基于长短期lstm模型的齿轮箱油温预警方法
技术领域
1.本发明涉及齿轮箱油温预警领域，具体涉及一种基于长短期lstm模型的齿轮箱油温预警方法。
背景技术：2.随着我国风力发电机组的装机剧增，对风力发电机组的运营和维护提出了更高的挑战。齿轮箱是风力发电机组能量传递最关键的部件之一，其运行状态直接影响风力发电机组的稳定性和安全性，而齿轮箱油温是齿轮箱运行状态的直接反馈，因此，研究风力发电机组的齿轮箱油温预警诊断，提前进行油温故障预警，为设备维护人员制定合理的检修方案和工期安排，是降低风力发电机组的运维成本和保障风力发电机组的高效稳定运行的重要途径。
3.目前风力发电机组的齿轮箱油温监测和预警是研究热点，已进行了大量的研究工作，并采用了诸多机器学习的预警方法，目前最为常用的齿轮箱油温的监测与诊断主要有以下方法：
4.(1)基于阈值的油温监测和报警方法
5.采用温度传感器采集齿轮箱运行时的齿轮油的温度，通过设定警告阈值与故障阈值，自动判断齿轮油温度是否超限。当油温高于警告阈值时，风力发电机组进行降负荷处理，控制油温处于故障停机阈值之下；当油温超过故障阈值时，报油温故障停机。该方法简单易行，只需要风电机组的scada数据，就能对设备的故障进行判断，但是仅在实现了油温的报警，没有进行必要的预警，不能提前进行预防性维护。
6.(2)基于数据采集和神经网络模型的油温预警方法
7.通过额外增加采集设备，采集振动、油温、润滑油等数据。并基于采集的数据与油温的相关分析选取输入参数，然后利用神经网络(bp、cnn、rnn等)进行油温预测，通过残差分析，控制温度数据的偏离情况，从而得到油温的未来预测。该方法需要额外增加采集设备，且由于采集的数据包含了振动等信息，数据量较大，且对输入数据的精度要求高。
8.(3)基于故障异常特征识别的油温预警方法
9.基于故障异常特征识别的油温预警方法，如使用动态神经网络模型和基于lightgbm的油温预警方法。基于动态神经网络的方法对风力发电机组齿轮箱油温进行全维度温度域进行建模，然后根据残差分布特征实现油温的异常状态预警。该方法计算量较大，模型优化中存在梯度消失和爆炸问题。基于lightgbm的油温预警方法利用随机搜索和网格搜索的方式检索局部最优的参数组合，通过比较测试样本对应的实际曲线与预测曲线对比图、残差图来进行评价指标，将多模型进行的特征变量排序结合人工经验进行温度故障的原因诊断与定位。该方法利用人工经验进行一定程度故障定位，但涉及大量多种不同类型的设备时会严重依赖大量的人工标定，准确性堪忧。
技术实现要素：10.本发明的目的是提供一种基于长短期lstm模型的齿轮箱油温预警方法，减少了对高频和高质量采集数据以及异常故障人工经验标定的依赖，解决预警模型不易收敛的问题，极大地提升预警计算效率，以及预警的准确度。
11.本发明采取如下技术方案实现上述目的，基于长短期lstm模型的齿轮箱油温预警方法，应用于风力发电机组的齿轮箱油温预警，包括：
12.步骤1、获取风电场历史数据；
13.步骤2、对获取的风电场历史数据进行数据清洗；
14.步骤3、对清洗后的数据进行筛选；
15.步骤4、对筛选后的数据进行归一化处理；
16.步骤5、根据归一化后的数据构建lstm短期预测模型，并通过lstm短期预测模型对油温进行短期实时预警；
17.步骤6、根据归一化后的数据构建lstm长期预测模型，并通过lstm长期预测模型对油温进行长期实时预警；
18.步骤7、结合油温的短期实时预警与长期实时预警对油温进行综合预警。
19.进一步的是，步骤1中，获取风电场历史数据的具体方法包括：
