内容介绍： 该项技术是以机器人技术应用为基础，利用机器取代人工从事装配精 度较高、重复繁重动作较多、劳动强度较大的成批或大批量生产的产品装 配工作。目前该项技术已成功应用于汽车部件、飞机部件等产品的自动化 装配。 该项技术解决了设备自动调平（沿法线方向）钻孔，自动在线检测位 移、压力、流量等产品技术指标，具有自动判断零件特征、自动纠错措施

项目简介专家系统是指在指定焦炭质量和成本的前提下， 根据单种煤的质量和价格及生产成本， 借助于专家知识的规则模型和解析的数学模型进行综合集成， 实现配煤比的定量计算和优化决策， 并从知识库中检索出多种能满足该焦炭质量指标和成本要求的配煤方案， 以便生产技术管理人员根据实际情况进行选择， 进而发出指令给配煤系统， 配煤系统接受指令后， 通过传感器控制配煤槽的给料量以达到实时控制配煤比的目的。 该技术已在宝钢、 攀钢等焦化厂使用。成熟程度已在宝钢、 攀钢使用。

成果简介电气火灾事故的频频发生也给人们正常的生活与工作带来了许多灾难， 造成诸多不便。 如何利用现在的科学技术监测到电气火灾发生的征兆， 及时采取有关措施， 避免事故的发生已迫在眉睫。本研究设计了一种剩余电流式电气火灾监测系统。 根据漏电故障的一些特征， 采用电流互感器监测零序电流， 传感器输出的电流信号经信号调理电路进行预处理和滤波处理后将结果送到微处理器进行采样， 并与设定的安全阈值进行比较， 超过安全阈值则启动报警装置， 启动断路器， 断开外部电路， 有效避免电气火

主要进行水泵机组实时动态运行优化及泵的在线故障诊断技术的研究，建立实用的 专家系统，从而可以对大中型泵站、船阀等进行自动化运行和监控管理，并可对泵的运 行状况进行自动故障诊断分析。系统故障诊断与自动控制 合作方式 技术转让，技术交易额面议。 

项目研究的背景及用途： 随着钢管架结构的普及，存在着大量的管端相贯线需要加工。管——管相交，管——板相交，管—管—板相交对管端相贯线焊接破口提出了很高的要求。目前对这种相贯线焊接坡口均采用人工放样、制样板、划线、手工切割，最后经人工打磨的工艺方法来进行加工。为了改变这种加工质量差、效率低的状况，研究管端焊接坡口数控切割具有重要的理论意义和实际应用价值，火焰自动切管机数控系统开发应运而生。该火焰自动切管机可加工各种形式的管端相贯焊接破口。 技术原理及流程： 该项研究与开发是在建立相贯线数学模型(管—管相贯、管—板相贯、构成 Miter 接头的相贯线，多管、板相贯等)的基础上，建立了两面角、破口角数学模型，并设计了相应的计算机程序，能够自动计算出数控切割所需的各项参数。构建了开放式、模块化的数控系统硬件平台，实现三轴联动自动切割。 成果水平及主要技术指标： 该研究达到并部分超过国际先进水平，获天津市科技进步三等奖。 市场分析及效益预测： 该项研究可应用于各种管端相贯焊接破口的数控自动加工，如海洋石油平台、大型钢结构桁架等，其加工质量好，效率高。该设备平均每年完成 3600 吨管材加工，按 0.416 万元/吨计算产值，约为 1500 万元/年，按特种加工利润率 13.4%计算，其年利润约为 201 万元。 

