产品详细介绍TST1000为我公司专门为大型土木建筑（桥梁、高层建筑、大坝、隧道等）研制开发的一款长时监测系统，该系统具有安装简单快捷、长期稳定性好、防护等级高、无人值守等优点，可以配合各种传感器（应变、挠度、温度、风速、GPS等）完成信号的实时采集和存储，通过对桥梁或大型建筑结构状态的监测与评估 , 为桥梁或大型建筑在特殊气候 , 特殊交通条件下或运营状况严重异常时触发预警信号并分析评估桥梁及大型建筑使用寿命 , 并为建筑的养护、维修与管理决策 , 验证建筑设计理论 , 改进建筑设计方法和相应的规范标准提供科学的依据。TST1000数字模块能够通过RS485接口远距离控制外围设备，诸如风速仪、静力水准仪、各种数字传感器等，并通过网络回收数据。通过RS485的级联方式，能够灵活和简便实现客户不同现场环境中大系统、大范围的各种IO量扩展、采集控制、数据回收；通过网络传输，能够降低布线难度和降低传输过程中的信号干扰，能够帮助客户降低工程成本。TST1000为客户提供多种可选的通讯和扩展方式（网络、光纤、4G信号等），可根据现场条件选择合适的方式。通过客户端软件可远程查看桥梁的实时健康评估状况，软件还具有日（月、年）报表输出功能，产品已经广泛应用于国家高速上的多座大型桥梁。支持32组。

机械系统运动方案及结构分析实验装置包括五种设备，可以单独或成套使用。该套设备适用于机械设计实验教学和课程设计，具有鲜明的特点。 即：（1）它对应课程的主要内容，包含了各种常用机构和通用机械零部件； （2）具有工程实用背景，使用功能明显； （3）有良好的直观性； （4）结构复杂程度适中，传动方案和结构新颖。学生通过对装置的传动方案与结构的分析，可以掌握机械系统运动方案和结构设计的基本要求，培养机械系统运动方案设计能力、结构设计能力和创新意识。该实验设备已通过了校级鉴定，达到了国内机械设计实验教学的先进水平，并已获得黑龙江省教学成果二等奖以及全国第三届高等学校自制实验教学仪器设备评选获优秀奖。 1.CS-I型冲压机及送料装置 2.JZ-I型间歇送料及冲压装置 3.ZS-I型转位及输送装置 4.TS-I型提斗上料装置 5.BS-I型步进输送机

本发明涉及潜在指纹显现技术领域，具体的说是一种运用核酸适配体与溶菌酶识别，形成G四链体扦插荧光分子进行荧光检测潜指纹的方法。所述包括以下步骤：①按捺指纹：在样品表面获得汗潜指纹；②配制荧光显色溶液：将DNA溶解于包含NaCl、MgCl2和KCl的Tris?HCl缓冲溶液中，然后加入NMM溶液充分混合；③荧光显现潜指纹：将步骤②得到的溶液滴涂到步骤①的潜指纹样品表面反应后，用去离子水快速清洗干燥后的

我国是世界上受自然灾害影响最为严重的国家之一，地质灾害监测预警是最有效的减少人员伤亡的技术途径。针对我国广大山区难以全面实施具体灾点的精细观测和区域监测预警精度不能满足精准预警需求的局限，本团队利用大规模地质灾害起动和运动过程中产生的地震动信号与信号携带灾害的物理力学特性信息的原理，利用微弱信号处理与分析技术，提取地震动信号对应的灾害属性信息，进行灾害事件的预警；利用基于地震动信号与数值模拟耦合分析技术，反演灾害动力学参数、灾害运动和演化过程；结合灾害动力学和运动模型，快速计算灾害危害范围和危害能力

本发明提供了一种将 CO2 应用于二甲醚合成的化学链 CO2 重整甲烷方法，具体为：在 CH4 氧化反应器中，Fe3O4 与 CH4 发生氧化还原反应生成 H2、CO 和 FeO，将 H2、CO 作为二甲醚合成气源，将 FeO 转移至 CO2 还原反应器；在 CO2 还原反应器中，FeO 与 CO2发生氧化还原反应生成 CO 和 Fe3O4；将 CO 作为二甲醚合成气源，将 Fe3O4 返回至 CH4 氧化反应器。本发明还提供了实

