本发明公开了一种适于顶针快速更换的芯片剥离装置，包括顶 针头机构、传动机构、顶起驱动机构、Z 向升降机构和二自由度位置 调整机构，其中顶针头机构配合安装在传动机构上，并可实现顶针的 快速更换；传动机构安装在顶起驱动机构上，用于传递顶针顶起驱动 力同时与顶针头机构相配合实现顶针罩内腔的真空度；顶起驱动机构 安装在 Z 向升降机构上，用于提供顶针顶起剥离芯片的驱动力，并对 顶针的顶起高度进行反馈控制；Z 向升降机构则安装在二自由度位置调整机构上并由其执行 X、Y 向的位置调整之后，再将安装于自身其 他组

Ø  成果简介：超分辨率图像重建技术是近年来发展迅速的图像处理新技术，其目的是超越成像传感器、成像和信道的分辨极限，利用所获低分辨率图像，实现高分辨率图像的重建。超高分辨率图像增强与显示芯片项目利用超分辨率图像实时处理技术，实现从一幅或多幅低分辨率视频图像处理获得高分辨率图像，在图像被放大的同时增强图像更多的细节，提高图像的清晰度和分辨率，实现摄像传感器的低分辨率与显示器高分辨率之间的匹配，解决目前图像获取与显示分辨率不匹配的瓶颈问题，在现有图像获取技术的基础上提高显示器的画面质

在临床和科研中，识别细胞类型是癌症诊断、血液分析等的重要内容，项目拟开发一套基于细胞类型解卷积算法，并与基因芯片结合，建成细胞类型分析设备。 在血细胞检测、免疫力评估、癌症诊断、干细胞移植、肿瘤微环境分析等临床应用中，必然要判断样本中的细胞类型和丰度。目前，临床使用的方法(染色、流式细胞等)存在：细胞类型判断不准、过分依赖抗体、流程复杂等缺陷。单细胞转录组测序(如Drop-Seq、10X genomics等)由于细胞泄露等原因，检测基因不全，导致对细胞类型的判断有误，且需要新鲜样本，实验较复杂，后续分析复杂。 因此，在临床和科研中，亟需一种能快速、简洁、准确地分析样本中所有细胞类型及其丰度的方法和设备。项目将开发一种基于解卷积的细胞类型识别算法，并和基因芯片技术结合，集成为细胞类型分析设备。只通过一组基因的表达水平，判定样本中所有细胞类型及其丰度；且可根据组织类型定制芯片，扩展应用。该设备可用于临床和科研中关于血液疾病、癌症、免疫分析等，成本低、操作简单、准确性好。

1 成果简介随着我国经济的高速发展和人民生活水平的提高，环境污染、疾病监测、食品安全等民生热点日益受到人们的关注。如何对上述问题进行简单、快速的监控，将一些危害降至最低，保障人民生活和生产，这就需要一种可实时实地检测、操作简便的多应用传感器件。 表面等离子体波（ SPP）传感器是一种基于光学检测的传感器件，被广泛用于药物筛选、食物检测、环境监测和细胞膜模拟等方面。相对于目前常见的化学、电子、力学等传感器，SPP 传感器拥有实时检测、无需标记、对被检测物无损害、探测方法简单等众多优点。为了降低成本、 稳定性能、减小体积，集成型 SPP 传感器件的成为了现今研究热点。然而现有的集成型 SPP 传感器件普遍存在灵敏度低，探测范围小等问题，限制了其应用的推广。 课题组从 2006 年开始合作从事集成型 SPP 传感器件研究，在清国家 973 项目、自然科学基金重点项目、教育部清华大学自主研究项目等项目资助下， 创新性提出一种基于 SPP-介质波导异质垂直耦合器的可集成生化传感芯片，并对传感芯片的传感特性和应用进行了深入研究和探索。芯片的特点和性能如下：可集成，芯片体积小，可与便携设备集成；可批量生产，价格低廉；灵敏度较传统的集成型 SPP 传感器件高出一个数量级；可实现对传感区域的精确或者大范围调节；可实现对纳米量级大小的物质的探测；传感性能稳定，应用领域广泛。上述优点表明该芯片可以工厂大批量生产经营，也可以用于实验室的科研研究，在化学，生物，医学等多 个领域均有应用价值。查新表明，国内外目前尚未发现有相似原理的器件。 图 1 (a) 集成型 SPP 传感芯片与一元硬币尺寸对比图 (b) 传感芯片的显微镜照片2 应用说明可集成型 SPP 生化传感芯片在实验室经多次验证，可以实现对折射率液体以及纳米级薄层物质的高灵敏探测，并初步应用于对双酚 a（简称 BPA，一种塑料生长常用原料，每年生产将近 2700 万吨含 BPA 的塑料类物质， BPA 具有胚胎致畸性和致毒性）的检测。实验结果表明，该芯片对于 BPA 的探测极限浓度可以达到 0.1ng/ml （欧盟公布食品准则中水含有BPA 的最高浓度为 1ng/ml）。3 效益分析由于目前国内尚无同类产品， 而且此产品在疾病检验，环境监测，药品鉴别等多个领域具有应用价值， 因此本仪器具有较大的市场推广空间。本传感芯片价格低廉，使用简便，对样品无二次污染，性能稳定，甚至对纳米量级的生化小分子探测均具有高灵敏度，相对于其他类型的传感器件， 具有明显的经济和技术优势。

