本项目联合中德智能制造研究院，借力德国专家资源，组建了一支可快速响应企业传统产线智能化升级改造的物联网中控平台研发团队。团队致力于打造智能制造示范工厂，目前与南瑞集团、大全集团、泉峰集团等企业的生产系统升级优化项目正在实施中。

该项目针对装备智能化改造、智能个体自治技术、多智能体协商规则和自组织生产策略进行了深入研究，开发了相应原型系统——基于物联技术的自组织智能制造实验系统，形成了一套以物联技术为基础，通过自治与协商方式，实现车间自组织实时生产的“智能工厂”模式。技术优势该系统具备自组织、自决策、自适应、自学习的功能特征，可适应目前动态多变的制造环境，满足多品种、变小批量、高度定制化的生产需求。通过提供模块化热插拔的智能接口装置，可以帮助企业快速实现智能化改造升级。该智能制造系统可以高效柔性自治的应对加工、装配、检测等作业任务。应用范围:在数字化智能工厂、制造资源互联接入、智能单元自组织自适应协同生产等方面，已为航空航天军工、汽车制造、生物发电、轨道交通、电力电子、服装轻工等多个工业领域细分行业客户提供工业互联网+智能制造服务。

一、项目简介基于物联网技术的工业设备智能应用平台（以下简称平台）以物联网 M2M（Machine to Machine/Man）技术为核心，实现以机器终端智能交互为核心的、网络化的应用和服务。平台对 M2M 的“智能化机器、M2M 硬件、通信网络、中间件和应用”五个关键部分进行架构，实现对工业设备如压缩机、鼓风机、发电机等的智能监控、节能管理和网络化管理服务。本项目在已有技术条件下，研究开发具有自主产权的工业物联网应用技术，构建面向制造企业的多主体按需使用的云服务平台，形成支持云服务平台的运行和使用的标准规范，推动工业企业服务模式的创新，促进生产型企业向服务型企业转型。二、关键技术优势或创新性关键技术:（1）M2M 硬件装置；（2）通信网络协议；（3）中间件架构技术；（4）物联网组网技术；（5）应用层构架技术；（6）应用层分布式框架技术；（7）物联网数据服务器系统技术；（8）多种网络融合技术。针对工业设备的物联网应用（1）各行业设备的远程通讯改造技术；（2）设备监控新技术方法；（3）针对设备的优化控制方法；（4）基于物联网技术的服务与管理新方法创新性（1）链路、业务和应用层功能模块化，

针对海底天然气水合物的实际生成条件，在国内首次设计和制造了具有自主知识产权的低温高压天然气水合物模拟合成与分解设备。该成套设备由高压可视化釜体、制冷及浴槽温控系统、磁力搅拌系统、参数控制台及计算机数据采集系统、模拟天然气配气系统、天然气高压增压系统共 6个子系统组成。应用结果表明，该设备安全可靠， 能成功地应用于天然气水合物模拟合成、分解和有关测试分析，其部分结构和功能有所创新，达到国外相关部分类似产品的水平。测试内容：① 新型压力设备开发② 松软地基上压力管道沉降与热变形安全评估③ 材料微结构分析与动态力学性能测试④ 材料表面镀层粘着力与耐磨强度的划痕测试

成果与项目的背景及主要用途： 我国是天然植物油生产和出口大国，但由于未能将天然植物油进行精制和分离，所以出口的价值不高。本成果是针对不同天然植物油高附加值成分的不同，对其进行精制和分离，提高天然植物油的档次和价值，适用于天然提取植物油的深加工。 技术原理与工艺流程简介：  采用先进的真空间歇精馏分离技术和装置，对天然植物油进行分离，克服原料的热敏分解和聚合风险，不添加任何有机溶剂，可以得到不同植物油中的高附加值成分，以及可以将植物油中的多个组分进行切割和提纯，所得产品纯度高、颜色浅、香味纯正。 技术水平及专利与获奖情况： 通过天津市科委的技术鉴定。获得国家发明专利两项；曾获天津市科技进步三等奖。 应用前景分析及效益预测： 我国天然植物油产量居世界前列，但分离和精制技术很落后，产品出口的附加值较低，如果采用本技术将大大提高产品的档次和附加值。因此，本技术具有广阔的应用前景。对于一个中等规模的植物油加工企业，使用本技术将年增产值 500～800 万元。 应用领域：天然提取植物油深加工、天然香料原料出口。 技术转化条件（包括：原料、设备、厂房面积的要求及投资规模） 具有天然植物油原料，分离主体设备投资 100 万元～200 万元，取决于生产规模和产品种类，分离单元厂房面积 100 平方米。 合作方式及条件：转让技术和加工设备。 

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。

随着物联网技术与智能交通技术的发展，用于高速公路或城市内普通公路的道路护栏，作为“智慧城市”的一个重要组成部分，正受到越来越多的关注与重视。通过在护栏上安装低功耗的传感器芯片以及无线信号收发芯片，并配合相关服务器软件，护栏具备了一定的外部事件感知能力、处理能力、无线通信与组网能力，从而实现护栏的智能化。

面向物联网研制一类适合无线传感网络环境下使用的智能家居无线控制系统，该系统基于Zigbee协议，远程控制家居生活中的各类电器设备，还可对房间中的烟雾进行检测和报警（自动拨打设定电话）。

项目成果/简介:数据采集技术可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。多模态传输技术LPWAN (Low-Power Wide-Area Network，低功率广域网络)在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。       LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。最具前景的LPWAN技术——NB-IoT和LoRa：物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。LoRa （Long Range）:   一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。NB-IoT（Narrow Band Internet of Things）NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。数据分析技术人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。应用范围:家居智慧控制，提高舒适度：家庭生活状态统计和日常需求预测与推荐；多模态行为分析和数据采集和传输系统；多模态行为数据采集和分析平台；基于LoRaWAN/5G的工厂环境、农业大棚等环境监测系统。技术成熟度:通过中试