人工智能边缘实验平台为标准的2.5U机架式设备，配置20块FPGA开发板(Cyclone V SoC系列)，可供20位学员同时进行FPGA设计、调试、下载及相关验证，并具备SoC网络技术和FPGA远程调试技术，通过网络为教学实验提供配套服务，实现在线实验室的虚拟仿真技术。AI Edge Platform is a standard 2.5U rack server,which is equipped with 20 FPGA Development Boards  (Cyclone V SoC  FPGA Series). It can be used by 20 students to design,debug,download and verify FPGA at the same time. It also has SoC network technology and FPGA remote debugging technology,and provides support for teaching experiments through the network;realizes the virtual simulation technology of online laboratory.

     微型智能制造生产线教学设备平台采用了模块化的设计，学生可以发挥自己的创新思维，对原有的生产流程进行创新改造。在掌握基础知识的前提下，进一步提高学生的积极性、动手能力和创新思维。 智能制造生产线实训方案特点 智能制造生产线实验平台，是对工业现场大型设备进行提炼和浓缩的一款小型智能制造生产线实训设备，专门为职业院校、教育培训机构等而研制的，它适合机械制造及其自动化、机电一体化、电气工程及自动化、控制工程、测控技术、计算机控制、自动化控制等相关专业的教学和培训。融合了数控机床加工、光、电、气，包含了PLC、机器人、传感器、气动、工业控制网络、电机驱动与控制、计算机等诸多技术领域，对柔性制 造技术的工作过程进行研究，监控系统、主控PLC和下位PLC通过网络通讯技术构成一个完整的多级计算机控制系统，通过训练，使学生了解智能制造生产线的基本组成和基本原理，让学生全面掌握机电一体化技术的应用开发和集成技术，帮助学生从系统整体角度去认识。为信息学院自动化和电气工程自动化本科及其控制科学与工程研究生均提供了实验和科研的平台。 系统组成简介 1、立体仓库单元    立体仓库单元的主要功能是为系统提供加工工件原材料和储存成品件两大仓储功能，采用三层货架储存单元货物，用相应的物料搬运设备进行货物入库和出库作业的仓库。 2、环型流水线单元    环型流水线单元主要由铝合金型材基体、环行传输线、自动导向机构、变频调速系统、自动定位机构等组成。可完成对工件在不同速度下的输送，不同工位的自动定位，从而大大提高了自动环形传输线的工作效率。3、数控车床加工中心单元    数控车床加工中心单元采用小型化，占地小，用于整个工件的轴类部份的加工，采用自动门、自动装夹、四工位自动刀架、并有工件冷却加工系统，现实机加工件无人化DNC自动加工，配置伺服电机、工业级数控系统，精度高。 4、立式数控铣床加工单元    立式数控铣床加工单元采用小型化，占地小，用于整个工件三轴联动。可用于雕刻、数控钻、数控铣等加工工艺，采用自动门、自动装夹等，现实机加工件无人化DNC自动加工，工业级数控系统，精度高。 5、六自由度机器人单元    六自由度工业机器人、抓取机构、气爪等组成，主要完成对工件的提取及搬运到各数控加工单元、AGV小车搬运单元及工件视觉检测单元等。包含旋转（S轴），下臂（L轴）、上臂（U轴）、手腕旋转（R轴）、手腕摆动（B轴）和手腕回转（T轴）,6个关节合成实现末端的6自由度动作。 6、四轴坐标机器人    四轴坐标机器人主要负责立体仓库的原材料入库与出库、成品零件的入库。够实现自动控制的、可重复编程的、多功能的、多自由度的、运动自由度间成空间直角关系、多用途的操作机。他能够搬运物体、操作工具，以完成各种作业，具有高速性的最大化吞吐量,超长的工作运行时间,节省地面空间。 7、视觉检测单元单元    检测单元的主要功能是对工件的精度、外观形状品质是否合格，通过摄像头获取工件的图像，由图像处理器完成工件合格与否的判断，将不合格工件剔除，将合格的工件传送至下一单元，而将不合格的工件推送至废料槽。 8、RFID系统单元    RFID系统单元是一种非接触式的自动识别系统，它通过射频无线信号自动识别目标对象，用于对工件材料的信息记录，加工路径记录、产品追溯化管理，由RFID标签和RFID读写器组成，标签安装在工件放置的工装板上-记录该工装板上放置零件信息，RFID读写器安装在工装板经过的每一个工位上，当工件到达该工位时系统可通过读写器，识别到该工件的运输及加工途径。每个传输工装板上都安装有RFID标签，在每个加工工位物料都需要进行识读操作，并将信息通过网络传输给服务器，实时的跟踪物料位置信息和仓储位置信息，做到物料、成品、半成品的可追溯性管理。 9、AGV小车搬运单元    AGV小车无人搬运车由机器人输送加工后的零件或从库房特定库架抓取零件，AGV智能小车并依据方位计划运动途径，运行至装卸站,准停，主动将零件放置到装卸站缓冲区，由四轴坐标机器人卸货至立体仓库成品区或原材料区。实现线边设备和自动仓储的自动上下料功能，采用激光通讯传感器通讯，信号传输快捷方便；行走模组采用PLC控制，AGV的PLC通讯，PLC发送任务码给机器人，实现点位控制；主控通讯，AGV整体与主控PLC通讯。 10、PLC工作站单元    采用工业自动化主流PLC，可随意扩展，配备触摸屏、具备物联网接口，铝合金型材构成，连接牢固。 11、总控台     总控平台主要由单相电网电压指示、电源控制部分、控制主机、状态指示灯、10.4英寸工业彩色触摸屏S7-315主机，电脑等组成，主要完成监视各分站的工作状态并协调各站运行，完成工业控制网络的集成。它带有电源总控制系统、视频监控系统，产线处的有数据均可从总控制台收集获取，可通过总控调度分配各个模块的工作职能。电源系统实施强弱电分开管理，待机休息及检修时要求强电关闭，控制、信号灯弱点部分完全独立运行。 12、零部件周转拖盘     用于原材料及成品件的输送周转用，配合RFID系统及智能仓库、环型流水线中应用。实现送料，取料，输送周转功能；实现智能化工作与管理，并对每个环节的时间点、责任人等关键数据进行实时采集，汇集到统一的信息平台，最大限度的提高存储货物的能力。

