（1）构建新型煤粉燃烧动力学模型，分析了煤粉燃烧反应行为及限制性环节，确定含铁冶金粉料及过氧化钙作为喷煤添加剂。 （2）研究了高炉喷吹煤粉催化燃烧产物性能及其与焦炭的相互作用行为，分析了高煤比条件下高炉回旋区内焦炭劣化的原因，确定高炉喷吹用煤及添加剂的应用条件。 （3）自主研发出以转炉除尘灰与CaO2为主配料的新型高炉喷吹煤粉复合添加剂，有效改善高炉喷吹煤粉的燃烧性能，并实现冶金固废资源的有效利用及节能减排。 （4）开发出集高温控光技术和高炉回旋区火焰

中国糖尿病患者目前接近1亿人，其中10%为I型糖尿病患者、5%为II型重症糖尿病患者。这15%左右的患者迫切需要对糖尿病患者血糖浓度进行连续监测，此方法可以更好的掌控血糖波动变化趋势及规律，同时避免用餐及运动后带来的高/低血糖，被国际学术界普遍认为是最佳诊疗方式。血糖连续监测在中国由于没有受到广泛关注，目前产品市场份额只有2 - 3亿元人民币，主要是进口美敦力产品和国产圣美迪诺。随着人们生活水平的进一步提高、对糖尿病危害的更深入了解，血糖连续监测产品销售的增长势头非常突出，预测2025年可以达到10- 15亿元的规模。 本项目已经拥有长效血糖探头原型器件，今后将专注于动态血糖监测系统的开发，包括高效长寿命血糖探头、无痛助推器、掌式主机盒、数据存储和计算系统、无线发射与云计算等相关模块。本公司率先提出长寿命血糖监测新概念，将提供首款植入时间长达3个月的血糖探头，不仅可以减少患者在更换探头所带来的物理及心理创伤，同时极大的减轻患者的经济负担，同时提高本产品的市场占有率。 相关技术指标： 本项目主要从事糖尿病患者血糖连续监测用传感器器件、无线传输及相关无线互连电子技术的研发、生产和产业化，核心技术体现在三个方面：1) 高效可植入式葡萄糖传感器；2) 低功耗 2.4G 无线传输集成电路及系统；3) 微纳米设计、加工、测试和封装的能力。 技术创新点： （1）传感器是目前世界上工作时间最长（持续工作3个月）、并可直接植入皮下的无痛传感器产品； （2）系统软件提供最详尽直观的动态和统计信息； （3）每一位患者提供一个永久性的数据记录卡，不仅监测血糖变化，更可以留存不同时期的血糖图谱历史，以科学的统计分析血糖波动； （4）血糖探头可以持续工作3个月，患者的日均负担从100 - 200元/日降到30 - 50元/日，极大减轻了患者的负担，有利于该技术的推广。

本实用新型公开了一种采煤工程中底板破坏深度监测的多点位移计装置，包括灌浆锚头、测杆、测杆保护管、位移传感器、过渡管、固定座，其特征在于：所述的锚固头与位移测杆一端相连，位移测杆另一端与位移传感器一端相连，所述的位移测杆外设置保护管，所述过渡管为压缩波纹管。该装置结构简单，系统可靠，在矿井下可快速安装。

项目成果/简介:本发明公开了一种监测植物花芽分化或开花过程中温度变化的活体成像方法。本发明提供的方法，包括如下步骤：1)用红外线非接触式热像仪采集活体待测植物的花芽或花部器官图像；2)根据步骤1)得到的采集图像，得到所述活体待测植物的花芽或花部器官的不同位点的温度，从而实现植物花芽分化或者开花的生热效应的监测。本发明的实验证明，本发明的方法具有以下优点：1)操作简单，快速：省略了植物观测中取样、分离等前

