|
搜索
搜 索
高等教育领域数字化综合服务平台
车用自励式电涡流缓速器产品开发
自励式电涡流缓速器是在现有的汽车制动系统中增加的一套辅助制动装置，在制动过程中可以将汽车的动能通过电磁作用转化成热能，从而提高了汽车的制动性能，并减少了制动摩擦衬片的损耗，降低了汽车的使用和维护成本。相对于普通的电涡流缓速器，自励式电涡流缓速器具有以下特点：（ 1）缓速器具有自发电功能，无须增加或加大汽车发电机和蓄电池；（ 2）重量轻，体积小，安装时对底盘和相关部件的改动要求小；（ 3）安装简单，无须找正调整，无须固定支架；（ 4）故障率低，维护简单。产品性能、指标
江苏大学
2021-04-14
车间物流配送系统 AGV 智能搬运车
成果与项目的背景及主要用途：
近二十年来,机器人技术发展非常迅速,各种用途的机器人在各个领域广泛获得应用。但我国在机器人的研究和应用方面与工业化国家相比还有一定的差距,因此研究和设计各种用途机器人的应用是很有现实意义的。
成果简介：本项目涉及的智能搬运车，是一类综合了机械制造、电子信息、计算机技术、人工智能科学等多门学科于一身的高新产品，主要用于智能车间产品物流配送。
项目优点：
（1）自动化程度高；
（2）充电自动化；
（3）美观，提高观赏度，从而提高企业的形象。
（4）方便，减少占地面积；生产车间的 AGV 小车可以在各个车间穿梭往复。
高速的物料传送功能，是搬运机器人保证自动化生产的关键因素之一，对提高生产效率有至关重要的作用。搬运机器人可以做到物料库与目的地间的高速往返，各动作间紧密结合，有条不紊，特别是在连续搬运和传送时具有良好的实时性。
成果水平：国内领先，均有多项专利技术
应用范围：工厂、购物中心、办公场所等服务行业。
项目成熟度：该技术目前已经产业化，天津成立公司，20 余人，目前公司订单充足，每个月 10 台左右订单，现在处于融资扩大生产阶段。
合作方式：面议
天津大学
2021-04-11
TX系列大众车系点火系统示教板
一、功能：
1、应用原车配件：按照原车位置布置。并配有相应的电路图。直观明了，方便教学。
2、把现有的三种点火方式结合在一起，可直接观测点火系统的改进及汽车的发展。
3、设置电压检测端子，可用专用仪器仪表检测。
4、通过触摸式故障板设置实际故障，便于考核，可以通过故障的判断和排除，让学生充分理解点火系统的工作原理。
二、操作：
1、接通220V外接电源。（注：必须用3孔插头）
2、打开点火开关点火档，按选择键选择所要使用的点火系统(下有指示灯显示)。用点火开关启动即可工作。
3、故障设置参数故障板使用说明书。
三、注意事项：
1、点火系统工作时，严禁用手等物品触摸火茶花塞，防止高压电人事故。
2、使用一段时间后应调整火花塞电极间隙，标准间隙为0.7-0.9mm
3、在选择转换时应先停止运转，在转换系统。
4、工作停止后应拔掉电源插头。
四、规格：
1、电源：交流220V、50Hz
2、工作电源：直流电机24V，系统工作电压直流12V
3、外形尺寸：1400×500×1900mm
芜湖中方科教设备有限公司
2021-08-23
斯太尔SX2109军用越野车教学透明模型
产品详细介绍斯太尔SX2109军用越野车教学透明模型 北京紫光基业 部队军用汽车教学模型在汽车教学设备行业里，一些专业人士把品质卓越的紫光基业公司的产品作为衡量其标准，在全国各地，无论部队汽车培训基地，职业学校、技校及汽车驾校，还是汽车修理培训行业，均能容易看到紫光基业的产品。在专家的带领下，紫光基业人能精确的制造每一件产品，并能完全提供质量保证。
北京紫光基业科教设备制造有限公司
2021-08-23
互联网文本内容主题概念漂移检测系统