20.获取风电场风力发电机时间范围为[t，t+δt]，δt为时间间隔，数据精度大于1h的历史scada数据。
[0021]
进一步的是，步骤2中，对获取的风电场历史数据进行数据清洗的具体方法包括：
[0022]
剔除风电机组启停和空值数据、发电机输出功率小于零的数据、风速小于切入风速和大于切出风速的数据以及发电机转速小于零的数据。
[0023]
进一步的是，步骤3中，对清洗后的数据进行筛选的具体方法包括：
[0024]
筛选数据清洗后的机组运行数据，使用4个指标数据，有功功率、机舱内温度、齿轮箱油温、发电机平均转速数据。
[0025]
进一步的是，步骤4中，对筛选后的数据进行归一化处理的具体方法包括：
[0026]
对筛选后的数据进行归一化处理，归一化的方法采用z-score标准化：x*＝(x-μ)/σ，其中，x为原始数据，μ为原始数据的均值，σ为原始数据的标准差。
[0027]
进一步的是，步骤5中，根据归一化后的数据构建lstm短期预测模型，并通过lstm短期预测模型对油温进行短期实时预警的具体方法包括：
[0028]
步骤501、以有功功率、机舱内温度、齿轮箱油温、发电机平均转速4个指标数据作为输入数据，给定样本长度为t小时，得到lstm短期预测模型的数据输入形状为(4，t)，并设置模型其他参数，利用归一化处理后的机组运行数据对模型进行训练，以损失函数进行模型参数调整，最后训练形成lstm的齿轮箱油温短期预测模型；
[0029]
步骤502、获取最近t小时风机scada中4个指标的数据，并对模拟的数据进行z-score标准化处理，将数据输入lstm的齿轮箱油温短期预测模型，从而得到t/10小时的齿轮箱油温短期变化预测数据，数据输出形状为(1，t/10)；
[0030]
步骤503、将齿轮箱油温短期变化预测数据进行反归一化处理，x
*
＝x*σ+μ，其中，x为原始数据，μ为原始数据的均值，σ为原始数据的标准差；
[0031]
步骤504、将反归一化处理后的齿轮箱油温变化预测数据与设置的第一阈值进行
对比，根据对比结果找出齿轮箱油温超出预设温度的时间点；
[0032]
步骤505、将风力发电机组运行过程中累积的数据输入lstm的齿轮箱油温短期预测模型中，对lstm的齿轮箱油温短期预测模型进行迭代优化，并根据迭代优化后的lstm的齿轮箱油温短期预测模型对油温进行短期实时预警。
[0033]
进一步的是，步骤6中，根据归一化后的数据构建lstm长期预测模型，并通过lstm长期预测模型对油温进行长期实时预警的具体方法包括：
[0034]
步骤601、以有功功率、机舱内温度、发电机平均转速3个指标数据作为输入数据，给定一个样本长度为t，得到lstm长期预测模型的数据输入形状为(3，t)，并设置模型其他参数，利用归一化处理后的机组运行数据对模型进行训练，以损失函数进行模型参数调整，最后训练形成lstm的齿轮箱油温长期预测模型；
[0035]
步骤602、创建模拟的风机满负荷状态运行工况数据，并对模拟的数据进行z-score标准化处理，将数据输入lstm的齿轮箱油温长期预测模型，长期预测满负荷工况运行下t时间的齿轮箱油温变化，数据输出形状为(1，t)；
[0036]
步骤603、将长期预测的齿轮箱油温数据进行反归一化处理，x
*
＝x*σ+μ，其中，x为原始数据，μ为原始数据的均值，σ为原始数据的标准差；
[0037]
步骤604、将反归一化处理后的长期预测的齿轮箱油温数据与设置的第二阈值进行对比，根据对比结果找出齿轮箱油温超出预设温度的时间点；
[0038]
步骤605、将风力发电机组运行过程中累积的数据输入lstm的齿轮箱油温长期预测模型中，对lstm的齿轮箱油温长期预测模型进行迭代优化，并根据迭代优化后的lstm的齿轮箱油温长期预测模型对油温进行长期实时预警。
