2020 年物联网设备超过非物联网设备 │ ©202 四维纵 横 Confidential 1 什么是时序数据 • 时序数据是时间序列数据，即带有时间戳的数据序列。这个序列中的—个数据也成为数据点 （ data point ）， —个数据点通常是—个（ timestamp ， value ）对。 t i m e s e r i e s (tsN,vN) │ ©202 四维纵横 Confidential 1 什么是时序数据 • 可以有很多时间序列，每个时间序列有自己的节奏。 timeseries1 (ts1,v1) (ts2 (ts1,v1) (ts2,v2) (ts3,v3) (ts1,v1) (ts2,v2) (ts3,v3) 什么是时序数据 • 时间序列都是 (ts,val) 序列，那么如何区分不同的时间线？不同时间线会有不同的静态属性，通过静 态属性可以区分时间线。 . . (tsN,vN) (tsK,vK) Confidential

计划统一：建立集中式的生产计划和物料控制管理系统，统一计划作业方法，优化计划作业流程， 解放计划员繁重的重复劳动，工作重心转移到计划调度与物料控制等有价值的工作方向、 u 账物统一：建立系统级物料批次及产品序列号管理，优化仓库管理，实现库存账物清晰。 u 制程统一：建立制造过程管理系统，细化生产过程管控，建立产品生产全过程追溯系统，实现生 产精细化管理需求。 u 成本统一：建立精细化的成本核算体系， 号 + 序列号管理。 No. 订单号 / 需求分类号 /LOT+SN No. 订单号 /LOT 批号 铸件毛坯计划及物料管理策略： 可销售，按订单生产。做为半成品时，以成品订单做为 需求来源进行计划跟踪。物料采用批次管理，以生产日期 + 产 品编码做为批次号和批次追溯依据，需要按批次跟踪生产进度。 模具管理及计划策略： 模具库存管理按批次 + 序列号管理。使用计划基于订单需 半成品周转架 生成周转卡二维码 记录架上产品信息 上线扫码 增加RFID标签赋值 下线读RFID标签 获取产品序列号 收回RFID卡，换成二维码标签 包装 扫产品二维码标签 生成外包装二维码 气密性检测 扫二维码记录报工 一工程（车一面） 车轮打点阵二维码及 产品码+序列号 二工程（车二面） 扫二维码报工 三工程（打孔） 扫二维码报工 三坐标检测 扫二维码记录报工 动平衡检测

以避免串 料） 产销 高效协同 ：订单特殊需求管理——库存环节 ASC 扣料：在 MES 条件下， ERP 物料自动扣料，根据倒冲信息，自动扣 ASC NO. 物料 ASC 完工入库：发动机启用序列号控制，通过序列号单独追溯，并且完工入库时会自动保留给 销 售订单 。 ASC 销 售 ：虽然系统已经保留给销 售订单， 但实际销 售 出库挑选实物时，需要告知仓库管理员 挑选准确的 ESN 。在销 售订单上应用客户化程 机） 通过移动设备 反馈配送信息 到系统 根据 BOM 用量与排产结 果按节拍自动配送 材料配送 生产执行 建立员工和加工中心 的关系，结合人力资 源系统，记录薪酬相 关信息 通过序列号实 现发动机身份 证管理 严格执行生产任务 •生产任务按照单台的生产任 务进行管理 •严格执行生产任务，保证任 务的完成。 •任务调整，需要有申请流程 保证 严格控制物料领用和配 送，按单执行 提升精益化管理水平：基于先进先出原则的批次 / 序列管理 业务关注点 1. 对于物料进行批次 / 序列号管理可以进行质量追溯，并且在库存管理进行领用消耗时可以 通过批次序列进行 FIFO 管理。 方案关注点 1. 前端采购业务执行的时候就在系统内记录序列号 / 批号，在后续业务中记录该号 2. 在生产过程中建立零部件和产品的关系，库存管理时通过批次序列记录 FIFO 关系 3. 产品在检验合格后完工入库时给予序列号，在后续的发货及售后服务中记录该号，在系统中记

