閉環的案例
質量人必備的“PDCA閉環思維”！
3.閉環思維的要點
從本質上講，“閉環思維”不僅僅強調的是“責任心”，更重要的是強調“團隊的配合”。對于員工來說，做好閉環思維的要點就是：“反饋”。做好反饋需要注意以下兩個方面：
1）在約定的時間內給予反饋；
2）通過及時溝通，做好“階段性”的反饋。
二、如何做到“閉環思維”？
1.好員工的“閉環思維”
我們常常聽到管理者們抱怨，當跟進某項工作進展時，很多員工的回答是“忘了”或“等等，讓我想一下”諸如此類。
長此以往，做出這樣回答的員工就會被貼上“不靠譜”的標簽——究其原因是“他們”沒有具備“閉環思維”。好員工的“閉環思維”需要做到以下三點：
凡事有交代
件件有著落
事事有回音
這就需要我們在腦海里存在有始、有終、有回饋的思想。
2.
展開 閉環控制系統在米思米直線電機模組中起到了哪些作用？
在當今高度自動化的工業生產領域，米思米直線電機模組（https://www.misumi.com.cn/zxdjmz/ ）憑借其卓越性能嶄露頭角，而其中的閉環控制系統更是功不可沒。
米思米直線電機模組，主要由直線電機、高精度導軌、動子以及配套的控制系統等部件構成。它利用直線電機將電能直接轉換為直線運動的機械能，驅動動子沿著導軌做高精度的直線往復運動，為眾多精密工業場景提供了可靠的動力支持。
閉環控制系統的核心在于反饋調節機制。它通過傳感器實時監測直線電機模組動子的位置、速度等關鍵參數，并將這些信息反饋至控制器。控制器把反饋值與預設的目標值進行比對，一旦發現偏差，立即發出調整指令，驅動電機做出相應動作，糾正動子的運行狀態。就好比駕駛汽車時，司機一邊看著路況，一邊根據實際與預定路線的偏離情況轉動方向盤，確保車輛始終朝著正確方向前行。與開環控制系統相比，閉環控制最大的優勢在于對外部干擾和內部參數變化具有極強的適應性。開環系統一旦設定運行參數，便不會再根據實際工況調整，如同按固定路線發射的炮彈，難以應對途中的氣流、阻力變化；而閉環系統卻能隨時感知外界干擾，及時修正，保證運行的精準穩定。
在米思米直線電機模組里，閉環控制系統發揮著諸多關鍵作用。精準定位是首要亮點，在精密電子制造領域，芯片貼裝工序要求將微小的芯片精確放置到電路板指定位置，閉環控制下的模組能將定位精度控制在極小范圍內，確保每一次貼裝都分毫不差，極大提高了電子產品的良品率。高速運行方面，閉環系統助力直線電機模組快速啟停、變速，滿足生產線上快速搬運物料的需求，大大提升了生產效率。例如在自動化物流分揀系統中，模組帶著分揀裝置高速且精準地將不同物品分流到對應的區域，快速處理海量包裹。
再者，多滑臺協同作業時，閉環控制系統的優勢盡顯。
展開 數據閉環研究：自動駕駛發展從技術驅動轉向數據驅動
其閉環自動化(Closed Loop Automation)是一整套讓數據流推動數據驅動的算法自動迭代的工具鏈。CLA能自動篩選出海量黃金數據，驅動算法的自動迭代，讓自動駕駛飛輪越轉越快。
來源：Momenta
軟件定義汽車背景下，數據、算法和算力是自動駕駛開發的三駕馬車。車企研發周期縮短、功能迭代加速，未來能夠持續地低成本、高效率、高效能收集數據，并通過真實數據迭代算法，最終形成數據閉環及商業閉環是自動駕駛企業可持續發展的關鍵所在。
文章來源：佐思汽車研究
免責聲明：本文系網絡轉載，版權歸原作者所有。如涉及版權，請聯系刪除！
光纖陀螺儀第三閉環回路控制研究
根據光源對驅動電路的要求，提出光功率控制方案，引入陀螺儀第三閉環回路控制, 采用數字電流源實現光功率的動態調節。試驗結果表明，陀螺儀在全溫條件下啟動時間縮短在0.5 s以內、光功率波動控制在1%，零偏穩定性提高。
關鍵詞：光纖陀螺儀,SLD光源,光功率控制
作者：王雅、吉世濤、任賓，中國航天科技集團公司第九研究院航天十六所
光纖陀螺儀是當前導航與制導領域廣泛使用的慣性器件，具有尺寸小、牢固穩定、啟動時間短等特點[1]。為擴大動態測量范圍、提高測試性能，信號解調過程中通常構建數字階梯波反饋相移以及階梯波復位控制雙重閉環回路，保證全溫條件下的控制精度。目前光纖陀螺儀普遍采用超輻射發光二極管（Super-luminescent Diode，SLD）作為光源，SLD 性能的不穩定會對光 纖陀螺儀的精度產生極大影響。隨著使用時間的增長，SLD 光源輸出光功率會逐漸降低；且光源的輸出光功率以及光波長易受溫度變化影響，復雜的環境因素會對陀螺儀性能造成較大的干擾[2]。
