數據搭建的案例
企業數字化轉型的4大陷阱
然而，GE致力于為客戶提供數字化解決方案，嘗試借助Predix平臺為全球各類制造業的數字化轉型搭建平臺和提供服務支持的努力，成效不佳。
數字化解決方案不一定適合作為每個企業的業務增長點，而首先要做的是努力實現自身的業務數字化——以數字化理念、工具和方法等改造企業的現有業務，提高業務運作效率，增加業務附加值，更為出色地滿足顧客的需求，充分提升產品和服務的市場競爭力。把匯集海量數據及分析數據得到有價值的結果作為新業務，在向客戶提供數據及分析結果中獲得增長。
- 03 -
陷阱三：數字化轉型就是IT系統升級
很多企業會把數字化轉型直接分配給之前的信息化部門，把已有的IT系統升級，搭建一個數據中臺來完成企業快速的數字化轉型，這也是極其危險的信號。數字化轉型并不單純是一個信息技術（IT）問題，也不是簡單地應用數字化技術。其終極目標是重新定義客戶價值，開拓全新業務模式和顛覆固有的工作方式。
在“數字化轉型=搭建數據中臺”的假設下，我們可以先通過自問自答幾個問題：誰來搭建數據中臺？誰來使用數據中臺？誰來保證在人才流動過程中數據中臺的長期使用與迭代？發現了新機會后如何將新機會變成落地的項目？就會發現這種假設不攻自破。
以制造企業為例，數字化轉型的本質特征之一是以客戶為中心，實現核心業務流程的全面數字化。
展開 基于CATIA的汽車零部件逆向設計
第二，將精選的設計草圖結合在一起，繪制成全尺寸的設計草圖后，設計師運用二維和三維設計軟件完成虛擬模型的數據搭建。這一部分工作需要設計師具有軟件運用水平，當前應用較多的軟件有PS、Alias、CATIA、ICEM Surf等，同時對車的結構分布要有相當高的要求。
第三，通過可塑性的油泥完成實物汽車模型制作，即汽車油泥模。這一部分工作主要是模型師根據設計師的定義將虛擬數據模型手工完成實體展示。
最后，公司決策層根據完成的油泥模型進行評審決策，確定是否進行投產。
目前，大部分主機廠及設計公司，一般是在自身成熟車型或者國內外熱銷車型的基礎上針對局部造型進行修改，逆向設計就在這個過程被大量運用。逆向設計有著技術難度低、開發周期短、設計成本低等優點，同時對設計師的審美、美術水平要求較低，尤其在快速解決量產車型質量問題中發揮著至關重要的作用。
2 基于CATIA的逆向設計方法
逆向設計一般流程：產品樣件→數據采集→數據處理→模型重構→新產品，其中數據采集、數據處理、模型重構是逆向設計的三大關鍵環節。
數據采集，即樣件的表面數字化，是逆向設計的第一步。一般而言，數據采集有接觸式和非接觸式兩種測量方法。當前使用較多的是非接觸式測量，根據原理不同，可以分為三角形法、結構光法、計算機視覺法、激光干涉法、激光衍射法、CT測量法、MR測量法、超聲波法和層析法。當下以三維激光掃描儀使用最為廣泛，逐漸取代了其他測量方式，它有著采集速度快，易操作，點云數據成型快等優點，通過對零部件進行3D掃描，獲得精度可達0.02mm的完整三維點云數據，如圖1。
圖1 點云數據
測量完成的數據一般為asc碼或者stl碼等格式的數據文件，里面包含掃描部件的三維點云數據。
展開 BIM在工程造價全過程中的應用優勢有哪些？
利用BIMN模型中構件的可運算性，造價人員可以利用類似項目的BIM數據搭建擬建項目規模，快速統計工程量信息，然后結合造價的云端系統快速查詢價格信息和估算指標，從而在沒有圖紙的情況下完成類似項目的投資估算。
02
設計階段的造價管理
