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， 不考虑实际运行状态 根据设备的实际运行状态 决定维护方式及关注点 维护成本 维护成本高， 停机停产时间较长 维护成本低， 停机停产时间较短 使用场景 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

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

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。 集群、分布式训练框架等。 二、 AI 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 RI 大 模型在能源应用前景 预测 能源生产与管理 n 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% 。

目录 甲方供应链未来情景 客户 分公司 S&OP 供应可视 一致性需求计划 可承诺量 (ATP) 供应约束 端到端同步计划 终端客户销售 甲方供应链网络 供应商 交付计划 PO / 预测协 同 及时交付 及时供应 及时交付 周主计划会议 需求管理 供应管理 关注长周期决策 集中型供应链管理组织 - 形成统一的一致性需求计划，根据计划执行生产 1 2 3 4 财务整合 物流网络政 策 11 PO / 预测协同 4 2. S&OP 一级流程 : 供应链计划流程 供应链计划一级流程 输入 输出 装运 装运 生产 生产 采购 采购 供应商 物料 原材料 1.1 需求计划 [ 营销 ] [ 每周 ] [IBP ] 1.2 需求冲减 和优先级 [ 每周 ] [APO-DF ] [ 营销 ] 需求 净预测 销售订单 周生产目标 1.3 原材料装运 原材料接收 成品入库 成品出库 装运 入库 半成品入库 出库 供应监控 计划 vs 执 行 成品每日目标完成 OTD2 OTD1 供应商 OTD OTD0 需求满足 订单 vs. 预测 半成品每日目标完成 主计划 vs. 成品生产计划 成品 vs. 半成品生产计划 生产计划 vs. PO / DN ATP 装运目标 生产目标 采购目标 1. 一级流程设计及未来场景 2.

AI+ 质量管理是运用人工智能、大数据、物联网、云计算等新一代信息技术，对产品质量进 行全生命周期、全过程、全要素的智能化管理，实现质量问题的预防、预测、预警和持续改进。 - 预防性 ：从被动检测转向主动预防 - 预测性 ：预测质量趋势和潜在问题 - 实时性 ：实时监控和反馈质量状态 - 全面性 ：覆盖产品全生命周期 - 智能性 ：具备自学习和自优化能力 AI+ 质量管理——方案概述 3 、 质量预测 根据实时生产数据和模型 ，预测产品质量趋势 ，及时发现潜在质量问题。 4 、 工艺参数优化 利用优化算法 ，对关键工艺参数进行调整 ， 以实现产品质量的最 大化。 形成闭 环 ， 持 续 改进 AI+ 质量管理——架构蓝图 ① 生产过程透明化（ SPC 全流程 监控，保障设备生产过程工艺稳 定可靠）：快速定位稳定性不足 的环节，为后续预测与优化提供 数据基础； 数据基础； ② 生产过程可预测（ AI 驱动优化， 实现预测性维护与分析）：构建 AI 模型实现质量预测、工艺调优 与故障预判，形成主动式管控闭 环。 ③ 知识经验可关联可沉淀 （ FMEA 失效模式与影响分析 +LLM 大语言模型，闭环反馈）： 产品研发设计和生产过程知识库、智 能体问答应用。 AI+ AI+ 质量管理——产品清单 基本模块 基本模块 算法管理模块 算法管理模块 单工序闭环控制

.52 5.2 客户行为预测............................................................................................................................................................54 5.2.1 购买意向预测............. DeepSeek 大模型作为 CRM 的核心 技术，不仅能够提升客户互动的质量，还能通过数据驱动的洞察优 化营销策略和客户服务。 DeepSeek 大模型的优势在于其强大的数据处理能力和精准的 预测分析。通过整合多源数据，包括客户行为数据、交易历史、社 交媒体互动等，DeepSeek 能够生成全面的客户画像，帮助企业更 好地理解客户需求和行为模式。此外，其自学习能力使得模型能够 持续优化，适应不断变化的商业环境。 DeepSeek 大模型在 CRM 中的主要应用场景：  客户细分与个性化推荐：通过分析客户数据，将客户细分为不 同的群体，并为每一群体提供个性化的产品和服务推荐。  预测分析：利用历史数据和机器学习算法，预测客户未来的购 买行为和偏好，提前制定营销策略。  自动化客户服务：通过自然语言处理技术，实现自动化的客户 服务，如聊天机器人，提高响应速度和服务质量。  风险管理：识别

