技术资料

📋 核心摘要 知识蒸馏的本质，是让一个已经训练好的大模型（教师）把它输出的概率分布——也就是软标签和类别之间的相似关系——转移给一个体积小得多的小模型（学生）。小模型跟着教师的软标签学，而不是只背硬标签，就能在参数规模压缩约一个数量级的同时保住大部分精度。本文给出蒸馏的四个边界条件、温度软化与KL散…

📋 核心摘要 目标检测只给起重机一个边界框，告诉你“这里有个物体”；语义分割更进一步，把画面里每一个像素都归到具体类别，告诉你“吊物占哪些像素、人站进了哪块区域”。对以安全监控为核心诉求的起重机视觉系统，这种像素级认知能把“框住物体”升级为“认准边界”，直接服务于危险区域入侵判定与越界检测。本文从安…

📋 核心摘要 天车自动抓取吊物，靠的不是找到物体在哪，而是精确知道它的三维坐标和朝向。二维目标检测只给出一个框，有位置没朝向、有像素没尺度，抓取自然对不准。6D位姿估计补上缺失的三个自由度，同时输出XYZ平移和翻滚、俯仰、偏航三轴旋转。本文用一个抓取偏差的真实排查案例，讲清二维检测为什么会抓偏、6D…

📋 核心摘要 起重机智能化改造中，振动、电流、温度、编码器、图像等多路传感器各自独立采集、各自打时间戳。若不先做时钟同步，同一时刻的振动尖峰与电流冲击会被错开到不同时间点，融合算法把”同时发生”误判成”先后发生”，轻则特征错位，重则误报漏报。时钟同步不…

📋 核心摘要 时序预测是起重机预测性维护的核心能力：让模型从振动、电流、温度等历史序列中捕捉退化趋势，在故障发生前给出预警窗口。本文围绕LSTM与Transformer两条主流路线展开，先讲清输入序列的边界条件，再推导两者的核心公式，最后给出一个振动序列的校核算例，从计算复杂度与部署成本两个维度给出…

📋 核心摘要 起重机AI的上限往往不在算法，而在喂给它的数据。传感器抖动带来噪声、采样丢包造成缺失、尖峰野值形成异常值、人工误标污染监督信号，四类脏数据会把模型直接带偏。本文按故障排查的思路，讲清四类脏数据怎么识别、怎么一步步毁掉模型、数据为什么天生就脏，以及清洗落地的四步闭环。数据不干净，再强的模…

📋 核心摘要 起重机的部件不是孤立的，电机连着减速器、减速器连着卷筒，它们的关系本身就有诊断价值。图神经网络把部件当节点、把传动关系当边，让AI在设备结构上推理。本文讲清图神经网络怎么把设备画成图、怎么利用关系建模，以及它在工业里还处在什么阶段。 想象把一台天车拆开：电机、减速器、制动器、卷筒、钢丝…

📋 核心摘要 现在的起重机AI能告诉你“这是什么故障”，却说不清“为什么发生”。因为AI学到的是相关，不是因果——它知道两个现象常常一起出现，不知道谁导致了谁。因果推理想补上的正是这一层。本文讲清相关和因果的差别、因果图怎么建，以及因果推理在工业里的落地边界。 一台天车的AI系统报“起升电机温升异常…

📋 核心摘要 起重机群调度正在从”中心统一发号施令”走向”每台自主决策、彼此协商”。多智能体协同把每台起重机变成能自主决策的智能体，靠协商消冲突，带来可扩展性和鲁棒性。本文讲清集中调度和分布式决策的差异、协商机制，以及多智能体协同的下一站在哪。 📌 两…

📋 核心摘要 一个反常识的思路：训练AI缺缺陷样本，不一定非得等现场出现缺陷，可以用生成式方法“造”出来。GAN、扩散模型、物理仿真能把罕见缺陷合成出来补数据。但合成数据和真实数据有域差距，本文讲清三种生成方法、域差距怎么处理，以及生成式数据仿真的落地边界。 训练起重机AI检测，最缺的是缺陷样本，尤…