该项目通过建立四种不同致病因素（包括博来霉素、百草枯、二氧化硅和脂多糖加香烟提取物）诱导的肺纤维化动物模型，实验结果表明多西环素可明显降低肺纤维化模型动物的肺系数，改善肺组织纤维化程度，降低肺纤维化病理评分及肺组织中胶原的含量，降低慢性炎症介导的肺纤维化模型小鼠血清中炎症因子 TNF-α、TGF-β1、IL-4 的含量，增加 IFN-γ的含量。除此之外，多西环素还可以增加肺纤维化模型小鼠的体重，改善模型小鼠的生存状态，显示出多西环素对肺纤维化具有很好的治疗效果，且毒性和副作用均较低。 课题组研究发现多西环素可通过抑制气道和肺上皮细胞转录因子 Twist1, Snail, Slug 和间质细胞标记物 Vimentin 的表达，并增加E-cadherin 的表达，从而使上皮细胞维持其原有极性和紧密连接，抑制细胞骨架重塑，从而抑制其向肌成纤维细胞的转变和活化，减少细胞外基质的分泌及其在肺间质的过度沉积，进而抑制肺纤维化的病理过程。本项目药理机制有一定的深入研究，已申请了专利（专利号201410514986.4）并完成临床前实验，获得了临床试验批件（批件号：2017L01323） 技术创新点： 1）目前肺纤维化上市药物疗效不甚理想，急需开发新型有效药物， 多西环素在临床前研究中表现出良好的抗肺纤维化效果，开发潜力很大。 2）多西环素本身即为抗生素，可达到抗感染、抗炎与抗组织纤维化的多重功效。 3）与其他治疗肺纤维化药物相比，多西环素毒副作用低，患者依从性好。 4）该类化合物合成方便，生产工艺成熟，可快速的投入生产并获得高效制剂。 市场应用前景： 近年来肺纤维化的发病率不高（8/10 万人），但一直呈现上升趋势。肺纤维化患者从出现呼吸道症状到呼吸窘迫死亡的中位生存时间仅为 28.2 个月，从诊断建立到死亡的平均生存时间为 3.2～5 年，肺纤维化 5 年病死率超过 40%，其自然缓解相当罕见(<1%)，甚至比某些恶性肿瘤死亡率还高。从这些数据可以看出，肺纤维化已经给我国人民的生命健康造成严重的不良影响。目前治疗肺纤维化的上市药物仅有吡非尼酮和尼达尼布两种，吡非尼酮 2015 年全球销售额为5.63 亿美元，2016 年第一季度该药销售额为 1.78 亿美元。尼达尼布于 2015 年被纳入 ATS/ERS/JRS/ALAT 特发性肺纤维化诊治国际循证指南的推荐用药，当年销售额达 3 亿欧元，2016 年尼达尼布的销售额翻倍达到 6.13 亿欧元，2017 年上半年达到 4.29 亿欧元。这两种药物都是由国外研发销售，目前国内临床上需要开发疗效佳、安全性较好、自主知识产权的治疗肺纤维化药物，因此盐酸多西环素市场前景良好。 合作方式及条件： 希望进行专利转让，或者与投资者共同开发，申报临床试验批件，并进行临床研究。 已获得的知识产权： 多西环素的应用（治疗肺纤维化）（专利号：201410514986.4 ） 本项目已获得新药临床批件，批件号码为 2017L01323。

本发明属于水电能源优化运行领域，公开了一种实时负荷下水电站多模式时空嵌套出力动态调整方法，该方法以实时负荷变化量大小为依据，制定多种模式调整策略。当电站接受到新负荷指令时，自动进入其相应调整模式。本发明方法可减少电站机组出力变幅、有效躲避振动区、降低穿越振动区次数，且电站总耗水率与计划经济运行计算得到的耗水率非常接近，无明显额外耗水。因此本发明方法兼顾稳定性、经济性与高效性，比现有技术更为经济、安全、高效。

