煤矿提升机箕斗卸煤不净的原因有:水煤、黏矸造成箕斗内滞卸载不完全；冬季严寒天气，箕斗内的水媒冻结造成滞煤，当箕斗定量装载在箕斗滞煤情况下再次装载后，其实际载荷超过额定负荷，远超过电机额定能力，会造成无法正常提升，若不及时排除，则易造成提升安全事故的发生。本成果设计了测量余煤卸载情况的监测系统，该系统将利用无线张力检测装置，实时检测提升机钢丝绳的张力，并通过无线发送装置发送到地面，之后，通过标度变换并计算出钢丝绳张力和载重量最终显示在液晶显示器上，当过有余煤未卸尽时，则报警，提醒及时清理箕斗余煤。该成果的发明，极大提高了矿井提升机的安全提升水平，促进了煤矿的安全高效生产。 该成果针对提升机提升过程中的过载情况进行研究，设计了基于无线通信的装卸载安全 提升智能监测与控制装置。主要技术性能指标如下： 1、能够实时测量钢丝绳张力，钢丝绳直径 22～36mm； 2、该系统能够测量装载重量为 0～20 吨。 3、系统采用无线数据传系统，工作频率为 2.4G，传输距离 200～2000m； 4、系统采用蓄电池供电，供电电压 12V，功率 0.7W。 5、能实时监测钢丝绳张力，并实时显示装载重量。

