新华医疗可为您提供与真机1:1比例、完全采用真机制造工艺的模拟机，并且系统可搭配CT图像三维重建后处理软件及血管分析、肝脏分析等高端模块，可全真模拟医院放射科当今主流CT的整个扫描及图像处理流程，让学生亲身体验，学以致用，协助高校建设高水平仿真职业环境校内CT实训室。

作为影像实训中心的基础设备，新华医疗可提供悬吊单双板式、UC臂式和双立柱平床式三种机型，此产品是新华医疗DR真机研发团队专门为高校医学影像专业教学设计的又一力作，软件除了仿真医院真机DR流程以外，又增加了专门的教学及自测模块，让学生亲身体验，学以致用。

作为影像实训中心的高端设备，新华医疗可为学校提供多种线圈定制设计，可选配MRI图像三维重建后处理软件及灌注分析等高端模块，可全真模拟医院放射科当今主流MRI的整个扫描及图像处理流程，让学生亲身体验，学以致用，协助高校建设高水平仿真职业环境校内MR实训室。

风冷式工业冷水机应用于电子制造、焊接机器人、氦气压缩机、真空镀膜、真空炉、反应釜、医药化工、 超声波冷却、印刷等工业生产，它能控制工业机械化生产所要求温度，从而提高生产效率及产品质量。风冷式 工业冷水机操作简便、设计合理，风冷式无需配备水塔，使用更方便。  机组特点 ： 主机选用品牌压缩机，内置安全保护，噪音低，节省电能耐用。电气部分采用“施耐德”产品，保证机器工作稳定，寿命长久。水泵大流量，效率高，经久耐用。 配备进口数显温度控制器，能控制水温到±1℃设定温度范围 5 ℃-50 ℃。全不锈钢厚质水箱式蒸发器，内置自动补水等装置，清洗维护方便快捷。 水冷机组冷凝器为套管式，套内螺纹铜管，设计合理，换热效果良好；风冷机组散热冷排，由翘片加上行列铜管组成，制造时采用二次翻边，翘片机械涨管工艺和换热器生产线。 静电喷塑外壳，观大方，外表板采用快速拆装形式，方便使用和维护。

产品特点：                            全高清图像：采用1/2.8英寸207万像素高品质图像传感器，最大分辨率可达1920×1080，输出帧率高达60帧/秒，呈现清晰逼真的高清视频，生动地展现人物的表情和动作。 多种光学变倍镜头：具有12、20倍等多种光学变倍镜头选择，镜头具有5°无畸变宽视角。 无线射频：4天线，采用4×4 MIMO和发射端波束成型（beamforming）技术，最大传输速率可达300Mbps，穿透力强，无障碍环境传输距离可达250米 ；2天线，采用2x2 MIMO+Beamforming技术，无线传输速率最高可达60Mbps，无障碍环境传输距离可达200米； 内置电池：连续供电不低于5小时；电池电量可随时查看显示； 领先的自动聚焦技术：先进的自动聚焦算法使得镜头快速、准确、稳定地完成自动聚焦。 低噪声高信噪比：低噪声CMOS有效地保证了摄像机视频的超高信噪比。采用先进的2D、3D降噪技术，进一步降低了噪声，同时又能确保图像清晰度。 多种视频输出接口：支持SDI、LAN接口；SDI、LAN接口支持音视频同时输出；SDI支持在1080P60格式下传输100米。 多种音视频压缩标准：支持265/H.264+视频压缩，支持AAC、MP3、G.711A音频压缩；支持高达1920×1080分辨率60帧/秒压缩。 音频输入接口：支持8000、16000、32000、44100、48000采样频率，支持AAC、MP3、711A音频编码。 多种网络协议：支持ONVIF、GB/T28181、RTSP、RTMP协议；支持RTMP推送模式，轻松链接流媒体服务器(Wowza、FMS)；支持RTP组播模式，支持网络全命令VISCA控制协议。 多预置位：支持多达255个预置位(遥控器设置调用为10个)。 应用场所多：会议、教育、医疗、政务、云视频、协同办公、多媒体融合、应急指挥、广播、司法、公安、军队等系统应用。

