本成果涉及的是一种全尺度危险固体废弃物连续热解焚烧装置及焚烧过程，属于可燃危险固体废弃物处置及焚烧技术领域。该处置装置及研究平台的主要工艺设备，按照功能包括上料、热解燃烧、余热利用、烟气净化、烟气排放、电器控制监控系统和附件等七部分。通过采用废弃物热解气化原理，废弃物在立式热解炉内欠氧条件下热解、气化，热解炉内气体温度控制在200-400℃左右，炉渣中心温度可达8

本发明属于气敏膜合成技术领域，更具体地，涉及一种基于微 滴预混和转印的气敏膜的并行合成装置及合成方法，该气敏膜并行合 成装置包括限位载物台、控制模块、三维滑台、微滴预混模块和微滴 转印模块，微滴预混模块采用阵列蠕动泵和阵列微滴针头相结合来实 现气敏原材料预混，微滴转印模块采用气密自动微量进样器、图像定 位摄像头和预制定位膜的基片共同协调实现转印过程中的定量微滴和 气敏膜的精准定位定形。本发明还公开了气敏膜的制备方法。

本发明涉及一种基于故障限流-快速储能协调控制的微电网暂态性能强化装置及方法，如下：当微 电网遭遇外部短路故障时，考虑故障位置的差异及高渗透功率的交互需求，某些故障工况下限流器和快 速储能装置的协调控制以提高微电网的故障穿越能力；对于某些特定的工况如微配电网联络线短路故障， 微电网必须从主网络断开时，故障限流器及快速储能装置的协调控制以保障微电网在并网与孤岛模式之 间实现平滑过渡。本发明可以在有效限制故障电流、减小微电网耦合点电压跌落的同时，也在

对于城市轨道交通，再生制动能量的充分利用是实现节能的重要措施。其中，超级电容储能系统是目前极具竞争力的解决方案。它的主要功能包括提高再生制动能量利用率，降低牵引能耗，减少再生失效，抑制网压波动。北京交通大学开发了车载和地面两种类型的超级电容储能系统样机。掌握了储能系统优化配置、大功率双向DC/DC变流器、超级电容充放电控制、能量管理策略等关键技术。该系统也可应用于工程机械、电动工具等其他领域。

本发明公开了一种基于 CO2 激光器的自校准测量 SF6 浓度的装置及方法，运用波长可调谐 CO2 激光器，在传统光声光谱技术的基础上，检测两个不同波长的光声信号，并通过数据处理计算出 SF6 浓度。该装置成功实现了自校准的 SF6 浓度测量，避免了传统光声光谱技术中运用标准气标定检测系统的过程，从而排除了标定过程中气压、温度、缓冲气等因素对检测结果准确性的影响，从而提高了光声光谱技术的测量精度和实用性。此外该自校准

本发明涉及烟气污染物治理技术领域，旨在提供一种活性分子O3低温两步氧化烟气硫硝一体化脱除方法及装置。该方法包括：除尘后的烟气由烟道依次进入烟道反应器和湿法洗涤塔；活性分子O3分两个阶段参与反应：一部分由烟道反应器的前端喷入，将烟气中的NO氧化为NO2；剩余的由烟道反应器末端或湿法洗涤塔中段喷入，继续将烟气中的NO2氧化生成NO3或N2O5；硫氧化物与NO3或N2O5在湿法洗涤塔中被浆液一并吸收，实现硫硝污染物的一体化脱除；经处理后的烟气送入烟囱实现排放。本发明降低了脱硫脱硝系统的投资成本、实现了同时脱硫脱硝，系统跟随燃烧负荷调节灵活、工艺简单、脱硝效率90％以上、脱硫效率95％以上，废液可回收氮肥和硫元素，具有广阔的应用前景。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

高端智能化、高效节能、低耗能的机械设备主要为：履带式的移动破、圆锥破