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

（大型集团数字化转型150页ppt）4A架构：业务架构、数据架构、应用架构、技术架构

BA：Business Architecture，业务架构 DA：Data Architecture，数据架构 AA：Applications Architecture，应用架构 TA：Technology Architecture，技术架构

  • 2024-12-12
  • 阅读663

POF||最新综述||回顾物理信息神经网络及其在复杂流体力学中的应用

物理信息神经网络 (Physics-informed neural networks, PINNs) 是一种新兴的计算范式，它将观测数据模式和给定问题领域的基本物理定律相结合。这种方法在解决复杂流体动力学领域的多种困难方面提供了显著优势。我们深入研究了 PINNs 的模型架构设计、收敛速度优化以及计算模块的开发。然而，高效且准确地利用 PINNs 来解决复杂流体动力学问题仍然是一项巨大的挑战。例如，从已知数据中快速推导湍流的代理模型并准确表征多相流场中的流动细节，均面临重大困难。此外，在多物理耦合模型中预测参数、在多尺度建模中实现各尺度的平衡、以及开发包含复杂流体动力学问题的标准化测试集，都是亟待技术突破的领域。本文讨论了 PINNs 的最新进展及其在复杂流体动力学中的潜在应用，包括湍流、多相流、多场耦合流以及多尺度流。同时，我们分析了 PINNs 在解决这些流体动力学问题中面临的挑战，并概述了其发展的未来趋势。我们的目标是推动深度学习与复杂流体动力学的整合，促进更现实和复杂流动问题的解决。

  • 2024-12-12
  • 阅读2209

信息技术发展司：以场景为切入点解决制造业数字化转型整体问题

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。

  • 2024-12-12
  • 阅读1130

【IEEETFS】微分卷积模糊时间序列预测

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。

  • 2024-12-12
  • 阅读306

ReliabilityEnginerring&SS||时变转速下旋转机械智能故障诊断的半监督元路径空间扩展图卷积网络

在实际工程场景中，机械设备的运行速度是复杂多变的。然而，现有的智能故障诊断研究大多是在恒速条件下进行的，有限的研究集中在时变速度下的故障诊断上。此外，标记数据的限制给智能故障诊断方法带来了相当大的障碍。因此，在速度时变和标记样本有限的情况下，提出了一种半监督元路径空间扩展图神经网络（ME-GNN）用于故障诊断。首先，提出了一种新的异构图，它将振动数据、故障信息和变量快速信息之间的最近邻关系转换为图。这种图不仅集成了各种物理信息，而且便于异构数据类型之间的消息传递和聚合。为了从不同的特征空间获得异质图的特征信息，实现了元路径空间扩展图卷积网络，以聚合来自不同属性节点的信息。最后，设计的特征融合模块有效地整合了节点特征和拓扑信息，从而进一步扩展了特征空间，增强了模型的诊断能力。一系列对比实验验证了所提出的方法优于现有的故障诊断方法。 关键词：故障诊断、图卷积网络、半监督学习、特征融合，时变速度

  • 2024-12-12
  • 阅读354

基于结构健康监测的塔筒振动分析与控制研究

在本研究报告中，我们将探讨风电机组塔筒的结构健康监测和振动控制策略。塔筒作为风电机组的关键结构部件，其健康状况直接影响到整个风电机组的运行安全性和效率。因此，开发一种有效的监测和控制方法对于提高风电机组的性能至关重要。

  • 2024-12-04
  • 阅读374

基于CMS数据的风电机组寿命预测模型研究

基于CMS数据的风电机组寿命预测模型研究，旨在通过分析和利用风电机组的运行数据，预测其剩余使用寿命，以优化维护策略，提高风电机组的可靠性和经济效益。可以从以下几个方面进行分析

  • 2024-12-03
  • 阅读253

【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277