數據遷移的案例
無質量損失的數據遷移：Nikon SLM Solutions信賴3Dfindit企業版
Nikon SLM Solutions使用CADENAS解決方案遷移了8600多個零部件并優化了設計工程流程
Nikon SLM Solutions公司依靠3Dfindit企業版實現了高效、高質量的數據遷移，并從另外兩個應用中獲益：戰略性零部件管理和ECAD集成。作為金屬增材制造集成解決方案的全球供應商，該公司被認為是選區激光熔化技術的先驅。其創新技術被廣泛應用于各行各業，包括汽車、能源、工具制造和航空航天，其中整個渦輪機部件都可以通過3D打印實現。
使用3Dfindit企業版進行數據遷移
在引入新的PLM和CAD軟件時，Nikon SLM Solutions曾面臨著數據遷移的挑戰。雖然可以使用轉換器將CAD數據從一個系統傳輸到另一個系統，但這往往會導致數據的質量下降。因此，該公司決定使用3Dfindit企業版將CAD數據遷移到新系統，便不會造成任何質量損失。這樣，在保持最高數據質量的同時，輸入每個新零件節省了約13分鐘。
一個軟件，多種應用
除了數據遷移，Nikon SLM Solutions還使用3Dfindit企業版對標準件、外購件和自制專有件進行結構化管理，以及將電子CAD數據 (ECAD) 集成到機械設計 (MCAD) 中。
展開 軟件酷技巧--UGS之二
(to see a list of options)
- enter "1" (Administrator option)
- enter "sy" (Synchronize member information command)
- 使用ideasadmin登陸
第三步 - 準備數據遷移
強烈推薦你備份所有的team\master和team\projects目錄. 整個遷移的過程僅僅會影響這兩個目錄中的數據. 如果一旦數據遷移失敗, 就可以恢復到原來的狀態.
我們也推薦所有的moldel file中的文件也check到ideas 的library中去, 并且ideas的model file也先刪除.
我們建議您的老的不再需要的ideas的數據, library, 和projects都刪除掉.
我們建議您清理(purge)所有的ideas的老的不再使用的數據.
我們建議您對所有的在team\shared中的 .asm文件和 .prt 文件運行%SDRC_INSTL%\prl\ham_medic.exe. 對于這個步驟有問題的話, 請聯系GTAC;
我們建議您對所有的在team\shared中的 .asm文件和 .prt 文件運行%SDRC_INSTL%\prl\dfvfy.exe. 對于這個步驟有問題的話, 請聯系GTAC;
我們建議您對team\master\z_master.imd 文件運行%SDRC_INSTL%\prl\dfvfy.exe. 對于這個步驟有問題的話, 請聯系GTAC;
我們建議您對team\project目錄中的文件運行%SDRC_INSTL%\prl\dfvfy.exe.
展開 東方電機PLM實施案例分享
2015年，東方電機公司經過調研，決定由湃睿科技實施PLM項目，全面部署Windchill系統，涉及PDMLink（研發數據管理）、MPMLink（工藝管理）、Projectlink（項目管理）、CreoView（可視化）等模塊。幫助集成與產品相關的人力資源、流程、應用系統和信息，協調產品研發領域的協作關系，提高企業的身體競爭力。
PLM項目的實施
一、項目實施目標
東方電機擬通過Windchill的實施，以企業戰略和愿景為引導，采取“整體規劃，分階段實施”的原則，逐步建設，實現以下總體目標： 建立起公司級的支撐技術與生產的核心基礎數據管理平臺，實現銷售、研試、設計、工藝、質檢、檔案、服務等各相關業務部門及分子公司的技術管理需求。
（1）實現公司產品數據、業務流程的管理。
（2）建立企業級電子技術數據管理制度與標準，實現電子數據的合理共享和安全管理等。
