17、机器学习在工业4.0应用中的角色

机器学习在工业4.0应用中的角色

1. 机器学习概述

在工业运营中应用机器学习(ML)算法需要大量的数据。大数据分析(BDA)表明,网络物理系统(CPS)和物联网(IoT)等新技术范式的出现,使得新型数据形式得以创建。不过,在收集信息以供后续分析时,区分背景噪声和实际数据收集可能具有挑战性。动态环境和多样的机器状态,也让基于ML的故障识别和预防变得复杂。同时,实时传输和计算必须可靠且精确,而且随着子系统互连性的增加,安全挑战也在不断加剧。

ML算法可分为四类:
- 监督学习 :专家通过用已知输出替代指定输入,来训练分类和回归算法。监督式ML使用标记数据,常见算法包括人工神经网络(ANNs)和支持向量机(SVMs)。
- 无监督学习 :在没有外部监督的情况下,算法进行无监督学习,在此过程中它会发现以前未见过的数据中的模式(聚类、关联规则、自组织映射)。因此,这类学习的训练过程使用未标记的数据。主成分分析(PCA)是最著名且应用广泛的无监督方法,常用于监测。
- 半监督学习 :结合了监督和无监督方法的特点。为了训练其算法,它同时使用标记和未标记的数据集。利用半监督知识可以避免一些问题。
- 强化学习 :是一种无监督的ML操作,用于检查给定行动是否对指定的绩效指标产生积极结果。为了解决问题,强化学习需要采取一系列步骤,然后尝试这些步骤的结果,直到找到最佳解决方案。因此,它与基于使用历史数据和从先前判断及激励中积累经验的学习类别有显著不同。

以下是机器学习类型的表格总结:
| 学习类型 | 特点 | 常用算法 | 数据类型 |
| — | — | — | — |
| 监督学习 | 用已知输出训练分类和回归算法 | 人工神经网络、支持向量机 | 标记数据 |
| 无监督学习 | 发现未见过数据中的模式 | 主成分分析 | 未标记数据 |
| 半监督学习 | 结合监督和无监督方法特点 | - | 标记和未标记数据 |
| 强化学习 | 检查行动对绩效指标的影响 | - | - |

2. 文献综述

为了降低成本并利用企业现有的大量数据,提出了ML元模型。工业决策支持系统中的预测模型必须不断进行训练,以长期保持较高的预测质量。

工业4.0相关研究众多,主题分析确定了工业4.0背景下的关键技术,包括物联网(IoT)、人工智能(AI)、云计算、ML、安全、大数据、区块链、深度学习、数字化和CPS等。

由于70 - 80%的最终产品成本是在产品开发和设计过程中确定的,因此在价值创造的早期阶段管理和控制产品成本至关重要。传统商业实践强调组织的控制单元跟踪相关支出。而“工业4.0”是制造业的下一个重大变革,互联网通过网络传感器从每个设备和行动中收集数据,产生了大量信息。随着ML和深度学习这两种AI类型的引入,制造商可以分析收集到的数据,深入了解如何改进运营。

以下是一些相关研究成果:
- 提出了基于语义原则将黑盒模型转换为可解释(且可互操作)分类器的方法,通过自动重建训练数据集和重新训练决策树(可解释模型)来实现。
- 有人提出了一个受锯木厂行业启发的用例,以证明这些技术在波动的数字孪生(DT)数据流中的相关性。
- 提出了一个用于异构物联网(IoFT)数据聚合的语义平台,实现了互操作性。该数据集包括巴西政府传感器收集的天气和植被数据以及卫星火灾数据,使用ML预测火灾影响区域。
- 有人研究了工业4.0应用及其在供应链弹性(SCRes)和供应链可见性(SCV)方面的功能,使用偏最小二乘结构方程建模(PLS - SEM)来研究潜在联系。
- 有研究者提出了一个工业4.0环境下的系统中断监测工具。当活动安排考虑资源位置时,ML系统可以生成定位预测模型。
- ML和自动化被认为对工业部门的成功至关重要。ML技术和高分辨率相机可以实现工业操作自动化,推动我们迈向工业4.0。ML和自动化项目旨在通过对制造零件进行高精度故障检测,实现视觉检查自动化。

