本发明涉及轨道车辆，具体涉及基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法。
背景技术：
：：1、轨道车辆相关机构的可靠性分析的目标是为了研究导致整体机构薄弱环节的内在原因和外在原因，从而找出规律，为整体机构提出改进措施，并分析改进后对机构可靠性的影响。现有技术中轨道车辆转向架可靠性分析方法主要有故障树分析、可靠性框图、故障模式与影响分析、马尔可夫模型、蒙特卡罗法和go法、贝叶斯网络等，但是现有技术中的可靠性分析方法，无法对时变相关性问题与可靠性分析结果进行结合，导致轨道车辆转向架可靠性分析结果的准确性下降。技术实现思路1、为了克服现有技术中可靠性分析的方法难以与时变相关性结合，导致可靠性分析结果准确性低的技术问题，本发明提供了一种基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法。2、本发明为实现上述目的所采用的技术方案是：基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，包括以下步骤：3、s1：确定若干组不同的轨道车辆转向架实时数据及其初始设计空间，在每组初始设计空间中抽样获取初始样本点及训练样本集，通过对每组训练样本集进行仿真计算，分别得到每组轨道车辆转向架实时状态，分别使用每组训练样本集及其轨道车辆转向架实时状态训练自适应克里金模型自适应kriging模型，并对每组训练样本集进行步骤s2-s3；4、s2：采用学习函数uh从该组的初始样本点中选择最优样本点，并用k折交叉验证学习函数uh迭代停止准则，满足迭代停止准则后将最优样本点加入当前训练样本集中得到样本集，并将最优样本点带入该组当前自适应kriging模型中得到最优状态值；5、s3：使用样本集优化自适应kriging模型，并计算变异系数判断模型是否达到终止条件，若变异系数不满足要求则重复步骤s2-s3，并得到该组的最优状态值集合，为该组的最优状态值个数，若变异系数满足要求则停止循环步骤s2-s3，并对每组训练样本集进行步骤s2-s3，获得每组的最优状态值集合；6、s4：通过时变 copula 函数 tv-copula 函数拟合最优状态值集合之间的时变相关性，通过赤池信息准则 aic 准则构建两两最优状态值集合之间的最优时变 paircopula 函数 tv-pair copula 函数，并构建时变 vine copula 函数 tv-vine copula 函数，作为贝叶斯网络的有向无环图 dag；7、s5：基于步骤 s4 得到的贝叶斯网络的 dag 构建各变量之间的时变 vinecopula 贝叶斯网络 tv-vc-bn；8、s6：根据 tv-vc-bn，构建时变 vine copula 动态贝叶斯网络 tv-vc-dbn，得到失效概率，根据失效概率计算可靠度；9、s7：判断失效概率是否达到要求，若未达到要求则重复步骤s4-s7，若达到要求则输出当前可靠度。10、优选地，所述若干组优化变量包括构架裂纹数据、踏面损伤数据、轮缘磨损数据、轮直径偏差数据、车轴裂纹数据、一系弹簧损伤数据、垂向减振器松动数据、垂向减振器漏油数据、横向缓冲止档变形磨损数据、空气弹簧划伤数据、空气弹簧爆裂数据、横向减振器漏油数据、横向减振器橡胶变形数据、抗侧滚扭杆松脱数据、抗侧滚扭杆橡胶变形数据，抗侧滚扭杆裂纹数据、齿轮箱总成箱体损伤数据、齿轮损伤数据、齿轮箱轴承损伤数据、电机轴承损伤数据、电机内部线路损坏数据、踏面制动单元故障数据、带停放制动单元故障数据、闸瓦磨损数据，所述轨道车辆转向架实时状态，包括构架裂纹状态、踏面损伤状态、轮缘磨损状态、轮直径偏差状态、车轴裂纹状态、一系弹簧损伤状态、垂向减振器松动状态、垂向减振器漏油状态、横向缓冲止档变形磨损状态、空气弹簧划伤状态、空气弹簧爆裂状态、横向减振器漏油状态、横向减振器橡胶变形状态、抗侧滚扭杆松脱状态、抗侧滚扭杆橡胶变形状态，抗侧滚扭杆裂纹状态、齿轮箱总成箱体损伤状态、齿轮损伤状态、齿轮箱轴承损伤状态、电机轴承损伤状态、电机内部线路损坏状态、踏面制动单元故障状态、带停放制动单元故障状态、闸瓦磨损状态。