（3）實現企業技術知識管理，實現企業知識過程資產的積累。
（4）理順東方電機產品設計、工藝、質檢、檔案等業務流程，解決產品研發、產品數據管理與利用各個環節存在的問題，確保技術資料應用的有效性、唯一性、及時性和正確性，并實現以下目標：
（5）構建統一集中的產品數據管理框架，建立公司級的支撐技術與生產的核心技術數據管理平臺。
（6）完成圖文檔分類及編碼和電子數據管理方案，建立產品數據（包括但不限于圖紙、技術文件、BOM）的電子生效機制，減少藍圖發放數量，實現圖、文檔及BOM管理過程的無紙化，實現以電子數據為準，研發與生產經營部門全面共享電子數據。
（7）完成歷史數據遷移方案及關鍵數據遷移。
（8）完成工程更改管理方案，優化數據變更管理，確保電子數據的完整性和紙質數據管理的一致性。
展開 基于DOORS需求管理工程化應用支撐套件SYS.REPlus
保證需求數據“進的來、出的去”
打通DOORS工具與外部工具或業務系統之間的數據交互瓶頸，通過導入導出功能和統一數據接口，解決需求數據的遷移與共享問題，實現需求管理過程中多方協作所需的需求提交、歸檔與發放，以及多工具之間的數據協同。
強化決策輔助能力支撐
實現貫穿項目始終的需求管理與跟蹤，支持在前期需求定義階段進行基于條目的需求管理與狀態監控，實時監控產品需求的整體完成進度、被實現程度，實現產品研制進度、狀態和風險的顯性量化，為管理者的決策提供更有力的量化數據支撐。
系統優勢
奠定需求管理工程化應用基礎
基于DOORS需求管理工程化應用支撐套件SYS.REPlus是一套經過工程化驗證的需求管理工程化應用實施支撐軟件產品。符合國內需求管理實際現狀，產品功能強大，便捷可用，能夠解決實際工程應用問題。
促進需求管理過程持續改進
基于規范化需求管理框架的標準需求管理過程，適配現有需求管理業務活動，支持需求管理過程持續改進。正確而深入的需求管理模式能夠推動企業協同一體化進程，為系統工程理論和方法的工程應用提供輔助。
展開 
便攜式相控陣探傷儀OmniScan X3 系列探傷儀
</div><div contenteditable="false" width="100%">
兼容性：與之前版本的OmniPC軟件和OmniScan MX2、SX和MX探傷儀設置文件完全兼容，確保數據遷移順暢。
</div><div contenteditable="false" width="100%">
借助其卓越的功能集合，OmniScan X3不僅提升了檢測效率，還增強了結果的準確性和可靠性，是現代無損檢測的理想選擇。
</div><p><br></p>
展開 綜述論文-“激光雷達感知深度的域適應方法“
如下是激光雷達感知的DA分類：基本分數據驅動和模型驅動兩個方向
domain-invariant representation方法如圖：hand-crafted方法，針對sensor-to-sensor domain shift，做數據預處理，包括Sampling Alignment in 2D Space和Geometric Representation in 3D Space。
Domain mapping方法如圖：主要是sim-to-real 和 dataset-to-dataset DA，域數據遷移，包括Adversarial Domain Mapping和Non-Adversarial Domain Mapping。
domain-invariant feature learning方法如圖：基本是兩個原則的方法分類，Divergence Minimization和Discriminator-based 方法。
還有Normalization Statistics及其他方法：在DNN，normalization layers 改進訓練收斂性，主要通過對訓練數據分布校準（Distribution alignment），這樣控制內部covariate shift 和梯度尺度；不過，在圖像域有效的方法，即通過每個域不同的batch norm statistics對初始pseudo-labels迭代細化，對激光雷達域的效果沒有實驗驗證過。
