IECUBE-3831集成电路多功能实验基础平台是一个用于选择集成电路基础实验方案的主控平台，内置半导体器件&工艺等各类仿真器和模型，与IECUBE-3832实验用半导体参数分析仪配合使用构成完整实验平台。

以当今主流放疗和影像设备为仿真对象，以 3D 场景仿真医院放疗和影像科室的工作实景及流程，将放疗和医学影像专业与信息化技术有机融合，将教学能动性发挥到最大。系统包括学习模式和考核模式，操作者可以通过鼠标的点击操作，在三维模拟的医院检查环境下进行360°漫游，在整体上对相关检查设备有所认识，每种设备检查技术涵盖实训步骤不少于30步，包含设备开机检查、开机、准备、登记、患者准备、去除异物、摆位、调整设备位置、设置参数、后处理、打印等全过程仿真操作及各仿真过程中知识点学习及考核，软件为B/S架构，不限节点。

一、工业机器人参数要求 采用自主品牌的LGL-604型六自由度工业机器人系统，由机器人本体、机器人控制器、示教单元、输入输出信号转换器和抓取机构组成。（1）机器人本体由六自由度关节组成，固定在型材实训桌上，具有6个自由度，串联关节型工业机器人安装方式包括地面安装、挂装、倒装（2）第1轴工作范围：≧+170°/-170°，最大旋转速度≧370°/s，臂展≧198mm，功率≧200W。（3）第2轴工作范围：≧+110°/-110°，最大旋转速度≧400°/s，臂展≧141.25mm，功率≧400W。（4）第3轴工作范围：≧+40°/-220°，最大旋转速度≧430°/s，臂展≧260mm，功率≧200W。（5）第4轴工作范围：≧+180°/-180°，最大旋转速度≧300°/s，臂展≧25mm，功率≧100W。（6）第5轴工作范围：≧+125°/-125°，最大旋转速度≧600°/s，臂展≧280mm，功率≧100W。（7）第6轴工作范围：+360°/-360°，最大旋转速度≧600，臂展≧86.5mm，功率≧100W。（8）最大臂展：≧600mm（9）有效负载：≧5kg （10）整机重量：≧23.50KG （11）防护等级：≧IP65 （12）重复定位精度：≧±0.05mm 二、实训台及相关配件： 1、整个平台为立式结构，主要框架和工作面采用工业铝型材搭建，电器柜可以安装工控机、IO口扩展板、电磁阀安装位置、变频器安装位置、PLC安装位置，电气接线部分为抽屉式结构，便于接线，预留扩展区域，便于设备的扩展。工作平台为可以灵活安装各功能模块的导槽式或矩阵螺丝孔式。尺寸：≥1200mm×1000mm×900mm；材料：铝合金+钢板；平台面板为多用途可扩展设 计方式，扩展灵活；采用气动夹具：最大负载能力：≥3kg；最大抓取范围：≥15cm×15cm；最高抓取精度：≥1mm；带安装机架。 2、触摸屏：≥7英寸；液晶显示屏分辨率：≥800×480；组态：嵌入式组态；提供与PLC通讯相配套的端口线和工控机连接的端口线。 3、物料：尺寸：≥50mm×30mm×15mm；材料：金属材质；数量：≥10个。 