在国家、省部级科技项目支持下，研发团队历时8年攻克了前述难题， 提出了 2类关键部件特征参数提取方法，形成了 3种状态监测与评估系统新 产品，实现了 3项重大突破与创新：①提出了机、电、热多耦合特征参数和 动态阈值提取方法。研发了电流故障特征的叶轮不平衡状态监测技术，提出 变流器功率模块热应力疲劳特征参数及关键传感器故障观测模型，形成了特 征参数动态阈值确定方法。②研发了关键部件劣化度概率评估及寿命预测技 术。基于数据挖掘手段，提出了机械关键部件劣化状态评估概率分析和实时 寿命预测方法；基于功率模块疲劳失效机理，形成了变流器功率模块平均故 障间隔时间评估体系，研发了多时间尺度累积效应的变流器运行可靠性评估 技术。③研发了风电场整机多层次健康状态评估技术。形成了风电机组多层 次评估指标体系，提出了风电机组监测参数异常识别方法，研发了风电机组整 机健康状态评估技术。

产品概述 斯科信息RFID智能工具柜是基于物联网射频识别技术的专业化资产管理系统，集成了先进的RFID读写设备、智能控制终端和多层安全验证模块。该解决方案实现了对工具、仪器设备的无人化自助借还、实时库存盘点和全生命周期管理，大幅提升企业资产利用效率和管理精细化水平。 核心技术特点 1. 智能识别管理系统 采用高性能RFID读写器与定制化天线阵列，确保99.9%的识别准确率 支持高频(HF)与超高频(UHF)RFID标签，兼容ISO15693、ISO18000-6C等多协议标准 专利抗金属标签技术，有效解决金属环境下的信号干扰问题 2. 多重安全验证机制 支持IC卡、指纹识别、人脸识别、密码验证等多种身份认证方式 可配置权限管理体系，实现人员-工具-权限三级对应 开门超时报警、非法取用报警、异常操作实时记录 3. 智能化管理平台 云端SaaS管理平台，支持多网点、多柜体统一管理 实时库存可视化看板，工具状态一目了然（在库、借出、待维修、报废） 自动生成工具使用报表、人员借还统计、工具利用率分析 工作流程 身份认证：用户通过IC卡/生物识别验证身份 智能借出：系统自动识别取出工具并记录关联信息 自动归还：关门自动盘点，更新库存状态 异常处理：未授权操作实时报警，支持工具追溯查找 数据同步：所有操作数据实时上传至管理平台 性能指标 盘点速度：整柜盘点≤3秒（200件工具） 识别准确率：≥99.9% 系统响应：＜1秒 数据存储：本地存储≥10万条记录，云端无限扩展 环境适应性：工作温度-20℃~60℃，湿度10%~90% 行业应用解决方案 电力行业 安全工器具定期检测管理 绝缘工具有效期智能提醒 工器具使用培训记录关联 航空维修 专用工具校准周期管理 航材设备使用记录追溯 适航要求符合性管理 智能制造 生产线工具智能调度 使用时长统计与寿命预警 工具维护保养自动提醒 客户价值 管理效率提升：工具盘点效率提升10倍以上，人力成本降低60% 资产利用率优化：工具共享率提高40%，减少重复采购 安全管理强化：实现100%操作可追溯，安全事故降低80% 决策支持：数据驱动管理优化，提供精准的采购和报废决策依据 技术服务支持 斯科信息提供全生命周期服务： 需求调研与方案定制 系统部署与集成服务 操作培训与技术支持 系统升级与维护服务 📞 联系我们：19925314483获取行业解决方案详情与演示体验斯科信息技术团队为您提供专业的RFID工具管理咨询与定制化服务

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

上海计呈教学设备生产GC-M/A1机电液气一体化实验教学培训系统，是让的本实验台以挖掘机构为载体，综合应用软件编程、电气设计、PLC控制、运动控制、逻辑控制等开展机电液气综合的一系列实验。本实验教学培训系统根椐各阶段的教学要求、培训要求、实验要求、创新研发要求，综合液压、机械、电气等进行模块化设计、智能化设计、课程化设计。本教学培训系统是一个实验的大平台，是各院校开设机电液气一体化验证性、设计性、创新性实验的得力助手。

鼎软天下TMS运输管理系统，作为国内TMS系统市场中知名度与成熟度兼具的标杆产品，凭借强大的场景适配能力，广泛适用于制造业、三方物流、电商零售、冷链运输、跨境物流等多个领域。