1、产品介绍 AI人工智能语音与机器视觉应用系统是一款集成AI语音、机器视觉、深度学习基础、嵌入式Linux于一体的高端教学科研实验平台。 整个教学平台由实验箱高性能嵌入式主板够成，高性能嵌入式核心板采用高性能64位ARM处理器，标配4GB DDR3内存和16GB闪存，可运行ubuntu、android、linuxqt等多种操作系统，可满嵌入式linux和AI应用开发。 平台采用多核高性能 AI 处理器，预装 Ubuntu Linux 操作系统与 OpenCV 计算机视觉库，支持 TensorFlow Lite、NCNN、MNN、Paddle-Lite、MACE 等深度学习端侧推理框架。 提供多种应用外设与丰富的机器视觉、AI语音、深度学习实战应用案例，如语音前处理（声源定位、语音增强、语音降噪、回声消除、声音提取）、语音活体检查、语音唤醒、语音识别、语音合成、自然语言处理、声纹识别门锁、语音智能家居、手写字识别、人脸识别、目标检测、端侧推理框架、图像识别、人体分析 、文字识别、人脸门禁控制、车牌道闸控制、手势家居控制等，通过案例教学让学生掌握计算机视觉与深度学习的基本原理和典型应用开发。 2、产品特点 （1）先进性 性能卓越：搭载AI嵌入式边缘计算处理器RK3399，配备4GB RAM与16GB存储空间，以及6英寸高清电容触摸屏，确保流畅的用户体验。 高效运算：配NPU协处理器模块，专为神经网络模型设计，提供高达8 TOPs@300mW的运算能力。 接口丰富：提供双路0、四路USB2.0、RS232、RS485以及多种嵌入式拓展接口，满足多样化的外设连接需求。 （2）扩展性 定制化设计：所有硬件单元均采用模块化设计，支持根据具体需求进行定制化选型和搭配。 项目套件丰富：提供多种可选的项目套件模块，支持完成多样化的AI应用场景设计和创新。 智能网关平台：智能边缘计算网关平台配备了包括GPIO、ADC、IIC、UART、PWM、SPI在内的常用接口拓展，增强了平台的适应性和灵活性。 （3）包容性 多功能应用：实验平台适用于人工智能、嵌入式系统、物联网、移动互联网、智能硬件等多个学科的实验教学，提供全面的教育资源。 课程与实验：支持包括Python程序设计、嵌入式Linux操作系统、机器视觉技术、自然语言处理、神经网络原理、无线通信、Android应用技术、物联网中间件、AIOT应用实训等在内的丰富课程和实验。 专业融合：平台在硬件设计上实现了物联网、人工智能和嵌入式技术的兼容性，提升了实训设备的复用率，有效解决了学校实训室空间和资金的限制问题。 AI语音与机器视觉应用系统致力于解决学校在开设人工智能课程时面临的师资、教学资源、实训资源、设备以及与行业应用对接的挑战，实现了产学研创一体化的教育模式 3、应用 系统支持多个工业化的应用场景，以智慧家居、智慧停车场、智慧门禁、智慧交通、趣味AI、智慧工地六大应用场景，及基于六大应用场景的20多种小AI应用场景。所有的应用场景及业务子项功能，均来自真实的人工智能行业应用。 4、配套 该产品除完整的软硬件系统外,还配备针对设备完整的人工智能实训指导书完整丰富的教学实训素材资源、以及基于设备系统的人工智能教学视频光盘。本产品提供免费的安装部署服务和设备实训培训服务。

成果描述：本发明申请要解决的问题是，改进预测技术，提高预测准确度。本专利利用高阶马尔科夫模型的原理提出HM-gMTD模型的一种改进，即高阶HM-gMTD模型，并通过EM算法给出相应的参数估计方法和相应的计算方法，并能够快速进行参数估计，以提高模型预测的准确度。市场前景分析：预测模型的发展在人类的经济生活方面发挥着重要的作用，尤其是马尔科夫模型，几乎在各个领域都有着非常广泛的应用。本发明着重混合转移分布模型与高阶隐马尔科夫模型的巧妙结合，构造出高阶HM-gMTD模型，然后运用EM算法，对新模型实现了主要参数的求解。最后为了衡量一个模型的好坏和对不同的模型进行比较，我们选择准则函数。模型比较的最佳准则函数，既考虑到模型对原始数据的拟合程度，又兼顾模型中所包含的待定参数的个数，并且对二者做出合理的权衡。与同类成果相比的优势分析：本发明主要是针对HM-gMTD模型的进一步改进，提出一个高阶HM-gMTD模型，使其在降低计算的复杂度的同时，提高预测的准确性。

本发明涉及一种风电集群轨迹预测与分层控制方法，包括：根据风电集群及风电场内的拓扑结构，基于空间相关性和NWP数据进行超短期风电功率预测；根据调度中心下发的调度值，将控制过程在空间上分为集群优化调度层、场群协调分类层和单场自动执行层，将风电功率预测值从时间上逐层细化；在场群协调分类层，基于风电功率预测值对风电场进行分类，分为上爬坡群、下爬坡群、平稳群和振荡群；在单场自动执行层，基于AGC机组下旋转备用裕度和风电送出断面裕度判断风电可增发空间，增发上爬坡群风电场出力或降低下爬坡群风电场出力；基于风电场运行与监测系统，根据监测到的风电场实际值，计算并反馈风电功率误差，修正风电集群和风电场预测值，使优化过程更加精确。