11、优选地，所述构架裂纹数据包括材料疲劳极限值、循环载荷幅值、制造残余应力；踏面损伤数据包括踏面材料强度、踏面磨损系数、踏面载荷压力；轮缘磨损数据包括车轮材料硬度、轮缘磨损系数、轮轨接触压力；轮直径偏差数据包括轮直径制造公差、运行载荷、轮温度变化；车轴裂纹数据包括车轴材料强度、车轴操作载荷、车轴制造缺陷；一系弹簧损伤数据包括弹簧材料刚度、载荷幅值、一系弹簧使用时间；垂向减振器松动数据包括减振器连接强度、振动频率、载荷条件；垂向减振器漏油数据包括油封质量、油压、使用年限；横向缓冲止档变形磨损数据包括缓冲材料硬度、使用频率、横向缓冲止档载荷压力；空气弹簧划伤数据包括弹簧材料强度、载荷振幅、外部磨损；空气弹簧爆裂数据包括弹簧材料质量、内部压力、弹簧温度变化；横向减振器漏油数据包括减振器质量、油压、减振器温度变化；横向减振器橡胶变形数据包括橡胶硬度、横向减振器橡胶载荷条件、横向减振器橡胶使用时间；抗侧滚扭杆松脱数据包括扭杆连接强度、抗侧滚扭杆操作载荷、振动频率；抗侧滚扭杆橡胶变形数据包括橡胶强度、抗侧滚扭杆橡胶载荷条件、抗侧滚扭杆橡胶使用时间；抗侧滚扭杆裂纹数据包括材料疲劳极限、抗侧滚扭杆操作载荷、抗侧滚扭杆制造缺陷；齿轮箱总成箱体损伤数据包括箱体材料强度、齿轮传动载荷、齿轮箱总成箱体制造公差；齿轮损伤数据包括齿轮材料强度、齿轮载荷条件、齿轮制造公差；齿轮箱轴承损伤数据包括轴承材料强度、轴承载荷、齿轮箱轴承制造公差；电机轴承损伤数据包括电机轴承材料强度、电机载荷、电机运行时间；电机内部线路损坏数据包括电机内部电压、线路绝缘材料质量、电机运行时间；踏面制动单元故障数据包括制动单元材料强度、踏面制动单元操作载荷、制动频率；带停放制动单元故障数据包括制动单元质量、带停放制动单元制动压力、带停放制动单元使用时间；闸瓦磨损数据包括闸瓦材料强度、闸瓦制动压力、闸瓦使用时间。12、优选地，步骤s2具体包括以下步骤：13、s201：采用u函数从样本点中筛选候选样本点集，选择u函数值小的样本点加入候选样本点集，其中u函数的表达式为：14、；15、其中，为预测均值，为预测方差，为u函数值；16、候选样本点集表示为：17、；18、其中为候选样本空间，为样本数据，为u函数值；19、s202：采用h函数从候选样本点集中筛选出对自适应kriging模型精度贡献最大的样本点加入当前样本集形成更新后的样本集，其中h函数的表达式为：20、<mstyledisplaystyle="true"mathcolor="#000000"><mi>h</mi><mi>(</mi><mi>x</mi><mi>)</mi><mi>=</mi><mrow><mo>|</mo><mtablecolumnalign="left"><mtr><mtd><mi>ln</mi><msqrt><mn>2</mn><mi>π</mi></msqrt><msub><mi>σ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi><mo>+</mo><mn>1</mn><mi>/</mi><mn>2</mn><mrow><mo>[</mo><mrow><mi>φ</mi><mrow><mo>(</mo><mfrac><mrow><mn>2</mn><msub><mi>σ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi><mi>−</mi><msub><mi>μ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi></mrow><mrow><msub><mi>σ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi></mrow></mfrac><mo>)</mo></mrow><mi>−</mi><mi>φ</mi><mrow><mo>(</mo><mfrac><mrow><mi>−</mi><mn>2</mn><msub><mi>σ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi><mi>−</mi><msub><mi>μ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi></mrow><mrow><msub><mi>σ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi></mrow></mfrac><mo>)</mo></mrow></mrow><mo>]</mo></mrow></mtd></mtr><mtr><mtd><mi>−</mi><mrow><mo>[</mo><mrow><mfrac><mrow><mn>2</mn><msub><mi>σ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi><mi>−</mi><msub><mi>μ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi></mrow><mn>2</mn></mfrac><mi>φ</mi><mrow><mo>(</mo><mfrac><mrow><mn>2</mn><msub><mi>σ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi><mi>−</mi><msub><mi>μ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi></mrow><mrow><msub><mi>σ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi></mrow></mfrac><mo>)</mo></mrow><mo>+</mo><mfrac><mrow><mn>2</mn><msub><mi>σ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi><mi>−</mi><msub><mi>μ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi></mrow><mn>2</mn></mfrac><mi>φ</mi><mrow><mo>(</mo><mfrac><mrow><mi>−</mi><mn>2</mn><msub><mi>σ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi><mi>−</mi><msub><mi>μ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi></mrow><mrow><msub><mi>σ</mi><moveraccent="true"><mi>g</mi><mo>^</mo></mover></msub><mi>(</mi><mi>x</mi><mi>)</mi></mrow></mfrac><mo>)</mo></mrow></mrow><mo>]</mo></mrow></mtd></mtr></mtable><mo>|</mo></mrow></mstyle>；21、其中，为h函数值，为预测均值，为预测方差，为标准正态分布的累积分布函数cdf，为标准正态分布的概率密度函数；22、贡献最大的样本点的表达式为：23、；24、其中，为贡献最大的样本点，为候选样本点集中的样本点，为样本点的h函数值；25、s203：采用k折交叉学习函数uh迭代停止准则，若未达到则重复步骤s201-s202，若达到迭代停止准则，则输出当前贡献最大的样本点作为最优样本点；26、s204：将最优样本点加入当前训练样本集中得到样本集；27、更新后的样本集的表达式为：28、；29、其中，为更新后的样本集，为当前训练样本集，为贡献最大的样本点；30、s205：将最优样本点带入当前自适应kriging模型中得到最优状态值。31、优选地，步骤s203中所述采用k折交叉检验判断是否达到迭代停止准则包括以下步骤：32、s20301：将当前自适应kriging模型所使用的样本集分成k个子集，以其中第个子集作为验证集，剩下的k-1个子集作为训练集，其表达式为：33、；34、其中，为第个子集作为验证集时的训练集，为第个子集，为第个子集作为验证集时的验证集，为第个子集；35、s20302：使用训练集生成kriging代理模型；36、s20303：使用验证集评估模型的性能，计算总体交叉验证误差，其表达式为：37、；38、其中：为第个子集作为验证集时的验证误差，为子集个数，为总体交叉验证误差；39、s20304：判断是否达到迭代准则，迭代准则表达式为：40、；41、；42、其中，为采用所有训练集生成的kriging代理模型计算得到的失效概率，为第个子集作为验证集时所构建的kriging代理模型计算得到的失效概率，为阈值，为和之差的绝对值的最大值。43、优选地，步骤s3中变异系数计算表达式为：44、；45、其中，表示变异系数，为采用所有训练集生成的kriging代理模型计算得到的失效概率，表示样本点数量。46、优选地，步骤s4中包括以下步骤：47、s401：设两个最优状态值和，通过各自的边缘分布函数得到其标准化后的变量，其表达式为：48、；49、；50、其中，和分别为最优状态值，和分别表示最优状态值和通过各自的边缘分布函数得到其标准化后的变量，和分别为和的边缘分布函数；51、s402：使用tv-copula函数表示和在时刻的联合分布，其表达式为：52、；53、其中，为时间的copula函数，和分别为最优状态值和通过各自的边缘分布函数得到其标准化后的变量，和分别为最优状态值和的经验分布函数，为联合概率；54、的参数表示为：；55、其中，为时间的函数，随时间而变化；56、s403：得到tv-copula函数的最终表达式：57、；58、其中，为时变copula函数，和分别为最优状态值和的经验分布函数，为时间的函数，为copula函数；59、s404：通过aic准则来确定tv-copula函数作为tv-pair copula函数的类型，其中aic值最小的tv-copula函数作为tv-pair