高浓度污水的絮凝沉降处理中，往往会遇到泥化程度高、难以沉降的问题，将磁性力场引入絮凝工艺，可望增强絮团沉降动力，提升污水澄清效果。磁性絮凝剂是将磁种材料与絮凝剂基体复合，形成集磁性与絮凝特性与一身的复合絮凝剂，在高浓度工业污水、矿物洗选废水、生活污水的磁絮凝处理方面具有重要的应用前景。

本项目通过在Cu-Cr原位复合材料中加入稀土来提高铜合金的导电率，同时还能有效提高合金的强度和抗软化温度。加入微量合金元素Zr、Ag提高合金的强度和抗软化温度。在Cu-15%Cr合金中加入微合金元素Zr的Cu-15%Cr-0.15%Zr合金，由于Zr的加入可使材料的抗拉强度提高8%左右，并减缓退火处理时强度的下降速度，即提高抗软化温度30～50℃。中间热处理温度在450℃时所得综合性能最佳，在应变量η=8.63时，形变Cu-15%Cr原位复合材料的抗拉强度可以达到995MPa，导电率为75%IACS。CuNb合金经大量拉拔变形后，形成的Nb纤维分布在Cu基体上，Cu-20%Nb（体积分数%）复合材料的抗拉强度接近2000MPa。

本技术适用于芳纶纤维、高强高模聚乙烯纤维、碳纤维、聚醚醚酮纤维、聚酰亚胺纤维等高性能化学纤维，采用湿法造纸技术，制备绝缘纸、摩擦材料等纸基功能材料和蜂窝纸等高强度结构材料等。解决了高性能纤维纸基功能材料生产中的纤维改性、分散、湿法成形和高温热压等关键技术。可提供高性能纤维纸基材料湿法连续生产线成套技术，为相关行业提供高性能纤维纸基功能材料和结构材料及其复合材料等高新技术材料产品。 关键技术 对于湿法抄造工艺来说，纤维能否均匀分散、湿法成型工艺和热压工艺是否合理是决定产品质量是否合格的重要因素。本项目成果解决了高性能纤维纸基材料生产中的纤维改性、分散、湿法成形和高温热压等关键技术。超高效碳纤维电磁屏蔽纸的制备创新地利用碳纤维、金属导电纤维这两种纤维的优势互补，保证成纸在拥有良好屏蔽效能的同时具有很好的机械性能和柔韧性。性能良好的超高分子量聚乙烯纤维纸主要是采用纤维洗涤-超声预处理-疏解分散-分散剂分散工艺，通过预处理、添加助剂、成型和增强而制得。采用聚酰亚胺纤维通过自有技术制备得到高性能的聚酰亚胺纤维绝缘纸等纸基功能材料。采用碳纤维配用聚醚醚酮纤维制备纸基摩擦材料。 知识产权及项目获奖情况 一种聚酰亚胺导电纸的制备方法 201610487328.X 一种超高分子量聚乙烯纤维纸的制备方法 201610921059.3 一种超高分子量聚乙烯纤维的预处理分散方法 201610920332.0 一种超高效碳纤维电磁屏蔽纸 201710204473.7 一种聚醚醚酮纤维纸及其制备方法 201710544478.4 一种碳纤维增强聚醚醚酮纸基摩擦材料及其制备方法 201710559878.2 项目成熟度 实验室试验和中试已完成，部分成果已经用于试生产。 投资期望及应用情况 期望在碳纤维、高强高模聚乙烯纤维、聚醚醚酮纤维技等高性能纤维共同进行技术开发或技术转让。 采用高性能纤维制备纸基功能材料和结构材料是航空航天、国防、高铁和电力电机等重要领域开发的一类产品，目前主要是日本、奥地利和美国等国家生产。 国内近年开始关注，并有少数几家开始进行，但尚只能生产少数几类低档次产品。目前已经利用本项目成果建成年产 150 吨聚酰亚胺纤维绝缘纸生产线，生产聚酰亚胺纤维绝缘纸。

