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

大模型关键技术与未来发展方向———从ChatGPT谈起

大规模预训练模型,也被称为“基座模型”或“大模型”,目前被认为是通用人工智能技术的核心引擎,已经成为了全球科技竞争焦点。本文归纳总结了以聊天生成预训练转换器(ChatGenerative Pre-trained Transformer,ChatGPT)为代表的生成式大模型技术研究现状和发展趋势,从大模型基座、大模型人类偏好对齐、大模型推理与评价、多模态大模型、大模型安全可控五个方面讨论了当前大模型研究的现状和挑战,并结合我国人工智能研究特点,简要分析了大模型未来的重点发展方向。

  • 2024-10-04
  • 阅读720

乘积包络谱优化-Gram：一种用于滚动轴承故障诊断的增强包络分析

故障滚动轴承的振动信号表现出典型的非平稳性- -通常以循环平稳的形式出现。常用于表征循环平稳性的谱工具主要有包络谱、平方包络谱和对数包络谱。本文开发了新的循环平稳检测方法，以获得更大的包络分析族，并严格评估了它们在滚动轴承故障诊断中的有效性。首先，基于简化的Box - Cox变换，从解析信号中构造广义包络信号用于解调，进而提出广义包络谱(Generalized Envelope Spectrum，GESs )谱族来揭示循环平稳性。特别地，对于滚动轴承振动信号中普遍存在的随机脉冲噪声和高斯背景噪声，不同变换参数的GES表现出不同的性能优势。随后，开发了一种结合不同GES性能优势的新型频谱工具，称为产品包络谱( PES )，以加强检测循环平稳的能力。最后，提出了乘积包络谱优化图( Product Envelope Spectral Optimization-gram，PESOgram )的增强包络分析方法，以提高PES在不同故障非相关干扰噪声下滚动轴承故障诊断的准确性和鲁棒性。利用两个铁路车轴轴承试验台采集的数值生成信号和实验信号对PESOgram方法的性能进行了验证，并与几种最先进的包络分析方法进行了比较。结果证明了所提方法对滚动轴承故障诊断的有效性，以及与其他先进方法相比的优势。

  • 2024-09-27
  • 阅读102

郝峰杰高工：混合多类型储能的分布式能源系统运行优化方法

对于含多类型混合储能系统的运行优化，通常将所有设备等效为一个整体，并未考虑各储能系统的运行特性差异等因素，最终导致设备利用率低，经济运行能力差。为此，首先以最大可再生能源消纳以及最小电网交换电量为目标，构建了优化函数模型。其次，考虑到多类型储能系统在充放电动态特性、运行成本特征以及SOC设定等方面差异，提出了一种结合能量型储能SOC一致性约束的双层解耦式运行优化方法，以适应分布式能源系统中的多类型储能协同运行。最后，以某个在建的分布式可再生能源系统工业示范园区数据为基础，对所提方法进行了算例验证与分析。结果证明，所提方法在保证分布式能源系统内多个能量型储能系统充放电同步性的同时，能够对具有相同运行特性的储能系统进行聚类，有效了降低计算复杂性，完成多类型储能协调与优化，并最终促进分布式能源系统的新能源消纳。

  • 2024-09-27
  • 阅读77

基于物理信息残差网络的滚动轴承故障诊断

近年来学者们开发了多种用于机器状态监测的深度学习方法，在轴承故障诊断方面取得了令人瞩目的成功。尽管能够有效地诊断轴承故障，但大多数深度学习方法都非常依赖大量的数据，在工业应用中并不总是可获取到的。在实际工程中，轴承通常安装在经常发生速度和负载变化的旋转机械中，导致难以在所有操作条件下收集大型训练数据集。此外，在大多数深度学习算法中，物理信息常常会被忽略，有时会导致生成的结果不符合物理定律。为了应对这些挑战，本文提出了一种新的物理信息残差网络（PIResNet），用于学习嵌入在训练和测试数据中的底层物理信息，从而为不完美的数据提供符合物理规律的解决方案。在所提出的方法中，首先采用物理模态特性主导生成层来生成模态特性主导特征。然后，构建域转换层，以实现在不同运行速度条件下提取能够判别轴承故障的特征。最后，建立了一个并行双通道残差学习架构，可以自动提取轴承故障特征。使用可变运行速度和可变负载以及时变运行速度下的实验数据集进行验证，证明了PIResNet在非平稳运行条件下的优越性。

  • 2024-09-27
  • 阅读552

基于多保真度深度神经网络的偶然不确定性量化

传统的不确定性量化( uncertainty quantification，UQ )方法在处理高维问题时会遭遇维数灾难，解决这一挑战的一种方法是利用深度神经网络 ( deep neural networks，DNNs ) 强大的近似能力。然而，传统的 DNNs 通常需要大量高保真度 ( high-fidelity，HF) 数据训练来确保精确的预测，但由于计算或实验成本限制，此类数据可得性有限。为了减少训练费用，本研究引入了多保真度深度神经网络 ( multi-fidelity deep neural networks，MF？DNNs )，其中构建了一个子网络来同时捕获高保真度和低保真度 ( low-fidelity，LF ) 数据之间的线性和非线性相关性。MF？DNNs 的有效性最初通过准确近似各种基准函数来证明。随后，考虑输入不确定性的均匀分布或高斯分布，首次使用开发的MF？ DNNs来模拟1维、32维和100维环境中的偶然不确定性传播，UQ 结果证实，MF？ DNNs 能够熟练地预测兴趣参量 ( quantities of interest，QoI ) 的概率密度分布及其统计矩，而不会显著降低准确性。此外，MF？DNN 被用于模拟飞机推进系统内部的物理流动，同时考虑源自实验测量误差的偶然不确定性，基于二维欧拉流场和少量实验数据点，利用MF-DNNs对等熵马赫数分布进行了精确预测。总之，提出的 MF？DNN 框架在解决实际工程应用中的 UQ 和稳健优化挑战方面表现出巨大的潜力，尤其是在处理多保真度数据源时。

  • 2024-09-27
  • 阅读98

方差差异表示：一种用于故障迁移诊断的振动特征引导的分布对齐度量

第一作者简介：钱泉，重庆大学机械工程专业博士研究生，中共党员，重庆大学在校生最高荣誉——学生年度人物获得者，长期从事于机械装备故障诊断与预测性维护，共发表国际知名SCI论文15篇，其中以一作发表中科院一区9余篇、中科院二区1篇、IF>10高水平论文3篇，谷歌学术累计被引380余次，累计影响因子110+；已经申请发明专利14项，其中以学生一作授权中国专利4项、公开中国专利5项和英国专利1项。 2 目录

  • 2024-09-27
  • 阅读198

云计算基础知识

云计算是一种模型，可以随时随地，便捷地，按需地从可配置计算资源共享池中获取所需的资源，资源可以快速供给和释放，使管理的工作量和服务提供者的介入降低至最少。

  • 2024-09-26
  • 阅读88

电动汽车各系统常见故障及处理

汽车故障检测是通过观察、检测、分析及判断等一系列工作完成的，其基本方法主要分为两类:直观检测法与现代仪器设备检测法

  • 2024-09-26
  • 阅读72