当前，大模型技术在多个领域展现出颠覆性潜力，正深刻重塑人类与工业复杂系统的交互模式。面对流程工业“机理复杂、控制困难、知识碎片化、研发周期长”等长期存在的关键难题，通用大模型在泛化能力、可信性与可持续学习等方面难以满足工业场景的高要求。为此，任磊教授团队于中国工程院院刊《Engineering》提出了流程工业大模型框架——ProcessFM，融合“数据+机理+知识+计算”的多层架构，该架构从资源层、基础层、适配层到应用层进行系统设计，构建适用于流程工业的大模型技术底座，具备机理认知、知识问答、仿真生成、智能控制、优化决策、科学发现六大核心能力，旨在实现高度融合的工业智能。未来，流程工业大模型将从多模态数据及机理融合、可解释决策、边缘部署等方向突破，为流程工业带来大模型赋能的智能解决方案。
目前，我国动车组维修方式主要为故障事后维修和计划性维修，该方式往往造成维修不足或过度维修等问题。近年来，故障预测与健康管理（Prognostic and Health Management，PHM）系统在动车组领域被广泛研究与应用，现行PHM系统主要采用基于阈值或基于机理的研究方法进行动车组故障预测。基于阈值的动车组故障预测具有简单直观、易于理解、易于实现等优点，但当设备工作环境、负载、温度等因素发生变化时，监测参数可能出现不同程度的波动，而固定阈值可能无法很好地适应变化，并且该方法很难捕捉监测参数的潜在趋势和变化规律；基于机理的故障预测方法能够深入理解设备或系统的工作原理和故障机理，利用物理模型、数学模型等手段预测设备故障状态。由于动车组的工作原理和故障机理非常复杂，涉及多种因素的相互作用，并且对于不同类型的设备，需要针对不同机理进行调整和优化。因此，在研究中可结合数学模型、统计学方法、机器学习、数据挖掘、信号处理等技术手段，增强故障预测的准确性和可靠性。
在工业生产和设备运行中，故障的发生往往会导致巨大的经济损失和安全隐患。因此，准确的故障预测对于保障设备的可靠运行、提高生产效率具有至关重要的意义。残差分析作为一种有效的故障预测方法，通过对模型预测值与实际观测值之间的残差进行分析，能够及时发现设备运行中的异常情况，为故障预测提供有力支持。本文将详细阐述残差分析的原理、实现方式以及在故障预测中的应用。
发展中世界工程技术院院士、华南理工大学陈皓勇教授作了题为“电力鸿蒙助力新型电力系统建设”的报告。征得陈教授同意，特与您分享。
许继电气股份有限公司党委委员、副总经理樊占峰博士作了题为“智能微网控制保护新技术研究与应用”的报告。征得樊博士同意，特与您分享。
55个国外CCUS项目,55个国外CCUS项目,55个国外CCUS项目,55个国外CCUS项目,55个国外CCUS项目
时间序列预测（FTSF）是一种应用广泛的典型预测方法。传统的FTSF被视为一个专家系统，这导致其无法识别未定义的特征。上述是FTSF预测不佳的主要原因。为了解决这个问题，提出的模型差分模糊卷积神经网络（DFCNN）利用卷积神经网络重新实现了具有可学习能力的FTSF。DFCNN能够识别潜在信息并提高预测精度。得益于神经网络的可学习能力，在FTSF中建立的模糊规则的长度被扩展到专家系统无法处理的任意长度。同时，由于非平稳时间序列的趋势，FTSF通常无法实现令人满意的非平稳时间系列性能。非平稳时间序列的趋势导致FTSF建立的模糊集无效，导致预测失败。DFCNN利用差分算法削弱非平稳时间系列，使DFCNN能够以较低的误差预测非平稳时间串，而FTSF无法以令人满意的性能进行预测。经过大量实验，DFCNN具有良好的预测效果，领先于现有的FTSE和常见的时间序列预测算法。最后，DFCNN为改进FTSF提供了进一步的思路，并具有持续的研究价值。 关键词：卷积神经网络、深度学习、预测、模糊时间序列。
近日，《数字化转型》2024年第1期刊发信息技术发展司文章《构建重点行业“一图四清单”推动制造业数字化转型走深向实》。 本文介绍了推进制造业数字化转型的主要挑战，总结了以场景为切入点解决制造业数字化转型的整体问题，并提出了“一图四清单”的主要思路和作用。建议各级主管部门、产学研用各界依托“一图四清单”理清数字化发展路径，完善政策指引，优化资源要素配置，科学开展诊断评估，以“一链一策”“一业一策”“一企一策”引导各界明确转型方向，实现“点－线－面”分类推进数字化转型。以“一图四清单”凝聚发展共识，健全体系建设，促进供需对接，为构建现代化产业体系夯实基础。
没有账户，需要注册
汽车智能化网联化融合发展已经成为全球政府、产业界的发展共识，各国通过升级政策法规、推动测试示范、加速创新应用等方式推动智能网联汽车产业发展。2024年1月，我国启动智能网联汽车“车路云一体化”应用试点，推动车路云一体化从技术验证迈向规模化应用。
过去十年，中国消费市场的高速迭代催生了一批极具活力的新锐品牌。它们凭借对消费趋 势的敏锐洞察、柔性灵活的供应链体系以及成熟的数字化运营能力，在国内细分市场中迅 速崛起，创造了一个又一个“爆款神话”。
中服云作为国内著名的专业工业物联网平台系列产品提供商，历经十余年深耕发展，已构建起成熟的全系列多层次产品体系，精准适配不同行业、不同规模用户的差异化需求。凭借在工业数据采集、边缘计算、人工智能、数字孪生等领域的深厚技术积累与持续创新，中服云已为海量工业企业提供了稳定可靠的数字化转型解决方案。平台支持云端SaaS在线部署与用户现场私有化部署两种模式，既满足中小企业轻量化、低成本的在线使用需求，也保障大型企业对数据安全、定制化服务的高标准要求。
中服云数字孪生平台以物联网平台+数据中台为坚实基础，以2D/3D/GIS为核心展示形式，致力于打造一个从设备原始数据到孪生应用落地的一站式数智化平台。
区别于传统消防联网模式，在符合GB50440要求的同时，将互联网思维融入消防信息化管理，将离散在园区各个消防设施实时状态信息有效整合在统一系统上。
2025 年，人工智能正式迈入 “智能体元年”，AI Agent？成为驱动产业变革的核心力量，硬件迭代、多模态融合、世界模型演进共同推动行业从 “被动响应” 向 “主动解决复杂问题” 跨越。
机器学习与深度学习有着明显的异同点 在数据准备和预处理方面，两者是很相似的。他们都可能对数据进行一些操作:数据清洗、数据标签、归一化、去噪、降维。核心区别:传统机器学习的特征提取主要依赖人工，针对特定简单任务的时候人工提取特征会简单有效，但是并不能通用;深度学习的特征提取并不依靠人工，而是机器自动提取的。这也是为什么都说深度学习的可解释性很差，因为有时候深度学习虽然能有好的表现，但是我们并不知道他的原理是什么。
2025年是中国人工智能规划中期规划的关键节点，AI场景解决方案从“能用”到“有用”到“好用”在垂2025年中国AI产品在用户规模与产品数量上已具备全球竞争力
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
