• 首页

  • 方案库

  • 工业品库

  • 招标项目库

  • 专家库

  • 人才库

会员中心
搜索
登录
注册
  • 方案名称

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
  • 全部
  • 人气排行
  • 下载排行
  • 页数排行
  • 最新排行

【JIM】用于工业缠绕过程建模的增强型布谷鸟搜索算法

非线性工业系统的建模包括两个关键阶段:选择具有紧凑参数列表的模型结构和选择估计参数列表值的算法。因此,需要开发一个足够充分的模型来表征工业系统的行为,以表示实验数据集。为许多工业系统收集的数据可能存在高度非线性和多重约束。同时,为工业过程创建一个全面的模型对于基于模型的控制系统至关重要。在这项工作中,我们探索使用所提出的Cuckoo Search(ECS)算法的增强版本来解决实际缠绕过程的线性和非线性模型结构的参数估计问题。将所开发的模型的性能与其他主流元启发式方法进行比较,以对同一过程进行建模。此外,还将这些模型与基于一些传统建模方法开发的其他模型进行了比较。进行了几次评估测试来判断基于ECS开发的模型的效率,与其他建模方法相比,ECS在训练和测试案例中都表现出了优越的性能。

  • 2024-05-25
  • 阅读371

【ESWA】具有命题线性时序逻辑的工业模糊时间序列动态软传感器

模糊时间序列(FTS)模型被广泛用于预测时间序列数据。然而,对于工业时间序列数据,FTS的预测结果较差,尤其是当数据变化迅速且数量巨大时。因此,提出了一种基于带滑动窗口的命题线性时间逻辑(PLTL)的动态软传感器模型。首先,使用滑动窗口提取动态数据。然后通过FTS对提取的数据进行建模,生成初始预测结果。最后,根据窗口中的数据,生成PLTL公式来描述数据的趋势。生成的公式被用作窗口中数据的正式标签,以对初始预测结果进行加权。用TAIEX数据集对所提出的方法进行了验证。方差分析用于测试所选数据集的显著性。实验结果表明,该方法具有良好的回归预测性能。最后介绍了一个工业应用实例。实验结果证明了该模型对工业时间序列数据的有效性。

  • 2024-05-25
  • 阅读343

【IEEETII】基于迁移学习的有限数据工业过程时间序列预测方法

工业时间序列作为一种响应生产过程信息的数据,可以进行分析和预测,以有效地监测工业生产过程。工业建模过程中,由于工况复杂、数据采集环境变化、设备运行时间短等原因,存在数据短缺、算法冷启动等问题。因此,现有的数据驱动工业时间序列预测算法的准确性受到很大限制。针对上述问题,本文提出了一种新的基于动态迁移学习的有限数据下工业过程时间序列预测方法,该方法旨在有效地利用相似设备或工况的历史数据,而不是丢弃它们,以帮助建立目标数据有限的工业时间序列预测模型。在该方法中,首先将历史数据划分为多个批次,然后根据每一批次历史数据与当前时刻有限目标数据之间的分布距离,建立一个新的具有动态最大均差损失的多源迁移学习框架。该框架还结合了多任务学习方法,建立了工业过程在线学习的多步骤预测模型。与其他常用方法相比,在太阳能发电预测和加热炉温度预测两个真实数据集上的实验证明了该方法的有效性。

  • 2024-05-25
  • 阅读1290

基于CNN的机械故障诊断所面临的困难和挑战

CNN 作为深度学习中最为重要、典型的网络之一,被引入到机械故障诊断领域,虽处于起步阶段,但研究和应用已初见成效。

  • 2024-05-26
  • 阅读354

基于CNN的机械故障诊断方法

CNN 最初主要被用来处理二维图像,由于具有强大的认知计算能力,学者开始将其引入到机械故障诊断领域,能够很好地表征信号与机械健康状态之间复 杂的映射关系,提高大数据背景下多样性、非线性、高维健康监测数据诊断分析能力。

  • 2024-05-25
  • 阅读539

【IEEETIM】用于工业过程时间预测建模的双交叉注意Transformer网络

工业预测建模在过程控制和优化中发挥着重要作用。实际应用中出现的工业过程数据往往涉及非线性和时间特征,这是准确工业预测建模的两个主要挑战。虽然以前基于Transformer的工业预测模型只考虑了工业时间序列数据的时间信息,但通常忽略了过程变量的不同重要性。在本文中,我们提出了一种新的基于双重交叉注意力的Transformer网络(DCAFormer),以并行捕获跨时间依赖关系和跨变量依赖关系,从而获得更好的可预测性。具体而言,所提出的DCAFormer由跨时间自注意层和跨变量自注意层组成。跨变量自注意是通过将输入时间序列反转为变量标记来捕捉多变量相关性的。采用去定态跨时间自注意从时间序列数据中提取出内在的非平稳信息作为时间依赖关系。在真实的铝电解过程中进行了对比实验和烧蚀实验。实验结果表明,DCAFormer比其他Transformer模型具有更好的预测性能。

  • 2024-05-25
  • 阅读611

游敏:促进电力数字化转型搭建市场第三方平台

核心提要   ●我国电力系统呈现出新能源占比不断提升,电力电子化趋势持续加速,以及发电侧集中式与分布式并举、电动汽车等用电需求多元化等新特点   ●数字经济以数据为关键要素,以数字技术与实体经济的深度融合为主线,具有跨界融合、连接合作、共享共赢的生产力特征

  • 2024-05-26
  • 阅读314

直接序列扩频系统matlab仿真

本次实验主要研究了直接序列扩频系统,建立了直接序列扩频系统的matlab 仿真模型,在信道中存在高斯白噪声和干扰的情况下,对系统的在不同扩频增益下的误码率性能 进行了仿真及分析·

  • 2024-05-28
  • 阅读313
上一页 1 …… 1624016241162421624316244162451624616247162481624916250 …… 16664 下一页 共 133305 条


立即登录

没有账户,需要注册

登录用户可享受以下权益
  • 免费下载方案
  • 服币提现
  • 发布方案得服币
  • 交易分成

精品推荐

人工智能大模型分类体系、技术特点及主流厂商概览

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

  • 阅读102
  • 下载2

工业时序基础大模型技术发展综述

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

  • 阅读939
  • 下载8

2026“人工智能+”行业发展蓝皮书

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”。

  • 阅读2744
  • 下载8

中服云能碳管理平台V5.0

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。

  • 阅读3174
  • 下载14

最新上线

超硬材料智慧园区方案

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。

  • 阅读32
  • 下载0

中服云工业物联网平台在印刷装备制造行业的应用

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。

  • 阅读56
  • 下载0

中服云数字孪生系统在石油和天然气开采业的应用案例(痛点·方案·成效)

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。

  • 阅读63
  • 下载0

中服云物联网与数字孪生平台在油气作业现场的应用

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。

  • 阅读58
  • 下载0
  • 关于我们

    电话:029-8838-6725

  • 新闻资讯

    企业简介 新闻动态 品牌实力 代理合作 诚聘英才 联系我们

  • 中服云

  • 工业互联网风向标

  • 在线咨询

西安/北京/南京/重庆/合肥/厦门/甘肃 地址:陕西省西安市雁塔区鱼跃工业园慧康生物科技产业园7楼 电话: 029-8838-6725

版权所有 @ 中服云 陕ICP备11002812号
  • 扫码咨询

    或

    点击立即咨询
  • 客服咨询

  • 用手机扫二维码

    或

    复制当前地址

  • 问题反馈 中服大讲堂 客服电话

方案库赚钱指南