|
搜索
搜 索
高等教育领域数字化综合服务平台
一种光源分布自参照的折光计
本发明公开了一种光源分布自参照的折光计，属于光电技术与 光学仪器领域，包括用于产生发散光束的光源照明系统、光学传感头、 反射光能量收集系统以及图像采集分析系统，光学传感头包括参照模 块和棱镜，参照模块贴合在所述棱镜的底面，工作时发散光束入射进 入棱镜后形成的光斑被分成位于参照模块的第一部分光束和位于参照 模块外的第二部分光束，第一部分光束发生全反射，第二部分光束中 有部分光线发生反射并部分光线发生折射，第一部分光束用
华中科技大学
2021-04-14
MXY8301 LED/LD光谱分布测试仪
一、产品介绍
“MXY8301 LED/LD光谱分布测试仪”是一款能够探测与分析各种光源在可见谱区范围内分布的“CCD快速光谱仪”，它的探测器是线阵CCD多通道探测器，能够探测各种颜色LED发光管和其他发光体的光谱分布。
由以下几部分构成：由狭缝、分光光栅、凹面镜和线阵CCD光谱探测器等部件构成；
狭缝：仪器信号光输入口为可调缝宽的狭缝（缝宽可调）；
被测LED安装装置：用来安装被测LED等光源；
被测LD安装装置：用来安装被测LD光源；
衍射光栅：采用600lp/mm的衍射光栅对入射光进行分光；
凹面镜：将分出的发射光谱汇聚到线阵CCD像敏阵列上；
光谱探测器：用线阵CCD传感器为探测器，以便同步获得更多的光谱谱线；
数据采集：仪器采用12位A/D数据采集系统；以便获得更高的“强度”分辨率；
接口方式：采用0接口方式与计算机连接；
二、教学目的
1、能够同步快速探测可见光范围的多通道光谱，并对谱线进行分析；
2、进行“LED光谱分布的测量实验”，学习光谱探测原理与光谱分析方法；
3、进行“LED发光光谱半宽度的测量实验”认识LED发光光谱特性和测量方法；
4、利用设备提供的“SDK”软件开发包进行课程设计与毕业设计；
三、实验内容
1、测试各种颜色LED的光谱分布；
2、测试LD半导体激光器的光谱分布；
3、测试其他光的光谱分布；
天津梦祥原科技有限公司
2021-12-17
头面及颈部血管神经分布模型XM-631
XM-631头面及颈部血管神经分布模型
XM-631头面及颈部血管神经分布模型由头面部动脉分布、头面部静脉及三叉神经3个部件组成，主要显示头部浅层、深层的动静脉及神经的分布情况及相应的结构形态。
尺寸：自然大
材质：玻璃钢材料
上海欣曼科教设备有限公司
2021-08-23
XM-604B脑及脑动脉分布模型
XM-604B脑及脑动脉分布模型（11部件）
XM-604B脑及脑动脉分布模型放大2倍，可拆分为11部件，显示脑的外形结构：大脑外侧面主要结构、大脑半球内侧面和底面的主要结构、脑干各面的主要结构、小脑的主要结构；脑的动脉供应：动脉的来源、动脉在脑底面的行程和联合情况、大小脑的动脉分布。
尺寸：放大2倍，35×33×30cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
XM-604B脑及脑动脉分布模型
XM-604B脑及脑动脉分布模型（11部件）
XM-604B脑及脑动脉分布模型放大2倍，可拆分为11部件，显示脑的外形结构：大脑外侧面主要结构、大脑半球内侧面和底面的主要结构、脑干各面的主要结构、小脑的主要结构；脑的动脉供应：动脉的来源、动脉在脑底面的行程和联合情况、大小脑的动脉分布。
尺寸：放大2倍，35×33×30cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
带数字标识头面及颈部血管神经分布模型
XM-631A头面及颈部血管神经分布模型（带数字标识）
XM-631A带数字标识头面及颈部血管神经分布模型由3部分组成，显示头部主要神经，筛板、视神经、动眼神经、滑车神经、展神经、三叉神经、三叉神经节、眼神经、额神经、眶上神经、滑车上神经、泪腺神经、鼻睫神经、睫状神经节、上颌神经、眶下神经、翼腭神经、上牙槽神经、上牙神经丛、下颌神经、颊神经、下牙槽神经、下牙神经丛、颏神经、舌神经、耳颞神经、颞深神经、鼓索、耳大神经、翼腭神经节、岩大神经、岩深神经、腭大小神经等，并且展示了颈部的肌肉和主要动静脉的解剖，共有多个部位数字指示标志和对应的文字说明。
