研发了基于拉曼分析和纳米增强拉曼技术的便携式非接触人与动物血液 鉴别仪。根据血液样本特征拉曼光谱，确定光谱检测波段和激发波长，对分光 核心元件、系统光路、光纤探头等进行针对性设计与优化，降低系统杂散光, 提高特征拉曼光谱分辨力、信噪比和检测灵敏度；针对甄别对象特征，研究 血液样本专用拉曼增强纳米材料，进一步提高检测灵敏度；研制出便携式非接 触血液鉴别仪样机；针对不同种属血液的拉曼光谱，结合研发的仪器，开展分 析测试方法学研究，建立血液拉曼检测新体系和新方法。研制具有自主知识 产权的基于Raman光谱分析的非接触便携式人与动物血液鉴别仪工程化样机， 实现对人及常见动物血液样本的甄别，服务于我国进出口检验检疫部门，达到 2分钟内检测一个样品，识别率高于95%的测试要求。

一、产品简介        光纤通信作为一门新兴技术，它具有容量大、中继距离长、保密性好、不受电磁干扰和节省铜材等优点。近年来发展速度快，已被广泛应用到军事通信、民用通信等各种领域，是世界新技术革命的重要标志和未来信息社会中各种信息的主要传送工具。在光纤的使用过程中，光纤线路的耦合对于其中光功率的传输至关重要。其中存在着两种主要的系统问题：1、如何从多种类型的发光光源将光功率耦合进一根特定的光纤；2、如何将光功率从一个光纤发射出来后经过特定的装置耦合进另外一根光纤。光无源器件是光纤通信设备的重要组成部分。它是一种光学元器件，也是其它光纤应用领域不可缺少的元器件。该实验仪重点介绍了常用的光无源器件的相关参数及测试方法。为此公司研制出本实验系统，让学生了解和认识光纤耦合的相关参数和特性、光无源器件的相关参数及测试方法等，通过实验平台的搭建，可以让学生更深刻的了解，也能锻炼学生校准光路等方面的动手能力，是学校金工实习（工程实习）与工程检测的不二之选。 二、实验内容 650nm激光器与光纤耦合实验 1550nm光纤激光器与光纤耦合实验 相同模式光纤之间耦合实验 不同模式光纤之间耦合实验 光源与显微物镜及准直器耦合特性对比实验 光纤转换器测试实验 光纤变换器测试实验 光纤耦合器测试实验 光纤隔离器特性测试实验 波分复用器和解复用器测试实验 可调光纤衰减器测试实验 光纤机械光开关特性测试实验 光纤偏振控制器特性测试实验 光纤偏振分束器（PBS）性能能参数测试实验 不同种类光纤、光缆及光器件认知和操作实验 熔接机原理及使用实训操作实验 剥纤、清洁、切纤及光纤接续实训操作实验 手动模式下，光纤熔接实训实验 自定义模式下，光纤熔接实训实验 光纤端面处理基本操作实验 光纤耦合技术基本操作实验 光纤耦合技术基本操作实验 光功率耗损法对光纤熔接质量测试 三、实验配置参数 1、光源：波长1310±20nm，1550±20nm；输出功率：1-2.5mw，连续可调；输出端口：FC/PC；稳定性＜0.5db（5h）；光源类型：LD光源； 2、光功率计：波长范围800-1700nm；输入接口：FC 校准波长：1550nm,1310nm； 3、偏振控制器：插入损耗＜0.05dB；消光比＞40dB；回波损耗＞65dB； 4、光纤机械光开关：插入损耗：1310/1550  P1→P2 0.56/0.54 dB ，P1→P3 0.53/0.47 dB ;回波损耗＞50dB ；开关速度：≦8ms ； 5、高隔离度光纤隔离器：最大插入损耗：0.35dB ；回波损耗：≧50dB ；隔离度：≧30dB ； 6、光纤耦合器：分光比：50% : 50% ；最大插入损耗1310/1550: 3.3dB ; 7、光纤波分复用器：隔离度：1310nm ：31.8% ；1550nm ：34%；插入损耗：1310nm ：0.30%；1550nm ：0.34% ； 8、光纤可调衰减器：0-30db可调； 9、软件：配套仪器使用，数据采集处理； 10、光纤熔接机：适用光纤：SM (单模), MM (多模), DS (色散位移)光纤, NZDS (非零色散位移，即G.655光纤)，BIF/UBIF（G.657）； 光纤切割长度：8-16mm, 被覆光纤直径250µm，16mm，被覆光纤直径250µm-1000µm；平均接续损耗：0.02dB(SM)、0.01dB(MM)、0.04dB(DS)、0.04dB(NZDS)；显示：高性能5.6英寸彩色LCD显示屏，提供清晰的数字图像显示；电极寿命：2500次；锂电池容量：典型熔接250次，充电时间3小时，可在充电时使用；电源：交流适配器输入电压100-240V  50／60Hz，输出电压：DC13.5V /5A，直流输入电压11.1v ( 内置锂电池8800mAh )； 四、实验目的  1、了解光纤连接器及其原理、种类，实验操作进行连接器参数测量； 2、掌握光纤头平端面的处理技术。 3、掌握光纤之间的耦合、调试技术，了解光纤横向和纵向偏差对光纤耦合损耗的影响。 4、掌握光纤熔接的基本技术。 5、熟悉光纤型号及结构，掌握其装配方法、使用环境及保护措施等；

