本发明公开了一种激光焊接装置及方法，其中，焊接装置包括 控制单元、激光器和光学整形单元；激光器的控制端与控制单元的控 制端连接；光学整形单元置于激光器输出光束的光路上，其光轴方向 与激光器输出光束的中心方向重合；光学整形单元对激光器输出光束 进行整形，输出的均匀条形光斑照射在焊接生产线上；本发明公开的 激光焊接方法基于上述装置，采用均匀条形光斑照射移动的焊接生产 线上的工件，熔化焊料，实现工件焊接；为实现电子元器件双

本发明涉及无损检测领域，并公开了一种磁约束脉冲涡流检测 方法与装置。其方法是在被测构件表面设置一个圆环形永磁体，其上 下端面为磁极且极性相反，并使永磁体的中心线与被测构件表面的法 线重合；依次同轴设置接收线圈和激励线圈在永磁体的内部；在激励 线圈中加载直流电流，以产生稳恒的一次磁场；在关闭激励线圈中的 直流电流的同时，测量接收线圈的感应电压，得到检测信号。其装置 包括脉冲涡流传感器、激励控制单元、信号处理单元、A/D 转换单元 和计算处理器，脉冲涡流传感器中设置有圆环形永磁体。本发明利用 上下端面为磁极的圆环形永磁体，在被测构件中产生垂直于其表面的 偏置磁场，约束了被测构件中感应涡流的向外扩散，可有效提高检测 灵敏度。 

EDI（电去离子）是一种将电渗析和离子交换技术相结合的超纯水制备工艺-2。 核心优势：其最大的优点是在直流电场的作用下，系统内的离子交换树脂可以连续不断地自动再生，无需像传统混床离子交换那样停机使用酸碱进行化学再生-2。这使得它可以连续、稳定地生产高纯度水，无化学污染排放，运行和维护成本也更低-2。 出水能力：采用EDI技术为核心的系统，通常结合反渗透（RO）等前置工艺，可以稳定地产出电阻率达到15 MΩ·cm以上的高纯水-2，最终出水的电阻率最高可达18.2 MΩ·cm（25℃）的超纯水-1-5-8

XM-164人体骨杠杆分类模型   XM-164人体骨杠杆分类模型由头颅骨（含下颌骨）的矢状切，第1－5颈椎的矢状切，胫骨和腓骨下段、距骨、肱骨、前臂骨、手骨（示手舟骨、头状骨、第三掌骨和中指骨）等组成，根据骨杠杆类型分别将上述骨加以连接，分别贴于杠杆的支点、力点和阻力点等标签，可观察人体骨杠杆概念分类和三类骨杠杆的传递力、平衡力、省力以及增大运动幅度与速度等所起的作用。 尺寸：自然大，60×44×12cm 材质：PVC材料

XM-165人体骨关节分类模型   XM-165人体骨关节分类模型将人体分为单轴关节、双轴关节、多轴关节以及屈戌关节、车轴关节、双髁状关节、鞍状关节、椭圆关节、球窝关节、杵臼关节和平面关节。 尺寸：自然大，60×44×12cm 材质：PVC材料

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

开展设备状态监测与故障诊断可以及时了解和掌握设备的工作状态，甚至提早期发现故障，找出故障的成因，并预报故障发展趋势。以往依赖人工经验，靠五感或简易仪表进行的常规检测已不适用。现代设备的状态监测。分布式在线监测系统采用计算机技术、网络技术、信号处理与分析技术，形成分布式的监测体系。 该系统重点解决关键设备远程在线监测、设备状态评价、设备故障诊断等问题。系统采用三层架构的体系，实现远程异地对设备运行状态进行监测，自动跟踪、记录设备的相关指标，诊断设备可能发生的故障，科学地评价设备状态，为设备维修和维护提供科学的依据。 系统由多台计算机通过计算机通讯手段形成一个完整的诊断网络，每台计算机分布在不同的场所，可以分别独立地完成各自的特定功能，同时在逻辑上相互联系，形成一个监测与诊断整体，给使用者带来了方便，系统的可扩展性也大大提高。系统的主要功能模块包括常规在线监测、数据保存（支持三种存储模式：定期存储、报警存储、人工触发存储），历史数据追溯、趋势分析、监测报表、实时数据采集、故障诊断等功能