copula函数，其中aic计算的表达式为：60、；61、其中，表示aic值，为模型参数个数，为极大似然估计值；62、s405：通过计算kendall秩相关系数确定各组tv-pair copula函数之间的主次关系，其计算kendall秩相关系数的表达式为：63、；64、其中，为kendall秩相关系数，为copula函数，和分别为最优状态值和的经验分布函数；65、s406：构建tv-vine copula函数，其表达式为：66、；67、其中，为tv-vine copula函数，是标准化后的变量向量，是tv-copula函数的参数集合，为变量数，为变量和条件独立的变量合集，为边缘分布函数，为变量和的tv-copula函数，、均为变量序号。68、优选地，构建各变量之间的tv-vc-bn包括以下步骤：69、s501：设样本空间中的个基本事件为，其中第个事件的先验概率表示为，且满足、，得到全概率公式如下：70、；71、其中，为第个事件的先验概率，为事件发生的情况下事件发生的条件概率，为事件发生的概率，、均为事件序号；72、s502：构建贝叶斯公式：若事件彼此互斥，且这些事件构成一个完整事件，同时有事件与事件中的事件同时发生，则贝叶斯公式表示为：73、；74、其中，为第个事件的先验概率，为事件发生的情况下事件发生的条件概率，为事件发生的概率；为事件发生的情况下事件发生的条件概率；75、s503：将全概率公式代入贝叶斯公式中得到tv-vc-bn模型表达式：76、；77、其中，为第个事件的先验概率，为事件发生的情况下事件发生的条件概率，为事件发生的情况下事件发生的条件概率，为事件数。78、优选地，步骤s6包括以下步骤：79、s601：获得初始网络中系统初始状态的联合概率分布，其表达式为：80、；81、其中，为初始网络中系统初始状态的联合概率分布，为动态贝叶斯网络中第个节点在初始时刻的取值，为该节点的父节点，为网络中的节点个数，为概率；82、s602：获得转移网络中在时刻到时刻的状态转移概率，其表达式为：83、；84、其中，为转移网络中在时刻到时刻的状态转移概率，为动态贝叶斯网络中第个节点在时刻的取值，为该节点的父节点，为节点在时刻的取值，为节点在时刻的取值，为网络中的节点个数，为概率；85、s603：获得动态贝叶斯网络在时刻的联合概率分布，其表达式为：86、；87、其中，为动态贝叶斯网络在时刻的联合概率分布，为初始网络中系统初始状态的联合概率分布，为转移网络中在时刻到时刻的状态转移概率，为节点序号，为网络中的节点个数；88、s604：构建tv-vc-dbn模型，得到失效概率，tv-vc-dbn模型的表达式为：89、；90、其中，为从时间到所有失效概率的联合分布，为时间时刻所有变量的联合初始分布，为在时间时刻，变量在已知其父节点的状态和时变vine copula模型参数的条件下的条件概率分布，为在时间时刻，变量在已知其父节点的集合，为时变vine copula模型参数的集合；91、s605：计算可靠度，可靠度计算表达式为：92、；93、其中，为可靠度，为从时间到所有失效概率的联合分布。94、优选地，步骤s7中所述判断失效概率是否达到要求的表达式为：95、；96、其中，为本次循环的失效概率，为上次循环的失效概率，为阈值。97、本发明与现有技术相比，有益效果在于，采用主动学习函数uh选择最优样本点对自适应kriging代理模型进行优化，提高自适应kriging代理模型的精度；通过使用tv-copula函数最终建立tv-vc-dbn模型，将轨道车辆转向架可靠性的分析与时变相关性相结合，提高转向架可靠性分析的准确性；通过使用k折交叉检验判断uh函数的停止准则，提高主动学习函数uh选择最优样本点的准确性。当前第1页12当前第1页12
技术特征：1.基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，其特征在于，所述若干组优化变量包括构架裂纹数据、踏面损伤数据、轮缘磨损数据、轮直径偏差数据、车轴裂纹数据、一系弹簧损伤数据、垂向减振器松动数据、垂向减振器漏油数据、横向缓冲止档变形磨损数据、空气弹簧划伤数据、空气弹簧爆裂数据、横向减振器漏油数据、横向减振器橡胶变形数据、抗侧滚扭杆松脱数据、抗侧滚扭杆橡胶变形数据，抗侧滚扭杆裂纹数据、齿轮箱总成箱体损伤数据、齿轮损伤数据、齿轮箱轴承损伤数据、电机轴承损伤数据、电机内部线路损坏数据、踏面制动单元故障数据、带停放制动单元故障数据、闸瓦磨损数据，所述轨道车辆转向架实时状态，包括构架裂纹状态、踏面损伤状态、轮缘磨损状态、轮直径偏差状态、车轴裂纹状态、一系弹簧损伤状态、垂向减振器松动状态、垂向减振器漏油状态、横向缓冲止档变形磨损状态、空气弹簧划伤状态、空气弹簧爆裂状态、横向减振器漏油状态、横向减振器橡胶变形状态、抗侧滚扭杆松脱状态、抗侧滚扭杆橡胶变形状态，抗侧滚扭杆裂纹状态、齿轮箱总成箱体损伤状态、齿轮损伤状态、齿轮箱轴承损伤状态、电机轴承损伤状态、电机内部线路损坏状态、踏面制动单元故障状态、带停放制动单元故障状态、闸瓦磨损状态。
