- 综合排序
- 最热优先
- 最新优先
- 来自专栏月色的自留地
从锅炉工到AI专家(2)
但实际上离最优解还有很大差距.下面这张图是降维到2维的一张示意图，可以看的更清楚： ? 图中的G点是最优解，A/B/C/D点都是局部最优解。 陷入局部最优解的时候实际上只有这样几个选择：1.随机产生另外一组初始值，同时增加尝试求解过程的次数，从而得到不同的解，取其中最好的值；2.变更梯度下降步长；3.变更或者优化算法。
58640发布于 2018-06-20 - 来自专栏HT
智慧锅炉
通过图扑软件自主研发的 HT 引擎辅以可交互的 2D 组态和 3D 组态场景，实施全方位的数字化建设。 系统分析 智慧锅炉 锅炉是我国主要的热能装备，据统计，燃煤工业锅炉污染物排放量较大，仅次于燃煤发电，是城镇大气污染的主要排放源。 结合图扑丰富的 2D/3D 组态界面，仿真还原了锅炉运行的整体效果与锅炉热效率曲线数据展现，推动使用单位提高锅炉运行能效。 通过运用图扑软件强大的 2D、3D 渲染引擎，经过场景搭建和动画驱动数字孪生核电站发电流程。实现对核反应堆的设计建造、运维管理的性能优化提升。 InTouch/IFix/WinCC 传统组态软件，图扑基于 Web 的平台更适合 C/S 向 B/S 转型的大趋势，多元素丰富的可视化组件和快捷的数据绑定方式，可用于快速创建和部署，能为各类场景提供 2D
1.6K20编辑于 2022-09-27 - 来自专栏月色的自留地
TensorFlow从1到2（一）续讲从锅炉工到AI专家
《从锅炉工到AI专家》一文中，已经对机器学习的基本概念做了很详细的介绍。所以在这里我们就省掉闲言絮语，直接从TensorFlow2.0讲起。 也是在机器学习中非常常用的，建议一起安装： $ pip3 install numpy matplotlib pillow pandas seaborn sklearn 第一个例子：房价预测 本示例中的源码来自于《从锅炉工到 AI专家》系列2，使用了最简单的线性函数来做房价预测。 原始TensorFlow 1.x/ Python 2.x代码如下： #! 工具使用方法如下(假设我们的程序文件名称为first-tf.py)： tf_upgrade_v2 --infile first-tf.py --outfile first-tf-v2.py 迁移工具还可以对整个文件夹的程序做升级
1.1K00发布于 2019-04-18 - 来自专栏月色的自留地
TensorFlow从1到2（二）续讲从锅炉工到AI专家
# len(mnist.train.labels[0])=10 def plot_image(i, imgs, labels): # 将1维的0-1的数据转换为标准的0-255的整数数据，2维 num_cols, images, labels): num_images = num_rows*num_cols plt.figure('Train Samples', figsize=(2* ]) #使用relu算法的激活函数，后面的公式跟前一个例子相同 h1 = tf.nn.relu(tf.matmul(x, W1) + b1) #定义第二层（隐藏层）网络，1024输入，512输出 W2 = weight_variable([1024, 512]) b2 = bias_variable([512]) h2 = tf.nn.relu(tf.matmul(h1, W2) + b2) #定义第三层 labels, predictions): num_images = num_rows*num_cols plt.figure('Predict Samples', figsize=(2*
73100发布于 2019-04-18 锅炉温度dmc控制用simulink实现
在Simulink中实现锅炉温度的动态矩阵控制 (DMC) 是一个涉及建模、控制器设计和仿真的过程。 Simulink 实现结构：锅炉模型 (Plant Model):目的： 在仿真中代表真实的锅炉温度响应。 PastOutputs: 过去 m 个时刻的输出测量值 y(k-1), y(k-2), ..., y(k-m) (可选，用于模型误差补偿/反馈校正)。 根据离散模型脉冲响应系数 a_i (i = 1, 2, ..., m) 构建动态矩阵 A：A = [ a1 0 0 ... 0 ] [ a2 a1 0 ... 0 ] [ a3 a2 a1 ... 0 ] [ ... ... ... ... ... ] [ aNp aNp-1 aNp-2 ... aNp-Nu
39200编辑于 2025-06-23- 来自专栏月色的自留地
从锅炉工到AI专家(1)