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。

便携式智能多功能振动测试分析仪是广泛应用于工业现场和复杂系统的机械设备工作可靠性分析和在线故障诊断的工具。研制成功的便携式智能多功能测试分析仪，其主要特点：体积小、重量轻、连续工作时间及待机时间长，尤其是振动测试分析仪，带有动态频谱实时显示功能，并可以进行实时频谱分析。测振笔的特点，除体积小、重量轻、连续工作时间亟待及时间长外，更特别的是可以实现加速度、速度、位移三个振动的参量的测量。 随着科学技术的发展，航空航天、军事国防、工业领域的系统设备结构越来越复杂，故障诊断已经成为这些领域亟待解决的技术问题。因此，本项目的研究不仅对便携式振动测试分析仪器的研究，而且对于设备故障诊断方法的实用化和普及有着广泛的实用价值，对复杂的大型系统的机械设备故障诊断有着广阔的应用前景。 本项目研究成果已经通过北京市科学技术委员会技术鉴定，具有完全的自主知识产权，并已申请专利两项。

便携式通用精细智能信号采集分析系统根据设备状态监测和故障诊断的要求采集并记录与设备工作过程相关的主要状态参数的状态信号，如振动、噪声、转速、电流等，然后对这些参数和信号进行快速处理和精密分析，提取反映设备运行状态的特征信息，快速准确地给出设备运行状态的性能评价，为设备管理、诊断及维修提供依据，从而保障设备长期安全可靠地运行。

    目前,对于心脏进行检测的仪器主要有两类:一类是基于心脏电学特性的心电图类是基于心脏声学特性的听诊和心音图。心电图是现在医院普遍采用的心脏监测方式,它能够较为准确和全面的反映心脏的健康状况。但是,有些心脏疾病,当它在心音图上反映出来的时候在心电图上还没有反映,所以,心电监测较心音检测有一定的滞后性。一个完整的心动周期,心脏会产生两个声音:第一心音(S1)和第二心音(S2)。有些情况下,比如幼年和老年的时候也会出现第三心音(S3)、第四心音(S4),但正常情况下,一般只能听到S1和S2。51的形成主要来自于心室收缩期开始时二尖瓣和三尖瓣的关闭;S2的形成主要来自于心室舒张期开始时主动脉瓣和肺动脉瓣的关闭。    许多心血管疾病,尤其是瓣膜类疾病,心音都是重要的诊断信息,在临床医学中有非常广泛的应用。但是,传统的心脏听诊容易受医生经验、听诊水平的影响。因此,如何能够利用先进的数字信号处理技术和计算机技术提取反映心脏健康状况的定量的全方位的心音信息,已成为当今研究和医疗应用的热点。便携式心音分析仪不仅可以用于家庭的医疗保健,方便用户进行平时的心脏监测,提早发现和预防心脏异常;而且,可以通过心音各种特征参数的提取,为医生的心脏诊断提供定量的依据。    技术原理与工艺流程简介:    软件算法:短时傅立叶变换、小波变换等多种信号处理的时频算法。    硬件平台:基于哈佛结构的数字信号器较计算机相比更适用于数字信号处理算法的快速实现,其体积小、功能针对性强的优点更有利于产品的开发和实现技术水平。    当前最先进的时频分析算法。如小波变换,被誉为“数学显微镜”,不仅能够分析心音各种成分的时间、频率信息,而且能够反映出频率随时间的变化情况。