【精益丛书四】精益物流-让物料流动起来,【精益丛书四】精益物流-让物料流动起来,【精益丛书四】精益物流-让物料流动起来
【评价标准】DB1304_T 353-2021 智慧平安社区建设体系评价标准,【评价标准】DB1304_T 353-2021 智慧平安社区建设体系评价标准,【评价标准】DB1304_T 353-2021 智慧平安社区建设体系评价标准
【深度报告】东吴证券-立足智慧矿山,发力充电网络,【深度报告】东吴证券-立足智慧矿山,发力充电网络,【深度报告】东吴证券-立足智慧矿山,发力充电网络
本文考虑了网内常规机组对系统短路容量的贡献,能够准确反映不同常规机组开机组合对系统安全稳定特性的影响。基于系统短路容量分析及安全稳定分析结果,提出了一种断面极限功率解析计算方法,并通过西北某电网实际算例分析,验证了所提方法的有效性和准确性。
传统的不确定性量化( uncertainty quantification,UQ )方法在处理高维问题时会遭遇维数灾难,解决这一挑战的一种方法是利用深度神经网络 ( deep neural networks,DNNs ) 强大的近似能力。然而,传统的 DNNs 通常需要大量高保真度 ( high-fidelity,HF) 数据训练来确保精确的预测,但由于计算或实验成本限制,此类数据可得性有限。为了减少训练费用,本研究引入了多保真度深度神经网络 ( multi-fidelity deep neural networks,MF?DNNs ),其中构建了一个子网络来同时捕获高保真度和低保真度 ( low-fidelity,LF ) 数据之间的线性和非线性相关性。MF?DNNs 的有效性最初通过准确近似各种基准函数来证明。随后,考虑输入不确定性的均匀分布或高斯分布,首次使用开发的MF? DNNs来模拟1维、32维和100维环境中的偶然不确定性传播,UQ 结果证实,MF? DNNs 能够熟练地预测兴趣参量 ( quantities of interest,QoI ) 的概率密度分布及其统计矩,而不会显著降低准确性。此外,MF?DNN 被用于模拟飞机推进系统内部的物理流动,同时考虑源自实验测量误差的偶然不确定性,基于二维欧拉流场和少量实验数据点,利用MF-DNNs对等熵马赫数分布进行了精确预测。总之,提出的 MF?DNN 框架在解决实际工程应用中的 UQ 和稳健优化挑战方面表现出巨大的潜力,尤其是在处理多保真度数据源时。
近年来学者们开发了多种用于机器状态监测的深度学习方法,在轴承故障诊断方面取得了令人瞩目的成功。尽管能够有效地诊断轴承故障,但大多数深度学习方法都非常依赖大量的数据,在工业应用中并不总是可获取到的。在实际工程中,轴承通常安装在经常发生速度和负载变化的旋转机械中,导致难以在所有操作条件下收集大型训练数据集。此外,在大多数深度学习算法中,物理信息常常会被忽略,有时会导致生成的结果不符合物理定律。为了应对这些挑战,本文提出了一种新的物理信息残差网络(PIResNet),用于学习嵌入在训练和测试数据中的底层物理信息,从而为不完美的数据提供符合物理规律的解决方案。在所提出的方法中,首先采用物理模态特性主导生成层来生成模态特性主导特征。然后,构建域转换层,以实现在不同运行速度条件下提取能够判别轴承故障的特征。最后,建立了一个并行双通道残差学习架构,可以自动提取轴承故障特征。使用可变运行速度和可变负载以及时变运行速度下的实验数据集进行验证,证明了PIResNet在非平稳运行条件下的优越性。
根据十三五全国旅游信息化规划,行业不断深化,旅游数字化、网格化、智能化取得明显进展,旅游公共信息服务水平显著提高。旅游信息化四大发展目标:信息服务集成化、市场营销精准化、产业运行数据化、行业管理智能化。
该白皮书不仅详细阐述了煤矿井下网络的最新网络架构、显著优势及未来发展方向,还旨在通过深化先进网络技术在煤矿领域的应用,助力煤矿行业实现网络技术的换代升级,为煤矿智能化发展注入强劲动力。
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