序言 标题来自一个很著名的梗，起因是知乎上一个问题：《锅炉设计转行 AI，可行吗？》，后来就延展出了很多类似的问句，什么“快递转行AI可行吗？”、“xxx转行AI在线等挺急的”诸如此类。 2a+b+c+d+e=6 a+2b+c+d+e=12 a+b+2c+d+e=24 a+b+c+2d+e=48 a+b+c+d+2e=96 仅是一个例子，这样的方程你用手工解估计也很快啦，这里用
1K60发布于 2018-06-20 - 来自专栏月色的自留地
从锅炉工到AI专家(9)
因为word2vec工作非常耗时，官方又提供了一个升级版本word2vec_optimized.py，这个版本用c++重写了耗时的代码，作为TensorFlow的外部模块来使用，提供了较为正式的功能。 构建用于训练的skip-gram模型，重点2个： 没有使用我们熟悉的softmax分类，而是用了nce_loss，同样具体公式在网上查（其实官方word2vec课程中就有，这里略去了）。 比如上面就是embedding第1、2、3、0、3、2、1行的结果，重新组合成一个7行的矩阵返回给input_embedding。 word2vec_kernels.cc -o word2vec_ops.so -fPIC ${TF_CFLAGS} ${TF_LFLAGS} -O2 -D_GLIBCXX_USE_CXX11_ABI= 引文及参考 TensorFlow中文社区word2vec讲解 图解word2vec 极大似然法 Dependency-Based Word Embeddings
78960发布于 2018-06-20 - 来自专栏月色的自留地
从锅炉工到AI专家(7)
说说计划 不知不觉写到了第七篇，理一下思路： 学会基本的概念，了解什么是什么不是，当前的位置在哪，要去哪。这是第一篇希望做到的。同时第一篇和第二篇的开始部分，非常谨慎的考虑了非IT专业的读者。希望借此沟通技术人员和产品人员，甚至管理和销售人员。我信服“上下同欲者胜”，所以也非常害怕因为大家对概念完全不同的理解而影响到团队的合作。 从最简单的部分入手，由概念到代码，完成技术破冰。这是第二、三篇希望做到的。 逐步迭代，从简单概念到复杂概念，从简单算法到复杂算法，接触到机器学习现实最常用的技术。这是四、五、六篇希
73160发布于 2018-06-20 - 来自专栏javascript趣味编程
9.1 汽包锅炉水位自动控制
汽包锅炉液位控制原理 本实验拟使用PID算法实现液位控制，如下图所示： ? 2，出口管道（TubeOut）截面积（orificeArea）默认等于1cm圆形的面积，即3.14×0.01×0.01m2。 return out*KP; 34. } 35. } 然后是我们的水池类Pool（假设它是锅炉汽包），其中进水量根据进水管的阀门开度而定，出水量根据伯努利方程由液位而定： 1. class Pool { 2. var velocityOut=Math.sqrt(2*9.8*this.actualLevel); 19.
87700发布于 2018-08-08 - 来自专栏月色的自留地
从锅炉工到AI专家(5)
]) #使用relu算法的激活函数，后面的公式跟前一个例子相同 h1 = tf.nn.relu(tf.matmul(x, W1) + b1) #定义第二层（隐藏层）网络，1024输入，512输出 W2 = weight_variable([1024, 512]) b2 = bias_variable([512]) h2 = tf.nn.relu(tf.matmul(h1, W2) + b2) #定义第三层 weight_variable([512, 10]) b3 = bias_variable([10]) #最后一层的输出同样用softmax分类（也算是激活函数吧） y3=tf.nn.softmax(tf.matmul(h2,
81240发布于 2018-06-20 - 来自专栏月色的自留地
从锅炉工到AI专家(3)
;1,2,1,1,1;1,1,2,1,1;1,1,1,2,1;1,1,1,1,2") #方程组右侧的常数，定义为矩阵（向量）B B=np.mat("6;12;24;48;96") #使用numpy内置的解方程函数求解 /solveEqu.py A= [[2 1 1 1 1] [1 2 1 1 1] [1 1 2 1 1] [1 1 1 2 1] [1 1 1 1 2]] B= [[ 6] [12] [ = tf.constant([[2.],[2.]]) product = tf.matmul(matrix1, matrix2) with tf.Session() as sess: result 对python版本的偏爱纯属个人偏好，有的人喜欢python2,有的人则是python3的拥趸。 对于应用范围来讲，主要写通用性系统脚本的，首先用python2,因为几乎所有linux/mac电脑内置都已经有了python2。
