从人工智能产业对社会经济的影响入手，分析全球人工智能产业的发展与布局，对未来产业发展规模及 融资需求进行了测度，并从主要国家的总体战略与资金部署、产业界科技巨头并购行动，以及全球风险投资等 方面对行业发展的全球资源配置进行梳理与分析。 研究认为，从目前全球资金配置情况来看，中国亟需在 人工智能领域，特别是基础性研究阶段进行战略性资金部署，形成财政资金、金融资本、社会资本等多方 支持的局面。
技术开发的迭代推进和技术应用的规模化积累，在推进数字技术不断取得新突破的同时，也使数字技术变得更加成熟和可靠。数字技术的先进性、复杂性、集成性与数字化系统覆盖面更广、界面更直观、操作更简单同步发展。人们能够随时随地访问功能越来越强大的数字化系统。
从260年前的第一次工业革命，到以人工智能、大数据、物联网为代表的数字技术驱动的第四次工业革命，人类社会经历了蒸汽时代、电气时代、信息时代，并正在处于智能时代之中。每一次的跨越式的进步，都是由技术变革带来生产力的大幅提升，并催生出全新的行业，全新的生态，推动着时代不断向前。
中服云方案库，涵盖大数据、AI、物联网、数字化、智能制造、智能家居、智能楼宇、智能建筑、智慧城市、智慧场景、安防、5G+、模型算法、技术软件、行业展望、行业报告等各行各业相关方案资源。
广东背靠背柔性直流（简称柔直）工程交流侧仅有两条出线，且只有一个下一级变电站，换流器出现最后断路器的风险较高，工程中会配置最后断路器保护来防止设备过压损坏。为降低过电压特征以及提高最后断路器保护动作的时间裕度，基于广东背靠背柔直工程拓扑与控制策略开展了最后断路器三相和单相跳闸工况下的过压机理与特性研究。分析了柔直正负序调制波限幅取值范围，提出了一种柔直正负序调制波限幅优化降低过电压的方法，并开展了EMTDC仿真验证。研究结果表明，背靠背柔直过压特征与正负序控制强相关，且最后断路器单相跳闸比三相跳闸过压严重，换流变饱和特性会抑制过电压但会使控制响应更加复杂，采取所提方法可显著提升最后断路器保护动作的时间裕度。
以夏季高温和高荷载条件下绝缘跳线夹的过热的智能感知为研究对象，建立绝缘跳线夹在典型作业工况下的电-热多物理场耦合三维有限元模型，通过试验验证了模型的有效性，并获取绝缘跳线夹在不同电流负荷、光照强度、环境温度及风速等因素下温度场分布数据作为线夹过热感知模型的训练样本。为了提高麻雀搜索算法（sparrow search algorithm，SSA）在全局搜索的能力引入反向学习策略构建了改进麻雀搜素算法（improved sparrow search algorithm，ISSA），采用改进麻雀算法优化BP神经网络（improved sparrow search algorithm optimization back propagation neural network， ISSA-BPNN）建立绝缘跳线夹温度预测模型，并使用均方值、决定系数评价ISSA-BPNN与粒子群算法优化BP神经网络（particle swarm optimization back propagation neural network， PSO-BPNN）、遗传算法优化BP神经网络（genetic algorithm optimization back propagation neural network， GA-BPNN）、麻雀搜索算法优化BP神经网络（sparrow search algorithm optimization back propagation neural network， SSA-BPNN）及BP神经网络5种算法的预测精度。结果表明，ISSA-BPNN模型相较于其余4种算法的预测模型其预测平均误差可控制在0.71%以内，且收敛速度更快，可以更加精准预测绝缘跳线夹温升，为绝缘跳线夹的状态检测与评估提供了依据。
本报告考虑工业领域的网络安全需求，结合工业领域5G LAN 技术的发展和应用情况，总结了5G LAN网络安全相关技术，以及有代表性的行业典型案例，为工业领域的5G LAN安全技术应用和推广提供参考依据和指导。
生物质能作为重要的可再生能源，同样是国际公认的零碳可再生能源，具有绿色、低碳、清洁等特点。生物质资源来源广泛，包括农业废弃物、木材和森林废弃物、城市有机垃圾、藻类生物质以及能源作物等。生物质能通过发电、供热、供气等方式，广泛应用于工业、农业、交通、生活等多个领域，是其他可再生能源无法替代的。
自中国确立“双碳”目标以来，各行业、各地区的低碳转型逐步进入实操阶段， 打造“零碳工业”也成为了重要行业趋势。其不仅能直接带动装备智造的技术革新，更提供了绿色新工业产值。另外，在零碳工厂内生产的产品对外出口可绕开碳关税，而且还会因减碳而降低成本。在这个过程中，工业园区是控碳和降碳“一块难啃的硬骨头”
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