展開 漫談大型網站架構
除此之外，在架構師的武器庫中，還有眾多不同應用場景下使用的中間件，如消息中間件、 分布式數據訪問層、配置管理中心、數據遷移工具、分布式文件系統等等，這些都是日常系統架構中的粘合劑。大型網站的另外一個核心技術就是資源的虛擬化，從實體機到Xen、KVM再到基于LXC的輕量級虛擬化方案，再到Docker，技術的更新換代使得資源的利用率越來越高，集群的運維、部署和管理越來越方便。
另外不同的場景下如何選擇存儲也十分重要，高并發和大數據往往都不會單獨出現，到底是采用磁盤、SSD還是采用內存，到底是采用分布式文件系統，關系數據庫，還是NOSQL，還是采用內存分布式緩存，不同的場景下方案會大相徑庭，分布式文件系統存儲容量幾乎可以理解為無限，但是吞吐低，關系型數據庫有嚴謹的schema以及功能強大的SQL語句，可以滿足各種復雜的查詢條件，但無奈擴展太麻煩，為了應對高并發讀寫訪問，master-slave、讀寫分離、分庫分表一折騰，不僅工作量大增，且查詢維度受限，還需要引入垂直化搜索引擎來擴展查詢維度，NOSQL雖然能自動分區擴容，但無奈不支持SQL，而緩存雖快，內存條又太貴，架構就是要不斷的權衡取舍。
大公司之所以不如小公司響應速度快，原因在于大公司有太多積累，有時候積累多了也會成為包袱，現有的模型會使得新業務難以快速融入。當遇到問題和挫折的時候，就是思考改進和系統變革的時候，從來沒有哪個系統在設計好之后就封存代碼永不改變的，技術永遠是不斷發展，需求和市場也是不斷變化的，因此不要指望用一種架構滿足所有的需求，系統設計需要滿足一段時間內的可擴展性，但千萬不要過度設計，因為過了半年之后你回過頭來重新review，你會發現需求早已改變，這就是互聯網的快節奏。
展開 機器學習 遷移學習
數據集準備：Office-31、IRVI、GTA5、Cityscapes、Foggy cityscapes等
注：硬件準備由主辦方提供云服務器
九、實驗實操之深度遷移學習實踐
1.掌握PyTorch中的基本原理和編程思想。
2.理解在一個新的場景或數據集下，何時以及如何進行遷移學習。
3.利用PyTorch加載數據、搭建模型、訓練網絡以及進行網絡微調操作。
4.給定遷移場景，利用daib庫和生成對抗技術獨立完成圖像分類中的領域適配。
5.遷移效果的可視化，利用機器學習庫scikit-learn中的t-SNE對遷移過后的高維數據進行可視化。
十、實驗實操之圖片與視頻風格遷移實踐
1.掌握基于生成對抗網絡的風格遷移技術。
2.圖像/視頻風格遷移網絡的搭建，重點掌握編碼器和解碼器的內在邏輯和不同損失函數的運用。
3.實踐紅外視頻轉換到可見光視頻的風格遷移。
十一、實驗實操之自動駕駛中的跨域語義分割實踐
1.掌握語義分割發展現狀及代表性工作，如FCN，DeepLab系列等。
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。
展開 鄭紡機PLM項目實施案例分享
實施PLM，核心是對企業整個業務流程進行整合，統一數據源，實現研發、銷售、生產、供應、倉儲、財務、售后等業務的無縫集成，在未來將幫助企業減少中間環節，使所開發出來的產品更符合市場的需求。
【技術】基于DTEmpower的旋轉機械故障診斷
旋轉設備故障診斷當前遇到的最大的難點主要是現場樣本不均衡，故障樣本過少，甚至無樣本情況，數據驅動的模型難以充分挖掘故障信息。針對健康數據和故障數據極端不平衡的問題，DTEmpower提供了豐富的數據增殖算法（如SMOTE、生成對抗網絡等算法），搭配使用監督學習技術構建設備對象的故障類型判別器，對具體現場進行故障診斷；針對故障樣本之間分布不均勻等問題，DTEmpower集成了智能訓練算法 AIAgent，融合了多種采樣及模型訓練策略，使用集成算法提升模型精度和穩定性；同時，針對現場無故障樣本學習的難點， DTEmpower平臺了融合多種設備故障數據庫，采用遷移學習技術（如CORAL、AdaBN、DAAN、DSN等算法），利用遷移學習在模型泛化方面的優點，為復雜機械系統的故障診斷與預測提供新的方法和手段。
