产品详细介绍  CANARY是一个单气体或多气体分析仪，测量浓度在ppm范围内的气体。CANARY有两种型号，一种NEMA等级的工业箱子，另一种适合野外使用的箱子，分别如图所示。和Cerex其他气体分析仪一样，系统通过红外或紫外差分吸收原理测量气体浓度，和传统的电化学传感器比，不会出现“中毒”的现象。 NEMA产品（上图） 便携式产品（下图）   特性： 重量: 12 lbs (5.4 kg) NEMA 尺寸: 61.0cm x 30.5cm x 15.2cm 便携式尺寸: 21.6in x 17.3in x 4.9in (54.9cm x 43.8cm x 12.4cm) 操作温度 Temperature: 32°F - 113°F (0°C - 45°C) CANARY能够测量二氯乙烷Dichloroethane (EDC)中的水汽、水中的氨气、氨气、氯气、二氧化硫、氟气、氟化氢等。CANARY设计用于工业过程监测，同时也提供便携式的设备，IP67等级防护。  输入电压 100VAC to 240VAC , 47-63HZ 输入电流 5A Max 操作环境温度 0 to +45ºC 储存温度 -10 to 60 ºC 操作和储存湿度 Below 80% (Non-condensing) 尺寸 610 x 305 x 152mm 光谱范围 185nm to 18μm 取样单元材料 316SS, PVDF, or PTFE 取样单元操作温度 0 to 200 ºC Sample Line Fittings1 Customer specified 原位探针光谱范围 200nm to 18μm 原位探针操作温度 0 to 140 ºC 光纤接口2 SMA 材质2 Titanium, Hastelloy, PEEK or 316SS   产地：美国

执行标准：SL352-2006，DL/T5150-2001，TBT 3275-2011 硬化混凝土气泡间距系数分析仪，适用于研究混凝土引气剂对混凝土气泡特征参数的影响、气泡特征参数与材料配比的关系以及气泡间距系数与抗冻耐久性指标的关系的研究等。 北京耐尔得公司研发的硬化混凝土气泡间距系数分析仪，采用直线法和面积法，分别测试硬化混凝土的气泡的各项参数。产品工作性能强，软件界面友好，操作简捷，测试精度高，深受国内科研单位的欢迎。

单相功率电表 7110/7120 ‒待机功率解析度达 0.001W ‒具波峰因素比显示 ‒更高 50 阶谐波分析能力 ‒1000 组量测数据保存空间 ‒电流波峰因素最高 CF9 ‒自动换档速度快   ICROTEST Power Meter 7110/7120的输入电流波峰因素可达到CF3/CF9 并拥有量程范围内所有数据均能量测优异特色，自动换档速度上亦是同等级功率表更快 能迅速锁定电流量程、准确进行功率消耗分析，量测范围从0.001W到16KW均能量测   MICROTEST 7110/7120 能量测内含DC成份的AC功率消耗 对于分析正负半周不对称电器之电流信号，得到的功率因素PF更准确 市面上电器产品为因应欧盟对电器的待机规范，厂商均致力于将待机功耗尽可能降低 并能帮助电器厂商精准分析自家产品的待机功耗并能搭配个人电脑做长时间功耗分析     关注微信公众号，看产品视频  