已有样品/n有机磷农药快速检测试剂盒：以有机磷农药人工抗体作为样品预处理材料，从不同食品中分离富集有机磷农药后，然后利用酶抑制-化学发光直接测定人工抗体上所富集的有机磷农药。显著提高了目前酶抑制法快速检测有机磷农药这一国标方法的准确性，目前已可提供相应的试剂盒。内毒素快速检测试剂盒：内毒素是革兰氏阴性细菌产生的体外毒素，由于内毒素含量很低，我们制备了可特异性结合内毒素的仿生材料-人工抗体。将人工抗体同时作为样品预处理

国家十五科技攻关项目、国家产业化示范工程成果大型能源化工设备工程监测与故障诊断系统 Net-EASY，针对流程工业中的大型旋转机组如汽轮机组、压缩机组、发电机组等，进行状态监测、信号分析、故障诊断、信息积累和远程维护，捕捉机组的运行隐患，做到机组故障早发现、早诊断和早预防，以消除灾难故障，避免严重故障，减少一般故障，提高企业生产效益。系统以数据库和网络为核心，将状态监测技术、故障诊断技术以及专家知识等有机结合起来，既解决了设备状态信息在企业中共享的问题，又促进了专家的专业知识与企业生产实际之间的紧密结合，为设备的运行维护提供了一揽子解决方案。 

★软件具有国家版权局颁发的软件著作权登记证书。 ★软件具有省级或国家级检测机构出具的软件产品登记测试报告。 注意力评估与训练仪包含教师端和学生端两个平台。本产品从注意广度、注意稳定性、注意转移、注意分配四个维度来全面地评估与训练学生的注意力，并结合多元智能理论、潜能开发理论以及认知加工等相关理论，形成32个富有趣味性的训练游戏，在改善学生注意力的同时，促进学生的观察力、记忆力、手眼协调能力、反应速度等多方面能力的发展，并通过详细的数据统计来让学生了解到自己的成绩和进步。 教师端： 注意力评估与训练系统教师端包括训练须知、学生信息、评估管理、训练管理、个体报告、筛查统计及系统管理等模块。各模块功能介绍如下： 1、训练须知：可以了解注意力基本专业知识和系统中注意力4个维度32个训练方案的特点和训练设计理论依据。 2、学生信息：实现学生个人的基本信息的管理和维护。 3、评估管理：教师可以通过此模块详细了解评估测验内容，并根据学生的具体情况设计针对性的个体化测验，并通过测验情况掌握学生的具体情况。 4、训练管理：教师可以通过此模块详细了解每个训练方案的目标和方法，并能根据学生的测验情况制定个体化训练方案，还可以通过图表成绩、文字描述等记录并分析学生的训练进展情况，以便于统计分析和训练计划的及时调整。 5、个体报告：可以对学生个体测验的评估情况、训练效果和综合分析情况通过系统生成报告进行查看、编辑和分析等综合管理。 6、筛查统计：可生成班级、年级评估报告，帮助教师了解不同班级、年级的注意力发展的差异和变化趋势，以及整体的平均水平，并根据这些评估数据筛选出特定的对象。 7、系统管理：支持多用户管理，实现数据安全备份。 学生端： 注意力评估与训练系统学生端平台主要包括个人中心、筛查评估、训练方案、训练助手等功能模块。 1、个人中心：可以查看到学生的个人基本信息和注意力四个维度各个训练方案的成果展示。 2、筛查评估：从注意广度、注意稳定性、注意转移和注意分配四个维度来全方位评价学生的注意力水平，结合专业量表等辅助评估方法，帮助老师详细了解学生注意力的发展水平。 3.训练方案包括了注意力四个维度的训练游戏，比如动物王国、服装搭配、面孔识别、声声入耳、安全驾驶、慧眼识物、双球得分、蜗牛回家等多种类型不同风格的趣味性训练游戏。（提供功能截图）学生可以根据自己的注意力水平、兴趣爱好和认知能力等选择难易程度、训练维度等适合自己的训练游戏，通过训练提升自己的注意力品质。 4.训练助手主要为学生提供了三种放松与训练方式，学生可以通过这些方法和辅助工具来调整自己的状态，提高注意力水平。 22寸嵌入式流线型一体化操作台，配有无线键鼠。