本项目获 2015 年中国专利金奖，2015 年江苏省科学技术奖一等奖。 从上世纪 90 年代起开展了益生菌的大规模分离和筛选，得到了 20 多株具有重要益生功能和自主知识产权的专利菌株。课题组应用以上优良菌种和核心技术， 陆续研发了畅优发酵乳、畅优 ST-III 乳酸菌饮料、莫斯利安常温酸奶等新型发酵乳制品，市场增长率达到 50%，实现销售收入 120 多亿元，不仅创造了良好的 经济效益，而且树立了科技创新、引领中国乳业健康成长的标杆。成果的技术指标、创新性与先进性 （1）系统评价了 26 株专利菌株及其发酵乳的保健功能，植物乳杆菌 ST-III 对胆固醇的去除率为 45.17%，乳酸片球菌 P9 对李斯特菌的抑制率达 48.2%；对15 株典型益生菌菌株进行了全基因组测序和精细图谱绘制，覆盖率达到 260 倍以上，完成 10 株典型菌株的比较基因组分析，发现 ST-III 的耐酸和耐盐的分子机制等。 （2）开发氢氧型弱碱性阴离子交换、细胞微囊固定化高密度培养技术，活菌数分别达到 1.0×1011 cfu/mL 和 2.7×1011 cfu/g 以上，开发陶瓷微滤膜浓缩装置，浓缩倍率达 50 倍以上。 （3）开发新型液氮深冷发酵剂，实现超浓缩发酵剂的瞬时造粒，菌体存活率达 99%；液芯包囊新型发酵剂，4℃保藏一年菌体浓度达 1011 -1012cfu/g；生物膜载体新型发酵剂，热风干燥的菌浓度达 1010 cfu/g。 （4）开发高剪切粘度损失控制和二次巴杀技术，打破酸奶无法长期常温存 放的难题，实现酸奶常温下 5 个月以上的货架期；开发益生菌协同发酵技术，首创了国内植物乳杆菌发酵乳制品，成为全球销量最大的植物乳杆菌发酵乳制品。针对优良菌株进行了系统的功能评价和二次开发，解析了专利菌的益生性状、 生理特性、遗传背景及环境因子作用规律。基于终产物抑制解除、损伤修复、生物膜培养和胶囊化保护等机制开发了载体保护、反馈抑制解除、抗环境胁迫等高密度培养技术，并开发了液氮深冷、液芯包囊、生物膜载体等新型发酵剂产品。 以产业化生产为导向，攻克了益生菌协同发酵、低温长时发酵、高剪切粘度控制及质构保持、二次巴氏杀菌等新型发酵技术及生产工艺。形成了益生菌发酵乳制品的系统生产技术体系，开发出了系列新型益生菌发酵乳产品并实现了产业化生产。

全喉切除的患者肿瘤与声带同时被切除，导致正常的语言功能丧失，生活质量下降。目前主要通过电子喉辅助发声。但电子喉的声音为金属音，发音不自然，且需手持电子喉抵住喉部，使用不方便。针对以上不足，本项目利用基于唇语识别的人工智能发声方法，采集人体对象嘴唇区域的视频，利用人工智能技术分析每段视频所代表的语言信息。该方法使用时不需要手握装置，而且采用电子发声方式进行发声，让声音听起来更加自然。

本实用新型公开了一种复杂薄壁类铝合金件超声辅助半固态压铸成型装置。包括压铸机、压铸模具、超声振动系统和冷却系统，压铸模具安装在压铸机，压射组件穿过静模固定板与压铸模具连接，压铸模具的动模上安装连接超声振动系统，超声振动系统直接作用于动模以超声辅助进行半固态压铸成型，动模设有与超声振动系统连接的冷却系统。本实用新型可有效降低固相团聚程度，提高半固态金属的流动能力和充型能力，并且能细化晶粒，提高铸件的致密度，进一步提高铝合金铸件的力学性能和导热性能，为复杂薄壁类铝合金铸件制造提供一种新的成型方法。

本发明属于精密加工与测量技术领域，并公开了一种基于核外 电子概率密度分布的复杂曲面零件匹配检测方法，包括:对待测零件 进行非接触式扫描获得扫描点云，并将其与设计点云组成匹配比较对 象;将两片点云转换到同一三维坐标系内，并将各个点看作原子的原子核，将此原子核的邻域点看作核外电子，遍历所有点计算得出其对 应的电子概率密度分布值;基于计算得出的电子概率密度分布值确定 两个模型的误差，并在当前误差不满足终止条件时对测量点云进行粗 匹配和精匹配，直至满足终止条件为止。通过本发明，能够有效解决 现有非接触式匹配

本发明属于精密加工与测量技术领域，并公开了一种可有效保留边界和局部特征的复杂曲面零件点云精简方法，包括:对复杂曲面 零件生成扫描点云;针对点云中的各个点获得多个邻域点并计算得出 法线向量;继续以各个点为球心找出最短半径范围内的 m 个点，然后 求出点云中各个点的法线向量与这 m 个点的法线向量之间夹角的平均 值;基于夹角平均值来设定阈值，然后执行特征粗分类;进行二次细 分以完成第一个精简子集的选取，然后基于定向Hausdorff距离来完成 第二个精简子集的选取