[0039]
进一步的是，所述损失函数采用平均绝对误差其中m为测试数据样本量，y为样本真实值，f(x)为模型预测值。
[0040]
进一步的是，所述其他参数包括激活函数以及优化器，激活函数为relu函数：f(x)＝max(0,x)，x为单个神经元的输出值。
[0041]
10.根据权利要求9所述的基于长短期lstm模型的齿轮箱油温预警方法，其特征在于，优化器为rmsprop，其累积平方梯度公式为：γ
←
ργ+(1-γ)g
⊙
g，数据计算更新为：其中γ为初始化梯度累计变量，ε为全局学习速率，δ为小常数，θ为初始参数。
[0042]
本发明利用风力发电机组已有的监控数据，在不添加外部采集设备的情况，结合lstm短期预测模型与lstm长期预测模型进行预警，减少了对高频和高质量采集数据以及异常故障人工经验标定的依赖，解决预警模型不易收敛的问题，提升了预警计算效率，并获得较高精度的齿轮箱油温预警的准确率。
附图说明
[0043]
图1是本发明实施例提供的基于长短期lstm模型的齿轮箱油温预警的方法流程图；
[0044]
图2是本发明实施例提供的lstm短期预测模型训练过程的迭代曲线图；
[0045]
图3是本发明实施例提供的lstm短期预测模型预测情况示意图；
[0046]
图4是本发明实施例提供的lstm长期预测模型训练过程的迭代曲线图；
[0047]
图5是本发明实施例提供的lstm长期预测模型预测情况示意图；
[0048]
图6是本发明实施例提供的满负荷状态下齿轮箱油温预测情况示意图。
具体实施方式
[0049]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
本发明基于风力发电机组的运行数据，采用lstm齿轮箱油温预测模型实现齿轮箱油温监测和预警诊断。以风力发电机组一段时间的历史运行有功功率、转速、齿轮箱温度和环境温度数据进行齿轮箱油温的短期和长期模型训练，应用最近期的风力发电机组运行数据进行短期齿轮箱油温预测模型计算，并得出短期油温变化曲线；应用长期满负荷情况下风力发电机组运行数据进行长期齿轮箱油温预测模型计算，并得出长期油温变化曲线。然后根据设定的预警阈值进行报警，从而实现短期和长期的齿轮箱油温预警。
[0051]
具体方案如下：
[0052]
本发明基于长短期lstm模型的齿轮箱油温预警方法，如图1所示，包括：
[0053]
步骤1、获取风电场历史数据；
[0054]
步骤2、对获取的风电场历史数据进行数据清洗；
[0055]
步骤3、对清洗后的数据进行筛选；
[0056]
步骤4、对筛选后的数据进行归一化处理；
[0057]
步骤5、根据归一化后的数据构建lstm(long short-term memory)短期预测模型，并通过lstm短期预测模型对油温进行短期实时预警；
[0058]
步骤6、根据归一化后的数据构建lstm长期预测模型，并通过lstm长期预测模型对油温进行长期实时预警；
[0059]
步骤7、结合油温的短期实时预警与长期实时预警对油温进行综合预警。
[0060]
步骤1中，获取风电场历史数据的具体方法包括：
[0061]
获取风电场风力发电机时间范围为[t，t+δt]，数据精度大于1h(即数据采样间隔小于1h)的历史scada(supervisory controlanddataacquisition)数据。
[0062]
步骤2中，对获取的风电场历史数据进行数据清洗的具体方法包括：
[0063]