中国科学技术大学合肥微尺度物质科学国家研究中心和化学物理系曾杰教授研究团队设计构筑了铜-碳化铁界面型催化剂，实现了常压下二氧化碳加氢高选择性制备长链烯烃。

本项目研发了一套完整的现场数据采集服务支撑技术，提供了数据采集集成服务的商业运营新模式。针对工业互联网建设过程中普遍存在的现场数据采集需求，整合了综合感知、AI智能处理、网络安全传输、数据质量管理和标准化输出等多个环节，把经过质量分析和标准化处理后的实时数据，作为产品对接到工业互联网应用平台的数据池，供后续数据处理和应用分析。整套技术包括4大模块：1）智能网关：基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置云服务器；重点研究基于小目标的AI图像分类算法。2）AI模型管理系统：实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。3）数据管理和标准化处理：数据有效性管理、数据质量评估、数据标准化和数据安全机制。4）智能运维：开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提高效率、降低成本、保证系统运行质量和数据的有效性。 如图所示，项目完成了对于现场数据的传感、传输、管理、输出和设备运维等一系列工程实现。应用范围: 1、智能网关： 开发基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置服务器。 综合接入能力： 包括有线传感器和特定的无线传感器、与现有系统的对接 有效感知能力： 实现基于图像的AI视觉感知能力，重点研究基于小目标的图像分类算法 安全传输能力： 提供4G、5G、NB-IOT的上行传输模块化替换 提供安全的加密手段，保证数据安全 现场调试配置能力： 具有现场WiFi调试功能，方便安装和运维人员现场配置和检测 软件和通信标准版本现场升级 2、AI模型管理系统 需要实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。 样本管理能力 原始样本管理、样本实例库分类和管理、检测样本管理等 模型计算和管理 算力管理：对算力的统筹，外部算力的对接等 算法管理：自主开发算法的管理和调动，外部算法的调用和对接 模型管理：包括模型的功能属性和已经应用的情况的统计分析 设备管理 设备的AI模型配置能力、AI推演过程的监控、AI推演结果的跟踪采集和分析 3、数据管理和标准化处理 数据有效性管理 监测数据是否按时上传、上传数据是否符合要求、是否为非法数据 告警输出：把告警信息进行分类，并推送给相关的运维系统 数据质量评估 按照标准对现场采集数据进行多维度的质量分析，为后续数据应用提供参考依据 数据标准化 格式标准化：完善采集时间、地点、单位等属性， 输出标准化：按照标准协议与工业互联网平台数据池进行对接 数据安全 区域性部署：可以应用户要求部署在其内网 并行部署：可以通过并行部署，网关上联多个服务器，确保用户的可靠性需求 数据回滚能力：可以应工业互联网平台要求对数据进行一定期限内的回滚，保证数据在一定时间段内不丢失 4、智能运维 开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提供效率、降低人员成本、保证系统运行质量和数据的有效性。 运维人员管理 对运维人员的信息、定位、工作状况管理 巡检任务管理 对部署的硬件和相关工作环境定期巡查的任务制定、下发、执行过程和结果的记录和管理 临时故障处理 对系统自动告警和现场突发状况的应急处理能力，包括人员调配、处理流程提示和建议、相关情况处置参考案例、后续统计追踪等。网关核心板实物照片

项目简介：《选矿厂生产统计计算机管理系统研究》通过湖北省科技厅组织的鉴定，其科研成果处于国内领先水平。 技术特点：本课题以大冶铁矿厂为实例，利用当前流行的Microsoft Visual Basic6.0开发选矿厂生产统计计算机管理系统软件，该系统解决了多金属选厂报表金属量不易平衡的问题，具有创新性。用户只需一次性输入原始数据，相互关联的生产日报表、周报表、月报表和年报表将自动生成，生产日报表可当天上报。企业领导、工程技术人员、管理工作者和统计分析人员可根据工作需要任意浏览、调用、打印各种报表，有利于正确指导现场操作、生产调度、组织管理和领导决策。应用领域：该系统既针对性，又有通用性，便于计算机管理网络化。可在全国同类矿山企业中推广使用，具有广阔的应用前景和良好的社会、经济效益。

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。