79790发布于 2018-06-20 - 来自专栏月色的自留地
从锅炉工到AI专家(10)
RNN循环神经网络(Recurrent Neural Network) 如同word2vec中提到的，很多数据的原型，前后之间是存在关联性的。 为了适应python2.x+TensorFlow1.4.1的运行环境，另外也为了大家读起来方便把训练部分跟生成部分集成到了一起，因此源码有所修改。 接着把诗文向量化，就是上一篇word2vec的工作。 , 133, 31, 302, 653, 512, 0, 37, 148, 294, 25, 54, 833, 3, 1, 965, 1315, 377, 1700, 562, 21, 37, 0, 2, ] [2,4,6,9,9] [1,4,2,8,5] [4,2,8,5,5] """ x_batches.append(xdata) y_batches.append
1.1K50发布于 2018-06-20 - 来自专栏月色的自留地
从锅炉工到AI专家(6)
这时候可以在卷积之后附加一层“池化”，以池化设置为2x2为例。池化算法会在输入的图像中，以2x2为视窗，提取其中的重点，形成一组数据。 在我们的案例中，等于输入2x2x32，输出1x1x32的数据。 在池化的“提取”中，有不同算法供选择，我们这里会采用max,就是取大者，这个大的部分不论在2x2的点阵中在哪一点，都会被提取出来。 (x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') #池化是2x2 def max_pool_2x2(x) (x_image, W_conv1) + b_conv1) #池化是2x2,所以输出结果是28/2=14,14x14x32的图 #max池化算法是指在2x2的空间中取最大值 h_pool1 = max_pool h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) #再次2x2池化，14/2=7,最后结果是7x7x64的图 h_pool2 = max_pool
65980发布于 2018-06-20 - 来自专栏月色的自留地
从锅炉工到AI专家(4)
比如自然语言处理(NLP)系统中的“单词向量化”问题，因为单词或者词语，长度是不同的，规范化起见，我们只能把单词转换成数字，比如1代表the/2代表is，这种情况下，这个数字是不能再规范化到0-1的浮点数的 比如图像处理的skimage / cv2(opencv) / pillow / matplotlib，声音处理的librosa / eyed3 / pydub / pyaudio等。 /digital2.jpeg") babe = mnist.test.next_batch(1) toImage(babe[0],".
79970发布于 2018-06-20 - 来自专栏月色的自留地
从锅炉工到AI专家(8)
2, 1), strides=(1, 2, 2, 1), padding='SAME') ##定义全链接层 def _fc_layer(input, weights, bias): shape , 'relu1_2', 'pool1', 'conv2_1', 'relu2_1', 'conv2_2', 'relu2_2', 'pool2', 'conv3_1 'conv4_1', 'relu4_1', 'conv4_2', 'relu4_2', 'conv4_3', 'relu4_3', 'conv4_4', 'relu4_4', 'pool4 ', 'conv5_1', 'relu5_1', 'conv5_2', 'relu5_2', 'conv5_3', 'relu5_3', 'conv5_4', 'relu5 = name[:2] if kind2 == 'fc': kernels1, bias1 = weights[i][0][0][0][0]
773130发布于 2018-06-20 - 来自专栏工业4.0
工业锅炉设备远程监控运维
我国是全球工业锅炉生产应用数量最大、应用范围最广泛的国家，规模以上锅炉生产企业有千余家。 解决方案 物通博联通过先进的工业物联网和大数据技术，实现工业锅炉设备上云，构建分布式工业锅炉远程运维系统和大数据应用云服务。 方案价值 01实现了对锅炉设备的集中监控 对原本分散各地的锅炉设备现场参数以及额定蒸发量、压力、给水温度、炉膛温度、锅炉水位、炉排转速、炉排面积、燃煤量、容水量等等运行数据进行远程采集，实时掌握设备运行状态 03实现对锅炉设备的预测性维护 采集实时的锅炉工况、历史维修记录、锅炉维护的先验知识等数据，结合物理退化模型和经验退化模型，构建锅炉寿命预测和维修决策的预测性维护模型，及时检测到设备异常并预测设备剩余使用寿命 04实现锅炉设备数据智能化应用 对锅炉运行情况、性能、能耗等核心数据进行分析，自动生成报表，通过大屏展示，组态监控等功能，动态显示锅炉运行实时状态、设备分布情况以及各项统计分析报表，为设备管理提供各种参数依据
