數(shù)據(jù)建模平臺(tái)的案例
數(shù)據(jù)建模平臺(tái) - DTEmpower V2.0 正式發(fā)布！
如何快速的從工業(yè)數(shù)據(jù)中建立模型，并將其作為知識(shí)進(jìn)行積淀和應(yīng)用，以提高自身業(yè)務(wù)的競(jìng)爭(zhēng)力，是工業(yè)企業(yè)非常關(guān)注的話題。人工智能和數(shù)據(jù)挖掘技術(shù)的發(fā)展雖然一定程度上降低了數(shù)據(jù)建模的上手難度，但是建立高質(zhì)量的模型并與自身工業(yè)具體場(chǎng)景的結(jié)合，仍然存在著一定的門檻。在此背景之下，南京天洑軟件有限公司通過多年自主研發(fā)，推出了數(shù)據(jù)建模平臺(tái)DTEmpower，致力于降低工業(yè)數(shù)據(jù)建模的門檻。通過在DTEmpower V1.0基礎(chǔ)之上深入研發(fā)，DTEmpower V2.0現(xiàn)正式發(fā)布！
圖 1 DTEmpower V2.0正式發(fā)布！
此次DTEmpower V2.0相對(duì)于V1.0主要具備6大亮點(diǎn)：
1）新增智能數(shù)據(jù)清理工具，異常點(diǎn)識(shí)別更精準(zhǔn)；
2）針對(duì)工業(yè)設(shè)計(jì)小數(shù)據(jù)集的智能訓(xùn)練算法；
3）在數(shù)據(jù)建模流程中方便的融合機(jī)理模型；
4）與天洑智能優(yōu)化平臺(tái)AIPOD的無縫集成，輕松開展優(yōu)化；
5）PHM擴(kuò)展工具箱，搭配預(yù)警模型運(yùn)行模塊，實(shí)現(xiàn)早期預(yù)警；
6）軟件優(yōu)化，運(yùn)行更穩(wěn)定，使用更便捷。
展開 【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦（2） - 燃料電池?zé)峁芾砜焖僭u(píng)估
圖3 基于DTEmpower軟件平臺(tái)的燃料電池溫度分布建模流程和結(jié)果，方案采用AIAgent智能訓(xùn)練算法用以擬合溫度隨位置的分布情況。DTEmpower僅使用5個(gè)位置點(diǎn)上的溫度就能完美（R2指標(biāo)都在99%以上）擬合出剩余995個(gè)位置上的溫度，這為SOFC的溫度分布建模提供了高精度的數(shù)據(jù)模型支撐
案例總結(jié)
本案例基于DTEmpower數(shù)據(jù)建模平臺(tái)對(duì)SOFC的仿真數(shù)據(jù)集進(jìn)行溫度分布建模：
對(duì)溫度分布的統(tǒng)計(jì)參數(shù)及其相關(guān)的重要參數(shù)，采用基于數(shù)據(jù)驅(qū)動(dòng)的方法進(jìn)行訓(xùn)練和測(cè)試，對(duì)于大部分目標(biāo)變量，基于AIAgent算法的模型R2指標(biāo)（越接近1模型精度越高）在0.97以上；
對(duì)基于位置的溫度分布進(jìn)行訓(xùn)練預(yù)測(cè)，AIAgent智能訓(xùn)練算法的模型R2指標(biāo)（越接近1模型精度越高）均在0.99以上。這為燃料電池的可靠性的快速評(píng)估提供了強(qiáng)有力的數(shù)據(jù)模型支撐。
DTEmpower建模工具在SOFC溫度分布的建模分析中提供了一站式的數(shù)據(jù)建模解決方案，平臺(tái)提供了強(qiáng)大的數(shù)據(jù)挖掘、特征工程和模型自動(dòng)學(xué)習(xí)等支撐技術(shù)，可以幫助用戶快速、便捷的構(gòu)建精度較高的數(shù)據(jù)模型。
應(yīng)用價(jià)值
1. 節(jié)省燃料電池溫度分布的建模時(shí)間
采用數(shù)據(jù)訓(xùn)練的方式得到SOFC關(guān)鍵參數(shù)和溫度分布的高精度代理模型，用戶只需給定相應(yīng)的輸入條件，即可在毫秒級(jí)的時(shí)間內(nèi)得到輸出。這與小時(shí)級(jí)別的基于有限元分析的溫度分布的建模耗時(shí)相比，具有巨大優(yōu)勢(shì)。
2. 強(qiáng)有力的溫度分布數(shù)據(jù)模型支撐
試驗(yàn)中所得到的基于位置的溫度分布模型的R2指標(biāo)在0.99以上，這為基于模型的溫度控制和燃料電池的快速評(píng)估提供強(qiáng)有力的數(shù)據(jù)模型支撐。
相關(guān)案例
圖4 燃料電池溫度分布示意圖
如對(duì)完整實(shí)施方案或相關(guān)軟件感興趣，可以聯(lián)系我們或申請(qǐng)軟件試用。
