1. 痛点问题 随着自动驾驶技术的迅猛发展，特定场景下的自动驾驶技术应用成为现实。这对应用于特定场景自动驾驶车辆的制动系统提出了新的需求，传统制动系统为真空助力器，该产品依赖于发动机为助力器提供真空动力源，而应用于该领域的车辆大多为新能源电动车，取消了发动机，无法直接为车辆制动系统提供真空动力源，且不能配合电动车实现能量回收功能。另外，传统制动系统是纯机械部件，无法为该类特种车辆的智能化需求提供主动制动、辅助制动等功能。 2. 解决方案 本项目所研究的特种车用线控制动系统，是一种基于液压传递的全解耦线控制动系统。主要由电机、减速増扭机构（齿轮、丝杆、螺母）、制动主缸、前后壳体、踏板推杆、行程传感器、液压力传感器、电机控制器等组成。项目成果所涉及到的新型踏板行程传感器将踏板推杆的平动转化为传感器内部器件的转动，基于此，可以通过在推杆上设计不同曲率的沟槽，将传感器设计为非线性、线性以及不同的物理精度。所涉及的全解耦电子助力器，制动踏板推杆和制动主缸活塞之间无机械链接，属于智能制动执行器，满足特种自动驾驶车辆对制动系统主动制动的功能要求、取消了传统制动系统对发动机真空度的依赖、具备配合电动车实现制动能量回收的功能。 解耦原理：踏板推杆与制动总泵推杆之间无连接，制动系统的动作依靠电信号或者行程传感器信号进行控制实现。 工作原理：当驾驶员踩下制动踏板时，踏板推杆向前移动，推动行程传感器内部旋转件转动，传感器记录旋转部件的转角，根据推杆滑槽曲率计算出踏板推杆实际行程，识别驾驶员制动意图。通过电信号传递给系统控制器，控制器控制执行器电机动作，电机驱动丝杆和螺母，讲转动转化为平动，推动制动缸活塞建立液压制动力，作用在轮边制动盘上，产生制动力。 合作需求 寻求与特定场景自动驾驶、特种车辆线控底盘、智能轮边执行器等行业客户合作，解决行业痛点问题，共同推进特种场景下自动驾驶汽车发展。

本成果主要瞄准农村家用发电系统中存在的工况复杂，小型化等问题，以及影响永磁同步风力发电机系统控制精度提升的关键问题——干扰和不确定性， 在确保风力发电系统在所有运行风速范围内能够稳定运行以及捕获最大风能的前提下，通过对风机特性和受扰特性进行机理研究，设计新型的、 可行有效的抗干扰复合预测优化控制理论方法和应用技术。

产品详细介绍 1 系统简介 惯性导航实验教学系统采用领先的现代智能传感器技术，包括三轴MEMS陀螺、三轴MEMS加速度计、三轴MEMS磁强计传感器，学生可分别作陀螺、加速度、磁场传感实验,倾角仪、电子罗盘和航姿综合实验等，该套实验系统有助于学生理解、熟悉、掌握惯性导航/航向姿态/运动状态测量的原理、技术及其应用。 公司也可基于这套系统做惯性导航实际项目、产品和系统开发，同时还可利用转台对器件和产品进行测试。 2 功能特点 2.1 较低的价格，可以让所有学生亲自动手实验，引领国内惯性导航的实验教学进入普及化时代； 2.2 提供全面的教学和实验配套服务，减轻教师的负担； 2.3 国内首家配备低价格电动转台，学生可做定量实验，更好的掌握惯性导航技术； 2.4 转台专门设计了触碰后的停车装置，不存在实验中的安全隐患； 2.5 计算机软件基于Labview程序，减少学生在程序语言方面的门槛和时间，使学生可以专注于惯性导航技术； 2.6 集成度高，包含了各类相关传感器； 2.7 实验覆盖全面，从单一传感器实验到所有传感器融合的综合实验； 2.8 通过自身在国内惯性导航领域的领先技术，实现该实验室方案的不断升级，真正在实践方面使高校教学/实验水平跟上技术发展的潮流； 2.9 可为学校量身定做相关实验系统； 2.10 基于这套系统进行相关产品和项目的开发，可以大大降低开发难度，减少开发时间。

本实用新型涉及公开了一种用于船用柴油机无刷双馈轴带发电机励磁控制系统结构，该船用无刷双馈轴带发电机励磁控制系统结构包括接触器、升压变压器、整流回馈单元、直流补偿单元、逆变单元、操作面板、励磁控制器、AB 相电压传感器、CA 相电压传感器、BC相电压传感器；基于该控制系统结构的控制方法，可以实现船用无刷双馈轴带发电机的起励、恒压控制、恒频控制、欠压保护和过压保护。

