会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

智慧冷链产业园综合服务平台建设方案（69页 PPT）

冷链物流是指为保持食品新鲜的品质或其他产品(医药等)的效能以及减少运输损耗,在其加工、贮藏、运输、分销、零售等环节,货物始终 保持一定温度的一种物流运输方式,由预冷处理、冷链加工、冷链储存、冷链运输和配送及冷链销售几方面构成,涉及冷库、冷藏车、保温盒、 冷藏陈列柜等设施。冷链物流行业需要规模化企业的不断投入,通过完整的运输管理信息系统来协调订单处理、运输、配送、承运商管理、运 力管理、返单管理、应收应付管理以及退货管理等业务环节,加强企业的整体联动效应来降低消耗成本,从而形成合理、高效的冷藏链

  • 2024-09-26
  • 阅读208
  • 下载0
  • 69页
  • pptx

智慧冷链物流园解决方案

智慧冷链物流园解决方案，智慧冷链物流园解决方案，智慧冷链物流园解决方案，智慧冷链物流园解决方案，智慧冷链物流园解决方案

  • 2024-09-26
  • 阅读162
  • 下载0
  • 17页
  • pdf

智慧楼宇大数据云平台建设方案（103页）

智慧楼宇大数据云平台建设方案（103页），智慧楼宇大数据云平台建设方案（103页），智慧楼宇大数据云平台建设方案（103页）

  • 2024-09-26
  • 阅读200
  • 下载0
  • 103页
  • pdf

智慧能源云平台解决方案（38页 PPT）

通过运行大数据和节能经验积累，智能化预测用能负荷需求，对能源站设备进行全集成自动化的能源调度、用能管理与能耗控制

  • 2024-09-26
  • 阅读174
  • 下载0
  • 38页
  • pptx

智算中心液冷架构探讨

用于人工智能训练和推理的服务器所使用的加速器和处理器具有很高的热设计功耗 （TDP）1。考虑到散热器尺寸、服务器气流和能效等因素，通过风冷方式对这些芯片 进行冷却变得越来越不切实际，因此不得不转而采用液冷进行冷却。液冷服务器具有诸 多优势，包括能够提升加速器的可靠性和性能、提高能效、减少用水量和降低噪音。2

  • 2025-07-04
  • 阅读625
  • 下载0
  • 13页
  • pdf

【EAAI】基于目标相关变换器网络的面向任务的深度学习框架在工业质量预测中的应用

执行各种生产任务对工业过程的安全运行和高效生产至关重要。其中，关键质量变量的检测任务直接影响工业过程的运行优化和决策，但受到恶劣环境和检测仪器的严重限制。因此，关键质量变量的实时预测任务成为工业过程优化控制的基础。为了解决这个问题，本文提出了一种基于目标相关变换器（TR-Former）网络的面向任务的深度学习框架，用于工业质量预测任务。具体而言，开发了一种新的目标相关自我注意（'TR-sA）机制，通过在任务相关目标变量和其他变量之间添加注意分数来指导特征学习。结果表明，在这种情况下，学习到的特征将与目标变量相关，并可用于质量预测任务。此外，还可以捕获工业过程数据的长期动态，这可以进一步提高模型的预测性能。最后，在两个工业过程上进行了广泛的实验，以验证所提出的方法在质量预测任务方面的优越性。实验结果表明，与传统变压器和其他最先进的方法相比，所提出的TR- Former方法在平均绝对误差指标方面提高了3%至13%。关键词：深度学习、目标相关变换器、质量预测、工业过程

  • 2024-10-09
  • 阅读378

【IEEETASE】基于掩码前层次结构插补框架的工业时间序列停电丢失数据恢复

在工业过程中，频繁的通信故障和信息损坏可能会导致工业过程数据的完整块丢失，也称为停电丢失数据。工业时间序列的不完整数据阻碍了后续建模和控制任务的执行。然而，传统的矩阵分解或监督学习数据插补方法很难应用于恢复停电丢失数据的艰巨任务。输入停电数据的困难源于两个主要因素：输入过程缺乏共同进化变量的参考，停电数据在分布上具有很强的自相关性和漂移性。为了解决这些问题，本文开发了一种基于屏蔽变压器网络（屏蔽变压器）的新型分层插补框架，用于恢复停电数据。首先，创新性地提出了一种具有随机掩码点的重建块策略，以提高模型在不完整数据集的不同工作条件下恢复缺失值的能力。然后，基于所提出的不完整数据集，该方法利用卷积网络的局部特征捕获能力和自关注机制的样本级远程依赖捕获能力，分别完成粗粒度和细粒度缺失数据的插补。最后，进行了扩展实验，以验证所提出的方法在两个真实工业数据集上的优越性能。

  • 2024-10-09
  • 阅读391

【IEEETNNLS】用于工业数据序列建模的分层自关注网络，在输入和输出序列之间具有不同的采样率

对于工业过程，进行数据序列的动态建模对于质量预测具有重要意义。然而，输入和输出序列之间的采样率通常不同。对于最传统的数据序列模型，它们必须仔细选择标记的样本序列来构建动态预测模型，而标记样本之间的大量未标记的输入序列则被直接丢弃。此外，在每个标记步骤的质量预测中，通常没有充分考虑变量和样本的相互作用。为了解决这些问题，我们设计了一个层次化的自我注意网络（HSAN）用于自适应动态建模。在HSAN中，首先为每个标记步骤设计动态数据增广，以包括未标记的输入序列。然后，提出了一个可变水平的自我关注层来学习可变交互和短间隔时间依赖性。之后，进一步开发了一个样本级的自我关注层来模拟长时间间隔的时间依赖关系。最后，构建了一个长短期记忆网络（LSTM）网络来对包含大量相互作用的新序列进行建模，以进行质量预测。在工业加氢裂化过程中的实验表明了HSAN的有效性。关键词：深度学习、分层自关注网络（HSAN）、质量预测、自关注机制、软传感器。

  • 2024-10-09
  • 阅读462