图形 1 AI+ 设备（预测性维护）方案 图形 1 背景 加入星球获取更多更全的数智化解决方案 预测性维护是工业大数据和人工智能结合落地的重要应用场景 ，为企业带来多方 面效益 预测性维护（ Predictive Maintenance ，简称 PDM ）是以设备状态为依据的新兴的维护方式 ，在设备运行时对其主要部位进行周期性 或 持续监测 ，判定其所处的状态 ，预测状态未来的发展趋势 ，并依据该状态发展趋势和可能的故障模式 ，并依据该状态发展趋势和可能的故障模式 ，预先制定维修计划 ，确定机器应该修 理的时间、 内容、方式。预测性维护可以为企业带来以下效益： ☐ 降低维保成本 ☐ 延长设备寿命 ☐ 提高设备使用率 ☐ 减少库存成本 ☐ 提升生产安全 维护触发点 固定周期，不考虑设备实际 状态，可能带来过度维护 必要时，预留足够应对时间 给一线人员在故障前做出应对 维护方式 根据零部件的平均损坏率进行维护， 无法准确获得单体 设备运行状态时 单体设备状态可获知时 预测性维护与预防性维护虽然只有一字 之差 ，在理念上却截然不同。预防性维 护不考虑系统设备当前的运行状态和健 康状态 ，是按照已经安排好的时间来完 成计划内的维护工作 ，会引起过度维护 和维护不足的问题。 两种方式的特点对 比见右表。 方式 预防性维护

预测性维护 03.2021 上海 / 中国 罗兰贝格 洞见 数字化运维的制胜基石 1 随着互联技术的革新、大数据的应用与积累、计算能力的提 升及相关模型理论的高速发展，人工智能的应用场景逐渐丰 富，并在近几年逐步过渡到实操落地。各行各业正积极探索 通过人工智能赋能的运营模式，并以此推动产业升级及长期 的运营转型。 在政策端，从2017年7月国务院印发的《新一代人工智能发 展 备品备件销售、设备维护及维修等）作为制造业的重要组成 元素，通过工业互联网及人工智能的深度融合打造出创新的 应用场景，并实现持续降本增效的趋势目标。 运维服务的发展进程主要分为四个阶段： 01 预测性维护是什么？ 我们为什么需要它？ 封面图片： koto_feja 01 / 运维服务的发展进程 从需求侧来看，完整的数字化运维服务将成为企业选择运维 服务供应商的主要考量维度之一。罗兰贝格针对全球领先制 能赋能的数字化运维解决方案将是新的趋势。 资料来源：罗兰贝格 基于故障 预测的维护 响应式 维修 计划性 维护 基于条件 的维护 "故障后维护" "预防性维护" "预测性维护" "状态监控式维护" 2 02 / 预测性维护运作原理 1.消极维护：这是运维服务最原始的方式，通常指当机械故 障后安排技术人员到场维修。由于此维护方式通常发生在 设备故障后，具有高度不可预测性及突发性，且设备本身 的损伤程度较高，易造成修理时间及费用垫高等情况，还

2021年6月 供应链预测算法及应用 王桐 阿里巴巴-数字供应链事业部 Outline： • 预测场景及特性 • 预测算法研发路线及结果 • 预测应用案例 GMV预测 预测标的：GMV 提前期：未来1个月、一年 颗粒度： 行业*天*全国，行业 *月*全国 用途：支持整体经营计划（KPI制定，营销资源分配，供 应链资源分配） 评估口径：达成率 real/fcst （离线）商品销量预测：支持补货、调拨决策 （离线）商品销量预测：支持补货、调拨决策 （离线）仓单量预测：支持仓库、配送产能（人力）准备 （离线）GMV预测：支持长期经营计划 销量预测 预测标的：销量（需求） 提前期：未来1~8周 颗粒度： 货品*天*仓 用途：支持采购、补货、调拨决策 评估口径：minmax，加权平均 单量预测 预测标的：交易单/物流单数量 提前期：未来1天，未来1周 颗粒度： 货主*天*仓，行业 *天*仓 用途：支持仓库端人力准备 评估口径：1-MAPE，加权平均 供应链预测场景及特性 T T-1h T-1d T-1w T-4w T-8w T-1y 预测场景细分方式： • 预测标的：GMV、销量、单量、客服呼叫量、云计算请求量等各种不确定的需求 • 提前期：离线（长期（y, m）、中期(w)、短期(d)）、实时(h) • 颗粒度：预测对象颗粒度（店铺、行业、类目；商品、sku、货品；货主、行业）*