項目設計階段是控制工程造價的關鍵，對工程造價的影響程度達到70%左右。項目設計包括初步設計和施工圖設計兩個階段，在初步設計階段，利用BIM模型的歷史數據，能夠快速、準確的獲取工程基礎數據拆分實物算量，保證項目技術上可行和經濟上合理，控制工程造價。在施工圖設計階段，可以利用BIM構建的建筑信息模型模擬施工，保證施工方合理進行施工組織設計。BIM模型輸出的工程信息、施工進度信息和構建結構信息可以從造價軟件中直接提取，以后續進度款支付和材料采購提供方便。
展開 科技平臺 | 國家超級計算無錫中心：超算既要“高大上”，又要接地氣
國家超級計算無錫中心主任助理吳吉明介紹，依托“神威·太湖之光”，中心參與國產大飛機航空發動機研制、太空深海探索研究、太湖藍藻污染治理、企業智能化改造、老舊小區電梯智能化大數據平臺搭建等領域。“不斷拓寬超算服務領域，讓超算不僅要‘高大上’，而且要接地氣。”他說。
“神威·太湖之光”超級計算機自2016年6月發布以來，已連續4次榮獲世界超級計算機TOP500榜單第一，基于“神威”系統的成果曾3次獲得世界高性能計算應用領域最高獎“戈登·貝爾”獎。據悉，依托“神威·太湖之光”，中心在地震模擬、氣象氣候、先進制造、生物醫藥等方面取得一系列科研成果。應用方面，國家超級計算無錫中心已完成20多個應用領域、200多項百萬核心大型問題的求解任務，有效支持科學研究與產業創新。
展開 
自動駕駛汽車感知系統關鍵技術綜述
1）GPS／INS組合導航技術是目前最常見的組合導航系統之一，它利用INS短期定位精度與數據采樣頻率較高的特點，為GPS系統提供相關輔助信息，使GPS能夠保持較低的跟蹤帶寬；GPS相對高精度的輸出信息可以估計出INS系統的誤差參數，并控制其隨時間的積累誤差。簡而言之，GPS輸出的位置和速度信息有利于提高INS導航解算精度，而INS可以在GPS衛星信號覆蓋不好的區域或位置，短時間內提高組合導航系統的精度。
2）GPS／INS／GIS組合導航技術是在GPS／INS系統獲取車輛定位信息后，進一步通過GIS系統中地圖匹配算法將定位數據與電子地圖進行匹配，對車輛位置進行實時加權修正。該組合導航技術能有效克服GPS信號長時間受阻、定位間斷或失效時，慣性導航定位誤差積累偏大的問題，提高了導航定位的精度、擴展了使用范圍。同時，此技術不用增加額外的車載硬件設備，僅僅通過軟件的方法即可提高車輛的定位精度，降低了導航系統的成本。但需要滿足以下2個條件：①車輛始終行駛在路網中的道路上；②電子地圖數據誤差小于GPS定位誤差。
3）高精度智能地圖導航技術是在高精度地圖基礎上，通過云端數據庫既提供包括高速公路、城市道路、交通信號標志等永久數據，又提供交通路況、臨時交通管制、重要路段人流數據分析等動態數據。結合自動駕駛汽車自身的傳感器信息，充分實現宏觀道路匹配、微觀精確定位以及動態全局環境感知。其中，高精度地圖主要是利用攝像頭采集圖像、激光雷達3D掃描、GPS定位軌跡等技術，整合多種數據搭建道路三維模型，包含了路網結構、道路標線、交通標志、路邊街景等海量數據；云端數據庫不斷收集路上行駛車輛傳送來的最新信息，經過分析確認后，更新高精度地圖，并將信息發送給其他車輛。
展開 電機自耦降壓啟動與軟啟動的案例
搭建同步電機發電模型,包括勵磁系統；
2. 搭建異步電機（雙鼠籠式）自耦變壓器降壓啟動模型；
3. 搭建異步電機（雙鼠籠式）晶閘管軟啟動模型；
4. 支路電壓降小于390*15%；
5. 電機定子電流盡量要小，至少小于直接啟動模式（15000+）；
方案設計
1. 根據用戶所給的數據，搭建同步電機發電模型，先論證其準確性；
