业务材料——半导体行业MES系统核心功能工业协议AI赋能

一、前置概念

半导体行业

半导体行业主要生产基于半导体材料（如硅、锗、化合物半导体等）的电子元器件及相关产品，广泛应用于计算、通信、能源、医疗等领域。

MES系统

MES系统（Manufacturing Execution System，制造执行系统）是面向制造业车间生产管理的实时信息系统，位于企业计划层（如ERP）与设备控制层（如PLC、SCADA）之间，核心作用是打通信息孤岛，实现生产全流程的数字化管控，提升生产效率、质量和可追溯性。

二、核心功能概览

  1. 生产调度与排程

    • 根据订单、设备状态和资源情况，优化生产计划，减少停机时间。
    • 动态调整任务优先级，应对紧急插单或设备故障。

  2. 过程监控与实时反馈

    • 采集设备、工艺参数（如温度、压力）、产量等实时数据，可视化呈现生产状态。
    • 异常报警（如质量超标、设备故障），推动快速响应。

  3. 质量管理（QMS）

    • 记录生产过程中的质量数据（如检测结果、缺陷类型），支持SPC统计分析。
    • 实现产品全生命周期追溯（原料批次→工艺参数→成品），便于召回或改进。

  4. 物料与库存管理

    • 跟踪物料消耗、库存状态，避免缺料或积压。
    • 与ERP联动，确保物料需求计划（MRP）准确性。

  5. 设备效能分析（OEE）

    • 计算设备综合效率（可用率×性能率×良品率），定位生产瓶颈。
    • 预测性维护，减少非计划停机。

  6. 人员与绩效管理

    • 记录工人工时、操作合规性，关联绩效考评。
    • 培训管理与资质认证，确保关键岗位合规。

  7. 数据集成与协同

    • 向上对接ERP（传递生产实绩），向下连接PLC/SCADA（控制指令下发）。
    • 为工业4.0（如数字孪生、AI优化）提供数据基础。

MES的典型应用场景

  • 离散制造（如汽车、电子）：跟踪装配线进度，管理零部件批次。
  • 流程工业（如化工、制药）：合规记录工艺参数，满足FDA/GMP要求。
  • 混合模式（如食品饮料）：协调配方管理与包装线效率。

为什么企业需要MES？

  • 问题驱动：解决纸质记录错误、生产黑箱、质量波动、追溯困难等痛点。
  • 价值回报：据行业案例，MES可降低废品率15%~30%、缩短交付周期20%以上。

与ERP的区别

  • ERP：侧重财务、供应链等宏观计划，数据更新以天/小时为单位。
  • MES：聚焦车间执行层，秒级实时数据，直接指导生产操作。

总结：MES是制造业数字化转型的核心系统，通过实时连接“计划”与“执行”，帮助企业实现精益生产、敏捷制造和智能化升级。

三、工业协议概览

SECS/GEM

SECS/GEM简介

SECS（SEMI Equipment Communications Standard，半导体设备通信标准）
GEM（Generic Equipment Model，通用设备模型）

应用领域：

主要用于半导体制造设备（如光刻机、蚀刻机）与工厂主机（MES、EAP）之间的通信。
是半导体行业（SEMI 标准）的事实通信标准，类似 Modbus 在工业控制中的地位。

核心功能：

设备状态监控（如 Ready、Running、Error）
配方（Recipe）管理：
报警（Alarm）上报
生产数据采集（如晶圆加工参数）

什么是配方管理（Recipe）？
配方（Recipe）管理 是工业自动化中的一种关键功能，用于存储、调用和切换设备的生产参数，以确保不同产品能按照预定义的工艺要求进行加工。
核心概念
配方 = 一组预定义的参数集合，用于控制设备运行（如温度、压力、速度、时间等）。
管理 = 存储、编辑、验证、下发和版本控制这些参数。

OPC UA

OPC UA简介

OPC UA（Open Platform Communications Unified Architecture，开放平台通信统一架构）是一种用于工业自动化和物联网（IoT）的跨平台、安全、可靠的通信协议标准。它由OPC基金会制定，旨在解决工业设备、传感器、控制系统和企业系统之间的数据交互问题。