1 实现降本增效 By ：施耐德电气 梅峰 建材及矿业能力中心经理 如何通过预测与控制 智能工厂 智能工厂建设目标： 5 个方向 故障维修 预防维护 人工操作 机器操作 事后统计 质量预控 人工经验 智能决策 资源效率 安环第一 人 机 料 法 环 3 战略决策 持续发展 设备效率 业务运营 能效管理 生产工艺控制 设备级 生产级 控制级 企业级 管 理 质 量 管 理 设 备 管 理 物 流 管 理 原 料 管 理 数 字 矿 山 实时性 4 层架 构 智能化的三层深度 数字化 3 2 1 • 信息的记录、存储、查询、汇总、展示 • 移动 APP 访问信息 • 便于数据的追溯、比对、分析、总结 •智能预测 •智能分析 •智能决策 •让机器替代人形成强大劳动力 信息化 智能化 物理工厂 人的经验 经验知识化 • 物流 • 书面信息数字化 • 智能设备 自 动 数 据 采 集 • 自 动取样 • 在线分析 • 自 动感知 人 智 ” 到 “ 智机 3 层深 度 5 APC 智能预测与控制 6 借助于智能控制，可以消除人与人的差别 操作员不同，造成成本和质量上的差异 288 万 每月能耗成本节约 24 万 每年能耗节约 288 万 CO2 减排 8400

项目编号： 钢铁行业预测 AI 大模型 应 用 方 案 目 录 1. 引言...............................................................................................................6 1.1 钢铁行业现状............................ .........................................109 6.1.2 故障预测与诊断.......................................................................110 6.2 质量控制与预测...................................................... 2 产品质量预测模型...................................................................117 6.3 供应链管理.......................................................................................119 6.3.1 需求预测.......

智慧林业 可行性研究报告 目录 一、 智慧林业...........................................................................................3 1.1 概述.......................................................................... ，确保了林业信息 化建设的健康运行。本项目中的各个应用系统均以公共基础数据库 为中心，既避免了重复投资，实现了信息的充分共享，也减少了区 县林业局管理维护的难度，确保了数据的完整性、唯一性、准确性 和现势性。基本实现全市林业空间地理数据入库、更新、业务应用 与维护，相同比例尺之间的无缝漫游。形成信息全方位辐射、监管 多方面铺开、服务各层次跟进的林业信息化格局，推动我市现代林 业建设再上新台阶。 务广域性、复杂 性的特征，决定其必须依赖信息技术提供的强有力的数据分析与辅 助决策能力，支撑环境质量的多层次预测、推演、快速定位于溯源 要求，目前的支撑能力仍处在较为初级的数据获取与查询阶段，战 略层、规划层、分析决策等智能化程度还有待提升，以适应全市环 保发展要求。 （4）信息安全主动防御能力有待提升。随着大量信息系统投入 运行，全市环保上下形成了规模大、系统复杂、业务依赖性强的业

