艾柯AI人工智能实验室超纯水系统  EDI去离子水, 实验室专用超纯水机、纯水设备, 电阻率≥18.2或电导率≤0.055 适合水源：城市自来水 制 水 量：100L-200L/H 出水水质：纯净水、RO纯水、UP超纯水 产品配置：7寸触摸屏、双波长紫外消解仪、原装进口耗材、可加配移动取水手臂 产品特点：TOC实时检测显示、全智能语音助手、远程控制     AI人工智能实验室超纯水系统 “艾柯AI人工智能实验室超纯水系统是配备艾柯自主技术4G物联网功能，可连接手机或电脑远程操控整套系统，采用微电脑全自动控制，配备PLC物联网模块，人性化设计，占地面积小，操作使用方便。设备一机多用，可同时制备取用多种水质的水，纯净水、RO纯水、UP超纯水。产水量100-200L/H可选，RO水水质电导率≤5 μS@25℃，超纯水水质标准优于GB6682-2008一级水标准，全面满足各类清洗、实验、分析、科研等不同用水需求。”       ▎技术参数 ▎艾柯-专注水处理行业22年 机器型号 AK-AIZN-UP AK-AIZN-EDI-UP 进水水源 城市自来水 水温5-40℃ 水压1-5kg  TDS＜350ppm 电    源 380V/50HZ 功     率 1KW 1.2KW 机器重量 185KG 200KG 主机体积 长650mm×宽900mm×高1388mm 制备取水 一机多用，可同时制备取用多种水质的水：纯净水、RO纯水、UP超纯水 储水箱 22G全封闭真空压力储水桶或PE桶 紫外灭菌 配置185nm和254nm双波长紫外消解仪 制水量 100L/h  120L/h  150L/h  180L/h  200L/h 取水流速 饮用纯净水：3.4L/min  RO纯水：3.2L/min  UP超纯水：3L/min 饮用水水质 电导率≤10uS/cm@25℃ 水质达到中国国家瓶装饮用纯净水（GB17324-1998）标准 RO纯水水质 电导率≤5μS/cm@25℃;电阻率≥0.2ΜΩ.cm@25℃;杂质去除率98% 水质标准达到中国国家实验室用水（GB6682-2008）三级水标准优于普通蒸馏水 超纯水水质 电阻率值 18.25ΜΩ.cm@25℃ 电导率值 ≈0.055μS/cm@25℃ 热 源 ＜0.01Eu/ml ＜0.02Eu/ml 微生物值 ＜1cfu/ml 总有机碳 TOC：＜3ppb TOC：＜1ppb 阳离子含 ＜0.02ppb ＜0.01ppb 阴离子含 ＜0.03ppb ＜0.02ppb 达到标准 中国分析实验室用水规格（GB6682-2008）一级水标准美国试药级（CAP、ASTM、NCCLS）超纯水水质标准中国国家电子级超纯水规格（GB/T11446.1-1997）EW-I标准 标准配置  PP→AC→RO→DI→UP→UV→UF PP→AC→RO→EDI→UP→UV→UF 适用范围 分子生物学、血液分析、微量分析、药物成分分析、ICP-MS、ICP、GC-MS、LC-MS、HPLC、AAS、PCR、TOC等各行业高端标准实验室研究、分析、检测用水   ▎系统功能 ▎艾柯-专注水处理行业22年 智能语音远程控制 微电脑全自动控制，配备PLC物联网模块，人性化设计，具备人机对话功能 多功能预警系统 系统具备故障监测、自动报警功能，可远程修复控制系统的各项错误乱码程序 定量定质定时取水 系统具备定时、定量、定质取水功能，可任意设置定量取水(0.5L-100L)，定质取水(R0水、EDI水、UP水)定时取水(1min-60min)，免除人工频繁手动取水等候 360°可移动取水手臂 配备取水手臂加脚踏取水功能，同时拥有三套控制取水功能，设备操作更加便捷、可靠 AI语音智能对话 具备AI语音智能对话，语音唤醒开机、关机、待机、取水 取水记录下载功能 支持历史系统记录查询，可保存两年取水记录，可通过USB远程读取数据 四路水质检测显示 具备“AK”专用四路水质检测和温度显示功能，可同时检测和显示：进水电导、RO水电导、UP水电阻、EDI水电阻 TOC实时检测显示 具备“AK”专用内置总有机碳量(TOC)检测装置与现实功能，设计符合USP要求检测范围0-999ppb，检测精度士1ppb，提供在线TOC检测 原装进口纯化滤芯 配备“AK”专用大容量核子级超纯化罐、DI纯化柱，水质稳定，寿命更长 智能液晶触控大屏 配备7寸智能电容屏，可以实时查看整机运行流程图加各项检测数据，操作简单、智能 封闭式一体化设计 系统采用中央一体式设计，无外置模块，占地面积更小系统集中化使安装、位移、维护更加便捷   ▎适用范围 ▎ 艾柯-专注水处理行业22年 生化分析、血液分析、微量分析、环境分析、理化检测分析 药物成分分析、基因研究、分子生物学、生命科学、组织培养 生物工程、动植物细胞培养、氨基酸分析、蛋白质纯化、毒理研究 IVF实验、DNA测序、毒理研究、ICP-MS、ICP GC-MS、LC-MS、HPLC、AAS、PCR、TOC等标准实验室研分析、检测用水    

