汽车轻量化是国家和汽车企业的主要发展战略，已经上升为国家战略重点 支持项目，规模应用复合材料实现减重是企业重要战略之一，在保证汽车的强 度和安全性能的前提下，尽可能地降低汽车的空车重量，从而提高汽车的动力 性，可减少燃料消耗，降低排气污染。统计显示，汽车一般部件重量每减轻 1%， 可节油 1%；运动部件每减轻 1%，可节油 2%。国外汽车自身质量同过去相比， 已减轻 20%—26%。预计在未来的 10 年内，轿车自身的重量还将继续减轻 20%。 而纤维复合材料等轻量化材料的开发与应用，在汽车的轻量化过程中发挥着重 大作用。

通常达到机械轻量化的主要途径有两种：一是改进机械本身使用的材料，二是采用先进设计手段，使机械结构更加合理。采用新型材料由于制造成本、加工工艺、环保等方面的问题，新材料很难用于一般机械上，而通过结构优化在保证满足性能要求的前提下，实现轻量化却更具有实际意义。

一种基于视觉颜色理论和同质抑制的轮廓与边界检测方法，属于计算机视觉和模式识别的交叉领域，旨在从复杂的自然场景中提取目标的轮廓和边界。本发明通过研究人眼视觉信息处理机制，对视觉通路各级神经元的感受野建立数学模型，同时利用非经典感受野的调制作用来抑制纹理边缘，从而突显轮廓和边界

一种基于视觉颜色理论和同质抑制的轮廓与边界检测方法，属于计算机视觉和模式识别的交叉领域，旨在从复杂的自然场景中提取目标的轮廓和边界。本发明通过研究人眼视觉信息处理机制，对视觉通路各级神经元的感受野建立数学模型，同时利用非经典感受野的调制作用来抑制纹理边缘，从而突显轮廓和边界。本发明的创新点在于将人眼颜色信息处理机制引入轮廓与边界检测模型中，通过设置不平衡的视锥输入检测出颜色和亮度边界，保持轮廓的完整性，同时考虑

纤维缠绕复合材料压力容器（COPVs）由于其具备轻质高强和先漏后爆（LBB）等特性，在航空航天、石油化工以及移动汽车等领域已经得到了应用，但由于现有制备工艺复杂、成本高，特别是承压能力不足的特点，限制了其大规模推广应用。

进入“十四五”以来，我国军费稳定增长及加强实战化训练大背景下，航空航天军工产业必将放量增长，军工各产业链迎来了红利期，行业景气度持续上升，行业将迎来需求放量的黄金发展期，金属蜂窝及其制品的应用场合多为航空航天军工等国家战略产业，关系到国家安全和高科技发展的大局，产品属于多属于高精尖特产品，附加值高，在军民领域有较大的应用前景，市场处于爆发的前夜。金属蜂窝产品具有最优的结构重量比，具有超轻、高强、隔音、隔热、耐疲劳等优异特性。在航空发动机蜂窝封严、飞机机翼、导弹舵翼、卫星、装甲车辆电磁屏蔽等军用领域拥有重要应用，且在民用领域，如汽车、核电、高铁、建筑、家居等领域拥有广泛的应用前景。本项目成果为金属焊接蜂窝轻量化制备技术及其应用。 本项目核心技术包括蜂窝芯体制备方法与工艺、蜂窝芯体空间曲面自适应加工、飞行器空间曲面蒙皮热成型、复杂空间曲面结构真空钎焊、蜂窝封严自动化装备、电磁屏蔽蒙皮设计和制备、无损检测与可靠性评估等。核心产品包括航空发动机蜂窝封严（市场容量大、稳定增长）、航空飞机机翼等大部件（单品价值大且技术难度极高）、导弹舵翼类（市场容量大且技术难度大）、隔音降噪蜂窝结构、电磁蜂窝屏蔽结构等，以及高铁、核电、汽车、建筑等民用蜂窝产品。

1.痛点问题 在食品、医药、新能源、物流及3C等诸多行业，需要大量对产品进行高速拣选、理料和包装的机器人。高速机器人已成为分拣和包装领域中提高效率、降低成本和提升质量的核心装备。国际机器人巨头ABB和FANUC等引入并联构型，凭借基础零部件优势，开发的Delta高速并联机器人一直处于市场垄断地位。国产机器人的高性能伺服驱动和减速器等依赖进口，面临中低端锁定的困局。 面向轻量化和智能化的发展趋势、及日益复杂多样的生产需求，刚性机器人在性能方面存在效率低、成本高、功耗高等亟待突破的瓶颈。 2.解决方案 本项目引入高性能索驱动技术，建立了刚柔融合构型创新设计方法，发明了一类具有高效率、低成本、低功耗和高精度特性的高速索驱动并联机器人，实现了索驱动与刚性支链的并联融合；建立了运动学和动力学性能评价指标体系，形成了从构型设计到性能匹配的一体化优化设计理论和方法，保证了机器人本体的优异性能；突破了轨迹规划和精度保证等关键技术，研发了基于开放构架的高性能控制软硬件平台，形成系列化机器人装备。 基于本项目技术可以建立系列化索驱动并联机器人产品，突破刚性机器人面临的瓶颈问题，极大降低装备成本，推动国产机器人性能和市场占有率提升。 合作需求 1）市场对接：自动化系统集成公司、分拣码垛需求迫切的大型企业集团； 2）资本对接：具有高端装备和智能制造背景的投资机构，引导产业链整合； 3）技术合作：具备轻量化高速、超大空间重载、接触力控制等工况需求的企业，可与本团队合作攻关或共同申报、承接国家和省部级项目。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：

本成果围绕光伏并网系统电能质量展开。基于深度学习算法，研究谐波等电能质量指标变化规律，运用特征提取技术处理时序数据，实现电能质量预测。研发基于态势感知的电能质量调控装置，总谐波补偿率不小于 90%，补偿次数 2 - 50 次。成果形式包括研究报告、调控装置示范应用，申请发明专利 3 项，发表论文 3 篇。应用场景涵盖光伏电站、配电网等，可提升电网可靠性与经济性，减少设备损耗、优化调控策略、降低弃光率，为新能源消纳提供支撑。