厚板焊接作为我国核电、船舶、石化等领域重大装备的关键制造技术，对低热输入、高效率、高质量的新型焊接方法升级需求极其迫切。窄间隙焊接技术因采用窄且深的坡口，在厚板焊接时具有效率高、填充量少、热输入小、变形小等优势，在提高焊接效率和焊接质量等方面具有重要应用前景。目前，该类技术在国外核电、船舶等行业广泛应用，技术较为成熟。而我国窄间隙焊接技术研究起步较晚，在大厚板核心焊接设备、工艺及材料均受制于人，尤其针对我国国防重点企业，存在“卡脖子”风险。高端焊接装备依赖于进口，价格高昂。国外主要生产厂家包括法国宝利苏迪、日本日立公司、美国电弧机器等，国内生产厂家华恒、唐山开元等依赖于国外企业的专利授权。 国际和国内现有技术一般采用钨极摆动、陶瓷片约束、横向交变磁场等控制电弧周期性地在两侧壁之间燃烧，存在装置复杂、母材被磁化或间隙较大等缺点。为解决窄间隙焊接侧壁熔合的难题，课题组另辟蹊径，创新性地提出了一种具有完全自主知识产权的“厚板超窄间隙旋转电弧焊接技术及成套装备”新技术。该技术突破了现有窄间隙钨极氩弧焊接（NG-GTAW，narrow-gap gas tungsten arc welding）工艺的局限性，已实现壁厚50 mm超窄间隙焊接，能够更为可靠、简便地解决侧壁未熔合缺陷问题。相对于国内外的现有技术，该技术形成的旋转电弧能够有效改善电弧热量及压力的均匀性，在保证熔敷金属质量均匀的同时避免熔深过大，具备高质量、高效率的突出优势，达到国际先进水平，已在国防、核电、QT等工业领域推广应用。同时，研究团队自主设计研发了面向核电、石化、船舶等装备的大厚板非轴对称旋转钨极超窄间隙GTAW成套装备（图1），可实现板厚超过150 mm、窄间隙5 mm——9 mm的厚壁材料高质量自动化焊接。 图1 大厚板非轴对称旋转钨极超窄间隙GTAW成套装备 该设备特别适用于厚壁不锈钢焊接、钛合金、980高强钢、9Ni钢等特种材料，在核电、军工、石化等领域具有广泛的应用前景。目前处于国际先进水平的宝利苏迪公司生产的单套设备售价高达380万元，国产设备售价也达到150——200万元水平。而自主设计研发的设备单套成本仅约30万元，能够产生巨大的经济效益。

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

焊接作为工程机械领域的关键技术，直接决定着国之重器的安全可靠性。目前，智能焊接与检测严重依赖国外进口设备，价格昂贵、售后服务难以保障。对于大型、复杂焊接结构，焊后焊缝质量智能检测在整条焊接产线上属于空白。本团队在国内首次开发了大型焊接结构内外一体化智能检测装备及软件，部分高端装备达到国际水平，建成了国内首条内外一体化焊接智能检测与评估生产线，在徐工挖掘机上获得应用，并在央视CCTV2制造中国节目中播出。 图片 内外一体化焊缝智能检测与评估生产线获央视CCTV2报道

北京航天科恩是一家实验室建设EPC总承包商，作为深耕实验室建设领域20年的行业先锋，我们始终以"科学设计·精准交付"为理念，为生物医药、环境监测、高校科研、医疗检测等领域的客户提供一站式实验室解决方案。我们的业务范围不限于实验室规划设计、实验室装修装饰、实验室改造翻新、实验室施工、实验室水电气/暖通系统设计、实验室废气废液处理、实验室家具定制安装销售、实验室相关配件供应等。  

本成果针对我国农村幅员广大、信息基础设施建设薄弱、难以推广电子交易的现状，积极响应国家“三农”战略，研制适合农村应用环境的电子交易平台、交易终端和专用芯片，形成了服务三农的整套电子交易解决方案，为农村金融业务提供了创新电子交易产品，成为中国农业银行等金融机构服务“三农”的新型支付渠道。 成果基于多学科交叉和创新集成的技术路线，首创了基于瘦客户端型B-C/S架构的低成本、易维护金融交易平台和交易终端；通过专用芯片降低了终端成本，提高了终端可靠性。项目申请发明专利6项，已授权16项，其创新点解决了电子交易终端应用于我国农村复杂环境下的成本、维护、安全、可靠性等诸多关键技术问题，技术水平达到国际先进，国内领先。该成果荣获2011年江苏省科技进步一等奖。