1.项目背景 化学反应器与精馏装置是石化生产过程中使用最为广泛的设备，也是最主要的耗能单元，反应器与精馏塔运行的好坏直接关系到石油化工企业的经济效益。反应与分离强化过程通常由多个单元耦合联接而成，其不仅涉及反应与分离能力的协同机制、多单元组合与系统整体运行效能的关系，而且强化过程具有强非线性、大滞后和多变量耦合特性，以及经济、环境与安全等不确定性因素的干扰，都对强化过程的平稳操作、协同调控与分级优化带来诸多的挑战。 采用反应与精馏强化技术，通过传质与传热的强化、物质流与能量流相互耦合，使强化过程具有大幅度提高反应转化率或选择性，降低生产能耗和污染物排放等优越性。然而这种集成优势只有在反应能力与分离能力动态协同作用条件下才能被充分发挥，而且强化过程具有多稳态、强非线性和多变量强耦合特性，这些都对强化过程的自动控制与优化理论提出了新的挑战。 采用传统控制模式，当系统受到干扰时，很容易引起反应与分离能力动态失调和工况发生大范围波动与偏移，造成产品质量不合格和能耗增加等控制难题。因此，在传统控制模式的基础上，探索反应与精馏强化过程的动态协同调控方法与动态优化理论，对解决集成装置的平稳操作与自动控制难题，切实提高系统运行品质，有效降低装置生产能耗和污染物排放方面具有重要意义 2.项目技术原理 南京工业大学绿色化工研究所，经过多年研究发明了不同工况反应与蒸馏集成技术，可根据不同体系的特殊要求，实现不同工况反应与精馏的最佳匹配，解决了反应与蒸馏操作条件必须一致等问题。本项目在对强化过程机理模型、经济稳态优化和动态特性分析的前期研究基础上，研究反应能力与精馏能力的动态协同调控新方法和强化过程的分级优化理论，提出反应与精馏强化过程一体化设计思想，对传统多单元生产过程具有很好的借鉴作用。项目针对反应与精馏过程自动控制系统设计与性能优化调节方面主要开展以下技术： （1）反应与精馏强化过程多变量自动控制方案的设计与性能分析 在对反应与精馏过程机理建模、经济稳态优化设计和动态特性分析基础上，采用稳态增益矩阵和奇异值分析方法，合理选择过程被控变量和操作变量配对模式，运用传统控制策略设计反应精馏强化过程多变量自动控制方案，采用ASPEN PLUS流程模拟软件和ASPEN DYNAMIC模块进行控制方案的动态模拟测试，并根据实际工艺扰动情况，通过在动态流程模拟系统上分别加入不同幅度和方向的多种扰动和改变系统设定值，评价传统控制模式闭环系统性能，在此基础上，改进自动控制方案设计，确保设计的自动控制方案在实际应用中能够维持平稳有效运行。 （2）生产负荷自动调节和优化技术原理 反应与精馏过程的生产负荷经常随着市场需求的变化进行调整，负荷的变化将可能引起系统工况的波动，产品质量下降，能耗增加等问题，甚至造成系统不稳定而被迫停机。本项目采用设定值多步长滚动优化、偏差区域容忍动态矩阵控制与传统控制相融合方法，实现反应与分离能力动态协同调控；本项目在多变量基础控制系统上，在关键控制回路增加设定值智能调节模块和多变量协调预测控制模块，分别采用设定值多步长滚动优化、偏差区域容忍动态矩阵控制（Error tolerant DMC）与传统控制相融合方法，实现反应能力与分离能力动态协同调控，使系统获得了良好的跟踪性能和鲁棒性。解决传统控制模式下扰动引起反应与分离动态失调，导致产品质量不合格、能耗和污染物排放增加等控制问题。在多变量协调预测控制模块设计中，对于反应器出口成分和产品质量等不可在线测量的关键变量，采用机理模型和经验模型建立产品成分软测量模型，实现对产品成分、反应转化率等不可测被控变量的在线估计。 （3）反应与精馏强化过程的系统性能优化技术 在经济稳态优化设计前期研究基础上，开展多目标多约束动态优化与多变量跟踪控制相结合的分级优化理论研究。在上层多目标多约束的动态优化设计中，是以能耗和操作成本最小为优化目标，以质量、尾气/废液排放和过程动态模型等为约束条件，采用多目标优化算法对强化过程的关键操作参数进行动态优化计算，给出工况最优调节方案。根据多目标动态优化给出的关键参数设定值最优调节方案，采用设定值多步长滚动优化给出多变量预测控制的参考轨迹，通过多变量协调预测控制和基础控制回路的跟踪调节，使系统输出快速跟踪设定值的最佳操作值，实现工况优化与平滑调节，确保系统维持高品质运行特性，从源头降低工况大范围波动和事故发生的概率。 3.关键技术路线 项目针对反应与精馏过程，融合了化学工程理论、自动控制理论、智能学习算法与计算机模拟技术，采取理论研究、模拟实验和工业应用相结合的技术路线，如下图所示。项目分别开展反应精馏过程的多变量基础控制系统设计、反应与分离能力动态协同调控新方法、强化过程分级优化理论研究，并将项目成果融合，开展不同工况反应与精馏强化过程的一体化工程设计，研制一套流程模拟综合实验平台，进行模拟验证和工程应用研究。 4.项目技术特色和创新性 （1）针对反应与精馏强化过程，在传统控制模式下扰动引起反应与分离动态失调和工况偏移，导致集成优势难以充分发挥工程问题，项目提出将设定值多步长滚动优化、偏差区域容忍动态矩阵控制、多目标多约束动态优化与传统基础控制相融合的动态协同调控新方法与分级优化理论，在反应与分离动态协同作用下实现工况的优化与平滑调节，确保系统维持高品质运行特性。 （2）项目沿着学科交叉与融合方向，将化学工程理论、自动控制理论、智能学习算法与计算机模拟技术相结合，提出不同工况反应与精馏强化过程流程模拟、控制系统设计与集成优化理论相结合的一体化工程设计思想，并在常压反应与减压精馏集成的甲苯氯化反应精馏工业装置上进行工程应用研究，解决装置自动控制与平稳操作等实际控制问题，发挥强化过程高转化率/高选择性、低能耗的集成优势。

技术成熟度：技术突破 1.原理：结合磁浮列车极端运行工况，充分考虑运行环境的强磁场，深入研究机-电-磁耦合机制，精确调节磁体悬浮姿态，以实现超导磁体在液氮温区（-196℃）自稳定悬浮。 2.创新点： （1）研发国产化低功耗悬浮控制模块，能耗较进口设备降低35%； （2）突破-196℃环境下多系统协同控制技术，填补国内工程化应用空白。 3.应用场景： （1）高速磁浮列车静悬试验台 （2）精密仪器运输平台 （3）航空航天地面测试装备 4.应用案例：前期开发的自由度控制系统，已被合作团队应用且效果较好。