4、PLC：集成≥16路输入和≥16路输出IO口；内置≥64K大容量的RAM存储；内置高速处理≥0.065μS/基本指令；控制规模：≥32 I/O点；内置独立≥3轴100kHz定位功能：提供相关电气连接线与附属器件。 5、气源气路：采用无油静音气泵或集中气源供气；配有调压过滤器、气路等气动元件；排气压力：≥0.7Mpa；流量：≥20L/min；噪音量：≤70dB。 三、主要功能板块： 1、分拣搬运：配备圆形、三角形、方形等物料模板；机器人可精准完成各种形状物料分拣搬运；可扩充配置视觉组件，选配视觉条件下可完成全自动分拣（含颜色、位置、坐标、角度等识别）。 2、码垛：码垛是模拟工业场合的自动搬运码垛功能设计，可以自动记录码垛位置和高度，具有重复精度高，自动计算旋转角度等功能；工业机器人工具盘上安装了气动吸盘；包含一个输送带，采用步进电机驱动；电机速度可以进行调节；可以实现将模拟物料送到输送带上进行定向传送；具有传感器能够检测模拟物料是否到达指定位置。 3、运动轨迹模块：TCP练习区主要作为工业机器人的基础学习环节，能动态直观的体现出TCP示教的重要性和示教的精度，能够自由更换示教尖端；可实现TCP标定练习，提供TCP标定用锥形教学块；可实现基本轨迹编程练习，提供三角形、方形教学轨迹；可实现复杂轨迹编程练习，提供曲线教学轨迹； 4、流水线模块：流水线应用场景与工厂实际物流情况相似，可进行机器人点位示教编程与调试，可根据学习内容不同而设置不同挑选形式，可根据工件不同采用不同的夹取夹具。 5、立体仓库：存储自动装配工件；仓位数量：≥3列3层9个；仓位承重：≥2Kg；仓位尺寸：≥100mm×70mm×80mm；外形尺寸：≥350mm×180mm×450mm；工件种类：≥3种9个；工件模块包括自动装配母件、子件等。 6、视觉智能检测线：主要是配合工业机器人做智能检测工件角度缺陷及自动对位等以及工业机器人视觉学习开发使用；工业相机，要求如下：像素：≥130W像素； 分辨率：≥1280×960； 像素尺寸：≥3.75μm× 3.75μm； 光谱：彩色； 支持自定义AOI，降低分辨率、f≥16mm F1.4：12毫米工业镜头，百万像素相机； 配套同轴光源，光源大小≥80mm×80mm；准环形光源，直径≥70mm，照射角度≥90度，带模拟控制器；配套同轴光源及光源控制器：发光窗口≥50mm*50mm含调光控制电源；机器视觉兼视觉开发环境。 7、快换单元：由4种夹具组成，配合机器人使用作搬运、涂胶、焊接、码垛等用途。配置快换公头1个、快换母头4个、搬运夹具2套、涂胶夹具1套、焊接工具1套、电磁阀3个，并标准固定机构，移动式底板。 8、模拟变位机：变位机夹具可以和工业机器人进行模拟焊接、抛光打磨、喷涂等协同作业；变位机行程≥±45°；气缸行程≥30mm；自动夹具采用导杆气缸驱动，配置漫反射光电传感器。变位机采用行星齿轮减速配套市场主流伺服电机控制。 9、工业机器人末端安装电磁吸盘，可匹配多种夹具。同时至少配备4种工装夹具，夹具有专门的工具架安放，每个夹具的负重至少在3kg以上。