2. 搭建自耦變壓器降壓啟動模型，調試參數，使得滿足用戶要求；
3. 搭建晶閘管軟啟動模型，調試參數，滿足用戶要求；
4. 與用戶核對是否達到其目的，完成交易；
案例展示
1. 同步電機發電模型：
圖 1.同步電機發電模型
用戶數據為：
圖 2.用戶提供的同步電機數據
模型中對應的同步電機數據為:
圖 3.模型中同步電機參數設置
2. 自耦變壓器啟動模型：
圖 4.自耦降壓模型
經過多次試驗，調試了自耦變壓器參數（用戶未給出），并設計在4 s內接入電路，18 s時脫開，有以下結果：
1. 支路電壓波形，最大壓降340+ V，滿足客戶需求(最大電壓降小于390*15%)；
圖 5.自耦降壓啟動中支路電壓降波形
2. 電機定子電流模型，最大值9700- A，小于直接啟動的15000+ A，滿足要求
圖 6.自耦降壓啟動中電機定子電流波形
3. 電機轉速與轉矩均正常，此處不展出
3. 晶閘管軟啟動模型：
圖 7.晶閘管軟啟動模型
利用晶閘管橋與六脈沖生成單元實現軟啟動，主要是利用控制晶閘管的導通角，以達到用戶的需求，結果如下：
1. 支路電壓波形，最大壓降360+，滿足客戶需求；
圖 8. 晶閘管軟啟動支路電壓降波形
2.
展開 新起點?新征程∣宇航股份新品牌發布會暨11周年慶典
隨后李總做了新產品規劃宣講，未來，宇航將定位于：工業互聯網解決方案提供商，用數據定義制造企業，構建數字化工廠，實現智能制造，是宇航值得深耕的事業。
宇航股份將以MES為基礎，連接制造要素，采集制造數據，搭建自主研發平臺U-INFOR，包括：宇航U-BI、U-MES、U-SCADA和宇航U-云的系列產品迭代升級。未來，宇航已規劃了通用數采終端、宇航U-云（注塑）、U-MES機加版三大產品線的研發，以及基于云的APP應用和KPI（基于宇航U-BI）的研發。
隨著新品牌形象的導入和新產品戰略的實施，宇航股份在未來將繼續堅持“專業高效，決不讓客戶失敗”的核心理念，進一步提高自主創新能力，加強研發投入，提高技術創新能力，提升服務水平，充分發揮高新技術企業的優勢，助力更多的中國制造企業實現數字化轉型！我們堅信站在新的起點，必將迎來更加廣闊的發展前景！
展開 2018中國網絡安全·智能制造大會上，宇航股份助力深信服全方位展示網絡安全和智能制造方案
宇航股份以MES為基礎，連接制造要素，采集制造數據，搭建了自主研發的制造運營管理平臺U-INFOR，包括：宇航U-MES、U-WMS、U-BI、U-SCADA和宇航U-云的系列產品。未來，宇航還規劃了通用數采終端、宇航U-云（注塑）、U-MES機加版三大產品線的研發，以及基于云的APP應用和KPI（基于宇航U-BI）的研發。
工業互聯網時代下，宇航股份從未止步，在產品研發上，始終堅持創新，宇航股份依托龐大的企業用戶群體和不斷擴大的服務網絡，正在加速本地化開發與服務戰略的推進。目前宇航股份除深圳總部外已在華北地區設立北京宇航智造科技有限公司，2018年更是在長沙成立智能制造研發中心，長沙研發中心將主要致力于研發工業互聯網及行業云服務，助推長沙市在智能制造產業的發展，共同探索制造業轉型升級。
宇航股份作為工業互聯網解決方案提供商，堅持通過精心的頂層設計和完善的基礎建設，并且從技術、服務、智能化管理手段等方面共同著手，為推進“工業互聯網”時代全面化進程做出努力，在當今“萬物互聯”新時代的背景下，宇航與更多制造企業共同探討智能制造的發展，深入總結智能制造實施經驗。未來，宇航股份將不斷推陳出新，力求實現更高效更智能的使用體驗，為推動新時代智能制造產業的高質量發展，促進產業的數字化轉型作出貢獻。
