深圳大学与中兴网信长期保持深入合作，积极探索产学研新模式，通过在健康大数据领域的持续研究与实践应用，为国家健康医疗战略、医学实践及全民健康管理提供大数据驱动的决策支持。在《基于物联网的多维健康数据智能平台关键技术及应用》项目，中兴网信将深圳大学科研成果进行转换，构建了基于物联网的多维健康数据平台，通过便携式智能医疗终端、移动互联端以及大数据云平台，紧密联结患者与医生、医院，有效地缓解医疗资源紧张等问题，通过多维健康数据分析，有效地保障了高危人群健康。项目构建了基于物联网的多维健康数据平台，通过便携式智能医疗终端、移动互联端以及大数据云平台，紧密联结患者与医生、医院，有效缓解医疗资源紧张等问题，通过多维健康数据分析，有效保障高危人群健康。相关技术内容包括基于协同感知技术的智能移动医疗终端及协同滤波研究、基于移动网络切分优化理论的网络优化及安全研究、基于多维异构医疗大数据的分析诊断云平台构建、应用系统开发及成果产业化。项目共发表高水平论文56篇，其中中科院一区论文13篇，ESI高被引论文5篇，获广东省创新创业金博奖、全国创客大赛冠军等奖项。目前项目理论成果与专利技术已应用转化，2016-2018年项目收入6.95亿元，间接经济效益16.31亿元。授权中兴的产品在广东、山西等全国13个省市应用推广，同时在东南亚、非盟等“一带一路”国家与地区推广使用；研发的云伴妇幼平台，2014年起在广东、江西等100多家省市各级医院使用。疫情期间，项目保障慢性病、妇幼等众多高危人群的健康，获得了很好的社会声誉。

本项目核心技术获中国轻工业联合会科学技术进步奖二等奖。 1、项目简介 本项目所指复杂装备主要为复杂动力机械装备及其关键零部件，如汽轮机、压缩机等。 本项目针对复杂装备制造企业技术准备时间长、效率低、制造过程模式自动 化程度低、协调能力差、信息共享度和集成度不高、信息孤岛现象等实际情况， 研发了集数字化设计、制造和智能化监控管理为一体的设计制造管理系统。项目 重点突破了复杂装备智能化制造过程和工艺参数优化、工艺工装设计自动化、数 控机床生产的数字监控管理智能化、基于短距离无线通讯(Zigbee)技术的生产信 息双向传输、自适应在线排产优化等关键技术，为研发设计制造集成管理系统提 供了技术支撑。 2、创新要点 （1）将开放式装配建模技术应用于产品的研发中，创立了模型的 UML 表达 方式、装配体特征、装配配合公差分析和系统的装配层次分析等，完成了产品的 结构设计、零件与装配的联动设计、装配仿真分析，并建立了产品及其关键部件 的数字样机。开放式装配建模方法更有效地指导产品由整体构思到样机设计的整 个过程。 （2）提出了面向数字化预装配的分层干涉检测算法，该方法把干涉检测过 程分为粗检测、半精检测、精确检测三层，通过逐层检测，大大加快了干涉检测 的速度，提高了检测的精确度，有助于预装配中优化装配序列的快速生成。 （3）基于虚拟产品开发管理技术 VPDM，研究并解决了机械装备虚拟数字样 机开发中的数据交叉、耦合和冗余问题； （4）基于工程知识和多视觉特征模型，提出了一种装配优化序列规划方法。 利用直接装配关系图表达产品几何信息、设计信息、制造信息和装配信息等，通 过产品特性和操作环境的评价因素，构建装配先后关系，从可行装配序列中选择 最优装配序列，更好地帮助设计师完成装配设计并做出正确决定。缩短了产品研 发时间，保证产品准时投放市场。 3、效益分析 目成果广泛应用于多家装备制造企业，其中 4 家企业利用该技术提高生产效 率 20%~30%，按时交货率从 63％左右提高到 90％以上。近三年企业总计新增利 润 6.1663 亿元，新增税收 3.3804 亿元，新增销售 28.058 亿元。减少了 80%以 上的生产管理人员 4、推广情况（已推广企业） 本项目成果已在无锡透平叶片有限公司、无锡压缩机股份有限公司、江苏南370 方机电股份有限公司、无锡市安迈工程机械有限公司等生产企业得到成功应用。 授权专利： 1.数控机床刀具的在线管理方法 201010129780.1 2.车间加工设备群加工运行优化的方法 200910031198.9 3.数控机床监控方法 201110430626.2 