按照实训项目的要求可分别配合工业机器人完成物料夹取、轨迹模拟、打磨抛光、写字绘图等工作。 10、实验室智能电源管理系统 实训室总体智能电源管理系统由主电路、控制电路、检测保护电路、显示电路、语音报警电路等组成，整个实验室配置一套管理系统。投标时现场演示以下10.1-10.4项功能视频。 主要功能： 10.1上电系统自测 （1）主电路及控制电路上电后对线路系统进行输入电压的过压、欠压；线路对地漏电；输出负载过流的检测，任一故障存在电源输出断开。 （2）故障内容有相应文字显示。 （3）对故障进行语音报警。 10.2运行检测保护 （1）输入过压、欠压、输出过流、漏电，任一故障出现将自动跳闸，实施保护。 （2）对故障进行语音报警。 （3）保护阀值可进行现场设置。 10.3漏电功能测试 （1）按下漏电测试按钮，装置会自动提供一个漏电测试信号，使保护器跳闸。 （2）重新进行上电进入自己检测状态，文字显示“开机检测中....”，无故障情况下，实训室智能电源管理系统恢复供电。 10.4过压保护 （1）运行中，出现输入过压，实训室智能电源管理系统将跳闸。 （2）对应的“过压相”进行文字显示。 （3）语音播报“线路过压，请注意”。 10.5过流保护 （1）运行中，三相电源中任一相出现过流，实训室智能电源管理系统将跳闸。 （2）对应的“过流相”进行文字提示。 （3）语音播报“线路过流，请注意” 10.6漏电保护 （1）运行中，三相中任一相出现漏电，实训室智能电源管理系统将跳闸。 （2）对“漏电”进行文字显示。 （3）语音播报“线路漏电，请注意”。 10.7电源监控 （1）可对各相电压进行数值显示及曲线显示，显示精度±5V （2）可对各相电流进行数值显示及曲线显示，显示精度±0.1A （3）高压保护电压设置： ①设置范围<300V，输入1A; ②动作时间：2-5S，输入单位0.1S （4）欠压保护电压设置： ①设置范围：>154V，输入单位1V ②动作时间：2-5S，输入单位0.1S (5)过流保护电流设置： ①设置范围：<20A,输入单位0.01A; ②动作时间：0.5-2S，输入单位0.1S 四、实训平台可完成的实训项目 （1）工业机器人现场编程与实训操作 （2）PLC与工业机器人的通讯技术实训 （3）PLC对工业机器人的电气集成控制应用 （4）工业机器人模拟轨迹实训 （5）工业机器人图形识别实训 （6）工业机器人搬运与码垛工艺的应用 （7）工业机器人平焊、立焊、曲面焊接工艺的实训 （8）工业机器人复杂装配体的组装实训 （9）工业机器人打磨抛光工艺的实训 （10）工业机器人多用途快换装置的自由切换和匹配实训 （11）PLC基本功能实训（软硬件结构、基本指令、接线、编程下载等） （12）触摸屏的编程与应用 （13）气动控制元件的安装与调试 （14）机器人末端夹具的结构设计认知； （15）机器视觉检测以及与工业机器人、PLC的协调控制运用 （16）PLC控制伺服电机驱动小型变位机实训

