“5G+工业互联网”助力工业园区加速新型工业化进程——以苏州工业园区的典型做法和有效实践为例

工业园区在新型工业化进程中对基础设施、创新应用提出了更高要求。现有工业园区网络架构层级割裂,随着园区内企业规模扩大、用户数量增多,网络规模和网络功能上的需求不断激增,网络部署和管理变得复杂。以5G为代表的新一代信息通信技术,融合现有工业互联网网络架构,逐步具备满足工业场景对无线网络的性能要求,不断催生新应用、新模式,释放出园区新型工业化创新发展活力。本文以苏州工业园区为例,总结“5G+工业互联网”在助力工业园区加速新型工业化进程中的典型做法和有效实践,为新型工业化产业示范基地的演进升级提供参考。     

工业互联网标准化工作现状与策略研究

工业互联网是典型的交叉融合领域,原有信息通信领域和工业领域的标准无法完全适用于工业互联网,为有效推进工业互联网有序发展,避免标准缺失、交叉、重复等问题,急需形成统筹协作、目标明确、高效高质的标准化工作平台环境,加快相关标准研制,推进工业互联网有序发展。     

2023年“5G+工业互联网”趋势 产业生态持续完善，助力应用拓展

<正>工业互联网作为传统产业数字化转型的关键路径，不断推动工业领域降本、提质、增效。而5G聚合人工智能、云计算、大数据等技术，加速与工业场景融合，助力工业无线领域创新发展。5G与工业互联网的融合创新将推动产业向数字化、网络化、智能化方向演进，加速中国新型工业化进程。展望2023年，“5G+工业互联网”将在技术标准、基础设施、终端产品、产业生态、融合应用等方面持续发力，向更广范围、更深程度、更高水平迈进。     

国际5G专网应用发展态势

<正>5G技术作为行业数字化转型的重要驱动力，通过eMBB、URLLC和m MTC三大应用场景促进信息技术与运营技术整合，提高行业生产力和运营效率。5G专网既可以利用5G技术满足工业领域的性能要求，又可通过自建网络保障安全并控制数据，因此成为各国关注的重要领域。近期一些国家和地区正在采取各项举措加快引入5G专网，     

工业5G终端设备的技术、应用及产业发展

<正>2019年6月,5G商用牌照正式发放,标志着我国进入5G商用元年。与此同时,工业制造也加速向数字化、网络化、智能化转型,产业界推进5G与工业互联网融合的积极性不断提升,截至2023年11月全国“5G+工业互联网”项目已达到8000个。随着5G技术进步和应用领域的不断拓展,目前我国“5G+工业互联网”已经进入应用规模化、产业深度融合的重要发展阶段。近日,国务院印发《推动大规模设备更新和消费品以旧换新行动方案》,     

5G在工业互联网领域的应用进展

"5G+工业互联网"已成为产业界探索的重要方向,但仍存在工业企业对5G能发挥的作用、与工业融合落地方式及发展趋势认识不足的问题。首先剖析了5G技术赋能工业企业数字化转型的作用,其次从建网模式、5G+MEC、融合终端、融合应用等方面总结了"5G+工业互联网"阶段性发展经验,最后展望5G技术及标准化趋势,并提出5G与工业互联网融合创新是产业发展的必然趋势,需要产业界持续探索和推进。     

基于EMD和支持向量机的滚动轴承故障诊断研究

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,提高诊断准确率,进行了经验模态分解(EMD)和支持向量机(SVM)的研究,给出了相应的决策流程。基于改进的EMD分解的特征提取算法,选取故障特征明显的IMF分量进行特征提取,最大限度地滤除了低频噪声干扰,捕捉到信号的故障特征,然后将特征集输入到SVM分类器中进行识别,结果表明:该方法对于轴承故障识别具有较高的准确率,为确保轴承安全运行和快速故障诊断提供了理论支持。     

工业互联网网络关键技术与发展研究

近年来，工业互联网快速发展，成为促进产业数字化转型的重要途径。为充分发挥工业互联网人、机、物、企业全面互联的作用，工业自动化系统、通信网络、新一代信息技术之间要深度融合，打造既满足可靠、稳定、安全基本要求，同时又更加开放、更加弹性、更加多样的工业互联网网络。讨论了服务于生产制造的工业互联网网络的内涵，介绍了相关关键技术、适用场景及主要研究成果，总结分析了该领域的研究发展趋势，并提出进一步建设部署工业互联网网络的建议。     

国际5G专网发展情况洞察分析

<正>当前，全球5G行业应用处于活跃探索期，包括制造业、石油和天然气、采矿、能源及公共事业在内的众多行业都投入大量资金用于部署5G行业应用；自动导引车(AGV)、无线超高清摄像头、机器控制系统、协作/云机器人和远程资产监控等IIo T用例，对高可靠、低时延以及更高带宽的需求不断增长，将极大促进5G行业应用市场的发展。     

基于改进EMD和数据分箱的轴承内圈故障特征提取方法

为解决直驱风力发电机主轴后轴承内圈轻微损伤故障诊断问题,针对实际工程中振动信号的复杂特性,提出一种基于改进经验模态分解(empirical mode decomposition, EMD)和数据分箱的特征提取算法。将信号进行改进经验模态分解,得到一系列平稳的本征模函数(intrinsic mode function, IMF)。对分解后的信号提取均值、方差等幅域参数特征,并根据参数有效性选择部分参数组成特征矩阵。选用等宽分箱方法,用箱内数据均值代替箱体数据,将特征矩阵进行平滑处理。经验证,该方法能准确提取实际工程信号中的有效特征,并从特征选择的角度较好解决了分类器代价敏感问题,减少了机器学习模型的过拟合现象。