广东电网公司助力工业机器人制造业提速

▲采用5G-A技术后业务帧级时延收敛到20ms以内注：广东公司工业5G-A（5G-Advanced）也就是大家常说的5.5G，广东公司工业从3GPPRelease18标准开始，重心逐渐从智能手机连接通信转到提升eMBB性能、普及XR等沉浸式新业务、满足行业大规模数字化、实现万物智联等方向。

深度学习是机器学习中神经网络算法的扩展，电网它是机器学习的第二个阶段--深层学习，深度学习中的多层感知机可以弥补浅层学习的不足。2018年，助力造业在nature正刊上发表了一篇题为机器学习在分子以及材料科学中的应用的综述性文章[1]。

首先，机器构建带有属性标注的材料片段模型（PLMF）：将材料的晶体结构分解为相互关联的拓扑片段，表示结构的连通性。一旦建立了该特征，人制该工作流程就可以量化具有统计显着性和纳米级分辨率的效应。此外，提速随着机器学习的不断发展，深度学习的概念也时常出现在我们身边。

Ceder教授指出，广东公司工业可以借鉴遗传科学的方法，广东公司工业就像DNA碱基对编码蛋白质等各种生物材料一样，用材料基因组编码各种化合物，而实现这一编码的工具便是计算机的数据挖掘及机器学习算法等。此外，电网作者利用高斯拟合定量化磁滞转变曲线的幅度，电网结合机器学习确定了峰/谷c/a/c/a - a1/a2/a1/a2域边界上的铁弹性增加的特征（图3-10），而这一特征是人为无法发掘的。

那么在保证模型质量的前提下，助力造业建立一个精确的小数据分析模型是目前研究者应该关注的问题，助力造业目前已有部分研究人员建立了小数据模型[10,11]，但精度以及普适性仍需进一步优化验证。

图3-1机器学习流程图图3-2 数据集分类图图3-3                       图3-3 带隙能与电离势关系图图3-4 模型预测数据与计算数据的对比曲线2018年Zong[5]等人采用随机森林算法以及回归模型，机器来研究超导体的临界温度。i-l)通过有限元仿真预估的不同变刚度层厚度对驱动器加热、人制冷却效率的影响。

一种解决思路是在驱动器结构中加入温敏变刚度材料，提速在低模量状态下进行驱动，而在高模量状态下负载。广东公司工业文章介绍了一种快速响应变刚度(FRST)软体驱动器的设计和制造方法。

【成果简介】为了解决这一挑战，电网新加坡科技设计大学(SingaporeUniversityofTechnologyandDesign-SUTD)葛锜助理教授（共同通讯作者）、电网章圆方博士（共同第一作者）和上海交通大学谷国迎教授（共同通讯作者）、博士研究生张宁斌（共同第一作者）在AdvancedFunctionalMaterials上发表了一篇题为Fast-Response,Stiffness-TunableSoftActuatorbyHybridMultimaterial3DPrinting的文章。助力造业c-d)加热电路通不同电流时变刚度层温度随时间和输入能量变化的对比。