- 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(4)
手写数字识别问题 图像识别是深度学习众多主流应用之一，手写数字识别则是图像识别范畴简化版的入门学习经典案例。在TensorFlow的官方文档中，把手写数字识别“MNIST”案例称为机器学习项目的“Hello World”。从这个案例开始，我们的连载才开始有了一些“人工智能”的感觉。 问题的描述是这样： 有一批手写数字的图片，对应数字0-9。通过机器学习的算法，将这些图片对应到文本字符0-9。用通俗的话来说，就是计算机认出了图片上面手写的数字。 从问题描述可见这个机器学习项目的“Hello World”
80070发布于 2018-06-20 - 来自专栏HT
智慧锅炉
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。 图扑软件构造轻量化的 3D 可视化智慧锅炉监控场景，数字孪生锅炉运作流程，清晰直观地呈现设备的部件组成及动态运作全过程。在守护锅炉安全的同时也助力碳中和、碳减排目标的实现。 ，辅助用户通过平台计算锅炉热效率。 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。 可增添报警通知模块，实时监控锅炉隐患处置、日常维护保养、环保排放等信息，在线分析研判锅炉运行安全状态，督促用户适时提升锅炉安全节能环保运行水平。
1.6K20编辑于 2022-09-27 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。 DMC是模型预测控制 (MPC) 的一种形式，特别适用于具有显著纯滞后或非最小相位特性的过程（锅炉温度控制常符合这些特点）。 仅将优化解的第一个控制增量应用到锅炉。滚动优化： 在下一个采样时刻，重复步骤3，基于新的测量值重新优化。 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。 Ref = SP; % (Np x 1)% 4.
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。 恐怕当未知数达到了4、5个，心算已经不够了。好在当前已经有很多数学工具帮助我们做这样的事情。比如在斯坦福《机器学习》课程中，吴恩达教授使用Octave来全程讲解机器学习。
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)
dictionary.values(), dictionary.keys())) return data, count, dictionary, reversed_dictionary # Filling 4 reverse_dictionary[batch[i]], '->', labels[i, 0], reverse_dictionary[labels[i, 0]]) # Step 4: 418391], ('the', 1061396), ('of', 593677), ('and', 416629), ('one', 411764)] 也说明the的编号为1，of是2，and是3，one是4。 Epoch 3 Step 452887: lr = 0.021 words/sec = 8842 Eval 3014/17827 accuracy = 16.9% Epoch 4 随后是城市-首都 城市-首都这样形式的关联对，4个词在一行。预测方法就是用前三个词，预测最后一个词，如果预测对了，则正确率+1。
79060发布于 2018-06-20 - 来自专栏月色的自留地
从锅炉工到AI专家(2)
将来还可能有朝向因素，如果把方向数字化，可能不过是1-4；类似的还很多，比如楼层数。
58640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
73260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： ? 4，电磁阀(Valve)的开度（valveOpenning）决定了入口管道水流量(flux)，开度介于0和1，等于0时入口完全关闭，开度为1时流量达到最大0.01m3/s。 <head> 4. <meta charset="utf-8"> 5. </head> 6. <body style="height: 100%;margin: 0"> 7. this.flux = flux; 4. } 5. } 6. 7. class TubeOut{ 8. constructor(orificeArea) { 9. 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
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)
这里使用了更加复杂的ADAM优化器来做"梯度最速下降"， #前一个例子中我们使用的是：GradientDescentOptimizer train_step = tf.train.AdamOptimizer(1e-4)
81340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)
为了节省篇幅，4个相关的基础示例我们放到同一个源码中展示，并加上详细的注释来帮助你理解： #! #---------------------------------------------------- #一个简单的整数常量计算示例 a = tf.constant(4) b = tf.constant (7) with tf.Session() as sess: print "a=4 / b=7" print "a + b = %i" % sess.run(a+b) print "a * b = %i" % sess.run(a*b) #屏幕输出： # a=4 / b=7 # a + b = 11 # a * b = 28 #---------------------- 关于上面4个例子，唯一我认为需要解释的就是，因为我们是把4段独立的代码集成过来，所以tf.Session我们实际上是初始化了4次。 也就是4个例子，都在各自的Session中运行的。
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)
