把现金流维系放在企业管理的重要位置

在“现金为王”时代,建筑企业必须充分认识现金流管理的价值,确立其在管理中的战略地位,要将现金流维系与利润管理放在同等重要位置,作为评估运营成果的标准,以防范资金链断裂风险,从而提升财务管理质量,实现企业持续健康发展。本文剖析了影响现金流维系的多种因素,并提出化解现金流风险的相应对策措施。     

挡风玻璃花点缺陷智能检测技术研究

花点图案是由许多小黑点密集排列形成的点阵图案，它均匀分布在汽车挡风玻璃的四周。花点在丝网印刷和烧结过程中可能出现黏连、残缺与缺失等缺陷。采用人工进行花点缺陷的检测容易误检和漏检，且检测数据不易统计和分析。为了解决该问题，提出采用机器视觉技术来提取黑边花点轮廓作为相机移动轨迹；然后用PLC控制2台相机的移动来分段采集4条黑边的花点图案，以便获得微小花点的清晰图像；最后采用YOLOv5s算法来实现花点缺陷类型和位置的在线检测。文中通过对不同算法检测结果的比较，验证了YOLOv5s算法在花点缺陷检测方面的优越性和鲁棒性。     

基于ICEEMDAN-CNN-K-shape的智慧园区短期负荷预测研究

在“双碳”背景下，针对海量用户负荷预测场景，目前智慧园区用能存在受多重外界因素影响，人工调整参数和使用单一模型无法实现精确的负荷预测。因此，提出了一种基于改进的带有自适应噪声完备集合经验模态分解(ICEEMDAN)结合卷积神经网络(CNN)结合K-shape的智慧园区短期负荷预测方法。首先，基于改进的带有自适应噪声完备集合经验模态分解法将初始用能数据分解为若干分量，将负荷序列的特征在多尺度上剥离开，以减少负荷序列的复杂性。而后，使用卷积神经网络算法将分解后的数据进行特征提取，提取相似日不同时间段下智慧园区负荷特征曲线。最后，基于K-shape聚类筛选相似日历史负荷作为卷积神经网络的输入向量进行智慧园区短期负荷预测。以浙江省某智慧园区用能数据为例，将所提方法应用于典型的智慧园区，并与已有聚类评价指标比较，实验结果表明，所提方法能够很好地解决智慧园区短期负荷预测问题。