在轴手性化合物不对称构建研究方面的重要研究进展：由于轴手性化合物是不对称催化反应的常用催化剂，广泛应用于不对称催化反应中，这些轴手性化合物的不对称合成一直是此领域的研究热点之一。刘心元、谭斌课题组成功实现了在手性磷酸催化下利用Hantzsch酯不对称还原现场生成的亚胺来动力学拆分连萘胺。这样一来，就能高效、高立体选择性地合成重要用途的手性连萘胺。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

成果描述：本发明公开了一种基于毫米波通信天线差速旋转方式的毫米波天线对中控制系统。本发明的对中控制系统由多个相同的对中控制装置组成，对中控制装置分别设置在不同的毫米波天线通信站点中；每个对中控制装置包括天线转动模块、位置信息检测模块、天线信息采集传感器和对中控制模块；天线转动模块、位置信息检测模块和天线信息采集传感器分别与对中控制模块。本发明能有效提高毫米波天线对中精度，实现天线自动化对中通信，减少对中前的准备工作和数据交换工作，增加毫米波的通信保密性，实现毫米波通信机动性、可靠性及野外自适应特性。市场前景分析：天线自动化领域。与同类成果相比的优势分析：技术先进，性价比较高。

成果描述：本发明公开了一种汽车悬架减振器控制系统及方法，包括车身垂向振动加速度传感器、状态观测器、控制器以及磁流变减振器；状态观测器仅根据车身垂向振动加速度传感器信号即可对汽车的运行状态和行驶路况进行识别和预测，而不需要其他的车载传感器；控制器根据状态观测器的估计结果实时调节磁流变减振器活塞杆内电磁线圈中的电流值，进而实现对磁流变减振器性能的实时控制。该汽车悬架减振器控制系统在各种车况和路况下都有良好的工作条件，适用于各种道路与非道路车辆，尤其适用于高端乘用车和新能源汽车市场。市场前景分析：汽车技术领域。与同类成果相比的优势分析：技术先进，性价比较高。

本发明涉及一种风电集群轨迹预测与分层控制方法，包括：根据风电集群及风电场内的拓扑结构，基于空间相关性和NWP数据进行超短期风电功率预测；根据调度中心下发的调度值，将控制过程在空间上分为集群优化调度层、场群协调分类层和单场自动执行层，将风电功率预测值从时间上逐层细化；在场群协调分类层，基于风电功率预测值对风电场进行分类，分为上爬坡群、下爬坡群、平稳群和振荡群；在单场自动执行层，基于AGC机组下旋转备用裕度和风电送出断面裕度判断风电可增发空间，增发上爬坡群风电场出力或降低下爬坡群风电场出力；基于风电场运行与监测系统，根据监测到的风电场实际值，计算并反馈风电功率误差，修正风电集群和风电场预测值，使优化过程更加精确。

本发明公开了一种电动汽车负载随机接入无线充电的稳定控制系统及其方法，适用于电动汽车负载数量不确定的路口无线充电情形，属于电动汽车无线充电技术领域。该方法主要包括监测负载个数，根据负载个数得到稳态电压调控方案，进而基于动态功率有界波动域的监测点选取方法，分析得到最优监测点的位置，最终实现各负载充电功率稳定，解决单一发射区域多接收电动汽车负载系统中新增负载带来的电动汽车单体接收功率跌落问题。采用本发明的电动汽车负载随机接入无线充电的稳定控制方法，随着新负载的接入仍能保证各负载接收功率稳定，且接入过程中不对其他负载接收功率产生较大冲击。