OPC UA特点

  1. 跨平台兼容性

    • 独立于操作系统（Windows、Linux、嵌入式系统等）和编程语言（C/C++、Java、Python等），支持不同硬件架构。

  2. 统一数据模型

    • 提供标准化的信息建模框架，可将设备、传感器、工艺流程等抽象为可扩展的“对象”和“变量”，支持复杂数据结构。

  3. 安全性

    • 内置加密（TLS/SSL）、身份验证（X.509证书）、授权和审计功能，满足工业场景对安全性的高要求。

  4. 可靠通信

    • 支持多种传输协议（TCP、HTTP、MQTT等），具备故障恢复机制，确保数据在恶劣网络环境下的可靠传输。

  5. 信息集成能力

    • 不仅传输实时数据，还能传递历史数据、报警事件、元数据（如设备描述），支持从传感器到云端的垂直集成。

  6. 可扩展性

    • 通过“ Companion Specifications”（配套规范）扩展行业特定模型（如机床、能源、制药等）。

Modbus

Modbus 协议简介

Modbus 是一种串行通信协议，由 Modicon（现为施耐德电气旗下公司）于 1979 年推出，主要用于工业自动化设备（如 PLC、传感器、仪表）之间的数据通信。它采用主从（Master-Slave）架构，简单、开放、易于实现，成为工业领域最广泛使用的通信协议之一。

Modbus 的核心特点

  1. 简单高效
    • 协议结构简单，仅支持基本的数据读写操作（如读寄存器、写寄存器）。
  2. 开放免费
    • 无版权限制，任何厂商均可免费使用。
  3. 支持多种传输方式
    • Modbus RTU（基于串行通信，如 RS-485/RS-232）
    • Modbus ASCII（文本格式，较少使用）
    • Modbus TCP/IP（基于以太网，适用于现代工业网络）
  4. 主从架构
    • 主站（Master）：发起请求（如 PLC、SCADA 系统）。
    • 从站（Slave）：响应请求（如传感器、变频器）。
  5. 数据模型基于寄存器
    • 数据存储在 4 种寄存器中：
      寄存器类型功能码读写权限典型用途
      线圈（Coils）0x01, 0x05, 0x0F读写开关量（如继电器状态）
      离散输入（Discrete Inputs）0x02只读数字输入（如传感器信号）
      输入寄存器（Input Registers）0x04只读模拟量输入（如温度、压力）
      保持寄存器（Holding Registers）0x03, 0x06, 0x10读写可编程参数（如设定值）

Modbus 的常见应用场景

  1. PLC 与传感器通信
    • 通过 Modbus RTU（RS-485）读取温度、压力等数据。
  2. SCADA 系统数据采集
    • 使用 Modbus TCP 从多个设备收集数据。
  3. HMI（人机界面）控制设备
    • 通过 Modbus 读写 PLC 的寄存器值。
  4. 能源管理系统
    • 电表、水表等智能仪表的数据采集。

Modbus 的局限性

  1. 无安全性
    • 无加密或身份验证，易受攻击（如中间人攻击）。
  2. 数据模型简单
    • 仅支持寄存器读写，无法描述复杂关系。
  3. 主从架构限制
    • 从设备不能主动上报数据（需主站轮询）。
  4. 带宽效率低
    • 每次请求需携带完整地址，不适合高频大数据传输。

SECS/GEM vs. Modbus vs. OPC UA

特性SECS/GEMModbusOPC UA
行业半导体制造通用工业自动化跨行业（工业 4.0、IoT）
协议类型专用行业协议（SEMI 标准）简单通用协议通用高级协议
数据模型基于消息（HSMS/SECS-II）寄存器（Coils/Registers）面向对象（Nodes、Variables）
实时性中等（基于 TCP/IP）低（主从轮询）中等（支持 PubSub 优化）
安全性较弱（传统明文通信）无加密强（TLS/SSL、证书认证）
典型应用晶圆厂设备通信PLC、传感器数据采集智能制造、数字孪生、云平台对接

四、AI赋能方向

半导体制造是高度复杂、精密且数据密集的行业，MES系统负责管理生产流程、设备控制和数据追溯。AI技术的引入可显著提升效率、良率和智能化水平，以下是AI在半导体MES中的核心赋能方向：

1. 智能缺陷检测与分类（ADC）

问题：晶圆加工中的微小缺陷（如颗粒、划痕）需快速识别并分类。
AI赋能：

  • 计算机视觉（CV）：
    • 通过深度学习（如CNN、YOLO）分析晶圆检测机（如SEM、AOI）的图像，自动识别缺陷模式。
    • 分类缺陷类型（随机缺陷/系统缺陷），关联工艺步骤，定位根源设备。
  • 效益：
    • 减少人工复检时间，提升检测准确率（可达99%以上）。
    • 早期预警潜在工艺问题，降低废品率。

