蓄电池是目前煤矿蓄电池电机车运行的能源来源，其本身的安全可靠决定了蓄电池机车的安全可靠运行，蓄电池电机车司机在驾驶机车时，若能实时通过显示屏观察蓄电池的容量和剩余使用时间，则可以有效指导司机对蓄电池机车的计划使用，能及时更换容量不足电池，防止电池过放电，同时也能防止蓄电池机车半路抛锚事故的发生，提高生产效率与生产水平。 本成果通过实时检测运行过程中蓄电池的开路电压及放电电流，同时根据蓄电池的放电曲线，能对蓄电池容量及剩余使用时间进行预测。 1、能够实时测量蓄电池的电压，电压范围 0～250V； 2、根据蓄电池的实时电压预测蓄电池的剩余容量； 3、能够根据蓄电池容量与带载情况，预测蓄电池的使用时间； 4、根据蓄电池机车的平均速度，预算蓄电池的行驶理程； 5、当蓄电池容量下降至正常容量的 20%时，实现语音提示； 6、所有的检测预测信息通过液晶屏实时显示。

对锰酸锂，三元材料，富锂高容量高电压正极材料和高电压锰酸锂正极材料进行了多年的系统研究，通过合成方法，原料配比及掺杂改进，使所得的正极材料在循环稳定性，倍率性能及高温性能等方面都得到明显改进。综合性能达到国际先进水平。可以进行产业化和大规模应用，不但可以用于小型锂离子电池，更适合于大型的动力锂离子电池和储能电池。

本专用轴流散热风扇采用优化轴流散热风扇中弯叶片的具体结构，能有效地降低叶道内气流的端部损失，从而克服现有闭式冷却塔专用散热风扇中，气动效率低、气动噪声大等缺点，该轴流散热风扇利用一种基于第一类样条函数思想的弯叶片生成方法，按其所设计中心拐点型弯叶片用于闭式冷却塔的散热风扇上时，能起到延迟失速的发生、改善大、小流量工况的气动性能、提高轴流散热风扇气动效率，降低闭式冷却塔整体能耗的作用。 本专用轴流散热风扇与现有技术相比，具有如下有益效果： 1．本专用轴流散热风扇中的中心拐点型弯叶片成型方法将叶片端壁弯角与叶片弯度相关联，且整个叶片弯曲型线为具有二阶光滑的第一类样条曲线。这种成型方法克服了现有技术中只注重端壁弯角的确定而对叶片弯曲具体形状的确定存在随意性的缺点。  2．本专用轴流散热风扇的弯叶片，其上下端部具有足够的弯曲程度而叶高中部平直。前者能有效降低叶片流道内的端部损失、增强对应风扇抗失速性能，以提高其在小流量工况下稳定工作的能力；后者有助于改善大流量工况下的气动性能。 3．本专用轴流散热风扇与同类风扇性能相比，具有风压大、效率高、噪声低、变工况适应性强等优点，特别对于大、小流量下的偏工况性能均不敏感，克服了常规弯叶片风扇有较高效率但以牺牲风压为代价的弊端，尤其适合用于闭式冷却塔中高流动阻力场合的散热。

产品详细介绍 红外二氧化碳传感器C20E（教育行业专用） C20E二氧化碳传感器专为教育应用而设计。在0-40℃温度范围内有补偿。 C20E通过四线连接就可以工作了：+5V、0V、串行输入、串行输出。 产品主要参数： 1) 检测范围：5% 2) 温度范围：0-40℃ 3) 供电电压：5V 4) 零点误差：20ppm 5) 预热时间：120S

       设备名称：专用车自动焊接自卸车U型斗激光跟踪自动焊接生产线       设备简介：专用车自动焊接设备该生产线主要由U形斗侧板双枪激光跟踪自动焊接专机、U形斗外侧搭接双工位激光跟踪自动焊接专机、U形斗内侧龙门式双枪激光跟踪自动焊接专机以及流水线相应配套的辅助工装组成；每套设备通过线性激光跟踪系统与多轴执行机构融合，实现多种长距离搭接或角接焊缝的实时跟踪及焊接；在系统控制设计方面，针对不同工位及焊缝，制定相应的作业流程及跟踪形式，；在U形斗生产工艺要求的前提下，大大提升了该产业的自动化生产水平及产品质量；实现了焊缝的自动跟踪和焊接，了焊接效率和焊接质量；自主研发的焊缝跟踪装置，无需人工定位，可在焊缝大幅度偏差的情况下进行实时连续跟踪，利用跟踪过程中积累的信息进行的焊接，实现了智能化的自动焊接；采用激光视觉系统，实现了无人干预的情况下焊缝轨迹的实时定位与跟踪；采用多轴数控技术，研制了数字化的网格式厢板焊接自动控制系统，实现厢板焊缝自动焊接。       设备参数：跟踪模式：激光跟踪；跟踪精度：0.05mm；焊接速度：900mm/sin；输送方式：人工吊装；可接受定制化设计及生产。

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。

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。

"该项目基于虚拟现实技术，还原现场真实三维场景，综合集成物联网、大数据等现代信息技术，在“真实”的三维环境中，实现数据的“所见即所得”及各种交互式应用。三维可视化综合管理平台包括： 1）三维数字化工厂；2）三维可视化生产运行管理系统；3）三维可视化设备管理系统——特种设备管理系统；4）三维可视化设备管理系统——管线管理系统；5）三维可视化设备管理系统——通用设备管理系统；6）设备健康管理——设备运行仿真与优化，设备运行状态监测，故障诊断与预测；7）三维可视化安全管理——三维数字化应急预案，应急预案模拟演练，警示教育与事故再现；8）交互式技能培训。 “三维可视化综合管理平台”用户已达20多家，其中很多是长期客户，用户涵盖石油、化工、钢铁、电力、铁路、水利、民航、机械制造、军事、教育、智慧城市（园区）等行业，合同额1000多万元。随着“中国制造2025”战略的实施，智能制造、智能工厂建设已开始全面启动，“三维可视化综合管理平台”的市场前景将越来越广阔。 "