随着科技技术的不断演进,数字化已成为各行业内一个非常重要且极具吸引力的市场,其目标是将IT技术与产品、系统、解决方案和服务进行融合,贯穿于从研发设计到生产到技术维护的整个产业链。乘着数字化这股智慧东风一逐渐吹进了万千行业,矿山就是其中的一个典型领域。从矿山自动化到数字矿山,再到如今的智慧矿山,数字经济时代,有关未来矿山建设与实现方式不断被刷新。当下,智慧矿山利用底层传感器实现数据采集,物联网(IoT)释放数据威力,从生产运营、成本管控、采购销售等系统,整合所有数据通过精准分析,为煤炭企业决策层提供精准、实时的数据支撑,实现降低成本、提高决策效率的目标。 北京君时慧成实时大数据平台,基于Hadoop架构,集成了生态圈中的主流热门组件并不断的进行相关功能的优化。可对矿山生产大数据、销售大数据、物流大数据、设备运行大数据、安全大数据、环保大数据等的进行智慧采集与存储,助其最终落地大数据分析应用。
利用大数据技术,实现顾客的识别,分配,驱动,切换,输入一套完整的智能闭环,全面提升顾客满意度.利用大数据技术,实现顾客的全场景个性化营销极大的提升订单转化率.
云计算,是基于互联网的服务的增加、使用和交付模式,通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。是传统计算机和网络技术发展融合的产物,它意味着计算能力也可作为一种商品通过互联网进行流通。
可视化最好的一层,用户通过该层提供的Web门户访问服务,云应用的开发者,他们实现应用并在云上部署服务,为高层提供功能性资源,可以组成新的云软件环境或应用。所提供的云服务可以分为三类:计算资源、数据存储和通信.
栈和队列是在软件设计中常用的两种数据结构,它们的逻辑结构和线性表相同。其特点在于运算受到了限制:栈按“后进先出”的规则进行操作,队按“先进先出”的规则进行操作,故称运算受限制的线性表。
编制背景:2019年大数据业务营销策略——聚焦金融、文旅交航、政务、安全等重点行业,聚焦75个大数据业务发展较快地市,打造标杆案例,快速复制推广,实现规模发展。 编制目的:向省分一线提供有力的营销工具,筛选一批前期积累的成功案例进行整理包装,具体见右侧案例列表,涉及11个产品24个案例。
针对智能电网大数据流的实时性、易失性、无序性等特点,提出智能电网大数据的实时流处理框架,实现数据收集、数据缓冲与流式计算,满足状态监测异常检测与用电数据分析等快速处理需要。通过采集系统节点监听数据源变化并实时收集数据,利用消息订阅模式对数据进行缓冲,解决数据采集与流式计算速度不一致的问题。提出一种基于 Storm 的状态监测数据流滑动窗口处理方法,在规定时间内分批处理状态监测数据流,保证数据的连续计算,通过阈值判断进行异常检测。实验结果表明,在集群规模一定的条件下,适当地改变工作进程数以及执行器线程的并发数设置,可以增大滑动窗口的元件吞吐量,提高状态监测异常检测的实时处理效率。
结构健康监测(SHM)技术在许多大型桥梁的运营养护管理中均有应用,但已有监测系统积累的海量数据并未被充分解读。为将大数据技术引入到桥梁 SHM 数据的处理分析中,首先总结大数据的概念和构成要素;然后分析SHM 数据的工业大数据属性,梳理桥梁SHM 大数据的研究方向;随后综述包括处理技术和分析方法在内的大数据技术在桥梁SHM 中的应用现状,在由数据预处理、数据融合、特征工程、模式识别、可视化构成的大数据分析流程中提出 SHM 大数据研究的需求和应用场景;最后对大数据技术在桥梁SHM 中的前景与驱动力进行展望和讨论。结果表明:SHM 大数据研究应以结构状态评估为落脚点;大数据处理技术在SHM 的系统框架搭建及数据分析能力扩展方面虽已得到较多应用,但其并非 SHM 大数据研究的重点;SHM 数据融合对大数据分析方法有迫切需求,以实现桥梁 SHM 数据与外观检测等多源异构数据的多层面融合;深 度 学习、集成学习为结构状态敏感特征的提取提供了新的算法;有监督、无监督机器学习方法结合海量SHM 数据将对结构状态评估下的模式识别问题形成更全面的认知;异常识别、相关分析、迁移学习等方法可为实桥SHM 损伤识别提供支撑。研究结果可为SHM 领域的大数据研究提供参考。
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