首頁 > 資訊 > 財經(jīng) > 正文

萬物智聯(lián)∣瑞風(fēng)協(xié)同智能物聯(lián)平臺aiTSphere正式發(fā)布

2025-06-03 14:36:41來源：今日熱點網(wǎng)

當(dāng)前，工業(yè)智能化加速推進(jìn)

，傳統(tǒng)物聯(lián)網(wǎng)系統(tǒng)面臨數(shù)據(jù)價值挖掘不足、響應(yīng)延遲高

、決策依賴人工等核心挑戰(zhàn)

，亟需新一代技術(shù)架構(gòu)實現(xiàn)突破。

5月30日

，瑞風(fēng)協(xié)同正式發(fā)布智能物聯(lián)平臺aiTSphere。該平臺是基于公司旗艦產(chǎn)品“試驗測試集成軟件TAdapter”的AIoT全新智能升級

，深度融合人工智能(AI)與物聯(lián)網(wǎng)(IoT)技術(shù)

，通過嵌入大模型及智能算法，賦予物聯(lián)系統(tǒng)感知

、分析

、學(xué)習(xí)和自主決策能力

，為工業(yè)場景提供從數(shù)據(jù)采集到智能應(yīng)用的全鏈路閉環(huán)解決方案

。aiTSphere的推出標(biāo)志著工業(yè)物聯(lián)從“連接控制”向“智能決策”的關(guān)鍵轉(zhuǎn)變，為企業(yè)數(shù)智化升級提供堅實支撐

。

1 重構(gòu)工業(yè)物聯(lián)架構(gòu)：端邊云協(xié)同閉環(huán)智控

aiTSphere的核心架構(gòu)采用“端-邊-云”三級協(xié)同設(shè)計

，重構(gòu)工業(yè)數(shù)據(jù)處理與決策流程

。

設(shè)備層:

平臺兼容Modbus、OPC UA

、CAN

、BACnet等20余種工業(yè)協(xié)議

，支持接入振動傳感器（如PCB ICP-601A22）

、PLC（西門子S7-1200、三菱FX5U）

、工業(yè)相機(jī)

、RFID讀寫器等上千類設(shè)備

，實現(xiàn)溫度

、振動、圖像

、位置等多模態(tài)數(shù)據(jù)的全域采集

在邊緣側(cè)

輕量化AI模型以<50ms的延遲完成實時分析——例如通過FFT算法檢測設(shè)備異常振動

，或基于強(qiáng)化學(xué)習(xí)動態(tài)調(diào)整工藝參數(shù)，并可在斷網(wǎng)時執(zhí)行離線自治

，保障關(guān)鍵業(yè)務(wù)連續(xù)性。

在云端

MLOps平臺aiModel驅(qū)動預(yù)測模型持續(xù)進(jìn)化：通過數(shù)據(jù)預(yù)處理

、特征工程與自動化訓(xùn)練流程

，構(gòu)建高精度壽命預(yù)測模型；智能體平臺aiAgent結(jié)合RAG技術(shù)檢索知識庫

，生成設(shè)備維護(hù)建議；規(guī)則引擎則實現(xiàn)跨系統(tǒng)數(shù)據(jù)聚合與事件響應(yīng)

，例如關(guān)聯(lián)PLC狀態(tài)變化自動觸發(fā)固件升級

。

aiTSphere的分層智能體系使之具備主動決策能力。例如

，當(dāng)風(fēng)機(jī)軸承振動超閾值

，邊緣節(jié)點即時告警并聯(lián)動PLC降速

；當(dāng)生產(chǎn)工藝偏離最優(yōu)區(qū)間

，云端基于數(shù)字孿生仿真驗證調(diào)參方案并下發(fā)執(zhí)行，形成“感知-分析-決策-執(zhí)行”的完整閉環(huán)

。

2 突破技術(shù)邊界：四大引擎破解工業(yè)智能化瓶頸

平臺的核心能力由四大技術(shù)創(chuàng)新支撐

。

云訓(xùn)邊推，工業(yè)實時智控

通過云端MLOps平臺（aiModel）集中訓(xùn)練高精度模型

，經(jīng)輕量化壓縮后自動分發(fā)至邊緣節(jié)點執(zhí)行本地推理

；同時基于聯(lián)邦學(xué)習(xí)機(jī)制聚合邊緣數(shù)據(jù)更新云端模型參數(shù)。該架構(gòu)動態(tài)調(diào)度計算任務(wù)——將實時性要求高的分析（如設(shè)備異常檢測）下沉至邊緣

，復(fù)雜計算（如壽命預(yù)測）交由云端處理，從而在萬級設(shè)備并發(fā)場景下優(yōu)化算力資源配置

，實現(xiàn)延遲與成本平衡

。

聯(lián)邦學(xué)習(xí)與自適應(yīng)訓(xùn)練機(jī)制

基于云平臺aiModel的分布式訓(xùn)練能力，在數(shù)據(jù)不出域的前提下協(xié)調(diào)多個邊緣節(jié)點協(xié)作建?div id="jpandex" class="focus-wrap mb20 cf">！鞴?jié)點利用本地數(shù)據(jù)訓(xùn)練模型參數(shù)，云端僅聚合梯度更新全局模型

。同時通過在線學(xué)習(xí)機(jī)制實時吸收新數(shù)據(jù)流：邊緣節(jié)點持續(xù)上傳脫敏特征，云端動態(tài)優(yōu)化模型參數(shù)并下發(fā)增量更新

。

多模態(tài)智能感知融合技術(shù)

通過統(tǒng)一接入傳感器

、溫濕度探頭、工業(yè)相機(jī)等異構(gòu)設(shè)備

，對時序信號

、圖像流

、文本日志等原始數(shù)據(jù)實施時空對齊

，并基于邊緣計算節(jié)點執(zhí)行特征提取。該技術(shù)突破傳統(tǒng)單源數(shù)據(jù)局限——例如在設(shè)備健康監(jiān)測中

，同步關(guān)聯(lián)振動頻譜

、紅外溫度圖與運維日志，構(gòu)建多維故障特征向量

；在工藝優(yōu)化場景，融合傳感器讀數(shù)