会员中心
搜索
登录
注册

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

【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254

【IEEETII】基于时空注意力孪生网络的有限传感器数据风机叶片结冰检测新方法

本文主要研究风力涡轮机叶片结冰检测（ID）的数据驱动方法。鉴于传感器技术在风力涡轮机中的广泛应用，这种数据驱动的ID方法变得越来越突出。然而，目前的方法存在不足，特别是在确认多元传感器数据的结构特性和区分结冰阶段方面，这两个方面对识别故障模式都至关重要。为了弥补这些差距，我们提出了一种用于刀片ID的时空注意力孪生网络（SN）。该模型采用孪生网络架构，在类不平衡的情况下进行高效的少镜头学习。它独特地结合了图注意力网络和门控递归单元，用于从传感器数据中提取时空特征。这种设计不仅承认了数据的空间结构，而且清楚地识别了与各种结冰阶段相关的特征。使用来自监控和数据采集系统的实际传感器数据验证了STASN的功效。结果证明了SN识别不同结冰阶段特征的能力及其在早期结冰预测中的潜力。这项研究强调了SN在为叶片结冰提供先进、灵活的故障警报方面的实用性，代表了风力涡轮机维护和安全方面的重大进步。

  • 2024-05-11
  • 阅读317

《数智化转型-钻石模型白皮书》完整版

纵观过去数十年的商业历史，我们看到商业世界的诸多跌宕起伏和更新迭代。深入研究，这些沉浮可以分为三类：企业对企业的洗牌，行业对行业的洗牌，时代对时代的洗牌。当下，我们身处数智化时代，正面临着时代对时代的洗牌，这意味着企业需要全面数化转型，从而突破重围，实现进化，再续增长。

  • 2024-05-11
  • 阅读439
  • 下载1
  • 37页
  • pdf

数字技术赋能智慧医院建设白皮书

科学进步和技术创新是推动行业发展的核心驱动力。自近代以来，人类经历了四次由科学技术创新引领的工业革命。第一次工业革命开始于 18 世纪中叶，以蒸汽机为动力的机械设备被广泛推广和应用，人类社会从手工艺时代进入到机械生产时代;第二次工业革命发生在 19 世纪，以电的发明和在生产生活中的广泛应用为标志，人类进入规模化工业生产时代;第三次工业革命发生在 20世纪中期，随着电子计算机、通信工程和互联网技术的诞生,人类进入了信息化时代;第四次工业革命从 21 世纪开始至今，随着云计算、大数据、物联网、人工智能等技术的出现，人类社会正逐步迈入智能化时代。

  • 2024-05-11
  • 阅读563

邬贺铨院士：大模型赋能企业数字化转型

随着人工智能(AI)技术的兴起，大模型成为从信息化走向数智化的重要驱动力。虽然基于大算力支持和超大规模语言数据作为训练样本的大模型技术能够支持自动文摘、机器翻译等基础通用任务，但在医疗、金融等专业领域中，由于缺乏行业知识，无法满足定制化、精细化和行业化的需求。因此，需要基础大模型提供方与垂直行业的企业合作，共同开发行业大模型。例如，百度的“文心一言”大模型就与汽车、能源、医疗、金融等11个行业的企业合作.创造了国内首个全面开放的大型语言模型。这样的合作主要发生存大型企业之问.对于中小型企业来说，直接应用这种基础大型模型仍然存在一定难度。

  • 2024-05-09
  • 阅读3372

物联网40大项目（40个场景应用）

物联网项目（loT项目）可以最好地描述为通过使用互联网连接的物理对象。这项最新的技术进步已经与人类保持互动，因为它已经展示了它的效率。

  • 2024-05-09
  • 阅读193

多模态机器学习综述

模态是指某件事发生或经历的方式，当一个研究问题包含多种这样的模态时，它就被描述为多模态。多模态机器学习旨在构建可以处理和关联来自多种模态的信息的模型。鉴于数据的异构性，多模态机器学习研究领域为计算研究人员带来了一些独特的挑战。在本文中，我们确定并探索了围绕多模态机器学习的五个核心技术挑战（以及相关的子挑战）即：表示、翻译、对齐、融合和共同学习。

  • 2024-05-09
  • 阅读195

基于融合健康因子和集成极限学习机的锂离子电池SOH在线估计

锂离子电池健康状态(SOH) 的在线估计对电池管理系统的安全稳定运行至关重要 。为克服传统基于数据驱动的锂离子电池SOH估计方法训练时间长 、计算量大 、调试过程复杂的问题。该文提出一种基于融合健康因子和集成极限学习机的锂离子电池SOH估计方法。该方法通过 dQ/dV 和 dT/dV 曲线分析，筛选出与电池SOH相关性较高的数据区间进行多维健康特征提取，并对其进行主成分分析降维处理得到间接健康因子；利用极限学习机的随机学习算法建立间接健康因子和SOH之间的非线性映射关系，在此基础上，针对单一模型输出不稳定的特点，提出一种集成极限学习机模型,通过对估计结果设置可信度评价规则剔除单 一极限学习机不可靠的输出 ,从而提高锂离子电池SOH的估计精度。使用NASA和牛津大学的锂离子电池老化数据集对该方法进行验证，结果表明该方法的平均绝对百分比误差小于1% ,具有较高的准确性和可靠性。

  • 2024-05-09
  • 阅读280