Y: batch_y}) print("Step " + str(step) + ", Minibatch Loss= " + \ "{:.4f , poetry)) for poetry in poetrys] #[[314, 3199, 367, 1556, 26, 179, 680, 0, 3199, 41, 506, 40, 151, 4, ydata = np.copy(xdata) ydata[:,:-1] = xdata[:,1:] """ xdata ydata [6,2,4,6,9 ] [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)
总之在本例中，输入的图像经过2x2的池化之后，图像的深度不变，尺寸会长、宽各缩减一倍，数据总量将减少4倍。 网络模型构建 同DNN一样，CNN的构建也没有什么必须的规则。 b_conv1 = bias_variable([32]) #卷积是在平面2D图的方向上进行， #所以为了使用这一层卷积，我们先要把x恢复成一组图， #2D加上第一维是样本数量，以及图的色深，是一个4d cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv)) train_step = tf.train.AdamOptimizer(1e-4).minimize(
66080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)
'pool2', 'conv3_1', 'relu3_1', 'conv3_2', 'relu3_2', 'conv3_3', 'relu3_3', 'conv3_4' , 'relu3_4', 'pool3', '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_4', 'pool5', 'fc6', 'relu6', 'fc7', 'relu7', kind = name[:4] #根据conv/relu/pool/soft这几种情况，调用对应函数定义相应层 #每次定义层以上一层的输出为输入，将整个网络连接起来
774130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。 、氧含量等）进行自动采集，通过5G/4G/WIFI/以太网等方式将设备数据通过MQTT协议上传云平台，通过PC端和手机端对锅炉设备进行实时监测，实现设备集中管理控制、远程维护、数据分析应用等，达成降本增效 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
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。 PLC负责对锅炉的各个组件进行自动化控制，DCS服务器是系统的核心控制中心，负责数据采集、处理和存储，控制器负责控制和调节锅炉的运行参数信息层：系统整体的管理和监控层，主要包括数据库、网络通信和报警系统等 锅炉控制系统采用CI854与CI801模块构成PROFIBUS扩展网络，汽机部分采用TB801构成MODBUS扩展网络，充分利用了AC800M资源，锅炉与汽机各装有两台操作站，保证实时可靠监控。 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
66710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。 智能网关作为核心通过网口或串口与锅炉控制器(PLC)、温度传感器、压力传感器等连接对监控参数进行数据采集，并通过5G/4G/有线等方式上报锅炉监控云平台，经过数据分析处理，相关人员可通过电脑和手机端实时查看 4、设备管理 设备远程配置、维护、程序上下载、升级，故障远程诊断、调试。 5、设备监控 将分散在不同地点的设备运行状态、设备工作数据实时在线监控，可通过电脑、手机和大屏进行统一监控。 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。 实现工业现场触摸屏远程控制和组态画面远程映射; 7、可同时与多台PLC或触摸屏远程通讯，实现西门子、三菱、欧姆龙、施耐德、台达、汇川、和利时、松下、永宏、海为和 MODBUS 系列等PLC等主流协议硬件解析; 图片4.
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)
Deeplearning4j: 专注于神经网络的 Java 库，可扩展并集成 Spark，Hadoop 和其他基于 Java 的分布式集成软件。
80470发布于 2018-06-20 - 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
不料，经过一段头脑体操一般的勤学苦练，发现使用Swift做开发，不仅要学习Swift，还要学习Swift2、Swift3、Swift4... 《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
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
plt.subplot(num_rows, num_cols, i+1) plot_image(i, images, labels) plt.show() # 显示前4* 6=24副训练集样本 show_images(4, 6, mnist.train.images, mnist.train.labels) 注意这个代码只是用来把样本集可视化。 这里使用了更加复杂的ADAM优化器来做"梯度最速下降"， #前一个例子中我们使用的是：GradientDescentOptimizer train_step = tf.train.AdamOptimizer(1e-4) print('\nTest accuracy:', test_acc) # 完整预测测试集样本 predictions = model.predict(mnist.test.images) # 图示结果的前4* 6个样本 show_images(4, 6, mnist.test.images, mnist.test.labels, predictions) 代码讲解 通常我都是直接在注释中对程序做仔细的讲解，这次例外一下
73100发布于 2019-04-18 - 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。 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。 五、 行业推广与前景展望捷米特网关所代表的工业网关和边缘计算解决方案，其价值远不止于锅炉厂房。在当前快速发展的行业中，这种快速、低成本打破数据壁垒的能力极具吸引力。
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