产品详细介绍网口式系列    体积小巧，种类繁多，需配合数据采集器连接电脑使用，也可连接无线显示模块，实现无线数据传输和数据独立显示。电压传感器、电流传感器、微电流传感器、温度传感器、压强传感器、力传感器、位移传感器、光电门传感器、加速度传感器、光强传感器、磁场传感器、声音传感器、G-M传感器、光强分布传感器、常开控制器、常闭控制器、距离传感器、毫安电流传感器、电荷传感器、快速温度传感器、微电压传感器、光强传感器（三量程）、热辐射传感器、相对压强传感器、表面温度传感器、电子罗盘传感器、多量程电压传感器、多量程电流传感器、高温传感器、PH传感器、电导率传感器、气中氧传感器、溶氧传感器、二氧化碳传感器、温度传感器、心电图传感器、呼吸传感器、滴定计数器、氧化还原传感器、二氧化硫传感器。

产品详细介绍土壤衬套采样器（土壤重金属采样）衬套取样器，用于较软土壤的取样，深度7米使用这两种装置，可用带取样管和切割头的不锈钢取心采样器，将土样采集到衬套中。如果土壤较软，将取样器压入土壤，也可以使用推/拉手柄。如果土壤较硬，可用带两个尼龙头的钉锤（带减震设计）将取样管敲入土壤。装置包括：一个用来事先钻凿和清理钻孔的手钻，带取样管和土样罐的土心取样器，维修设备。装置用铝箱装运。静态土样往往不易从取样管中取出，而采用取样器衬套后，就比较容易了。样本仍然保存在衬套中，放进样本罐，可以密封起来装运到实验室。用途取得的样本适用于：土壤肥力测定土壤结构判断容重测定粒状构成的测定土壤技术测量现场教学

产品详细介绍 全自动喷淋清洗消毒器 快速式 整个流程30分钟型号:JK-DY500外尺寸（长*宽*高）：1900*1345*1026mm容量：500L电源：380V/50Hz最大输入功率：30KW清洗程序：加酶快洗，标准清洗，高温清洗化学清洗，快速高温清洗，干燥标准车：清洗车一台，转运车2台（材质：sus316）清洗架层次：5层篮筐数量：15只开门方式：自动下开门最高消毒温度：98℃最高干燥温度：常温-110 ℃工作时间可调（min）：1-480加热方式：电加热清洗量（中型手术包）：21-23个清洗剂排放投量（ml/min）：150防锈剂排放投量（ml/min）：150排放方式：一个周期自动排放一次内舱材质：SUS316进口不锈钢板外壳材质：SUS304进口不锈钢拉丝门人机界面控制：彩色大触摸屏控制方式：进口西门子PLC机自动打印功能：微型进口打印机，显示AO值记录全过程整机重量为：560kg售后服务：公司根据客户需要负责安装、调试及相应人员培训，负责上门维修。终身维护。超过保修期，维修只收取零部件成本费。24小时售后维修电话：13275601658、0551-65683226

产品详细介绍直流电机驱动器（军品级） 型号：YCI24V-3A/E-D  　　中功率直流有刷电机驱动器是我单位开发的采用H桥型式，PWM调速方式的高性能直流电机驱动器。不同于以往晶闸管整流方式直流电机驱动器，具有调速平稳，调速范围宽，体积小，可靠性高的优点。可实现速度闭环、位置闭环及转速电流双环、位置电流双环控制方式。根据客户要求可订制单路、双路及多路驱动器。　　 产品目前只有军用品级。型号说明

产品详细介绍直流电机驱动器（工业级） 型号：YC24V-3A/E 　　　　直流电机驱动器分三大系列：O系列适用于开环控制；B系列适用于闭环控制，C系列为智能型，适合高精度位置控制。智能型驱动器可与计算机通讯，通过标准RS232串行接口，实现电动机的控制。　　适用功率范围：<2.2KW。可匹配永磁和他励直流电动机。　　 反馈形式可选择编码器反馈或测速发电机反馈。闭环控制可做为闭环速度控制和位置控制。能够实现宽范围的平滑调速。 　　 系统采用智能芯片控制，PID调节器，参数调节灵活，稳速精度高，动态特性好。型号说明 

产品详细介绍HB796型直流信号源，是在我公司二十多年的仪器生产经验基础上，并采用了先进的电子技术，汲取了大量的现场工作经验，自主开发推出的新一代双通道直流信号源。 仪器具有独立电流、电压、电阻输出功能，可专门用于校验热工二次仪表，其采用高精度D/A转换技术，全数字化设定，操作方便快捷，提高校准效率，是一款得力工具。         主要技术指标   输出       输出量程       准确度    分辨力    负载电阻 电压       10.0000V       ±(0.03％RD ＋0.02％F.S)  0.1mV     ≥5kΩ        25.0000V       ±(0.03％RD ＋0.02％F.S)  0.1mV     ≥10kΩ        50mV      ±(0.03％RD ＋0.02％F.S)  5μV       ≥2MΩ        100mV    ±(0.03％RD ＋0.02％F.S)  10μV     ≥5MΩ 热电偶    10种TC ℃   见下表    0.1℃      ≥5MΩ 电流       25.0000mA     ±(0.03％RD ＋0.02％F.S)  10μA     ＜750Ω 电阻       1~400.000Ω  ±(0.05%F.S+50mΩ)   10mΩ    --- 热电阻    4种RTD ℃  见下表    0.1℃      --- 24V DC   ±2％F.S（输出200mA时）      ---   热电阻准确度指标 热电阻    输出范围       准确度    分辨率 Pt10 输出       （－200～850）℃       ±2℃     0.1℃ Pt100      输出       （－200～850）℃       ±0.5℃   0.1℃ Cu50       输出       （－50～150）℃  ±0.5℃   0.1℃ Cu100     输出       （－50～150）℃  ±0.5℃   0.1℃   热电偶准确度指标 热电偶    输出范围       准确度    分辨率 S     输出       （－40～0）℃     ±2℃     0.1℃               （0～1760）℃     ±0.5℃   R     输出       （－40～0）℃     ±1℃     0.1℃               （0～1760）℃     ±0.8℃   B     输出       （250～1820）℃  ±0.5℃   0.1℃ K     输出       （－210～0）℃    ±0.5℃   0.1℃               （0～1200）℃     ±0.2℃   N     输出       （－120～0）℃    ±0.5℃   0.1℃               （0～1300）℃     ±0.1℃   E     输出       （－270～0）℃    ±0.5℃   0.1℃               （0～1000）℃     ±0.2℃   J      输出       （－210～0）℃    ±0.5℃   0.1℃               （0～1200）℃     ±0.2℃   T     输出       （－270～0）℃    ±0.5℃   0.1℃               （0～400）℃       ±0.3℃    

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。

该研究采用污水处理厂改造前后的运行数据，对传统活性污泥法和膜生物反应器（MBR）两种污水处理工艺进行技术经济上的严格配对比较研究，对比分析污水处理厂采用两种工艺时的成本能耗、净利润和技术效率，采用敏感性分析评价计算结果的可靠性，为污水处理工艺的选择和应用提供技术经济方面的理性参考。