復數數據分析的案例
〔abaqus〕頻率分析與復數頻率分析
頻率分析: natural frequency extraction 只能分析對稱的剛度矩陣和質量矩陣， 如果涉及到非對稱的剛度矩陣，質量矩陣，阻尼矩陣。 則必須要使用復數頻率分析。 complex eigenvalue extraction 在進行復數頻率分析之前，必須要先進行模態分析。
數據分析與AI丨如何用數據分析找到更優的橡膠配方？
我們會用歷史數據訓練一個模型，然后在虛擬空間里生成成千上萬個候選配方，讓模型去預測，再挑出拉伸強度最高的組合。這種方法確實能找到“強度最優解”，但現實問題是：<strong>高強度配方往往伴隨高成本，或者耐磨、硬度達不到要求</strong>。這就像做菜時只求“最咸”，結果味道完全失衡。</p><p><br></p><p><strong>1多目標優化：兼顧性能與成本</strong></p><p><br></p><p>新的方法就是基于AI Studio的多目標反向優化。我們不再只盯著一個性能，而是同時考慮多個，并且考慮變量之間的約束：</p><p><br></p><ul><li>拉伸強度要盡量高；</li><li>耐磨要大于一定標準；</li><li>壓縮永久變形要盡量小；</li><li>硬度要在合理區間；</li><li>成本還必須控制住。
展開 數據分析與AI丨產品全生命周期的數據分析與AI提效案例
“從產品誕生到報廢的整個生命周期，決策方式正逐漸從依賴經驗轉向以數據為依據。在產品構思階段，過去主要依靠設計師的判斷，而如今，我們可以借助 AI 加速研發流程。”
—— Altair 數據分析工程師 楊國宇
在2025 Altair 區域技術大會·華南站的精彩演講
眾多周知，Altair 是計算智能領域的全球領導者之一，在仿真、高性能計算 (HPC) 和人工智能等領域提供軟件和云解決方案，今天想與大家分享Altair三大產品線之一——數據分析與人工智能平臺RapidMiner。
本次分享主題是“產品全生命周期的數據分析與AI提效”，希望與大家探討在產研、營銷、服務以及人機料法環測等環節中，數據分析與人工智能如何發揮價值。將從以下幾個方面詳細講解：
1、 產品&產線
2、 工業中的 AI 應用
3、 LLM 在工業中有什么用
4、 Altair 能提供什么
以下為全文內容：
01產品&產線
首先，我想談談產品與產線的關聯。大家或許已多次見過我們展示的這張產品生命周期圖，實際上，從產品誕生到報廢的整個生命周期，決策方式正逐漸從依賴經驗轉向以數據為依據。在產品構思階段，過去主要依靠設計師的判斷，而如今，我們可以借助AI加速研發流程。
例如，在評估設計可行性時，傳統做法需要制作樣品或反復試驗，而仿真技術的出現顯著降低了成本與時間。我們可以通過仿真測試手機的抗摔性能，無需真的將新手機從高樓拋下；也可以在客戶尚未反饋前，通過冷水機的實時數據掌握其運行狀況。
可以說，在產品生命周期的每個階段，數據分析和AI都有廣泛的應用空間。
那么，這些數據未來將如何進一步被利用？以白車身產線為例，其蘊含了大量隱性信息。
展開 ViCANdo — 智能駕駛數據采集及數據分析平臺
經緯恒潤基于ViCANdo軟件，為智能駕駛測試提供從數據采集到數據分析全流程的解決方案，幫助智能駕駛研發測試人員快速了解產品性能，提升產品可靠性。
產品介紹
?ViCANdo是瑞典Zuragon公司研制的一款針對智能駕駛功能的開發和測試平臺軟件，具備如下特性:
?兼容性好，能運行在Windows、Linux、MacOS等操作系統，支持x86、ARM等平臺
?能夠完成車載總線全量數據的采集和同步
?具備數據實時分析和后處理能力
?提供靈活的API接口，方便后續二次開發
產品功能
?智能駕駛數據采集分析
? 全量數據采集，CAN、LIN、Ethernet和GPS串口數據等
? 定制化傳感器接入
? 遠程事件監控/數據傳輸
? 數據同步
? 數據可視化
?ViCANdo擴展工具組(ICVT)
ViCANdo軟件搭配有多種擴展組件，用于智能駕駛的測試和數據分析。
展開 
【Python數據分析基礎】: 數據缺失值處理
本篇開始分享如何使用Python進行數據分析，主要側重介紹一些分析的方法和技巧，而對于pandas和numpy等Pyhon計算包的使用會在問題中提及，但不詳細介紹。本篇我們來說說面對數據的缺失值，我們該如何處理。文末有博主總結的思維導圖。
1 數據缺失的原因
首先我們應該知道：數據為什么缺失？數據的缺失是我們無法避免的，可能的原因有很多種，博主總結有以下三大類：
無意的：信息被遺漏，比如由于工作人員的疏忽，忘記而缺失；或者由于數據采集器等故障等原因造成的缺失，比如系統實時性要求較高的時候，機器來不及判斷和決策而造成缺失；