展開 【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦（4） - 用戶用電量時(shí)序預(yù)測(cè)
這會(huì)增加用電量預(yù)測(cè)的建模難度。
2. 電網(wǎng)短期用電量既具有波動(dòng)性又具有非線性特征，這會(huì)降低用電量的預(yù)測(cè)精度。
3. 傳統(tǒng)的用電量預(yù)測(cè)方法在挖掘種類多、體量大、緯度高和生成速度快的用電大數(shù)據(jù)時(shí)存在一定的局限性，難以準(zhǔn)確把握用戶的用電量關(guān)聯(lián)因素及變化規(guī)律。
解決方案：基于DTEmpower的時(shí)序預(yù)測(cè)建模實(shí)戰(zhàn)
為了對(duì)用戶用電量進(jìn)行精準(zhǔn)預(yù)測(cè)，并為智能配用電提供數(shù)據(jù)模型支撐，本案例基于DTEmpower數(shù)據(jù)建模平臺(tái)中的時(shí)序預(yù)測(cè)功能模塊（如圖1），采用數(shù)據(jù)驅(qū)動(dòng)的方法建立用戶用電量的預(yù)測(cè)模型（如圖2）。
圖1 DTEmpower不僅提供了一站式的數(shù)據(jù)建模解決方案，通過簡(jiǎn)單的節(jié)點(diǎn)拖拽即可搭建完整的建模流程；還集成了ARIMA、SARIMA、TBATS等常見的時(shí)序預(yù)測(cè)算法，滿足用戶對(duì)時(shí)序預(yù)測(cè)建模需求的同時(shí)，掃清了數(shù)據(jù)驅(qū)動(dòng)技術(shù)在實(shí)際工業(yè)應(yīng)用中落地的一大障礙
圖2 基于DTEmpower的用戶用電量預(yù)測(cè)建模過程，通過5個(gè)節(jié)點(diǎn)的連接即可搭建完整的時(shí)序預(yù)測(cè)模型，最終模型對(duì)t+1時(shí)刻預(yù)測(cè)值的R2指標(biāo)為94.27%
1. 【時(shí)序變量設(shè)定】節(jié)點(diǎn)可以設(shè)置時(shí)間變量、預(yù)測(cè)變量和外源變量三類：時(shí)間變量為時(shí)序模型的對(duì)應(yīng)時(shí)間索引列，預(yù)測(cè)變量為時(shí)序模型用于預(yù)測(cè)的變量，外源變量為影響預(yù)測(cè)變量的其他變量。
2. 【時(shí)序預(yù)處理】節(jié)點(diǎn)完成對(duì)時(shí)序數(shù)據(jù)校驗(yàn)：由于時(shí)序模型訓(xùn)練算法對(duì)于數(shù)據(jù)集有比較嚴(yán)格的限制，如連續(xù)采樣且時(shí)間間隔均勻等，因此為了避免后續(xù)算法節(jié)點(diǎn)運(yùn)行出錯(cuò)，需要結(jié)合【時(shí)序預(yù)處理】節(jié)點(diǎn)對(duì)數(shù)據(jù)進(jìn)行校驗(yàn)和預(yù)處理。
應(yīng)用價(jià)值
提前預(yù)知用戶用電量的變化
通過時(shí)序預(yù)測(cè)的方法，精確快速的預(yù)測(cè)用戶用電量的變化情況，為合理的電力輸送及調(diào)度提供模型支撐。
展開 【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦（3）- 風(fēng)力機(jī)輪轂強(qiáng)度快速評(píng)估
解決方案：基于DTEmpower的輪轂強(qiáng)度分析建模實(shí)戰(zhàn)
為了對(duì)輪轂在不同載荷下的應(yīng)力情況進(jìn)行快速分析，快速判斷輪轂結(jié)構(gòu)的可靠性，本案例基于DTEmpower數(shù)據(jù)建模平臺(tái)，采用數(shù)據(jù)驅(qū)動(dòng)的方法建立輪轂載荷和輪轂應(yīng)力之間高精度的回歸模型，為輪轂的強(qiáng)度分析提供代理模型支撐。
輪轂強(qiáng)度分析建模試驗(yàn)1
1. 數(shù)據(jù)集介紹：根據(jù)客戶提供的計(jì)算程序，結(jié)合AIPOD中的智能采樣功能生成輪轂強(qiáng)度數(shù)據(jù)集。數(shù)據(jù)集的3維輸入表示輪轂上的三個(gè)扭矩，5維輸出表示五個(gè)節(jié)點(diǎn)的應(yīng)力。目標(biāo)是得到輸入輸出變量之間的映射關(guān)系；
2. 建模方法和結(jié)果：圖1所示的建模方法采用了GBDT、隨機(jī)森林和AIAgent等多種算法進(jìn)行回歸分析，最終選取精度最高的模型；
圖1 基于DTEmpower軟件平臺(tái)的輪轂強(qiáng)度分析建模流程和結(jié)果。首先利用AIPOD的智能采樣功能計(jì)算生成數(shù)據(jù)集，然后在DTEmpower中進(jìn)行建模分析