XM-MZ01中医面诊、问诊检测采集分析系统（中医面诊仪）   XM-MZ01中医面诊、问诊检测采集分析系统通过对病人面部图像进行分割、人机病症问诊作答，结合医生专业诊断，给出专业诊断结果并打印成报告，该系统能达到辅助中医临床诊断的作用，从数据库中读取面诊以及问诊信息数据，建立和编辑病例，建立中医诊断报告。中医面诊检测分析系统采用形状模型实现对眼睛、鼻子等器官进行定位，提取出额头、下颏和两颧区等人脸区域。通过采用K-means算法对面部图像的颜色进行提取，计算不同的颜色聚类中心的距离而进行面部颜色的分析；通过采用改进的2DPCA对面部图像进行特征抽取，通过计算测试样本特征与训练样本特征之间的余弦距离，实现对面部图像的光泽分析。   功能特点： ■ 软件界面简洁、操作简单。 ■ 随时可以添加、删除病人信息并自动保存。 ■ 采集分析流程：新建病人、问诊采集、面象采集、分析 结论、保存病例。 ■ 问诊采集主要是病人对照数据库中的各种症状进行挑选，通过回答 88 道试题( 病人起病和转变的情形，寒热、汗、头身感、大小便、饮食、胸腹、耳、口等各种状况)，最后进行提交并由系统自动判断。 ■ 面象采集主要是在特定的光源环境下，采用高清晰摄像头 获得患者面部的图像信息，将这些特征值与特征数据库中的阈值进行比对，给出面色分析结果。可分析12种面色：青色、赤色、黄色、白色、黑色、正常、淡白、淡红、红、 深红、暗红、紫黑。 ■ 分析结论主要是给出问诊和面诊的结论。问诊部分的结论有定位结论和定性结论，面诊部分的结论为面诊概述。 ■ 测试结果用表格显示，简洁易懂，并可以生成PDF文件保存以便查询，也可以打印体质报告。 ■ 软件建议丰富，包括体质特征、运动养生、饮食养生、起居调理。 ■ 软件一机一码，使用安全。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本产品和技术依据细胞代谢流在线检测与计算分析原理，配置上除常规的温度、搅拌转 速、消泡、pH、溶解氧浓度 (DO) 等测量控制以外，还增添了发酵液真实体积、高精度补料量 (如基质、前体、油、酸碱物) 测量与控制，高精度通气流量与罐压电信号测量与控制，并与尾 气CO2和O2分析仪或质谱仪连接。可精确得到发酵过程计算机参数优化与放大所必需的包括 各种代谢流特征或工程特征的间接参数，如摄氧率 (OUR) 、二氧化碳释放率 (CER) 、呼吸商 (RQ) 、体积氧传递系数 (KLa) 、比生长速率 (µ) 等。广泛应用于生物制药 (传统生物制药和现 代基因工程制药) 、食品轻工发酵、农业生物 (微生物饲料、微生物农药、微生物肥料和动物 疫苗) 、新兴生物能源和石化环保等行业工业化工程项目的系统设计和全面技术实施。带动了 多个行业技术进步。

研究方向：微操作机器人系统、微纳设计与加工、生物模式形成与组 织发育建模。 项目简介： 在国家自然科学基金国家重大科研仪器设备研制专项（项目编号 61327802）等资助下，本项目研究团队自主研发了面向生命科学的原 位显微分析与操作仪。研究团队利用该仪器实现了机器人化的体细胞 核移植，进而将该技术应用于猪克隆流程，成功获得了克隆猪仔。这 是国际上首次利用机器人技术获得的克隆猪。 作为一种常用的外源物导入细胞的方式，细胞显微操作技术广泛 应用于生物工程领域。为了减轻实验操作者的工作负担，研究者开发 出自动化微操作系统，实现了自动化胚胎注射、机器人化单精注射、 机器人化贴壁细胞注射等多类微操作。然而，目前自动化微操作的操 作过程与手工操作类似，这些操作在保证操作本身高效、高成功率的 同时，并没有考虑到微操作对后续生物过程（如后续细胞培养）的影 响，因此无法获得显著优于手工操作的生物结果。 研究团队面向生命科学发展的迫切需求，研制出具有可视化、微 创化、定点化、定量化功能的，集检测分析与操作于一体的原位显微 分析与操作仪，利用该仪器实现了机器人化的细胞核移植流程，并通 过分析微操作工具与细胞接触过程中的细胞受力情况，实现了基于最 小力的细胞拨动与细胞抽核，保证了细胞核移植操作过程中细胞受力 最小。实验结果表明，基于最小力的细胞拨动与细胞抽核方法，显著 减少了细胞拨动过程对细胞的伤害；后续细胞培养实验表明，与人工 操作相比，细胞后续发育率显著提高,标志克隆成功的体外囊胚率从 10%提高到 21%。2017 年 1 月初，研究团队分四批完成了 510 例核 移植操作,并将这 510 枚克隆胚胎移植到 6 头母猪体内，两头母猪顺利受孕；4 月底，两头受孕母猪产下成活克隆猪 17 头。 上述研究第一次用后续细胞培养成功率作为评测依据，建立了操 作过程细胞受力情况与后续细胞发育的联系,得出了操作过程细胞受 力越小，则伤害越小，最终细胞发育成功率越高的结论。该研究对其 它机器人化生物操作有借鉴意义。

