本发明公开了一种高层建筑抽蓄储能风光智能微网系统及控制方法，包括风机组件、光伏阵列组件、抽蓄机组、及微网中央处理器；风机组件、光伏阵列组件、抽蓄机组连接在低压母线上；主电网能提供可靠的能源支持；微网和主电网由并网变压器、并网开关、公共连接点连接；微网中央处理器根据可再生能源的发电量和负荷需求量，管理调度系统能量分配；并实时监控系统状态，及时处理各类故障，实现微网在并网、离网两种模式间的无缝切换。本发明将可再生能源集成在高层建筑中，能源结构可持续发展，并利用建筑高程差将抽水蓄能机组作为储能设备，具有对电网负荷变化反应快速、调节灵活，调峰、填谷、调频、调相和事故备用的良好运行性能。

3D投影机智能教室方案采用激光光源的3D投影机，搭配中央控制系统、3D服务器、3D信号处理器、3D互动讲台、3D白幕、3D红外眼镜、消毒推车、音响等构成。设备集中管理，一键联动控制。适用于：学校升级改造、3D多媒体教室、兴趣实验室、特色教室、3D影院、生物实验室、地理实验室、专用教室、3D智能化教室、3D多功能教室等。  方案特点： 与常规教室整合，可复用易部署 臭氧紫外线杀菌，3D眼镜安全卫生 3D效果出众，调动学生多感官参与 搭配3D优质教学资源库 3D多媒体教室效果图

一、产品概述       本设备以工业机器人与机器视觉为核心，将机械、气动、运动控制、变频调速、编码器技术、PLC控制技术有机地进行整合，结构模块化，便于组合，实现对高速传输线上的不同物料进行快速的检测、组装。为了方便实训教学，系统进行了专门的设计，可以完成各类机器人单项训练和综合性项目训练，可完成各类机器人单项训练和综合性项目训练。可以进行六轴机器人示教、定位、抓取、装配等训练，        包含六自由度工业机器人、智能视觉检测系统、PLC控制系统及一套供料、输送、装配、仓储机构，可以实现对高速传输的工件进行分拣、检测、搬运、装配、存储等操作。该平台各组件均安装在型材桌面上，机械结构、电气控制回路、执行机构相对独立，采用工业标准件设计。通过此平台可以进行机械组装、电气线路设计与接线、PLC编程与调试、智能视觉流程编辑、工业机器人编程与调试应用等多方面训练，适合职业院校、技工学校自动化类相关专业《工业机器人与控制技术》、《自动化技术》等课程的实训教学，适合自动化技术人员进行工程训练及技能比赛。二、技术性能1、输入电源：单相三线～220V±10% 50Hz2、工作环境：温度-10℃～+40℃  相对湿度≤85%（25℃）  海拔＜4000m3、装置容量：＜1.5kVA4、实训平台尺寸：2200mm×1200mm×1500mm5、安全保护：具有漏电保护，安全符合国家标准三、设备结构与组成      该实训平台由ABB IRB120-3型六自由度工业机器人系统、海康智能视觉检测系统、可编程控制器（PLC）系统、四工位供料单元、环形输送单元、工件存储盒供料单元、工件组装单元、仓库单元、废品回收桶、各类工件、型材实训桌、型材电脑桌等组成。 1、工业机器人本体： ABB IBR120/3六自由度工业机器人本体；最大负载≥3 kg； 最大臂展半径≥580mm； 轴数：≥6轴；位置重复精度：≦0.01mm； 防护等级： ≥IP30； 轴运动范围： （1）1轴：≥±165°  （2）2轴：≥±110° （3）3轴：≥+70°至 -110° （4）4轴：≥±160° （5）5轴：≥±120° （6）6轴：≥±400° 机器人本体重量：≤25kg； 最大噪音：≤70dB(A)。 2、工业机器人控制器： （1）紧凑型工业机器人控制柜，与配套的工业机器人本体配套； （2）控制硬件：多处理器系统大容量闪存、 UPS 备份电源（≥20S）； （3）控制软件：软件出厂预装； （4）额定功率：≥3KVA(变压器容量)； （5）电源输入：200V/230V 50-60Hz （6）尺寸：710*449*442mm （7）重量：30kg （8）防护等级：IP20 3.FlexPendant示教器 （1）重量：1kg （2）支持：彩色触摸屏、操纵杆，紧急停、支持惯用左/右手切换，支持U盘、热插拔、恢复程序，支持USB储存器，带时间标记登录，支持远程服务。 4、海康智能视觉检测系统   主要是配合工业机器人做智能检测工件角度缺陷及自动对位等以及工业机器人视觉学习开发使用；工业相机，要求如下：像素：≥130W像素； 分辨率：≥1280×960； 像素尺寸：≥3.75μm× 3.75μm； 光谱：彩色； 支持自定义AOI，降低分辨率、f≥16mm F1.4：12毫米工业镜头，百万像素相机； 配套同轴光源，光源大小≥80mm×80mm；准环形光源，直径≥70mm，照射角度≥90度，带模拟控制器；配套同轴光源及光源控制器：发光窗口≥50mm*50mm含调光控制电源；机器视觉兼视觉开发环境。5、西门子可编程控制器单元     配备西门子S7-1200可编程控制器，自带以太网通讯模块、数字量扩展模块控制机器人、电机、气缸等执行机构动作，处理各单元检测信号，管理工作流程、数据传输等任务。   6、四工位供料单元     由移动井式料库、推料气缸、无杆气缸和光电传感器组成，安装在型材实训桌上，用于将工件库中的工件依次推出到环形输送线。提供不同颜色的标准工件，杂色叠加等不合格工件。多工位的供料设计，使得供料方式多样化，可以进行单一的上料，也可以进行不同颜色的组合上料，以及对上料速 度进行控制，实现上料形式的多样化。7、环形柔性输送单元      包含一套交流调速系统，由三菱D720变频器、三相交流电机、环形板链（传送带）、光纤传感器等组成，安装在型材实训桌上，用于传输工件。8、工件存储盒供料单元      包含一套步进电机推杆、DM556步进驱动、料盒存储槽等组成，安装在型材实训桌上，当一个工件存储盒被取走会自动退出下一个工件存储盒，用于工件存储盒自动供料。9、工件组装单元      由工件存储盒托盘及型材立柱组成，安装在型材实训桌上，用于装配工件。工件盒内设有4个工件槽用于放置工件，机器人可以根据不同配方按照上位机设定颜色进行放置工件。10、仓库单元      由工件存储盒托盘及型材立柱组成，安装在型材实训桌上，机器人用于放置装配完的组件进行堆垛，也可以通过机器人对装配完成的组件进行拆垛。11、废品回收桶      安装在型材实训桌左后侧，用于机器人自动放置被检测出来的无用工件或不合格品。 四、实训项目1. 机器视觉系统的原理、使用和调试2. 六轴工业机器人系统的原理、使用和调试3. 六轴工业机器人坐标系统和机器视觉坐标系统标定及相互转换4. 工业机器人与机器视觉系统综合应用的安装与调试5. 机器视觉系统模板设置、编程与调试6. 通过示教单元手动调试工业机器人7. 通过示教单元设置、修改各控制点坐标8. 通过示教单元编写、修改工业机器人程序9. 机器人追踪坐标整定10. 工业机器人系统的软件二次开发编程  11.智能视觉图像输入编辑与调试12.智能视觉结果给出编辑与调试13.智能视觉颜色比对测量14.智能视觉编号比对测量15.智能视觉尺寸比对测量16.智能视觉角度测量17.智能视觉系统与工业机器人综合应用18.PLC程序编程与调试19.智能视觉系统与工业机器人综合应用