為減小光源不穩定造成的誤差影響，對SLD 光源的驅動控制進行研究。光源驅動控制多采用恒流驅動與溫度控制相結合的方式來間接穩定光功率，這種方法并不能保證光源工作的穩定性與可靠性[3]。因此，本文提出光源光功率控制技術，在陀螺儀內部增加第三閉環回路反饋，以此提高SLD 光源的控制精度，滿足系統要求。
展開 
中科院長春應化所陶友華研究員《Angew》：硫交酯-可用于閉環回收塑料的一類新單體
Ed.》上以“O-to-S Substitution Enables Dovetailing Conflicting Cyclizability, Polymerizability, and Recyclability: Dithiolactone vs Dilactone”為題在線發表了可用于閉環回收塑料的硫交酯單體的論文（Angew. Chem. Int. Ed., DOI: 10.1002/anie.202109767)。
近年來，塑料的閉環回收的概念成為全世界高分子科學界關注的焦點，該方法通過設計特定的單體合成高分子材料，再將其直接轉化為原單體，從而實現資源循環和同級使用。8月13日，美國康奈爾大學高分子化學家Geoffrey W. Coates課題組在《科學》發文，以二氧戊環為單體，實現了塑料的閉環回收。
圖1. 硫交酯單體顯示熱力學有利于成環，動力學有利于開環聚合
近期，中科院長春應化所陶友華研究員提出硫交酯單體可以作為一類新型的單體用于閉環回收塑料。相比于大家熟知的乙交酯、丙交酯等交酯單體，硫交酯單體在熱力學上更有利于成環，在動力學上更有利于開環聚合（圖1），從而成功的將兩種看似矛盾的性質結合到一種單體上，使硫交酯單體相較于乙交酯、丙交酯等交酯單體，更容易合成、更容易聚合、也更容易實現閉環回收。同時，來源于纈氨酸的異丙基硫交酯的開環聚合，所得聚合產物具有無規但是結晶的不同尋常的特性。
經典的高分子化學理論中，單體的成環能力和開環聚合活性是相互矛盾的。如用于合成聚乳酸的丙交酯單體，具有較大的環張力，因此丙交酯單體開環聚合的活性較高，但丙交酯單體的規模化合成并不容易（直接環化的收率不到50%）。
展開 質量管理 | eMMA工藝仿真應用集成方案：打造質量閉環優化新范式
該集成方案在高精度焊接領域（如汽車制造與航空航天）表現尤為突出，真正實現了以質量數據驅動工藝設計的智能閉環，持續提升制造品質與效率。
eMMA與Simufact的集成方案不僅著眼于當前效能提升，更布局于未來的智能化能力躍遷：計劃2025年eMMA與Simufact將通過API直連，實現測量數據實時觸發焊接參數調整，達到實時控制閉環的目標；2026年后將進一步引入AI聯合優化機制，深度融合Simufact物理模型與eMMA的TSAF算法，生成“公差-成本-性能”帕累托最優解，動態推薦工藝窗口（如焊接速度/溫度區間）。
如何閉環自動駕駛仿真場景，實現從“重建”到“可用”？
四、結論
aiSim的3DGS 方案通過全流程技術創新，構建起 “數據標準化 - 場景高保真 - 仿真全覆蓋” 的價值閉環，打通 3DGS 從技術潛力到工程實用的轉化路徑。
從痛點解決來看，方案以 aiData 工具鏈讓多源數據有序協同，解決了 3DGS 輸入 “碎片化” 難題；通過 T-S 結構融合 NeRF 與 3DGS 優勢，結合 LiDAR 深度約束，實現場景幾何與外觀的精準重建；再經 DEVIANT 算法（幾何精度校驗）與 Mask2Former 算法（像素語義對齊）雙重驗證，確保重建場景與真實環境 “形神一致”，同時依托 GGSR 渲染器平衡高效渲染與高保真需求，讓 3DGS 真正適配自動駕駛仿真的嚴苛要求。
從應用價值來看，方案不僅提供了從真實場景到數字孿生的高效映射，更通過場景編輯工具支持極端天氣、虛擬交通流、多模態傳感器的靈活配置，讓單一場景衍生出多樣化測試工況。這種 “數據 - 場景 - 測試” 的閉環能力，既降低了對真實路測的依賴，又為自動駕駛算法迭代提供了高可信度的仿真環境。
▍參考資料
3DGS 綜述以及對 3DGS 的理解：A Survey on 3D Gaussian Splatting
Hybrid Rendering for Multimodal Autonomous Driving: Merging Neural and Physics-Based Simulation
