基于软件定义网络（SDN）的工业物联网（IIoT）网络具有一个集中式控制器，它是未经授权用户攻击的单一有吸引力的目标。IIoT网络中的网络安全正成为最重大的挑战，尤其是来自日益复杂的分布式拒绝服务（DDoS）攻击。这种情况需要有效的方法来缓解最近的攻击，因为现有技术更侧重于DDoS检测。大多数现有的DDoS检测功能在计算上都很复杂，并且不再具有足够的效率来抵御DDoS攻击。因此，需要一种低成本的DDoS攻击分类方法。本研究提出了一种有效的特征选择方法——极限梯度提升（XGBoost），用于确定最相关的数据特征，该方法使用卷积神经网络和长短期记忆（CNN-LSTM）进行DDoS攻击分类。所提出的模型评估了CICDDoS2019数据集，该数据集具有改进的准确性和低复杂度能力，可满足低延迟IIoT需求。性能结果表明，该模型的精度高达99.50%，时间开销为0.179ms。
本文提出了一种基于TrCNN的多尺度域自适应方法，用于数据稀缺情况下的故障诊断。源域诊断模型采用Trans-former和CNN序列结构，在全局和局部捕获原始数据的互补诊断信息，有助于域自适应，同时提高源域故障诊断的准确性。我们提出了一种多尺度分布对齐框架MTCDAN，通过学习包含更多信息的多个域不变表示来补偿单结构分布对齐方法中的信息损失。通过TE过程和TFF实例验证了该方法的有效性和优越性。然而，由于仅考虑两个域标签空间相同的情况，本文提出的方法仍然受到限制。在我们未来的工作中，我们将进一步研究目标域中发生未知故障时的分布对齐策略，其中如何识别未知故障将是我们工作的重点。
洗面奶为弱酸性或中性红色乳液,多采用软管包装，是一种专门用来洗脸或卸妆的皮肤清洁剂。洗面奶具有良好的流动性、延展性和渗透性。采用洗面奶洗脸可以彻底去除脸部的汗渍、灰尘、油
本文从皂基型洁面膏的配方结构、制作工艺两方面阐述了皂基型洁面膏中各种组分对皂基体系的作用，以及生产工艺对产品的影响，对化妆品工程师进行皂基型洁面膏产品的配方设计和生产实践具有一定的指导意义和参考价值。
皂基产品在国内出现已经很多年了，但是国内的化妆品企业对此类产品的研究仍不够深入,皂基产品做的比较好如六神及樱雪等沐浴露等。而皂基的洁面膏制造工艺复杂，尤其是冷却过程，需要专门的大型设备，小型工厂根本没有能力生产出柔滑细腻的皂基洁面乳。所以目前市面上出售的大都是欧莱雅之类的大公司产品，国内的化妆品企业对此类产品的研究似乎仍然处于起步阶段，根据目前在世面上能够见到的国内企业所生产的洁面膏产品的分析，大多数企业所生产的洁面膏产品都没有能够达到国外同类产品的性能指标。
本文提出了一种用于复杂设备关键部件RUL的T2张量辅助多尺度Transformer，以捕捉多尺度时间模式。我们新颖地提出了时间数据和T2张量的张量化表示，并开发了一种高阶Transformer来提取T2张量的多尺度时间特征。针对该模型，提出了一种具有TRdecom位置的轻量级方法。他们提出的模型在准确性和效率方面具有卓越的能力。然而，我们提出的方法只是初步尝试，未来我们需要进一步研究数据处理，并将这种方法与分布式张量计算和云边缘协作等技术相结合，以提高模型的性能。
在本研究中，提出了一种新的基于KSLD TNet的轻量级深度学习模型，该模型可以有效地简化特征提取，增强对数据集中关键样本信息的提取。通过对关键样本的定位和提取，设计了一种基于传统Transformer网络的创新预测框架，从图书搜索的角度提高了工业过程的多步预测精度。两个真实的工业数据集证明了所提出的预测框架的优越性能。与最先进的方法相比，所提出的方法在多步预测精度和模型计算效率方面具有优势。由于该方法的样本简化机制可以减少模型计算量，因此更适合于工业大数据环境。在未来的研究中，我们将考虑如何使用本地化的关键样本进行扩充，以在小样本数据的背景下提高模型性能。
针对轴承全寿命周期数据获取困难、训练样本少的问题,提出一种基于关系网络的轴承剩余使用寿命 (Remaining useful life,RUL) 预测方法。
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