渡众机器人为满足智能驾驶实训系统演示需求，开发了各种定制化智慧交通模型行驶系统沙盘。模型车辆搭载实车使用的各类传感器，模拟在实际交通场景中车辆自动启停、信号灯自动识别、障碍物识别等智能驾驶行为。自动驾驶实训沙盘构建主要分为智能路侧系统、微缩沙盘系统、基于V2X的自动驾驶三部分内容。车路协同自动驾驶演示沙盘为各高校提供必要的实践环境与研发平台，可完成当前智能网联技术的理论学习和工作实践。  

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

自助服务终端一体机银行政务海关酒店医院智能报道缴费工位机终端

产品特征 主机内置人脸识别系统，实时高效识别人脸信息 独有的人脸识别算法，精准识别人脸 人脸识别时间小于1s 内置智能人脸识别抓拍,支持复杂光环境下人脸抓取 人证合一，读取身份证信息，进行人脸实时比对 主机支持有线以太网络和无线WiFi协议  主机支持外接身份证读卡器 主机支持通过韦根接口与人员道闸、门禁主机连接，充当人脸识别读卡器使用 摄像机采用H.265 Main Profile编码,最高分辨率1920*1080 逐行扫描210万像素CMOS传感器,捕捉运动图像无锯齿 码流平滑设置，适应客户不同场景下对图像质量、流畅性的不同要求 支持机器视觉光学宽动态≥120dB,适合逆光环境监控 集成内置补光灯，更好的适应光线不足的环境 支持透雾,3D降噪，强光抑制,电子防抖,并具有多种白平衡模式,适合各种场景需求 支持背光补偿,自动电子快门功能,自动光圈 ,适应不同监控环境 内嵌Web Server，支持通过IE设置参数配置、添加管理名单、设备升级、用户权限管理等

该方案针对寒旱区户厕用水不便、冬季上冻、清掏成本高等问题，提出了一种创新解决方案。通过太阳能加热技术与柔性材料结合，有效减缓冬季上冻问题，同时提高粪便堆肥发酵效率，确保极寒天气下的正常使用。方案优势如下： 人性化设计：粪便无害化处理减少蚊蝇滋生和异味，提升农村人居环境。温感座圈、扶手、置物架及太阳能照明等设施，提高冬季如厕舒适度和老年人如厕安全性。 环境友好：便器无需用水，粪尿经无害化处理后可直接还田利用，降低环境污染风险和碳排放。 经济可持续：相比同类设备，施工和使用成本显著降低。高效防冻措施减少施工复杂度，太阳能加热和好氧堆肥技术降低水电支出，减量化处理减少清掏频率，便于农民自行还田利用，进一步降低维护成本。 获得UNICEF（联合国儿童基金会） 2024imaGen Ventures全球挑战赛，最终十佳项目（中国唯一团队），获得国际可持续专家一致好评，5月份正式发布。

团队具备成熟的高性能电机研发能力，具备瞬态有限元仿真技术、多物理场联合仿真技术、场路耦合仿真技术，能够定制开发有刷/无刷直流、感应电机、电励磁/永磁同步等各类电机，助力多家企业实现核心电机自主化、国产化。 团队研发了基于空间磁场的高性能电机健康状态在线监测系统，能够实时监测电机健康状态，即使发现电机微小故障，有效提高电机可靠性。