XM-II全自动腹部触诊听诊模拟人   一、功能特点： ■ XM-II型全自动腹部触诊听诊模拟人采用高分子材料制成，肤质仿真度高，腹部质地柔软，形象逼真。 ■ 采用微机模拟调控技术自动选择控制模拟人的29种体征，包括：肝脾触诊体征18种、压痛点8种、听诊体征3种。 ■ 腹部体征变换选择完全自动化。 ■ 液晶屏显示所选择的腹部体征。 ■ 肝操作：可设置肝肿大1-7厘米，并可进行肝触诊操作。 ■ 脾操作：可设置脾肿大1-9厘米，并可进行脾触诊操作。 ■ 压痛操作：可对模拟人进行各种压痛点位的触诊，同时模拟人发出“哎呀！疼啊！”的痛苦叫声。 · 胆囊触痛：触诊胆囊触痛（Murphy征阳性）时，可使模拟人突然屏住呼吸，抬手后恢复呼吸。 · 阑尾点压痛：按压右下腹部麦氏点时，模拟人会发出“哎呀，疼啊！”的声音，抬起手后仍会伴有“哎呀，疼啊！”的反跳痛声音。 · 其它压痛点：上腹部压痛、脐部压痛、上输尿管压痛、中输尿管压痛、左上腹部压痛、下腹压痛。 ■ 听诊操作：可实现腹部听诊训练，例如：正常肠鸣音、肠鸣音亢进、腹部血管杂音。 ■ 腹式呼吸操作：可选择“腹式呼吸”与“无呼吸”操作，随模拟人的腹式呼吸肝脾亦随之上下移动。 ■ 技能考核操作：当执行完一种体征后，按下“技能考核”键，即可进行技能考核，学员进行腹部触诊听诊后，回答出体征特征，由教师评定成绩。 ■ 可反复进行练习。   二、标准配置： ■ 全自动腹部触诊模拟人：1台 ■ 电脑控制器：1个 ■ 数据连接线：1根 ■ 电源线：1根 ■ 说明书：1册 ■ 保修卡合格证：1张

模拟标准化病人（SP，standardized patient），头颈部、胸部、腹部、四肢部的解剖结构完整，体表骨性肌性标志清晰可触及，骨关节活动灵活，设计了各种生命体征、智能应答功能和考核评判功能。适用于情境式临床教学和培训、结构化生命支持训练和考核等。

本实用新型公开了一种用于模块化串联的电磁轴承用的开关功率放大器。包括数字控制器、电流传感器、信号调理电路和至少一个功率模块，功率模块以模块化方式串联后的两端作为电压输入端，电流传感器和负载串联后作为输出端连接在功率模块中，电流传感器的输出端经信号调理电路与数字控制器连接，数字控制器连接各个功率模块，并控制各个功率模块之间的连接和每个功率模块的内部导通状态。本实用新型能灵活选择投入使用实现开关功率放大器的最优性能，功率模块统一设计，更换方便，排除故障简单，在低电压工作场合用本实用新型比用高电压器件的功放器件的工作效率更高，损耗更小。

本实用新型公开了一种便携式生物3D打印机的多喷头即时保护打印模块。包括多可更换多喷头系统、即时断电保护系统、挤压式动力系统。可更换多喷头系统能够保证喷头的位置固定，挤压式动力系统通过步进电机与齿轮箱带动丝杆传动，使其挤压注液仓中的材料进行打印。即时断电保护系统利用电磁铁的开关使打印针头及丝杆能在断电瞬间及时回弹以避免打印面受到伤害。本实用新型利用这样的装置实现在便携式人体3D打印设备中进行打印材料的快速更换以及对伤口进行的防止二次创伤的保护。

产品详细介绍 1.传感器简述基于Humirel公司高性能的湿度感应元件制成，HTU1x（F）系列模块为OEM应用提供一个准确可靠的温湿度测量数据。传感器将传感元件和信号处理电路集成在一块微型电路板上，输出完全标定的数字信号。HTU1x（F）系列模块专为低功耗小体积应用设计，具有良好的品质、快的响应速度、抗干扰能力强、性价比高等优点，微小的体积、极低的功耗，使HTU1x（F） 成为各类应用的首选。 2.产品特点：1)微型的贴片封装2)温湿度一体的数字输出3)免标定4)符合无铅标准，适合回流焊接5)低功耗6)快速响应，非常小的温度效应7)抗结露特性：100%RH湿度结露环境下10s内恢复测量 8)精度：+/-5%RH @ 55%RH - HTU10 (F)+/-3%RH @55%RH - HTU11(F)