风电齿轮箱是风力发电机组动力传递的的核心关键部件，其承载能力和 可靠性决定着整个机组的性能和使用寿命。在工程应用实践中，由于风力发电 机组所处的变风载工况、高低温和大温差等恶劣环境，常常导致风电齿轮箱的早 期破坏，是风力发电机组故障率最高、失效最早的部件之一。 1)  功率分流与均载能够显著提高重载风电齿轮传动功率密度和承载能力。 构建大功率风电齿轮传动的构型演化模型，提出以多级、功率分流与汇流和柔性均载为核心的传动构型方法，实现了大速比、变载荷、变工况下多行星均 载传动，显著提高了承载能力。 2）兆瓦级风电齿轮传动装置安装在弹性支撑的狭小机舱内，运行工况复 杂、载荷多变，影响其动力学特性的因素众多，其振动噪声控制是国际性难题。 建立弹性支撑下传动系统与结构系统的齿轮一轴一轴承一箱体耦合动力学分析 模型，揭示了传动参数与拓扑结构对系统动态特性的影响规律。3）提出了齿轮箱加速疲劳试验与评价方法，揭示了载荷幅值、频度和历程与疲劳寿命之间的关系，实现在较短时间内完成了兆瓦级风电齿轮箱的疲劳 寿命试验。4）建立了大功率风电齿轮箱性能试验测试系统，可实现风电齿轮箱承载能 力、效率、振动噪声等性能及行星均载测试和GL认证；建立基于远程检测的大 功率风电齿轮箱测试分析及诊断系统。

本项目研究团队自主研发了面向生命科学的原位显微分析与操作仪。研究团队利用该仪器实现了机器人化的体细胞核移植，进而将该技术应用于猪克隆流程，成功获得了克隆猪仔。这是国际上首次利用机器人技术获得的克隆动物。 研究团队面向生命科学发展的迫切需求，研制出具有可视化、微创化、定点化、定量化功能的，集检测分析与操作于一体的原位显微分析与操作仪，利用该仪器实现了机器人化的细胞核移植流程，并通 过分析微操作工具与细胞接触过程中的细胞受力情况，实现了基于最小力的细胞拨动与细胞抽核，保证了细胞核移植操作过程中细胞受力最小。实验结果表明，基于最小力的细胞拨动与细胞抽核方法，显著减少了细胞拨动过程对细胞的伤害；后续细胞培养实验表明，与人工操作相比，细胞后续发育率显著提高,标志克隆成功的体外囊胚率从10%提高到 21%。2017 年 1 月初，研究团队分四批完成了 510 例核移植操作,并将这 510 枚克隆胚胎移植到 6 头母猪体内，两头母猪顺利受孕；4 月底，两头受孕母猪产下成活克隆猪 17 头。 上述研究第一次用后续细胞培养成功率作为评测依据，建立了操作过程细胞受力情况与后续细胞发育的联系,得出了操作过程细胞受力越小，则伤害越小，最终细胞发育成功率越高的结论。该研究对其它机器人化生物操作有借鉴意义。在深度信息提取、显微视野拓展、超声振动细胞穿入等方面拥有多项专利。

本发明提供了一种基于聚类分析的复合材料结构有限元模型修正方法，建立初始有限元分析模型，测得结构的实验模态频率和模态振型，计算待修正参数的相对灵敏度矩阵，利用分层聚类算法对待修正参数进行参数分组，再对聚类参数进行相对灵敏度分析，选择各参数中相对灵敏度平均值最大的聚类参数进行修正，构造分析模型的模态频率和实测模态频率的残差向量，建立分析模型修正所需的目标函数，构建目标函数的优化反问题对复合材料结构的有限元模型进行修正。本发明结合数值模拟、试验和优化技术，采用参数的相对灵敏度矩阵进行聚类分析，减少待修正参数数量，提高修正程序稳定性，为工程应用提供了一种准确的基于数值模拟、试验和优化相结合的复合材料等效有限元模型参数修正方法。