• 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

工业互联网技术产业创新报告

当前,全球工业互联网正处于以人工智能为代表的新一轮数字技术变革周期当中,新兴数字技术与传统工业体系的融合创新较以往更为活跃,越来越多的制造企业开始全力拥抱数字化浪潮、持续加大数字化转型的投入力度。在技术与市场红利的双轮驱动之下,新的产业空间正在被不断地创生出来,推动工业互联网技术产业的边界持续扩展延伸,智能装备、开放自动化、云原生工业软件及工业智能等新兴产业正在加速崛起,成为工业互联网发展的新的动力引擎。与此同时,工业互联网的产业格局也有望迎来调整重塑,多元企业主体将在更为复杂的市场环境与机遇窗口期之下展开角逐,既有老牌工业技术服务商全面转型传统产品与业务,利用已经建立的市场基础加快新产品的商业化,也有跨界数字技术服务商与初创企业充分利用技术优势,找准利基市场实现业务的扩张与渗透。

  • 2024-05-14
  • 阅读489

智慧医疗建设方案

智慧医疗:即智慧医疗,是城市开展智慧医疗建设的主要模式以1家三级医院为牵头单位,联合若干城市二级医院,康复医院、护理院以及社区卫生服务中心,构建“1+X”模式。 纵向整合医疗资源,形成资源共享、分工协作的管理模式。 有条件的地区可以推行人、财、物统一管理模式,促使智慧医疗成为目标一致的共同体。不具备条件的,可在智慧医疗内以对口帮扶、技术支持为纽带形成合作。

  • 2024-05-14
  • 阅读325

寿命预测|基于PCA和多变量极限学习机的轴承剩余寿命预测

《基于 PCA 和多变量极限学习机的轴承剩余寿命预测 》提出了一种基于主成分分析(PCA) 和多变量极限学习机(MELM) 的轴承剩余寿命预测方法。

  • 2024-05-11
  • 阅读447

【IEEEKDE】任意步长时间序列预测的可解释张量神经常微分方程

在本文中,我们提出了一种可解释的连续帧工作(ETN-ODE),用于多变量时间序列的任意步长预测。所提出的ETN-ODE利用ODE网络输出任意预测值。我们设计了一个TGRU来处理多变量时间序列,该时间序列表示网络中学习的参数较少的单个输入特征的不同动态。串联注意力被设计为向ODE网络生成更自适应的输入,通过可视化时间和变量贡献来提供可解释性。在四个真实世界数据集上进行的任意步骤预测和标准多步骤预测的各种实验证明了我们模型的有效性。

  • 2024-05-11
  • 阅读472

【IEEETIM】Effinformer:一种基于深度学习的DC-DC双向变换器数据驱动建模

本文提出了一种基于深度学习(DL)的数据驱动建模方法,以精确建模和识别广泛用于可再生能源系统(RES)的直流-直流双向转换器。与需要处理大量电路参数并导致模型往往复杂且昂贵的基于电路理论的方法相比,基于DL的方法产生了更简约的模型。然而,典型的DL方案在准确性、稳定性和计算复杂性方面仍然存在局限性。为此,我们提出了一种名为efficient Informer(Effinformer)的端到端DL框架,该框架利用稀疏自注意、一种新颖的基于扩张因果卷积的提取操作和一种增强的解码器来最小化计算复杂性,同时提高建模精度和速度。通过实验结果和分析,与现有的建模技术和当前最先进的DL技术相比,所提出的Effinformer表现出优越的性能。然后,我们将所提出的网络进一步扩展到长期预测场景,以展示其出色的泛化能力和优雅的鲁棒性。大量实验表明,从处理纹波干扰和异常值的角度来看,Effinformer更有利于提高预测的准确性和可靠性。这一特性使其在实际工程应用中非常有利。

  • 2024-05-11
  • 阅读525

【EAAI】使用1D-CNN和BiLSTM进行时间序列预测的教程:参见峰值需求和系统边际价格预测的示例

尽管基于深度学习的时间序列预测研究正在各个行业积极开展,但深度学习技术对于没有计算机科学专业的研究人员来说仍然有很高的进入门槛。本文介绍了使用基于深度学习的模型进行时间序列预测的教程。介绍了时间序列数据预测的全过程——从数据采集到预测结果评价。通过使用1D-CNN和BiLSTM模型预测韩国济州岛峰值电力需求和系统边际价格的实例,展示了每个步骤的细节。在济州岛,2021年可再生能源在总发电量中的比例提高到67%,需要更准确的电力需求预测。因此,使用2018年2月808天的培训数据,预测了未来21天的电力需求和SMP。为了让读者更容易理解,该示例仅使用开放的公共数据,整个Python源代码通过GitHub存储库共享。WRMSSE计算的预测误差为0.42的电力需求和0.63的SMP最大值。WRMSSE值小于1意味着预测相对较好,即优于天真的预测。本教程不仅限于能源行业,还可用于任何需要时间序列数据预测的应用程序。这篇文章有望对需要了解使用深度学习进行时间序列预测的过程并将其应用于行业的研究人员有很大帮助。

  • 2024-05-11
  • 阅读1434

【ASC】滑动窗口双通道CNN(SWDC-CNN):一种同步预测水泥煅烧过程煤耗和耗电量的新方法

作为加工业的代表,水泥行业消耗了大量的煤电资源。这主要是由于水泥行业内部粗生产和各能耗指标独立统计造成的能源调度不合理。能耗的同步精确预测可以为生产控制过程和能源调度提供更有效的方案。然而,由于生产的时间延迟、变量耦合和不确定性,很难同步预测多个指标。本文提出了一种结合滑动窗口和双通道卷积神经网络(SWDC-CNN)的数据驱动预测方法,以实现未来5分钟的煤耗和电力消耗同步预测。滑动窗口方法用于提取时间序列数据的时变延迟特性,以克服其对能耗预测的影响。通过设计双通道结构,减少了弱相关变量之间冗余参数对能量预测的影响。我们在山西省的实际水泥生产数据上试验并比较了支持向量机(SVM)、极限梯度提升(XGBoost)、递归神经网络(RNN)、长短期记忆(LSTM)和门递归单元(GRU)等优秀模型。实验结果表明,所提出的SWDC-CNN模型性能良好,预测精度最高,能够满足预期要求。

  • 2024-05-11
  • 阅读549

【AppliedEnergy】一种具有准确性和可解释性的模糊时间序列风力发电预测模型

考虑到当前对风速预测模型的可解释性和有效性的研究,本研究提出了一种新的动态非平稳模糊时间序列预测模型。该模型旨在有效提高预测精度,解决可解释性低和数据预处理过多的问题。与现有的主流风速预测混合系统不同,该模型几乎为每个预测步骤提供了详细的解释,并消除了繁琐的数据预处理步骤的需要。为了提高所提出模型的预测精度,本研究结合了非平稳集,以克服模糊时间序列在适应长期变化方面的局限性。所开发的算法SFTSM动态调整模糊时间序列预测,以有效应对长期预测挑战。此外,本研究引入了人工蜂鸟算法的增强版本,称为SLG-AHA,以进一步提高模糊时间序列预测的准确性和稳定性。利用中国山东蓬莱风电场的数据进行的实验结果验证了该模型的有效性,显示了其优越的预测精度和稳定性。

  • 2024-05-11
  • 阅读431
上一页 1 …… 1626116262162631626416265162661626716268162691627016271 …… 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