城市轨道交通火灾高危单位消防安全评估与性能化防火设计是城市轨道交通安全保障系统的重要组成部分，此项工作是以实现系统消防安全为目的，综合应用火灾科学、消防安全工程学、安全系统工程原理和方法，对系统中存在的火灾风险和有害因素进行辨识与分析，判断系统发生火灾事故的可能性及其严重程度，提出安全对策和建议，从而为系统制定消防安全防范措施和管理决策提供科学依据。

本发明公开一种斯诺克比赛视频事件检测与语义标注方法，包括：全台面镜头的检测；比分条信息提取；利用隐马尔可夫模型进行音频分类；对回放镜头进行检测；融合多模态的信息并结合斯诺克的领域知识实现斯诺克比赛视频的事件检测与语义标注。本发明方法融合视频内在的多种模态信息，实现了斯诺克比赛视频内容的事件检测与语义标注，为建立基于语义的视频索引打下坚实的基础。

一、成果简介 葡萄与葡萄酒风味物质主要指与颜色、滋味、涩感、香气等相关的化学组分，它们是决定葡萄与葡萄酒感官质量的物质。风味物质组成与含量不仅取决于葡萄品种、产地和年份，而且受葡萄酒酿造和陈酿工艺等的显 著影响。本项目构建了120多种葡萄与葡萄酒酚类物质、120多种香气物质、40种橡木香气组分的质谱信息库， 建立了高效精准的定性定量分析方法；此外，本项目还建立了快速准确的香气前体物的

历史建筑结构检测与加固和建筑节能改造技术

本项目通过对电力变压器相关参数进行计算，分析短路冲击作用下，变压器瞬态漏磁场分布；计算绕组辐向和轴向瞬态电磁力分布，建立短路电流作用下，变压器绕组动态力分布、位移、形变的电磁、力学数学分析模型。

压力容器设计阶段风险评估的技术思路是世界压力容器设计技术的革命，最早是由欧盟在2002年强制执行的法规——《承压设备指令》（PED）中提出的。2009年以后我国借鉴这个思路，TSG R0004-2009《固定式压力容器安全技术监察规程》规定了对第Ⅲ类压力容器在设计阶段应出具风险评估报告。但我国开展Ⅲ类压力容器设计阶段风险评估缺乏相应的理论依据和技术标准，只能参照国外RBI（基于风险的检验）技术进行。首先，无论是从风险识别、同类失效频率还是风险定量计算等环节国内外都存在着较大差异。如果完全采用国外的数据库及风险评估模型势必造成评估结果的不准确，影响容器本质安全。其次，设计阶段的风险评估并不等同于RBI，国内缺乏这方面系统的研究。本成果通过调研和理论研究，提出适合于我国实际的Ⅲ类压力容器失效可能性计算模型与失效后果分析模型修正方法并开发相应的风险评估软件。对我国重要压力容器在设计阶段开展风险评估，做到所谓“优生优育”，提高本质安全性具有重要的指导意义。另外，本软件能指导Ⅲ类压力容器设计阶段的风险评估工作，不仅为设计工作提供科学的理论依据，又能极大提高设计工作效率。 该软件能自动识别设计阶段Ⅲ类压力容器可能的风险因素、自动验算容器类别、自动定量计算风险值、自动生成风险评估报告并自动导出word文档的报告、失效事故案例库查询。

产品详细介绍红外CO2评估板C20EV 可检测CO2浓度0～100％，温度0～45度。评估板9V供电，可手动调零。LCD显示CO2浓度和温度，可通过RS232与计算机进行通信，读取CO2浓度、环境温度、传感器温度等参数，通过配套软件可直观读取数据或调零。 整个评估板包括：CO2 Sensor support PCB（可单独提供）和带有LCD 显示的评估板。 检测CO2浓度：0～100％ 检测温度范围：0～45度 传感器尺寸： ф20*16mm 支撑板尺寸：40*25mm  

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。