一、平台背景 虚拟仿真实验教学是高等教育信息化建设和实验教学示范中心建设的重要内容，是学科专业与信息技术深度融合的产物。为贯彻落实《教育部关于全面提高高等教育质量的若干意见》（教高〔2012〕4号）精神，根据《教育信息化十年发展规划（2011-2020年）》，教育部决定于2013年启动开展国家级虚拟仿真实验教学中心建设工作。其中虚拟仿真实验教学的管理和共享平台是中心建设的重要内容之一。 目前，大多数高校都有针对课程使用实验教学软件，但由于每个专业或课程的情况不同，购买的软件所采用的工作环境、体系结构、编程语言、开发方法等也各不相同。由于学校管理工作的复杂性，各校乃至校内各专业的实验教学建设大都自成体系，各自为政，形成了“信息孤岛”。主要面临如下问题： • 管理混乱，各种实验教学软件缺乏统一的集中管理； • 使用不规范，缺乏统一的操作模式和管理方式； • 可扩展性差，无法支持课程和相应实验的扩展； • 各系统的数据无法共享，容易形成“信息孤岛”； • 缺乏足够的开放性； • 软件部署复杂，不同的软件不能运行在同一台服务器上。 二、平台目标 该平台的目标就是高效管理实验教学资源，实现校内外、本地区及更广范围内的实验教学资源共享，满足多地区、多学校和多学科专业的虚拟仿真实验教学的需求。平台要实现学校购置的所有实验软件统一接入和学生在平台下进行统一实验的目的，通过系统间的无缝连接，使之达到一个整体的实验效果，学校通过该平台的部署，不仅可以促进系统的耦合度，解决信息孤岛的问题，还可以使学校能够迅速实施第三方的实验教学软件。 平台提供了全方位的虚拟实验教学辅助功能，包括：门户网站、实验前的理论学习、实验的开课管理、典型实验库的维护、实验教学安排、实验过程的智能指导、实验结果的自动批改、实验成绩统计查询、在线答疑、实验教学效果评估等功能，同时该平台可扩展集成第三方的虚拟实验课程资源或自建课程资源，为各类院校虚拟实验教学环境提供服务并进行相应的应用。 三、应用方案 《国家中长期教育改革和发展规划纲要（2010－2020年）》第十九章第六十条明确指出:加强优质教育资源开发与应用。加强网络教学资源库建设。引进国际优质数字化教学资源。开发网络学习课程。建立数字图书馆和虚拟实验室。建立开放灵活的教育资源公共服务平台，促进优质教育资源普及共享。创新网络教学模式，开展高质量高水平远程学历教育。 虚拟实验建设的理念就是采用我们这个方案的理念(平台+资源)，发布一个虚拟实验中心门户网站、建设一个开放式虚拟仿真实验教学的管理和共享平台，然后再陆续把相关虚拟实验课程的资源统一放到该平台来进行管理，从而面向各个学科的相关课程开展虚拟实验教学。 四、平台的主要功能 开放式虚拟仿真实验教学的管理和共享平台包括虚拟实验中心门户网站、实验前的理论学习、实验的开课管理、典型实验库的维护、实验教学安排、实验过程的智能指导、实验结果的自动批改、实验成绩统计查询、数字化资源管理、师生互动交流和系统管理等子系统。 虚拟实验中心门户网站：一个动态Web系统，系统内容包括中心介绍、实验教学、实验队伍、管理模式、设备与环境、教学特色、中心新闻/公告/通知等。 实验教务管理：课程库、培养计划、排课、选课、开课审核等功能。 实验教学管理：现场实验安排、虚拟实验安排、实验批改、考勤管理、成绩管理、实验报告等。 实验前理论学习：实验前学生通过练习、自测、课件等方式学习实验理论知识。 实验过程智能指导：学生在实验过程中遇到问题可以请求指导，系统给出指导信息。 实验结果自动批改：学生提交实验结果后系统自动评判，给出分数和评分点。 数字化资源管理：各种虚拟实验、仿真软件和演示动画的上传、发布。 实验室开放预约管理：实验室设备借出、实验室预约、实验预约、工位预约管理。 师生互动交流：实时答疑、在线留言等。 系统管理：用户、分组、角色、权限、日志、备份管理和实时监控等。 五、平台特点 1)系统针对学校实验教学整体需求设计，满足校级实验教学需要； 2)可集成所有符合标准的第三方虚拟实验系统和软件； 3)经典实验的设计采用B/S架构，方便学生使用和系统部署； 4)全面开放了实验室的实验资源，提供开放式实验教学服务。方便学生自主灵活参与实验，充分发挥学生的主观能动性，提高实验教学的效果； 5)多种角色应用体系，多种业务权限配置，满足学生、教师、教务人员、实验室管理人员和校领导的需求，受益面广； 6)人性化的协同学习，帮助教师和学生随时随地通过网络在线或离线交流； 7)虚拟实验和现实实验相结合，丰富了实验教学方式，通过系统可同时管理硬件实验和虚拟实验； 8)实验教学排课灵活，可统一安排也可学生自选，提供学生、教师以多种方式打印课表； 9)多种数据导入导出功能，方便各种身份角色数据汇总、数据统计； 10)可无缝集成到学校的教学教务管理系统中； 11)支持实验报告在线提交，并提供实验报告在线批注和智能批功能； 12)可根据现实实验室进行直观的工位布局，方便学生预约和入座； 13)支持在线多媒体编辑宣传内容，可实现实验中心与下设实验室门户网站统一管理； 14)系统更加注重实验教学效果。