2。混合模态生成，结合文本、图像、传感器数 据等多源输入，生成复杂的设计方案。如 CAD-MLLM3，实现从点云、 图像、草图和文本等多种模态条件生成 B-Rap，为后续的 3D 重建和 利用 CAD 模型的命令序列，基于大型语言模型将多模态输入数据与 CAD模型的矢量化表示之间的特征空间对齐，生成参数化CAD模型， 如图 3。 1 Guan Y , Wang X , Ming X ,et al.CAD-Coder: 技术实现方面，大、小模型技术路线并驾齐驱。大模型方面，大 模型可从大规模数据中学习复杂的模式和关系，理解更抽象的设计意 图并处理多模态输入，生成具有创新性的复杂几何结构。如 DeepCAD 利用Transformer从操作序列生成CAD模型，SketchGraphs16使用GNN 和 Transformer 分析几何关系并生成参数化 CAD。小模型方面，基于 规则和物理的小模型可以快速执行基于明确物理定律或几何约束的 从输入函数到输出函数的映射关系，可应用到高雷诺数湍流模拟参数 化几何流场预测。三是长短期记忆网络方法，可以捕捉时间序列依赖 关系，预测瞬态流场演化，典型应用包括涡街脱落周期预测非稳态流 动建模等。 结构仿真领域，利用卷积神经网络处理几何特征，循环神经网络 处理动态载荷序列或 Transformer 架构捕捉多参数间的长距离依赖。 通过对大量仿真方法（如有限元、边界元等）结果的学习，AI

机器学习：技术基于从原材料到成 品间生产各环节，提供打造一个进化 的，自我学习及数据驱动的模型。 3. 数据分享：系统提供对生产流 程各方面实时数据和历史数据可 视化解决方案。 平伟私有云 时间序列大数据 监控 分析 异常预警 无监督学习 生产过程优化 0 信息系统规划 ERP APS MES AGV 调度系统 仓储控制系统 AGV 设备 生产线调度系统 PLC 设备 机器人

时延和丢包计算，并在 网络边缘将染色报文还原成数据报文。 应用级 OAM 基于单个 UDP 或者 TCP 连接进行监控，监控单个 UDP/TCP 连 接的丢包、时延和抖动情况。设备利用报文中的序列号进行时延以及丢包计算， 且可上报给协同管控平台进行综合测算。 2.1.6 光感知与可视化 F5G-A 和 F5G 相比，新增了光感知与可视化 OSV 特征，支持光纤传感功能 及无源光纤网络的可视化功能，实现了通感融合。 Wi-Fi 信号用于非接触式感知（如室内定位、运动检测、呼吸频率检测等）成为研 究热点。未来 Wi-Fi 感知可从米级感知精度和分辨率提升上进一步探索： 1）匹配人体精细化特征的信号波形和序列设计，使得信号能反应人体特征的 细微变化； 2）多 MIMO（multiple-input multiple-output，多输入多输出技术）天线技术， 获取更多维的无线信道信息。准确率提升至 信号在传输过程中存在干扰、衰落、多径等效应， 从而限制了 Wi-Fi 传感识别的精度和准确率。当前持续提升 Wi-Fi 感知的精度和 准确率成为业界研究的热点。为提升 Wi-Fi 感知的精度，可通过匹配人体精细化 特征的信号波形和序列设计，使得信号能反应人体特征的细微变化；也可使用多 MIMO 天线技术获取更多维的无线信道信息；或采用更短波长的毫米波来实现感 知。为提升 Wi-Fi 感知准确率，可探索增强环境抗干扰技术以避免统计特征被干