3.根据权利要求2所述的基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，其特征在于，所述构架裂纹数据包括材料疲劳极限值、循环载荷幅值、制造残余应力；踏面损伤数据包括踏面材料强度、踏面磨损系数、踏面载荷压力；轮缘磨损数据包括车轮材料硬度、轮缘磨损系数、轮轨接触压力；轮直径偏差数据包括轮直径制造公差、运行载荷、轮温度变化；车轴裂纹数据包括车轴材料强度、车轴操作载荷、车轴制造缺陷；一系弹簧损伤数据包括弹簧材料刚度、载荷幅值、一系弹簧使用时间；垂向减振器松动数据包括减振器连接强度、振动频率、载荷条件；垂向减振器漏油数据包括油封质量、油压、使用年限；横向缓冲止档变形磨损数据包括缓冲材料硬度、使用频率、横向缓冲止档载荷压力；空气弹簧划伤数据包括弹簧材料强度、载荷振幅、外部磨损；空气弹簧爆裂数据包括弹簧材料质量、内部压力、弹簧温度变化；横向减振器漏油数据包括减振器质量、油压、减振器温度变化；横向减振器橡胶变形数据包括橡胶硬度、横向减振器橡胶载荷条件、横向减振器橡胶使用时间；抗侧滚扭杆松脱数据包括扭杆连接强度、抗侧滚扭杆操作载荷、振动频率；抗侧滚扭杆橡胶变形数据包括橡胶强度、抗侧滚扭杆橡胶载荷条件、抗侧滚扭杆橡胶使用时间；抗侧滚扭杆裂纹数据包括材料疲劳极限、抗侧滚扭杆操作载荷、抗侧滚扭杆制造缺陷；齿轮箱总成箱体损伤数据包括箱体材料强度、齿轮传动载荷、齿轮箱总成箱体制造公差；齿轮损伤数据包括齿轮材料强度、齿轮载荷条件、齿轮制造公差；齿轮箱轴承损伤数据包括轴承材料强度、轴承载荷、齿轮箱轴承制造公差；电机轴承损伤数据包括电机轴承材料强度、电机载荷、电机运行时间；电机内部线路损坏数据包括电机内部电压、线路绝缘材料质量、电机运行时间；踏面制动单元故障数据包括制动单元材料强度、踏面制动单元操作载荷、制动频率；带停放制动单元故障数据包括制动单元质量、带停放制动单元制动压力、带停放制动单元使用时间；闸瓦磨损数据包括闸瓦材料强度、闸瓦制动压力、闸瓦使用时间。
4.根据权利要求1所述的基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，其特征在于，步骤s2具体包括以下步骤：
5.根据权利要求3所述的基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，其特征在于，步骤s203中所述采用k折交叉检验判断是否达到迭代停止准则包括以下步骤：
6.根据权利要求4所述的基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，其特征在于，步骤s3中变异系数计算表达式为：
7.根据权利要求4所述的基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，其特征在于，步骤s4中包括以下步骤：
8.根据权利要求6所述的基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，其特征在于，构建各变量之间的tv-vc-bn包括以下步骤：
9.根据权利要求7所述的基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，其特征在于，步骤s6包括以下步骤：
10.根据权利要求1所述的基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，其特征在于，步骤s7中所述判断失效概率是否达到要求的表达式为：
技术总结本发明涉及轨道车辆技术领域，具体为基于动态贝叶斯网络的轨道车辆转向架可靠性分析方法，包括抽取训练样本集和初始样本点，训练自适应Kriging模型，采用学习函数UH更新自适应Kriging模型、通过TV‑Copula函数拟合最优状态值之间时变相关性、通过AIC准则构建两两最优状态值集合之间最优TV‑pair Copula函数、构建TV‑Vine Copula函数，作为贝叶斯网络DAG，构建各变量之间TV‑VC‑BN、构建TV‑VC‑DBN，得到失效概率、计算可靠度。本发明采用主动学习函数UH选择最优样本点对自适应Kriging代理模型进行优化，提高自适应Kriging代理模型精度；通过使用TV‑Copula函数最终建立TV‑VC‑DBN模型，将可靠性的分析与时变相关性相结合，提高可靠性分析准确性；通过使用K折交叉检验判断UH函数停止准则，提高主动学习函数UH选择最优样本点准确性。
技术研发人员：智鹏鹏,赵彦春,王成,邢孟江
受保护的技术使用者：电子科技大学长三角研究院（湖州）
技术研发日：技术公布日：2024/11/11