展開 機器學習 遷移學習
2.了解常用的語義分割評價指標（PA、mPA、mIoU、FWIoU）和常見數據集（PASCAL VOC2012，ADE20K、BDD100K、Cityscapes、GTA5、Dark Zurich）。
3.語義分割工具箱MMSegmentaion的認識和使用。
4.設計一個分割模型能夠從仿真環境中得到的數據遷移到真實場景下產生的數據。
十二、實驗實操之目標檢測實踐
1.掌握目標檢測算法的基本框架以及目標檢測中的經典模型，如R-CNN系列的兩階段檢測模型和YOLO系列的單階段檢測模型。
2.掌握目標檢測模型的評測指標（IOU和mAP）、標準評測數據集（Pascal VOC，MS COCO和Cityscapes）以及檢測模型中的一些訓練技巧，如數據增強、多尺度訓練/測試、預測框微調/投票法、在線難例挖掘、軟化非極大抑制、RoI對齊和集成。
3.實踐基于Transformer的端到端目標檢測框架的搭建，并在新的數據集上與基于CNN的網絡進行遷移性能的對比。
我們的官網：www.chinaai.org.cn
關注微信公眾號人工智能技術與咨詢了解更多！
展開 高逼真合成數據助力智駕“看得更準、學得更快”
通過合成數據仿真平臺，我們借助從環境搭建到數據生成的全流程仿真，成功實現了4個魚眼相機生成AVM合成數據的優化和驗證。
圖1 基于aiSim構建AVM圖像流程
1、標定地圖與仿真環境構建
我們在Unreal Engine環境中快速搭建6米×11米標定區域，使用2×2黑白相間標定板構成特征紋理區域，并精確布設車輛初始位置，確保視野重疊區域滿足投影需求，并通過特定插件將其無縫導入仿真器中。
圖2 基于aiSim插件的Unreal Engine地圖編輯
2、魚眼相機配置與參數設置
設置前、后、左、右四個魚眼相機，分別具備：
（1）高水平FOV（約180°）；
（2）不同俯仰角（前15°、后25°、側向40°）；
（3）安裝位置貼近真實車輛安裝場景（如后視鏡下方）。
我們采用了仿真器內置的OpenCV標準內參建模，輸出圖像同步生成物體的2D/3D邊界框與語義標簽。
圖3 環視OpenCV魚眼相機傳感器配置
3、BEV圖像生成與AVM拼接
利用已知相機內參和標定區域結構，通過OpenCV完成圖像去畸變與投影矩陣求解，逐方向生成BEV視圖（Bird's Eye View）。結合車輛圖層與坐標對齊規則，拼接生成完整的AVM圖像。
支持配置圖像分辨率（如1cm2/像素）與投影視野范圍，確保幾何準確性。
圖4 投影區域及BEV轉化示意圖
4、多場景合成與傳感器布局優化
通過批量仿真腳本，可快速測試不同環境（如夜間、窄巷、地庫）、不同相機布局組合對AVM系統效果的影響。在算法不變的前提下，系統性評估外參配置的優劣，為傳感器部署提供數據支持。
展開 ISIGHT軟件整體介紹
在使用ISIGHT搭建仿真流程時，用戶以拖拽的方式快速選擇常用的組件，也可以存放發布于數據庫的搭建好的仿真流程模型，數據庫中的一定版本的組件或者仿真流程模型是相對應的，并可以根據自身情況進行定制（添加/重命名/刪除組件或者組件組合）。
用戶通過ISIGHT自動執行分析流程，通過其提供的實驗設計、優化分析六西格瑪質量控制以及ISIGHT開放的集成平臺,用戶可以最終獲得所希望的設計。
Isight是一個進行多學科優化設計的平臺它可以實現多層次智能優化、多次優化以及具備多級多學科優化方法。