案例：

  • 台积电（TSMC）利用AI检测EUV光刻后的晶圆缺陷，缩短分析时间50%。

2. 预测性维护（PdM）

问题：半导体设备（如蚀刻机、光刻机）突发故障会导致巨额损失。
AI赋能：

  • 时序数据分析：
    • 采集设备传感器数据（温度、振动、电流），用LSTM、Prophet等模型预测故障。
    • 结合SECS/GEM的报警日志，建立设备健康度评分。
  • 效益：
    • 提前安排维护，避免非计划停机（Unplanned Downtime）。
    • 延长设备寿命，降低备件成本。

案例：

  • 应用材料（AMAT）在CVD设备中部署AI模型，预测泵故障准确率达92%。

3. 动态配方优化

问题：传统配方（Recipe）固定，无法适应工艺波动（如环境温湿度变化）。
AI赋能：

  • 强化学习（RL）：
    • 实时调整设备参数（如蚀刻气体流量、等离子体功率），以补偿工艺漂移（Process Drift）。
    • 结合数字孪生（Digital Twin）仿真验证参数可行性。
  • 效益：
    • 提升良率（Yield）0.5%~2%，减少重工（Rework）。
    • 实现自适应制造（Self-Adaptive Manufacturing）。

案例：

  • ASML在光刻机中应用AI优化曝光参数，降低Overlay误差。

4. 智能排程与调度

问题：半导体产线需处理多品种、小批量订单，传统排程规则（如FIFO）效率低。
AI赋能：

  • 运筹学+机器学习：
    • 考虑设备状态、交货期、优先级，用遗传算法（GA）或图神经网络（GNN）生成最优排程。
    • 动态响应紧急插单、设备故障等异常事件。
  • 效益：
    • 缩短生产周期（Cycle Time）10%~20%。
    • 提升设备利用率（OEE）。

案例：

  • 三星电子在DRAM产线中部署AI排程系统，产能提升15%。

5. 良率分析与根因定位（RCA）

问题：半导体良率受数百种因素影响，传统统计方法（如SPC）难以定位根因。
AI赋能：

  • 因果推理+知识图谱：
    • 整合MES中的工艺数据、METROLOGY检测数据，用贝叶斯网络（Bayesian Network）构建变量关联。
    • 自动生成根因报告（如“刻蚀机A的射频功率波动导致CD偏差”）。
  • 效益：
    • 缩短良率提升周期（从数月到数周）。
    • 减少工程师试错成本。

案例：

  • 英特尔在14nm工艺开发中，利用AI加速良率爬坡（Yield Ramp）。

6. 物料与库存优化

问题：半导体物料（如光刻胶、晶圆）成本高，库存过剩或短缺均会造成损失。
AI赋能：

  • 需求预测：
    • 基于历史订单、市场趋势，用时间序列模型（如Transformer）预测物料需求。
  • 智能补货：
    • 结合供应链数据，动态调整安全库存水平。
  • 效益：
    • 降低库存成本10%~30%。
    • 避免因缺料导致停产。

7. 能源管理与碳足迹优化

问题：半导体厂是能耗大户（如EUV光刻机单台功耗1MW）。
AI赋能：

  • 能耗建模：
    • 通过设备传感器数据预测峰值负载，优化生产班次。
  • 碳中和策略：
    • 分析工艺碳排放，推荐绿色替代方案（如低温清洗工艺）。

挑战与未来方向

  1. 数据质量：需解决半导体数据碎片化、噪声多的问题。
  2. 可解释性：AI模型需符合行业合规性（如FDA 21 CFR Part 11）。
  3. 边缘AI：在设备端部署轻量化模型（如TinyML），实现实时决策。

总结

AI在半导体MES中的核心价值是：

  • 从“被动响应”到“主动优化”
  • 从“经验驱动”到“数据驱动”
  • 从“标准化生产”到“个性化制造”