有意的：有些數據集在特征描述中會規定將缺失值也作為一種特征值，這時候缺失值就可以看作是一種特殊的特征值；
不存在：有些特征屬性根本就是不存在的，比如一個未婚者的配偶名字就沒法填寫，再如一個孩子的收入狀況也無法填寫；
總而言之，對于造成缺失值的原因，我們需要明確：是因為疏忽或遺漏無意而造成的，還是說故意造成的，或者說根本不存在。只有知道了它的來源，我們才能對癥下藥，做相應的處理。
2 數據缺失的類型
在對缺失數據進行處理前，了解數據缺失的機制和形式是十分必要的。將數據集中不含缺失值的變量稱為完全變量，數據集中含有缺失值的變量稱為不完全變量。而從缺失的分布來將缺失可以分為完全隨機缺失，隨機缺失和完全非隨機缺失。
展開 Python零基礎入門數據分析實戰之小費數據集應用
一、數據來源
本節選用的是Python的第三方庫seaborn自帶的數據集，該小費數據集為餐飲行業收集的數據，其中total_bill為消費總金額、tip為小費金額、sex為顧客性別、smoker為顧客是否吸煙、day為消費的星期、time為聚餐的時間段、size為聚餐人數。
import numpy as np
from pandas import Series,DataFrame
import pandas as pd
import seaborn as sns #導入seaborn庫 tips=sns.load_dataset('tips') #seaborn庫自帶的數據集 tips.head()
二、問題探索
小費金額與消費總金額是否存在相關性?
性別、是否吸煙、星期幾、聚餐人數和小費金額是否有一定的關聯?
小費金額占小費總金額的百分比是否服從正態分布?
三、數據清洗
tips.shape #數據集的維度
(244，7)
共有244條數據，7列。
tips.describe() #描述統計
描述統計結果如上所示。
tips.info() #查看缺失值信息
此例無缺失值。
四、數據探索
tips.plot(kind='scatter',x='total_bill',y='tip') #繪制散點圖
由圖可看出，小費金額與消費總金額存在正相關性。
展開 數據分析與AI丨AI Fabric：數據和人工智能架構的未來
wx_fmt=jpeg&from=appmsg"></p><p><br></p><p>在當今商業環境中，數據分析和人工智能領域發展可謂日新月異。幾乎每天都有新興技術誕生，新的應用場景不斷涌現，前沿探索持續拓展。可遺憾的是，眾多企業在利用數據和人工智能方面，腳步總是滯后。</p><p><br></p><p>這是每個行業進行創新和獲得競爭優勢的沖刺階段，但正如大多數企業時常感受到的那樣，<strong>大規模實施下一代數據和 AI 工具說起來容易做起來難。</strong></p><p><br></p><p>實際操作中，無論企業員工能力如何、專長在哪方面，想要實現數據與人工智能的順暢應用都困難重重。一方面，數據格式陳舊，沿用幾十年的遺留系統架構混亂復雜；另一方面，企業常常難以精準定位問題根源，而這其中，數據架構往往就是“罪魁禍首”。<strong>解決這一系列難題的關鍵方案則是：AI Fabric。</strong></p><p><br></p><p><strong>AI FABRIC：一種大膽的創新方法</strong></p><p><br></p><p>AI Fabric 源自 Data Fabric的演變。Data Fabric （數據架構）是過去十年左右出現的，它巧妙地融合了數據倉庫和數據湖的優勢特性，為企業的數據資產構建起一個統一且流暢的管理體系。借助這一體系，企業在數據管理工作上效率大幅提升，操作更加便捷，并且能夠輕松實現管理規模的擴展。</p><p><br></p><p>然而，隨著 AI 領域創新步伐的不斷加快，單純依靠 Data Fabric 已難以滿足企業的需求。</p><p><br></p><p>Data Fabric 固然重要，但它無法完全涵蓋有效激活和運用數據所需的全部要素。
展開 ENGEL sim link數據接口實現模流分析和射出機之間的直接數據傳輸
模擬仿真越接近現實，效益越高
模擬仿真的準確度很大程度上取決于建模和材料數據的質量，換句話說，模流分析遵循「若輸入是垃圾，則輸出亦是垃圾」的原則。模擬仿真越接近現實，則結果越好，效益越高。因此，sim link也是后處理工具（將初始工藝設置導出至射出機）和預處理工具（將現實的工藝數據導入模流分析軟件）。sim link的目的是從模擬仿真的參數設置中生成初始工藝設置建議，并通過生產反饋不斷提高模擬仿真的質量。為此，sim link有三種功能：修改、導出和導入。
修改功能
使模擬仿真的參數設定適配所選機器的真實動態，這樣，模擬仿真能夠將機器動態表現和機器極限考慮在內，顯著提高模擬仿真的質量。借助修改功能，可以判斷產品是否確實可以在選定的射出機上生產。