3. 机器学习在工业4.0中的应用

工业4.0,有时也被称为“第四次工业革命”,描述了信息技术在制造业中的广泛应用。它可以广泛涵盖网络物理系统、物联网、云计算、数据分析和ML等。

在工业4.0的帮助下,可以建造智能工厂。网络物理技术用于监控操作,通过物联网,许多系统、人工操作设备和操作员可以实时相互协调。网络物理系统收集的信息可以集中存储在云中。ML在工业4.0的最后阶段用于从数据中提取先前建立的模式,成为许多领域突破的驱动力,并为企业带来以下好处:
- 提高产品质量
- 更灵活的生产

工业4.0中ML的最重要应用包括:
- 智能制造 :将ML技术集成到制造中,以更好地理解和优化生产流程。制造过程中收集的数据有助于实现这一目标,评估会产生能够不断适应生产变化的新流程。因此,各个流程可以得到更好的监控和优化,智能制造会自动将这些改进实时实施。
- 自动驾驶车辆和机器 :AI和ML在自动驾驶汽车和其他机器中的应用很明显,在商业世界中,它将人类从繁琐或危险的工作中解放出来。
- 质量控制 :以前,成品检查仅在制造过程的最后一步进行。传感器和ML允许在整个制造过程中监控质量。
- 预测性维护 :传感器的小型化和价格下降,使得用于机器健康监测的传感器使用量增加,为用户提供了以前无法获得的见解,从而降低了机器管理成本。通过在机器中安装数百或数千个传感器,可以实时监控其整体健康状况。这些数据可用于训练ML算法,以预测某些系统部件何时会发生故障。
- 需求预测 :调整产出以满足需求是一个持续的挑战,特别是当产出易腐且不能保存供以后使用时,如电力生产。可再生能源的出现,其输出不可预测,也增加了管理的复杂性。使用ML可以更好地满足市场中的理想能源需求。可以通过查看过去的能源使用趋势来计算预期需求,也可以利用天气数据估算可再生能源的发电量。
- 聊天机器人 :聊天机器人允许消费者通过文本或语音与计算机系统进行交流。它们降低了获取数据和节省劳动力工具的门槛。其主要功能是在交易前后协助客户,或在将询问转发给更专业的人工顾问之前进行筛选。它们有助于节省资金并提供全天候支持,还可用于研究最常见的问题。

以下是工业4.0中机器学习应用的mermaid流程图:

graph LR
    A[工业4.0] --> B[智能制造]
    A --> C[自动驾驶车辆和机器]
    A --> D[质量控制]
    A --> E[预测性维护]
    A --> F[需求预测]
    A --> G[聊天机器人]
4. 推动工业4.0的顶级机器学习初创公司