3. 建模結(jié)果分析：結(jié)合DTEmpower數(shù)據(jù)建模工具，使用 AIAgent擬合輸入輸出變量之間的映射關(guān)系，可使模型的R2指標(biāo)達(dá)到99%以上，優(yōu)于其他訓(xùn)練算法。
輪轂強(qiáng)度分析建模試驗(yàn)2
1. 數(shù)據(jù)集介紹：某頭部風(fēng)機(jī)制造商提供的結(jié)構(gòu)應(yīng)力評(píng)估數(shù)據(jù)集，含有15維輸入，為5個(gè)測(cè)點(diǎn)在三個(gè)方向上的載荷；輸出為9個(gè)測(cè)點(diǎn)的應(yīng)力，共27維。數(shù)據(jù)集中有2400個(gè)樣本，目標(biāo)是快速評(píng)估測(cè)點(diǎn)的結(jié)構(gòu)應(yīng)力；
2. 建模方法和結(jié)果：圖3所示的建模方法在試驗(yàn)1的基礎(chǔ)上綜合使用了ROD、MDI/MDA等數(shù)據(jù)和特征的預(yù)處理技術(shù)。然后在不同的實(shí)驗(yàn)條件下對(duì)比模型的評(píng)價(jià)指標(biāo)。其中ROD是一種基于回歸分析并搭配使用天洑軟件自研的tf_accuracy作為評(píng)價(jià)指標(biāo)的異常點(diǎn)檢測(cè)方法。
展開 
重磅升級(jí)，AIPOD V2.0正式發(fā)布！
二、AIAgent升級(jí)，代理精度更高、穩(wěn)定性更好
AIAgent可通過與計(jì)算流程的連接，進(jìn)行數(shù)據(jù)智能采樣，通過天洑自研的機(jī)器學(xué)習(xí)算法，進(jìn)行代理模型的訓(xùn)練，為優(yōu)化設(shè)計(jì)加速助力。AIAgent中的機(jī)器學(xué)習(xí)算法來自于天洑數(shù)據(jù)建模平臺(tái)，其核心是天洑自研的超參學(xué)習(xí)框架，相較于傳統(tǒng)響應(yīng)面、Kriging模型，AIAgent針對(duì)復(fù)雜問題表征能力更強(qiáng)、數(shù)據(jù)集需求量更低、使用門檻更低，而且訓(xùn)練得到的模型可導(dǎo)出，可復(fù)用，可作為企業(yè)的核心知識(shí)進(jìn)行管理，提升企業(yè)快速優(yōu)化設(shè)計(jì)的能力。通過天洑數(shù)據(jù)建模平臺(tái)的賦能，AIAgent的代理精度得到了進(jìn)一步的提高，訓(xùn)練的模型穩(wěn)定性更好，助力快速獲得更好的優(yōu)化結(jié)果。
*AIAgent一鍵構(gòu)建可復(fù)用的高精度代理模型
三、與天洑數(shù)據(jù)建模平臺(tái)無縫集成
工業(yè)企業(yè)擁有大量的仿真、實(shí)驗(yàn)和實(shí)際運(yùn)行數(shù)據(jù)，通過數(shù)據(jù)挖掘技術(shù)，用戶可以建立數(shù)據(jù)的相關(guān)關(guān)系，并希望將其方便的用于產(chǎn)品的優(yōu)化設(shè)計(jì)中。針對(duì)這一需求，AIPOD V2.0建模工具箱中增加了DT節(jié)點(diǎn)，用戶可以在設(shè)計(jì)計(jì)算流程中一鍵導(dǎo)入天洑數(shù)據(jù)建模平臺(tái)建立的數(shù)據(jù)挖掘模型，并且可以和腳本、可執(zhí)行程序進(jìn)行耦合，實(shí)現(xiàn)任意復(fù)雜的設(shè)計(jì)計(jì)算流程的搭建。之后便可以借助于SilverBullet算法，進(jìn)行優(yōu)化設(shè)計(jì)。
*一鍵導(dǎo)入數(shù)據(jù)挖掘模型，耦合建模，進(jìn)行優(yōu)化
四、內(nèi)核優(yōu)化，軟件運(yùn)行更穩(wěn)定
“占用資源高，軟件易崩潰”是眾多軟件產(chǎn)品面臨的一個(gè)重要問題。AIPOD采用多進(jìn)程架構(gòu)，主進(jìn)程負(fù)責(zé)人機(jī)交互和任務(wù)管理，所有任務(wù)都運(yùn)行在獨(dú)立的進(jìn)程中，保證主進(jìn)程的穩(wěn)定運(yùn)行；主進(jìn)程實(shí)時(shí)監(jiān)測(cè)各任務(wù)進(jìn)程的運(yùn)行情況，及時(shí)關(guān)閉異常進(jìn)程，釋放系統(tǒng)資源。AIPOD V2.0對(duì)該架構(gòu)進(jìn)行了大量細(xì)節(jié)優(yōu)化，進(jìn)行了多處功能增強(qiáng)，如閑置進(jìn)程智能回收功能，任務(wù)中止自定義功能。
