关键词： 智能制造   PLC触摸屏   伺服一体化系统集成   生产效率   产品质量  

摘要： 随着智能制造技术的广泛应用,PLC触摸屏伺服一体化系统集成方法对改善生产效率和产品质量具有重要的作用。本研究专注于深入探讨和解决PLC和伺服控制系统的集成问题,研究了多种PLC触摸屏和伺服控制一体化系统集成方法,并提出了一种基于现有工业通信标准的系统集成方案。这种方案将PLC控制系统与伺服控制系统完全集成,从而实现了PLC触摸屏与伺服控制系统的高效、灵活、稳定的控制。通过实验验证,所提方案成功实现了高性能伺服控制,优化了生产流程,显著提高了生产效率和产品质量。此研究的成果可为智能制造领域的PLC触摸屏伺服一体化系统的集成提供参考,对智能制造领域的研发和应用具有重要的推动作用。

关键词： 人工智能   隧道机电设备管理   实时监测   故障预测  

摘要： 随着全国高速公路网络的扩展,隧道里程数持续增长,截至2024年底,全国高速公路隧道总里程已突破3023.18万延米。传统的人工巡检和管理模式难以满足日益复杂的隧道运营需求,特别是在偏远或环境恶劣条件下,确保机电设备的安全稳定运行成为亟待解决的问题。本研究设计并应用基于人工智能的高速公路隧道机电设备管理系统,以提高管理效率、降低运营成本,并实现智能化交通管理。研究表明,基于人工智能的隧道机电设备管理系统能够显著提升隧道运营的安全性和效率,同时有效降低能源消耗和维护成本。

关键词： 致密油储层   机器学习   LightGBM算法   SHAP算法   孔隙度预测  

摘要： 为了准确高效地表征致密油储层孔隙度的空间分布特征，同时对机器学习模型的可解释性进行评价，采用Z-Score方法对特征属性进行归一化处理，并应用Optuna超参数优化框架对模型的超参数进行调优，建立了一种基于LightGBM算法的孔隙度预测模型，与GBDT和XGBoost算法模型进行了预测效果的综合对比，并利用SHAP算法对LightGBM模型的输出结果进行了可视化解释分析。研究结果表明：LightGBM模型在训练数据集和测试数据集上的预测决定系数分别为0.984和0.855，模型预测准确度高、泛化能力强，综合预测效果好于GBDT和XGBoost模型。应用SHAP算法对LightGBM模型结果的可解释性进行分析，结果表明，影响LightGBM孔隙度预测模型最重要的5项测井参数为密度、阵列感应电阻率、自然伽马、声波时差和光电吸收截面指数。在研究区某单井X致密层段孔隙度的预测实例中，LightGBM模型预测准确度达到93.9%，分别高于GBDT和XGBoost模型的预测准确度86.53%和89.08%；训练时长为0.016 s，分别为GBDT和XGBoost模型训练时长的0.096倍和0.025倍；预测时长为0.01 s，分别为GBDT和XGBoost模型预测时长的0.42倍和0.19倍；LightGBM模型的预测效率相对GBDT和XGBoost模型具有明显优势，其在取心井段上对孔隙度的预测误差更小，预测能力更强，且能更好地拟合低值孔隙度。该方法的应用不仅解决了单井致密层段获取完整准确孔隙度分布的难题，而且提高了孔隙度预测的精度和效率，对致密油储层的评价及高效勘探开发具有一定的参考价值。

关键词： 废玻璃粉混凝土   抗压强度   机器学习   粒子群优化算法   可视化  

摘要： 废玻璃粉混凝土（WGPC）的应用和推广能够有效缓解混凝土材料短缺的压力以及环境污染的问题。抗压强度（CS）是评价废玻璃粉混凝土性能的重要指标，与传统的测试方法相比，机器学习技术基于准确性和稳定性的特点，能够有效预测混凝土的抗压强度，尤其是在探究混凝土长期力学性能方面优势显著。本研究利用多元线性回归（MLR）、反向传播神经网络（BPNN）、支持向量机回归（SVR）和随机森林回归（RFR）4种模型对废玻璃粉混凝土的抗压强度进行预测，并结合粒子群优化算法和交叉验证的方法调整模型的参数设置，以达到模型预测的最佳效果。结果表明，优化后的模型精度普遍比基础模型高，其中PSO-RFR模型在测试集上表现最佳，拟合优度R2=0.9231，MAE=2.1073，RMSE=3.6903，与试验结果对比，PSO-RFR模型和PSO-BPNN模型展现出良好的预测效果，且PSO-BPNN模型中训练集和测试集的拟合优度R2最为接近，体现了PSO-BPNN模型对未知数据的最佳泛化能力。本研究为混凝土抗压强度预测提供了有效方法，有助于推动混凝土材料领域的可持续发展，为混凝土材料的研发和应用提供理论支持。