有一些初创公司在工业4.0领域利用机器学习发挥着重要作用:
- Rejig Digital :印度公司,成立于2020年,总部位于艾哈迈达巴德。该公司创建定制的工业ML解决方案,以推动第四次工业革命。其数据分析解决方案采用大数据和ML算法,能够评估企业资源规划(ERP)软件、工业传感器和连接设备产生的大量数据。实时预测分析是该解决方案的众多好处之一,它可以解决预算超支、设备损坏和生产方法低效等问题。电子制造商、电力公司、公用事业提供商和银行都可以通过该初创公司的解决方案节省资金。
- Siali Tech :总部位于西班牙,成立于2018年。该公司采用计算机视觉和深度学习来优化任何地方的运营。其深度学习平台Inspector可以适应任何商业环境,并通过学习视觉任务提供提高效率的解决方案。它可以改善包装和运输流程,通过查找不规则物品协助库存管理,监控设备和员工,并发现其他改进机会。该初创公司的平台可定制,适用于食品和饮料、汽车、建筑、消费电子和物流等多个行业。
- Nexocraft :德国公司,自2016年开始运营,位于波恩。该公司开发了一个名为Graphicx.io的在线平台,使用ML评估工业机器的状况并制定维护计划。Graphicx.io的可视化和评估工具可以监控工业设备,并通过学习所有系统的最佳运行条件提供工业健康评分。它会收集所有连接传感器的信息,并使用自动数据分析来确定性能是否有显著变化。Nexocraft的解决方案使企业能够选择适合其独特工业流程关键绩效指标的ML模型,同时最大限度地减少设备停机时间。
- mSense :美国公司,2018年在米尔皮塔斯成立。该公司致力于制造过程中的实时验证平台,以提供一致的质量控制和创新。其ASDL平台使用声学、振动和视觉的ML算法以及连接到工业物联网(IIoT)的传感器,来诊断和修复机械故障。该技术允许在本地快速诊断问题,减轻云存储压力,并且几乎无需额外的开发时间即可实施。ASDL平台通过提供特定行业的声学深度学习(AcousticDL)、触觉深度学习(TactileDL)和视觉深度学习(VisionDL)模块,增强了医疗保健、汽车、公用事业和保险等行业的能力。
- Tignis :美国初创公司,总部位于西雅图,于2017年开业。其开发的PAICe Maker是一款强大的AI和ML软件解决方案。通过操纵广泛的控制参数,它可以模拟各种生产情况,从而实现工业组件和流程的设计和优化。平台边缘节点上运行的AI算法可以调节制造过程并缩短反馈循环。PAICe Maker有助于制造商和工艺工程师随着时间的推移改进其物理资产和流程,还可以加速模拟过程,并使用实际数据提高工厂的质量和产量。

以下是这些初创公司的表格总结:
| 公司名称 | 总部位置 | 成立时间 | 核心业务 | 优势 |
| — | — | — | — | — |
| Rejig Digital | 印度艾哈迈达巴德 | 2020年 | 定制工业ML解决方案 | 实时预测分析,解决预算、设备和生产问题 |
| Siali Tech | 西班牙 | 2018年 | 计算机视觉和深度学习优化运营 | 适应多种环境,改善多流程 |
| Nexocraft | 德国波恩 | 2016年 | 在线平台评估机器状况并制定维护计划 | 提供工业健康评分,减少设备停机时间 |
| mSense | 美国米尔皮塔斯 | 2018年 | 制造过程实时验证平台 | 本地快速诊断,减轻云存储压力 |
| Tignis | 美国西雅图 | 2017年 | AI和ML软件解决方案 | 模拟生产情况,加速模拟过程 |

机器学习在工业4.0应用中的角色

5. 工业4.0的影响

新冠疫情在全球的蔓延对经济的各个领域都产生了影响,制造业也不例外。不过,工业中的数字化转型和机器学习的应用有助于减轻一些负面影响。

工业4.0解决方案中的企业监控系统,能让一个中央团队实现对多个工厂的免接触式监控。相关信息会存储在云端,并可通过仪表盘进行访问和分析。这样做的好处显而易见,在专家建议保持社交距离的情况下,无需人员密集地在工厂车间,就能对工厂健康状况进行适当监控,既保障了工人的安全,也为企业提供了便利。

然而,一些传统行业和企业由于对新技术存在不信任,在采用工业4.0方面进展缓慢。2020年的特殊挑战让许多企业面临压力,但工业4.0在全球分布式劳动力环境中的优势正变得越来越明显。当大多数企业试图削减成本时,那些原本抗拒新技术的领域中的企业,可能会通过采用机器学习和其他工业4.0技术(如远程监控系统)而蓬勃发展。

机器学习在工业环境中的未来重要性不容小觑,特别是考虑到工业4.0的巨大增长潜力以及智能工厂已经在市场上取得的众多成功案例。采用工业4.0的方法和工具,能立即实现数亿美元的成本节约和效率提升。随着工业4.0的不断发展和被接受,制造业将是一个值得关注的快速增长领域。

