目标和全生命周期应用的内容和机制，设计阶段的BIM协同设计由设计团队自行组织并完成 设计交付，BIM管理者负责数据的验证和传递。 4.1.2 【生产施工阶段组织】工程项目建造过程的协同管理存在数据应用主体多，时间跨度 长，版本修改多等问题，应在建设前确定BIM管理者和管理机制，建设单位、BIM管理者、 各参建方的组织关系宜按图4.1.2进行组织。 图4.1.2 生产施工阶段BIM数据协同管理组织示意图 、建造期间不同分项分部的二次深化、设计 局部修改等模型及关联数据进行档案管理， 负责验证各参建方提交的BIM数据的有效性， 监督参建方按管理标准进行修改完善和及时提 交。BIM管理者按照时间阶段、模型提交角色 等不同维度，对BIM数据进行集成，以支持 项目建造过程的实时应用和过程追溯。 ● 技术 交底 采用BIM 技术对施 工重难点进行技术 【命名规范】各参建方协同交付的文件名称需统一，宜包含项目名称、专业类别、版 本号及创建日期等信息。 5.1.3 【版本设置】设置版本号递增规则，每次修改后版本号+1，同时保留历史版本，注明 修改内容、修改人、修改时间及修改审查确认，避免数据混乱。 5.1.4 【储存要求】应根据项目实际使用建立各方统一的文件存储路径，宜按项目名称/阶段 /专业/文件的结构分层存放。 5.1.5 【备份要求】各类文件宜在

月流行度趋势 2020 年物联网设备超过非物联网设备 │ ©202 四维纵 横 Confidential 1 什么是时序数据 • 时序数据是时间序列数据，即带有时间戳的数据序列。这个序列中的—个数据也成为数据点 （ data point ）， —个数据点通常是—个（ timestamp ， value ）对。 t i m e s e r i e s (tsN,vN) │ ©202 四维纵横 Confidential 1 什么是时序数据 • 可以有很多时间序列，每个时间序列有自己的节奏。 timeseries1 (ts1,v1) (ts2 v2) (ts3,v3) (ts1,v1) (ts2,v2) (ts3,v3) 什么是时序数据 • 时间序列都是 (ts,val) 序列，那么如何区分不同的时间线？不同时间线会有不同的静态属性，通过静 态属性可以区分时间线。 . . (tsN,vN) (tsK,vK) Confidential 1 ●

GIS & BIM & FM 取设备对应电子标签或扫描设备对应的条码之后，平板电脑或智能 手机会自动纪录下电子标签的编码和读取的准确日期和时间，并自 动提示该设备需做的维保工作内容。工程人员按维保工作内容进行 工作并记录巡查、检测结果。如果发现设备故障工程人员就可以使 用平板电脑或智能手机记录问题并拍照，然后上传至管理平台，系 统自动生成内部派工单进行维修处理。 维修等客服人员可以通过系统对工单进行接单、转派、反馈等工作。 系统将自动将派工单推送到工程人员智能手机上，工程人员可直接 处理派工请求，或登门服务并拍照反馈，处理结果及时回传运维平 台，报修人员亦可第一时间了解服务处理情况并反馈满意度。 二、 平台关键技术 智慧建筑正在逐渐改变着传统建筑管理和服务模式，特别是 GIS、BIM、VR、物联网技术的创新与研发，帮助用户真正享受到智 伟景行智慧建筑运维管理平台解决方案 这种模式将固定资产的空间位置信息管理起来，并且通过设定 搬迁流程来管理资产位置的变动，达到便利快速的跟踪资产的效果， 使得传统上的“大盘点”不再成为繁琐沉重的工作，而是一系列的控制 性的轻松的抽查任务，这可以安排在人手富余的空闲时间段内完成。 甚至于在较为严格的搬迁管理流程之下可以完全无需盘点，这实际 伟景行智慧建筑运维管理平台解决方案 GIS

宜对智慧运维平台使用的软件及子系统系统进行兼容性、可靠性、有效性和安全性分 第 7 页 析，并符合下列规定： 1. 兼容性分析包括系统兼容性、设备兼容性、数据兼容性等； 2. 可靠性分析包括无故障运行时间、系统恢复时间等； 3. 有效性分析包括应用服务的完整度、数据服务的准确度和稳定度等； 4. 安全性分析包括服务器安全、传输安全、数据库安全、网络安全等； 5.2.4 宜根据使用场景、工况、环境、系统 能，采用通用标准协议或接口开发包实现数据接入； 2. 智能网关宜具备本地存储和断点续传功能，网关内采集的数据存储时间不应少于 30 天； 3. 智能网关应具备自诊断和自恢复的功能； 4. 智能网关宜带有边缘计算功能，宜具备操作日志保存和管理功能。日志严禁修改、 第 9 页 人为删除，保存时间不宜少于 6 个月； 5. 智能网关外壳防护等级宜不低于 IP54，并满足工业级温湿度环境和电磁兼容性要 功能； 6. 具备设备能耗采集、统计和分析功能，可对非涉及安全类设备进行远程数字孪生控 制，能够进行故障预警诊断及建筑碳排放信息核算； 第 10 页 7. 通过设定上下限阈值、偏离系数、持续时间、时段、季节性因素和气候条件等要素， 判断运行及控制参数值是否正常，并及时进行异常对现场感知的数据进行清洗、 校正； 8. 定期对设备在线情况状况进行检查，异常时应能及时告警。支持将故障信息通过移