未来，AI将与SECS/GEM、OPC UA、数字孪生深度融合，推动半导体行业进入“智能工厂3.0”时代。

五、AI赋能落地案例

PyTorch和TensorFlow作为两大主流深度学习框架，在制造业中通过AI技术推动智能化转型，广泛应用于以下场景：

1. 质量控制与缺陷检测

  • 应用：
    • 实时视觉检测：使用CNN（卷积神经网络）模型分析生产线上的产品图像/视频，识别划痕、裂纹、装配错误等缺陷。
    • 案例：
      • Tesla使用PyTorch构建的视觉系统检测电池单元缺陷。
      • 半导体行业用TensorFlow开发模型检测晶圆微米级瑕疵。
  • 技术：
    • PyTorch的TorchVision或TF的KerasCV快速搭建目标检测模型（如YOLO、Faster R-CNN）。
    • 迁移学习（如ResNet、EfficientNet）解决小样本数据问题。

2. 预测性维护（PdM）

  • 应用：
    • 分析传感器数据（振动、温度、电流）预测设备故障，减少停机时间。
    • 案例：
      • Siemens使用TensorFlow分析工业机械的时序数据，提前预警故障。
      • 汽车厂利用PyTorch的LSTM模型预测机器人关节磨损。
  • 技术：
    • 时序模型（LSTM、Transformer）处理传感器数据（PyTorch的PyTorch Forecasting或TF的TFTS）。
    • 异常检测（如自编码器、GAN）。

3. 生产流程优化

  • 应用：
    • 数字孪生：构建虚拟产线模拟优化参数（如能耗、吞吐量）。
    • 调度优化：强化学习（RL）动态调整生产计划。
  • 案例：
    • 富士康用TensorFlow的RL库优化PCB组装线效率。
    • 化工企业通过PyTorch模拟反应釜条件降低能耗。
  • 技术：
    • PyTorch的PyTorch Geometric处理产线图结构数据。
    • TF-Agents实现RL算法。

4. 供应链与库存管理

  • 应用：
    • 需求预测、物流路径优化、库存动态调整。
  • 案例：
    • 宝马使用TensorFlow预测零部件需求，降低库存成本。
    • PyTorch构建的NLP模型分析供应商风险（如新闻、财报）。
  • 技术：
    • 时间序列预测（TCN、Prophet）。
    • 图神经网络（GNN）建模供应商网络。

5. 机器人与自动化

  • 应用：
    • 自主移动机器人（AMR）：视觉导航、避障。
    • 协作机器人（Cobot）：模仿学习人类操作。
  • 案例：
    • Fanuc的机器人通过PyTorch实现物体分拣。
    • TensorFlow Lite部署在边缘设备控制AGV。
  • 技术：
    • 3D CNN处理点云数据（如PyTorch3D）。
    • 实时推理优化（TF Lite、PyTorch Mobile）。

6. 能源管理与减排

  • 应用：
    • 优化工厂能源消耗，减少碳排放。
  • 案例：
    • 钢铁厂用TensorFlow预测高炉能耗，调整参数节能5-10%。
    • PyTorch模型分析光伏板效率，提升清洁能源占比。

框架选择对比

场景PyTorch优势TensorFlow优势
快速实验与研究动态图（eager mode）调试方便生产部署工具链成熟（TFX、Serving）
边缘设备部署LibTorch轻量化TensorFlow Lite广泛支持嵌入式硬件
时序数据分析PyTorch Lightning简化训练流程TF的Keras API适合快速原型开发
大型分布式训练支持FSDP（全共享数据并行）TensorFlow Distributed策略灵活

挑战与趋势

  • 挑战：数据稀缺（小样本学习）、硬实时性要求、模型可解释性。
  • 趋势：
    • 边缘AI：PyTorch Mobile/TF Lite在设备端部署。
    • 多模态融合：结合视觉、语音、传感器数据（如PyTorch的TorchMultimodal）。
    • AutoML：自动优化模型（如Google Vertex AI支持制造业定制模型）。

通过结合具体业务需求（如实时性、数据规模），制造业企业可灵活选择框架，实现从质检到供应链的全链条智能化。

待补充&完善…

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.pswp.cn/news/908506.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

视频的分片上传，断点上传

视频的分片上传，断点上传

​ 上传功能的实现，点击上传按钮，判断添加的文件是否符合要求，如果符合把他放入文件列表中，并把他的状态设置为等待中，对于每个文件，把他们切分为chunksize大小的文件片段，再检查他的状态是否为…
阅读更多...
指针的定义与使用

指针的定义与使用

1.指针的定义和使用 int point1(){//定义指针int a 10;//指针定义语法&#xff1a; 数据类型 * 指针变量名int * p;cout << "sizeof (int(*)) --> " << sizeof(p) << endl;//让指针记录变量a的地址 & 取址符p &a ;cout << &qu…
阅读更多...
Git开发实战