6. 与以往预测方法相比,机器学习对工业4.0的影响

尽管机器学习算法已经存在了一段时间,但由于人工智能的兴起,最近它们受到了更多关注。特别是现代深度学习模型,推动了最前沿的人工智能程序的发展。机器学习平台是企业技术中竞争激烈的领域,包括亚马逊、谷歌、微软、IBM等在内的许多公司,都采用提供涵盖机器学习生命周期所有阶段(包括数据收集、数据准备、数据分类、模型构建、训练和应用部署)的全面平台服务的策略,来吸引客户并争夺市场份额。

工业4.0是制造业数字化转型的下一步,因其被视为第四次工业革命,所以有了“4.0”这个数字。其核心概念是在工业生产中使用先进的信息和通信技术。当对产品、流程和人员应用工业4.0运动中的互联技术时,能够满足连接性和实时信息的需求。与20世纪初使用的集中控制系统不同,工业4.0的工厂使用分散的创新技术自行做出决策。

在工业4.0之前,工业领域经历了三次重大变革:
- 第一次工业革命 :重点从人力劳动转向工具和蒸汽机,现代工业由此诞生。在18世纪,全球经济开始认识到技术在生产中的重要性。
- 第二次工业革命 :新技术的广泛采用以及生产中钢铁和能源等以前难以获取的材料的广泛使用,使工业2.0的生产力和产出大幅提高。
- 第三次工业革命 :发生在20世纪50年代,通常被认为是自动化的开端,为后来供应链、装配线和生产流程计算机化的创建提供了范例。

而工业4.0的现代影响超越了其前身。在物联网、实时数据访问、智能计算和网络物理系统的支持下,它将前几十年对数字技术的关注提升到了一个新的水平。

以下是工业革命各阶段的对比表格:
| 工业革命阶段 | 时间 | 主要特点 | 技术应用 |
| — | — | — | — |
| 第一次工业革命 | 18世纪 | 从人力劳动转向工具和蒸汽机 | 工具、蒸汽机 |
| 第二次工业革命 | - | 新技术和新材料广泛应用,生产力大幅提高 | 新技术、钢铁、能源 |
| 第三次工业革命 | 20世纪50年代 | 自动化开端,供应链、装配线和生产流程计算机化 | 自动化技术、计算机 |
| 第四次工业革命(工业4.0) | - | 强调数字技术,使用分散创新技术决策 | 物联网、智能计算、网络物理系统 |

以下是工业革命发展历程的mermaid流程图:

graph LR
    A[第一次工业革命] --> B[第二次工业革命]
    B --> C[第三次工业革命]
    C --> D[第四次工业革命(工业4.0)]

综上所述,机器学习在工业4.0中扮演着至关重要的角色,从算法类型到实际应用,再到对工业发展阶段的影响,都展现出其巨大的潜力和价值。随着技术的不断进步,机器学习将继续推动工业4.0向更高水平发展,为制造业带来更多的创新和变革。

相关推荐

Azure ML Studio端到端机器学习流水线实战指南

机器学习流水线是将数据准备、特征工程、模型训练到部署监控串联成自动化闭环的技术范式。其核心原理在于通过可复用、可版本化、可审计的组件化流程,实现AI能力从实验到生产的可靠跃迁。技术价值体现在显著降低MLOps门槛、加速业务验证周期、强化跨角色协作与合规治理能力。典型应用场景覆盖零售销量预测、金融风控建模、工业设备预警等需快速迭代且强监管的领域。本文聚焦Azure ML Studio这一支持可视化编排与Python深度嵌入的混合式云平台,深入解析其Datastore数据接入、Execute Python Sc