焊接机器人实训考核工作站是按照教育部1+X焊接机器人编程与维护职业技能等级证书中的试点、考核站点标准要求，研发设计的多功能智能焊接工作站，工作站符合相关建设标准和具有自主知识产权。 WR-KH01型焊接机器人编程与维护实训考核工作站为初级工作站，主要由焊接机器人单元、焊接电源单元、焊枪单元、周边设备单元(柔性工作台)、安全防护单元、焊接任务单元、离线编程单元、教学资源单元、考评系统、监控系统等组成一套的智能焊接实训考核工作站。每个单元由多个模块组成，实操与离线仿真结合面涵盖机器人焊接工艺方法和实际应用案例。能根据任务要求，完成焊接机器人系统的选型、配置;完成系统安装调试，编程操作;根据维护手册完成设备维护保养。 实训考核工作站遵循全功能化、全模块化、全信息化、近工业化的智能焊接机器人系统，主要用干教育部1+X焊接机器人编程与维护职业技能等级的师资培训，考评员培训，1+X职能技能等级证书取证的实操培训与考评;同时也可进行工业机器人基础培训，应用培训技能训练技能竞赛等，话合中职，高职应用型本科院校1+X证书的培训老评以及相关专业课程的实训教学，适合社培机构技能人才培养培训。

焊接机器人实训考核工作站是按照教育部1+X焊接机器人编程与维护职业技能等级证书中的试点、考核站点标准要求，研发设计的多功能智能焊接工作站，工作站符合相关建设标准和具有自主知识产权。WR-KH02型焊接机器人编程与维护实训考核工作站为中级工作站，主要由焊接机器人单元，焊接电源单元、焊枪单元，周边设备单元(伺服变位机)、智能焊接机技术、安全防护单元、焊接任务单元、离线编程单元、教学资源单元 考评系统、监控系统等组成一套的智能焊接实训考核工作站。每个单元由多个模块组成，实操与离线仿真结合面涵盖机器人焊接工艺方法和实际应用案例。能按任务要求，完成焊接机器人系统的离线编程、高级编程、外部轴添加、工艺调控、焊缝检测、设备联调及根据维护手册完成设备故障预判处理和故障处理。实训考核工作站遵循全功能化、全模块化、全信息化、近工业化的智能焊接机器人系统，主要用干教育部1+X焊接机器人编程与维护职业技能等级的师资培训，考评员培训，1+X职能技能等级证书取证的实操培训与考评;同时也可进行工业机器人基础培训，应用培训技能训练技能竞赛等，话合中职，高职应用型本科院校1+X证书的培训老评以及相关专业课程的实训教学，适合社培机构技能人才培养培训。

成果简介：便隐血是指消化道出血量少，肉眼不见血色，少 量红细胞被消化分解，以至在显微镜下也无从发现的出血。正 常人便隐血检验为阴性，而阳性结果常见于肠癌、消化道炎症 或出血性疾病等患者粪便检测，便隐血检测对诊断消化道出血 具有重要意义，也是目前进行消化道肿瘤普查、初筛和监测的 有效手段，是临床上诊断消化道出血的重要依据。 目前，便隐血检测的主要指标为转铁蛋白和血红蛋白，且

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