回传、交通信息的 即时获取与智能座舱的流畅交互，为车辆提供大范围的连接基础。 C-V2X 直连通信网络支持车辆与车辆（V2V）、车辆与基础设施（V2I）、 车辆与行人（V2P）之间低时延、高可靠性的直接通信，支持紧急制 动预警、交叉路口碰撞预警、盲区预警等关键安全场景，可显著提升 行车安全性，降低交通事故发生率。卫星通信网络依托卫星星座部署 的全球覆盖通信系统，是地面通信网络的有效补充，可在偏远山区、 信标准制定与全球互联互通，同步成立自动驾驶通信技术专家组，为 网联通信技术支持自动驾驶法规提供顶层设计。国际电信标准组织 （3GPP）持续深化蜂窝移动通信技术演进，通过提升传输容量、时 延可靠性及移动切换性能，拓展直连通信单播组播、定位与节能等关 键特性，并推动地面蜂窝移动通信、短距直连通信与卫星通信一体化 网络体系，增强网络全域覆盖能力。国际自动机工程师协会（SAE） 完善轻型车、校车等 靠传输、多场景适配、高安全可信”的综合需求。一是汽车产品生命 周期长达 10-15 年，要求网络连接必须具备长周期持续可用特性，避 免因技术迭代导致车端通信能力与基础设施不匹配。二是驾驶自动化 等高级应用场景对网络时延、可靠性提出极高要求，需要网络实现“可 靠稳定”传输，而非传统“尽力而为”的网络服务。三是汽车网联化 应用的全面渗透，推动网络提供全域覆盖、无缝连接的通信能力，支 持从城市道路到偏远地区、从日常通勤到应急救援的全场景应用；此

关键技术、 C 行业应用等 3 个部分，主要反映标准体系各部分的组成关 系。智能制造标准体系结构图如图 2 所示。 6 图 2 智能制造标准体系结构图 具体而言，A 基础共性标准包括通用、安全、可靠性、 检测、评价、人员能力等 6 大类，位于智能制造标准体系结 构图的最底层，主要用于统一智能制造相关概念，解决智能 制造基础共性关键问题，是 B 关键技术标准和 C 行业应用标 准的支撑。B 基本组成单元，具体包括 A 基础共性、B 关键技术、C 行业 应用等 3 个部分，如图 3 所示。 8 图 3 智能制造标准体系框架图 9 四、建设内容 （一）基础共性标准 主要包括通用、安全、可靠性、检测、评价、人员能力 等 6 个部分，如图 4 所示。主要用于统一智能制造相关概念， 解决智能制造基础共性关键问题。 图 4 基础共性标准子体系 1. 通用标准 主要包括术语定义、参考模型、场景等 用等标准。数据安全标准主要包括工业数据质量管理、加密、 脱敏及风险评估等标准。 3. 可靠性标准 主要包括工程管理、技术方法等 2 个部分。工程管理标 准主要包括智能制造系统可靠性要求、可靠性管理、综合保 障管理、寿命周期成本管理等标准。技术方法标准主要包括 可靠性仿真、可靠性设计、可靠性试验、可靠性分析、可靠 性评价等标准。 4. 检测标准 主要包括检测要求、检测方法、检测技术等

业务的上行 19 发送、增强高优先级业务的上行功率控制两种方式，来降低高优先级 业务的时延。 b. 双发选收 在工业场景下，如 PLC 等控制业务对网络传输的可靠性要求较 高，可以采用双发选收方式提升端到端业务的可靠性。双发选收是一 种增强无线链路的方法，通过新增路由对数据流进行复制，并在空口 传输冗余，接收端通过冗余流恢复出原始流中丢失信息，增强了链路 韧性。 双发选收主要包 Side TSN Translator， 网络侧 TSN 转换器），这两个转换器搭建起 5G 网络与 TSN 网络的 桥梁，结合精准授时、流量调度等技术，初步实现工业业务有界时延、 低抖动、高可靠性的确定性传输。R17 增加了 TSCTSF（Time Sensitive Communication and Time Synchronization Function，时间敏感通信时间 同步功能）网元，并引入生存时间，5G 5G 终端设备的软件版本可进行远程、批量升级，提高运维效率，被 纳管终端设备支持通过软件方式进行重启和复位操作，实现故障恢复。 2. 端侧 5G 网络质量探针 随着工业各行业对 5G 专网通信的可靠性、稳定性、灵活性、可 视化等方面的要求不断增加，为高效满足 5G 专网质量保障需求，可 采用 5G 网络质量探针终端系统对 5G 网络运行关键指标、业务质量 等进行监测2。此系统主要由端侧质量探针、探针检测分析平台和