ateu52935的博客 347

CRISP-ML(Q):机器学习项目落地的七阶段质量保障框架

机器学习项目失败往往不源于算法缺陷,而在于缺乏适配其动态性、业务耦合性与运维持续性的工程化流程。CRISP-ML(Q)作为CRISP-DM的深度演进,以Quality(质量)和Quantitative(量化)为核心,将传统数据挖掘流程重构为‘业务理解→数据理解→建模→评估→部署→监控→反馈’七阶段闭环体系。它通过数据契约、可解释性验证、业务影响沙盒、自动驾驶式监控等机制,系统性应对数据漂移、模型退化、业务脱节等高频痛点,显著提升模型在真实生产环境中的稳定性与可归因价值。该框架已被广泛应用于金融风控、电商推荐

weixin_30613433的博客 455

BigQuery ML:用SQL实现端到端机器学习建模

SQL驱动的机器学习正成为数据科学工程化的新范式——它将模型训练、特征工程与数据查询统一在声明式语言中,依托分布式执行引擎实现PB级数据原地建模。其核心原理在于将特征逻辑内嵌于查询语句,由SQL引擎保障一致性与可复现性,从而消除数据移动、环境维护和特征漂移三大隐性成本。技术价值体现在显著压缩MLOps周期(从天级降至分钟级)、降低算法使用门槛,并强化业务可解释性。典型应用场景包括用户流失预警、复购率预测、实时点击率预估等高时效性BI融合任务。本文聚焦BigQuery ML实战体系,覆盖嵌套数据解构、防爆炸特

benben 359

WinCC与C#上位机不是取代关系,而是工业4.0协同基石

组态软件(如WinCC、MCGS)和C#上位机开发,本质是工业自动化中确定性监控与柔性智能分析的分工协作。前者依托OPC UA、硬件级扫描周期与内建安全联锁,保障实时性、可靠性和工程合规性;后者凭借.NET跨平台能力、微服务架构与AI集成优势,突破数据孤岛、延伸边缘智能、实现定制交互。技术价值在于构建OT/IT融合的分层系统:组态软件作为‘工业眼睛’负责现场执行与人机操作,C#作为‘智能翻译官’打通MES/ERP、运行预测模型、支撑AR/语音等新交互。典型应用场景包括光伏产线报警协同、半导体设备预测性维护、

weixin_34174322的博客 369

流程挖掘实战:工业4.0下BPM落地的七步法与OT融合

流程挖掘是一种基于事件日志自动发现、分析和优化业务流程的技术方法,其核心原理是通过解析ERP、MES、SCADA等系统中的真实操作记录,还原端到端流程的实际执行路径。相比传统依赖文档与访谈的业务流程管理(BPM),它以数据为本,实现从‘应该怎样’到‘实际怎样’的认知跃迁,显著提升流程透明度与根因定位精度。在工业4.0场景中,仅接入IT系统日志远远不够,必须融合PLC、SCADA等OT层设备运行数据,才能穿透物理执行断点。典型应用包括采购到付款(P2P)优化、灭菌工序瓶颈识别、订单交付准时率提升等高价值闭环场

culi4814的博客 572

工业级机器学习落地:从价值流驱动到人机协同闭环

机器学习在工业场景中的真正挑战,从来不是模型精度,而是如何嵌入业务流程、驱动可衡量的业务结果。本文围绕‘价值流建模’与‘最小可行闭环(MVL)’两大核心原理展开,解析如何用VSM识别AI失效的等待断点、以PI痛苦指数科学排序创新优先级、通过双轨制验证确保技术演进服从业务指标、并借助指令成熟度模型(IMM)将概率输出转化为Level 3可执行指令。内容聚焦工业级ML工程化与跨职能协同,覆盖半导体、医疗器械、汽车零部件等典型产线实践,强调数据健康度由‘决策覆盖率’和‘行动采纳率’定义,而非传统清洗指标。适合技术