领域主要涵盖预测性维护、质量控制、供应链优化和生产调度等关 键环节。据麦肯锡 2023 年全球制造业 AI 应用报告显示，全球领先 制造企业中已有 67%实施了 AI 解决方案，其中，预测性维护的成 功实施使设备非计划停机时间减少了 30%-50%，维护成本降低了 20%-40%。 在质量控制方面，基于深度学习的视觉检测系统已广泛应用于 精密制造领域，通过高分辨率工业相机与 AI 算法的结合，缺陷检 测准确率可达 期为行业提供切实可行的技术路径。 首先，AI 技术能够通过大数据分析和机器学习算法，优化生产 流程，减少资源浪费。例如，通过对生产线的实时监控，AI 系统可 以预测设备故障并进行预防性维护，从而减少停机时间，提高生产 效率。此外，AI 还可以通过对历史生产数据的分析，优化生产计 划，减少库存积压，降低运营成本。 其次，在质量控制方面，AI 技术能够通过图像识别和深度学习 算法，实现对生产过程中缺陷的自动检测和分类。相比传统的人工 果，以下为某新能源汽车制造企业引入 AI 系统前后的生产效率和 产品质量对比数据： 指标 引入 AI 前 引入 AI 后 提升幅度 生产效率(台/小时) 10 15 50% 产品不合格率(%) 5 2 60% 设备故障停机时间(小时/月) 20 8 60% 综上所述，AI 技术在新能源汽车制造中的应用，不仅能够显著 提升生产效率和产品质量，还能够优化供应链管理，降低运营成 本。因此，本研究的意义在于为新能源汽车制造企业提供切实可行

能推动企业的智能 化转型，从而实现传统制造业的数字化升级。 首先，AI 大模型的训练过程通常利用海量的结构化和非结构化 数据，使得模型具有了强大的表征学习能力。通过自然语言处理、 图像识别和时间序列分析等技术，模型能够更好地理解和模拟复杂 系统的行为。这种能力使得 AI 大模型在数据分析、预测维护及智 能生产等方面得到了广泛应用。 随着计算能力的提升和算法的不断优化，AI 大模型的推理效率 大模型在工业领域的几个关键应用场景：  智能生产调度：利用大模型分析生产数据，优化生产排程和资 源配置，提高生产效率。  预测性维护：通过对历史设备故障数据的学习，模型能够提前 预测设备可能出现的问题，从而降低停机时间和维护成本。  质量检测：运用图像识别技术，对产品质量进行实时监控，及 时发现并解决质量问题，提升产品合格率。  个性化生产：结合用户需求，通过大模型优化产品设计和生产 流程，实现大规模定制的目标。 MDC（Manufacturing Data Cloud）项目正是响应这一时代需求的重要举措。 MDC 项目的必要性体现在以下几个方面：  效率提升：通过数据驱动的智能决策，MDC 能够优化生产调 度、减少设备停机时间，实现生产过程的高度自动化和智能 化，从而显著提升生产效率。  成本控制：实现实时数据监控与分析，MDC 能够精准识别耗 材、设备维护及人员调度的最佳实践，降低生产成本，提高资 源利用率。

理论验证手段，不仅承担着优化生产流程、降低试错成本的基础支撑 作用，更肩负着借助智能化技术推动产品持续创新与迭代的重要使命。 然而，传统工业仿真技术面临计算资源依赖度高、流程复杂、专业门 槛高等诸多瓶颈。一是计算资源与时间成本高昂。传统仿真模型的求 解过程以及其后续海量结果数据的分析与解读，通常依赖高性能计算 集群等昂贵的硬件资源的支持，导致仿真应用的技术门槛和经济成本 长期居高不下。二是建模方法与流程存在局限。传统仿真主要基于经 与智能制造的发展趋势进一步凸显了工业仿真领域日益 突出的供需矛盾。现代工业对产品快速迭代、多工况协同设计以及高 精度预测能力的持续追求，正在倒逼仿真技术加速向智能化转型。以 汽车设计中的气动特性测试为例，传统风洞实验往往需要需数月时间 完成测试，而当前市场已要求按周甚至天为单位的快速反馈周期。基 于人工智能技术，通过对历史数据的学习与预测，可大幅提升仿真速 度和精度。AI 技术的引入已成为突破传统仿真技术瓶颈、实现工业 智能化升级的关键路径。 （Surrogate Models）、降阶模型（ROM）以及物理信息神经网络（PINN） 等技术的应用，正给工业仿真带来效率革命。例如，ANSYS SimAI 等平台借助 AI 技术，可将特定场景的仿真预测时间缩短至秒级或分 科研智能：人工智能赋能工业仿真研究报告（2025 年） 3 钟级。南京天洑推出的 AICFD 利用 PINN 技术在保证流场预测误差 低于 5%、接近主流 CFD 工具精度的前提下，实现了千倍级别的加速。

