产品详细介绍 【发明专利】 一种双绞线端接测试实训装置，专利号：200910089129.3 一种双绞线端接故障演示装置，专利号：200920110601.2； 一种双绞线端接测试实训装置，专利号：200920110300.X； 一种综合布线实训装置，专利号：200920110299.0； 一种打线端子快换装置，专利号：201020188141.8 【外观设计专利】 多功能综合布线实训装置，专利号：201030165270.0   【功能简介】     多功能综合布线实训装置（实训仪）是用来进行综合布线工程实训类教学及学习的仪器，具备综合布线工程中基本技能实训和部分工程实训功能，同时能够检验综合布线系统工程中线缆端接与打线的连接情况，并以彩色图形的方式形象的展示双绞线线缆中常见的各种接线故障。   【仪器特点】 1.由双绞线打线实训、双绞线跳线制作实训、双绞线端接测试实训和双绞线端接故障演示实训等装置组成，物理上与实训室中心设备间（CD）用5E类双绞线相连。 2.能满足2-6人同时进行双绞线端接实训，双面操作； 3.可进行双绞线端接测试及故障演示实训，测试及演示的双绞线端接常见的故障现象包括开路、短路、交叉线对、反向线对和串对等。测试结果可以回放显示。 4.打线训练模组采用斜口专利技术、模块化设计，更换便，支持学生无限次重复压接线实训，无使用寿命限制。 5.实训操作机架可维护性强，各个训练功能和测试功能模组全部采用结构化设计，当其中一部分因磨损需要更换时可以采用最小化的方式，只需对单一模组进行更换，节约维护成本和教学成本。 【规格参数】 长0.6米，宽0.53米，高1.8米，开放式机架。配36U双面开放式机架1个，双绞线端接测试及故障演示装置GCT-MTP 1台，实训模组2套，24口网络配线架2个，理线环2个，双口地弹信息插座1个，地弹电源插座1个，零件盒1个。可供2-4名学生同时操作（双面操作，互不干涉）。    

产品详细介绍整套装置采用模块化设计，实验内容丰富，结构科学合理，用实验模块模拟了多种采用PLC控制的电气系统.适用在电气自动化、自动控制、机电一体化等专业的配套教学实验.既可以做教材章节后的例行实验，也可用于学期末的课程设计和毕业设计。(1)PLC主机：三菱FX2N-48MR。(2)模拟实验模块：利用开关、按钮、LED各色发光管、LED数码管、指示灯、接触器、继电器、蜂鸣器等电气元件构成，即可进行模拟实验指令训练，也可以带电机负载进行实训操作.可采用其他类型PLC主机进行控制。(3)编程工具：便携式编程器、个人电脑。(4)编程方式：指令表、梯形图、SFC语言。

探火管式灭火装置是一套简单、低成本而且可靠度高的独立式自动灭火系统，随着行业场所的广泛应用，误启动情况偶有发生，造成一定的麻烦，为避免此类情况，青岛中阳消防科技股份有限公司经过大力攻关，创新研发了双极探火管式灭火装置，极大地降低灭火装置误动作的比例。 优势特点：双路探测，动作可靠，结构简单，安全方便。一级预警，二级确认后启动，减少误动作。双探火管释放，灭火剂喷发速度更快，效率更高。 应用范围：探火管式灭火装置解决了电器设备、控制箱、配电柜等易发生火灾的狭小空间的防火问题（详见《建筑设计防火规范》GB50016）。目前，该装置广泛应用于电力、通讯、石化、铁路、金融等行业。TH-J-E-42/150/170-SF间接式装置构成及原理双极探火管式灭火装置由容器、容器阀以及双极探火管、压力表等组成、探火管通过容器阀连接到容器上，一路探测到火源时发出预警信号，另一路再次探测到火灾信号并爆破压力下降，启动容器阀，通过释放管将灭火剂通过喷头释放，扑灭火灾。释放方式：间接式型号规格：TH-J-E-42/150/170-SF灭火剂充装量：42kg（0-5%）20℃贮存压力：5.7MPa最大工作压力：12.4MPa单位体积所需灭火剂最小量：1.14kg/m3（A类）0.69kg/m3（B类）探火管最大长度：2×25m释放管最大长度：12m工作温度范围：0~50℃

近年来，大气污染问题日益严重，尤其是雾霾、光化学烟雾、臭氧等问题已经引起国内外广泛关注。挥发性有机气体（VOCs）是造成雾霾及臭氧（O3）的重要污染物。吸附法是去除VOCs高效简便的方法之一，但在实际应用中，水蒸气的存在与VOCs产生竞争吸附，因此设计具有高VOCs吸附性能的疏水性吸附剂具有重要意义。近日，天津大学环境学院“大气环境与生物能源团队”（http://catalysis.tju.edu.cn/）针对分子筛表面亲水性及其在含湿条件下VOCs吸附应用存在的问题，利用多孔有机聚合物疏水性等特征，设计合成了一系列分子筛与多孔有机聚合物核壳结构的新型吸附材料，所开发的吸附剂有效提高了分子筛表面疏水性，并且大大提升了其在干燥和潮湿条件下的甲苯吸附性能。相关研究成果《Core-shell structured Y zeolite/hydrophobic organic polymer with improved toluene adsorption capacity under dry and wet conditions》已发表在环境类国际高水平期刊Chemical Engineering Journal（IF: 10.652）上。该系列吸附剂的研发为制备一系列疏水性吸附剂提供了新的思路。

项目成果/简介:近年来，大气污染问题日益严重，尤其是雾霾、光化学烟雾、臭氧等问题已经引起国内外广泛关注。挥发性有机气体（VOCs）是造成雾霾及臭氧（O3）的重要污染物。吸附法是去除VOCs高效简便的方法之一，但在实际应用中，水蒸气的存在与VOCs产生竞争吸附，因此设计具有高VOCs吸附性能的疏水性吸附剂具有重要意义。近日，天津大学环境学院“大气环境与生物能源团队”（http://catalysis.tju.edu.cn/）针对分子筛表面亲水性及其在含湿条件下VOCs吸附应用存在的问题，利用多孔有机聚合物疏水性等特征，设计合成了一系列分子筛与多孔有机聚合物核壳结构的新型吸附材料，所开发的吸附剂有效提高了分子筛表面疏水性，并且大大提升了其在干燥和潮湿条件下的甲苯吸附性能。相关研究成果《Core-shell structured Y zeolite/hydrophobic organic polymer with improved toluene adsorption capacity under dry and wet conditions》已发表在环境类国际高水平期刊Chemical Engineering Journal（IF: 10.652）上。该系列吸附剂的研发为制备一系列疏水性吸附剂提供了新的思路。

近日，机电学院王绍金教授团队在学校G2期刊《InternationalJournalofFoodMicrobiology》上发表题为“Combinedeffectsofintermittentradiofrequencyheatingwithcinnamonoilvaporonmicrobialcontrolandqualitychangesofalfalfaseeds”的论文。博士研究生徐渊美为论文第一作者，王绍金教授为论文通讯作者。

本发明提供一种超高频RFID电子标签的读取方法及装置，包括：根据输出功率大于最大输出功率，获知根据频率增量增加工作频率，获得当前工作频率；在当前工作频率下，根据功率增量逐步从最小输出功率增加输出功率直至大于最大输出功率，每次增加输出功率前，读取与当前工作频率一致的目标标签。本发明通过动态调整工作频率与输出功率，遍历读取处于不同工作频率、位于不同距离的所有超高频RFID电子标签，大大提升了超高频RFID读写装置的应用范围。

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。