本成果针对不同核电环境内的任务，设计研发了个性化的专用机器人系统，解决核反应堆顶盖上螺栓拉伸量的实时测量、蒸汽发生器内一次侧堵板的自动安装及高放射性核废物的体积最小化回收等多种任务，解放危险环境中的操作人员，提高了操作安全性。 一、项目分类 关键核心技术突破 二、技术分析 为保证核电站正常、安全地运作，可利用机器人取代操作人员定期对核设施内部的设备进行检查、维修，以避免设备故障、老化等现象出现。针对不同核电环境内的任务，设计研发了个性化的专用机器人系统，解决核反应堆顶盖上螺栓拉伸量的实时测量、蒸汽发生器内一次侧堵板的自动安装及高放射性核废物的体积最小化回收等多种任务，解放危险环境中的操作人员，提高了操作安全性。 成果一：整体螺栓拉伸机拉伸量自动测量装置实现了对反应堆压力容器顶盖主螺栓拉伸量及残余拉伸量的远程自动测量，降低了人员所受辐射剂量，提高了系统整体工作效率。 成果二：蒸汽发生器一次侧堵板操作机器人完成核电站蒸汽发生器一次侧堵板的安装、紧固、自动充气密封和拆除，利用定位装置可360°旋转的螺栓紧固机械手、力矩反馈传感系统和视频监控系统实现智能定位、自动路径规划、螺栓拧紧力矩的自判断、气压密封和过程监控。 成果三：建立了首套核反应堆探测器组件自主回收作业机器人系统，并进行了误差建模、系统标定、精度测试与实验验证，验证了系统的可靠性和有效性。 主要性能指标包括重复定位精度、视觉定位精度、具备轨迹跟踪、视觉伺服控制、力感知、目标精确测量功能。

智能发电体系结构  提出并构建了智能发电体系结构，与 DCS+SIS+MIS 系统的结构相比，系统的网络安全分区与功能分区发展为 ICS+ISS 的两层结构，实现安全可靠性与应用功能的统一。  智能发电运行模式 基于能效分析、运行优化、控制优化、设备状态监测，建立了能效、环保、灵活性等性能指标的“大闭环”控制模式，故障预警、诊断、容错控制的“大闭环”运行模式。  智能发电软件及算法模块  开发了ICS成套算法和应用功能软件。包括52种智能控制算法模块，120种智能计算分析诊断算法模块，形成了智能检测、智能控制、智能诊断和智能优化等功能。  智能发电投运效果  国内外首次投运，系统运行稳定可靠；预警准确率大于90%；综合节煤2.25g/kwh；降低运行人员操作量60%。 截至2020年5月，研究成果已在14台机组得到推广应用；新增合同额1.81亿元，直接经济效益4997万元。 智能发电鉴定及获奖情况 2019年10月，中国电机工程学会组织的技术鉴定认为：该系统设计思想先进、功能齐全、智能化程度高，具有良好的经济社会效益和推广前景，该系统整体技术达到国际领先水平。 项目获得2020年中国电力科学技术进步一等奖。 

彻底解决了传统铸造工艺的所有弊端和缺陷。

一起教育科技是全球领先的K12智能教育平台。怀着“让学习成为美好体验”的使命，一起教育科技致力于用先进的教育科技、优质的教育内容和持续的教育热情，为K12阶段的学校、家庭、社会教育场景，提供更为高效、美好的产品和体验，开启了智能教育新时代。

欧美大地仪器设备中国有限公司（简称EPC）成立于1987年，是中国内地、香港和澳门领先的高科技测试仪器全面解决方案的提供者。 EPC总部设在香港，在全国有11个办事处，在香港、广州、上海和济南设有售后服务中心。EPC是欧美大地科技集团（简称ETG）旗下的旗舰公司，还包括广州欧美大地仪器科技有限公司、广州欧美大地仪器设备有限公司、上海欧美大地国际贸易有限公司、北京欧美大地仪器设备有限公司、广州岩泰高新技术工程顾问有限公司等。 EPC深耕中国内地、香港和澳门30余年，营销网络覆盖全国，并拥有超过200多位经验丰富的员工，为包括勘察、设计、质检、施工、监理和运维单位，以及各高校和科研院所提供了周到的产品技术服务和解决方案，用户遍及建筑、交通、铁道、水利、地质、电力、海上风电、环境等行业。凭借独有的众多世界知名产品代理权，以及强大的产品销售和技术服务能力，EPC赢得了业界的普遍赞誉。EPC将秉承“保证工程质量，降低工程成本，加快工程进度，减少工程风险”的企业使命，坚持以客户为本，用心解决客户最迫切、最实际的需求，引进世界先进的技术和专业的产品，为客户提供一流的土木工程仪器设备解决方案。  

西安电子科技大学机电工程学院多智能体研究中心郑元世教授团队通过引入了智能体及邻居的历史状态，提出了一种基于记忆信息的一致性协议并建立了该协议下显式的一致域。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。