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

设备故障诊断行业现状、发展趋势分析

设备故障诊断（Equipment Fault Diagnosis, EFD）作为现代工业稳健运行的关键支撑技术，依托先进的传感器数据采集技术、视频、图片智能识别技术，精准捕捉工业设备在运行过程中的各类物理参数，诸如机械振动、温度变化、流体压力、噪音、表面磨损裂纹等信息。这些数据通过高速传输通道汇聚至数据分析工业物联网平台，运用平台上复杂丰富的算法模型进行深度挖掘与多模态解析，进而实现对工业设备全方位的状态监测、前瞻性的故障预测以及系统全面的健康管理（PHM）。

  • 2025-02-05
  • 阅读318
  • 下载0
  • docx

神经网络反向传播算法的核心公式推导

这个公式是反向传播算法的核心公式。 它描述了如何将第 l+1 层的误差逐层传递回第 l 层，是神经网络反向传播算法的核心之一。 如果不会推导这个公式，也不影响神经网络的学习，直接记住它就行。但如果想更深入地进行理解，那就请继续往下看，我们一起来推导这个公式。 要推导这个，我们需要从神经网络的前向传播和反向传播的基本公式开始。（这里只推导这个数学公式，不对神经网络反向传播算法作介绍。）

  • 2025-02-05
  • 阅读788

控制系统-导数（速率）控制

导数控制通过监控过程变量的变化速率（速度），以更接近目标设定值的方式运行，同时尽量减少超调和振荡。

  • 2025-02-05
  • 阅读277

控制系统-PID控制术语

PID 控制器是完整的物理设备或软件对象，它们可以让系统以合适的速率和精度响应控制输入，从而实现优化的运行效果。

  • 2025-02-05
  • 阅读316

Energy基于自关注机制的CNN-LSTM模型的油井产量预测

为了克服目前油井产量预测研究中的不足，我们提出了一种结合卷积神经网络（CNN）、长短期记忆（LSTM）神经网络和自我注意机制（SA）的组合模型（CNN-LSTM-SA）。CNN-LST’M-SA模型由五个部分组成：输入层、CNN模块、LS’T’M层、自我关注层和输出层。在该模型中，CNN用于提取输入数据的时空特征，LSTM用于提取相关信息，SA用于捕获内部相关性。与传统的机器学习方法相比，如线性回归（LR）支持向量机（SVM）、随机森林（RF）、XGBoost和反向传播（BP）神经网络；以及LSTM、LST'M-SA和CNN-LSTM等深度学习方法，CNN-LSTM-SA模型可以更全面地提取油井生产数据中隐藏的时空特征。它能够更精确地挖掘油井生产数据中的内部相关性，从而提高油井生产预测的准确性。更具体地说，在现有的方法中，CNN-LSTM-SA模型在适应油井生产的基本趋势和预测油井生产的具体值方面表现最佳。卷积神经网络、长短期记忆、自我注意机制、油井生产、预测

  • 2025-02-05
  • 阅读561

终于把transformer算法搞懂了

Transformer 模型因其强大的性能和灵活性，广泛应用于自然语言处理（NLP）、计算机视觉等领域，并成为现代深度学习的重要基石。

  • 2025-02-05
  • 阅读238

突破LSTM，CNN和LSTM时间序列预测

在很多的时间序列预测任务中，利用卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合模型是目前常见的深度学习解决方案之一。CNN和LSTM各自有不同的特长，CNN擅长局部模式的捕捉，LSTM擅长捕捉序列的长依赖关系。通过混合这两种网络，可以非常好地学习时间序列数据中的复杂模式。

  • 2025-02-05
  • 阅读286

终于把神经网络中的激活函数搞懂了

如果没有激活函数，神经网络无论有多少层，其整体效果都只能表示为输入的线性组合，极大地限制了模型的表达能力。

  • 2025-02-05
  • 阅读253