尺寸：自然大
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
楼宇式吸收式换热站
01. 成果简介 由于节能减排的要求，许多回收工业余热作为热源进行城镇供热的供热改造方案得到了较快的发展和广泛的认同。采用板式换热系统的一次网回水温度高于二次网回水温度，使得整个系统的一次网回水温度较高，难以回收低温的工业余热。同时，一个换热站带多栋建筑的供热模式难以实现分栋独立调节，无法避免冷热分配不均所带来的热量损失。 本成果公开了一种楼宇式吸收式换热站，由吸收式换热器、补水定压装置、二次循环泵以及站内一次网水路和二次网水路组成为一体化换热站，一次网进水进入后分为两个支路，一个支路连接吸收式换热器的热侧进口，另一个支路连接补水定压装置的进水口，吸收式换热器的热侧出口经流量计与换热站一次出水口连接；二次网回水进入后经水处理装置后分为两个支路，一个支路连接吸收式换热器的冷侧进口，另一个支路连接补水定压装置的出水口，吸收式换热器的冷侧出口连接二次循环泵的进口，二次循环泵的出口连接换热站二次出水口。 相比北欧流行的传统楼宇式换热站，改变了最基本的换热设备，将普通楼宇式换热站的板换改为吸收式换热器，从而可以使得一次网回水温度比二次网回水温度要低，温差达到15K到25K，相比我国目前已经在部分集中换热站应用的卧式吸收式换热器，实现了分楼栋的供热，大大减小了换热站占地面积，取消了传统的集中的热力站，从而可以实现分栋楼宇式供热，增加了单栋建筑的调节性能，同时实现了分栋热量计量。 楼宇式小型吸收式换热器示例和优势02. 应用前景 楼宇式吸收式换热站可以代替传统集中热力站，放置于每栋楼前或地下室为单栋楼供热。03. 知识产权 成果涉及1项授权专利。04. 团队介绍 清华大学建筑节能研究中心成立于2005年3月，由中国工程院院士江亿领导，旨在推动我国建筑节能事业的发展及实现。自成立至今已承担和完成了国家重大科研任务14项、省级部委科研任务6项。在所完成的科研成果中，有2项获国家级奖项，7项获省部级科技奖励，申报了25项国家发明专利。共出版教材和专著10余本，发表论文百余篇。05. 合作方式 技术许可。06. 联系方式 邮箱：zhysh@tsinghua.edu.cn
清华大学
2021-04-13
炼铁生产过程伴生能源的整体梯级回收系统
本发明公开了一种炼铁生产过程伴生能源的整体梯级回收系统,包括:包含燃气轮机的高炉煤气燃机发电系统和包含双压余热锅炉的余热回收发电系统;还包括烧结烟气回收系统和冷却热废气回收系统。所述的烧结烟气回收系统将来自烧结机的烧结烟气经除尘器除尘后,在第一引风机的抽吸作用下送入双压余热锅炉;所述的冷却热废气回收系统将冷却热烧结矿后产生的热废气在第二引风机的抽吸作用下也送入双压余热锅炉。本发明系统将烧结工艺显热和炼铁过程伴生的低热值高炉煤气进行整体回收,并且梯级利用,形成完整的、能稳定运行的中低温余热、低热值高炉煤气高效综合利用系统。
浙江大学
2021-04-11
一种能源回收自清洁的垃圾输送系统
本发明公开了一种能源回收自清洁的垃圾输送系统，包括：用于输送垃圾桶升降循环的升降机构，所述升降机构具有环形输送件，环形输送件上间隔布置有多个连接座，每个连接座上转接有所述的垃圾桶；安装在所述升降输送机构两侧并用于保持垃圾桶升降运动姿态的限位轨道，靠近所述升降机构的底部设有无限位轨道作用的垃圾倾倒位；置于各楼层并用于控制垃圾桶在垃圾投放口停止的即停机构；位于所述升降机构下方的垃圾储存箱，用于储存各垃圾桶翻转倒出的垃圾。本发明适用于高层建筑各楼层垃圾的升降输送；节省电梯运输垃圾的功耗，节能减排；减少垃圾处理的人力消耗，降低管理成本。
浙江大学
2021-04-11
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