仪器概述        pH 自动控制加液系统是pH值在线监控或静态控制、测量于自动加酸加碱调整于一体的新型自动化控制设备。        pH精度高，稳定性好。广泛用于高等院校、科研院所实验室、中试车间、工业生产流程特定pH溶液的配置，以及其他生产工艺检测、控制、调节pH之场所。 技术参数 1、工作电源：AC220V±10%，50Hz 2、控制范围：0～14 pH 3、测量精度：±0.05 pH 4、分 辨 率：0.01 pH 5、泵头速度：0.1～300转/分 无级调速 6、转速显示：OLED高清液晶窗口显示 7、加液速度：0.12～190ml/min(自来水) 8、加液泵头：单泵 9、测量电极：pH三复合电极 或玻璃电极 10、温度补偿：自动温度补偿(PT1000) 11、pH控制器：高精度智能控制器 12、pH电极适用温度 ：0～80℃ 13、pH标准液：6.86/4.00 14、外形尺寸：330*310*230mm 15、环境温度：室温～40℃ 相对湿度：<80% 16、整机重量：约8kg 性能特点 1、高精度智能pH控制器，大屏幕液晶即时显示动态pH值与温度值，超出范围报警。 2、 多种控制测量模式：自动、手动、停止,可自由转换，实现一机多用。 3、单泵实现加酸或加碱，适用于只用一种液体(酸液或碱液)来调节控制PH值。 4、采用OLED高清液晶窗口，单独显示当前电机转速及工作状态，加液速率可无级调速。 5、pH值上下限自由设定，设定值与实测值同时显示。 6、pH电极可单点或两点校正，pH值与温度自动测量，pH值能根据温度自动校正。 7、采用步进电机控制蠕动泵加液,液体接触进口泵管，不接触泵体，无污染。 8、选配不同形式的pH精密复合电极，及配四氟材质的电极护套和延长杆可在高温、反应釜、反应器中适用实现特殊容器内pH值的监控与调整。 9、控制方式：自动、手动、停止 A:自动方式：仪器会根据实时检测的pH值与设定值，自动启动/停止加酸(加碱)，调整pH值至设定范围。 B:手动方式：不受pH控制器控制，一直转动，人工启动/停止加酸(加碱)，调整pH 值至设定范围。也可用于快速调整，或驱赶管内气泡，或用于其它液体的输送 C:停 止：停止加液动作，但pH值实时检测并显示;用于待命或调整结束时，也可作为在线pH值测量显示终端时使用。 本产品荣获国家发明专利,专利号为：ZL 201420406055.8 ZL 201420406067.0 ZL 201410349779.8   网址链接 http://www.csscyq.com.proshow.asp?id=798

产品详细介绍1.概述JM5840无线振动测试仪(http://www.yzjmtest.com/comp/2-JM5840.htm)又称无线加速度传感器。该无线振动测试仪内置一个电容式三向加速度传感器，可以测量一个点三个方向的振动。多个模块可以组成无线振动测试网络。该无线振动测试仪基于zigbee协议，低功耗设计，适合于长期监测，广泛应用于桥梁、建筑物、飞机、船舶、车辆、起重机械等的振动测量和监测。2.系统特点2.1 体积小巧，超低功耗2.2 支持在线、离线测试2.3 符合IEEE820.15.4/ZIGBEE通讯标准2.4 自组织、自恢复网络2.5 内置2M可扩充数据存储器2.6 易用的离线测试文件管理功能2.7 全电子化、程控化设计2.8 直观的工作状态指示2.9 支持65535个测量节点2.10 内置大容量可充电锂电池2.11 内建完全的充电功能2.12 标准的miniUSB充电接口2.13 即用的USB无线网关2.14 专业的无线配置及采集分析软件3.系统组成3.1 USB无线网关3.2 JM5840无线加速度节点3.3 系统软件4.主要性能指标4.1 通道数：3（X、Y、Z三向）4.2 工作电源：内置可充电锂离子电池4.3 电池容量：3.7V/1800mAH4.4 电池充电充电接口：miniUSB充电电压：5V±0.25V充电电流：500mA、800mA可设置充电电源：计算机USB电源或专用充电适配器可边充电边工作4.5 传感器类型：内置三向加速度传感器4.6 量程：±2g、±6g可设置选择4.7 频率范围：DC～600Hzmax（-3dB）4.8 横向灵敏度比：<5%4.9 零点漂移：±0.8mgmax/°C4.10 非线性：±2%FSmax4.11 噪声谱密度：50 μg/Hz-24.12 采集速率：最高1.5kHz多档可设置4.13 AD位数：16bits4.14 采集方式：每通道独立ADC并行同步采集4.15 内置存储器容量：2MB4.16 离线测试数据存储形式：文件4.17 离线测试文件数：31max4.18 工作时间：约15h4.19 通讯协议：符合IEEE820.15.4/ZIGBEE通讯标准4.20 天线：外接扬州晶明科技有限公司扬州晶明测试技术有限公司地址: 江苏扬州市维扬路25号公司主页 http://www.yzjmtest.com公司邮箱 sale@yzjmtest.com电话     0514-87850416,87867922,82960507传真     0514-82960507联系人   唐先生手机     15952768463QQ       1225605447MSN      Dynamictestor@hotmail.com 个人邮箱 tcb@yzjmtest.com 或 yztcb@sohu.com 

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。