随着社会经济的不断发展,全国机动车保有量日益增加,随之而来的交通事故和交通违法事件也相应增多,交通管理难度不断加大,随着放管服的不断深化,交管业务的范畴也是逐步扩展,而这些直接带来的现实问题就是交通管理的海量数据量如何能够有效的实际落地应用。交通管理科技信息化工作起步较早,科技强警一直以来也是交警业务发展的重点。如何利用好海量的交通数据,通过信息化科技手段深层次挖掘数据价值并提供在交通管理上的数据服务,是当前公安及交警部门专注和头痛的问题。
今日分享一份“智慧物流园区信息化解决方案”可作为参考。今日分享一份“智慧物流园区信息化解决方案”可作为参考。今日分享一份“智慧物流园区信息化解决方案”可作为参考。
基于模型预测控制的牵引电机高鲁棒性故障诊断技术
PPT分享|李德仁院士:论时空智能与数字孪生智慧城市
最近,基于深度学习的模型,如transformer,由于其强大的表示能力,在工业剩余使用寿命(RUL)预测方面取得了显著的性能。在许多工业实践中,RUL预测算法被部署在边缘设备上进行实时响应。然而,深度学习模型的高计算成本使其难以满足边缘智能的要求。本文提出了一种具有多层次时间序列缩减的轻量级组Transformer(GTMRNet)来缓解这个问题。与计算所有时间序列的大多数现有RUL方法不同,GT MRNet可以自适应地选择必要的时间步长来计算RUL。首先,构建了一个轻量级的组Transformer,通过使用具有显著小波参数的组线性变换来提取特征。然后,提出了一种时间序列缩减策略,以自适应地过滤掉每一层不重要的时间步长。最后,开发了一种多层次学习机制,以进一步稳定时间序列缩减的性能。在真实世界条件数据集上的广泛实验结果表明,所提出的方法可以在不牺牲精度的情况下显著减少高达74.7%的参数和91.8%的计算成本
针对三相异步电机匝间短路故障在不同工况下数据分布不一致带来的泛化识别准确率下降的问题,提出了一种基于残差-自注意力网络的迁移学习方法,通过在残差网络中嵌入自注意力机制实现特征强化并利用源域数据进行模型训练,然后利用迁移学习的微调策略使得模型能更好地适应目标域的特征分布,以此来增加模型在目标域数据中的适应性能力。
针对工业生产中滚动轴承剩余使用寿命(RUL)预测任务中数据挖掘不足导致预测精度低的问题,提出了一种多通道融合的滚动轴承剩余寿命预测方法。
小波变换是一种评估非平稳信号的时频分析方法,有助于表征设备在长时间使用过程中的退化。然而,单一的小波基函数很难适用于所有的周期瞬态波形。因此,本研究提出了一种基于混合注意力的多小波系数融合方法来评估轴承的剩余使用寿命。该方法首先利用多个小波得到原始信号的特性,然后将分解后的各个频带组织成二维映射;其次,设计了一种基于注意力的混合卷积长短期记忆网络(HA-ConvLSTM),自适应地对小波系数通道进行加权。学习到的特征被多层感知器用于评估剩余寿命(RUL)。最后,在PHM2012滚动轴承数据集上进行了测试,验证了所提方法的有效性。总体而言,该方法在性能指标上优于以前的方法,可选择性地解决周期瞬态波形的小波基函数匹配问题。
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