2020年09月21日,国务院国资委正式印发《关于加快推进国有企业数字化转型工作的通知》,系统明确国有企业数字化转型的基础、方向、重点和举措,开启了国有企业数字化转型的新篇章,积极引导国有企业在数字经济时代准确识变、科学应变、主动求变,加快改造提升传统动能、培育发展新动能。
在最近的几年中,人工智能随着神经网络的突破,得到了巨大的发展,特别在图像、分析、推荐等领域。在人工智能快速发展的同时,计算规模不断扩大、专家系统过于单一、神经网络模型的灵活性、应用领域的复杂行等问题,也在不断升级。在这样的环境下,分布式人工智能的发展被研究机构和大型企业提上日程。分布式人工智能,可以解决集中化人工智能的几个主要问题:? 规模化的计算问题。? 计算模型的拆分训练。? 多智能专家系统的协作。? 多智能体博弈和训练演化,解决数据集不足的问题。? 群体智能决策和智能系统决策树的组织,适应复杂的应用场景,比如工业、生物、航天等领域。? 适应物联网和小型智能设备,联合更多的计算设备和单元。
计算机视觉应用深度学习堪称突破的成功点是 2012 年 ImageNet 比赛,采用的模型是 CNN,而不是 Hinton 搞的RBM 和 DBN 之类,就是 Hinton 学生做出来以他命名的 AlexNet。图像数据的特征设计,即特征描述,一直是计算机视觉头痛的问题,在深度学习突破之前10多年,最成功的图像特征设计 (hand crafted feature)是SIFT,还有著名的Bag of visual words,一种VQ方法。
到目前为止,我们使用的大多数技术都要求我们通过其特征手动分割图像。但是我们实际上可以使用无监督的聚类算法为我们完成此任务。在本文中,我们将讨论如何做到这一点。
从自动驾驶汽车、预测分析应用程序、人脸识别,到聊天机器人、虚拟助手、认知自动化和欺诈检测,人工智能的用例很多。然而,不管 AI 的应用如何,所有这些应用都是有共性的。他们基本上属于七个常见模式中的一个或多个。这七个模式是:超个性化、自主系统、预测分析和决策支持、会话/人机交互、模式和异常、识别系统和目标驱动系统。
为落实《关于积极推进"互联网+"行动的指导意见》,加快人工智能产业发展,日前,国家发改委,科技部,工业和信息化部,中央网信办制定了《"互联网+"人工智能三年行动实施方案》
数控机床是现代工业生产的重要基础设备之一,被广泛应用于机械制造、航空航天、国防建设等领域,影响一个国家的经济水平和综合国力。数控机床故障的发生,不仅直接造成经济损失,更带来安全隐患。数控机床故障诊断技术是一门专门解决数控机床故障问题的综合性应用技术,它使用测试技术、信号分析、数据处理技术、计算机技术来及时发现甚至提前预知数控机床故障。本文使用朴素贝叶斯分类法进行故障识别,基于Python语言和WebSocket技术实现了数控机床远程实时故障诊断系统。故障诊断算法方面以滚动轴承正常和故障信号数据为例,使用零均值化和小波包滤波对信号进行预处理,然后使用时域分析、频域分析和连续小波变换提取信号特征,最后使用朴素贝叶斯分类法实现故障识别。使用Python语言及相关科学计算工具包进行编程实现。根据数控机床中需要被监控的机械部件,选择合适的传感器和数据采集设备,建立数据采集系统,构成实现数控机床故障诊断系统的硬件基础。软件系统分为采集端、服务端和用户端,由于Python几乎可以实现任何程序的编写,并且扩展性极强和其在科学计算方面的优势,使用Python语言实现整个软件系统的大部分功能,在数据采集方面,不能由Python完成的地方使用VC++2010对Python进行扩展。采集端和服务端使用C/S结构,通过TCP通信进行数据交互。采集到的原始数据存储在MAT文件中,其他数据使用MariaDB数据库进行存储。用户端和服务端使用B/S结构,使用Tornado框架实现Web服务器和Web站点,用户通过Web浏览器访问系统。Web站点前端使用HTML5规范的WebSocket实现实时的大量数据传输,并且使用VSG、Bootstrap、JQuery和Echarts前端框架和插件,实现了较友好的人机交互界面。
