摘要：本发明公开了一种船舶推进器，主要由气缸和喷管组成，气缸设有压缩空气进口、燃料喷嘴和点火装置；特点是：推进器的气缸(1)和喷管(2)均工作于水中，压缩空气和燃料分别通过压缩空气进口(3)和燃料喷嘴(4)进入气缸并在点火装置(5)作用下燃烧爆炸，燃烧爆炸产物直接将喷管(2)中的水柱喷射出去，利用反作用力形成推力。与公知船舶推进系统相比，本发明推进器的气缸部分是动力装置，喷管部分是推进装置，实现了动力装置和推进装置的一体化，因而推进效率高，能量利用率高，经济性好，结构简单，工作可靠性高。本发明有多个实施方案，通过模块化组合，可实现超大功率推进，适用于各种船舶。

摘要：本发明提供一种清洁装置及清洁方法，所述清洁装置包括：第一承载台、检测单元和清洁单元；其中，所述第一承载台用于放置待清洁物；所述检测单元用于检测所述待清洁物的洁净度是否符合预设值，当所述待清洁物的洁净度不符合所述预设值，所述清洁单元对所述待清洁物进行清洁，且清洁结束后，所述检测单元对所述待清洁物再次进行洁净度的检测，如此重复进行检测和清洁，直至所述待清洁物的洁净度符合所述预设值；当所述待清洁物的洁净度符合所述预设值，所述待清洁物被送至存储区。本发明提供的清洁装置和清洁方法，避免了所述待清洁物直接进行存储时污染存储区内其余存放物，同时通过对所述待清洁物的清洁也避免其附着的固体颗粒损坏所述待清洁物。

摘要：本发明涉及基于OCS与OMS系统协同的配电网缺陷分析诊断方法，包括OCS系统获取待分析终端的告警信息；OCS系统对所述告警信息进行分析处理，得到缺陷类型；OCS系统确定所述缺陷类型的缺陷子分类以及缺陷严重等级；基于所述缺陷子分类和缺陷严重等级OCS系统生成告警信息异常文件后发送至OMS系统的终端异常管理模块，使得OMS系统基于所述告警信息异常文件生成运行处理流程工单。本发明通过OCS系统对终端的告警信息进行自动分类和识别，将业务流程在系统上固化，实现自动推送缺陷传递以及故障信息传递等功能，再通过OMS系统根据告警信息类别生成工单，有效提高了终端的缺陷故障处理效率。

摘要：本发明提出了针对资源冲突的带权订单实时批量处理系统及方法，属于智能制造与计算机控制技术领域。系统包括订单接收模块、工作区域监测模块、订单信息处理模块、作业单元选取模块和作业单元构建模块。订单接收模块实时更新到达系统的订单信息；工作区域监测模块实时更新工作区域内的作业单元状态；订单信息处理模块根据待处理的订单信息生成待构建作业单元；作业单元选取模块选出下一批次进行构建的作业单元；作业单元构建模块对是否立刻构建被选出的带构建作业单元进行判定，并对作业单元的构建次序及构建时间进行决策。本发明能有效面对多样化、个性化、剧烈波动、高速变化的需求，对带权重的订单进行快速处理，提高了系统的快速响应能力。

摘要：本发明提供一种掩膜版清洁装置及掩膜版清洁方法，包括颗粒检测单元、显微镜、显示器及清洁单元；所述颗粒检测单元与所述显示器通信连接，所述显微镜与所述显示器通信连接，所述颗粒检测单元用于检测掩膜版表面的污染颗粒的位置，所述显微镜用于获取掩膜版表面的影像，所述显示器用于显示掩膜版表面的污染颗粒的影像，所述清洁单元用于除去掩膜版表面的污染颗粒。本发明提供了一种实时可视化的掩膜版清洁方案，实现即时清洁即时检查，提高掩膜版清洁效率。

摘要：本发明公开了一种掩模版清洁装置，包括：吹扫台和吹气装置。吹扫台的第一表面上设置有掩模版的放置部件，用于放置并固定掩模版。吹扫台还和旋转装置连接。吹气装置包括喷嘴，喷嘴和喷嘴移动装置相连。在清洁过程中，旋转装置带动吹扫台和掩模版旋转，喷嘴移动装置控制喷嘴移动并使喷嘴喷出吹扫气体的吹扫位置沿从掩模版的被吹扫面的中心到边缘方向的路径移动。本发明还公开了一种掩模版清洁方法。本发明能增加吹扫清洁效果和效率并同时能减少吹扫气体流量。

摘要：一种无人机群智系统智能水平评价方法，属于综合评价方法领域。针对无人机协同任务规划需求以及OODA决策链架构，提取无人机群智系统任务规划过程中的指挥与控制要素；同时将无人机指挥、控制要素与心理学智能相关要素关联，构建无人机智能水平评价指标体系；对每个无人机智能水平评价指标进行量化，将量化的指标数据输入所构建的基于伪标签半监督学习的神经网络结构，得到无人机群智系统各项能力分值及最终等级值；提升无人机智能体标注级标签的效率、降低智能水平评价结果误差。本发明适用于无人机领域，解决需要手动为样本进行标注标签，严重降低开发效率，以及对智能体等级的水平评价具有人为主观性，评价结果误差大的问题。

摘要：一种动态环境下的多无人机任务分配与航迹规划优化方法，属于无人机技术领域。通过采用基于传统深度强化学习SAC算法的多智能体强化学习算法MA‑SAC，将传统SAC算法融合成多智能体网络结构，采用集中式训练分布式执行的方式，使得智能体之间可以交互和学习，在较短时间内可以收敛到更高的奖赏值和任务完成率，提升任务规划策略决策的时效性，降低智能优化算法的迭代次数、提升方法的时效性；通过构建基于策略集合的奖赏值函数，提高强化学习训练效率和训练稳定性，解决动态环境下奖赏值稀疏的问题，提升多智能体强化学习算法的收敛速度。本发明适用于无人机领域，能够在动态场景下提升动态环境下无人机实时任务规划效率。

摘要：本发明涉及一种面向城市目标追踪的多无人机协同航迹规划方法，属于无人机技术领域。通过基于值分解的多智能体强化学习算法对围捕过程的团队奖励进行自动值分解，使每个无人机明确自身在围捕过程中的贡献，避免信用分配问题。通过基于因果推理的探索机制，建模状态和动作之间的因果关系，使得多智能体强化学习的交互过程中可以进行针对性探索高价值状态而避免过多无效探索，增强模型的收敛性。将多阶段围捕追踪策略和值分解强化学习算法结合使用因果推理增强多智能体算法的探索能力，提高收敛性。

摘要：本发明公开了一种面向城市车辆跟踪的目的地推理方法。本发明首先采用改进的最小描述长度算法对原始轨迹进行自适应分段，得到全局最优的轨迹分段；接着通过网格编码以及Base2vec模型，将轨迹序列映射为包含地理拓扑关系的低维分布式向量，即轨迹嵌入序列，缓解空间表达上的稀疏问题；然后对轨迹嵌入序列应用小波变换，捕获目标运动中的快速转折或加减速等细节信息；最后采用LSTM网络，并在LSTM内部融入自注意力机制，使模型能够根据当前轨迹段动态加权不同时间步的输出，使得网络自适应关注轨迹中的关键点，增强对长期依赖的建模能力；最终通过SoftMax分类器对LSTM网络的输出进行分类，将分类结果转换为具体的地理网格坐标，得到预测的目标目的地位置。