如上圖所示，在優化設計過程中，工程師們往往首先進行一次DOE，以便能夠找到關鍵設計因素以及較好的初始設計，進而進行尋優分析或者找到近似模型，找到滿足約束條件的可行設計的最優解。為了得到更加穩健及可靠的設計，可以進行六西格瑪，蒙特卡洛分析等。這些過程均可以在ISIGHT中方便的得以實現，達到最終的設計要求。
通過設計初期的多方案分析以及多目標權衡，Isight可以幫助客戶與供應商之間進行緊密合作。實現快速集成仿真模型與分析學科，在整個設計空間進行多種設計方案的自動計算在整個設計空間內，對比多種方案，進行權衡分析，進行敏度分析，獲得最優設計從而幫助用戶實現設計上的創新。
展開 
大眾汽車蘇巴鴻：大眾在合肥的智慧物流實踐
這個項目幫助我們積累了相關經驗和數據。隨著大眾安徽工廠的逐步建成，我們認為智慧物流是智慧城市下一階段更合適的選題，我們可以從幾個方面來分析：
從技術大方向上來看，之前的項目著重于單車智能，與智慧基礎設施結合不夠緊密；
從場景方面看，智慧物流基于固定線路，服務真實場景，相比而言更具有現實意義；
從商業模式上看，目前兩者都在探索商業模式。但對于我們來說，智慧物流項目跟我們工廠實際物流需求相結合，更有助于商業模式的研究；
從行業參與來看：目前主機廠做智慧物流項目寥寥無幾，因此這方面的探索就更具意義。
總體考慮下來，我們覺得智慧物流理論上能夠帶來如下六方面的收益，如減碳、提高安全性等。但是我們強調這僅僅是理論上，因此需要一個示范運行項目，對這些理論中存在的收益進行一定程度上的驗證。
那么我們來介紹項目的整體概念，共分如圖三階段。
接下來，我將就每個階段的內容做詳細的匯報。
第一階段我們計劃實現如圖所示的三項內容，分別為網聯電動卡車車隊、自動駕駛巴士，以及數據平臺搭建。在相關路線選擇的過程中，我們會同當地科技、住建、交警、城管等部門完成了路勘，總結了如下三個特點：
場景豐富：
交通設施具備智能升級基礎：
具有一定的數據及通訊基礎：
第二階段將會基于前一階段進行升級，包括技術和規模兩個方面
第三階段：擴大規模，展望未來
在座的高科技伙伴能夠賦予智慧物流方案更多科技元素，有可能無人機立體物流，智能網聯電動卡車的推廣應用；與城市智能基礎設施、交通管理系統進一步融合；在合肥實現大眾低碳目標，讓城市更綠色；
從規模上來講，我們計劃在大眾全國的工廠推廣智慧物流的應用 。
展開 汽車大觀｜吉利：謀定2025
”這是淦家閱在發布會上公布的一組數據。
不斷地投入、不斷地技術創新，意味著什么？答案是“臨界點”。“吉利通過前期的蓄力已經到了轉型‘智能出行科技型企業’的新臨界點。”淦家閱表示。
如何跨越這個臨界點，讓“智能吉利2025戰略的使命和目標就是創造超越用戶期待的智能出行體驗，打造科技引領型的全球汽車企業，以及成為最具競爭力和受人尊敬的中國汽車品牌”的愿望成為現實。
淦家閱的回答是：“一網三體系”，即一張“智能吉利科技生態網”，以及由“智能能源、智能制造、智能服務”構成的三大體系。其中， “智能吉利科技生態網”是以智能架構為“新基建”，圍繞芯片、軟件操作系統、數據和衛星網搭建端到端的自研體系和生態聯盟，驅動用戶在智能駕駛、智能座艙上的體驗不斷進化。
值得一提的是，這個生態型技術網絡正將吉利分散的技術布局連接成一張清晰、完整的未來企業核心競爭力藍圖。“新基建”是吉利自主研發的電子電氣架構，未來，吉利智能架構還將進化至GEEA 3.0中央計算平臺架構，引領智能汽車從“域控制”向“中央超級大腦”進化轉變。
