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。
到目前为止，人们已经探索和开发了多种形式的电能储 能方式，主要有：机械储能、化学储能和电磁储能等 机械储能：弹性储能、液压储能、抽水蓄能、压缩空气储 能、飞轮储能 化学储能：铅酸电池、氧化还原液流电池、钠硫电池、锂 离子电池 电磁储能：超导储能、超级电容储能
没有账户，需要注册
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。
中服设备健康管理系统依托中服云工业物联网架构搭建，面向工业全品类设备运维场景。 融合实时数据采集、状态监测、故障诊断核心能力，全天候掌握设备运行动态。 通过边缘计算与 AI 算法分析设备隐患，实现从被动维修向预测性维护升级。 有效降低设备故障率、减少停机损失，简化线下运维管理流程。 助力工厂实现设备数字化管控，保障产线高效、稳定、安全运行。
OpenClaw:不仅是对话窗口，更是行动助手一人工智能代理(AI Agent)正深刻重塑科学研究基本范式，OpenClaw成为2026年开源AI代理平台代表。
本次调研覆盖欧洲、中东与非洲、亚太、美洲四大区域，收集了来自171家酒店集团的189份有效反馈。数据显示，78%的酒店集团已启用人工智能，89%计划新增应用场景，但多数项目仍停留在试点阶段，或仅依赖通用型公共工具。人工智能平均依赖度得分(4.7分)持续低于信任度得分6.6分)，凸显巨大的未开发潜力。释放这一价值，需要更充分的可靠性验证、更完善的投资回报率(RO)测算，以及全企业级的系统整合。
无论是在自然科学、工程技术，还是经济与社会科学领域，高质量的科研分析均依赖经过验证且结构化的数据。一个管理得当的数据库，如果同时具备全面的元数据，能够与其他数据源实现互操作，其用途将更加广泛。科研本身如此，科研信息与分析亦然。本报告聚焦科睿唯安及其科学信息研究所(ISI)所采用的一系列方法与流程，旨在确保数据、分类结构及相关元数据等关键要素，始终处于Webof Science文献计量数据库及其相关产品的核心位置。
本文旨在系统性调研并构建一套面向 AI 智能体的全生命周期安全体系，全面识别其在技术演进与规模化 落地过程中面临的各类安全威胁与风险点，并提出覆盖制度、流程与技术的多层次综合防护方案。该体系 不仅支撑企业级 AI 产品在设计、研发与运营阶段的安全能力建设与合规落地，同时为行业标准制定、整 体安全解决方案构建以及模块化安全产品研发提供可复用的理论基础与实践路径。
北京大学能源研究院是北京大学下属独立科研实体机构。研究院 以国家能源发展战略需求为导向，立足能源领域全局及国际前沿， 利用北京大学学科门类齐全的优势，聚焦制约我国能源行业发展 的重大战略和科技问题，按照“需求导向、学科引领、软硬结合、 交叉创新、突出重点、形成特色”的宗旨，推动能源科技进展， 促进能源清洁转型，开展专业及公众教育，致力于打造国际水平 的能源智库和能源科技研发推广平台。
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