..................................................................... 28 5.1. 工业大模型应用面临数据质量和安全、可靠性、成本三大挑战 ...................................................... 28 5.2. 工业大模型应用将伴随技术演进持续加速和深化 ... 设计的效率和质量。 9 工业大模型应用报告 大模型在工业领域的应用潜力仍有待释放。首先，大模型技术本身正处于快速发 展的阶段，尽管已取得了显著进步，但在成本、效率和可靠性等方面仍有待进一步提 升，以适应工业领域日益复杂的需求。其次，工业场景众多且各具特色，大模型作为 新技术，需要逐步与各个工业场景紧密结合，在逐步提升技术渗透率的过程中，挖掘 可利用的场景，并根 题导致其尚不能完全取代以判别式 AI 为代表的小模型。一方面，小模型在工业领域具 有深厚的应用基础和经验积累，其算法和模型结构相对简单，易于理解和实现，其稳 定性和可靠性得到了验证。另一方面，大模型在成本收益比、稳定性和可靠性等方面 存在问题，其在工业领域的探索还处在初级阶段。小模型以其高效、灵活的特点，在 特定场景和资源受限的环境中发挥着重要作用；而大模型则以其强大的泛化能力和处 理复

90%准确率 成本效益：全生命周期总成本降低 40-60%，ROI（投资回报率）提升 2-3 倍。 1.4.5 技术挑战对比 ➢ 共性挑战： 数据质量波动影响模型稳定性 极端工况下的可靠性验证需求 ➢ 传统模型瓶颈： 无法突破"维度灾难" 知识迁移成本高（跨工序模型重建需大量重复工作） ➢ 工业大模型新挑战： 千亿参数模型的实时推理能耗问题（某大模型单次推理耗电 2 数、设备日志）和非结构 化数据（如图像、视频、文本等）。为了高效存储和管理这些数据，分布式存储 系统被广泛应用。分布式存储通过将数据分散存储在多个节点上，不仅提升了 存储容量，还增强了数据的可靠性和访问速度。同时，大容量数据库（如 NoSQL 数据库）能够快速存取非结构化数据，为工业大模型提供了高效的数据 支持。此外，向量数据库的引入进一步提升了多模态数据的管理能力。向量数 据库能够通 采集方 面，通过工业物联网（IIoT）设备和传感器网络，可以实时获取生产过程中的 30 关键数据。在数据存储方面，分布式存储系统能够将海量数据分散存储在多个 节点上，提升存储容量和可靠性。同时，大容量数据库（如 NoSQL 数据库）和 向量数据库被广泛应用于非结构化数据的快速存取和多模态数据的高效检索。 此外，为了确保数据的质量和可用性，数据清洗、标注和多模态整合技术也是 数

20 化、集约化、工艺先进、自动化程度高、结构复杂等特点，同时面临着高温高压、易燃、易爆、易中 毒、关联性强等风险。 为保证生产装置的安全、稳定、长周期、满负荷运行，对电力系统的安全性、可靠性、稳定性、连 续性、适应性的要求极高。生产过程中一旦发生突然断电、电压波动、电压突变、系统事故和电气设备 事故，将造成大面积非计划停工，易导致装置着火、爆炸、泄露、中毒、设备损坏、人员伤亡和重大次 1痛点分析：设备可靠性待重视 石油化工行业作为能源转型的重要领域，电气化、数字化和智能化转型成为必然趋势。在“双碳” 目标背景下，石油石化行业通过电气化减少碳排放，提高生产效率。不过在这个过程中，行业也面临着 诸多痛点，需要行业内外共同努力，推动技术进步和政策支持，以实现绿色低碳发展目标。 行业洞察：转型新纪元 探索数字化与绿色化的双轨路径 21 ① 电气自动化控制设备可靠性待加强。电气自 电气自动化控制设备可靠性待加强。电气自动化控制设备的可靠性对企业的生产效率和产品质 量至关重要，需要确保设备稳定运行，减少故障发生。然而，当前行业内电气自动化控制设备的可靠性 有待进一步加强。通过计算短路电流、选择性分析以及评估弧闪事故风险等级等方式，能够消除企业所 面临的电气事故隐患。 ② 日常运维支持不足。对于石油石化行业而言，日常的运营过程至关重要，然而当前行业整体仍 有短板。设备服务商需要通过深入日常运营场景提供日常

责任和义务划分模糊，监管职责分散于各个行业主管部门，建立责权清晰的监管 体系需要企业各部门及人力资源的支持。 四是传统工业领域行业局限性明显，安全防护水平难以快速提升。工业领域 有其自身的行业特点，相比于安全性，更注重实时性和可靠性，漏洞修复、系统 防护软件升级等安全措施难以快速更新迭代，导致工业系统维护能力不足。此外， 工业设备升级换代周期长，生产装备、操作系统滞后于时代发展，无法适配新型 安全防护技术及机制等。从企业 （1）差异与特点  网络架构与协议差异 网络架构不同：生产控制大区主要包括变电站自动化系统、分布式能源接入 系统等，其网络架构以工业控制系统为主。这些系统通常是封闭的、专用的网络， 对实时性和可靠性要求极高。例如，在变电站自动化系统中，保护装置与测控装 置之间的数据传输需要在几毫秒内完成，以确保故障时能快速切除故障线路。 管理信息大区的网络架构则更类似于一般的企业信息网络，包括办公自动化 严格的实时处理。  安全需求差异 安全目标测重点：生产控制大区的安全重点是保障电力系统的物理设备安全 和运行稳定性，防止因网络攻击导致电力系统故障，如电网停电事故。其安全需 求主要围绕电力生产的连续性、可靠性和实时性展开。 管理信息大区更关注数据的保密性、完整性和可用性，重点防止数据泄露、 篡改和非法访问，以保护企业的商业机密和用户隐私。 风险容忍度差异：生产控制大区对风险的容忍度极低，因为任何微小的网络