本成果针对城市水电气热等综合能源数据来源广泛，结构复杂，且与用户、时间、空间信息关系紧密的特点，构建了高性能综合能源数据分析平台，提出了细粒度的能源数据分析理论框架及方法，并将其应用于智慧城市建设。

针对太阳能集热系统扰动多、大滞后和大惯性等控制难点，建立了适合控制器设计的简化分段非线性模型，并设计了基于预测函数控制策略的集热系统出口导热油温度控制系统。该预测函数控制策略在调节速度、超调量以及稳定性方面的控制效果均明显优于传统PID控制策略；与未简化的多模型预测控制相比，简化后的多模型预测函数控制的最大动态偏差增大了13%，但计算量大大降低，控制器的实时性也得到增强。

本项目发展了与时间相关的破坏理论，包括与时间相关的损伤理论、与时间相关的断裂理论、以及与时间相关的损伤可靠性理论，建立了高温构件损伤局部化的测量与分析方法，得出了冶金不连续结构、几何不连续结构、温度不均匀结构的损伤规律，由此形成了结构弱点识别技术，并通过与微观组织定量分析手段相结合，有效地解决了高温设备何处修与何时修的问题。同时该项目应用计算机及网络技术以促进先进的维修规划技术向企业管理的各个环节渗透。基于C/S与B/S模式相结合的思路，构建以预测为基础的过程设备管理系统，在开发设备维修日常管理系统的同时，将先进的缺陷评定技术作为转化的重点，并建立了高温设备远程寿命评估及监测的模块。该项目总体上达到了国际先进水平，许多具体技术是国内外首创的。  本项目的技术成果可应用于化工、石油化工、发电、冶金等工业领域的设备维修规划与失效预防。随着我国国民经济建设的快速发展，进入老化期的工厂（> 100,000 小时）越来越多，保证安全生产和降低维修成本的压力日益增大，另一方面国内高温装备制造商通过采用本项目的技术，可望提高其设备的市场竞争力。72％片碱生产蒸发浓缩装置

本发明涉及一种风电功率爬坡事件概率场景预测方法，通过构建计及累积密度函数和高阶矩自相关 函数的多目标适应度函数实现了分布特征一致性和时序特征一致性。基于多目标适应度函数的遗传算法 对概率生成模型参数进行迭代寻优，得到大量预测场景，并通过场景捕捉带内挖掘出的爬坡事件概率特 征评价该预测方法。选取国外某风场实际数据进行算例计算和统计分析，结果表明多目标函数较单目标 函数的统计结果更为精确，而且该概率场景预测方法可以较准确地估计出爬坡事件的特征量，证明了该 方法的正确性，可为概率场景生成方法和爬坡事件预测模型提供指导。 

我国钢铁产量世界第一，据 2017 年底的不完全统计，国内热镀锌钢板产线已达 360 余条，产能达 9300 万吨以上。过去十年是我国热镀锌钢板发展最快的时期，总产能接近于 8 亿吨，主要源自于汽车等的需求，车身等对热镀锌板的表面品质要求极高。但热镀锌生产的表面缺陷不仅影响镀锌板表面美观导致商品性不佳，严重的缺陷还会影响镀锌板的性能与价格。但对于热镀锌板的缺陷判别目前仍主要靠经验，没有确定的方法检测分析，没有系统的分类和判定。为此，我们 2016-2018 年开展了“热镀锌钢板缺陷的形成机理和原因”项目的研究，提出了热镀锌钢板表面质量缺陷的判定与预测分析方法。《热镀锌板表面质量缺陷分 223 / 298析软件》是以“热镀锌钢板缺陷的形成机理和原因”的研究成果为基础，将缺陷分为 20 种类，开发了《热镀锌板表面质量缺陷分析软件》，填补了国内空白，方便实际使用。软件研发是依据国内热镀锌生产线上的操作人员知识结构现状，以如何判定热镀锌缺陷为主，即如果发现了热镀锌缺陷，作业人员可以依据缺陷的宏观形貌、微观形貌、成分等出发，依据《热镀锌板表面质量缺陷分析软件》的帮助，判定出现的热镀锌缺陷是哪一种类的缺陷，明确原因和改进措施。《热镀锌板表面质量缺陷分析软件》总体结构如图示，软件包含四个系统，分别为缺陷判定系统、缺陷预测系统、缺陷查询系统、帮助系统：缺陷判定系统帮助用户判定热镀锌板缺陷类型与可能原因；缺陷预测系统帮助用户依据生产线出现的问题预测可能出现的缺陷；缺陷查询系统帮助用户查询软件中数据库具有的各种缺陷；帮助系统可以帮助用户了解软件和使用软件。

该成果 2016 年获教育部高等学校科学研究优秀成果奖二等奖。中国月-季节尺度降水预测是短期气候预测中的一个难点和重点，我们提出了一种基于动力-统计相结合的客观定量化的气候预测新理论，充分吸收了动力学和统计学方法的优点，为提高月-季节降水预测准确率提供了一种新思路。

本发明公开了一种基于区间的数控机床加工性能预测方法，包括：(1)获取每类测量数据的多个测量值；(2)将每类测量数据中的每个测量值转换成区间形式；(3)提取时域或时频域特征；(4)把提取的时域或时频域特征作为观测，获得优化的广义隐马尔可夫模型；(5)从优化的广义隐马尔可夫模型中，找出状态转移概率矩阵，作为马尔可夫链转移矩阵；(6)选择区间化的初始状态概率向量，并与该马尔可夫链转移矩阵，形成性能预测模型 A⁽ⁿ⁾；(7)求该模型中的最大值，即为数控机床加工性