導出功能
能從模擬仿真中自動創建一個工藝數據集，并將其直接傳輸至ENGEL射出機控制系統。經過轉換，模擬仿真所用的參數設定可以被寫入工藝數據集，并確保其能被射出機控制系統正確讀取載入。通過這種方式，操作員可快速地將模擬仿真中經過測試的參數設置傳輸至機器，從而更高效地開始生產。
導入功能
是一個反向的數據傳輸，能將真實生產機器的工藝數據集和信號進行格式轉換后，傳輸回模流分析軟件。通過這種反饋，模流分析工程師可以檢查其模擬仿真的質量，對比壓力曲線，并進一步積累專業知識。
在當前版本中，sim link與兩種模流分析軟件配合使用，即Autodesk的Moldflow和Simcon的Cadmould。數據接口與ENGEL CC200和CC300射出機兼容，無需額外軟件或硬件。
數據安全具有高優先級
在ENGEL e-connect客戶門戶中，機器庫可自動顯示所有適用sim link數據接口的射出機。
展開 數據分析與AI丨AI+數據，助力企業實現全生命周期智能運營
在當今快節奏且競爭激烈的制造業環境中，數據已成為企業保持領先地位的核心要素。充分挖掘數據潛力，能夠助力工程師做出更明智的決策、預測未來趨勢、并快速響應不斷變化的市場需求。通過實時洞察優化生產流程、減少停機時間、提升生產效率，是制造行業維持敏捷性與競爭力的關鍵所在。
Altair 的制造行業分析解決方案致力于簡化企業運營，強化預測性維護能力，并協助團隊獲取實時洞察，從而推動創新，加速智能制造轉型進程。
01
實現數據驅動的智能運營
40 年來，Altair 始終致力于通過在產品全生命周期中應用仿真、數據分析等技術，助力客戶實現產品設計與決策模式的革新。
我們深諳企業制造運營與數據分析的復雜性。依托在制造行業人工智能（AI）與機器學習領域的專業積累，我們推出的低代碼/無代碼分析解決方案，讓不同技能水平的用戶都能輕松構建應用程序，支持更快速、高效的決策。
通過全面的自助式數據分析與機器學習平臺，Altair 助力企業在從車間到管理層的全數據生命周期中充分利用運營數據，實現價值提升，并降低風險。
（視頻）
02
增強制造業運營分析能力
數字孿生
借助數據構建產品與流程的數字孿生模型，實現對生產系統的預測與優化。通過融合 AI、機器學習和知識圖譜技術，構建高價值模型，為團隊提供深度洞察，輔助制定更優決策，提升運營效果。
可持續性
跟蹤整條生產線的能源使用情況，是提升效率與實現可持續發展的重要環節。通過測量與報告多維度環境數據，企業能夠精準定位需改進的領域，如及早發現效率瓶頸、減少資源浪費與能源消耗、優化產量、最大限度降低廢料產生等。Altair 的專業工具將助力企業實現經濟效益與環境效益的雙重突破。
展開 25針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。 ￥100
針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。程序所用算法包括花授粉優化算法（FPA）優化BP，優化ELM,進行預測，先對數據進行VMD或EEMD,CEEMDAN等方法分解，然后進行輸入模型預測。模型以調通，可直接運行。基于matlab平臺。標價為程序價格，不包含售后。
25針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。 ￥100
針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。程序所用算法包括花授粉優化算法（FPA）優化BP，優化ELM,進行預測，先對數據進行VMD或EEMD,CEEMDAN等方法分解，然后進行輸入模型預測。模型以調通，可直接運行。基于matlab平臺。標價為程序價格，不包含售后。
數據分析與AI丨從傳感器到智能決策：數據驅動企業發展與 ESG 創新的全鏈路實踐
</p><p class="ql-align-justify">相比之下，如果在產線上預先部署傳感器，進行監控與數據分析，不僅能實現預警，還能結合歷史數據與機器學習模型進行質量檢測與分析。</p><p class="ql-align-justify">比如針對焊點的檢測，在傳統方式下極難發現潛在問題：以我個人經驗為例，即使焊接后外觀看似合格，接通電路后仍可能出現不通電的情況，而肉眼檢查很難判斷焊點是否合格。傳統的檢測方式已不再適用。如果在焊槍中集成高精度傳感器，能夠采集微小的電流、電壓變化等信號，并在實驗后進行分析，便可標記出可能存在虛焊、開焊的問題點。隨后，利用這些帶標注的歷史數據訓練機器學習模型，就可以構建起用于分類判斷的系統。</p><p class="ql-align-justify">這些模型部署在焊槍側，能夠在 0.1 秒甚至 0.01 秒內判斷焊點是否合格。