Git开发实战

本文对开发中git的常用概念和操作做一个总结。参考绿毛鸭子的部分内容。 git分布式的体现 1.本地完整的版本库&#xff1a; 每个克隆下来的 Git 仓库都包含了项目的所有历史记录、提交、分支等信息。这意味着每个开发者的本地仓库是一个完整的版本控制系统&#xff0c;包括…
阅读更多...
ingress-nginx 开启 Prometheus 监控 + Grafana 查看指标

ingress-nginx 开启 Prometheus 监控 + Grafana 查看指标

环境已经部署了 ingress-nginx&#xff08;DaemonSet 方式&#xff09;&#xff0c;并且 Prometheus Grafana 也已经运行。但之前 /metrics 端点没有暴露 Nginx 核心指标&#xff08;如 nginx_ingress_controller_requests_total&#xff09;&#xff0c;经过调整后现在可以正…
阅读更多...
ThinkPHP 5.1 中的 error 和 success 方法详解

ThinkPHP 5.1 中的 error 和 success 方法详解

1、success() 方法 public function someAction() {// 操作成功逻辑...return $this->success(操作成功, 跳转地址, 额外数据); } 参数说明 参数类型说明默认值msgstring成功提示信息空字符串urlstring跳转URLnull (不跳转)datamixed返回的额外数据nullwaitinteger跳转等…
阅读更多...
抗辐照MCU在卫星载荷电机控制器中的实践探索

抗辐照MCU在卫星载荷电机控制器中的实践探索

摘要:在航天领域&#xff0c;卫星系统的可靠运行对电子元件的抗辐照性能提出了严苛要求。微控制单元&#xff08;MCU&#xff09;作为卫星载荷电机控制器的核心部件&#xff0c;其稳定性与可靠性直接关系到卫星任务的成败。本文聚焦抗辐照MCU在卫星载荷电机控制器中的应用实践&…
阅读更多...
计算机视觉——相机标定

计算机视觉——相机标定

计算机视觉——相机标定 一、像素坐标系、图像坐标系、相机坐标系、世界坐标系二、坐标系变换图像坐标系 → 像素坐标系相机坐标系 → 图像坐标系世界坐标系 → 相机坐标系 ⋆ \star ⋆ 世界坐标系 → 像素坐标系 三、相机标定 一、像素坐标系、图像坐标系、相机坐标系、世界坐…
阅读更多...
好未来0520上机考试题1：括号的最大嵌入深度

好未来0520上机考试题1：括号的最大嵌入深度

题目 &#xff08;LeetCode 1614.括号的最大嵌入深度&#xff09; 给定 有效括号字符串 s&#xff0c;返回 s 的嵌套深度。嵌套深度是嵌套括号的最大数量。 示例 1&#xff1a; 输入&#xff1a;s "(1(2*3)((8)/4))1" 输出&#xff1a;3 解释&#xff1a;数字…
阅读更多...
MySQL复杂SQL（多表联查/子查询）详细讲解

MySQL复杂SQL（多表联查/子查询）详细讲解

&#x1f91f;致敬读者 &#x1f7e9;感谢阅读&#x1f7e6;笑口常开&#x1f7ea;生日快乐⬛早点睡觉 &#x1f4d8;博主相关 &#x1f7e7;博主信息&#x1f7e8;博客首页&#x1f7eb;专栏推荐&#x1f7e5;活动信息 文章目录 MySQL复杂SQL&#xff08;多表联查/子查询&a…
阅读更多...
Spring中循环依赖问题的解决机制总结

Spring中循环依赖问题的解决机制总结

一、解决机制 1. 什么是循环依赖 循环依赖是指两个或多个Bean之间相互依赖对方&#xff0c;形成一个闭环的依赖关系。最常见的情况是当Bean A依赖Bean B&#xff0c;而Bean B又依赖Bean A时&#xff0c;就形成了循环依赖。在Spring容器初始化过程中&#xff0c;如果不加以特殊…
阅读更多...
集运维_安装linux,麒麟等系统_步骤

集运维_安装linux,麒麟等系统_步骤

u盘工具选择Ventoy，Rufus 在选择Ventoy和Rufus这两款U盘启动盘制作工具时，需根据具体需求权衡其优缺点： ‌核心差异‌ ‌多系统支持‌： ‌Ventoy‌：支持将多个ISO、WIM、IMG等类型的镜像文件直接复制到U盘，实现‌一盘多用‌（例如同时存放Windows、Linux等镜像），无需…
阅读更多...
第4章：Cypher查询语言基础