剔除风电机组启停和空值数据、发电机输出功率小于零的数据、风速小于切入风速和大于切出风速的数据以及发电机转速小于零的数据。
[0064]
步骤3中，对清洗后的数据进行筛选的具体方法包括：
[0065]
筛选数据清洗后的机组运行数据，使用4个指标数据，有功功率、机舱内温度、齿轮箱油温、发电机平均转速数据。
[0066]
步骤4中，对筛选后的数据进行归一化处理的具体方法包括：
[0067]
对筛选后的数据进行归一化处理，归一化的方法采用z-score标准化：x*＝(x-μ)/σ，其中，x为原始数据，μ为原始数据的均值，σ为原始数据的标准差。
[0068]
步骤5中，根据归一化后的数据构建lstm短期预测模型，并通过lstm短期预测模型对油温进行短期实时预警的具体方法包括：
[0069]
第一步，短期模型构建。设置输入数据为2018年9月至2019年9月的有功功率(kw)、机舱内温度(℃)、齿轮箱油温(℃)、发电机平均转速(rpm)4个指标，给定样本长度为120小时，得到lstm短期预测模型的数据输入形状为(4，120)，并设置模型其他参数，利用数据归一化处理筛选后的机组运行数据对模型进行训练，模型训练过程如图2所示，以损失函数进行模型参数调整，最后训练形成lstm的齿轮箱油温短期预测模型，获取最近120小时风机scada数据中上述4个指标的数据，并对模拟的数据进行z-score标准化处理，将数据输入lstm的齿轮箱油温短期预测模型，从而得到12小时的齿轮箱油温变化预测数据，数据输出形状为(1，12)。
[0070]
其中其他参数设置如下：
[0071]
参数类型参数设置优化器rmsprop优化器激活函数relu函数损失函数平均绝对误差(mae)学习速率为0.0001神经网络层数、个数2层，每层120个神经元迭代次数500次
[0072]
第二步，反归一化处理。
[0073]
将齿轮箱油温短期变化预测数据进行反归一化处理，x
*
＝x*σ+μ，其中，x为原始数据，μ为原始数据的均值，σ为原始数据的标准差。短期预测情况如图3所示。
[0074]
第三步，阈值对比
[0075]
将反归一化处理后的齿轮箱油温变化预测数据与设置的第一阈值进行对比，根据对比结果找出齿轮箱油温超出预设温度的时间点，结合该时间点给出风险提示；例如设置阈值为70度，说明风机齿轮箱油温在未来12小时内没有超温风险。
[0076]
第四步，短期实时预警
[0077]
将风力发电机组运行过程中累积的数据输入lstm的齿轮箱油温短期预测模型中，对lstm的齿轮箱油温短期预测模型进行迭代优化，并根据迭代优化后的lstm的齿轮箱油温短期预测模型对油温进行短期实时预警。
[0078]
步骤6中，根据归一化后的数据构建lstm长期预测模型，并通过lstm长期预测模型对油温进行长期实时预警的具体方法包括：
[0079]
第一步，长期模型构建。设置输入数据为2018年9月至2019年9月的有功功率(kw)、机舱内温度(℃)、发电机平均转速(rpm)3个指标，给定样本长度为120小时，得到lstm长期预测模型的数据输入形状为(3，120)，并设置模型其他参数，利用数据归一化处理筛选后的机组运行数据对模型进行训练，模型训练如图4所示，以损失函数进行模型参数调整，最后训练形成lstm的齿轮箱油温长期预测模型，创建模拟的风机满负荷状态运行工况数据，模型的输入量设置为连续120小时风机运行功率为1560kw，机舱内温度为40℃，风机转速为1800rpm，并对模拟的数据进行z-score标准化处理，将数据输入lstm的齿轮箱油温长期预测模型，预测满负荷工况下120小时的齿轮箱油温变化，数据输出形状为(1，120)。
[0080]
其他参数设置如下。