区智能物流、 无人智能巡检等多个工业场景，5G 阀岛、5G 总线 IO、5G 掘进机等 用于特定场景的新品类不断出现。目前，工业现场的 5G 终端设备仍 以视频监控和数据采集为主，由于改造需要时间、替换代价较高等原 因，工业 5G 终端设备还未深入核心生产领域，部分应用还未在工业 现场普及或规模化推广。 标准方面，目前尚未有工业 5G 终端设备的标准发布，处于起步 编制阶段。TC12 端口。其中，低时延传感器和执行器通常被集成到机器人、机械臂等 设备中，通过 5G 与 PLC、控制器进行通信，对通信的实时性和可靠 性要求较高。低功耗传感器和执行器主要用于环境、状态监测，一般 采用电池供电，大部分时间可能处于休眠状态，对续航能力要求较高。 2 维/3 维传感器主要包括摄像头、激光雷达等，采集工业现场 2 维/3 维图像、视频等数据，通过 5G 网络快速传输。HMI 和 XR 终端设备 可集 网络之间的数据传输，可支持不同协 议层之间的数据转换。TSN 端口主要指工业 5G 终端设备可作为 5GS 网桥的端口，与网络侧协同实现 5G 网络与 TSN 网络融合，通常被用 于机器人协同作业等场景，对时间同步要求较高。 8 结合典型工业应用场景，本文将行业应用类 5G 终端设备分为静 态感知、移动感知、人机交互、辅助控制和特殊作业五类，并与 5G ACIA 白皮书的分类进行了对应1，列举了每一类的代表性工业

本白皮书旨在与行业同盟分享零碳数据中心碳管理范围、可视 化要求和系统功能，供从事数据中心的规划设计、新建、改建、扩 建工程的技术选型、工程实施、运行管理等人员参考，推进数据中 心碳管理未来数字化、智慧化发展。 由于时间仓促，水平所限，错误和不足之处在所难免，欢迎各 位读者批评指正。如有意见或建议请联系编写组。 VI 零碳数据中心园区能碳管理系统白皮书 ODCC-2023-02006 目 录 版权声明 . 时可以从电网中获取能源。这有助于数据中心在电价最低时购买能 源，进一步节省成本。 设备健康监测：AI 可以持续监测数据中心的设备健康状况， 预测何时可能出现问题，并在问题发生之前采取预防性措施。这样 可以减少意外停机时间，提高整体效率。 动态电源管理：通过分析负载和需求，AI 可以动态地调整 电源分配，确保每个设备都得到其所需的电力，但不会浪费额外的 能源。 自动化任务：AI 可以自动执行诸如数据迁移、备份和负载 析数据中心的用 能状况，从而为数据中心节能提供方向和途径。输出的能流图可根 22 零碳数据中心园区能碳管理系统白皮书 ODCC-2023-02006 据时间、用能种类、用能场景来进行选取和切换，方便数据中心对 不同单元、不同时间段、不同用能类型进行比较分析。 能流图主要内容如下图所示： 图 3 能流图 （二）碳管理 1.碳核算 根据 ISO14064 和 GHG Protocol

举措。为了避免管理传统的多供应商物联网解决方 案的复杂性和高昂成本，与像Telenor IoT这样经 验丰富的一站式物联网服务提供商合作通常更高效。 由一位合作伙伴负责全链条网络连接技术，可简化 流程，从而节省时间和资源。 TELENOR IoT | 物联网赋能制造业数字化转型 | 6 速览：四种制造工艺 • 剪切和成形：将织物或纸张等材料切割成碎片或弯曲成特定形状。 • 连接：通常是通过焊接来连接工件。 网设备生成的实时数据有助于优化生产计划，减少 浪费并提高整体生产效率。 设备维护成本高：设备故障导致维护成本和停机时 间增加。物联网支持预测性维护，可以在故障出现 之前做出预测，并更及时地安排维修。这样不仅能 减少停机时间，还能延长设备使用寿命，从而节省 成本。 质量控制问题：在不同生产线上保持产品质量一致 颇具挑战性。物联网系统支持实时质量监控和分析， 从而确保统一的质量水准。在生产过程中及时发现 缺陷 无缝的数据传输和设备通信，提高运营效率。 边缘计算：向边缘计算的转变，即数据处理发生在 更靠近数据生成源的地方，而不是集中在云端进行， 减少了时延和带宽占用。边缘计算非常适合制造业 中对时间敏感的应用场景，如实时质量控制和自动 化机械。物联网设备可以在本地处理数据，提供更 快的响应和决策能力。 增强现实（AR）和虚拟现实（VR）：在制造业中越来 越多地使用增强现实和虚拟现实，提高了远程维护