基于深度学习的数据驱动建模对于工业过程中的在线产品质量预测至关重要。从传感器变量中提取潜在的数据交互是各种数据驱动建模应用的核心。通常，由于操作条件的变化和传感器调谐问题，观察到的变量表现出非平稳特性。这些波动不可避免地影响了传统特征提取方法的可靠性，从而阻碍了它们的应用。因此，本文提出了一种名为横向感知深度注意力图卷积网络（RaDA-GCN）的新方法来探索传感器变量之间的潜在相互作用，RaDA-GPN巧妙地将注意力机制融入图卷积层中，根据其重要性提取非线性变量相关特征，然后设计了一种新的残差感知连接模块来减少数据不确定性并减轻过度平滑。通过巧妙地堆叠多个注意力图卷积层并集成残差感知连接，可以获得深层结构特征，从而有效地量化和揭示数据变量之间的潜在关系。最后，基于所提出方法的预测建模框架的应用验证了其在实际工业过程数据中的有效性。“实验结果表明，与传统的图卷积网络方法相比，所提出的RaDA-GCN方法的R平方（R'）指标提高了23%，均方根误差（RMSE）降低了13%。 关键词：深度学习、质量预测、图卷积网络、注意力机制、残差感知连接、工业过程
由于工业过程中测量技术和成本的限制，在均匀采样率下很难获得具有不同特性的变量（如流量和温度）的测量值。这导致所收集的工业过程数据普遍存在多速率采样特性，给工业过程的质量预测带来了巨大挑战。为了解决这个问题，本文提出了一种基于Transformer模型的新型质量预测建模方法，称为多速率工业过程的多速率成形器。首先，通过将数据变量排列到相同的采样率来对原始数据进行分块。然后，通过多层卷积网络和变换器完成数据的分层粗粒度和细粒度互补。值得注意的是，提出了一种新的采样型编码方法来探索多速率过程数据的缺失模式。经过上述预训练后，为后续的微调过程提供了修补的完整数据集和更好的初始权重。最后，利用质量变量的多步预测误差对整个网络参数进行微调。该方法应用于工业脱丁烷塔和实际工业加氢裂化过程的多速率多步预测。实验结果表明，在处理多采样率类型的工业过程数据方面，该方法优于其他最先进的方法。关键词：多速率工业过程，多速率成形器，多步预测，采样类型编码。
3D 视觉感知对于自动驾驶和机器人等应用至关重要。虽然基于摄像头的 3D 物体检测方法因其成本效益和检测远距离物体的能力而受到关注，但它们在效率和准确性方面存在困难，尤其是在处理跨多个摄像头视图的信息时。鸟瞰图 (BEV)是自动驾驶中的一种常见表示，因为它可以提供对周围环境的清晰空间理解。但是，从 2D 图像生成强大的 BEV 特征以用于 3D 物体检测等任务具有挑战性。BEVFormer 论文介绍了一种使用时空变换器生成 BEV 特征的新方法 BEVFormer 。与以前的方法不同，BEVFormer 不依赖深度信息，可以动态聚合空间和时间信息。
一款,适用于,多个,场景,开源,工业物联网平台，中服云工业物联网平台，业界领先的工业物联网平台
开源,一款,基于,go,语言,开发,商业级,saas,云原生,微服务,工业物联网平台，中服云工业物联网平台
中服云物联网平台，业界领先，功能强大
准确模拟大型锂离子电池（LLBs）的电化学过程，包括估计过程中的电化学状态分布，对于LLBs的设计和管理至关重要。基于二维物理的模型可以准确地描述LLB的电化学过程。然而，由于存在复杂的偏微分方程（PDE），求解模型成为一项具有挑战性的任务。本文开发了一个物理信息复合网络（PlCN）作为二维物理模型的替代模型。具体来说，PlCN由四个深度神经网络（DNN）组成，分别估计四个关键电化学状态的分布。由于PlCN的架构受到PDE特性的启发，它可以通过四个轻量级DNN实现高精度。此外，通过结合物理和数据，PlCN使用有限的数据实现了准确的估计。它甚至可以估计可能无法直接测量的电化学状态分布。MoreoverPICN提出了一种基于低频信息的预训练策略和两阶段损失平衡策略，以解决PlCN训练中可能出现的收敛失败和损失不平衡问题。PlCN是通过将物理与数据相结合来模拟LLBs电化学过程的新尝试。大量实验表明，它比最先进的模型要好。 关键词：数据、电化学过程、锂离子电池、物理学、替代模型。
对于机械系统的预测和健康管理，一项核心任务是预测机器的剩余使用寿命（RUL）。目前，具有自动特征学习的深度结构，如长短期记忆（LSTM），在RUL预测方面取得了很好的性能。然而，传统的LSTM网络只使用最后一个时间步的学习特征进行回归或分类，效率不高。此外，一些具有领域知识的手工制作的特征可能会为RUL的预测提供额外的信息。因此，将这些手工制作的特征和自动学习的特征集成到RUL预测中是非常有动力的。在这篇文章中，我们提出了一种基于注意力的深度学习框架，用于机器的RUL预测。LSTM网络用于从原始数据中学习序列特征。同时，所提出的注意力机制能够学习特征和时间步长的重要性，并为更重要的特征和时间步分配更大的权重。此外，开发了一个特征融合框架，将人工生成的特征与自动学习的特征相结合，以提高RUL预测的性能。对两个真实数据集进行了广泛的实验，实验结果表明，我们提出的方法优于现有技术。 关键词：注意力机制、特征融合手工特征、长短期记忆（LSTM）、机器剩余使用寿命（RUL）预测、预后和健康管理（PHM）。
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