成果描述：互联网文本内容主题 概念漂移检测系统， 通过分析数据集中的 所有文档数据的潜在 语义关系，提取出它 们之间的潜在语义主 题标示，通过评估参 数的方法，将生成的 主题时序关系用数据 的形式表示出来，并 以此为依据主动发现 待预测数据集中主题 的转变与转化现象， 并提供给用户这一主 题转移过程。市场前景分析：点。基于这些特点， 流数据的处理和分析 面临巨大的挑战，是 当前数据挖掘领域研 究的热点。 分类是数据挖掘领域 的重要课题，当前流 数据分类问题面临的 主要挑战之一就是概 念漂移问题，即数据 中学习的概念（从属 性到类别的映射）是 随时变化的。 通过对互联网中文本 内容的主题概念漂移 进行检测，对于正确 分类互联网文本等方 面具有重要的意义。与同类成果相比的优势分析：能够将生成的主题时 序关系用数据的形式 表示出来，方便用户 查看； 可以动态调整评估参 数，以实现对不同数 据集的自适应性分析； 可以将评估参数值与 发生概念漂移的主题 中心相关联，主动探 测出主题发生变化的 过程。

项目成果/简介:项目在多年国家项目的支持下，在项目“面向工厂规划和生产过程的数字化工厂技术”获2013年教育部科技进步二等奖的基础上，进行持续开发完善，与沈阳机床合作，在智能制造领域进行了深入的合作研究， 在沈阳机床智能制造展示线开发完成数字化孪生仿真模型及基于互联网的定制信息系统，系统实现了网络化定制下达生产订单，数字化孪生系统在线仿真模拟，真实展现生产场景，并可通过移动设备进行浏览和信息管理。项目符合中国制造2025所倡导的智能制造和互联网+技术的发展，对中国制造向智能化转型起到促进作用。项目通过展示真实个性化印章的智能加工、检测和装配，体现网络化的定制及数字化双胞胎技术。应用范围:项目所开发完成的技术符合中国制造2025所提出的智能制造技术路线，已应用于工业实际和大专院校的教学培训。目前国家大力资助建立智能制造试点示范项目，制造企业也在积极转型，向数字化和智能化转型发展，这些都需要数字孪生和互联网+技术的支持。 项目成熟度：小批量生产，项目已独立以及结合沈阳机床的生产线及教育系统得到市场的应用，特别是在中国航发商用航空发动机有限责任公司相关项目中得到应用。 拟在全国范围内推广：1.项目可应用于离散制造业的规划、调试、运行和维护阶段的仿真优化，通过建立工厂、生产线、设备的三维模型，实现虚实结合的数字双胞胎。 2、教育培训领域：通过实现智能制造理念的面向教育和培训的生产线系统，通过模块化的系统，实现对智能制造教学和培训。项目阶段:小规模生产效益分析:项目的技术创新点、先进性在于实现了数字孪生技术在生产线中的应用，达到了生产线的虚实融合。不仅可在规划阶段对生产线进行仿真验证，还可在生产运行过程中实现虚实融合，并通过AR-VR技术对操作指导、维修指导和生产过程监控提供支持，从而实现多维的虚实融合，是实现智能制造的关键技术之一。项目相关技术不仅能够应用于工业实际的智能化制造之中，还特别适合面向智能制造的教育和培训。

本系统在设计中使用了先进的网络处理器技术，包括高性能的IXP2400处理器和高速千兆以太网接入能力，提供了强大的网络处理能力和可靠的运行稳定性。本系统完成的基于网络处理器硬件平台根据不同的实际需求，可以广泛应用于各种网络通信系统和网络安全领域，边缘路由器，千兆硬件防火墙和入侵检测系统，具有广阔的市场前景。

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。

随着油田数字化的发展，物联网技术在油田企业的生产管理中应用越来越广泛。新技术的应用，提升运维人员技能培训迫在眉睫。油气生产物联网实训创新平台是针对石油企业的数字化油田运维人员和在校大学生物联网技术应用而建立的平台。 采用油田企业通用的PLC或DCS,构建采集控制系统；使用油田常用的通讯方式（4G、无线网桥、Zigbee/LoRa）进行仪表参数及数据的传输；配备计算机和SCADA系统，可以进行PLC或DCS的编程培训，实现在不同通讯方式下的数据传输；SCADA系统将现场中控室进行情景还原。平台培训由易到难，从最基本的传感器仪表接线及电路搭建、下位机编程、通讯方式的组建、上位机SCADA控制系统及管理平台的布置，能够实现仪表工、通讯人员、中控人员及高级技术人员等不同层级人员的培训。

本技术成果克服了现有技术的不足，提供了一种对未知 应用（包括恶意软件）进行自动发现、自动聚类、自动分析、自动识别的技术