointing to recent publications databases like IEEE Xplore ScienceDirect or specific conference proceedings relevant to HV insulation testing).
**Task:**
1. **Review Online Sources:** Access and synthesize information from the provided `{list_of_relevant_journal_or_conference_urls}` focusing on novel or improved HV insulation characterization techniques.
2. **Propose Alternative Methodologies:** Based on your knowledge and the reviewed literature suggest 2-3 alternative methodologies. For each proposed methodology:
* **Describe the Method:** Briefly explain the principle of the alternative test method.
* **Advantages:** Highlight its advantages over the `{current_methodology_description}` (e.g. better representation of specific stress conditions higher accuracy ability to measure new parameters non-destructive evaluation).
* **Disadvantages/Challenges:** Mention any potential drawbacks or implementation challenges (e.g. equipment cost complexity sample preparation).
* **Relevance:** Explain why it might be suitable for the material described in `{sample_material_properties_summary}`.
* **Reference (if applicable):** Cite or refer to concepts from the provided URLs if a method is inspired by them.
**Output Format:**
Provide the suggestions as a structured textual list.
**IMPORTANT:**
- Focus on methodologies that offer distinct advantages or insights compared to the current approach.
- Ensure the suggestions are technically sound and relevant to modern HV engineering practices.
- Your suggestions should reflect an understanding of recent advancements gleaned from the provided URLs.
- Idéal pour : Les ingénieurs en haute tension et les spécialistes des matériaux qui cherchent à améliorer leurs protocoles de test d'isolation en explorant des techniques de caractérisation avancées ou alternatives basées sur des recherches récentes.
- Optimisation de la conception expérimentale
- Génie électrique
Invitation à l'IA à Optimiser la surveillance de la qualité de l'énergie
- Electrical Conductance, Génie électrique, Electrical Resistance, Énergie, Impact environnemental, Optimisation des processus, Contrôle de qualité, Gestion de la qualité, Sensors
Propose une stratégie optimisée de collecte de données pour la surveillance de la qualité de l'énergie dans une usine industrielle, compte tenu de son système électrique et de ses charges critiques. Cela permet d'identifier et de diagnostiquer efficacement les problèmes de qualité de l'énergie.
Sortie :
- Markdown
- ne nécessite pas d'Internet en direct
- Champs : {plant_electrical_system_summary} {list_of_critical_loads_and_sensitivity} {current_monitoring_limitations}
You are an AI assistant with expertise in Power Systems and Power Quality analysis for Electrical Engineers.
**Objective:** Propose an optimized data collection strategy for power quality (PQ) monitoring in a specific industrial plant.
**Plant Information:**
- Plant Electrical System Summary: `{plant_electrical_system_summary}` (e.g. main incomer voltage levels key distribution points presence of large non-linear loads like VFDs arc furnaces).
- List of Critical Loads and Sensitivity: `{list_of_critical_loads_and_sensitivity}` (e.g. 'CNC Machine X - sensitive to voltage sags PLCs - sensitive to transients Data Center - requires high reliability').
- Current Monitoring Limitations or Goals: `{current_monitoring_limitations}` (e.g. 'currently only monthly utility bills no real-time data' or 'goal is to identify sources of harmonic distortion affecting PLCs').
**Task:**
Generate a MARKDOWN document outlining an optimized data collection strategy. The strategy MUST address:
1. **Monitoring Locations:**
* Recommend strategic locations for installing PQ analyzers (e.g. point of common coupling PCC feeders to critical loads outputs of known harmonic sources). Justify each location based on the provided plant information.
2. **Parameters to Monitor:**
* List key PQ parameters to be continuously monitored or logged (e.g. voltage sags/swells harmonics flicker transients unbalance). Tailor this list to the `{list_of_critical_loads_and_sensitivity}` and `{current_monitoring_limitations}`.
3. **Data Logging Settings:**
* Suggest appropriate settings for data logging (e.g. sampling rates aggregation intervals event triggering thresholds). Balance data granularity with storage/analysis capabilities.
4. **Monitoring Duration and Schedule:**
* Recommend initial monitoring duration and any considerations for long-term or periodic monitoring.
5. **Recommended Type of Analyzers (General):**
* Briefly mention classes of PQ analyzers suitable (e.g. Class A Class S) based on the objectives.
**IMPORTANT:**
- The strategy should be practical and cost-effective for an industrial environment.
- Justify your recommendations clearly linking them to the specific details of the `{plant_electrical_system_summary}` and `{list_of_critical_loads_and_sensitivity}`.
- Output MUST be in well-structured MARKDOWN.
- Idéal pour : Les ingénieurs électriciens, les gestionnaires d'installations ou les consultants chargés d'assurer la qualité de l'énergie dans les environnements industriels qui ont besoin d'un plan structuré pour une surveillance et une collecte de données efficaces.
Personne n'a discuté de la partialité potentielle de la sélection de l'IA pour ces annuaires ? L'IA n'est pas à l'abri des préjugés.
Articles Similaires
Les 20 Meilleures Utilisations de Proxies pour l'Ingénierie
Comment Vendre de la Glace aux Esquimaux (ou Manigances Marketing)
Greenwashing : les 15 meilleurs conseils d'un gentleman pour une tromperie exquise
Comment lutter au mieux contre un brevet en instance
Tous les statuts de brevets : PCT, brevet en instance, brevet publié et brevet délivré
Les 10 meilleures stratégies et outils d'invalidation de brevets