数字化转型知识方法系列之五:数字化转型战略一、数字化转型是信息时代企业级核心战略 新一轮科技革命和产业变革迅猛发展,企业发展环境日益复杂多变,机遇挑战并存。全球经济从增量发展转向存量竞争,资源环境刚性约束日益增强,企业仍面临多重不确定,我国产业发展亟需开辟价值创造新空间、由价值链低端向中高端跃升。深入推进信息技术和实体经济深度融合,推动产业组织逻辑和体系变革,全面提升企业可持续发展能力,以数字化转型化解不确定性,是当前战略转型核心。
没有账户,需要注册
语言模型、视觉模型、语音模型、视频模型、时序模型,分别对应文字、图像、声音、视频、连续传感器数值,通用大模型,垂类大模型,AI
时序大模型是面向时间序列数据的基础大模型,以 Transformer 等架构为核心,通过在海量多领域时序数据上进行预训练,学习时间维度上的通用模式、周期规律与长距离依赖关系。区别于传统时序模型针对单一任务单独训练,时序大模型具备强大的迁移能力,只需少量样本微调或零样本提示,即可适配时序预测、异常检测、缺失值补全、时序分类等下游任务。在工业场景中,它能够直接处理传感器、设备测点产生的海量时序信号,挖掘设备状态演变规律,支撑设备故障预警、工况识别与生产趋势预判,为工业智能落地提供底层模型能力。如:中服云的CServerAIR
2025年,全球人工智能市场规模达到3909亿美元,中国人工智能核心产业规模突破9000亿元。AIAgent细分市场以49.6%的年复合增长率高速扩张,制造业应用大模型的企业比例在一年之内从9.6%跃升至47.5%。从2024年初,中国日均词元(Token)调用量为1000亿;至2025年底,跃升至100万亿;2026年3月,已突破140万亿,两年增长超千倍。这些数字背后,是一场深刻变革的加速到来-人工智能正在从"能力突破"走向“系统重构”。
中服云能碳管理系统依托中服云工业物联网底座打造,聚焦工业企业能耗管控与碳资产管理需求。 系统整合水、电、气、热等多类能源数据,实现用能实时采集、集中监测、智能分析。 依托数字化手段精准核算碳排放总量,助力企业摸清碳排底数、合规完成台账管理。 通过节能诊断、能耗优化策略推送,有效降低生产能耗与运营成本。 全方位赋能企业绿色低碳转型,筑牢安全生产与节能减排双重发展防线。
超硬材料制品是典型的“材料—工具”型制造:金刚石刀头、锯片、工程钻、磨轮,最终用在石材与建材加工、路面与混凝土切割、玻璃与陶瓷、半导体与蓝宝石加工。产品小批量、多品种,工艺链却很长。 这条工艺链把同一道围墙切成几段:压制、烧结、焊接、磨削与检测分散在不同厂房,一段停摆,整批报废。以下痛点与解法取自一座已投运的园区平台,数据为界面实测值,企业名称脱敏。
印刷机械是装备制造中比较典型的一类产品:单机价值高、定制化程度高、客户分散在全国各地的包装与印刷车间,一台凹版印刷机开机就是十几年。设备卖出去了,服务却要跟十几年——这是行业共同的结构性难题,也是工业物联网在装备制造领域最容易见效的地方。 本文以一个真实的落地样本为观察对象:一家印刷机械制造企业把 178 台在役设备接进了自己的远程运维系统,系统的底座选用中服云工业物联网平台的设备版。下文按“行业之困、平台解法、落地成效、可复制经验”四步展开。
石油和天然气开采业的生产对象在地下,管理的关键环节在地面。从井口到计量间,从转油站、联合站到外输与处理装置,油气田用“井—站—管网”的骨架把分散的资源汇集起来,联合站是这条骨架上设备最密集、工艺最连续、安全要求最高的节点。 这类站场大多已经上了SCADA,数据并不缺。问题在于数据上来之后,新的麻烦更清楚了:设备家底说不清,画面说不清位置,报警说不清先后。本文按“痛点—解决方案—成效”的顺序,说明中服云物联网平台与数字孪生平台如何分工配合,逐条解决这些问题。
油气田的地面作业现场有一个共同特征:设备搬着走、电源跟着换、负荷忽高忽低。钻修井井场靠网电、柴油发电机组、储能、光伏凑出一套临时电力系统;压裂井场更极端,几十台电驱压裂泵并联运行,瞬时功率爬升快,砂罐、混砂、供液、仪表车密集停放,作业段集中、单段时长以小时计。 这两类现场的管理难题是同一类:能耗与碳排放算不清、设备状态看不见、峰值容量报不准、多能协同靠经验。中服云用同一套工业物联网平台加数字孪生平台,把这两类现场做成了可以被“看懂、算清、考核”的对象。本文以已投运的钻修井现场为实测样本,说明平台在野外作业领域的典型应用,并给出向压裂井场复制的路径。
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
方案库赚钱指南