DTEmpower故障診斷案例分析
使用東南大學和江南大學故障診斷數據集，基于DTEmpower平臺完成數據建模和故障分類的應用。將原始數據以1000個為一組經過數據清理后進行小波能量特征變換，東南大學數據集中5個類別的樣本數量均為1048；江南大學數據集中3種故障類別各含有1500個樣本，正常類別含有4500個樣本。
展開 UniVista EDMPro PDMCon：PDMPLM系統集成的智能化解決方案
3、自動化設計數據準備與交互PDMCon的自動化數據準備功能涵蓋以下環節：
數據校驗：根據PLM系統的規則庫（如元器件優選清單、禁用物質清單），自動標記不合規數據。
數據推送：將校驗通過的數據推送至PLM系統，并生成唯一標識符（如GUID），確保數據可追溯。
數據提取：從EDA設計中提取關鍵信息（如網表、布局文件、3D模型），并轉換為PLM系統要求的格式（如STEP、XML）。
4、設計檢入/檢出與版本控制PDMCon支持完整的版本控制功能，包括：
檢入（Check-in）：將本地設計文件上傳至PLM系統，并生成版本號（如V1.0.1）。
檢出（Check-out）：從PLM系統鎖定文件并下載至本地，防止多人同時修改。
撤銷檢出（Undo Check-out）：放棄本地修改，恢復至PLM系統中的最新版本。
技術優勢：PDMCon采用增量更新技術，僅傳輸變更部分的數據，減少網絡傳輸量；同時支持斷點續傳，確保大文件（如復雜PCB設計）的可靠傳輸。
5、EDA工具與PLM版本的靈活匹配PDMCon通過動態加載適配器（Adapter）實現與不同EDA/PLM版本的兼容。其版本兼容矩陣覆蓋主流工具組合（如Cadence Allegro 2025+Teamcenter 16、Mentor Xpedition 2024+Windchill 13），并支持：
自動檢測：啟動時掃描本地安裝的EDA/PLM版本，提示用戶選擇適配方案。
降級兼容：當高版本EDA設計需在低版本PLM中使用時，自動轉換數據格式。
行業價值：在航天航空領域，某研究所通過PDMCon實現跨版本工具鏈的協同，避免因工具升級導致的歷史數據遷移成本。
展開 
高性能計算(HPC)在CAE仿真中的重要價值（文末有福利）
在商業用途中，越來越多的企業使用HPC進行可擴展并行處理、快速數據遷移、超大內存系統和其他HPC功能等，還有高度數據密集的AI / ML / DL工作負載來進行仿真和分析。
工業發展對HPC有大量的需求
最早使用高性能計算機的航天領域，有大量的問題需要超算的支持。例如高超音速飛行器外形空氣動力學設計和分析、飛行器氣動熱、結構耦合分析、不同載荷條件下推進劑行為模擬、火箭電磁兼容性分析等都需要大規模的計算和仿真。
同時，高性能計算在數值風洞、氣動氣彈、結構強度、載荷疲勞等方面有大量的應用，進行民用飛機、軍用飛機和通用飛機的組件、部件、全機的計算、分析、研究和模擬等。
在核電工程方面，在核反應堆堆芯熱工水力分析，核反應堆保護和控制分析，核反應堆主冷系統流固耦合分析，核級設備應力分析與抗震力學分析等方面需要大規模的計算。
在汽車制造方面，車輛設計中的整車碰撞仿真、虛擬制造、整車空氣動力學設計、虛擬試車場等需要高性能計算作為支撐條件。
我國作為一個制造大國，面對工業4.0的來臨，工業產品研發和創新能力是重中之重，高性能計算機及工業軟件、工程化的體系應聯合起來，發揮強大的作用。
國內HPC的應用發展
近十年來，中國超級計算機的發展不斷取得令人矚目的成績。
展開 人工智能重塑芯片設計產業
人工智能技術帶來很多好處，比如：
通過稀疏算法或數據壓縮來改變特定函數精度，增加粒度，提高芯片性能和降低功耗。