关键词： 共同富裕   人工智能   中国式现代化   数字命运共同体  

摘要： 在人工智能时代如何走好共同富裕的数字之路具有理论意义和实践价值。人工智能时代共同富裕的核心要义应考虑到生产维度、分配维度和融贯维度。人工智能时代共同富裕包含物质和精神两大维度。数字技术推动共同富裕发展的理论基础在于技术的进步与异己力量理论和马克思主义分配正义理论。人工智能时代共同富裕具有数字化驱动、普惠共享与可持续发展三个本质特征。在人工智能时代物质共同富裕维度,对收入分配、就业创业、公共服务、普惠金融与完善第三次分配等领域提出运行方案;在人工智能时代精神共同富裕维度,树立正确数字技术观、以社会主义核心价值观夯实精神共同富裕的文化基础。与之相对应的,应构建数字产权保护、平台经济监管、数据安全与隐私保护、完善第三次分配等物质共同富裕保障体系;从全面评估、数字法治文化、入宪入法和政治保障四个角度建设精神共同富裕保障体系。在人工智能时代推进共同富裕从特征、机制到理念,形成了一个逻辑闭合的整体。可以预见的是,在人工智能时代发展共同富裕不仅是中国式数字现代化的重要贡献,也将是全人类愿意共同推进的事业。

关键词： 人工智能   知识服务   新质生产力   产业升级   决策智能  

摘要： 在中国式现代化高质量发展背景下，新质生产力成为知识服务产业变革的核心驱动力。本研究聚焦知识服务与新质生产力的双向赋能机制，旨在优化跨学科知识关联，推动科研服务模式转型升级。通过理论整合与创新，构建机理模型，设计场景驱动的知识服务共享平台。研究发现，新质生产力驱动数据创新，促进决策优化，是提升产业要素生产率、促进新业态涌现的关键，其培育需注重技术突破、要素配置与产业升级的协同。知识服务应聚焦复杂系统思维，构建高级决策智能体系，加速新质生产力发展，推动产业高质量跃升。

关键词： 新闻传播   人工智能   积极影响   消极影响   应用策略  

摘要： 随着人工智能技术的飞速发展,其在新闻传播中的应用日益广泛,深刻改变了新闻的生产、分发、消费方式,重塑了新闻行业的生态格局.新闻传播作为连接社会、传递信息的重要桥梁,其效率和准确性直接关系到公众的道德素养和社会的稳定.传统新闻生产流程依赖于人工采集、编写、审核,不仅耗时费力,而且易受人为因素的干扰,影响新闻的时效性与客观性.随着人工智能的引入,自然语言处理、机器学习、数据挖掘等技术的应用,为新闻传播的智能化提供了可能,大幅提升了新闻生产效率和准确性.基于此,本文首先分析人工智能对新闻传播的积极影响和消极影响,进而探讨新闻传播领域人工智能的应用策略,以期为受众提供更多高质量的新闻信息服务.