本成果获教育部高等学校科学研究优秀成果奖（科学技术进步奖）。采用实验力学方法研究和掌握了在高应力、强流变、强采动影响等复杂条件下巷道破碎围岩岩体峰后软化、峰后剪胀扩容及流变等特性和规律；建立了围岩体力学特征和围岩支护结构体的相互关系。基于复杂条件下巷道破碎围岩的峰后强度软化和剪胀扩容效应，考虑巷道开挖后岩体强度、变形和应力分布特征，建立了复杂条件下软弱破碎巷道围岩的深浅支撑层结构理论；综合考虑围岩强度、应力和变形破坏的区域分布特征，将围岩划分为深浅支撑层结构，分析了深浅支撑层与围岩稳定的关系及深浅支撑层的演化特征和巷道变形破坏特征；掌握了巷道围岩宏观力学结构，确立巷道支护须控制的范围和支护方式确定。自主研发了锚固体流变拉拔试验系统，获得了锚固体流变失稳机理、破坏特征及类型，提出了破碎围岩巷道深浅支撑层流变破坏分析方法、结构特征及支护设计，为锚固支护结构失效诊断、有效控制深浅双支撑线层结构内巷道流变变形及防止失稳提供了依据。形成了基于深浅双支撑层理论的巷道支护设计方法和技术，提出了复杂条件下的巷道变形特征和围岩结构的预测方法、控制措施及巷道需求支护力的计算方法。对于破碎围岩巷道支护时，必须首先确立巷道的围岩赋存状态及围岩结构，分析计算深浅双支撑层结构的存在范围、力学特征和规律，进而确立浅支撑层的位置和所需支护力，一般可以形成以“锚网喷＋高预应力 U 型钢桁架锚索＋注浆”为核心的复合支护形式。锚杆对浅支撑层补强后，浅支撑层岩体与锚杆形成组合拱式的承载结构，锚索将浅支撑层与深支撑层联合起来共同形成围岩整体承载结构，而锚注再次对围岩进行加固，提高围岩整体强度，改善围岩应力分布状况，使围岩变形协调化、荷载均匀化，对深浅支撑层发挥整体承载能力具有重要作用。

热轧过程自动化控制系统（L2）主要任务是对热轧全线的生产工序进行实时跟踪、数据采集和工艺参数优化，获得满意的产品尺寸精度和各项性能指标。 成功的热轧过程自动化控制系统应该达到三个要求：控制系统运行稳定、功能设置灵活实用、产品质量控制精确。 控制系统能否运行稳定主要取决于计算机硬件系统的合理配置以及中间件和应用软件的结构设计及编程质量。 功能设置的灵活实用主要体现在控制系统的功能和接口是否可以很好地适应热轧各种不同的生产工艺要求和关键参数控制，以方便工艺技术员实现产品和工艺开发。 产品质量要控制精确，关键在于设定计算所涉及的数学模型、控制策略、自适应算法等。 高效轧制国家工程研究中心在大型热轧自动过程控制系统进行了多年的研究和开发，承担并且完成了国内许多热轧工程项目，积累了丰富的现场经验和各种成熟的解决方案，能够完成从系统设计﹑软件设计、编程调试﹑现场服务﹑到开工投产的全过程。本项目的主要内容包括： 硬件和系统软件：所选用的基于PC服务器的过程控制软硬件系统已经在多家大型热轧工程项目中成功应用，系统稳定性经受了现场长时间的严格考验。 支持软件：中间件（Middle Ware）是过程自动化系统的核心支撑软件，即应用软件的开发平台和运行环境，本项目采用的中间件PCDP（Process Control Develop Platform）是由高效轧制国家工程研究中心自主研制开发的，具有完全知识产权。 应用软件：高效轧制国家工程研究中心提供的过程自动化应用软件涵盖了热轧的各项控制功能：初始数据管理、轧件跟踪、轧制节奏、设定计算（预计算、再计算、后计算、模型自适应）、通信管理、测量值处理、HMI画面管理、历史数据管理、报表管理、轧辊数据管理、模拟轧钢等。 数学模型：高效轧制国家工程研究中心能够提供如下数学模型： (1)自动燃烧控制模型，(2)轧制节奏控制模型，(3)轧制温度模型〔空冷温降、高压除鳞温降、形变热、轧件与轧辊接触时的传导温降等〕，(4) 轧件变形模型〔变形抗力、轧辊压扁、轧制力和轧制力矩等〕，(5)自动宽度控制模型，(6)板形设定和控制模型，(7)终轧温度控制模型，(8)卷取温度控制模型，(9)卷取设定模型，(10)平面形状控制模型，(11)控温轧制模型，(12)轧制规程优化模型 本项目适用于所有新建的、已有的热轧厂(常规的热轧厂，薄板坯连铸连轧厂, 中厚板厂)。