一旦檢測出可能的虛焊問題，系統會立即反饋給人工進行補焊處理，從而顯著降低返工率。</p><p class="ql-align-justify">這樣做有多方面的好處：</p><ul><li class="ql-align-justify">首先，漏焊率降低意味著返工減少，從而降低召回風險，提升企業聲譽；</li><li class="ql-align-justify">其次，返工減少也直接降低了能耗，實現節能減碳。雖然單個焊點節省的能耗有限，但累計來看，每年可減少數十噸碳排放。</li></ul><p class="ql-align-justify">在 ESG（環境、社會和公司治理）語境下，這不僅僅是喊口號，而是通過具體任務實現節能降耗的實際成效。焊點檢測只是一個案例，實際在工廠中還有許多類似的應用場景，例如研發、材料、設計等多個方面。
展開 數據分析與AI丨F1賽車級數據智能：Altair Panopticon如何助力Prodrive領跑賽事工程？
</p><p><br></p><p>“我們擁有龐大的賽車日志數據庫，但海量數據幾乎令人無從下手。Altair Panopticon正是理想的解決方案，它既能挖掘歷史數據中隱藏的模式，又能實時解析賽車傳輸的數據流。</p><p class="ql-align-right"><strong>—— Prodrive高級數據分析工程師 </strong></p><p class="ql-align-right"><strong>Alistair Grimshaw</strong>”</p><p><br></p><p><strong>數據挑戰：TB級賽事數據的智能困局</strong></p><p><br></p><p>Prodrive原有的分析系統雖然能夠采集賽車傳感器數據，<strong>但與大多數賽車數據分析系統一樣，難以有效處理長期積累的大規模數據集</strong>。然而，對賽車全生命周期發動機數據的分析，能夠為設計和制造工藝的優化提供關鍵洞察，從而提升車輛性能。此外，準確預測關鍵部件的潛在故障時間，有助于車隊在比賽中優化進站策略。</p><p><br></p><p>由于Prodrive賽車搭載的傳感器數量眾多且采樣頻率高，單車全生命周期產生的數據量極為龐大。在常規比賽周末，每輛賽車可生成約0.5 TB數據；而在測試期間，每周數據量可達5至10 TB。因此，Prodrive需要一套能夠高效管理海量數據、提供更強大分析能力，并支持快速開發和部署周期的數據分析軟件。</p><p><br></p><p><strong>Altair 解決方案：實時數據智能平臺</strong></p><p><br></p><p>Prodrive工程團隊不僅需要處理高頻實時數據流并實現可視化，還希望提升關鍵發現向管理層的傳達效率。
展開 25針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。 ￥150
針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。程序所用算法包括花授粉優化算法（FPA）優化BP，優化ELM,進行預測，先對數據進行VMD或EEMD,CEEMDAN等方法分解，然后進行輸入模型預測。
【振動分析數據處理】 ￥100
振動信號處理 1
1 振動數據來源 2
2 信號處理基本概念 2
2.1 模擬信號和數字信號 2
2.2 時間分辨率（采樣時間間隔） 2
2.3 幀長度(frame size) T 3
2.4 數據塊大小N 3
2.5 采樣率fs 3
2.6 帶寬(最大分析頻率)fmax 6
2.7 頻率分辨率 6
3 信號采集誤差 7
3.1 采樣誤差 7
3.2 量化誤差 7
3.2.1 量化量級 7
3.2.2 量化誤差來源 8
3.2.3 量化誤差建議 9
3.3 其他誤差 10
3.3.1 傳感器噪聲 11
3.3.2 導線噪聲 12
3.3.3 信號調理噪聲 12
3.3.4 濾波器噪聲 13
3.3.5 ADC精度 13
3.3.6 計算噪聲 13
4 FFT變換及PSD估算 14
4.1 能量泄露 14
4.1.1 周期截斷 14
4.1.2 非周期截斷 15
4.2 窗函數 17
4.2.1 窗函數定義 17
4.2.2 加窗的意義 17
4.2.3 窗函數的時域及頻域特征 18
4.2.4 加窗的原則 20
4.3 加窗帶來的幅值校正和能量修正 21
4.3.1 幅值修正 21
4.3.2 能量修正 23
4.4 功率譜密度函數估計（PSD估計） 24
4免費.png
3.幅值校正因子效果圖.png
3.幅值校正因子效果圖2.png
4-振動信號采集及數據處理 - 副本.pdf
展開 