而在芯片、軟件操作系統、數據和衛星網搭建方面，吉利車規級7nm工藝的智能座艙芯片SE1000在完成車規級認證后，明年即將量產；到2025年，吉利將每個季度實現至少1-2次整車OTA升級，讓智能汽車從“廠商定義”向“用戶軟件共創”進化，全面邁入軟件定義汽車時代；地軌衛星高精度導航系統目前已完成305座高精時空基準站部署，高精地圖將在2023年覆蓋全國，2026年前將實現“全球無盲區”的通信及厘米級高精定位覆蓋。
展開 智能數據建模軟件DTEmpower 2023R2新版本功能介紹
DTEmpower是由天洑軟件自主研發的一款通用的智能數據建模軟件，致力于幫助工程師及工科專業學生，利用工業領域中的仿真、試驗、測量等各類數據進行挖掘分析，建立高質量的數據模型，實現快速設計評估、實時仿真預測、系統參數預警、設備狀態監測等工程應用。軟件內置有圖形化、零編碼的數據分析建模環境，圍繞數據清理、特征生成、敏感性分析和模型訓練等環節提供豐富的AI算法，提供從模型搭建到模型管理應用的一站式解決方案，學習門檻低、模型質量高，零基礎用戶也能快速挖掘得到優秀的數據模型。
一、DTEmpower功能特色
● 豐富且先進的智能算法
● 便利的圖形化數據建模流程搭建界面
● 數據分析建模全流程覆蓋
● 專業且靈活的數據可視化探索
● 低學習門檻
● 國產自主可控
二、版本更新介紹
DTEmpower 2023R2在軟件功能和操作體驗上均實現了升級：
● 模型可視化功能豐富
● 時序數據分析算法提升
● 用戶自定義數據處理算法支持
● UI交互界面升級
圖1 智能數據建模軟件DTEmpower 2023R2啟動界面
1）模型可視化功能豐富
DTEmpower 2023R2版本豐富了對數據清理、數據聚類、數據降維、數據變換等多種算法模型的可視化功能。此類數據預處理及特征工程算法的正確使用可以大幅提升數據建模的精度效果。
展開 設計仿真 | ODYSSEE機器學習方法助力提高傳動系統開發時效
通過在傳動系統開發仿真分析中引入ODYSSEE，能夠基于歷史仿真分析數據構建快速預測機器學習模型，實現新設計參數的系統響應快速預測，以及快速設計優化過程，從而避免復雜和耗時的仿真過程。
基于ODYSSEE的仿真分析快速預測和設計優化
目前，ODYSSEE在傳動系統開發仿真分析中的典型應用場景有：
?齒輪微觀修形設計與優化
?軸承幾何參數優化設計
?載荷譜作用下的齒輪/軸承壽命預測
?齒輪箱振動響應實時預測
PART.02
ODYSSEE機器學習工作流程
ODYSSEE機器學習模型搭建的工作流程如下所示：
01
明確研究的問題，確定輸入參數以及系統輸出響應。
02
確定輸入參數的變化范圍，利用ODYSSEE中的DOE工具生成仿真樣本點。
03
針對每一組樣本點（對應一組輸入參數設置），通過仿真分析獲得系統輸出響應。
04
基于仿真分析的輸入和輸出結果，構建機器學習訓練數據集和驗證數據集。
05
利用訓練集數據在ODYSSEE中進行機器學習快速預測模型搭建。
06
利用驗證集數據來對機器學習模型預測精度進行評估。
07
驗證集數據精度滿足要求，則可以利用該機器學習模型進行新輸入參數的系統響應預測；若驗證集數據精度不滿足要求，則可以通過調整機器學習算法，或增加訓練樣本點的方式來提高機器學習預測精度。
ODYSSEE機器學習模型搭建工作流程
PART.03
案例一：齒輪微觀修形設計與優化
齒輪微觀修形在提升齒輪疲勞壽命、降低振動噪聲等方面均有重要的應用價值。通過Romax軟件的高級LTCA分析功能可以查看調整齒輪微觀修形后的齒面接觸狀態，從而得到齒面載荷分布、實際重合度、傳動誤差等關鍵數據。
展開 