L953是一款适用于装卸松散物料和坚硬物料的中长轴距装载机,整机轴距适中，掘起力大，转弯半径小，重载性与灵活性兼备。作业范围广，适用性强,广泛应用于砂石厂,港口,建筑工地,矿场等场合。 1、配置电控三阶段排放发动机，动力强劲，可靠性高；具备故障检测接口，可方便实现发动机的检测与维护。2、配置临工行星式变速箱，档位前二后一，操作简便。配置临工加强型驱动桥，可靠性高。3、采用加强型前、后车架，载荷分布合理，承载能力强,稳定性好。4、采用钢结构驾驶室，视野开阔。驾驶室内进行优化布置，操作空间更大5、采用临工自主研发的步进式仪表盘，实时监控整机工作状态，人机交互性好。6、负荷传感全液压转向系统，机械操纵，操作简单，性能稳定可靠。优化和改进液压管路密封结构，使得整机液压系统的密封可靠性进一步提高。7、工作装置优化设计，掘起力大，装满系数高；铲斗主刀板采用梯形耐磨钢结构，底部耐磨板加厚设计，插入阻力小，耐磨性能高。

本项目研发了一套完整的现场数据采集服务支撑技术，提供了数据采集集成服务的商业运营新模式。针对工业互联网建设过程中普遍存在的现场数据采集需求，整合了综合感知、AI智能处理、网络安全传输、数据质量管理和标准化输出等多个环节，把经过质量分析和标准化处理后的实时数据，作为产品对接到工业互联网应用平台的数据池，供后续数据处理和应用分析。整套技术包括4大模块：1）智能网关：基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置云服务器；重点研究基于小目标的AI图像分类算法。2）AI模型管理系统：实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。3）数据管理和标准化处理：数据有效性管理、数据质量评估、数据标准化和数据安全机制。4）智能运维：开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提高效率、降低成本、保证系统运行质量和数据的有效性。 如图所示，项目完成了对于现场数据的传感、传输、管理、输出和设备运维等一系列工程实现。应用范围: 1、智能网关： 开发基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置服务器。 综合接入能力： 包括有线传感器和特定的无线传感器、与现有系统的对接 有效感知能力： 实现基于图像的AI视觉感知能力，重点研究基于小目标的图像分类算法 安全传输能力： 提供4G、5G、NB-IOT的上行传输模块化替换 提供安全的加密手段，保证数据安全 现场调试配置能力： 具有现场WiFi调试功能，方便安装和运维人员现场配置和检测 软件和通信标准版本现场升级 2、AI模型管理系统 需要实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。 样本管理能力 原始样本管理、样本实例库分类和管理、检测样本管理等 模型计算和管理 算力管理：对算力的统筹，外部算力的对接等 算法管理：自主开发算法的管理和调动，外部算法的调用和对接 模型管理：包括模型的功能属性和已经应用的情况的统计分析 设备管理 设备的AI模型配置能力、AI推演过程的监控、AI推演结果的跟踪采集和分析 3、数据管理和标准化处理 数据有效性管理 监测数据是否按时上传、上传数据是否符合要求、是否为非法数据 告警输出：把告警信息进行分类，并推送给相关的运维系统 数据质量评估 按照标准对现场采集数据进行多维度的质量分析，为后续数据应用提供参考依据 数据标准化 格式标准化：完善采集时间、地点、单位等属性， 输出标准化：按照标准协议与工业互联网平台数据池进行对接 数据安全 区域性部署：可以应用户要求部署在其内网 并行部署：可以通过并行部署，网关上联多个服务器，确保用户的可靠性需求 数据回滚能力：可以应工业互联网平台要求对数据进行一定期限内的回滚，保证数据在一定时间段内不丢失 4、智能运维 开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提供效率、降低人员成本、保证系统运行质量和数据的有效性。 运维人员管理 对运维人员的信息、定位、工作状况管理 巡检任务管理 对部署的硬件和相关工作环境定期巡查的任务制定、下发、执行过程和结果的记录和管理 临时故障处理 对系统自动告警和现场突发状况的应急处理能力，包括人员调配、处理流程提示和建议、相关情况处置参考案例、后续统计追踪等。网关核心板实物照片

项目简介：《选矿厂生产统计计算机管理系统研究》通过湖北省科技厅组织的鉴定，其科研成果处于国内领先水平。 技术特点：本课题以大冶铁矿厂为实例，利用当前流行的Microsoft Visual Basic6.0开发选矿厂生产统计计算机管理系统软件，该系统解决了多金属选厂报表金属量不易平衡的问题，具有创新性。用户只需一次性输入原始数据，相互关联的生产日报表、周报表、月报表和年报表将自动生成，生产日报表可当天上报。企业领导、工程技术人员、管理工作者和统计分析人员可根据工作需要任意浏览、调用、打印各种报表，有利于正确指导现场操作、生产调度、组织管理和领导决策。应用领域：该系统既针对性，又有通用性，便于计算机管理网络化。可在全国同类矿山企业中推广使用，具有广阔的应用前景和良好的社会、经济效益。

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。