展開 【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦(6) - 船體型線智能設(shè)計(jì)
借助于智能的一體化設(shè)計(jì)優(yōu)化平臺(tái)，以性能參數(shù)為目標(biāo)，能夠有效快速尋找“最優(yōu)”設(shè)計(jì)方案。
問題與挑戰(zhàn)
1. CAD輔助設(shè)計(jì)的船型設(shè)計(jì)方法嚴(yán)重依賴設(shè)計(jì)人員的設(shè)計(jì)經(jīng)驗(yàn)，并且需要多輪水池試驗(yàn)進(jìn)行驗(yàn)證，人力物力成本較高；
2. 引入CFD進(jìn)行設(shè)計(jì)方案評(píng)估能夠節(jié)省一定的人力物力成本，但是單次評(píng)估時(shí)間較長(zhǎng)，并且自動(dòng)化程度較低；
3. 用代理模型替換CFD，基于代理模型的優(yōu)化設(shè)計(jì)方案能夠大大縮短設(shè)計(jì)周期，但是代理模型的精度影響著設(shè)計(jì)方案的最終效果。
解決方案
由于傳統(tǒng)船型設(shè)計(jì)方法的自動(dòng)化和智能化程度較低且評(píng)估時(shí)間較長(zhǎng)，因此利用一體化的設(shè)計(jì)平臺(tái)，并且采用基于代理模型的優(yōu)化設(shè)計(jì)方案，以提高設(shè)計(jì)方案的自動(dòng)化、智能化程度。同時(shí)為了提高代理模型精度，綜合采用HDDV高維可視化、HierarchicalStratify分層分類、ROD異常點(diǎn)清理以及AIAgent智能訓(xùn)練算法等多種核心技術(shù)用以輔助船體型線的智能化設(shè)計(jì)，目前這些核心技術(shù)已經(jīng)集成在天洑自研的數(shù)據(jù)建模軟件平臺(tái)DTEmpower之中。
圖1 船型智能優(yōu)化設(shè)計(jì)解決方案
1. 借助于參數(shù)化建模工具提取母型的幾何特征，并利用CFD仿真工具得到用于數(shù)據(jù)建模的仿真數(shù)據(jù)集；
2. 考慮到CFD工具的運(yùn)行速度限制導(dǎo)致生成的數(shù)據(jù)集規(guī)模通常較小，這會(huì)影響數(shù)據(jù)模型的精度。
展開 ViCANdo — 智能駕駛數(shù)據(jù)采集及數(shù)據(jù)分析平臺(tái)
經(jīng)緯恒潤(rùn)基于ViCANdo軟件，為智能駕駛測(cè)試提供從數(shù)據(jù)采集到數(shù)據(jù)分析全流程的解決方案，幫助智能駕駛研發(fā)測(cè)試人員快速了解產(chǎn)品性能，提升產(chǎn)品可靠性。
產(chǎn)品介紹
?ViCANdo是瑞典Zuragon公司研制的一款針對(duì)智能駕駛功能的開發(fā)和測(cè)試平臺(tái)軟件，具備如下特性:
?兼容性好，能運(yùn)行在Windows、Linux、MacOS等操作系統(tǒng)，支持x86、ARM等平臺(tái)
?能夠完成車載總線全量數(shù)據(jù)的采集和同步
?具備數(shù)據(jù)實(shí)時(shí)分析和后處理能力
?提供靈活的API接口，方便后續(xù)二次開發(fā)
產(chǎn)品功能
?智能駕駛數(shù)據(jù)采集分析
? 全量數(shù)據(jù)采集，CAN、LIN、Ethernet和GPS串口數(shù)據(jù)等
? 定制化傳感器接入
? 遠(yuǎn)程事件監(jiān)控/數(shù)據(jù)傳輸
? 數(shù)據(jù)同步
? 數(shù)據(jù)可視化
?ViCANdo擴(kuò)展工具組(ICVT)
ViCANdo軟件搭配有多種擴(kuò)展組件，用于智能駕駛的測(cè)試和數(shù)據(jù)分析。
展開 誠(chéng)邀蒞臨 | 數(shù)據(jù)馭變 智聯(lián)仿真：海克斯康仿真數(shù)據(jù)管理平臺(tái)高峰論壇
INVITATION
?？怂箍嫡\(chéng)摯邀請(qǐng)您參加將于7月24日在青島盛大舉辦的 “數(shù)據(jù)馭變 智聯(lián)仿真：?？怂箍捣抡?em>數(shù)據(jù)管理平臺(tái)高峰論壇”。
在數(shù)字化浪潮席卷全球制造業(yè)的今天，仿真數(shù)據(jù)管理（Simulation Data Management, SDM）已成為驅(qū)動(dòng)研發(fā)效率提升、加速產(chǎn)品創(chuàng)新的核心引擎。本次高峰論壇匯聚江淮汽車、華晨寶馬、吉利汽車、中信戴卡、海克斯康等行業(yè)標(biāo)桿企業(yè)的資深專家，聚焦仿真數(shù)據(jù)管理領(lǐng)域的前沿趨勢(shì)、行業(yè)挑戰(zhàn)與最佳實(shí)踐，旨在為與會(huì)嘉賓帶來一場(chǎng)思想碰撞與經(jīng)驗(yàn)分享的盛宴。
