数实深度融合推动新型工业化的战略重点、战略任务与路径选择

数实深度融合推动新型工业化是通过数实融合为实体经济提供技术支持、内需支持、政策创新支持来实现新型工业化。在中国数字经济发展的新阶段数实深度融合推动我国新型工业化的战略重点在于以数实深度融合创新力提高实体经济的产业基础能力,以数实深度融合培育实体经济产业链的现代化水平,以产业价值链整体水平提高完善新型工业化的价值链支撑,消除数实深度融合区域差异弥合制约新型工业化的数字鸿沟,以数实深度融合制度体系的完善构建新型工业化的制度基础。在数字经济新发展阶段中数实深度融合推动新型工业化的战略任务在于以数实深度融合培育实体经济的新动能和新优势,培育创新型人才优化数实深度融合推动新型工业化的人才链,以企业的数字化转型培育数实深度融合推动新型工业化的微观主体,以服务业的数字化转型构建数实深度融合推动新型工业化的服务体系。在我国数字经济新发展阶段数实深度融合推动新型工业化的路径选择在于:以产业数字化和数字产业化的结合、供给侧结构性改革、消费转型升级和数字基础设施建设深化数实融合,进而推动新型工业化。

数实深度融合与新质生产力交互的逻辑机理、战略价值与实践路径

随着科技革命步伐加快,数实深度融合与新质生产力发展已成为中国经济结构转型升级的驱动力。数实深度融合与新质生产力发展具有内在一致性,其表现为相互促进的辩证统一关系。两者双向交互的逻辑机理在于数实深度融合是推动新质生产力发展的根本载体,新质生产力发展是加快数实深度融合的核心动能;战略价值在于应对百年未有之大变局下转型发展的迫切需求、科技强国方针下推动新兴产业发展的必然选择、制造强国建设下实现新型工业化的必由之路、乡村振兴战略下推进城乡协调发展的客观要求。指出存在新型基础设施体系建设滞后、数字技术不具备核心竞争力、城乡区域之间发展不协调、数据与技术治理体制尚不健全等现实困境。提出应当构建现代化基础设施体系、建立城乡协调发展的机制、实现高水平科技自立自强、健全数据与技术治理体制等实践路径。

数实深度融合、新质生产力与经济高质量增长

选取2010—2022年中国30个省级面板数据,运用固定效应模型探究数实深度融合对经济高质量增长的影响,并运用中介效应模型分析新质生产力在二者间的传导作用。结果表明,数实深度融合对经济高质量增长具有显著促进作用。机制检验发现,新质生产力在数实深度融合对经济高质量增长的促进作用中发挥正向中介作用。异质性分析结果显示,数实深度融合对我国2015—2022年区间、东部地区经济高质量增长的促进作用更强。门槛效应分析结果表明,数实深度融合对经济高质量增长的影响存在单一门槛效应,只有当数实深度融合发展达到一定程度时,才会对经济高质量增长产生促进作用。

智能化综采工作面实时虚拟监测方法与关键技术

针对数字化综采工作面的场景构建、虚实交互通道和虚拟模型驱动三大基础问题,提出一种面向智能化综采工作面的实时虚拟监测方法,对高可信度煤层装备联合虚拟仿真与协同规划、实时可靠信息获取与“虚实融合”通道构建技术和虚实融合与感知一致性呈现等方法进行研究,具体包括:①基于Unity3D开发特点和模型所需特性,分别完成了三机装备数字模型和煤层顶底板模型的构建,将虚拟装备布置在虚拟煤层中,实现各装备之间的虚拟协同以及装备与煤层之间的关系构建,完成了虚拟煤层环境下的装备协同推进仿真并对装备群协同运行进行虚拟规划,实现了高仿真度综采虚拟场景的构建;②在装备反映位姿信息的关键位置上布置传感器,通过一系列接口和通道,构建Unity3D与组态软件、数据库和计算软件之间的信息交互。采用分布式协同的驱动模式,优化了数据的传输处理,最终将综采装备的实时运行数据导入虚拟平台,驱动虚拟设备运行,实现了稳定可靠的传感信息协同与调度;③构架了复杂综采虚拟场景实时驱动框架,研究了基于底层模型驱动虚拟单机关键技术,提出了采运装备协同仿真与实时数据驱动的方法、采煤机自动调高方法、刮板输送机和支架协同仿真与实时数据驱动方法、虚拟液压支架群的虚拟驱动方法以及动态透明工作面时空运动学实时分析方法,接着进行了虚拟监测界面设计,实现了传感数据与虚拟仿真运行信息高精度融合。最后在实验室综采成套试验系统和样机试验平台上分别完成了相关试验,验证了三大模块联合运行的正确性和可靠性。试验表明,VR监测系统运行清晰流畅,虚实映射状态同步,可切换性好,呈现信息准确,后台数据库压力也较小,可以完成预期目标。在仿真运行中可实时提取出各装备与煤层运行的相关参数,完成高可靠性虚拟规划。

基于多特征融合解码器的矿物实时分割

针对矿石显微图像数量多及语义分割参数量大的问题,提出一种多特征融合的解码器结构,结合轻量化Res Net-34搭建图像语义分割网络MA-net,该网络在反复编码和解码过程中,融合多个阶段的特征图,使网络在运行过程中不断有细节信息进行补充,保证模型在少量参数的情况下仍具有较强特征表示能力,在多个数据集上与其它经典U型网络进行比较,验证了该网络大幅减少参数的同时在大目标分割任务上有可比的准确性。