生产调度优化：基于实时数据与历史数据，采用智能算法优化 生产调度，提高资源利用率，缩短生产周期。 4. 设备预测维护：通过机器学习模型对设备运行数据进行分析， 提前预测设备故障，降低停机时间，提高设备可靠性。 5. 用户界面与交互系统：开发灵活的用户界面，便于操作人员实 时监控生产状态，操作生产计划及维护请求，提升用户体验。 项目的实施区域主要集中在智慧工厂的关键生产区，包括但不 限于装配线、 完成设计后，进入开发与测试阶段。开发团队将根据设计文 档，进行所需软件开发。在此过程中，采用敏捷开发模式，定期进 行迭代和评审。每一轮开发后，我们将进行单元测试、集成测试， 确保功能实现的可靠性与稳定性。最终，将进行系统测试与压力测 试，以评估系统在高负载条件下的表现。 在完成开发与测试后，将进行部署实施。这一阶段包括系统的 安装与配置、数据迁移以及用户培训。我们将制定详细的部署计 算能力和强大浮点运算能力的 GPU。 2. 兼容性与可扩展性：所选设备应与现有系统和未来可能的系统 组件兼容，确保后续可以平滑集成或扩展。在选型时，需要对 各类标准进行评估，如 PCIe、SATA 等。 3. 可靠性与稳定性：硬件的稳定性直接影响工厂的运营效率，因 此选择知名品牌的设备，同时应考虑冗余设计，例如双机热 备、RAID 磁盘阵列。 4. 成本效益：在保证性能的前提下，应选择性价比高的硬件设 备，以降低整体采购和维护成本。

造技术的革新，也为人工智能（AI）在制造业中的应用提供了广阔 的空间。AI 技术在新能源汽车制造中的应用，不仅能够提升生产效 率、降低生产成本，还可以通过智能化的质量控制手段，显著提高 产品的可靠性和安全性。例如，在电池生产环节，AI 可以通过大数 据分析和机器学习算法，优化电池材料配比和生产工艺，从而提高 电池的能量密度和循环寿命。在装配线上，AI 驱动的机器人能够实 现高精度的零部件组装，减少人工操作的误差。此外，AI 270 亿美元，年均增长率保持在 35%以上。这一趋势表明，AI 技术正在深刻改变传统制造模式，推动制造业向智能化、自动化和 网络化方向发展。特别是在新能源汽车制造领域，由于其对精度、 效率和可靠性要求的特殊性，AI 技术的应用将带来更大的价值提升 空间。 1.3 研究目的与意义 随着全球对环境保护和可持续发展的日益重视，新能源汽车产 业作为绿色交通的重要组成部分，正迅速崛起。然而，传统的制造 保证电池组的高效生产和可靠性。BMS 的集成则需要严格的测试 和校准，以确保电池的充放电过程安全可控。 其次，电机和电控系统的制造也是关键环节。电机的生产包括 定子和转子的制造、绕组和装配，这些过程需要高精度的加工设备 和严格的工艺控制。电控系统的制造则涉及到电路板的设计、元器 件的贴装和软件的调试，这些步骤需要先进的生产设备和专业的技 术人员。电机和电控系统的集成测试是确保其性能和可靠性的重要

确定边界：确定哪些活动应该被包括在范围 3 碳排放中，例如 供应链、客户使用和废弃物处理等数据收集：收集范围 3 碳排放所 需的数据可能比较困难，因为这些数据通常需要从供应链中的多个 来源收集。确保数据可靠性：范围 3 碳排放数据的可靠性可能受到 供应链中各个环节数据收集的不一致性和不准确性的影响。达成计 算方法的共识：确定如何计算范围 3 碳排放比较复杂，因为需要考 虑多个因素，例如供应链中的不同环节、不同产品和不同地区的影 ，做 到安全生产，最终通过测试、统计、分析、改善能源管理方法，提 高能源利用率。 1.能耗采集 首先需要确定数据采集的范围和方法。这涉及到边界的划定、 活动过程的分类、数据来源的准确性和可靠性等问题。需要根据实 17 零碳数据中心园区能碳管理系统白皮书 ODCC-2023-02006 际情况选择合适的数据收集方式，如手工记录、计量设备、自动监 测、传感器等。能耗采集应尽可能增加自动监测设备/仪表，具备动 致的情况。通过设置数据验证和清洗规则，对采集到的数据进行验 证、校验和清洗，确保数据的准确性和一致性。 （6）数据存储：将提取和清洗后的数据存储到适当的位置，如 数据库、数据仓库、云存储等。确保数据存储的可靠性、安全性和 易访问性，方便后续的数据处理和分析。 （7）错误处理和监控：设置错误处理和监控机制，能够自动检 测和处理数据采集和提取过程中的错误。通过日志记录、告警通知 等方式，即时发现和解决数据的异常情况。