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.

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

....................................................................................83 6.1 市场趋势分析与预测................................................................................................... 短处理时间，还能降低人工错误的概率。此外，AI 大模型还可以帮 助保险公司更好地分析和预测市场趋势，为产品开发和营销策略提 供数据支持。  提升客户体验：通过 AI 驱动的个性化推荐系统，为客户提供 定制化的保险产品和服务。  降低运营成本：利用 AI 技术实现业务流程的自动化，减少人 工干预，降低运营成本。  提高风险管理能力：通过 AI 大模型进行风险评估和预测，帮 助保险公司更好地管理风险。 综上所述，保 大模型通过自然语言处理（NLP）技术，能够实现与 客户的自然交互，大幅提升客户服务体验。例如，智能客服可以通 过上下文理解客户需求，提供个性化建议，从而降低人工客服的工 作负担。此外，AI 大模型在预测分析方面表现卓越，通过对历史数 据的深度学习，能够预测市场趋势、客户行为以及潜在风险，帮助 保险公司制定更科学的决策。 在具体应用场景中，AI 大模型可以实现以下功能： - 智能核 保：通过分析客户的多维度数据，自动生成风险评估报告，缩短核

预警中的实际应用，并提出结合大数据分析与 机器学习优化安全预警系统的方案。通过对多个矿井案例的实证分析，验证该优化方案在预警准确性、响应速度 和事故预测能力方面的显著提升，显著降低误报和漏报率。研究表明，大数据技术的引入使煤矿安全管理从传统 的经验预测转向更加科学、智能的系统化管理，为煤矿生产的安全性和矿工生命安全提供更强有力的保障。 关键词：大数据；煤矿安全；监测系统；预警系统；智能化 1 中图分类号: 一体化的煤矿安全生产风险监测预警平台，结合了边 缘计算与云计算的优势，不仅实现了数据的实时处理 和分析，还提升了系统的响应能力[6]。同时，闫姿呈 探讨了大数据在煤矿安全管理中的应用，认为大数据 可以为矿井的风险预测和应急处理提供更加精准的支 持，优化安全管理与预警决策[7]。 尽管现有的大数据技术在行业中得到广泛应用， 煤矿安全监测与预警系统的优化仍面临诸多挑战。第 一，煤矿安全监测涉及的数据来源极为复杂，包括气 滤波是一种最优估计算法，能够有效去除 数据中的噪声，其基本公式为： 其中： 为当前状态的估计值； 监测设备 监测参数 数据采集 频率 (Hz) 采集数据 范围 数据处理方法 清洗后的 数据值 预测结果 风险评 估等级 数据来源 传感器 A 气体浓度 10 0.1ppm - 5.0ppm 数据清洗、去噪 0.8 ppm 高风险 高 井下气体传感 器 传感器 B 温湿度 5 40% -

强化电力平衡管理，建立考虑负荷类型和分布式能源 的负荷预测机制。 加强日内平衡管理，动态分析风光 水煤气蓄等资源的发电能力和全网增供潜力，提前预 判日内平衡风险。 落实公司支持服务分布式光伏规模化开发工作方案， 在“三华”地区建设基于调控云的分布式电源调度管 理 功能，强化分布式电源的国 - 网 - 省 - 地纵向管理， 实现分钟级数据采集功能，试点建设县域分布式光伏 功率预测与监视系统。 提出分布式电源集群参与调频、调压、调峰的协同调控 提出分布式电源集群参与调频、调压、调峰的协同调控 方法。 提升新能源功率预测水平和气象预测预警水平，加 强 风电、光伏预测功能建设。 研究分布式资源安全接入的实现方法，研发适应分布式 资源高比例接入的边缘终端扩展应用支撑模块。 开展台区级低压分布式电源功率自主平衡试点，提 升 分布式电源调节能力。 国 调 中 心 2 年 重 点 工 构建可调节负荷资源库。可调节负荷资源全部纳入省级智慧能源服务平台统一管理。配合政府科学编制有序用电方 案，达到最大负荷 20% 以上且覆盖各省最大电力缺口。建设新型负荷管理系统。 构建新型电力系统运行控制体系。提升极端天气情况下预测精度。开展新一代调度技术支持系统研发和试点建设， 在公司系统内全面推广。优化调度方式，统筹全网备用资源共享、省间余缺互济等手段，提升资源优化配置能力。 推进辅助服务市场建设。国家主管部门应研

15GW ， 2022 年目标 是新 100GW 2019 2025E 120GW 400GW 资料来源： 2019-2023 年欧盟太阳能光伏市场展望、美国 2019 年光伏市场分析及未来五年预测、券商报告 2019-2027 年全球逐步实现平价， 2025 年起达到 400GW/ 年的增装机量 我们对光伏行业的主要特性进行了研究，并发现存在周期性、季节性、地 域性、规模性的主要特征 为应对 颗粒度么有拉通，在业绩统计和预测、计划和管理报表，均为手工执行，决策支持的准确性和时效性 差。 CRM 客户数据 梳理和 ERP 数 据由集成，当 前新客户源头， 未能实现完全 来源于 CMR ； CRM 和 ERP 的业务数据尚 未能双向互动， MES ， WMS 、 TMS 基础 数据和业务数 据也不能拉通 共享，实时集 成等 目前 SMR 系统 在供应商预测、 能力协同这块 是空白； 需求计划 EXCEL XX 产销协同主流程关键活动分解： M+6 月计划 关键活动 输入 输出 参与部门 支持工具 颗粒度 1.2 制定 M+6 销售需 求 • 销售实单 • 销售预测（ A 类预测） • M+6 月销售需求 • 销售 • 营销运营部 • Excel 产品族，分区域， 限制性物料说明， 需求类型 - 实单 / 预 测，月需求总量 1.4 基地 / 外协电池供 应汇总