成果描述：互联网文本内容主题 概念漂移检测系统， 通过分析数据集中的 所有文档数据的潜在 语义关系，提取出它 们之间的潜在语义主 题标示，通过评估参 数的方法，将生成的 主题时序关系用数据 的形式表示出来，并 以此为依据主动发现 待预测数据集中主题 的转变与转化现象， 并提供给用户这一主 题转移过程。市场前景分析：点。基于这些特点， 流数据的处理和分析 面临巨大的挑战，是 当前数据挖掘领域研 究的热点。 分类是数据挖掘领域 的重要课题，当前流 数据分类问题面临的 主要挑战之一就是概 念漂移问题，即数据 中学习的概念（从属 性到类别的映射）是 随时变化的。 通过对互联网中文本 内容的主题概念漂移 进行检测，对于正确 分类互联网文本等方 面具有重要的意义。与同类成果相比的优势分析：能够将生成的主题时 序关系用数据的形式 表示出来，方便用户 查看； 可以动态调整评估参 数，以实现对不同数 据集的自适应性分析； 可以将评估参数值与 发生概念漂移的主题 中心相关联，主动探 测出主题发生变化的 过程。
电子科技大学
2021-04-10
一种基于物联网的HART仪表分析平台
成果描述：本实用新型公开了一种基于物联网的HART仪表分析平台,包括上位机和通过无线网关与上位机通讯的多个HART无线适配器；所述HART无线适配器通过HART总线与HART仪表一一对应连接,同时与物联网中网络节点无线通讯,所述HART无线适配器包括壳体和安装在壳体内的电路板；所述电路板上设置有HART处理器、串口自供电电源转换电路、人机交互接口模块、存储器、调制解调模块、ZIGBEE收发模块、GSM收发模块、隔离电路、防雷模块。本实用新型基于物联网技术,通过ZIGBEE/GSM信号实现现场多个HART仪表的实时监控,能耗低、抗干扰性能好。而且,本实用新型中的HART无线适配器采用无源供电模式,有效节能。市场前景分析：本实用新型基于物联网技术,通过ZIGBEE/GSM信号实现现场多个HART仪表的实时监控,能耗低、抗干扰性能好。而且,本实用新型中的HART无线适配器采用无源供电模式,有效节能。与同类成果相比的优势分析：国内领先
成都大学
2021-04-10
基于物联网的热水器远程控制设备
成果描述：本实用新型公开了基于物联网的热水器远程控制设备,其包括远程控制端和分别通过物联网与热水器和远程控制端进行通信的被控执行端；远程控制端包括控制单元,分别与控制单元连接的Flash存储单元、语音采集模块、输入模块和第一无线通信模块；被控执行端包括控制模块、第二无线通信模块及分别与控制模块连接的流量传感器、信息安全识别模块、电磁阀和温度传感器,信息安全识别模块与第二无线通信模块连接。市场前景分析：本实用新型公开了基于物联网的热水器远程控制设备,其包括远程控制端和分别通过物联网与热水器和远程控制端进行通信的被控执行端；远程控制端包括控制单元,分别与控制单元连接的Flash存储单元、语音采集模块、输入模块和第一无线通信模块；被控执行端包括控制模块、第二无线通信模块及分别与控制模块连接的流量传感器、信息安全识别模块、电磁阀和温度传感器,信息安全识别模块与第二无线通信模块连接。与同类成果相比的优势分析：国内领先
成都大学
2021-04-10
一种基于物联网的智能居家系统
成果描述：本实用新型公开了一种基于物联网的房间调控系统,其包括依次连接的传感器模组、处理系统和受控端,以及与处理系统相连接的移动终端；处理系统包括依次连接的输入电路、处理电路和输出电路,以及与处理电路相连接的存储器、无线通信模块和电源模块,电源模块连接无线通信模块。本实用新型可以通过移动终端远程控制作为受控端的家用电器,也可以通过传感器模组自动控制受控端,提前改善房间内的环境,为用户提供更好的居住体验。市场前景分析：本实用新型可以通过移动终端远程控制作为受控端的家用电器,也可以通过传感器模组自动控制受控端,提前改善房间内的环境,为用户提供更好的居住体验。与同类成果相比的优势分析：国内领先
成都大学
2021-04-10
CDMA2000移动互联网内容监管系统
本系统在设计中使用了先进的网络处理器技术，包括高性能的IXP2400处理器和高速千兆以太网接入能力，提供了强大的网络处理能力和可靠的运行稳定性。本系统完成的基于网络处理器硬件平台根据不同的实际需求，可以广泛应用于各种网络通信系统和网络安全领域，边缘路由器，千兆硬件防火墙和入侵检测系统，具有广阔的市场前景。
东南大学
2021-04-10
基于大数据的能源互联网能量管理系统
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。
清华大学
2021-04-11