项目团队在印刷制造领域有多年的研究基础，形成“基础研究-关键技术-应用突破”的全链条研究方式，构建了印刷电子低成本制造技术及应用集成模式，发展了系列先进防伪功能油墨、高性能导电油墨和活性储能功能油墨，并实现了其在光学防伪、智能服装以及智能包装等领域的应用推广。 一、项目分类 关键核心技术突破 二、技术分析 项目团队在印刷制造领域有多年的研究基础，形成“基础研究-关键技术-应用突破”的全链条研究方式，构建了印刷电子低成本制造技术及应用集成模式，发展了系列先进防伪功能油墨、高性能导电油墨和活性储能功能油墨，并实现了其在光学防伪、智能服装以及智能包装等领域的应用推广，成果达到国际领先水平。发表SCI论文80余篇，出版专著4部，授权专利23项（发明专利20项）。本成果的关键技术与创新点主要体现在四个方面： （1）基于上/下转换多模式光学功能油墨化策略，发展了新型长效功能防伪油墨，将传统的单一颜色印刷光学防伪图案升级为全彩色防伪图像，在国际上率先实现了特定波长防伪和机密印刷图文信息隐藏与编码。实现了一系列包括近红外激发的多色可见上转换发光防伪功能油墨、紫外光激发多色下转换发光防伪油墨以及兼具上/下转换发光特性的防伪功能油墨的配制，能够满足多种印刷方式（丝网印刷、喷墨印刷以及R2R印刷），在多种包装基底材料上（PET、纸张、织物等）具有良好的印刷效果和防伪应用。 （2）创新的采用同时从电极结构内部和功能油墨外部优化的双重策略，利用大面积丝网印刷技术实现了柔性超级电容器的全印刷工艺制备，率先揭示了印刷工艺对器件性能影响的关键决定机制和内在工作机理。实现了多种高性能储能材料，如金属氧化物，导电聚合物，MOF类功能材料及其复合材料的制备与油墨化处理，所制备的印刷柔性超级电容器的比电容可达到16.8 mF cm-2（0.1 mA cm-2），同时具有长的循环稳定性（＞5000次），优异的能量密度和功率密度（0.5 mW cm-2）。本项目提出的印刷电子技术代表了超级电容器制造业的一种范式转变，它为柔性超级电容器提供了一系列简单、低成本、省时、多功能和环保的制造技术，在未来电子产品中具有巨大的应用潜力。 （3）发展了系列功能传感油墨，实现了高度灵敏和循环稳定的柔性传感器的全印刷制造，揭示了功能导电油墨组分与配比对传感性能的影响规律以及印刷柔性传感器的传感机理，系统评估了印刷柔性传感器的传感性能，所制备的印刷传感器的应力传感范围可达到155%，最大灵敏度为6.3×104，最快响应速度可达到18 ms，循环稳定性＞1000次，并且成功应用于运动、健康监测和智能包装中。 （4）完善了全印刷制造相关理论，解决了印刷制造薄膜类电子器件结构精度低共性问题，利用多种印刷技术实现了高性能柔性/可拉伸电极和柔性加热器件的图案化制造，研究并揭示了其运行工作机理，实现了部分印刷电子器件的集成与成果转化。

中性笔及白板笔油墨生产工艺及配方

本成果源于为江苏省科技厅资助的产学研重点项目，主要的成果内容：（1）地铁区间隧道及车站基坑开挖对文物等重要构筑物的影响预测评估技术；（2）地铁施工爆破对构筑物振动影响评估预测技术；（3）文物检测的新技术研究；（4）文物加固消险新技术。（5）地铁施工时文物监测新技术及远程监控系统开发。（6）地铁运营期间轨道振动对文物鼓楼影响的研究。目前针对地铁施工及运营对文物的影响分析及控制保护技术在国内外尚较少见，本项目组已经针对上述研究内容取得4项软著和多项相关专利，并且参与了南京地铁4、5、6、7及宁句城际等多条线路沿线的文物评估及加固项目取得了不错的成果。

含危险有机物杂质的废盐的安全及无害化处置技术及装备研发。主要指标：有机物杂质分解去除率99%以上，可得到纯净的可利用的工业盐

本发明公开了一种炼铁生产过程伴生能源的整体梯级回收系统,包括:包含燃气轮机的高炉煤气燃机发电系统和包含双压余热锅炉的余热回收发电系统;还包括烧结烟气回收系统和冷却热废气回收系统。所述的烧结烟气回收系统将来自烧结机的烧结烟气经除尘器除尘后,在第一引风机的抽吸作用下送入双压余热锅炉;所述的冷却热废气回收系统将冷却热烧结矿后产生的热废气在第二引风机的抽吸作用下也送入双压余热锅炉。本发明系统将烧结工艺显热和炼铁过程伴生的低热值高炉煤气进行整体回收,并且梯级利用,形成完整的、能稳定运行的中低温余热、低热值高炉煤气高效综合利用系统。

本发明公开了一种能源回收自清洁的垃圾输送系统，包括：用于输送垃圾桶升降循环的升降机构，所述升降机构具有环形输送件，环形输送件上间隔布置有多个连接座，每个连接座上转接有所述的垃圾桶；安装在所述升降输送机构两侧并用于保持垃圾桶升降运动姿态的限位轨道，靠近所述升降机构的底部设有无限位轨道作用的垃圾倾倒位；置于各楼层并用于控制垃圾桶在垃圾投放口停止的即停机构；位于所述升降机构下方的垃圾储存箱，用于储存各垃圾桶翻转倒出的垃圾。本发明适用于高层建筑各楼层垃圾的升降输送；节省电梯运输垃圾的功耗，节能减排；减少垃圾处理的人力消耗，降低管理成本。

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。

高校科技成果尽在科转云