草庐IT

湃方科技联合CnosDB助力旋转类机械预测性维护

在传统设备运维工作中,故障何时发生、何时劣化是无法预知及预测的。随着智能化升级改造走进传统行业,工业设备的运维也必然将由“预防”走向“预测”,设备的健康状态及运行情况将会得到随时随地的实时监测,使检修变得有据可依,有理可循。 现代工业生产正朝着大型化、高速化、智能化的方向奋勇前进,在生产率和智能化程度逐步提高的同时,各大厂商对机械设备的安全性和可靠性要求也越来越高,尤其是一些大型旋转机械设备,比如电动机、风机组、液压泵站等。他们已经成为了现代大规模生产装置的关键设备,要求长周期连续运行,一旦故障停机可能造成重大经济损失,甚至导致重大安全事故的发生。事实上,工业设备的重大故障并不是突然发生,而是

使用 CnosDB 与 TensorFlow 进行时间序列预测

一、从三体运动到太阳黑子变化预测1、前言太阳黑子是太阳光球层上发生的太阳活动现象,通常成群出现。预测太阳黑子变化是空间气象研究中最活跃的领域之一。太阳黑子观测持续时间很长。长时间的数据积累有利于挖掘太阳黑子变化的规律。长期观测显示,太阳黑子数及面积变化呈现出明显的周期性,且周期呈现不规则性,大致范围在9~13a,平均周期约为11a,太阳黑子数及面积变化的峰值不恒定。最新数据显示,近些年来太阳黑子数和面积有明显的下降趋势。鉴于太阳黑子活动强烈程度对地球有着深刻的影响,因此探测太阳黑子活动就显得尤为重要。基于物理学模型(如动力模型)和统计学模型(如自回归滑动平均)已被广泛应用于探测太阳黑子活动。为

使用 CnosDB 与 TensorFlow 进行时间序列预测

一、从三体运动到太阳黑子变化预测1、前言太阳黑子是太阳光球层上发生的太阳活动现象,通常成群出现。预测太阳黑子变化是空间气象研究中最活跃的领域之一。太阳黑子观测持续时间很长。长时间的数据积累有利于挖掘太阳黑子变化的规律。长期观测显示,太阳黑子数及面积变化呈现出明显的周期性,且周期呈现不规则性,大致范围在9~13a,平均周期约为11a,太阳黑子数及面积变化的峰值不恒定。最新数据显示,近些年来太阳黑子数和面积有明显的下降趋势。鉴于太阳黑子活动强烈程度对地球有着深刻的影响,因此探测太阳黑子活动就显得尤为重要。基于物理学模型(如动力模型)和统计学模型(如自回归滑动平均)已被广泛应用于探测太阳黑子活动。为