|
搜索
搜 索
高等教育领域数字化综合服务平台
合肥国轩高科动力能源有限公司
国轩高科股份有限公司（以下简称“国轩高科”）系中国动力电池产业最早进入资本市场的民族企业，于2015年5月成功上市，股票代码002074，拥有新能源汽车动力电池、储能、输配电设备等业务板块，旗下包括合肥国轩高科动力能源有限公司、工研总院、资本中心和东源电器四大板块。
合肥国轩高科动力能源有限公司（以下简称“合肥国轩”）为国轩高科的全资子公司，成立于2006年5月，拥有合肥（新站、经开、庐江、肥东）、南京、青岛、唐山、南通、柳州、宜春十大生产基地。
公司系国内最早从事新能源汽车动力锂离子电池自主研发、生产和销售的企业之一，专业从事新型锂离子电池及其材料的研发、生产和经营，拥有核心技术知识产权。主要产品包括磷酸铁锂和三元材料及电芯、动力电池组、电池管理系统及储能型电池组等。产品广泛应用于纯电动商用车、乘用车、物流车和混合动力汽车等新能源汽车领域，并与国内多家主要新能源整车企业建立了长期战略合作关系。
公司作为国家级企业技术中心、三项国家“863”重大课题承担单位，参与了三项新能源汽车创新工程，先后通过ISO9001、ISO14001、ISO45001三标一体认证和IATF16949质量管理体系认证，被评为国家CNAS认可检测中心等，并在中国合肥、中国上海、美国硅谷、美国克利夫兰、新加坡、日本筑波、德国等地建立了全球研发中心。2016年，由国轩高科牵头的“高比能量动力锂离子电池的研发与集成应用”课题、“年产6亿安时锂离子动力电池生产基地项目”、以及“新能源汽车锂动力电池智能工厂”项目分别成功申报国家“十三五规划”新能源汽车重大专项、发改委2016年增强制造业核心竞争力专项和工信部新能源汽车锂动力电池智能工厂重点项目。
公司系国家火炬计划项目单位、高新技术企业、安徽省政府质量奖、安徽省环境保护创新试点单位，并且拥有国家级博士后科研工作站和省级院士工作站，2019年1月国轩高科企业商标被国家知识产权总局认定为中国驰名商标。
合肥国轩高科动力能源有限公司
2022-03-01
新能源汽车电池管理（BMS）测试（台架）实验系统
该系统是新能源电动汽车中电池管理系统的教学、开发平台，并提供控制器C语言程序代码、电路原理图、理论/实验指导书、主要芯片数据手册等资料通过学习掌握电池管理系统原理，并具备一定的系统开发、故障诊断能力。
成都盘沣科技有限公司
2021-02-01
汽车教具新能源整车网联多维汽车教学设备
北京智扬北方国际教育科技有限公司
2021-08-23
宽带移动通信容量逼近传输技术及产业化应用
成果介绍宽带化移动信息服务成为现代信息社会发展的基本需求。在频率资源日趋匮乏的条件下，如何大幅度提升其使用效率，成为宽带移动通信的核心技术问题。 本技术发明揭示了多天线宽带移动通信环境下的容量可达传输为特征模式传输，在攻克了广义多载波、普适多天线传输以及双涡轮迭代接收等一系列关键技术的基础上，率先将宽带移动通信容量逼近理论与技术推向工程实践和规模产业化应用，关键技术指标处于业界领先水平。相关提案被3GPP国际标准化组织采纳，并获通信国际学术界有重要影响的IEEE通信理论莱斯最佳论文奖。技术创新点及参数1、广义多载波传输技术：为解决宽带化所引发的系统复杂性，发明了广义多载波传输技术，经典的正交频分复用多载波技术为其特例。具有快速实现、频谱利用率高、抗多径能力强、峰均比低、对频偏不敏感、子载波可异步运用等一系列优点，适应大范围覆盖和无线资源的灵活调配。 2、普适多天线传输技术：采用多天线的MIMO 传输技术是大幅度提高频谱和功率效率的基本途径。