第4章：Cypher查询语言基础

Cypher是Neo4j的声明式图查询语言&#xff0c;专为处理图数据而设计。它允许用户以直观、高效的方式查询和修改图数据库中的数据。本章将介绍Cypher的基本概念和语法&#xff0c;帮助读者掌握使用Cypher进行基础图数据操作的能力。 4.1 Cypher语言概述 Cypher是Neo4j的主要查…
阅读更多...
上位机知识篇---Flask框架实现Web服务

上位机知识篇---Flask框架实现Web服务

本文将简单介绍Web 服务与前端显示部分，它们基于Flask 框架和HTML/CSS/JavaScript实现，主要负责将实时视频流和检测结果通过网页展示，并提供交互式状态监控。以下是详细技术解析： 一、Flask Web 服务架构 1. 核心路由设计 @app.route(/) def index():"""…
阅读更多...
Neovim - 打造一款属于自己的编辑器（一）

Neovim - 打造一款属于自己的编辑器（一）

文章目录 前言&#xff08;劝退&#xff09;neovim 安装neovim 配置配置文件位置第一个 hello world 代码拆分 neovim 配置正式配置 neovim基础配置自定义键位Lazy 插件管理器配置tokyonight 插件配置BufferLine 插件配置自动补全括号 / 引号 插件配置 前言&#xff08;劝退&am…
阅读更多...
按字典序排列最小的等效字符串

按字典序排列最小的等效字符串

文章目录 题目思路解题过程Python代码C代码复杂度 题目 给出长度相同的两个字符串s1 和 s2 &#xff0c;还有一个字符串 baseStr 。 其中 s1[i] 和 s2[i] 是一组等价字符。 举个例子&#xff0c;如果 s1 “abc” 且 s2 “cde”&#xff0c;那么就有 ‘a’ ‘c’, ‘b’ ‘…
阅读更多...
Ubuntu2404 下搭建 Zephyr 开发环境

Ubuntu2404 下搭建 Zephyr 开发环境

1. 系统要求 操作系统&#xff1a;Ubuntu2404&#xff08;64位&#xff09;磁盘空间&#xff1a;至少 8GB 可用空间&#xff08;Zephyr 及其工具链较大&#xff09; 2. 安装必要工具 Tool Min. Version CMake 3.20.5 Python 3.10 Devicetree compiler 1.4.6 2.1 安装系…
阅读更多...
2025年06月07日Github流行趋势

2025年06月07日Github流行趋势

项目名称&#xff1a;netbird 项目地址url&#xff1a;https://github.com/netbirdio/netbird项目语言&#xff1a;Go历史star数&#xff1a;14824今日star数&#xff1a;320项目维护者&#xff1a;mlsmaycon, braginini, pascal-fischer, lixmal, pappz项目简介&#xff1a;使…
阅读更多...
fast-reid部署

fast-reid部署

配置设置&#xff1a; 官方库链接&#xff1a; https://github.com/JDAI-CV/fast-reid# git clone https://github.com/JDAI-CV/fast-reid.git 安装依赖&#xff1a; pip install -r docs/requirements.txt 编译&#xff1a;切换到fastreid/evaluation/rank_cylib目录下&a…
阅读更多...
clickhouse 和 influxdb 选型

clickhouse 和 influxdb 选型

以下是 ClickHouse、InfluxDB 和 HBase 在体系架构、存储引擎、数据类型、性能及场景的详细对比分析： 🏗️ ‌一、体系架构对比‌ ‌维度‌‌ClickHouse‌‌InfluxDB‌‌HBase‌‌设计目标‌大规模OLAP分析，高吞吐复杂查询 时序数据采集与监控，优化时间线管理高吞吐随机…
阅读更多...
ros创建工作空间配置运行状态机

ros创建工作空间配置运行状态机

ROS 一、创建工作空间目录 /home/wict/workspace/hudahua/ros/catkin_ws #初始化工作空间&#xff08;仅需一次&#xff09; catkin_init_workspace二&#xff1a;回到根目录编译 #创建正确的工作空间结构&#xff08;如果尚未创建&#xff09; mkdir -p ~/workspace/hudahua…
阅读更多...
最新文章

Copyright @ 2022~2023