本发明属于柔性电子生产相关设备领域，并公开了一种用于柔 性膜转移的机械手控制系统，包括多自由度机械手、多传感器反馈单 元和控制单元，其中多自由度机械手用于对柔性膜执行转移操作；多 传感器反馈单元包括 CCD 传感器、激光位移传感器、重力传感器组、 真空传感器、压力传感器等，并用于对机械手包括位置、姿态、真空度和接触力在内的多项状态指标执行检测；控制单元则基于多传感器 反馈单元的信息，对机械手整个转移过程的操作执行精确控制，同时 还可对拾取头工作段的吸附面积大小进行灵活调节。通过本发明，可 根据柔性膜

报废机械零件的剩余强度和剩余寿命评价和预测。 

本实用新型涉及一种多关节柔性水下机械手关节单元结构。本实用新型以中间单元的两轴端为支撑，联接端盖通过其轴端圆槽定位，同时联接端盖和中间单元侧面分别开有联接端盖侧壁孔、中间单元侧壁孔；挡片安装在中间单元的内腔；内筒两端和挡片的另一端面接触，挡片的该端面开有和内筒外径一样大小的挡片圆槽；内壳安装在中间单元的内腔，两端面和联接端盖的下表面接触，并通过联接端盖的下表面定位防止其轴向运动，内壳的内壁和挡片外圆周面接触，并对其产生周向定位作用。本实用新型在满足强度要求的前提下，为减少机械手质量，主要零件都采用挖空处理，因此关节单元的自重相较传统的水下作业机械臂很小。

本发明涉及一种高强度工程机械用钢及其制备方法。其技术方案是：经转炉冶炼、精炼后连铸成坯；对铸坯加热，加热温度为1150~1250℃；粗轧开轧温度为1100~1150℃，精轧开轧温度为915~960℃，终轧温度为820~880℃；轧后采用两段式冷却方式：第一段以3~6℃/s的冷却速度冷却到720~760℃，第二段以30~50℃/s的冷却速度冷却到560~600℃；卷取后空冷至室温。所述铸坯的化学成分及其含量是：C为0.06~0.10wt%，Mn为1.35~1.55wt%，Si为0.35~0.50wt%，P≤0.02wt%，S≤0.01wt%，Ti为0.14~0.16wt%，Mo为0.10~0.15wt%，Nb为0.04~0.06wt%，其余为Fe及不可避免杂质。本发明具有生产成本低和工艺简单的特点，所制备的高强度工程机械用钢性能优良。 （注：本项目发布于2015年）

本发明公开了一种在SOI硅片上制备微机械悬空结构的方法。对悬空结构及其固定结构采用不同的槽宽设计，其中，固定结构的槽宽明显大于悬空结构，宽槽底部经刻蚀首先到达或更加接近SiO2层，再通过各向同性干法刻蚀使窄槽底部相互连通并与窄槽下方的Si层分离，将窄槽间的梁释放，形成具有平整底面的悬空结构，同时去除固定结构与悬空结构连接区底部的Si以及固定结构与其它结构之间的区域底部的Si，使得固定结构与窄槽下方的Si层及其它结构隔离，从而使不同的固定结构间相互绝缘。本发明的方法简单有效，能广泛应用于MEMS悬空结构的加工。

    myCobot人工智能套装是集视觉、定位抓取、自动分拣模块为一体的入门级人工智能套装。基于Linux系统，在ROS搭建1：1仿真模型，可通过开发软件实现机械臂的控制，简单易学，能够快速入门学习人工智能基础知识，启发创新思维，领悟开源创意文化。本套装扩展性好，开放性高，可以被用于多种用途。可易用专科院校的实训平台、机器人学科搭建、机器人实验室或个人学习与使用。 产品特性 大视觉识别算法 四种颜色木块、不同形状卡片任意选择，4种ID二维码识别学习二维和三维世界之间的投影关系，图像特征点带你学习图像分割、保存图片特征，深度学习yolov5算法，让你了解神经网络。 6种适配机械臂 支持 myCobot、mechArm、myPalletizer 的M5Stack和树莓派版本。 aruco码的检测、跟踪：摄像头精确定位与标定，并进行自动抓取。 颜色及图像识别：应用深度学习算法，用户可以利用机械臂完成定位抓取和自动分拣。   联系我们：深圳市大象机器人科技有限公司 官网：https://www.elephantrobotics.com淘宝官方旗舰店：https://shop504055678.taobao.com/?spm=a1z10.1-c-s.0.0.2b0e58e7PY8UhV电话：+86 (0755) 8696 8565/+86 181 2384 1923地址：深圳市福田区华强北电子科技大厦D座智方舟国际智能硬件创新中心D403 D504 D505

