该项目围绕建筑固体废物高效资源化利用的重大社会需求，研发了适合我国特点的 分离、分选和质量调控等建筑垃圾处理工艺和核心装备，建立了建筑固废的全组分多路 径资源化利用模式，研发了建筑垃圾系列再生产品，形成完整产业链。该项目成果已在 北京、上海、河南等25个省市自治区建成生产线80余条，开发出再生混凝土、干混砂浆、 透水砖等系列产品，实现产业化应用。鉴定专家认为：成果拓宽了我国建筑固废资源化 利用途径，为改善建筑固废资源化利用模式、规范管理和行业健康发展提供了技术保障， 总体达到国际先进水平，对节能、环保和绿色制造有重要推动作用。

该项目围绕建筑固体废物高效资源化利用的重大社会需求，研发了适合我国特点的分离、分选和质量调控等建筑垃圾处理工艺和核心装备，建立了建筑固废的全组分多路径资源化利用模式，研发了建筑垃圾系列再生产品，形成完整产业链。该项目成果已在北京、上海、河南等25个省市自治区建成生产线80余条，开发出再生混凝土、干混砂浆、透水砖等系列产品，实现产业化应用。鉴定专家认为：成果拓宽了我国建筑固废资源化利用途径，为改善建筑固废资源化利用模式、规范管理和行业健康发展提供了技术保障，总体达到国际先进水平，对节能、环保和绿色制造有重要推动作用。

在中德双边政府合作协议框架——环境能源领域“中德清洁水创新研究项目（Clean Water）”项目支持下,与德国专家合作研究提出了“半集中式污水及固体废物综合处理及资源化技术”, 该技术改变了传统的集中式供排水模式的“污染物末端处理”结构与物质流和能量流“直线式”流动模式，从根本上解决了现有水资源重复利用率低和污染物难以资源化难题，该技术成果成功在2014 年青岛世界园艺博览会进行示范应用，通过生活污水分质收集、处理，满足再生水的分质回用的同时，实现再生水回用率达 90%以上，生活用水节水率达 40%以上；通过污水污泥与生活垃圾协同消化处理，在有机废弃物 100%无害化处理与利用的同时，实现绿色清洁能源（沼气发电）回收利用。该技术解决了快速发展中城市区域基础设施建设与环境污染问题，引领市政供排水等基础设施的发展方向，实现了“能源消耗最低、污染排放最少、废物综合利用”的最优化。既体现了“循环经济”与“低碳经济”的原则，又与我国当前建设“低碳社会”和“绿色住宅区”的小康社会目标吻合，不仅具有很好的社会效益及环境效益，而且对促进城市可持续发展具有重要的现实意义。 

本专利提出一种网络结构化多主体系统中任务执行的资源缓存方法，每当主体执行任务调用所需资源时，还需对调用的资源进行缓存：如果调用的是原始资源，那么就产生一个该资源的副本，该副本向调用主体移动一步；如果调用的是资源副本，那么直接将该副本向这个主体移动一步。因此，当以后该主体执行任务需调用该资源时，就会比调用原始资源更节省时间，故而提高任务执行的效率.另外，为了防止系统中存在过量的资源副本对网络造成拥塞，本发明还提出了资源缓存的消逝机制：设置一个时间段，网络中的资源副本每隔一个时间段就会向其原始位置回退一步；如果一个资源副本很长时间没有被调用，那么它就会逐步再回退到其原始位置，从而资源副本消失。

生产的有机肥不仅含有作物生长所需要的氮、磷、钾等大量元素，还含有硫、钙、镁、锌、硼、钼、铁、铜等多种中量和微量元素，是一种全价有机肥，可满足作物各生长时期对养分的需要，而且该有机肥料含有大量经微生物分解转化的活性物质，这些活性物质可促进作物的生长发育。该肥料还可以促进作物的抗逆性和对不良环境的适应能力，如抗旱、抗寒、抗病、抗倒伏能力增强 一、项目分类 显著效益成果转化 二、成果简介 此项技术采用了基因工程育种方法生产降解农物秸秆的有效微生物，而且此项技术所研制的菌群不仅缩短了发酵周期，还可避免菌群退化这一国际上同类技术所普遍存在的问题。因此，这项研究的成果是处于国内领先水平的。 生产的有机肥不仅含有作物生长所需要的氮、磷、钾等大量元素，还含有硫、钙、镁、锌、硼、钼、铁、铜等多种中量和微量元素，是一种全价有机肥，可满足作物各生长时期对养分的需要，而且该有机肥料含有大量经微生物分解转化的活性物质，这些活性物质可促进作物的生长发育。该肥料还可以促进作物的抗逆性和对不良环境的适应能力，如抗旱、抗寒、抗病、抗倒伏能力增强

　　为了提高中小学生安全防范意识，提升安全教育知识水平，针对中小学常见安全问题，云幻科教以生动有趣的卡通形象为主人公，通过3D虚拟技术进行模拟不同安全场景，引导学生正确安全行为。3D校园安全教育资源库，包含运动安全、交通安全、电梯安全、意外防范、安全救护等内容。       3D校园安全教育资源库中，每部资源时长在2-7分钟，包含安全情景引入、错误行为禁止、正确行为引导、安全知识小结四部分内容。通过3D校园安全教育资源学习，能有效吸引学生兴趣，让学生知道哪些行为可以做，哪些行为不可以做，遇到危险情景该如何应对，有效提升学生的安全知识水平。

云幻科教根据教育现状，针对于学前教育、义务教育、高中教育的不同需求，研发建设与各学科相配套的3D互动教学资源库，设置演示、交互、练习三大部分。3D互动教学资源库包括小学科学、中学化学、中学数学、中学物理、中学生物等学科资源，还包括校园安全、传统文化等专题资源，为老师提供前沿、创新、有效的教学辅助资料，为学生营造身临其境的沉浸式学习氛围。

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。