weixin_30263277的博客 426

机器学习工业落地的五大认知陷阱与工程破局

机器学习并非黑箱魔法,而是一套需深度耦合业务、数据、系统与合规的工程实践体系。其核心原理在于模型性能受数据分布漂移、特征时效性、人机责任边界及评估指标合理性等多重因素动态制约;技术价值体现在将抽象‘智能’转化为可测量的协同效率比、数据效能比与模型健康度;典型应用场景覆盖医疗影像辅助诊断、金融实时风控、工业质检与能源负荷预测等高后果、长周期领域;本文聚焦真实产线中反复出现的五大典型认知偏差——如‘模型替代人类’‘数据越多越好’‘复杂模型更优’等,结合FDA认证、银保监审计、GPU推理延迟、PSI漂移检测等硬性

aebe49167的博客 345

机器学习生产化:构建可观测、可回滚、可协同的ML系统

机器学习模型部署不是终点,而是进入生产环境后持续交付与治理的起点。从数据漂移检测、特征与模型版本强绑定,到预测行为监控与业务指标归因,现代ML系统需具备工程级可观测性与自动化防御能力。本文聚焦MLOps核心实践,融合Great Expectations保障数据契约、Feast实现特征服务化、KServe支持灰度发布、Evidently驱动主动监控——将‘模型上线即失联’转化为‘分钟级根因定位’。适用于推荐系统、风控建模、实时预测等高可用场景,为算法、工程与产品团队提供可落地的协同范式。

453

Midjourney角色资产工业化:从AI出图到生产级cref全流程

角色参考表(cref)是动画、游戏与IP开发中连接概念设计与工程落地的核心技术协议,其本质是一套可测量、可验证、可继承的角色资产规范。它要求严格的空间一致性、结构可预测性与部件可分离性,而传统AI绘画常因统计采样特性导致手部错乱、比例失真、材质混叠等问题。Midjourney虽非专为工程设计训练,但凭借强语义理解与高风格稳定性,配合结构化提示词、种子版本管理与正交化后处理,可构建批次化、可校准的原始素材流。本文聚焦将MJ输出转化为符合cref标准的生产级资产,覆盖提示词工程、PS结构化处理、三视图校准及交付

weixin_30770783的博客 440

构建真正可用的机器学习应用:从模型到业务价值的工程实践

机器学习应用(ML Enabled Applications)不是模型训练完成就结束,而是将算法能力转化为可嵌入业务流程、可被非技术人员日常使用的软件系统。其核心在于弥合模型与接口、算法指标与业务目标、技术迭代与组织协同之间的三重断层。关键技术包括业务契约驱动的设计范式、轻量可控的工具链选型、可解释性模块化封装、反馈驱动的数据闭环,以及成本与体验双维度的资源治理。这些实践已在制造业质检、金融反欺诈、医疗影像辅助诊断等真实场景中验证,支撑模型服务稳定运行、持续进化并产生可衡量的业务收益。

weixin_34062469的博客 484

AI数据采集:机器学习 pipeline 中的闭环决策系统

AI数据采集远不止是原始数据获取,而是决定模型能力边界、特征工程逻辑与验证体系设计的基础性工程活动。其核心原理在于任务类型(分类/回归/时序/生成)驱动采集粒度与结构,部署目标反向定义数据质量维度(如任务对齐度、分布代表性),而现代架构正从离线批采转向在线-主动-契约化的闭环反馈机制。技术价值体现在规避样本偏差、防控数据漂移、支撑合规遗忘与提升增量迭代效率;典型应用场景覆盖工业预测性维护、金融风控、医疗影像分析及智能推荐等高可靠性要求领域。本文聚焦AI数据采集如何作为模型生命周期的‘刻度尺’与‘塑造者’,而

weixin_30271335的博客 928

Snowflake Cortex AI:零数据移动的数据库原生机器学习实践指南

数据库原生机器学习(Database-Native ML)是一种将模型训练与推理直接嵌入数据平台内核的技术范式,其核心原理是通过计算下推、统一SQL接口和内置治理能力,消除传统ML流程中的数据搬运、技能割裂与运维负担。该技术显著提升结构化数据上的分类、异常检测、时序预测及文本智能等任务的工程效率与落地确定性,适用于金融风控、电商运营、SaaS产品分析等强数据闭环场景。Snowflake Cortex AI正是这一范式的典型实现,支持SQL调用GBM异常检测、Python SDK集成Arctic大模型,并天然