識別數據模式而不是單個比特，有效提高計算的抽象性，增加軟件密度。
允許以矩陣的形式執行處理和內存讀/寫操作，大大加快操作速度。
但是我們也需要好好反思如何在芯片上或者在芯片之間遷移（或不遷移）數據。畢竟，無論是用于邊緣計算還是數據中心，訓練還是推斷，需要加以處理和存儲的數據量都是最大的。
新起點
從好的方面來說，通過使用更多更低精度的元素，人工智能提供了一種平衡結果精度與準度的方法。比如，語音識別對精度的要求，遠沒有自動駕駛中安全應用與目標識別嚴苛。根據特定需要而展現的自適應能力，才是人工智能的價值所在。
與其說人工智能的起點是硬件和軟件，不如說是數據的質量、數量和遷移。這需要用一種不同的方式來看待設計，包括過去通常沒有合作的團隊之間的協作。
「計算真的很便宜，壓縮/解壓數據也很便宜，但在內存中存儲和加載數據卻一點不便宜。要構建這些系統，需要特定領域的專家、機器學習專家、優化與性能專家，這三個領域的專家都需要。」Arm 研究員杰姆?戴維斯（Jem Davies）表示。
他指出，機器學習可以影響系統中的所有東西，其中很多東西隱藏在視線之外。「有些是用戶看不見的，」戴維斯說，「它被用來延長電池壽命。相機里也有機器學習。」
采用神經形態計算和不同的內存架構，AI 效果最好，因為在這些情況下，數據可以進行矩陣處理。為達到最優工作狀態，除了對處理器有要求外，還需要良好的系統架構、超大的數據吞吐量及內存變化過程中的數據對齊。
展開 PARTsolutions無縫集成廠商PLM系統CIM DATABASE中的組件
作為德國領先的無菌包裝機系統和解決方案供應商，SIG康美包公司自2005年就已成功采用CADENAS的戰略性零部件數據管理系統PARTsolutions來對標準件、外購件和重復件進行有效地管理。 2019年公司計劃對其現有的CAD / PLM系統環境進行升級，而CADENAS為SIG零部件數據的遷移提供了有力的技術支持。借助軟件解決方案PARTsolutions，一方面使眾多制造商目錄里的工程數據可在CAD系統SOLIDWORKS中以原始格式被調用。此外，PARTsolutions還可以通過深度集成管理PLM系統CIM DATABASE中的SIG組件, 從而實現了無需系統切換即可讓采購、設計和標準化部門對零部件所有的操作和技術信息一目了然。
PARTsolutions與SOLIDWORKS和CIM DATABASE的接口使SIG能夠以原始CAD格式生成用于3D裝配的標準件和外購件模型。
展開 淺談禁毒無人機領域的領跑者，觀典防務如何用數據驅動規模擴張
先進的產品體系，為觀典防務無人機“飛行服務與數據處理業務”奠定了基礎。目前，觀典防務通過十余年禁毒實戰，建立了完善的飛行數據庫，該數據庫里已經包含約300萬平方公里的飛行數據，時間跨度約達十余年。據預計，該數據庫未來每年還將以30萬平方公里以上的速度擴容。可以說，觀典防務的數據處理能力以及飛行數據庫是禁毒服務的核心壁壘。
運用數據庫，觀典防務可以根據歷年禁毒數據向各級禁毒部門提出工作建議，以及為各級禁毒部門制定年度禁毒工作計劃及行動方案，并承擔數據獲取、數據解譯、督導核查、情報研判、數據遷移等工作。同時，以數據庫為基礎，觀典防務形成了針對毒品原植物、毒品加工廠、毒品販運通道、恐怖分子越境通道等目標的自動解譯技術。
此外，將數據庫與大數據技術相關聯，觀典防務構建了多源信息綜合研判平臺，在該平臺上，通過歷史航測數據分析、領域動態信息匯總、橫向關聯和綜合研判，觀典防務可以深挖數據應用價值，特別是不可再現歷史數據的價值，為客戶提供預判預警、歷史情況追蹤等服務。
經過多年積累，觀典防務在無人機禁毒服務領域處于領軍地位，在該領域形成了一批穩定客戶。從經營業績來看，2017年到2019年，觀典防務的營收分別為8135.88萬元、1.05億元和1.46億元，年化復合增長率為33.92%；凈利潤分別為3001.35萬元、2057.06萬元和4170.42萬元，年化復合增長率為17.88%，業績成長看似不錯。
展開 