▼
會(huì)議時(shí)間：2025年7月24日09:00-17:30
會(huì)議地點(diǎn)：山東青島市鑫江溫德姆酒店
論壇核心亮點(diǎn)
您將收獲
聆聽權(quán)威之聲： 洞察全球及國(guó)內(nèi)仿真數(shù)據(jù)管理領(lǐng)域最新技術(shù)動(dòng)態(tài)、平臺(tái)建設(shè)現(xiàn)狀、投資收益與未來發(fā)展方向，把握行業(yè)脈搏。
共話行業(yè)痛點(diǎn)： 參與高端對(duì)話，與同行精英深度探討仿真數(shù)據(jù)管理實(shí)踐中的挑戰(zhàn)與破局之道，汲取多家標(biāo)桿企業(yè)在SDM系統(tǒng)建設(shè)及研發(fā)數(shù)字化建設(shè)方面的寶貴經(jīng)驗(yàn)與發(fā)展規(guī)劃。
搶先體驗(yàn)創(chuàng)新： 近距離體驗(yàn)海克斯康SimManager仿真數(shù)據(jù)管理平臺(tái)的強(qiáng)大功能與創(chuàng)新應(yīng)用，了解其如何助力企業(yè)釋放數(shù)據(jù)潛能。
拓展行業(yè)資源： 結(jié)識(shí)來自汽車、裝備制造等廣泛行業(yè)的企業(yè)代表與技術(shù)專家，構(gòu)建高質(zhì)量行業(yè)人脈網(wǎng)絡(luò)，探索潛在合作機(jī)遇。
論壇核心議程
精彩不容錯(cuò)過
論壇報(bào)名方式
誠(chéng)邀您蒞臨
期待與您共襄盛舉！請(qǐng)掃描下方二維碼或點(diǎn)擊報(bào)名鏈接，提交您的參會(huì)信息。審核通過的嘉賓可免費(fèi)參會(huì)（免費(fèi)提供會(huì)議資料，差旅費(fèi)用請(qǐng)自理）。
立即報(bào)名
展開 大數(shù)據(jù)建模、分析、挖掘技術(shù)
隨著《關(guān)于印發(fā)促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要的通知》發(fā)布，各類型數(shù)據(jù)呈現(xiàn)出了指數(shù)級(jí)增長(zhǎng)，數(shù)據(jù)成了每個(gè)組織的命脈。今天所產(chǎn)生的數(shù)據(jù)比過去幾年所產(chǎn)生的數(shù)據(jù)大好幾個(gè)數(shù)量級(jí)，企業(yè)有了能夠輕松訪問和分析數(shù)據(jù)以提高性能的新機(jī)會(huì)，如何從數(shù)據(jù)中獲取價(jià)值顯得尤為重要，也是大數(shù)據(jù)相關(guān)技術(shù)急需要解決的問題。大數(shù)據(jù)是需要新處理模式才能具有更強(qiáng)的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力來適應(yīng)海量、高增長(zhǎng)率和多樣化的信息資產(chǎn)。數(shù)據(jù)建模不僅僅是任意組織數(shù)據(jù)結(jié)構(gòu)和關(guān)系，還必須與最終用戶的需求和問題聯(lián)系起來，并提供指導(dǎo)，幫助確保正確的數(shù)據(jù)正確使用正確的方法獲得正確的結(jié)果。
為響應(yīng)科研及工作人員需求，根據(jù)《國(guó)務(wù)院關(guān)于推行終身職業(yè)技能培訓(xùn)制度的意見》提出的“緊跟新技術(shù)、新職業(yè)發(fā)展變化，建立職業(yè)分類動(dòng)態(tài)調(diào)整機(jī)制，加快職業(yè)標(biāo)準(zhǔn)開發(fā)工作”要求，中國(guó)管理科學(xué)研究院現(xiàn)代教育研究所（http://www.pdhb.org.cn）聯(lián)合北京龍騰亞太教育咨詢有限公司特舉辦“大數(shù)據(jù)建模、分析、挖掘技術(shù)應(yīng)用研修班”。本次培訓(xùn)采用實(shí)戰(zhàn)培訓(xùn)模式。
本次培訓(xùn)由北京龍騰亞太教育咨詢有限公司承辦并進(jìn)行相關(guān)費(fèi)用收取及發(fā)票開具。具體通知如下：
一、時(shí)間安排:
2023年8月18日 — 2023年8月22日 上海（同時(shí)轉(zhuǎn)線上直播）
（18日?qǐng)?bào)到發(fā)放上課材料，19日-22日上課）
二、培訓(xùn)目標(biāo)
1.掌握大數(shù)據(jù)建模分析與使用方法。
2.掌握大數(shù)據(jù)平臺(tái)技術(shù)架構(gòu)。
