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

2023全球电化学储能行业现状与未来发展白皮书

2023全球电化学储能行业现状与未来发展白皮书,2023全球电化学储能行业现状与未来发展白皮书,2023全球电化学储能行业现状与未来发展白皮书

  • 2025-07-02
  • 阅读798
  • 下载0
  • 86页
  • pdf

王增平教授：极端天气对电力系统的影响及应对措施思考

华北电力大学副校长王增平教授作了题为“极端天气对电力系统的影响及应对措施思考”的报告。征得王教授同意，特与您分享。

  • 2024-10-11
  • 阅读371

黄莹教授：大规模新能源柔性直流送端系统构建关键技术

浙江大学黄莹教授作了题为“大规模新能源柔性直流送端系统构建关键技术”的报告，征得黄莹教授同意，特与您分享。

  • 2024-10-11
  • 阅读387

数字孪生连接交互理论与关键技术

论文“数字孪生连接交互理论与关键技术”于2023年1月发表于《计算机集成制造系统》期刊，这篇文章由北京航空航天大学的陶飞、马昕、戚庆林、刘蔚然、张贺、张辰源等人共同完成。论文针对数字孪生连接交互如何理解与实现的问题，首先从内外两层阐述了数字孪生连接交互内涵，进而提出“准确—实时—一致—安全—可靠”连接交互准则。在此基础上，从“感知—通信—映射—联动—融合”五方面探索建立了一套数字孪生连接交互理论体系，分析了数字孪生连接交互关键技术。基于数字孪生连接交互理论与方法研究，结合笔者前期在物理实体、数字孪生模型、数字孪生数据和服务的相关研究工作基础，进一步探究并丰富了数字孪生五维模型理论体系，以期为数字孪生的理论研究和应用落地提供系列理论和方法参考。

  • 2025-01-15
  • 阅读941

【IEEETC】基于多尺度注意力卷积神经网络的工业过程质量预测建模

软传感器在复杂工业过程的质量预测中得到了越来越多的应用，这些过程通常具有不同的拓扑规模和高度耦合的时空特征。然而，现有的软测量模型在提取多耦合复杂过程数据中的多尺度局部时空特征并充分利用它们来提高预测性能方面通常面临困难。因此，本文提出了一种基于多尺度注意力的CNN（MSACNN）来缓解这些问题。在MSACNN中，不同大小的卷积核首先在卷积层中并行设计，可以生成包含不同尺度局部时空特征的特征图。同时，在特征图上并行设计了一种通道式注意力机制，以获得它们的注意力权重，代表不同尺度下局部时空特征的重要性。通过两个实际工业过程的性能评估，验证了所提出的MSACNNover方法相对于其他最先进方法的优越性。关键词：卷积神经网络（CNN）、基于多尺度注意力的CNN（MSACNN）、质量预测、软传感器。

  • 2024-10-13
  • 阅读925

【IEEESENSORSJOURNAL】KSLDTNet：工业过程多步预测的关键样本定位和蒸馏变压器网络

关键质量指标的多步提前预测是优化和控制工业过程的基石。在长期预测范围内进行精确的多步预测，在提高工业过程的生产性能方面具有巨大的潜力。然而，提取历史特征对于实现这一目标具有重要意义。最近的进展表明，变压器网络为这一挑战提供了一种有前景的技术解决方案。然而，缺乏样本简化机制使得深度特征提取变得困难。它需要大量的计算成本，这使得传统的变压器网络在工业过程中不太适用。为了探索克服这些障碍的策略，并提高变压器网络对有效多步预测的适用性，本文提出了一种新的关键样本定位和分解变压器网络（KSLD-TNet）。具体来说，它首先使用注意力得分矩阵定位具有强交互作用的关键样本。然后，在KSLD TNet编解码器结构中逐层过滤非关键样本。这样，每层的输入样本数量可以呈指数级下降，显著降低了深度特征提取的难度和计算量。值得注意的是，本文还设计了一种信息存储结构，以避免样本分离过程中的信息丢失。利用两个工业过程数据集构建了广泛的实验，以证明所提出方法的有效性。关键词：深度学习、工业过程、关键样本定位（KSL）和蒸馏变压器、多步预测

  • 2024-10-13
  • 阅读789

2024城市绿色转型白皮书-开启城市转型新篇章-绿色国度

随着全球人口增长和城市化加速，世界各地的城市面临着巨大压力。越来越多的人开始共享城市空间、建筑、资源和基础设施。如今，全球 44 亿人口中约有 56% 居住在城市。到 2050年，预计城市人口将达到 70%。

  • 2024-10-24
  • 阅读570
  • 下载0
  • 24页
  • pdf

【IEEESENSORSJOURNAL】基于分层序列生成网络的质量预测多尺度动态特征学习

在工业过程中，长短期记忆（LSTM）通常用于软传感器的时间动态建模。由于连续的物理和化学反应，过程数据在不同时间尺度下通常具有各种时间相关性。然而，LSTM模型只能提取特定时间尺度的动态特征，这影响了特征学习能力和建模精度。本文提出了一种新的分层序列生成网络（HSGN），用于使用大量未标记的软测量过程数据挖掘多尺度动态特征。为了提取多尺度动态特征进行质量预测，过程数据以不同的采样率重新采样，然后用于在不同时间尺度上预训练相应的自学习LSTM模型。随后，它们可用于计算标记样本的多尺度隐藏特征状态，这些状态进一步与原始输入信息集成，并输入到深度信任网络（DBN）中，以构建输出变量的预测模型。因此，HSGN方法可以利用大量未标记的样本来挖掘多尺度动态隐藏特征，克服工业过程中的不规则采样问题。在实际工业场景中的应用表明了所提出方法的有效性。 关键词：深度学习、分层序列生成网络（HSGN）、多尺度动力学、质量预测、软测量。

  • 2024-12-03
  • 阅读389