在工业过程中，长短期记忆（LSTM）通常用于软传感器的时间动态建模。由于连续的物理和化学反应，过程数据在不同时间尺度下通常具有各种时间相关性。然而，LSTM模型只能提取特定时间尺度的动态特征，这影响了特征学习能力和建模精度。本文提出了一种新的分层序列生成网络（HSGN），用于使用大量未标记的软测量过程数据挖掘多尺度动态特征。为了提取多尺度动态特征进行质量预测，过程数据以不同的采样率重新采样，然后用于在不同时间尺度上预训练相应的自学习LSTM模型。随后，它们可用于计算标记样本的多尺度隐藏特征状态，这些状态进一步与原始输入信息集成，并输入到深度信任网络（DBN）中，以构建输出变量的预测模型。因此，HSGN方法可以利用大量未标记的样本来挖掘多尺度动态隐藏特征，克服工业过程中的不规则采样问题。在实际工业场景中的应用表明了所提出方法的有效性。 关键词：深度学习、分层序列生成网络（HSGN）、多尺度动力学、质量预测、软测量。
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。
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）。
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。
中服云物联网平台，业界领先，功能强大
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
没有账户，需要注册
汽车智能化网联化融合发展已经成为全球政府、产业界的发展共识，各国通过升级政策法规、推动测试示范、加速创新应用等方式推动智能网联汽车产业发展。2024年1月，我国启动智能网联汽车“车路云一体化”应用试点，推动车路云一体化从技术验证迈向规模化应用。
过去十年，中国消费市场的高速迭代催生了一批极具活力的新锐品牌。它们凭借对消费趋 势的敏锐洞察、柔性灵活的供应链体系以及成熟的数字化运营能力，在国内细分市场中迅 速崛起，创造了一个又一个“爆款神话”。
中服云作为国内著名的专业工业物联网平台系列产品提供商，历经十余年深耕发展，已构建起成熟的全系列多层次产品体系，精准适配不同行业、不同规模用户的差异化需求。凭借在工业数据采集、边缘计算、人工智能、数字孪生等领域的深厚技术积累与持续创新，中服云已为海量工业企业提供了稳定可靠的数字化转型解决方案。平台支持云端SaaS在线部署与用户现场私有化部署两种模式，既满足中小企业轻量化、低成本的在线使用需求，也保障大型企业对数据安全、定制化服务的高标准要求。
中服云数字孪生平台以物联网平台+数据中台为坚实基础，以2D/3D/GIS为核心展示形式，致力于打造一个从设备原始数据到孪生应用落地的一站式数智化平台。
中服云作为国内领先的工业物联网平台厂商，其技术架构与功能特性高度适配火山地震监测场景的需求
人工智能的迅速发展将深刻改变人类社会生活、改变世界。为抢抓人工智能 发展的重大战略机遇，构筑我国人工智能发展的先发优势，加快建设创新型国家 和世界科技强国，按照党中央、国务院部署要求，制定本规划
：整合多模态医学数据，包括图像、文本、声音、 传感器数据和基因组、转录组、蛋白质组等多组学数据，完成 不同时间点、条件下的数据对齐，构建医学科研数据资源库。 利用数据融合模型与方法，提供跨模态标注算法和标注工具， 揭示跨模态数据之间的语义关联性，帮助分析其相互作用和整 合效果，提高诊断和分析的准确性。面向不同类型的数据，提 供计算机视觉、自然语言处理、图学习等多类算法，对多模态 数据进行特征提取、模型训练、统计分析等，以识别疾病标志 物和模式。提供科研合作平台，促进跨学科研究团队的协作， 支持将分析结果转化为临床辅助决策支持工具，辅助医生进行 更准确的诊断和治疗规划。
为抢抓人工智能发展新机遇，支持人工智能技术赋能智能终端产品，推动智能终端产业高质量跨越 式发展，加快建设国际国内领先的人工智能终端产业集聚区，按照《关于加快发展新质生产力进一步推 进战略性新兴产业集群和未来产业高质量发展的实施方案》《深圳市加快打造人工智能先锋城市行动方 案》等文件要求，结合我市实际，制定本行动计划
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
