• 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

深度解密DeepSeek-R1、Kimi 1.5;强推理模型开发解读

DeepSeek-R1推理大模型引爆了国内外 AI 社区,并火出了圈。最近,各个行业又掀起了接入 DeepSeek 的狂潮,大家唯恐落后于人

  • 2025-03-06
  • 阅读311
  • 下载0
  • 37页
  • pdf

DeepSeek入门宝典

有的用户觉得DeepSeek不好用,其实可能恰恰是因为给DeepSeek喂了太多的提示词,限制了它的深度思考(如右图,按照四维度分析框架,只得出干巴巴的报告),它与指令性大模型不同,其实是不需要太长的提示词的

  • 2025-03-06
  • 阅读324
  • 下载0
  • 41页
  • pdf

王小聪:基于DRSN-CW-LSTM网络的锂电池荷电状态预测

由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取,通过LSTM进一步拟合时间序列数据趋势,实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能,消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络,对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明,所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内,相比其他3种深度学习模型有更好的抗噪性能和预测性能,且估算精度高。

  • 2024-10-28
  • 阅读517

思略特:2024电动汽车充电市场展望报告

轻型车与中重型车长期电动化目标清晰;到2035年,6吨以下轻型电动车的保有量将达到36-49%,6吨以上中重型电动车的保有量将达到22-26%

  • 2024-12-06
  • 阅读252
  • 下载0
  • 28页
  • pdf

DeepSeek的本地化部署与AI通识教育之未来

DeepSeek-R1发布开源,擅长处理复杂且在训练阶段大规模使用了强化学习技术,在仅有极少标注数据的情况下,极大提升模型推理能力。 DeepSeek-R1在数学、代码、自然语言推理等任务上,性能比肩OpenAl o1正式版。 9s)a1uaз.18d/ Deepseek-R1 100- 80 0penA1-01-1217 Deepseek-R1-32B 0penAl-01-mini DeepSeek-V3 41.6雀2. 目前大模型主流榜单开源模型DeepSeek-V3 位列榜首,与世界上最先进的闭源模型不分伯仲。

  • 2025-03-14
  • 阅读334
  • 下载0
  • 8页
  • pdf

国网电力科学研究院有限公司 赖业宁等|考虑储能资源聚合参与的电网优化运行与韧性提升策略

极端天气给新型电力系统的建设与运行带来诸多挑战,电力系统灵活性资源的不断丰富给了电网应对极端天气的新思路。考虑极端条件下储能等资源聚合参与电网负荷恢复的场景,研究了资源聚合参与电网韧性提升的策略方法。首先,基于储能等资源自身的运行状态,提出了资源剩余调节能力模型。然后,构建了计及资源剩余调节能力的资源聚合调控模型,并通过“域”刻画资源聚合体的剩余调节能力与运行功率的关联关系,进一步构建了面向“灾前-灾中-灾后”全阶段的电网优化运行与韧性提升模型。最后,通过算例分析,验证了该策略对电网韧性的提升效果。

  • 2025-03-14
  • 阅读1990
  • 下载0
  • 22页
  • pdf

人工智能赋能应用实践指南

当前,人类正处在新一轮科技革命和产业变革的历史关口,人工智能正以前所未有的速度重塑世界,为千行万业注入新动能。从工业制造的智能产线到农业生产的精准种植,从金融服务的智能风控到医疗健康的远程诊断,人工智能推动着生产效率的跃升与产业形态的迭代。正如《指南》所展望的那样,未来,随着网络通信、前沿算法、存储算力等多元技术的深度融合,以及海量数据与前沿知识的双重加持,人工智能将彻底突破单一技术工具的局限,蜕变为贯穿千行万业生产链条的关键枢纽,融入千家万户的日常起居,成为人类社会高效运转不可或缺的底层支撑。

  • 2026-02-14
  • 阅读368
  • 下载0
  • 55页
  • pdf

新型智算中心核心技术布局分析

新型智算中心核心技术布局分析新型智算中心核心技术布局分析新型智算中心核心技术布局分析新型智算中心核心技术布局分析新型智算中心核心技术布局分析新型智算中心核心技术布局分析

  • 2026-03-03
  • 阅读225
  • 下载0
  • 107页
  • pdf
上一页 1 …… 57685769577057715772577357745775577657775778 …… 5897 下一页 共 47175 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101
  • 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936
  • 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2738
  • 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3173
  • 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30
  • 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53
  • 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58
  • 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56
  • 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