针对大规模分布式计算系统例如云计算系统、数据中心等的运维需求，研发了针对大规模计算系统的预测性监控技术。并开发了一个可扩展的监控系统。该系统的特点为：1）基于语义事件表达监控信息，开发了复杂事件处理器，可以支持用户定义针对复杂模式的事件探测组件，从而使系统能够对自动探测复杂的状态变化；2）基于发布订阅模式的事件传输网络，使得监控系统可以规模扩展，因而适应了大规模计算系统的监控需求；3）开发了多种性能预测算法和异常探测算法，实现了对计算机和应用性能的长期预测。 本项目的成果已经应用到多个企业的系统监控上。项目的成果也发表在INFOCOM、IFIP Networking，IEEE Transaction on Parallel and Distributed Systems, Journal of Systems and Software, Software: Practice and Experience等著名会议和期刊上。项目成果已经申请了10项专利。

项目利用新一代的大数据 深度学习技术，实现了加油站现场智能监管系统，具有卸油区智能管控、财务室智能管控、加油区智能管控、现场智能管控、智能分析以及智能考核管理功能，对人员操作合规性进行智能检测与识别 一、项目分类 关键核心技术突破 二、成果简介 项目利用新一代的大数据 深度学习技术，实现了加油站现场智能监管系统，具有卸油区智能管控、财务室智能管控、加油区智能管控、现场智能管控、智能分析以及智能考核管理功能，对人员操作合规性进行智能检测与识别，将以查视频回放的结果型安全管控模式，转变为控制关键作业环节的过程型管控模式，实现了安全关口前移 服务规范管理 智能数字化分析，提高了全站精细化管控能力以及管理层科学决策、信息决策能力。可应用于能源、电力、制造业等与人员安全以及操作流程合规性密切相关的行业。

厄尔尼诺现象，是赤道中、东太平洋海表温度持续异常升温的周期性气候现象，平均每2-5年发生一次，对全球气候具有重大影响。厄尔尼诺现象会造成全球不同地区的异常温度变化，以及干旱或强降雨等现象。及早并准确地预测厄尔尼诺的发生以及强度，对预防或降低其带来的全球范围内的经济、农业、社会等方面的损失意义重大。 2019年12月24日，由北京师范大学系统科学学院陈晓松教授参与指导的一篇关于厄尔尼诺预测的文章已在线发表在美国科学院院刊PNAS上，首次克服了长久以来困扰厄尔尼诺预测的“春季预测障碍” （即无法在厄尔尼诺发生的那一年的春季或更早给出准确预测），将对厄尔尼诺现象的发生，特别是强度的预测提前一年。 该文作者提出了一套基于信息熵理论的全新的方法——System Sample Entropy——用来计算厄尔尼诺区域（Nino 3.4）近海平面空气或海表温度的复杂度（包括温度随时间变化的无序性以及不同地点温度变化的同步性或相干性）。利用这一方法，作者们发现了Nino 3.4区域温度变化的复杂度与厄尔尼诺现象强度存在着非常强和稳定的线性关系，即一年内（1月1日-12月31日）Nino 3.4区域的温度变化复杂度越大，那么下一年发生的厄尔尼诺事件的强度就越大。基于这一发现，作者们提出了一套基于每年Nino 3.4 区域温度变化复杂度的大小（由该区域 System Sample Entropy 量化）来预测来年厄尔尼诺发生及其强度的方法。该方法目前成功的预测了1984至2019年期间10个厄尔尼诺事件中的9个事件的发生年份，以及24个没有厄尔尼诺现象发生的年份当中的21个，特别是对厄尔尼诺强度预测的平均误差仅为0.23摄氏度。 对于刚刚到来的2020年，基于文中提出的System Sample Entropy的方法，作者们预测厄尔尼诺将有很大概率会在本年下半年再次发生，并发展为一个中等强度甚至高强度的厄尔尼诺事件，其预测强度为1.48+-0.25摄氏度。 目前传统的厄尔尼诺预测方法只能在提前6个月范围内给出比较准确的预测，而这对于提前预防厄尔尼诺带来的一系列严重影响是非常局限的。这一新的预测方法，将对厄尔尼诺的预测时间提前到了每年一月。这对于提前采取行动，控制和降低这一现象所带来的一系列全球范围内的消极影响，将意义重大！ 此工作由德国波茨坦气候影响研究所 （PIK）樊京芳博士作为通讯作者，PIK 的Jürgen Kurths教授，Hans Joachim Schellnhuber教授以及北京师范大学陈晓松教授等参与共同完成。陈晓松教授领导的研究小组多年来一直从事统计物理和复杂系统及相关课题的研究，特别是近年来专注于地球复杂系统的动力学演化及预测。