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

浙江大学FEI Titan球差矫正透射电镜用高分辨原位高速相机竞争性磋商

本发明公开了一种基于多核处理器的高速印花机图像数据旋转处理系统，包括数据接收设备、数据解析处理设备、数据传输通道和数据输出设备。本发明还公开了一种基于多核处理器的高速印花机图像数据旋转处理方法，其通过以太网接口接收数据，利用处理器的多个核并行处理数据，由FPGA实现数据的输出。相比现有技术，本发明系统及方法能够大大提高数据的旋转效率以及吞吐量，从而实现数码印花机的高效能产出。

本发明公开了一种基于多核处理器的高速印花机图像数据旋转处理系统，包括数据接收设备、数据解析处理设备、数据传输通道和数据输出设备。本发明还公开了一种基于多核处理器的高速印花机图像数据旋转处理方法，其通过以太网接口接收数据，利用处理器的多个核并行处理数据，由FPGA实现数据的输出。相比现有技术，本发明系统及方法能够大大提高数据的旋转效率以及吞吐量，从而实现数码印花机的高效能产出。

该项目是国家部委项目，现处于实验室研究阶段。 项目主要研究内容如下： （1）关键构件载荷谱编谱平台 建立以转向架构架标定试验台为主要装备的关键构件载荷谱编谱平台，该平台以多通道、高精度转向架测力构架标定加载系统为主要设备，配以多通道协同作用控制软件和相应的加载工装，完成转向架载荷谱测试中测力构架的载荷标定，这是确保载荷谱研究圆满完成所必需的基本试验手段。 （2）载荷线路测试与评估平台技术 建立以大容量、多通道、高信噪比（包括无线测量）的载荷线路测试与评估平台技术，该平台以高信噪比动态数据采集系统和无线遥测数据采集系统为主要设备，能够在高速动车组运行时，全程往返连续测试高速动车组转向架构架、轮轴等关键部件的载荷与动应力。    项目主要技术创新点如下：Ø  建立复杂载荷系下载荷标定技术和方法；Ø  载荷谱的损伤一致性编谱准则；Ø  高置信度编谱技术；Ø  各类测力装置和大容量高抗干扰能力的测试系统；Ø  可靠性评估技术。 本项目将形成以转向架构架标定试验台、结构疲劳试验系统和材料疲劳试验系统为主要装备的关键构件载荷谱编谱平台和多通道高信噪比测试设备为主体的载荷线路测试与评估平台。    应用范围： 高速列车车轮、车轴、构架、轴箱、齿轮箱、悬吊螺栓、悬吊支座等走行及悬挂系关键零部件的设计及试验评估。

燃烧器结构从内到外依次包括中心天然气辅助喷嘴通道，中心稳燃直流风通道，环形天然气主喷嘴通道，内旋流高速空气通道（旋流角25度），外轴向高速直流风通路。经过精确的空气动力学设计，可以实现理想的火焰温度、速度、强度和刚度，天然气流量可在100---2700Nm3/h内调节，具有自主知识产权。 燃烧器提高了天然气的喷射压力（320---390m/s）和喷射速度（2000m3/h），以提高火焰强度和刚性。燃料压力、流量实际调节比可达1：36。火焰的形状、温度、强度和刚性在整个火焰长度都能高效热交换，不形成局部过热，不出现峰值温度。一方面有利于熟料结粒，熟料矿物晶相正常发育，防止烧成带扬尘；另一方面有利于形成致密稳定的烧成带窑皮，延长耐火砖使用寿命。 天然气喷嘴由单一大直径喷嘴改为较小直径的多孔喷射平行流多喷嘴。可以加强与一次风和二次助燃风的掺混，强化燃烧，提高燃烧速度和效率，提高火焰的温度，缩短根部黑头长度。 燃烧器采用了火焰稳定器技术，防脱火效果显著；采用了“拢焰罩”技术，有利于形成细长体刚性火焰，使窑体温度分布合理，火焰峰值温度降低。该燃烧器具备了低过剩空气系数下完全燃烧的性能，因而可以在过剩空气系数1.1下操作，可以节约的天然气将可达到总量的10%。 主要性能指标：1. 燃料：天然气（或中高热值煤气）；2. 天然气压力/流量：天然气设计压力50kPa，中心天然气辅枪出力500Nm3/h，环形天然气主枪出力1500Nm3/h，主、辅枪共同工作出力2000Nm3/h；3. 用途：用于回转窑供热（窑钢板内径：3.5m，耐火材料内径3m）；4. 工艺温度：1400℃，最高温度：1600℃；5. 安装位置：安装在窑罩后部，火焰直接进回转窑，伸进窑筒内的火管长度4.5m（窑罩端面至喷火口）；6. 助燃风温度：一次风不超过总量的10%，来自净风机,压力25---50KPa，常温，二次风:不小于总量的90%，来自冷却机,温度:～800℃； 其中： P气：为燃烧器喷枪前天然气表压力，单位:KPa V辅：为中心辅喷枪的天然气流量，单位:Nm3/h V主：为环形主喷枪的天然气流量，单位:Nm3/h V总：为主、辅喷枪共同工作的天然气流量，单位:Nm3/h