研究报告 2025 年全球感知技术十大趋势预测 2 前言 在当今时代，人工智能、大数据、物联网以及新型通信技术正以前所未有的速度蓬勃发展。 这些技术的不断进步，犹如一股强大的推动力，为感知技术的发展带来了前所未有的机遇。感知 技术，作为科技领域的关键一环，正站在变革的十字路口。 传统的单一传感模式，在智能化时代的浪潮下，逐渐暴露出其局限性。它已难以满足环境认 知、精确定 知、精确定位以及交互体验等多方面的严格要求。在智能化的大背景下，环境认知需要更加全面、 准确的信息获取，精确定位要求更高的精度和可靠性，而交互体验则追求更加自然、流畅的感受。 单一传感模式由于其自身的局限性，无法同时兼顾这些需求。 然而，2025 年的感知技术将迎来全新的发展格局。它将在多个前沿领域展现出令人瞩目的突 破。多模态融合技术，将多种传感器的数据进行深度整合，为环境认知提供更丰富、准确的信息； 市场前景以及丰富的商业落地案例。我们力求为读者呈现一幅全景式的未来感知技术图谱，让读 者能够清晰地了解感知技术的发展脉络和未来走向。 研究报告 2025 年全球感知技术十大趋势预测 3 目录 前言......................................................................................

腾讯 以 Deep5eek 为代表 的 在能源行业的应用 前景预测 贾德香 博士、正高 国网规划计划领军人才、 国网能源院高级专家 注册电气师、 咨询师 OT Deep5eek 等 RI 大模型简介 Deep5eek 在能源应用前景 预测 0 3 挑战与应对策略 Deep5eek 等 RI 大 模型简介 20 世纪 50 ~ 70 年代是人工智能技术的萌芽时期。 大模型通常具有数十亿甚至千亿级别的参数， 使得模型能够捕捉到更多的细节和特征 ，提高了任务的准确性。 2 、训练数据海量。 AI 大模型需要训练大量数据才能发挥出其强大的 性能 ，这些数据来自于各种来源 ，如互联网、企业内部数据等。 3 、计算资源需求高。 由于参数规模庞大 ， AI 大模型的训练需要高性 能的计算资源 ，如 GPU 集群、分布式训练框架等。 二、 AI 大模型的核心技术与特 大模型的核心技术与特 点 Te n c e n 腾 讯 Te n c e n 腾 讯 02,Deep5eek 等 RI 大 模型在能源应用前景 预测 n 国网光明电力大模型：（开源与闭源并举） 发输变配用、调度、交易 规划、建设、运行、检修、营销 n 南网，大瓦特 n 三峡集团“大禹”大模型 n 中核集团龙吟大模型 n 中国广核，“锦书”大模型 n 中国石油，昆仑大模型 n 中国石化，“胜小利”大模型

1、参数规模庞大。AI 大模型通常具有数十亿甚至千亿级别的参数， 使得模型能够捕捉到更多的细节和特征，提高了任务的准确性。 2、训练数据海量。AI 大模型需要训练大量数据才能发挥出其强大的 性能，这些数据来自于各种来源，如互联网、企业内部数据等。 3、计算资源需求高。由于参数规模庞大，AI 大模型的训练需要高性 能的计算资源，如GPU 集群、分布式训练框架等。 4能源行业部分大模型 （一） ◼ 国网光明电力大模型：（开源与闭源并举） 9 ◼ 新能源发电优化： 1、精准的功率预测：DeepSeek可构建更精准的新能源发电预测模型，对太阳能、风能等发电功率进行提前预测。例如，针对某风光装 机占比达58%的省级电网，DeepSeek通过构建考虑新能源场站波动特性的动态安全域模型，将弃光率从19%降至3.2%，日前预测精度提高 至94.7%。 2、优化调度决策：基于精准的发电预测，AI 大模型可以综合考虑电网的负荷需求、不同 大模型可以对这些数据进行实时 分析和处理，监测电网的运行状态 。一旦发现异常情况，如电压波动 、电流过载、设备故障等，能够及 时发出警报，并对故障进行诊断和 定位，帮助运维人员快速排除故障 ，提高电网的可靠性和稳定性。 2、储能设备的优化控制：对于电池储能、抽水蓄能等储能设备，AI 大模型可以根据能源 需求和供应的变化情况，优化储能设备的充放电策略。例如，在电价低谷时段，控制储能 设备充电，储存多余