已有样品/n我国慢病患者群体超过2.6 亿，慢病的早期预防、诊断、筛查变得尤为重要。该系统包含体检业务服务系统、家庭健康监测管理服务系统、第三方家庭健康服务支撑平台三类产品：客户群体是健康大数据数据采集、分析、服务的基础。本项目通过三类服务凝聚客户：1）以三甲医院体检中心为基地，通过智能体检服务、基于三甲医院权威的体检诊疗、康复方法指导，建立稳定的体检群体。2）通过移动互联网将服务群体拓展到慢病/老年病群体。基于体检

一、项目简介 本项目以心脑血管诊疗数据为研究对象，以建立三级协同诊疗服务模式为目标，围绕心脑血管诊疗装备网络共享、多元异构医疗信息智能提取、协同诊疗、国家级协同诊疗服务模式及评价体系四个科学问题，在数据获取与资源共享，知识提取与协同诊疗，三级诊疗服务模式三个层次上开展装备网络协同共享、智能信息提取与知识发现、基于人工智能的心脑血管疾病智能诊疗、医疗服务体系及大数据安全关键技术研究和三

本发明公开了一种基于 CPN 的面向服务软件性能建模与仿真分析方法，面向服务软件性能模型包 括软件模型和负载模型；软件模型包括服务模型和交互模型；负载模型包括工作负载模型和外部负载模 型；每个服务模型都具有一个服务内部结构模型；工作负载模型包括工作负载开始模型、工作负载结束 模型；外部负载模型包括外部负载开始模型、外部负载结束模型。仿真分析方法首先对面向服务软件负 载模型中的参数进行配置，设置仿真执行的步数或时间；创建监视器，对面向服务软件以及

针对服务区污水处理的相关技术 一、项目分类 关键核心技术突破 二、成果简介 现有高速公路服务区污水处理系统的总体设计不合理，直接套用市政污水工艺，无法有效应对服务区高波动、高氨氮的水质特征，普遍存在设备运行维护难、生化系统稳定性差和经常崩溃、出水氮磷不达标等突出问题。产生黑臭水体，频繁遭到附近村民投诉的现象。 为了解决以上问题，本技术为坚持生态优先与绿色发展，营造青山绿水的美好环境，解决服务区污水超标排放污染环境的问题，创新性的提出了针对高速服务区污水处理的新模式即“源头分离、智能调蓄、分类处理、强化脱氮”的十六字字方针。即对服务区污水采用尿液分离技术，分离出高氮磷的尿液废水，降低后续污水处理设施处理负荷；并采用人工智能算法动态控制尿液废水的收、贮、排，实现尿液废水智能动态调蓄，达到后续综合污水氮磷浓度削峰填谷，降低波动率，减少冲击；对尿液废水和综合污水采用分类处理策略，研发高效生化脱氮技术，结合智能控制系统，针对不同波动率的污水采用不同的抗冲击抗波动策略，实现服务区污水针对性控制；最后强化综合污水处理系统的脱氮能力，研发具有强化脱氮能力的“菌巢”材料及其反应器，实现主体污水处理工艺强脱氮、抗冲击的效果，保证出水稳定达标。 目前国内没有专门针对服务区污水处理的相关的技术，本技术已在实验室小试和现场中试试验尺度上验证了该新工艺和新思路的可行性，目前本技术已经申请了三个国家发明专利，2篇学术论文正在撰写中。这表明本技术具有很强的先进性和独占性。

中标麒麟服务器虚拟化系统是基于中标麒麟虚拟化平台软件V7，面向高安全服务器虚拟化领域应用研制的安全保密虚拟化平台；产品通过国家保密科技测评中心基于《涉密信息系统服务器虚拟化和桌面虚拟化产品安全保密技术要求》（BMB30-2017）的安全性检测。支持海光、ARM64及 X86平台。 中标麒麟服务器虚拟化系统支持管理大规模服务器资源、网络资源、存储资源，实现资源池化并统一管理调度；为关键业务提供灵活的基础资源调度，高安全性、优越的性能和稳定性；提供三员管理、国密算法支持、完整性度量及保护、恶意行为防护等系列安全保密措施，保证高安全领域虚拟化平台的高效、安全稳定运行。 产品特点 中标麒麟服务器虚拟化系统能够在提高数据中心空间利用率、服务器利用率，减少硬件成本投入，降低能耗，减少服务中断时间的同时，提高资源使用的灵活性；提高业务系统的响应速度，提高基础架构管理效率，同时为客户构建的服务器虚拟化系统符合国家安全相关标准要求，是构建合规、安全、保密、敏捷、易用、可靠的服务器虚拟化平台系统的可靠选择。 项目 内容 安装部署及升级维护 支持自动化大规模部署 支持不停机升级维护 系统管理功能 对计算、存储、网络资源虚拟化成资源池并统一调度管理 提供集群级别的资源负载均衡调度及高可用保护 提供集群、主机、虚拟机级别的资源使用情况及运行状态实时监控，支持自定义监控项及监控项告警阈值，支持监控性能图及报表 支持虚拟机在线迁移及迁移压缩、迁移加密 支持虚拟机、主机网络QoS管理 支持虚拟网络管理，支持VLAN 支持平台级手动/自动虚拟机备份恢复 安全保密功能 管理员登录限制、多因子身份鉴别、登录失败处理 管理员权限分离和职责划分（三员管理） 访问控制（限制管理员对资源的访问权限） 启动过程完整性校验（保证虚拟机组件的完整性） 安全审计（对所有管理员的操作生成审计日志） 虚拟机密级标识全生命周期与虚拟机绑定 数据保护（机密性、完整性、密码要求等） 虚拟网络安全（VLAN、虚拟交换机隔离、网络带宽管理等） 支持恶意代码防护功能 安全管理（虚拟化服务保护、虚拟机监视器安全、监控管理、外联监控、外接存储设备管控） 虚拟机隔离（物理资源与虚拟资源、虚拟CPU、虚拟机内存、存储） 残留信息保护（磁盘空间、内存）

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。