2020年2月12日，湖南大学联合苏州系统医学研究所、中国国家流感中心和中山大学等单位，成功开发基于分子标记物的流感病毒表型预测平台FluPhenotype，并在国际生物信息学专业权威期刊《Bioinformatics》发表题为“FluPhenotype-a one-stop platform for early warnings of the influenza A virus"的文章进行相关介绍。该文章的第一作者为湖南大学生物学院硕士研究生卢聪毓和博士研究生蔡泽娜，通讯作者为湖南大学生物学院副教授彭友松与苏州系统医学研究所蒋太交教授。 研究人员通过整合流感病毒核苷酸和氨基酸水平的分子标记物，以及基于分子标记物的抗原和宿主等预测模型，开发了快速预测流感病毒的抗原、宿主、致病性、耐药性等多个表型的预测平台FluPhenotype。

厄尔尼诺现象，是赤道中、东太平洋海表温度持续异常升温的周期性气候现象，平均每2-5年发生一次，对全球气候具有重大影响。厄尔尼诺现象会造成全球不同地区的异常温度变化，以及干旱或强降雨等现象。及早并准确地预测厄尔尼诺的发生以及强度，对预防或降低其带来的全球范围内的经济、农业、社会等方面的损失意义重大。 2019年12月24日，由北京师范大学系统科学学院陈晓松教授参与指导的一篇关于厄尔尼诺预测的文章已在线发表在美国科学院院刊PNAS上，首次克服了长久以来困扰厄尔尼诺预测的“春季预测障碍” （即无法在厄尔尼诺发生的那一年的春季或更早给出准确预测），将对厄尔尼诺现象的发生，特别是强度的预测提前一年。 该文作者提出了一套基于信息熵理论的全新的方法——System Sample Entropy——用来计算厄尔尼诺区域（Nino 3.4）近海平面空气或海表温度的复杂度（包括温度随时间变化的无序性以及不同地点温度变化的同步性或相干性）。利用这一方法，作者们发现了Nino 3.4区域温度变化的复杂度与厄尔尼诺现象强度存在着非常强和稳定的线性关系，即一年内（1月1日-12月31日）Nino 3.4区域的温度变化复杂度越大，那么下一年发生的厄尔尼诺事件的强度就越大。基于这一发现，作者们提出了一套基于每年Nino 3.4 区域温度变化复杂度的大小（由该区域 System Sample Entropy 量化）来预测来年厄尔尼诺发生及其强度的方法。该方法目前成功的预测了1984至2019年期间10个厄尔尼诺事件中的9个事件的发生年份，以及24个没有厄尔尼诺现象发生的年份当中的21个，特别是对厄尔尼诺强度预测的平均误差仅为0.23摄氏度。 对于刚刚到来的2020年，基于文中提出的System Sample Entropy的方法，作者们预测厄尔尼诺将有很大概率会在本年下半年再次发生，并发展为一个中等强度甚至高强度的厄尔尼诺事件，其预测强度为1.48+-0.25摄氏度。 目前传统的厄尔尼诺预测方法只能在提前6个月范围内给出比较准确的预测，而这对于提前预防厄尔尼诺带来的一系列严重影响是非常局限的。这一新的预测方法，将对厄尔尼诺的预测时间提前到了每年一月。这对于提前采取行动，控制和降低这一现象所带来的一系列全球范围内的消极影响，将意义重大！ 此工作由德国波茨坦气候影响研究所 （PIK）樊京芳博士作为通讯作者，PIK 的Jürgen Kurths教授，Hans Joachim Schellnhuber教授以及北京师范大学陈晓松教授等参与共同完成。陈晓松教授领导的研究小组多年来一直从事统计物理和复杂系统及相关课题的研究，特别是近年来专注于地球复杂系统的动力学演化及预测。

成果描述：本发明提供了一种轨道区域交通噪声预测方法，包括：将测试系统划分为多个测试子系统并建立其对应的子振动方程；根据多个子振动方程之间的协调关系建立总振动方程；根据振动方程及测试参数计算待测区域的声源强；根据噪声地图绘制单元及声源强，绘制待测区域对应的噪声地图，以便根据噪声地图对城市轨道区域交通噪声进行预测，其是基于耦合系统(车辆系统、轨道系统、桥梁-桩基系统和环境土体系统)的振动响应计算声源强，使得计算结果准确合理，且适用于各种车辆和高架轨道结构，并且本方法中将待测区域的交通噪声绘制成噪声地图，通过该方式使我国城市轨道交通的噪声管理与控制、噪声环境影响评价、公众参与以及方案决策变得直观且方便。市场前景分析：轨道交通基础设施建设领域。与同类成果相比的优势分析：技术先进，性价比较高。