3.掌握國(guó)內(nèi)外主流的大數(shù)據(jù)分析與BI商業(yè)智能分析解決方案。
4.掌握大數(shù)據(jù)分析在搜索引擎、廣告服務(wù)推薦、電商數(shù)據(jù)分析、金融客戶分析方面的應(yīng)用。
5.掌握主流的基于大數(shù)據(jù)Hadoop和Spark、R的大數(shù)據(jù)分析平臺(tái)架構(gòu)和實(shí)際應(yīng)用。
展開 基于大數(shù)據(jù)模型的數(shù)字孿生建模方法
圖4 遷移學(xué)習(xí)與機(jī)器學(xué)習(xí)的差異
2.大數(shù)據(jù)建模的未來發(fā)展趨勢(shì)
從技術(shù)發(fā)展的角度來講，大數(shù)據(jù)建模一方面將會(huì)呈現(xiàn)特征工程與特征學(xué)習(xí)算法相結(jié)合的趨勢(shì)，提升大數(shù)據(jù)建模的準(zhǔn)確性；另一方面將會(huì)越來越多地探索無監(jiān)督學(xué)習(xí)的算法性能提升和應(yīng)用，解決數(shù)據(jù)標(biāo)記的問題同時(shí)，賦予機(jī)器真正的類人學(xué)習(xí)行為。
從技術(shù)應(yīng)用的角度來講，由于物理建模在進(jìn)行復(fù)雜系統(tǒng)建模是存在的不準(zhǔn)確的問題，將會(huì)越來越多地將新一代人工智能的算法與數(shù)控機(jī)床相結(jié)合，以開辟新的技術(shù)路線，提升預(yù)測(cè)的穩(wěn)定性與準(zhǔn)確性，使得機(jī)床具有更好知識(shí)學(xué)習(xí)、積累與應(yīng)用的能力。
因此，大數(shù)據(jù)建模一方面本身的內(nèi)涵和外延將會(huì)得到極大的擴(kuò)展和深化，另一方面，其將會(huì)在數(shù)控機(jī)床領(lǐng)域得到全面、廣泛而深入的應(yīng)用。
展開 【技術(shù)】基于DTEmpower的旋轉(zhuǎn)機(jī)械故障診斷
DTEmpower簡(jiǎn)介
DTEmpower 是一套針對(duì)工業(yè)用戶的圖形化數(shù)據(jù)建模平臺(tái)，所有的數(shù)據(jù)及模型操作均以工具箱中模塊的形式提供，用戶無需具備編碼能力，通過簡(jiǎn)單的節(jié)點(diǎn)拖拽與節(jié)點(diǎn)連接即可完成復(fù)雜的數(shù)據(jù)建模流程的構(gòu)建。
圖1 DTEmpower平臺(tái)數(shù)據(jù)建模流程示例
DTEmpower 圍繞數(shù)據(jù)清理、特征提取、特征選擇和模型訓(xùn)練等數(shù)據(jù)建模的各個(gè)環(huán)節(jié)，在工具箱中以控件的形式提供了上百種常用算法和數(shù)種先進(jìn)的自研算法：包括8 種數(shù)據(jù)采樣算法、21 種數(shù)據(jù)清理算法、6 種數(shù)據(jù)聚類算法、15 種數(shù)據(jù)降維算法、6 種數(shù)據(jù)變換算法、5 種特征選擇算法、11 種線性擬合算法、22 種非線性擬合算法、以及其他搭配控件。
圖2 DTEmpower平臺(tái)提供的數(shù)據(jù)建模算法示例
作為一個(gè)開放式的數(shù)據(jù)建模平臺(tái)，DTEmpower提供了針對(duì)旋轉(zhuǎn)機(jī)械設(shè)備故障診斷場(chǎng)景的定制工具箱，包含數(shù)據(jù)采集、特征提取和模式分類（故障識(shí)別）三大主功能。
數(shù)據(jù)采集主要對(duì)信號(hào)進(jìn)行預(yù)處理。特征提取主要對(duì)振動(dòng)信號(hào)進(jìn)行特征加工，挖掘出能反應(yīng)故障表征的特征量。對(duì)于模型而言，特征工程決定模型效果的上限，DTEmpower針對(duì)旋轉(zhuǎn)設(shè)備診斷提供了豐富的特征提取功能。時(shí)域和頻域分析方法在平穩(wěn)信號(hào)的處理方面優(yōu)勢(shì)突出，而旋轉(zhuǎn)機(jī)械由于磨損和削落等故障產(chǎn)生的振動(dòng)信號(hào)具有強(qiáng)非線性和非平穩(wěn)特性，這類信號(hào)中表征故障特征的時(shí)域和頻域參數(shù)會(huì)隨著時(shí)間和頻率的變化而發(fā)生變化，時(shí)頻分析方法能夠分析信號(hào)局部特征的，可以對(duì)頻譜隨時(shí)間變化的特性進(jìn)行有效分析。
展開 
T型槽試驗(yàn)平臺(tái)精度評(píng)測(cè)：實(shí)測(cè)數(shù)據(jù)解析，如何做到“穩(wěn)如老狗”