3D Gaussian Splatting for Real-Time Radiance Field Rendering
展開 萬字綜述自動駕駛數據閉環
來源 |
知乎@黃浴
最近自動駕駛和數據閉環結合在一起成為一大解決方案，原因是自動駕駛工程已經被認可是一個解決數據分布“長尾問題”的任務，時而出現的corner case（極端情況）是對數據驅動的算法模型進行升級的來源之一，如圖所示。
構成這個自動駕駛數據閉環的核心技術和模塊都有哪些呢？首先是這個自動駕駛的算法和模塊是數據驅動的，其次源源不斷的數據需要有合理有效的方法去利用。
如圖是Tesla眾所周知的Autopilot數據引擎框架：確認模型誤差、數據標注和清洗、模型訓練和重新部署。
這是谷歌waymo報告提到的數據閉環平臺：其中有數據挖掘、主動學習、自動標注、自動化模型調試優化、測試校驗和部署發布。
如圖是英偉達公司在自動駕駛開發建立的機器學習平臺MAGLEV，也是基于閉環的模型迭代：其中有smart的數據選擇、數據標注、模型搜索、訓練、評估、調試和部署。
下面對數據閉環各個組成部分進一步討論：
自動駕駛的數據驅動模型；
云計算平臺的基建和大數據處理技術；
訓練數據標注工具；
大型模型訓練平臺；
模型測試和檢驗；
相關的機器學習技術。
1 自動駕駛的數據驅動模型
應該說，自動駕駛的算法模塊，基本都是數據驅動的訓練模型要優于基于規則或者優化的，尤其是感知和預測。
展開 三坐標如何構建驅動生產優化的質量閉環？
反饋：讓數據驅動工藝優化升級
質量閉環的核心在于測量驅動制造，三坐標測量機通過測量數據即時生成統計過程控制（SPC）報告，CP/CPK等關鍵指標。一旦趨勢異常，系統自動向加工機床發送調整指令，測量結果直接反饋至CNC機床。這種“測量-反饋-補償”的閉環，正是智能制造的核心邏輯。
一件產品的質量，從研發階段的設計驗證，到量產時的批量管控，再到使用后的維修評估，每個階段都需要質量數據的支撐。三坐標測量機這種覆蓋“設計-生產-運維”的全周期介入，讓質量數據行程了連貫的數字檔案，幫助工程師快速定位問題所在。
CFD仿真與測試協同創新,構建“仿真 + 實測”閉環
積鼎科技專注于多相流領域，憑借自主研發的多相流仿真軟件以及高精度測試設備，成功構建了“仿真 + 實測” 的閉環解決方案，助力企業在從設計優化到生產驗證的整個過程中實現突破，為行業提供國產自主的軟硬件一體化服務，推動行業邁向新高度。</p><h1 class="ql-align-center"><strong>1、軟件實力：多相流仿真的國產引領者</strong></h1><p>積鼎科技的核心流體仿真軟件VirtualFlow，憑借豐富的功能和優秀的性能，被成功應用于眾多行業，贏得了諸多行業頭部用戶的信賴與支持。</p><p class="ql-align-center"><img src="https://i-blog.csdnimg.cn/img_convert/ba1a8cd59df112aa01a254945b6fd4d3.png" height="406" width="720"></p><p><strong>1.多相流模型全覆蓋</strong></p><p><span style="color: rgb(77, 77, 77);">VirtualFlow支持氣液、氣固、液固等多種多相流態的模擬，內置VOF、LevelSet 等先進的界面追蹤方法，能夠精準地捕捉不同相之間的界面變化。同時，結合冷凝、沸騰等相變模型，軟件可以對復雜的流動行為進行高精度的預測。無論是化工的氣液反應過程，還是航空航天領域中燃料的多相流動，都能提供可靠的模擬結果。</span></p><p><strong>2. 高效并行與快速求解</strong></p><p>VirtualFlow2024版求解器性能得到了顯著提升，相較于之前提升了100%。它支持千核級并行計算，能夠充分利用高性能計算資源，大大縮短計算時間。結合自適應網格技術，在保證計算精度的同時，顯著縮短仿真周期。
展開 電子設備熱設計開發閉環流程示圖
熱設計開發閉環流程涉及結構、硬件、PCB、測試和熱設計等領域，與熱設計彼此之間都有信息的交互，使得熱設計開發流程形成一個完整的閉環，有利于各個領域的提高和技術積累，上圖共大家參考。
通過協同制造形成閉環（免費領文檔）
為此，重型裝備制造商可以通過協同制造形成閉環。
