针对变压器故障特征选择困难和诊断模型准确率较低的问题，提出一种混合式故障特征选择方法，并利用改进北方苍鹰优化算法（improved northern goshawk optimization algorithm，INGO）优化深度混合核极限学习机（deep hybrid kernel limit learning machine，DHKELM）实现变压器故障诊断。首先，基于相关比值法构建24维变压器故障特征集，从线性相关和非线性相关的角度出发，采用Pearson相关系数和互信息法，筛除相关性较低的特征。其次，引入Logistic混沌映射、随机反向学习和自适应t分布变异改进NGO算法，提升其寻优性能。然后，利用INGO算法对保留特征进行二次筛选，获得最优输入特征。最后，将极限学习机自动编码器引入混合核极限学习机中，建立DHKELM诊断模型，利用INGO对DHKELM模型初始参数进行优化，完成INGO-DHKELM变压器故障诊断模型的构建。实验表明，与常规特征选择方法相比，利用混合式故障特征选择方法所选择的输入特征进行故障诊断能够有效提升诊断准确率；相较于其他优化型诊断模型，INGO-DHKELM具有更高的准确率和更好的稳定性。
连续学习最近在机器剩余使用寿命（RUL）预测中受到了特别关注，它使深度预测网络能够使用增量样本来逐步提高网络性能，而无需费力的再训练。然而，目前的研究显示出几个局限性：1）在多个连续学习阶段后，缺乏一种明确的机制来防止象牙记忆的丧失。2）基于连续学习的RUL预测缺乏采样增强重放技术。为了解决上述局限性，本文提出了一种用于机器RUL预测的互补连续学习框架，该框架包含两个新特征，即长期增强和联想重放。这两个特征是互补和共同增强的。长期增强侧重于多阶段连续学习，这能够防止深度prognos.tics网络忘记以前学习到的退化知识。关联回放关注每个新的持续学习阶段，能够将典型的退化知识整合到新的网络学习中。使用滚动轴承的运行到故障数据集验证了提出的框架，并将其与一些最先进的方法进行了比较。实验结果表明，所提出的框架在持续学习过程中具有较低的遗忘率，并实现了更好的预测性能强化 关键词：关联回放、持续学习、深度学习、长期增强、剩余使用寿命预测。
干气密封是一种气膜润滑的流体动、静压结合型非接触式机械密封。如图1-1所示，包含有静环、动环组件(动环)、副密封O形圈、静密封、弹簧和弹簧座(腔体)等零部件。干气密封的结构设计特点为在密封端面上开设动压浅槽,其转动形成的气膜厚和流槽槽深均属微米级,并采用润滑槽、径向密封坝和周向密封堰组成密封和承载部分。可以说是开面密封和开槽轴承的结合。
智能制造装备是《国务院关于加快培育和发展战略性新兴产业的决定》、（中华人民共和国国民经济和社会发展第十二个五年规划纲要》及《“十二五”国家战略性新兴产业发展规划）中明确的高端装备制造业领域中的重点发展方向之一. 作为高端装备制造业的重点发展方向和信息化与工业化深度融合的重要体现，大力培有和发展智能制造装备产业对于加快制造业转型升级，提升生产效率、技术水平和产品质量，降低能源资源消耗，实现制造过程的智能化和绿色化发展具有重要意义。
在综合布线管理系统中,智能配线架的使用已经越来越广泛了。电子配线架即智能配线架，(编者注:下文简称“电配”)发展到今天大概有十几年了。它的架构有哪些，连接方式分几种，实现检测的技术有什么，各自的优缺点如何，选用电配要注意哪些方面，许多读者往往不是了解得很全面。我参与电配项目有十几年，有了不少的感悟，所以我觉得有必要写一篇文章讨论一下这些问题，供大家参考。
一、设备、管道系统压力试验 （一）管道系统压力试验条件 1、安全阀已加盲板、爆破板已拆除并加盲板。 2、膨胀节已加约束装置。 3、弹簧支、吊架已锁定。 4、当以水为介质进行试验时，已确认或核算了有关结构的承受能力。 5、压力表已校验合格。
一份完整的企业数字化转型全域数据平台能力规划建设方案（PPT）
自然界中的流体方程十分复杂，它们都起源于欧拉方程。为了找到这个方程在特定情况下失效的情况，数学家不得不用上了计算机。有人却觉得他们的证明不够“优雅”。
没有账户，需要注册
母公司公司的总目标是什么?母公司要求该业务单位做什么?将业务单位的定位是什么(基础业务还是边缘业务)
随着人工智能的迅猛发展，知识图谱与大模型作为两大核心研究领域，各自彰显出独特的技术优势。知识图谱以结构化方式精准刻画实体关联，为知识表示与推理提供了可解释的框架;大模型则凭借海量数据训练展现出卓越的自然语言理解与生成能力，具备强大的泛化学习性能。
国内重点工业物联网平台四类厂商分类及选型指南
工业物联网平台发展重点： 一是行业深耕化，从通用型平台向“一米宽、百米深”的行业垂直平台转型，聚焦能源、交通、化工等领域的特定需求，沉淀场景化解决方案与行业Know-how，而非追求“大而全”的覆盖能力。 二是智能融合化，工业大模型与平台深度结合，实现工业知识的智能化重构、应用开发的低代码化升级，以及生产运营的自感知、自决策、自优化闭环管控，AI成为提质增效的核心变量。 三是生态协同化，平台不再是单一技术载体，而是串联产业链上下游的协同中枢，通过跨系统数据融合、产学研用金深度合作，形成“数据-算力-应用”的生态闭环，赋能供应链协同与产业集群升级。 四是部署灵活化，采用“平台化产品+私有化部署”结合的模式，兼顾中小企业轻量化需求与大型集团定制化诉求，支持公有云、私有云、边缘端的混合部署，平衡成本与安全性。
数据能够为企业带来什么价值数据能够为企业带来什么价值数据能够为企业带来什么价值数据能够为企业带来什么价值数据能够为企业带来什么价值数据能够为企业带来什么价值
智慧监管整体解决方案智慧监管整体解决方案智慧监管整体解决方案智慧监管整体解决方案智慧监管整体解决方案智慧监管整体解决方案智慧监管整体解决方案智慧监管整体解决方案
信息安全等级保护解决方案信息安全等级保护解决方案信息安全等级保护解决方案信息安全等级保护解决方案信息安全等级保护解决方案信息安全等级保护解决方案信息安全等级保护解决方案信息安全等级保护解决方案
推动生态重构。AI、大数据、物联网等技术从单点 突破走向深度融合，不仅优化了预订、服务、管理 等全流程体验，更催生出 “酒店 + 科技 + 生态” 的新范式。部分领先企业已搭建起开放的数字化生 态平台，链接上下游资源，实现从 “单打独斗” 到 “协同共赢” 的转变，这标志着行业数字化已 从 “工具赋能” 阶段，迈向 “生态赋能” 的全新 阶段。
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