关键词： 订单取消   平台运营   先预测再优化   机器学习   共享出行平台  

摘要： 为减少网约共享出行系统中乘客高频取消订单现象,进一步提升平台运营效率,从数据驱动的角度出发,在先预测-再优化的理论研究框架下,本文将数据科学中的预测方法与运筹优化方法相结合,对网约共享出行系统中考虑乘客订单取消的平台派单复杂问题进行分析.研究发现:(i)先预测再优化的研究框架可有效将考虑乘客订单取消的平台派单优化问题简化为线性规划模型,这极大的提高了模型的可解性,降低了理论分析难度;(ii)结合真实数据,机器学习模型可有效预测乘客是否取消订单,这避免了对乘客决策过程进行数学建模所带来的假设的局限性;(iii)相较于不考虑乘客订单取消行为的派单模型,本文提出的模型可以有效提高网约共享出行平台的收益.数值实验表明:随着供求比(司机/乘客)的增大,考虑乘客订单取消行为的派单策略与不考虑乘客订单取消行为的派单策略的解逐渐接近;相较于短出行距离与长出行距离的订单,中等出行距离的订单对平台收益的贡献更显著;相较于成本优先和利润优先策略,考虑乘客订单取消行为的派单策略会取得更高的收益,且可有效降低乘客总等待时间,等.本文针对考虑乘客取消订单行为的共享出行派单优化问题,给出了建模思路和求解方法,为出行平台派单策略改进提供理论参考.

关键词： 生成式人工智能   社交媒体   舆论操纵   机器学习   特征识别  

摘要： [目的/意义]探索社交媒体中生成式AI的舆论操纵特征，有利于及时发现恶意的信息操纵行为，进而维护网络生态安全。[方法/过程]首先，结合生成式AI在社交媒体中的应用现状和潜在风险，基于基础特征、社交互动和发布内容属性，创建基于XGBoost和SVM的生成式AI三阶段判别模型；其次，提取社交平台中可能引发舆论操纵的属性维度，使用主成分分析（PCA）方法对生成式AI的舆论操纵强度进行量化；最后，采用LightGBM模型评估生成式AI舆论操纵维度的操纵力，对比不同维度间的相关性和因果性，通过聚类划分生成式AI的舆论操纵类型。[结果/结论]以新浪微博平台为例进行实证分析，基于XGBoost和SVM模型判别生成式AI的准确率为91.6%和90.5%。结合LightGBM筛选出情感偏激等6个核心操纵维度，以情感、信息和认知为主体划分“情感驱动型”“信息封闭型”和“认知干扰型”三种舆论操纵类型，并针对不同类型的舆论操纵提出应对策略。

关键词： 糖尿病   危险因素   风险评估   预测模型   机器学习  

摘要： 目的 了解成都地区体检人群中的糖尿病检出情况及影响因素，并采用机器学习方法探究健康体检人群中糖尿病的预测因素，并对比不同机器学习算法的预测效能的差异。方法 选取2019年1月至2021年12月在成都市温江区人民医院健康管理中心进行体检的25 064例人员作为研究对象。收集了性别、年龄、婚姻状况、文化程度、工作状态、是否患高血压，是否有血脂异常、是否有超重或肥胖、是否有糖尿病家族史、是否吸烟、是否久坐和是否近期遭遇重大意外困扰等资料进行分析。采用4种机器学习方法（随机森林、XGboost、LASSO、Logistic回归）构建预测模型识别糖尿病与无糖尿病人群，采用AUC、准确度、灵敏度和特异度对模型进行评价。并基于Logistic回归算法构建的预测模型绘制Nomogram图。结果 25 064例健康体检者中，共检出1 117人患糖尿病，检出率为4.5%。男性（OR=1.833,95%CI:1.416～2.379）、40～59岁（OR=3.200,95%CI:2.315～4.467）、60～79岁（OR=10.044,95%CI:6.451～15.796）、≥80岁（OR=11.201,95%CI:6.041～21.195）、有配偶（OR=2.743,95%CI:1.837～4.149）、有糖尿病家族史（OR=3.117,95%CI:2.396～4.070）、血脂异常（OR=1.813,95%CI:1.212～2.743）、高血压（OR=2.954,95%CI:2.281～3.838）是糖尿病发生的危险因素（P均<0.05）。基于随机森林、XGboost、LASSO、Logistic回归构建的糖尿病风险预测模型的AUC值分别为0.862、0.854、0.844和0.827。结论 基于性别、年龄、婚姻状况、糖尿病家族史、血脂异常和高血压等变量构建的4种机器学习模型（随机森林、XGBoost、LASSO和Logistic回归）对糖尿病的风险预测具有良好效果，其中随机森林模型表现最佳。该模型可协助医护人员早期、准确识别糖尿病的发生风险，从而及时采取干预措施。