本项目研发了一套完整的现场数据采集服务支撑技术，提供了数据采集集成服务的商业运营新模式。针对工业互联网建设过程中普遍存在的现场数据采集需求，整合了综合感知、AI智能处理、网络安全传输、数据质量管理和标准化输出等多个环节，把经过质量分析和标准化处理后的实时数据，作为产品对接到工业互联网应用平台的数据池，供后续数据处理和应用分析。整套技术包括4大模块：1）智能网关：基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置云服务器；重点研究基于小目标的AI图像分类算法。2）AI模型管理系统：实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。3）数据管理和标准化处理：数据有效性管理、数据质量评估、数据标准化和数据安全机制。4）智能运维：开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提高效率、降低成本、保证系统运行质量和数据的有效性。 如图所示，项目完成了对于现场数据的传感、传输、管理、输出和设备运维等一系列工程实现。应用范围: 1、智能网关： 开发基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置服务器。 综合接入能力： 包括有线传感器和特定的无线传感器、与现有系统的对接 有效感知能力： 实现基于图像的AI视觉感知能力，重点研究基于小目标的图像分类算法 安全传输能力： 提供4G、5G、NB-IOT的上行传输模块化替换 提供安全的加密手段，保证数据安全 现场调试配置能力： 具有现场WiFi调试功能，方便安装和运维人员现场配置和检测 软件和通信标准版本现场升级 2、AI模型管理系统 需要实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。 样本管理能力 原始样本管理、样本实例库分类和管理、检测样本管理等 模型计算和管理 算力管理：对算力的统筹，外部算力的对接等 算法管理：自主开发算法的管理和调动，外部算法的调用和对接 模型管理：包括模型的功能属性和已经应用的情况的统计分析 设备管理 设备的AI模型配置能力、AI推演过程的监控、AI推演结果的跟踪采集和分析 3、数据管理和标准化处理 数据有效性管理 监测数据是否按时上传、上传数据是否符合要求、是否为非法数据 告警输出：把告警信息进行分类，并推送给相关的运维系统 数据质量评估 按照标准对现场采集数据进行多维度的质量分析，为后续数据应用提供参考依据 数据标准化 格式标准化：完善采集时间、地点、单位等属性， 输出标准化：按照标准协议与工业互联网平台数据池进行对接 数据安全 区域性部署：可以应用户要求部署在其内网 并行部署：可以通过并行部署，网关上联多个服务器，确保用户的可靠性需求 数据回滚能力：可以应工业互联网平台要求对数据进行一定期限内的回滚，保证数据在一定时间段内不丢失 4、智能运维 开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提供效率、降低人员成本、保证系统运行质量和数据的有效性。 运维人员管理 对运维人员的信息、定位、工作状况管理 巡检任务管理 对部署的硬件和相关工作环境定期巡查的任务制定、下发、执行过程和结果的记录和管理 临时故障处理 对系统自动告警和现场突发状况的应急处理能力，包括人员调配、处理流程提示和建议、相关情况处置参考案例、后续统计追踪等。网关核心板实物照片

项目简介：《选矿厂生产统计计算机管理系统研究》通过湖北省科技厅组织的鉴定，其科研成果处于国内领先水平。 技术特点：本课题以大冶铁矿厂为实例，利用当前流行的Microsoft Visual Basic6.0开发选矿厂生产统计计算机管理系统软件，该系统解决了多金属选厂报表金属量不易平衡的问题，具有创新性。用户只需一次性输入原始数据，相互关联的生产日报表、周报表、月报表和年报表将自动生成，生产日报表可当天上报。企业领导、工程技术人员、管理工作者和统计分析人员可根据工作需要任意浏览、调用、打印各种报表，有利于正确指导现场操作、生产调度、组织管理和领导决策。应用领域：该系统既针对性，又有通用性，便于计算机管理网络化。可在全国同类矿山企业中推广使用，具有广阔的应用前景和良好的社会、经济效益。

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。