为服务社会大众了解疫情走势，并为相关部门提供决策支持，北京航空航天大学北航大数据与脑机智能高精尖创新中心刘旭东教授、胡春明教授、李建欣教授等组织师生，与复杂系统可靠性实验室李大庆研究员联合组成团队，全力投入建模和系统研发，已向决策部门提供疫情数据评估与预警报告、区域物资保障评估专项报告等，并迅速开发“新冠肺炎疫情数据导航服务”平台，数据单日访问量近 5 万次。此外，中心还进行新型冠状病毒的疫情评估与预测报告并开发疫情实时更新系统。中心对疫情现状进行分析和预测，为公众提供及时、准确的疫情态势分析、走势预测、舆情动态和政策措施等智能数据服务，实现全国及重点城市日度传播系数计算、短期确诊人数预测和长期疫情拐点与结束日期预测、疫情缓解系数评估等功能。此外，大数据与脑机智能高精尖创新中心研究团队根据疫情确诊患者相关公开数据，利用自然语言处理等技术，从已公开全国各省市直辖区四千余位确诊患者轨迹中抽取了基本信息(性别、年龄、常住地、工作、接触史等)、轨迹(时间、地点、交通工具、事件)及病患关系形成结构化信息。同时开发确诊患者轨迹可视化查询与分析系统，为疫情传播与防控相关研究提供有效支撑。

综观5G、智能化电子设备、导航定位、柔性可穿戴、RFID、物联网、覆盖系统、通信系统等领域，都需要不同类型的高性能换能器件─天线。对于不同的应用体系、不同的频段，天线具有不同的形貌及技术特征。随着以上多种应用日益紧密地融入人们的生活之中，多功能调控管理一体化技术研究的深入，对于这个基本器件的需求在数量上和质量上都有着持续不断增长的需求。团队具有从设计理念到器件材质选取/研发系列自主知识产权国家发明专利100多项，具有按合作方需求完成多种交叉应用的按需新产品研发天线及相关产品能力，兼顾系统EMC集成化的设计，完成一体化智能化的高端装备制作。 天线是应用面极为广泛、技术含量极高的产品，制作各类天线的材料小型化后用量有限，本身价格一般不超过成品售价十分之一，既可以通过购置知名品牌的基材满足常规需求，也可以通过本团队联合的研究团队按需开发特种基材，获取更高的天线特性。从投资的角度，天线批量制作工艺要求并不复杂，采用常规具有一定精度的机械加工设备或者高稳定度的PCB制版设备就可以完成平面小型化天线，设备寿命较长，在高科技设计技术的保障下操作调控也很方便。扣除产品的后期包装和推广成本，利润极高，需求量大，保守估计各种类别的天线年产值都会在数千万以上，前端创新的可以有数亿，属于低投入高回报的产业。 项目投资额视合作关系而定，一般前期投入每个特需专项前期 100~150万人民币，后期再追加及提成(不包括厂房等投入)。

已有样品/n该项目提供了一种用于卫星导航系统的射频信号质量评估方法。该项目结合卫星导航信号的特点提出了一套较完善的评估指标体系，并给出了包括信号采样、滤波、数字下变频、同步、理想基带信号复现、信号质量指标提取等关键步骤的具体实现方法。与此前的其它方法相比，该项目的应用效果有三方面的显著改善：1）消除了模拟通道间的时延不一致性对信号一致性评估精度的不利影响；2）制定的评价指标与信号捕获、跟踪、解调性能直接关联，可定量评

项目简介： 发展自主知识产权的北斗卫

依多训内镜手术培训机器人依托云平台，将医学病理，影像数据、手术培训智能分析引擎等绝密数据及算法存储于云端。 打破传统内镜手术培训的模式，为广大用户带来系统化，精确化，数量化的手术仿真培训教学。系统集人机交互人工智能、VR、AR、医疗影像、机械电子等多个当代学科最尖端技术于一体，可广泛用于医疗行业的各个临床手术培训。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：