数据量大 高度非线 性 数据深度挖掘 潜在关联发现与预测 大模型 黑箱效应 幻觉 非精准函数映射 特性 局限 不直接干预现有系统的操作指令 ， 而是通过深度分析现有系统产生的数据（如 企业资源计划（ ERP ） 系统的销售数据、 办公自动化（ OA ） 系统中的审批流 程） ，提供高级分析、预测、优化建议和人机交互功能。 大模型的输出作为参 考信息 ，辅助专业人员进行决策 ，形成优势互补。 l 选择和优化模型骨架要考虑： 电力数据的特性 ：电力数据以时序为主 ，包 含 大量数值型数据 ，对模型捕捉时间依赖和 动态 变化能力要求高。 不同的任务需求 ：不同任务（预测、控制、 诊 断）对模型架构的侧重点不同。 计算资源的约束 ：需平衡模型性能与训 练 / 推 理成本。 架构之基：选择与优化适应电力特性的模型 骨架 通用模型 辅助调度员进行电网安全校核、 阻塞管理、优化出清计算 市场交易辅助机器人 辅助交易员进行市场分析、价格预 测、策略生成、风险监控 智慧能源辅助机器人 辅助园区管理者、聚合商、用户进 行负荷预测、能效优化、市场参与 决策 “ 辅助机器人” ：面向核心业务场景的智能体范 式 l 认知与决策中枢：是机器人的核心智能所在 ，负责处理最复杂的认知任务。 l 核心大模型 理解与表征：

Object DB 新型时序数据库 数字孪生 智能增强的工业机理 血液 大数据 数据湖 数据建模 高级数据分析 IT Data OT Data Social Data 描述分析 诊断分析 预测分析 规范分析 后验 洞察 预见 智慧 大脑 AI 智能感知 AR/VR Computer Vision NLP Fusion Sensing 智能规划与智能决策 智能规划 智能决策 广东海洋装备 22 2. 智能化供应 23 2.1 智慧供应链 可以为制造型企业提供从需求预测，采购，生产，物流等端到端的智慧供应链解决方案。 供应链决策驾驶舱 供应网络端到端可视，监测与异常告警功能 销售和业务运作智慧工具集 衔接战略与战术决策流程 业务需求模块 需求感知与统计预测 库存 & 物流管理模 块 多阶库存优化 & 物流优 化 智慧排产模块 1.受限供应与无限需求计划 小区域仓 小区域仓 门店 门店 运营层优化：门店配补货优化 先进的需求预测引擎 提供丰富的预测模型，覆盖时间序列、机器学习 和深度学习等功能，模型可以定期重新自动调参 和迭代，实时滚动更新发布最新预测结果，并提 供丰富的报表与 KPI 展示，快速精准捕捉市场波 动。 需求驱动的智能补货决策 在需求预测的指导下，针对不同仓库网络类型和 商品特性，我们均可为企业提供定制化的智能补

完成北方华创、 NeuSeer 2.0 中车资本和中网投 全新产品系列发布的 C+ 融资 2020.12 完成中电科领投的 C 轮融资 引入 B 轮融资 预测性维护、设备效率优化 2015.09 2017.02 2018.05 2022.09 全新 NeuSeer 3.0 产品发 布 2017.08 寄云发展历程 寄云科技 引入 Pre-A 轮融 资 • 囊括项目需求 • 基于产品能力 • 联合生态伙伴 • 2018 年 B 轮近亿元融资：达晨领投 ，云启资本和基石基金参与投资 ，基于“新基建”装备预测性维修、生产质量优化、运营优化等装备数字化研发； 2021-2022 NeuSeer 2.0 以产品能力为核心的发展 NeuSeer 1.0 以项目需求为核心的发展 生产 智能化 2022 Neuseer APPS 基础的数据分析 NeuSeer Stack 基于工业网关， 对石油钻机装 备关键子系统自动化数据进行 实时监测， 提供实时告警， 并 构建设备健康档案 ，提供预测 性维护及常规维护保养的功能。 • 降低 90 人次非必要出差 • 增加 3400 万备件的销售 基于采集的 DCS 实时数据， 对 关键的生产工艺进行监测和告 警， 对关键的危化品按行业标

*预警预测* 基于互联网搜索引擎的传染病监测 预警研究进展 黄思超1，刘魁2，蒋健敏2 摘要： 传染病监测预警是传染病防控工作的重要技术手段，互联网的快速发展与搜索引擎的普及应用为传染病的监测提供了 新的思路和方法。 本研究重点阐述了国内外研究者利用搜索引擎开展传染病监测预警的研究进展，为现有传染病监测预警系统 的完善和补充提供参考。 关键词： 传染病监测预警；搜索引擎；大数据；流行病学 周。随后，Ginsberg 等［4］在 2009 年提出了谷歌流感趋势（google flu trends，GFT）的 概念：其构建的模型纳入了 45 个流感及类似流感 症状的检索词。谷歌的 GFT 模型的预测结果与美 国疾病预防控制中心（CDC）流感病例监测结果的 相关系数高达 0.97，并比美国 CDC 流感监测系统 报告早 1 ~ 2 周。初步证明了基于网络监测可以提 早 发 现 疫 情 。 其 后 vardguiden 选取流感相关 搜索词并获得其检索数，结果显示与实验室流感确 诊病例数构成比和哨点报告的流感及类似流感症 状病例模型的确定系数 R2 分别为 0.90 与 0.89，验 证结果显示预测发病高峰与实际发病高峰高度重 合。Pelat 等［9］基于谷歌平台，研究了 2004－2009 年 法国流感、胃肠炎、水痘 3 种传染病临床哨点监测 数据与法语词条“禽流感疫苗”，“胃肠炎”，“水痘”