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

梁少华、乔宗良：电厂智慧监盘及预警诊断平台研究（复述，能源研究与利用2023.1）

电站设备由于长期在振动、磨损、高温等较为恶劣的环境中运行容易发生故障，且设备在发生故障的早期阶段具有隐蔽性，从而对运行人员监控机组状态产生干扰，无法在设备故障早期阶段做出预警，就会影响运行人员的判断，造成重大损失。因此对电厂设备进行在线监测与故障早期预警，是保障电站设备运行可靠性以及建设现代智慧电厂的重要手段。对此本文利用电站DCS？系统中存储的热工过程数据，基于神经网络算法将设备测点组合抽象为预警模型，采用模块化设计，开发了燃煤火电智慧监盘及预警诊断平台。实践表明，该平台可以在设备劣化阶段早期迅速报警，通过Web？端通知现场运行人员，真正实现了燃煤火电智慧监盘。

  • 2025-01-17
  • 阅读379

旋转机械转子系统常见的13种振动特性、原因及处理措施（分析详细，先收藏、再细读）

涵盖了旋转机械（齿轮箱、汽轮机、压缩机、电机以及泵等）转子不平衡振动、不对中振动、油膜涡动与油膜振荡振动、共振振动、松动振动、摩擦振动、电磁振动、流体动力激振、扭转振动、自激振动、转子偏心振动、转子弯曲振动以及拍振的特点、原因分析及处理措施

  • 2025-01-16
  • 阅读702

52页PPT｜智慧矿山数据中台/大数据平台一体化解决方案：基础系统中心、机电运输中心、后勤保障中心、调度指挥中心、安全服务中心

子系统烟囱式建设：企业业务系统多，数据接入困难，系统间缺乏集成。数据时效性差：从业务系统中获取数据到精准决策需要较长时间，且数据指标维度不全面。数据标准不统一：缺乏全集团统一的数据标准，导致数据孤岛问题严重。数据无法共享：各个数据平台烟囱式关系，没有统一的共享和管控体系。

  • 2025-01-16
  • 阅读207

【RSER】工业过程的能源消耗和碳排放预测：现状、挑战和前景

工业过程消耗大量能源并排放大量二氧化碳。借助准确的能源消耗和碳排放预测，工业企业将更容易实现清洁生产，优化能源结构，通过更深入地控制生产情况来降低生产成本和碳排放。由于机器学习建模方法的过度饱和，预测模型在提高准确性和提取数据特征方面面临困难。引入深度学习方法来解决这些问题，然而，数据传输中关键参数和异常的不准确测量加剧了工业大数据的不确定性。这使得基于机器学习的预测模型表现出很强的不确定性和较差的泛化能力。因此，提高当前工业能耗和碳排放预测模型在不同工业情景下的准确性非常困难。本文总结了近年来工业过程能耗和碳减排预测的研究。结合当前工业过程的实际问题，本文总结了三种预测模型：（i）基于深度学习和模型不确定性相结合的多步预测模型，（i）结合机制和数据驱动方法的预测模型，以及（ii）基于智能算法的预测模型。这些模型将成为未来建立通用工业过程能耗和碳排放预测模型的新途径。关键词：系统集成与分析、碳排放、节能减排、深度学习、人工智能

  • 2024-10-09
  • 阅读484

SCI论文学习|一种基于联邦学习的边云协同机器剩余使用寿命预测的方法

本期给大家推荐郭亮教授的一种基于联邦学习的边云协同机器剩余使用寿命预测的方法。针对实际工业应用中智能方法预测剩余使用寿命（Remaining Useful Life）时出现的边缘客户端计算能力较弱、数据量有限以及所有边缘客户端数据不共享的问题，提出了一种基于联邦学习的RUL预测方法——FedRUL。该方法利用多个边缘客户端和一个云服务器在不共享数据的情况下训练全局编码器和剩余寿命预测器。首先，将所有的局部训练数据集馈送到相应的客户端，用于训练自己的卷积自编码器（Convolutional Autoen-coder）。然后，将所有客户端的编码器上传到服务器对编码器进行聚合。最后，服务器将全局编码器和RUL预测器分发给所有客户端，以实现相应的剩余寿命预测任务。通过铣刀数据集和轴承数据集验证了该方法的有效性。

  • 2024-12-19
  • 阅读340

自动驾驶算法——理解强化学习（三）

MC 方法很简单；你只是直接从经验情节中学习。它之所以无模型，是因为没有任何关于 MDP 转换/奖励的知识。它使用简单的“价值 = 平均回报”这一想法从完整的情节中学习。警告：只能将 MC 应用于情节 MDP，并且所有情节都必须终止。

  • 2024-12-19
  • 阅读243

FTA故障树列表

FTA故障树列表FTA故障树列表FTA故障树列表FTA故障树列表FTA故障树列表FTA故障树列表FTA故障树列表FTA故障树列表

  • 2025-06-17
  • 阅读611

杨建高工：基于WT-CNN-BiLSTM模型的日前光伏功率预测

光伏功率的准确预测对于电网的安全稳定和经济运行具有重大意义。为此，提出了一种日前光伏功率预测方法，利用小波变换（wavelet transform，WT）将数值天气预报数据（numerical weather prediction，NWP）和光伏功率数据分解为具有时间信息的频率数据，消除数据信息中随机性和波动性对预测精度的影响，利用卷积神经网络（convolutional neural network，CNN）模型深度挖掘输入数据的季节性特征和空间关联特性，利用双向长短期记忆网络（bi-directional long-short term memory，BiLSTM）模型获取输入数据序列的时间相关性，构建基于WT-CNN-BiLSTM的日前光伏功率预测模型。以某一光伏电站为计算对象，在不同季节和气候条件下对比分析WT-CNN-BiLSTM模型、CNN-BiLSTM模型、LSTM（long-short term memory）模型、GRU（gated recurrent unit）模型以及PSO-BP（particle swarm optimization-back propagation）模型的预测结果，计算结果表明WT-CNN-BiLSTM模型的预测精度高于其他模型的预测精度。

  • 2024-10-09
  • 阅读978