本项目研发了一套完整的现场数据采集服务支撑技术，提供了数据采集集成服务的商业运营新模式。针对工业互联网建设过程中普遍存在的现场数据采集需求，整合了综合感知、AI智能处理、网络安全传输、数据质量管理和标准化输出等多个环节，把经过质量分析和标准化处理后的实时数据，作为产品对接到工业互联网应用平台的数据池，供后续数据处理和应用分析。整套技术包括4大模块：1）智能网关：基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置云服务器；重点研究基于小目标的AI图像分类算法。2）AI模型管理系统：实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。3）数据管理和标准化处理：数据有效性管理、数据质量评估、数据标准化和数据安全机制。4）智能运维：开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提高效率、降低成本、保证系统运行质量和数据的有效性。 如图所示，项目完成了对于现场数据的传感、传输、管理、输出和设备运维等一系列工程实现。应用范围: 1、智能网关： 开发基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置服务器。 综合接入能力： 包括有线传感器和特定的无线传感器、与现有系统的对接 有效感知能力： 实现基于图像的AI视觉感知能力，重点研究基于小目标的图像分类算法 安全传输能力： 提供4G、5G、NB-IOT的上行传输模块化替换 提供安全的加密手段，保证数据安全 现场调试配置能力： 具有现场WiFi调试功能，方便安装和运维人员现场配置和检测 软件和通信标准版本现场升级 2、AI模型管理系统 需要实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。 样本管理能力 原始样本管理、样本实例库分类和管理、检测样本管理等 模型计算和管理 算力管理：对算力的统筹，外部算力的对接等 算法管理：自主开发算法的管理和调动，外部算法的调用和对接 模型管理：包括模型的功能属性和已经应用的情况的统计分析 设备管理 设备的AI模型配置能力、AI推演过程的监控、AI推演结果的跟踪采集和分析 3、数据管理和标准化处理 数据有效性管理 监测数据是否按时上传、上传数据是否符合要求、是否为非法数据 告警输出：把告警信息进行分类，并推送给相关的运维系统 数据质量评估 按照标准对现场采集数据进行多维度的质量分析，为后续数据应用提供参考依据 数据标准化 格式标准化：完善采集时间、地点、单位等属性， 输出标准化：按照标准协议与工业互联网平台数据池进行对接 数据安全 区域性部署：可以应用户要求部署在其内网 并行部署：可以通过并行部署，网关上联多个服务器，确保用户的可靠性需求 数据回滚能力：可以应工业互联网平台要求对数据进行一定期限内的回滚，保证数据在一定时间段内不丢失 4、智能运维 开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提供效率、降低人员成本、保证系统运行质量和数据的有效性。 运维人员管理 对运维人员的信息、定位、工作状况管理 巡检任务管理 对部署的硬件和相关工作环境定期巡查的任务制定、下发、执行过程和结果的记录和管理 临时故障处理 对系统自动告警和现场突发状况的应急处理能力，包括人员调配、处理流程提示和建议、相关情况处置参考案例、后续统计追踪等。网关核心板实物照片

项目简介：《选矿厂生产统计计算机管理系统研究》通过湖北省科技厅组织的鉴定，其科研成果处于国内领先水平。 技术特点：本课题以大冶铁矿厂为实例，利用当前流行的Microsoft Visual Basic6.0开发选矿厂生产统计计算机管理系统软件，该系统解决了多金属选厂报表金属量不易平衡的问题，具有创新性。用户只需一次性输入原始数据，相互关联的生产日报表、周报表、月报表和年报表将自动生成，生产日报表可当天上报。企业领导、工程技术人员、管理工作者和统计分析人员可根据工作需要任意浏览、调用、打印各种报表，有利于正确指导现场操作、生产调度、组织管理和领导决策。应用领域：该系统既针对性，又有通用性，便于计算机管理网络化。可在全国同类矿山企业中推广使用，具有广阔的应用前景和良好的社会、经济效益。

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。