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

新能源储能一体化场站智慧化建设方案(97页 WORD)

随着能源结构转型和电力体制改革不断深入，我国可再生能源发电行业快速发 展，可再生能源装机容量和发电量持续增大。在利好政策和行业发展趋势推动下， 各发电集团积极提出“大力发展新型能源 ”的发展方针，“十四五 ”期间新能源将 成为电力机构的主力军。同时，在新能源发展过程中也面临着极大的考验，在能源 结构大调整的背景下，项目投建主体专业水平参差不齐，如何保证投建项目安全、 稳定、高效运行，降低能耗和设备损耗，提升能效和能源销售收入，最大化投资回 报率和客户满意度，已经成为新能源场站的核心关注点，智慧场站的建设也逐渐成为各发电企业的竞相探讨的热点之一。

  • 2024-05-27
  • 阅读1069
  • 下载16
  • 126页
  • docx

水文预警信息服务平台工程初步设计方案（62页 WORD）

根据城市防汛减灾需要，拟建设的XX区的城市水文预警信息服务平台，将充分利用移动互联网、大数据、云计算、三维可视化等高新信息术，通过构建基于位置的城市洪涝灾害预警信息发布系统，进一步提升城市洪涝灾害公众预警服务能力，实现信息的及时、精准获取以及推送。通过完善优化城市洪涝应急会商支持系统，在三维空间下为城市洪涝灾害应急会商决策提供更加准确、直观的技术支持

  • 2024-05-27
  • 阅读891
  • 下载3
  • 65页
  • docx

游敏：促进电力数字化转型搭建市场第三方平台

核心提要 　　●我国电力系统呈现出新能源占比不断提升，电力电子化趋势持续加速，以及发电侧集中式与分布式并举、电动汽车等用电需求多元化等新特点 　　●数字经济以数据为关键要素，以数字技术与实体经济的深度融合为主线，具有跨界融合、连接合作、共享共赢的生产力特征

  • 2024-05-26
  • 阅读147

基于CNN的机械故障诊断所面临的困难和挑战

CNN 作为深度学习中最为重要、典型的网络之一，被引入到机械故障诊断领域，虽处于起步阶段，但研究和应用已初见成效。

  • 2024-05-26
  • 阅读198

【IEEETII】基于双向LSTM和注意力机制的工业异常检测集成生成模型

摘 要 对于新兴的工业物联网（IIoT）来说，智能异常检测是构建智能产业的关键一步。特别是爆炸性的时间序列数据对现代工业的信息挖掘和处理提出了巨大的挑战。如何识别和检测多维工业时间序列异常是一个重要问题。然而，大多数现有的研究都未能处理大量未标记的数据，从而产生了不理想的结果。在本文中，我们提出了一种新的集成深度生成模型，该模型是由基于双向长短期记忆和注意力机制（AMBiGAN）的生成对抗性网络构建的。生成器和鉴别器的结构是具有注意力机制的双向长短期记忆，可以捕捉时间序列依赖性。重构损失和生成损失测试样本训练空间和随机潜在空间的输入。实验结果表明，我们提出的AMBi GAN的检测性能有可能提高人工智能时代工业多维时间序列异常对IIoT的检测精度。

  • 2024-05-26
  • 阅读237

【IEEETII】基于多步融合Transformer模型的泡沫浮选品位预测

准确及时的泡沫品位预测在浮选泡沫工业过程中起着重要作用。然而，不同采样时间的泡沫特征序列和泡沫等级序列之间的信息往往不匹配，使得预测结果滞后。本文设计了一种多步融合Transformer （MSFT）模型。首先，我们提取多个泡沫时间序列作为输入，在多个时间序列下关联特征信息和等级信息，然后，设计一个自注意结构在多个尺度上进行融合，提高了不同时间序列下的信息相关性，最后，信息矩阵通过全连通层得到最终的预测结果。与现有泡沫品位网络递归神经网络(RNN)、长短期记忆(LSTM)、门控递归单元、Transformer、c - dec (RNN)、特征重建-回归、Siamese时间序列和差分(LSTM)和FlotationNet模型相比，MSFT模型在所有指标中分别将基线降低了30.3%、30.3%、30%、66.9%、30%、45.8%、55.2%和52.5%

  • 2024-05-26
  • 阅读269

【IEEETII】基于注意力的区间辅助网络用于过程工业中具有缺失值的异构采样序列的数据建模

在复杂过程工业中，多元时间序列无处不在，其非线性和动力学给重要质量变量的软测量带来了两大挑战。因此，由于其强大的表示能力，门控递归单元（GRU）和长短期记忆（LSTM）网络等非线性动态模型已被用于数据序列建模。尽管这在许多工业工厂中很常见，但这些动态算法无法直接处理具有异构样本间隔和缺失值的数据序列。为此，本文提出了基于注意力的区间辅助网络（AIA-Net），用于对流程行业中具有缺失值的异质采样序列的时间信息进行自适应建模。它包括两种主要机制，分别命名为基于注意力的时间感知动态插补和区间辅助时间感知网络。减少率是通过基于注意力的时间感知动态插补引入的，以应用时间间隔的影响，并用于缺失数据的插补。间隔辅助时间感知网络在模型结构中包括时间间隔，并使用采样间隔门来校正时间序列中的时间相关性。将所提出的AIA-Net成功应用于实际加氢裂化过程，预测了轻质石脑油中C5和C6的含量。

  • 2024-05-26
  • 阅读249

【JPC】高炉炼铁过程软传感器的多时间尺度inception-time网络

时间序列预测在许多领域得到了广泛的应用，工业软传感器就是其中之一。大多数时间序列建模方法要求以相等的间隔对所有输入进行采样。然而，在工业中，过程变量通常在不同的时间尺度上以不同的间隔进行采样。为了解决这个问题，在本文中，我们设计了一个框架，使用深度学习和时间表示技术对具有多个采样频率的长时间工业数据进行建模。数据通过时间表示聚合到不同的时间尺度，网络使用瓶颈层和一维滤波器同时提取时间和空间维度上的信息。与其他方法相比，所提出的模型有了显著的改进，并已在工厂部署并每月更新。 关键词：时间序列预测，多时间尺

  • 2024-05-26
  • 阅读227