针对再生水中氮、磷、有害病菌难以同步去除问题，以天然沸石为载体，对其进行盐-热复合改性，负载镧氧化物，再载入无机抗菌离子，赋予沸石同步脱氮除磷抗菌功能，为再生水处理提供重要技术支撑。氨氮初始浓度为 8mg/L、总磷浓度为 1mg/L、大肠杆菌浓度为 104cfu/L，复合水处理材料投加量为 2g/L，搅拌 3h 后，其脱氮率达到 99.2％，总磷和大肠杆菌均未能检出，吸附饱和材料可多次进行再生利用。

本发明是一种活性污泥与生物膜协同作用的污水处理设备，适用于处理石化工业废水，以及低浓度和高浓度的生产或生活污废水。处理工艺的处理效果稳定，运行可靠，出水水质可以达到国家排放标准的一级标准；产生的污泥具有较好的沉降性能，易于处理；与其它处理设备或构筑物相比较，工艺流程短，污泥回流量减少40％～ 80％，运行费用降低18％～31％。通过处理设备的内外成结合达到多种处理工艺的组合，运行方式灵活，节省工程的投资，减少占地面积。

依托学校与烟台拓伟智能科技股份有限公司联合北京理工大学、中国科学院电子所、北京京仪自动化研究总院共建的烟台智能技术应用联合创新研究院，开发了系列具有自主知识产权的智能机器人产品和智能制造系统，其中“4-6自由度关节型工业机器人”可负载7kg-200kg；自主视觉引导+二维码定位的AGV，两轮差动、麦克纳姆轮全向，可负载20kg-2000kg。利用自主研发的全向无轨堆垛机、AGV、工业机器人等，在自主研发MES、车管调度、WMS系统监控下完成一系列智能制造和组装，打造了“汽车制动油泵壳体智能制造系统”“智能精密铸造工厂”等一批系统集成示范项目。 为服务烟台苹果产业高质量发展，研究院制定了烟台红富士苹果等级分选省级标准，研发了无损伤智能分选与包装及冷风库智能监管系统、该系统包括智能信息采集与分级子系统、智能输送调度子系统、苹果排面子系统、机器人智能装箱子系统，整线状态监测与数据库子系统。该系统采用人工智能及深度学习技术，有效结合近红外光谱与计算机视觉技术，完成苹果糖度、色泽、果形、霉心病、果锈、重量等21项指标检测，根据检测结果和新的分级标准，对苹果重新进行分类分级，检测准确率达到95%以上，分选效率2个/秒，磕碰率控制在1%以下，装箱速度达到1个/秒。通过该系统，开展苹果大数据信息采集工作，建立种植-加工-储存-销售全链条标准化苹果大数据综合运营平台，现从苹果单一价值到资源价值的跨越，从而促进苹果产业转型升级，高质量发展。

本系统包括温室栽培优化模型动态仿真、专家系统集成与智能控制算法设计等三部分内容。系统采用了基于知识的智能解决方案，系统的三个部分紧紧围绕专家知识与智能，不仅构成统一的整体又能分别独立运行。系统以大量的实验数据和专家经验为基础，采用智能控制方法、智能推理方法和多媒体技术，能提供病虫害在线预报，为温室环境控制提供最佳环境条件，并能对温室环境和作物生长过程进行仿真和预测。

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。