weixin_30721077的博客 478

反激电源反馈环路设计:从TL431+PC817原理到动态补偿实战

本文深入解析了反激电源中由TL431和PC817构成的经典反馈环路设计。从静态工作点计算到动态补偿实战,详细阐述了如何通过Type II补偿网络优化环路稳定性与动态响应,并分享了应对光耦CTR离散性、布局噪声等常见调试难题的实用技巧,帮助工程师设计出高性能、高可靠的开关电源。

moon9的博客 706

从设计到实战:手把手教你用SolidWorks完成一个简易离心泵叶轮的水力设计全流程

本文详细介绍了使用SolidWorks进行简易离心泵叶轮水力设计的全流程,涵盖参数计算、水力设计和三维建模等关键步骤。通过实际案例演示,帮助机械设计工程师和学生掌握从理论到实践的转化技巧,特别适合低比转速离心泵叶轮的设计需求。

weixin_30621711的博客 237

ICESat-2数据下载的两种方法

ICESat-2数据下载

weixin_46341898的博客 2904

测试人必看!正交表与Allpairs工具对比:如何选择最适合你的组合测试方案?

本文深入对比了正交表、PICT与Allpairs三种主流组合测试方案,帮助测试人员根据项目场景做出最佳选择。文章分析了各自的核心原理、优劣势及适用场景,特别强调了在涉及复杂约束时PICT工具的强大功能,并提供了从原理学习到CI/CD集成的实战选型指南。

weixin_29224309的博客 270

【视频】GStreamer+WebRTC(九):使用NVIDIA硬编解码

2)下载 GStreamer-bad 插件包源码注意要下载和 GStreamer版本对应的插件包3)下载NVIDIA硬编解码SDK最新的SDK下载地址注意 GStreamer 1.24.2 中调用的 NVIDIA Video_Codec_SDK 不是最新的,先使用下面的方法,查看gst-plugins-bad-1.24.2.tar.xz 对应的NVIDIA Video_Codec_SDK 的版本是多少。

郭老二 265

【数字孪生与仿真技术】07:焊装生产线虚拟调试与PLC代码生成全流程实战:从数字孪生到智能优化

摘要:本文系统阐述焊装生产线虚拟调试与PLC代码自动化生成的完整技术体系,结合工业4.0背景下的智能制造需求,构建从离散事件仿真、机器人运动规划到PLC控制逻辑生成的全流程解决方案。通过MATLAB/Simulink平台实现焊装线物流仿真优化,采用遗传算法进行缓冲区容量配置,结合Stateflow状态机设计PLC控制逻辑,并利用PLC Coder生成西门子S7-1500兼容的ST代码。某车企焊装线应用案例显示,虚拟调试技术使调试周期缩短75%,OEE提升13.4%,年节约成本超$420万。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 1834

openCv +3.4.0 车牌定位(C++版本)

#include <iostream> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc.hpp> #include "opencv2/shape.hpp" using namespace ...

Bamboo265925的博客 2340

虚拟化 之三 详解 ARM 平台 jailhouse 的移植适配、构建及使用(飞腾派)

本文将探索学习通过在飞腾官方提供的 Buildroot 构建系统移植适配 openEuler 内核以及 jailhouse 源码 Package 进而直接构建一个适用于飞腾派开发板的带有 jailhouse 的 openEuler 发行版。

技术干货 1009

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

上一篇: 71、拔罐机知识图谱问答系统与空间灵巧手逆运动学求解算法
下一篇: 52、嘈杂环境下多模型语音识别器性能提升与音乐特征组合研究
gitlab7runner
博客等级 码龄4年 78粉丝 1747原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值