為什么我的作業效率和質量要比其他人要高，因為我的電腦里有代碼庫、產品庫、方案庫、自己作業經驗資料庫等，根據一個應用場景或需求能夠很快關聯到想要的資料，并且整合成新的方案，我的核心競爭力是什么？各種資料庫、匹配資料的邏輯和快速找資料的能力，
ChatGPT的核心是什么：資料（各種資料庫）、演算法（匹配資料的邏輯）、算力（快速找資料的能力），其實與我的個人競爭力是一致的，但是前提條件得有基礎資料，演算法和算力才能發揮到極致，
ChatGPT與工業領域結合應用，有些人是新瓶裝老酒，老問題試圖用新技術來解決，例如：工藝優化控制、質量提升、生產計劃優化和設備預測性維護等，我并不認為新技術出來就立刻能解決老問題，因為工業具有它的特殊性，
對于工業來講，一是沒有基礎資料，二是無法立刻解決老問題，這種情況下，ChatGPT如何與工業相結合呢！我就是ChatGPT、ChatGPT就是我，達到我即是佛，佛即是我的境界，我把日常作業記錄輸入給ChatGPT，把它培養成我的工業AI助手，是不是將來它會變得和我一樣強大，至少，我認為這是發展程序中可以選擇的路徑，
場景實驗程序：
1.ChatGPT您好，我叫唯笑志在，是一個工業生產企業設備方面工程師，我們的主要生產車間包括：回轉窯、水浸中和、萃取轉型、碳銨沉淀、鍋爐和環保等，我每天的主要職責是：巡檢各車間的設備、監測設備的主要引數、管理設備生命周期資訊等，總之是保障生產程序中的設備穩定運行，每天上班程序的資訊會在下班前告訴你，
ChatGPT回復：
2.ChatGPT您好，請記錄我今天的作業記錄，2023年6月1日，對電機一驅動端進行包絡分析，得出資料：轉頻=16.8Hz（轉頻=轉速/60）；轉頻16.8Hz對應幅值=0.3g（g重力加速度）； 16.8Hz的倍頻=[33.6Hz、50.4Hz、67.2Hz]（n*轉頻），通過資料分析得出結論：電機非驅動端時域波形輕微沖擊，頻譜中未見軸承可疑頻率，但呈現明顯轉頻及其豐富倍頻成分，說明軸承游隙增大或存在輕微配合松動，分析的頻譜如下圖：
ChatGPT回復：
3.ChatGPT您好，請記錄我今天的作業記錄，2023年6月5日，對電機一驅動端進行包絡分析，得出資料：轉頻=16.8Hz（轉頻=轉速/60）；轉頻16.8Hz對應幅值=0.39g（g重力加速度）；16.8Hz倍頻=[33.6Hz、50.4Hz、67.2Hz]（n*轉頻），通過資料分析得出結論：電機（靜輥）驅動端時域波形有輕微沖擊，幅值正常，頻譜中可見電動機轉子轉頻及其豐富諧波，懷疑軸承游隙增大或存在輕微配合松動，分析的頻譜如下圖：
ChatGPT回復：
4.ChatGPT您好，請記錄我今天的作業記錄，2023年6月6日，對靜輥驅動端軸承進行包絡分析，得出資料：轉頻=5Hz（對應軸承內圈故障特征頻率）；2倍頻10Hz對應幅值0.4g（g為重力加速度）；5Hz倍頻成分=[5Hz、10Hz、15Hz、20Hz]，通過資料分析得出結論：靜輥驅動端軸承時域波形有輕微的能量沖擊，幅值較小，頻譜可見5Hz頻率及其豐富倍頻成分，此頻率懷疑為軸承內圈故障特征頻率，相對于5月份整體幅值有一定程度下降，但特征頻率進一步向低頻段遷移，說明該測點軸承內圈損傷有一定程度劣化，分析的頻譜如下圖：
ChatGPT回復：
5.ChatGPT您好，今天電機資料分析結果：轉頻=16.1Hz；轉頻16.1Hz對應幅值=0.25g； 16.1Hz的倍頻=[33.8Hz、49.4Hz、65.2Hz]，通過資料分析可能得出來什么結論？
ChatGPT回復：
結論：問題的資料與作業記錄的資料差異較大，ChatGPT基本上是基于已有資料模型進行回答的，
6.ChatGPT您好，今天電機資料分析結果：轉頻=16.8Hz；轉頻16.8Hz對應幅值=0.3g； 16.8Hz的倍頻=[33.6Hz、50.4Hz、67.2Hz]，通過資料分析能得出來什么結論？
ChatGPT回復：
結論：問題的資料與作業記錄的資料基本一致，ChatGPT回復的內容符合作業記錄的描述，這樣就可以關聯出來以往作業經驗的知識，
7.ChatGPT您好，今天電機資料分析結果：轉頻=16.9Hz；轉頻16.9Hz對應幅值=0.3g； 16.9Hz的倍頻=[33.6Hz、50.4Hz、67.2Hz]，通過資料分析能得出來什么結論？
ChatGPT回復：
結論：問題的資料與作業記錄的資料有較小差異，ChatGPT回復的內容關聯了一部分作業記錄的經驗知識，
基于上面的實驗程序，隨著我作業記錄的越來越多、作業記錄內容越來越完善，ChatGPT的回復應該會越來越準確，
實驗程序參與人員：
王強（唯笑志在），場景和產品設計，15年的煤炭、電力、環保、鋼鐵等工業領域開發和管理經驗；自主開發iNeuOS工業互聯網作業系統，根據工業專案經驗結合工業互聯網理論和技術體系實作的一套開箱即用的工業應用系統，參與工信部工業互聯網專案建設，出版《物聯網軟體架構設計與實作》書籍，
范福林，設備狀態監測和故障診斷，三級國際振動分析師，10多年工程機械和風力發電機組狀態監測領域的開發和資料分析經驗，自主開發風電機組全狀態監測系統，擅長風電發電機組大部件的故障診斷，
李孟昌，大模型技術研究與應用，擁有10年以上的作業經驗，專注于數字供應鏈、數字物流、企業數字化和AIGC領域，參與過多家世界500強企業數字化體系建設，有成熟的SaaS數字供應鏈產品，致力于工業GPT大模型應用落地，擴充大模型的內容邊界，提高大模型可控性，簡化大模型在垂直領域的應用，
陳修忠，設備狀態監測和資料分析，多年工程機械和大型設備狀態監測領域的開發和資料分析經驗，
物聯網&大資料技術 QQ群：54256083
物聯網&大資料專案 QQ群：727664080
QQ：504547114
微信：wxzz0151
博客：https://www.cnblogs.com/lsjwq
微信公眾號：iNeuOS
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/555105.html
標籤：其他
上一篇：刻苦學習aws資料總結
下一篇：返回列表