74920编辑于 2023-03-27 - 来自专栏物联网解决方案
锅炉DCS控制系统解决方案
锅炉DCS控制系统解决方案主要包括系统架构、硬件组成、软件功能和系统优势等方面。系统架构锅炉DCS控制系统的架构分为三层：操作层、控制层和信息层。 通过HMI界面，操作人员可以实时监控锅炉的工作状态，并进行操作控制控制层：系统的核心，用于实现对锅炉各个部分的控制和调节。主要包括可编程逻辑控制器（PLC）、DCS服务器和控制器等硬件设备。 （2）下位机编程软件采用ABB公司AC800M，实现锅炉、汽机参数测量、流量运算、自动调节、气动阀连锁及汽机停机保护，系统操作方便，控制灵活，即降低了工人的劳动强度，又减少了设备故障率。 本系统设现场控制站3台，分别用于1#、2#锅炉及汽机的数据采集和控制管理。控制站主要包括冗余电源组件、数据采集卡、控制器以及控制网总线控制器，实现现场数据的采集处理、过程控制、联锁保护、顺控逻辑等。 监控软件：软件提供报警功能，当锅炉的关注参数超标报警时（锅炉房基本报警分为：锅炉熄火报警；锅炉超压报警；锅炉超温报警；排烟温度过高报警；系统压力过低报警，水箱水位过低、过高报警），现场操作员站和锅炉物联网系统能够同步产生报警信息
66610编辑于 2025-05-14 - 来自专栏物联网智慧生活
工业智能网关工业锅炉远程监控
工业网关工业锅炉远程监控 计讯物联工业网关下锅炉远程监控系统主要由锅炉设备、PLC控制器、各类传感器、工业只能网关、云平台等组成。 2、环境视频监控 在锅炉设备现场设置视频监控摄像头，实现监控中心对所有联网锅炉现场的实时视频监控。 3、报警 异常状态、故障状态、异常数据信息报警，反馈及时。 图片2.png 锅炉远程监控工业智能网关 图片3.png 1、丰富接口，LAN、WLAN、RS232、RS485、SIM卡、TF卡、DI、继电器、ADC、POE供电。 2、支持模拟量/数字量/开关量采集 3、支持视频/图像/语音采集 4、支持WIFI，5G/4G，网口等方式接入互联网，可多网同时在线。 10、支持IPSec VPN、L2TP VPN、PPTP VPN、OPEN VPN。 11、支持心跳链路检测，达到断线自动重连。 12、支持web升级、本地系统日志、远程日志、串口输出日志。
1.5K30发布于 2021-10-21 - 来自专栏月色的自留地
从锅炉工到AI专家(11)(END)
官网的文档对NMT的主线算法Seq2Seq(序列到序列)原理讲解比较细致，在机器学习的实现上较多的采用了LSTM神经网络，这在上一篇我们刚刚用过，你肯定不陌生。 我们曾经提到过cv2这个python的扩展包，这实际就是使用python调用OpenCV的接口方式。 所以有一些图像识别类的算法在OpenCV上的实现更早、更新更快。 一个新的由Facebook 支持的Caffe迭代版本称为Caffe2，现在正在开发过程中，即将进行1.0发布。 H2O是用于数据收集、模型构建以及服务预测的端对端解决方案。 Singa: 是一个Apache的孵化器项目，也是一个开源框架，作用是使在大规模数据集上训练深度学习模型变得更简单。 亚马逊的深度学习机器图景包含了许多主要的深度学习框架，包括 Caffe2、CNTK、MXNet和TensorFlow。
80370发布于 2018-06-20 - 来自专栏总线协议转换网关
Profinet转CCLKIE桥接技术助力锅炉厂房多品牌PLC协同控制
一、 项目痛点：异构网络下的信息孤岛某大型供热企业的锅炉厂房控制系统需要进行智能化升级。其核心控制系统采用西门子S7-1200 PLC，负责锅炉燃烧、供水等主流程控制，其上层网络为标准的工业以太网。 操作人员无法在中央控制室统一监控整个锅炉系统的运行状态，如燃料量与风压的实时联动、烟气排放参数与燃烧效率的匹配等，严重影响了整体控制精度和能效管理。 边缘处理能力：作为一款边缘计算网关，它具备一定的数据预处理能力，如数据过滤、报警生成、格式转换等，减轻主PLC的运算负担三、 实施过程与清晰的系统拓扑2. 实施后：数据融合与透明化：锅炉燃烧、供水、烟气、燃料等所有数据在中央控制室一览无余，实现了全流程可视化监控。 控制联动与优化：S7-1200可以根据FX5U传来的实时燃料热值、烟气含氧量等数据，动态调整风门开度和供水流量，使锅炉始终在最佳燃烧效率点运行。
18410编辑于 2025-10-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号