本发明属于精密加工与测量技术领域，并公开了一种可有效保留边界和局部特征的复杂曲面零件点云精简方法，包括：对复杂曲面 零件生成扫描点云；针对点云中的各个点获得多个邻域点并计算得出 法线向量；继续以各个点为球心找出最短半径范围内的 m 个点，然后 求出点云中各个点的法线向量与这 m个点的法线向量之间夹角的平均 值；基于夹角平均值来设定阈值，然后执行特征粗分类；进行二次细 分以完成第一个精简子集的选取，然后基于定向 Hausdorff 距离来完成 第二个精简子集的选取；最后对两个精简子集进行合并，由此获得

1. 痛点问题 随着电力系统的发展，电网运行方式时变性和复杂性日益增强，运行专家难以把握电网安全运行的特征和规律，极大的增加了电网运行风险和控制难度。在传统的调度机制中，一方面，运方人员人工选择典型的运行方式，通过离线电力系统分析程序，计算电网潮流，分析电网稳定性，制定电网安全运行边界，进而人工归纳形成“年度运行方式手册”，来长期指导电网运行；另一方面，调度员将上述运行规则作为安全边界（安全约束），输入能量管理系统（Energy Management System，EMS），进而对电网进行调度和控制，以求在安全边界内达到最优运行点。 然而传统的调度机制存在问题，近年来国内外频繁发生的大停电事故也说明了这一点。主要问题归纳如下： 第一，极端运行方式下不安全：电网运行方式多变，离线规则可能不满足极端运行方式的安全要求。 第二，常规运行方式下经济性差：受能力和时间所限，运方人员离线制定运行规则时，仅分析典型运行方式，规则形成后长期使用，相对粗放，缺乏精益化管控，导致电力网络资源利用率低。 第三，随着新能源的大规模并网、需求响应的逐步实现，运行边界频繁变化，不确定性增强。 第四，电力系统运行受到其他系统影响，电力系统安全已经演变成为一个多系统、多因素综合分析问题。以微气象系统为例，对于发电侧，微气象直接影响风电、光伏等新能源的出力；对于需求侧，微气象直接影响工业负荷、智能楼宇、电动汽车等的负荷功率。因此，微气象系统通过影响发电负荷水平，进而影响电力系统安全。因此，随着电力系统与其他系统的关系日益紧密，电力系统安全评估时需要考虑其他系统（例如微气象系统）的影响。 综上所述，传统的调度机制已经无法适应新的形势。因此，亟需研究支撑复杂电网断面发现的智能机器调度员软件的关键技术，通过人工智能、深度学习等信息领域与能源领域的交叉研究，突破支撑复杂电网断面发现的智能机器调度员的基础理论瓶颈，从实际电力系统出发（物理维），立足现有调度机制，基于在线运行方式，采用模型驱动的安全评估方法（模型驱动），形成海量电力系统安全评估仿真样本（数据维）；再以这些样本为基础，通过机器学习训练数据驱动的电力系统在线安全评估模型（数据驱动），形成电力系统安全运行知识图谱（知识维），以代替运方的“年度运行方式手册”。 2. 解决方案 本成果提出了一种支撑复杂电网断面发现的智能机器调度员技术，包括可再生电源的数据驱动电压频率响应特性建模方法、用于暂态稳定预测的失稳样本主动生成方法、电力系统暂态稳定评估方法、结合深度学习和仿真计算的暂态稳定严重故障筛选方法、考虑运行约束的调整潮流生成方法等关键技术，开发了支撑复杂电网断面发现的智能机器调度员软件。该软件用“人工智能”代替“专家智能”，以电力系统安全评估产生的海量仿真数据为基础，以人工智能和机器学习为手段，构建电力系统安全运行知识图谱，从而将“专家智能”离线制定粗放运行规则的模式，变革为“人工智能”在线发现精细运行规则的模式，逐步代替运方的“年度运行方式手册”，保证复杂电网安全、稳定、经济运行。 3. 合作需求 寻求应用场景和资源对接，应用场景和业务能覆盖断面规模众多的大省如浙江、广东等，并且有与输电网断面发现的大中型企业有合作经验，同时具有一定的技术开发能力、市场推广资源和现场工程实施经验，能与现有团队形成合力，通过信息领域与能源领域的交叉研究，突破支撑复杂电网断面发现的智能机器调度员软硬件难题。为保障项目实施质量和进度要求，拟合作团队需通过ISO9001质量管理体系认证，且是国家高新技术企业。期望通过合作，全面开展产品和服务的推广销售。

本发明公开了一种计算复杂度感知的视频解码宏块级并行调度 方法，包含两项关键技术：一是根据熵解码和重排序之后的宏块信息， 如非零系数个数、宏块帧间预测编码类型、运动矢量等，建立宏块解 码复杂度预测线性模型，对每个模块进行复杂度分析，充分利用已知 的宏块信息，提高并行效率；二是在满足宏块解码依赖的前提下，将 宏块解码复杂度与计算并行相结合，对已获取的宏块复杂度进行排序， ·945·根据排序结果对宏块进行分组并发执行，分组

本发明公开了一种基于电力系统底层故障信息的复杂故障串联 整合方法。包括以下步骤：获取底层故障的底层故障信息，将按各底 层故障第一排序时刻先后顺序列于时间轴上；并将时间窗口的起点置 于首个底层故障的第一排序时刻处；辨识时间窗口内底层故障两两之 间的关联性，区分复杂故障的类型；对辨识出的第一排序时刻非相邻 的连锁故障和保护隐藏故障进行修正；将时间窗口起点移动至下一个 相邻底层故障的第一排序时刻处，对该时间窗口内底层故障的关联性 进行辨识；重复上述步骤，直到所有底层故障的关联性辨识完毕，得 出复杂故障的串