下載 CIMdata 編撰的此英文白皮書，詳細了解如何在成本和風險相對較低的產品生命周期早期階段發現并解決問題。
產品變型管理
重型裝備制造商面臨著復雜性不斷提高的產品變型和全球生產運營，需要高效的協同制造功能來賦能企業高效管理高度復雜的按訂單配置產品變型，這樣就可以根據需要規劃、生產和維護產品，從而滿足全球、當地和特定客戶的要求。
智能工廠 – 智能設備
制造行業的另一大趨勢就是智能工廠與智能設備。如今的很多設備都是由軟件和電子驅動的，能夠與其他機器和系統連通，并且能夠自主操作。綜合協同制造環境對于分析混合生產的影響而言不可或缺，企業可以據此優化總體產量。
協同制造中的數字孿生
全面的數字孿生是閉環協同制造的關鍵要素。企業不僅需要更好地應對產品復雜性和制造環境的復雜性，還要能夠在現場或遠程提供服務。優化和執行與制造執行系統集成，就能夠創建數字孿生，持續優化生產。注冊下載我們新推出的此英文白皮書，詳細了解協同制造如何推動提高總體效率。
點擊鏈接 獲取視頻
http://t8iw4ulf0hpixn8k.mikecrm.com/Mb9aR16
以下為視頻部分截取
▼
點擊鏈接 獲取視頻
http://t8iw4ulf0hpixn8k.mikecrm.com/Mb9aR16
-END-
展開 萬字綜述：如何打造自動駕駛的數據閉環？
來源 |
黃浴@知乎、汽車電子與軟件
最近自動駕駛和數據閉環結合在一起，原因是自動駕駛工程已經被認可是一個解決數據分布“長尾問題”的任務，時而出現的corner case（極端情況）是對數據驅動的算法模型進行升級的來源之一，如圖所示。
構成這個自動駕駛數據閉環的核心技術和模塊都有哪些呢？首先是這個自動駕駛的算法和模塊是數據驅動的，其次源源不斷的數據需要有合理有效的方法去利用。
如圖是Tesla眾所周知的Autopilot數據引擎框架：確認模型誤差、數據標注和清洗、模型訓練和重新部署。
這是谷歌waymo報告提到的數據閉環平臺：其中有數據挖掘、主動學習、自動標注、自動化模型調試優化、測試校驗和部署發布。
如圖是英偉達公司在自動駕駛開發建立的機器學習平臺MAGLEV，也是基于閉環的模型迭代：其中有smart的數據選擇、數據標注、模型搜索、訓練、評估、調試和部署。
下面對數據閉環各個組成部分進一步討論：
自動駕駛的數據驅動模型；
云計算平臺的基建和大數據處理技術；
訓練數據標注工具；
大型模型訓練平臺；
模型測試和檢驗；
相關的機器學習技術。
展開 RISC-V芯課程 | 從微架構到系統：基于新思科技RISC-V驗證方案構建高效可靠的RISC-V 驗證閉環
新思科技芯課程全新RISC-V系列即將推出，本次課程內容共4講，首場【從微架構到系統：基于新思科技RISC-V驗證方案構建高效可靠的RISC-V 驗證閉環】將于5月15日上線，深度剖析RISC-V在現代SoC設計中的核心驗證難點及挑戰，并重點介紹新思科技RISC-V相關的動態驗證方案，通過將STING的高效激勵生成能力與ImperasDV的精準檢查能力與新思科技的VCS、Verdi深度融合，展示如何構建一個涵蓋“激勵生成- 高速仿真- 深度調試-覆蓋率收斂”的仿真驗證方案。歡迎了解并預約更多系列課程：
1. 5/15: 從微架構到系統：基于新思科技RISC-V驗證方案構建高效可靠的RISC-V 驗證閉環
2. 5/22: 形式驗證為RISC-V內核保駕護航
3. 5/29: ZeBu高性能Emulator 助力RISC-V高效驗證
4. 6/5: FC QIK & AI FUSION：高效賦能RISC-V后端實現
講師簡介：
范宇杰 | 新思科技資深應用工程師
擁有多年SOC與CPU驗證經驗，近年來專注于RISC-V生態系統及新思科技RISC-V及CPU相關驗證方案的推廣與支持。
課程時間：
2026.05.15（周五），14:00-15:00
歡迎掃碼進入課程報名入口，了解更多RISC-V系列芯課程！
展開 MBQ基于模型的閉環質量控制
此視頻主要介紹基于模型的閉環質量控制，
NX設計初稿--反饋給-->VSA分析驗證尺寸設計--反饋給-->NX設計定型--->NX里CMM模塊自動生成機器可以識別的G代碼--反饋給-->CMM三坐標機器檢測-->DPV收集檢測數據--反饋給-->VSA根據實際檢測數據重新分析驗證--反饋給-->NX修正設計。
Closed Loop Quality Management Solutions.rar