针对普遍意义上的空时联合相关信道模型，发明了普适MIMO 传输技术，通过信道特征的实时感知及在线容量估算，自适应地优化发送机与接收机，在实时逼近信道容量限的同时，解决了一直困扰业界的MIMO 技术在各种复杂无线环境中的应用难题。 3、双涡轮迭代接收技术：逼近容量限的接收技术是业界长期追求的目标。发明了双涡轮迭代接收技术，通过双层并发迭代环路，对多载波、多天线接收机进行整体优化，在获得逼近容量限接收性能的同时，突破了计算复杂度及处理延时等方面的应用瓶颈。市场前景本发明被应用于华为公司的3G 增强及演进型宽带主力基站产品，已在世界五大洲20 余个国家投入商用；本发明还被应用于展讯公司终端芯片产品及瀚讯公司宽带无线应急通信系统等。本发明已累计产生了近10 亿元直接经济效益，并在世博安保及汶川抗震救灾中发挥了重要作用。本发明所涉及的18 篇技术提案被3GPP 主流国际标准化组织采纳，相关成果在IEEE 核心刊物发表，并被欧洲标准化组织ETSI 丛书收入。 有关宽带移动通信容量逼近研究成果“宽带多载波普适MIMO传输与迭代接收技术”获2009年教育部高等学校技术发明一等奖，并于2011年获国家技术发明一等奖。
东南大学
2021-04-11
用于光纤激光、高功率激光传输的大模场光纤
项目简介 本成果提出大模场光纤的系列解决方案，基于新型环形纤芯、非对称型微结构包层、 以及模式正交耦合及分离技术获得新型大模场光纤，光纤同时具有大模场、低损耗、单 模传输特性，实现高质量光束输出。已申请发明专利 9 项，其中已授权发明专利 4 项 （ZL201010589053.3、ZL201010590795.8、ZL201110356877.0、ZL201210391185.4）。 性能指标 （1）模场面积可达 1500μm 2 以上。 （2）光纤可在弯曲半径为 20~30cm 的
江苏大学
2021-04-14
基于 FPGA 和多核 DSP 的图像传输及处理系统
本发明公开了一种基于 FPGA 和多核 DSP 的图像传输及处理系统，包括 PC、PCI 桥、双通道切换开关、FPGA、多核 DSP、晶振、电源以及两存储器；PC 通过 PCI 桥连接 FPGA，FPGA 连接双通道切换开关，双通道切换开关连接两存储器和 DSP，DSP 通过 HPI 接口连接 FPGA，电源分别连决 FPGA 和 DSP；PC 将图像数据通过 PCI 桥传送到 FPGA，FPGA 对图像数据进行 FIFO 缓存。本发明通过乒乓的方式将连续图像数据在两存储器之间轮番交替存储并交替送至
华中科技大学
2021-04-14
用于光纤激光、高功率激光传输的大模场光纤
本成果提出大模场光纤的系列解决方案，基于新型环形纤芯、非对称型微结构包层、以及模式正交耦合及分离技术获得新型大模场光纤，光纤同时具有大模场、低损耗、单模传输特性，实现高质量光束输出。已申请发明专利9项，其中已授权发明专利4项（ZL201010589053.3、ZL201010590795.8、ZL201110356877.0、ZL201210391185.4）。性能指标 （1）模场面积可达1500μm2以上。 （2）光纤可在弯曲半径为20~30cm的条件下
江苏大学
2021-04-14
炼铁生产过程伴生能源的整体梯级回收系统
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。
浙江大学
2021-04-11
一种能源回收自清洁的垃圾输送系统
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。
浙江大学
2021-04-11
基于大数据的能源互联网能量管理系统
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。
清华大学
2021-04-11