在重載試驗(yàn)、檢測(cè)等場(chǎng)景中，T型槽試驗(yàn)平臺(tái)的精度穩(wěn)定性直接決定試驗(yàn)數(shù)據(jù)的可靠性。很多用戶在選型時(shí)，僅關(guān)注廠家標(biāo)注的精度等級(jí)，卻忽略了實(shí)際工況下
T型槽試驗(yàn)平臺(tái)精度評(píng)測(cè)：實(shí)測(cè)數(shù)據(jù)解析，如何做到“穩(wěn)如老狗”
在重載試驗(yàn)、檢測(cè)等場(chǎng)景中，T型槽試驗(yàn)平臺(tái)的精度穩(wěn)定性直接決定試驗(yàn)數(shù)據(jù)的可靠性。很多用戶在選型時(shí)，僅關(guān)注廠家標(biāo)注的精度等級(jí)，卻忽略了實(shí)際工況下的精度表現(xiàn)。本文結(jié)合實(shí)測(cè)案例，拆解T型槽試驗(yàn)平臺(tái)的核心精度評(píng)測(cè)維度，通過數(shù)據(jù)解析其精度保持邏輯，同時(shí)揭秘平臺(tái)實(shí)現(xiàn)“穩(wěn)如老狗”穩(wěn)定性的關(guān)鍵技術(shù)，為選型和使用提供實(shí)操參考。
先明確核心前提：T型槽試驗(yàn)平臺(tái)的精度評(píng)測(cè)不能只看“靜態(tài)標(biāo)注”，更要關(guān)注“動(dòng)態(tài)穩(wěn)定性”——即重載、振動(dòng)、長(zhǎng)期使用等工況下的精度衰減情況。本次評(píng)測(cè)選取1000×2000mm、1級(jí)精度的HT300材質(zhì)試驗(yàn)平臺(tái)作為樣本，圍繞平面度、槽位精度、重載穩(wěn)定性三個(gè)核心維度展開實(shí)測(cè)。
一、核心精度評(píng)測(cè)維度：實(shí)測(cè)數(shù)據(jù)說話
1.平面度評(píng)測(cè)：靜態(tài)基準(zhǔn)與動(dòng)態(tài)衰減雙驗(yàn)證。平面度是平臺(tái)精度的基礎(chǔ)，實(shí)測(cè)采用0.02mm/m精度電子水平儀和激光干涉儀雙工具檢測(cè)。靜態(tài)狀態(tài)下，樣本平臺(tái)的平面度誤差為0.042mm，符合1級(jí)精度（≤0.05mm）標(biāo)準(zhǔn)；隨后進(jìn)行24小時(shí)重載測(cè)試（加載5噸重物），卸載后再次檢測(cè)，平面度誤差為0.045mm，衰減量?jī)H0.003mm，處于合理范圍。這表明好平臺(tái)經(jīng)過充分時(shí)效處理后，內(nèi)應(yīng)力釋放了，重載下幾乎無塑性變形。
2.槽位精度評(píng)測(cè)：適配性與一致性關(guān)鍵。T型槽的槽寬、槽深及槽間距精度，直接影響夾具固定的穩(wěn)定性。實(shí)測(cè)采用數(shù)顯游標(biāo)卡尺和槽寬塞規(guī)檢測(cè)，樣本平臺(tái)的18×11規(guī)格T型槽，槽寬誤差±0.03mm，槽深誤差±0.02mm，槽間距（100mm模數(shù)）誤差±0.04mm，各槽位的尺寸一致性偏差≤0.02mm。
展開 智能數(shù)據(jù)建模軟件DTEmpower 新版本發(fā)布
天洑智能數(shù)據(jù)建模軟件DTEmpower在2025R1版本基礎(chǔ)上，新增大量更新和Bug修復(fù)，持續(xù)提升軟件性能，改善用戶體驗(yàn)。
現(xiàn)DTEmpower 2025R2版已正式上線天洑軟件官網(wǎng)，歡迎下載體驗(yàn)！
R2版本相比R1主要更新：
一、智能檢測(cè)功能
新增智能檢測(cè)功能，可自動(dòng)對(duì)數(shù)據(jù)進(jìn)行白噪聲、平穩(wěn)性、季節(jié)性和異方差性檢測(cè)。在輸出結(jié)果中，針對(duì)不同的檢測(cè)方法，智能檢測(cè)提供了對(duì)應(yīng)的檢測(cè)結(jié)論、P值、差分建議以及后續(xù)的時(shí)序預(yù)測(cè)算法推薦，無需用戶進(jìn)行繁瑣配置。
此外，點(diǎn)擊不同的檢測(cè)方法，下方會(huì)展示檢測(cè)方法對(duì)應(yīng)的繪圖，包括原始數(shù)據(jù)與移動(dòng)平均圖、自相關(guān)圖、差分時(shí)序圖和譜密度圖等，提升檢測(cè)結(jié)果的可讀性。
二、時(shí)序數(shù)據(jù)展示新增繪圖設(shè)置模塊
在時(shí)序數(shù)據(jù)展示頁面，引入繪圖設(shè)置模塊，用戶可靈活配置，包含變量選擇、標(biāo)簽格式、時(shí)間范圍、時(shí)間間隔等參數(shù)，便于洞察數(shù)據(jù)規(guī)律及報(bào)告編寫。
三、時(shí)序預(yù)測(cè)算法升級(jí)
