|
搜索
搜 索
高等教育领域数字化综合服务平台
水质动态模拟试验装置
NJHL-C智能水质动态模拟试验装置是以西门子PLC+触摸屏为控制和显示核心，替代以往仪表设计的水质动态模拟试验装置。使得测量更精确、控制更准确、操作更方便、外表更美观等优点；尤其是离开电脑PLC本身可以记录数据，同时还可以显示数据变化的曲线。这是采用智能仪表设计无法实现的。主要测量进出口温度、加热温度、pH、电导率、腐蚀率等值。计算出污垢热阻、浓缩倍数、沉积速率和垢层厚度等评价水质重要指标等参数；通过485总线与计算机实时通讯，在计算机WINCC 组态画面上显示试验装置工艺流程图、实时曲线图、历史曲线图、报警画面等，完成报表和曲线的打印。通过腐蚀在线监测仪，跟踪腐蚀的变化；通过电导率，实现浓缩倍数自动控制和自动补水、加药；通过pH，实现酸碱度自动控制；同时用失重法计算腐蚀率和和污垢沉积速率。系统运行可靠性高，数据一致性好，是评选药剂、筛选配方最理想的实验设备。还可以评价用其它方法（无三剂）的水处理效果等。 应用领域：设备主要用于工业循环水系统和中央空调系统的药剂评选、筛选配方，还有评价用其他方法的水处理效果等。
南京工业大学
2021-04-13
动态电压恢复器（DVR）
本装置是智能电网中电能质量控制关键设备之一。电能质量问题大多可以归结为电压质量问题，特别是公共结点(PCC)的电压质量问题。电网电压存在的各种干扰，如电压暂升、暂降、过压、欠压、谐波、瞬变等，将导致一些重要负荷或对电压质量敏感的设备不能正常使用、性能降低、寿命缩短，还会造成一些生产设备无法工作、甚至损坏，严重的电压质量问题还可能造成重大事故。
西安交通大学
2021-04-11
智能诊断与动态测控技术
智能诊断与动态测控技术，开发了复杂装备远程诊断与智能维护系统、嵌入式数控系统在机监测系统、动车组远程诊断及虚拟维修维护系统等，可用于数控等复杂装备的在线在机监测、复杂装备的远程智能诊断、设备的信息化管理与维护、高速列车远程诊断与虚拟维护、高速列车故障统计与分析，据此已承担国家科技重大专项、国家自然科学基金、科技部创新基金、教育部博士点基金、天津市自然科学重点基金等项目，并与南车青岛四方机车车辆股份有限公司合作先后承担了“动车组远程诊断及虚拟维修维护—信息分类和数据提取”、“动车组运维故障统计分析系统”、“动车组典型零部件可靠寿命预估方法研究”等项目。
动车组远程诊断及虚拟维修维护系统
复杂装备远程诊断与智能维护系统
天津大学
2023-05-12
智能诊断与动态测控技术
智能诊断与动态测控技术，开发了复杂装备远程诊断与智能维护系统、嵌入式数控系统在机监测系统、动车组远程诊断及虚拟维修维护系统等，可用于数控等复杂装备的在线在机监测、复杂装备的远程智能诊断、设备的信息化管理与维护、高速列车远程诊断与虚拟维护、高速列车故障统计与分析，据此已承担国家科技重大专项、国家自然科学基金、科技部创新基金、教育部博士点基金、天津市自然科学重点基金等项目，并与南车青岛四方机车车辆股份有限公司合作先后承担了“动车组远程诊断及虚拟维修维护—信息分类和数据提取”、“动车组运维故障统计分析系
天津大学
2021-04-14
动态表面海洋防污材料
动态表面海洋防污材料由华南理工大学海洋工程材料团队研发，主要用于海军装备、船舶、海洋能源装备等的生物污损防治。该材料具有独特的主链降解性，在海水中形成不断变化的动态表面，避免污损生物的附着。涂层在静态条件下仍可不断稳定抛光，实现对环境友好防污剂的控制释放，可静态、长效防污。此外，该材料在海水中可降解为无毒小分子，避免海洋微塑料的产生，对海洋环境友好。该成果打破了欧美日在该领域的长期技术垄断。 已应用于军/民用船舶（数百艘）、南海岛礁用波浪发电平台、水下探测器等海洋工程装备，并在核电站试用，防污效果优异。
华南理工大学
2023-05-08
机床动态性能测试与分析
开发了基于运行模态分析(OMA)的机床动态性能测试与分析技术，其技术特点为无需人工激励，通过借助环境振动如地基振动作为激励、机床运行产生的振动即可满足采集要求。采集信号只涉及输出响应信号，无需激励信号，且不存在锤击法中捶击所得数据不满足要求的情况，操作简单。
上海理工大学
2021-01-12
33223尿的形成动态模型
宁波华茂文教股份有限公司
2021-08-23
初中物理、地理、生物动态片
产品详细介绍
北京教育幻灯出版公司
2021-08-23
新冠肺炎影像学AI智能辅助诊断研究
“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。
复旦大学
2021-04-10
基于AI 机器学习的影像组学模型研究
2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。
东南大学
2021-04-10