应针对 企业的行业特点和生产流程，尽早引入能源转型管理系 统，不断向气候中和目标靠拢，实现能源转型。 园区能源需求的具体特征，以及不同类型能源需求（电 力、供暖、制冷和交通）的时间分辨率应根据时间序列 生成（例如每15分钟）。潜在的当地协同效应需要在这 一步骤中尽早确定。其目的是，通过部门耦合，以及对 需求侧特定负载情景的管理，在能源部门与终端用户部 住宅 0 % 50 % 100 % 个全年都需要热的过程要求的。由于办公大楼的比例很 高，该地区有大量的冷却需求。在商业区，电力需求的 季节性波动不太明显。由于商业流程导致的高绝对值和 特定的电力需求和所需电力尤为显著。图16显示了供 暖、制冷和电力需求的每小时时间序列。 62 本地能源特征 为了最大限度地减少能源进口，降低未来价格上涨的风 险，应推行高标准高要求的能源策略，即利用本地能源 来尽可能多地满足本地的能源需求。此外，与能源进口 相比，追踪本地能源的气候中和性更为容易（如不同来 6 4 2 0 – 2 – 4 – 6 – 8 01 02 03 04 05 06 07 08 09 10 11 12 热需求 冷需求 图17：全年供暖、制冷和供电需求的每小时时间序列 64 4 6 8 10 2 12 14 16 0 平均每小时的功率（单位：兆瓦） 01 02 03 04 05 06 07 08 09 10 11 12 光伏发电量 月

技术，可以动态选择最适合当前任务的专家模块，避免 全模型计算带来的资源浪费。例如，在产品外观检测任务中，MOE 技术能够 选择擅长图像分析的专家模块进行处理；而在设备运行状态监测中，处理时间 序列数据时，则选择对应的专家模块进行分析，从而提高任务处理的准确性和 效率。如图2.7 所示，MOE 技术通过路由器动态分配任务到不同的专家模块， 结合自注意力机制和归一化操作，能够在更少参数的情况下实现更高效的任务 和质量检查等预处理功能；再次是业务处理层，包含模型训练、在线推理、批 量预测等核心功能接口，配套模型版本管理、参数配置、性能监控等运维特性； 最后是结果处理层，提供标准化的数据返回格式和完善的状态码体系，支持多 种数据序列化方式和错误信息描述。在架构实现上，系统部署专业的 API 网关， 集成负载均衡、流量控制、熔断降级、监控告警等保障机制，确保接口服务的 高可用性。在开发支持方面，系统提供详尽的接口文档，包括接口说明、参数 工业大模型技术服务首先涵盖了数据管理与支持，这是所有模型功能的基 础。企业在构建大模型时需要处理复杂多样的数据来源，如传感器采集的实时 数据、历史生产记录以及多模态数据（包括文本、图像和时间序列数据）。技术 服务通过搭建高效的数据管道，帮助企业将这些数据标准化、清洗并集成到大 模型中。此外，为了确保数据隐私与安全，技术团队会采用加密存储、访问权 限控制等手段，使企业能够放心地使用数据驱动的模型服务。

2001年，园区启动二、三期开发 - 2004年，园区开发建设十周年，主要经济指标达到苏州市1993年的水平，相当于“十年再造一个新苏州” - 2006年，国务院常务会决定园区享受国家高新区政策、纳入国家高新区管理序列 - 2009年，园区开发建设十五周年，取得了地区生产总值、累计上交各种税收、实际利用外资折合人民币、 累计注册内资“四个超干亿”的发展成就 高质量发展阶段（ 2012-2022年 ） - 2

年，Google Brain（谷歌大脑）团队在 其论文《Attention Is All You Need》中创造性地提出 Transformer 架构，凭借注意力机 制，极大地改善了机器学习模型处理序列数据的能力，尤其是在自然语言处理（NLP） 领域。Transformer 架构的出现，为后续的大模型如 ChatGPT 等奠定了技术基础。 ChatGPT、Bert 等大模型通过海量数据和庞大的计算资源支持，使得模型具备了强大的