成果描述：结合我国节能农业和今后化肥生产滴灌肥的发展需要，本项目针对磷矿贫化及现有工业级磷铵生产过程存在的生产成本较高、产品质量不高等现状，以湿法磷酸为原料，化学法净化湿法磷酸为技术核心，以三效浓缩和稳态结晶生产高纯度工业级磷酸一铵为主产品导向实现磷资源高效利用，建设高纯度工业级磷酸一铵示范装置，实现工业MAP其纯度大于99%，磷收率大于75%的目标，增加磷元素附加值，具有较强的经济和社会效益，将对我国磷肥产业化解产能过剩，产品结构升级具有一定的带动示范效应，完全符合国家重点产业调整和振兴规划提出的方向和支持的重点。5万吨/年工业级MAP装置，现已安装完成，正在调试。市场前景分析：应用领域：湿法磷酸生产高浓度磷肥，急需新产品进行产业结构调整及升级的企业。 市场需求分析：目前我国基础磷复肥比重过大，产能严重过剩，市场竞争激烈，随磷矿贫化和物流成本增加，企业磷肥产品竞争力持续下降，走精细化发展（如生产工业级磷酸一铵）道路是企业产品结构调整，提升产品附加值的必由之路。湿法磷酸的梯级利用及净化生产各类高效磷肥符合磷酸盐以及磷复肥产业“做大、做强、做精”的要求，不仅是国家支持民族工业振兴、工业结构优化升级大局的要求、更是把资源优势转化为经济优势的重大而紧迫的任务。与同类成果相比的优势分析：国际先进

本发明公开了一种用于油气田中的可降解水基清洁压裂液稠化剂。本发明将具有酯基和磺基的甜菜碱型两性表面活性剂稠化剂式(I)用于可降解水基清洁压裂液中，得到的可降解水基清洁压裂液可自动破胶，且在剪切一小时后压裂液的粘度仍保持在50mPa·s以上。所述的可降解水基清洁压裂液的主要化学成分为具有酯基和磺基的甜菜碱型两性表面活性剂稠化剂和交联剂，稠化剂的质量百分比为1.5％‑4.0％；交联剂的质量百分比为0.5％‑1.0％。本发明的可降解水基清洁压裂液的生物降解性好，对环境影响小、耐温耐剪切性能好、破胶完全无残渣、配制简单。

本发明公开了一种用于油气田中的可降解水基清洁压裂液稠化 剂。本发明将具有酯基和磺基的甜菜碱型两性表面活性剂稠化剂式(I) 用于可降解水基清洁压裂液中，得到的可降解水基清洁压裂液可自动 破胶，且在剪切一小时后压裂液的粘度仍保持在 50mPa·s 以上。所述 的可降解水基清洁压裂液的主要化学成分为具有酯基和磺基的甜菜碱 型两性表面活性剂稠化剂和交联剂，稠化剂的质量百分比为 1.5％ -4.0％；交联剂的质量百分比为 0.

本发明公开了一种基于计算机视觉的个性化脚部建模与鞋垫定制方法，包括：获取被测者的脚部视频数据，对脚部视频数据中相邻的两帧图像进行特征点提取，并用利用光流法对相邻视频帧之间的特征点进行跟踪匹配，采用零均值归一化互相关系数 ZNCC 验证剔除其中不可靠的跟踪结果，并根据跟踪匹配的结果构造特征点的轨迹，对脚部视频数据中的关键帧进行选取，根据得到的特征点轨迹，并利用SFM 方法对视频关键帧队列中的特征点轨迹进行三维重建，以生

本发明公开了一种基于点云与影像数据的三维可视化方法和系统，其中方法的实现包括：采集目标场景的影像数据和点云数据；对点云数据进行上采样，将上采样后的点云数据投影到影像数据中进行融合，对进行融合后的点云数据进行着色，得到彩色点云数据；利用彩色点云数据进行三维渲染，得到目标场景的三维可视化模型。本发明实现了从数据采集和融合到最终渲染显示的点云三维可视化，有助于激光点云技术的拓展，提高了点云数据对于普通用户的可访问性和

本发明公开了一种金属化膜电容器保护装置和方法，干式金属 化膜电容器内部不灌封或采用灌封的干式结构，电容器顶部存在一定 高度的空隙。热传导型氢气传感器及其检测电路构成的气敏保护装置 安装于电容器顶部。当电容器内部元件出现击穿故障时，元件内部会 产生大量气体并逸出，该气体会最终汇聚到电容器顶部的空隙中。元 件产气中，经检测氢气体积约占 85％，因此，该产气会导致电容器顶 部空隙中氢气浓度的变化，从而导致检测电路输出信号的变化，实现 金属化膜电容器内部故障的检测。检测到故障信号后，可从外部切断 电容器电源

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。