其他成果/n本发明涉及对按钮力性能测试的试验装置，按钮触头紧固在拉压力传感器上，拉压力传感器通过第三螺钉和第三弹簧垫圈与推杆固定在推杆压圈上，同时拉压力传感器通过数据采集卡与计算机相连，推杆与导向套通过导向键相连，并用第一螺钉和第一弹簧垫圈固定，步进电机与推杆通过第二螺钉、第二弹簧垫圈和第一垫圈固定，且拉压力传感器与步进电机在同一轴线上，测试时步进电机推动推杆向前运动，进行自动测试，步进电机与电机联接板通过第五螺钉、第五弹簧垫圈固定。本发明的有益效果在于：本发明采用传感器技术，使得测试数据精确程度高，测试人员可以深入准确地了解自己的产品。

在风洞模型实验、航天器陆地模拟测试、船舶工业遥感测控和汽车工业测试等领域中对不同测点三轴向支座反力进行测量时，三轴力测量系统有着广泛的应用。不同领域中对系统量程、频率特性、抗干扰特性等需求并不相同，本项目针对具体工程需求研发了一套三轴力测量系统。

已有样品/n抗过载能力强： 过载能力能达到满量程的300%， 同时具有机械过载保护和满量程溢出标志； 高采样率和高传输速率： 数据采样率可达10 KHz， 数据传速率可以达到2Mbps（CAN总线） ； 多种输出接口： 可选择多种输出接口， 如CAN总线， RS232/422，USB， 模拟等。 该项目目前已申请13项国家发明专利， 软件著作权5项

产品详细介绍

产品详细介绍         产品图片                         产品特点                  二力平衡实验器开发的关键就是按照教材要求，构造理想的物理模型。经过反复试验，最终确定了上图所示的方案：由带轮式挡光片的双向运动匀速电动机、支架、砝码、十字转接器和螺栓构成。双向运动匀速电动机悬吊在力传感器之下，通过开关控制，可顺时针或逆时针匀速转动，带动砝码上升或下降。电机转动时，其外接的轮式挡光片通过光电门，在显示匀速上升或下降的同时，显示拉力和重力相等，从而验证二力平衡。        产品范围        朗威®DISLab产品支持的学科以物理、环境科学和小学科学为主，兼顾化学、生物；并且涵盖基础教育的全学段，即从小学科学到初、高中理科实验教学。         产品用户          凭借强有力的教学科研支撑、稳定的产品质量和优良的售后服务，朗威®DISLab产品先后中标沪、京、浙、苏、皖、鲁、闽、粤、桂、陕等省大型政府项目，多年间装备了全国2000多所中学及200多所高等师范院校。           产品服务            朗威®DISLab产品每年在北京、上海、广州、新疆等全国30个省、市自治区开展数字化实验室教学培训，为各校提供了系统的产品应用培训、有力的促进了数字化实验在教学中的应用及推广。     山东远大深切了解一线用户的需求，本着强烈的社会责任和奉献精神，十年来的服务足迹遍及大江南北、天山脚下、白山黑水和西南边陲，从而获得了广大用户的好评。         产品意义         在中学物理教学领域的应用逐步从课件和虚拟走向了数据采集和实时实验，这是由物理教学的本质特征所决定的。具有代表性的首先是上海市编写的《上海市二期课改高中物理教材》，其次是人民教育出版社、上海科技教育出版社以及广东教育出版社新课程教材。在这些教材中，均明确提出了以朗威®DISLab传感器、数据采集器为基础的数字化物理实验的概念，并明确给出了教学实施方案。学校选用朗威®DISLab，既体现了信息技术与物理教学整合的课改理念，又能够使实验教学装备与新课标教材要求保持高度一致。         生产能力         山东远大总部及生产基地位于济南市，公司占地2000平方米，有员工近130人，其中专业技术人员30多人。公司拥有整套完善的生产管理、产品质量控制程序。公司在同行业中率先通过了ISO9001：2008质量管理体系认证和ISO14001：2004环境管理体系论证及GB/T28001-2001职业健康安全管理体系认证。         公司简介        山东省远大网络多媒体股份有限公司，成立于1997年，是依托山东大学组建的高新技术企业，产品注册商标为“朗威”牌llongwill®。 山东远大立足知名学府，身处高科技前沿。自1999年起,致力于数字化实验系统的研发,并于2000年推出第一代产品,在国内率先提出了实验教学采用“传感器+数据采集器+计算机”模式。2001年度，山东远大研发、生产的“微机辅助中学物理实验系统”产品顺利通过国家教育部部级新产品新技术鉴定,并荣获国家科技部科技型中小企业技术。山东远大在注重技术进步的同时，格外注重向整个教育领域传播全新的教学理念。以技术为依托、以产品为载体、以理念为先导，是山东远大一贯坚持的发展思路。作为中国数字化实验教学领域的开创者和领先者，山东远大的业绩在十年间有了长足进步公司影响力在同行业中名列前茅,朗威®系列产品已经初步具备了与国际一流品牌抗衡、冲击国际教育市场的实力，山东远大也正向教育行业的中型高科技企业稳步迈进。   山东远大，必将为中国教育做出更大贡献！

箱体为手提式一体工程塑料制作完成，外观尺寸（cm）：55*45*15实验项目： ①直线运动与运动的快慢； 目的：观察直线运动形式，测量运动快慢。 描述：小车在桌面上直线运动，不同小车运动快慢不同。 主要仪器与器材：秒表，弹簧动力小车（2个，产生速度不同） 要求：秒表为机械指针式，小车产生速度要慢，可从容观察。 ②曲线运动与运动的快慢； 目的：观察曲线运动形式，测量运动快慢。 描述：用尼龙线连接小车侧面并固定在桌面某处，由于尼龙线的侧向拉力使小车在桌面上做曲线运动，不同小车运动快慢不同。 主要仪器与器材：秒表，弹簧动力小车，尼龙线，固定尼龙线的装置。 要求：秒表为机械指针式，小车产生速度要慢，可从容观察。 ③振动与振动的快慢； 目的：观察周期性运动形式，测量运动快慢——周期。 描述：将软弹簧一端固定在铁架台支架上，另一端固定一个重物，悬挂好。将重物拉（或托）离平衡位置，则重物上下振动。 主要仪器与器材：秒表，铁架台，固定有重物的软弹簧动力。 要求：秒表为机械指针式，铁架台支架易于悬挂弹簧。 ④摆的运动 目的：探究摆的运动特点——周期性与等时性。 描述：将小球用细线连接在铁架台支架上，拉离平衡位置产生摆动。 主要仪器与器材：秒表，铁架台，小球，摆线，量角器。 要求：秒表为机械指针式，铁架台支架易于固定摆线，同时配有量角器。

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。