新冠肺炎常规通过病史、CT等进行病情评估，但重症病房应用超声不便，还需要评估重症患者的心脏等多器官，然而操作者绝大多数不是专业超声医生，这为如何在治疗重症患者的过程中更好地发挥超声的作用提出了难题。深圳国际研究生院袁克虹团队与深圳华声医疗技术股份有限公司合作，用人工智能技术赋能5G超声设备，增添采集心肺关键标准切面的导航以及关键参数的自动测量等功能，辅助医生对重症病人进行动态评估和治疗。 袁克虹团队与深圳华声医疗技术股份有限公司1月中旬组成研发团队，在已有合作工作的基础上，针对新冠肺炎重症患者临床超声的迫切需求开展联合攻关，半个月就获得了较好的成果。该技术从2月初开始在武汉协和西院等多家医院使用，在一定程度上辅助了医生对重症患者进行疾病的动态评估和治疗指导。 目前该技术正由国家感染性疾病临床研究中心（深圳市第三人民医院）牵头开展进一步研究，将完善和改进现有功能，优化远程诊断流程，实现超声为医生治疗重症患者提供更智能、更可靠、更专业的帮助。

目前我国生物质热化学转化技术应用较多的是固定床气化，但生产规模普遍较小且高效连续运行性能差，尚无法适应以发电为代表的规模化利用方式。因此，在生物质转化利用领域，开发规模化高效可靠的气化技术是迫切需要攻克的关键技术。2007年华东理工大学主持实施世界银行的全球环境基金项目（CRESP）“规模化生物质固定床气化炉的研制”，之后又负责完成了多项相关重点科研，核心装备技术于2009年7月通过专家验收。本项目的技术原理是将生物质燃料通过固定床自热气化生产可燃气体，其关键技术包括气化炉控温防止结渣、降低飞灰夹带及燃气深度净化等。本项目核心装备—固定床气化炉的单炉产气量大于5000m3 /h，采用典型农作物秸秆为原料的燃气热值大于1500kcal/m 3 ，同时还可获得焦油和草木灰等副产品，气化系统运行高效、可靠而洁净，已完全达到规模化工业生产的要求。本项目成果可广泛应用于供气、发电和供热等场合。

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。

目前我国生物质热化学转化技术应用较多的是固定床气化，但生产规模普遍较小且高效连 续运行性能差，尚无法适应以发电为代表的规模化利用方式。因此，在生物质转化利用领域， 开发规模化高效可靠的气化技术是迫切需要攻克的关键技术。2007年华东理工大学主持实施世 界银行的全球环境基金项目 (CRESP)“规模化生物质固定床气化炉的研制”，之后又负责完成 了多项相关重点科研，核心装备技术于2009年7月通过专家验收。 本项目的技术原理是将生物质燃料通过固定床自热气化生产可燃气体，其关键技术包括气 化炉控温防止结渣、降低飞灰夹带及燃气深度净化等。本项目核心装备—固定床气化炉的单炉 产气量大于5000m3 /h，采用典型农作物秸秆为原料的燃气热值大于1500kcal/m3 ，同时还可获 得焦油和草木灰等副产品，气化系统运行高效、可靠而洁净，已完全达到规模化工业生产的要 求。本项目成果可广泛应用于供气、发电和供热等场合。

非线性失真是5G通信系统和其他新兴多载波通信系统的主要失真来源，而数字预失真代表着线性化方法发展趋势。目前，数字预失真方法均采用了对非线性器件输出信号的包络特性进行直接线性化的简单思路。由于有源非线性器件（如射频功放）存在最大输出功率的限制，故此种原理的线性化算法在高能信号区会造成输出有效增益的明显下降，也就是难以同时满足低功率损失和高线性化效果的要求。这不但造成了低下的电源利用效率，并且造成我国对进口大功率射频器件的依赖。 针对5G通信非线性失真研究的理论空白，申请人率先完成了非线性失真信号微观分析法，首次揭示了亿万个随机交调项间的定量关系，推导出了系统参数和非线性频谱间简洁的多项式表达关系，并将仿真速度提高1100倍。针对目前射频电路预失真方法的原理性缺陷，申请人建立的多级精细化数字信号预失真方法实现了在低功率损耗的条件下取得高度线性化效果，此方法可提高功放的功率利用率，降低我国对大功率射频功放的进口依赖。

项目成果/简介:数据采集技术可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。多模态传输技术LPWAN (Low-Power Wide-Area Network，低功率广域网络)在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。       LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。最具前景的LPWAN技术——NB-IoT和LoRa：物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。LoRa （Long Range）:   一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。NB-IoT（Narrow Band Internet of Things）NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。数据分析技术人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。应用范围:家居智慧控制，提高舒适度：家庭生活状态统计和日常需求预测与推荐；多模态行为分析和数据采集和传输系统；多模态行为数据采集和分析平台；基于LoRaWAN/5G的工厂环境、农业大棚等环境监测系统。技术成熟度:通过中试