■ 新增autoARIMA，ARIMA算法配置分為自動(dòng)模式和專業(yè)模式，用戶可以根據(jù)需要進(jìn)行配置；
■ 新增周期自動(dòng)識(shí)別與計(jì)算能力，無需用戶手動(dòng)輸入周期；
■ 優(yōu)化超參數(shù)配置體驗(yàn)，通過簡(jiǎn)化參數(shù)邏輯、降低調(diào)參門檻；
■ 豐富了時(shí)序算法的可視化后處理功能，用戶可結(jié)合圖像預(yù)覽進(jìn)行調(diào)參，提升算法的準(zhǔn)確性。
四、時(shí)序模型對(duì)比功能
新增時(shí)序模型對(duì)比功能，用戶可在同一界面比較多個(gè)時(shí)序模型，以評(píng)估不同模型的擬合和預(yù)測(cè)精度。這一功能簡(jiǎn)化了模型選擇過程，提高了預(yù)測(cè)分析的效率和準(zhǔn)確性。
五、數(shù)據(jù)庫導(dǎo)入數(shù)據(jù)集功能接入
在支持導(dǎo)入xlsx和csv文件的基礎(chǔ)上，新增支持從數(shù)據(jù)庫(包括MySQL、達(dá)夢(mèng)數(shù)據(jù)庫)導(dǎo)入數(shù)據(jù)集。拓寬了數(shù)據(jù)集的來源，滿足了更多業(yè)務(wù)場(chǎng)景的需求。
展開 智能數(shù)據(jù)建模軟件DTEmpower 2025R3版本發(fā)布
執(zhí)行流程支持與平臺(tái)內(nèi)置功能無縫銜接：上游可通過數(shù)據(jù)存儲(chǔ)節(jié)點(diǎn)輸出 CSV 等格式的中間數(shù)據(jù)，外部程序調(diào)用節(jié)點(diǎn)讀取數(shù)據(jù)后執(zhí)行自定義清洗、特征工程等操作，下游可通過數(shù)據(jù)讀取節(jié)點(diǎn)將處理結(jié)果回讀至平臺(tái)。
六、數(shù)據(jù)讀取節(jié)點(diǎn)改造
優(yōu)化數(shù)據(jù)讀取節(jié)點(diǎn)，在保留原有從項(xiàng)目中獲取文件能力的基礎(chǔ)上，新增本地磁盤文件直讀功能，可直接選擇磁盤路徑讀取文件，適配更多數(shù)據(jù)接入場(chǎng)景。
歡迎到天洑官網(wǎng)下載體驗(yàn)，安裝就自帶30天免費(fèi)試用！
《使用R的線性回歸：數(shù)據(jù)建模導(dǎo)論，第二版》
《使用R的線性回歸：數(shù)據(jù)建模導(dǎo)論，第二版》以非正式教程風(fēng)格呈現(xiàn)了基礎(chǔ)數(shù)據(jù)建模技術(shù)之一。學(xué)習(xí)如何通過詳細(xì)的逐步流程預(yù)測(cè)測(cè)量數(shù)據(jù)的系統(tǒng)輸出，以開發(fā)、訓(xùn)練和測(cè)試可靠的回歸模型。關(guān)鍵建模和編程概念通過R語言直觀描述。
Deep Learning with PyTorch Quick Start Guide: Learn to train and deploy neural network models in Python
2018年12月24日 |ISBN：1789534092 |英文 |160頁 |真實(shí)（PDF，EPUB）+代碼 |40 MB
通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，深入了解深度學(xué)習(xí)和PyTorch，適用于圖像分類、遷移學(xué)習(xí)和自然語言處理等實(shí)際應(yīng)用場(chǎng)景。
主要特點(diǎn)
清晰簡(jiǎn)潔的解釋
提供深度學(xué)習(xí)模型
的重要見解 關(guān)鍵概念的實(shí)際演示
書籍簡(jiǎn)介
PyTorch 功能強(qiáng)大且易于學(xué)習(xí)。它提供先進(jìn)功能，如支持多處理器、分布式和并行計(jì)算。這本書是想利用 PyTorch 探索深度學(xué)習(xí)、利用其強(qiáng)大能力的人士的絕佳入門。
本書將向你介紹PyTorch深度學(xué)習(xí)庫，并教你如何輕松訓(xùn)練深度學(xué)習(xí)模型。我們將使用PyTorch搭建深度學(xué)習(xí)環(huán)境，然后訓(xùn)練和部署不同類型的深度學(xué)習(xí)模型，如CNN、RNN和自編碼器。
你將學(xué)習(xí)如何通過調(diào)整超參數(shù)來優(yōu)化模型，以及如何在多處理器和分布式環(huán)境中使用 PyTorch。我們將討論長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTMs），并構(gòu)建一個(gè)用于預(yù)測(cè)文本的語言模型。
展開 