[0081]
参数类型参数设置优化器rmsprop优化器激活函数relu函数损失函数平均绝对误差(mae)学习速率为0.0001神经网络层数、个数2层，每层120个神经元迭代次数1000次
[0082]
第二步，反归一化处理。
[0083]
将长期预测的齿轮箱油温数据进行反归一化处理，x
*
＝x*σ+μ，其中，x为原始数据，μ为原始数据的均值，σ为原始数据的标准差。长期预测情况如图5所示。
[0084]
第三步，阈值对比。
[0085]
将反归一化处理后的长期预测的齿轮箱油温数据与设置的第二阈值进行对比，根据对比结果找出齿轮箱油温超出预设温度的时间点；例如设置70℃为齿轮箱油温阈值，远期预测结果如图6所示，设置70℃为齿轮箱油温阈值，预测结果表示在未来第40小时齿轮箱油温发生超温的现象。
[0086]
第四步，长期实时预警。
[0087]
将风力发电机组运行过程中累积的数据输入lstm的齿轮箱油温长期预测模型中，对lstm的齿轮箱油温长期预测模型进行迭代优化，并根据迭代优化后的lstm的齿轮箱油温长期预测模型对油温进行长期实时预警。
[0088]
其中，损失函数采用平均绝对误差其中m为测试数据样本量，y为样本真实值，f(x)为模型预测值。
[0089]
激活函数为relu函数：f(x)＝max(0,x)，x为单个神经元的输出值。
[0090]
化器为rmsprop，其累积平方梯度公式为：γ
←
ργ+(1-γ)g
⊙
g，数据计算更新为：其中γ为初始化梯度累计变量，ε为全局学习速率，δ为小常数，θ为初始参数。
[0091]
本发明基于长短期lstm模型的齿轮箱油温预测方法首次在齿轮箱油温预测中采用lstm神经网络的方法，可以将多维时间序列数据输入模型进行预测，准确率较高；
[0092]
基于长短期lstm模型搭建参数设置更为合理，激活函数使用relu函数，优化器为rmsprop优化算法，损失函数为平均绝对误差(mae)，输入层分别为形状(3，t)、(4，t)的二维数组，选择lstm神经网络层数为2层，每层神经元个数为t个，学习速率为0.0001，训练次数分别为1000、500次；能极大提高模型准确度；
[0093]
基于长短期lstm模型的齿轮箱油温报警诊断方法采用了短期、长期预测模型联合的方法，既能保证短期风险预报的准确性，又能保证远期风险预报的提前可见性；
[0094]
相对于现有技术的齿轮箱油温预测需要增加额外的硬件进行高精度和高质量的数据采集，并对数据进行高质量的清洗，投入高，成本大。本发明只需要历史scada数据就能建立模型，且模型可以根据实时监测数据迭代更新，预警准确率高，预测时间更长。
技术特征：1.基于长短期lstm模型的齿轮箱油温预警方法，应用于风力发电机组的齿轮箱油温预警，其特征在于，包括：步骤1、获取风电场历史数据；步骤2、对获取的风电场历史数据进行数据清洗；步骤3、对清洗后的数据进行筛选；步骤4、对筛选后的数据进行归一化处理；步骤5、根据归一化后的数据构建lstm短期预测模型，并通过lstm短期预测模型对油温进行短期实时预警；步骤6、根据归一化后的数据构建lstm长期预测模型，并通过lstm长期预测模型对油温进行长期实时预警；步骤7、结合油温的短期实时预警与长期实时预警对油温进行综合预警。2.根据权利要求1所述的基于长短期lstm模型的齿轮箱油温预警方法，其特征在于，步骤1中，获取风电场历史数据的具体方法包括：获取风电场风力发电机时间范围为[t，t+δt]，δt为时间间隔，数据精度大于1h的历史scada数据。3.根据权利要求1所述的基于长短期lstm模型的齿轮箱油温预警方法，其特征在于，步骤2中，对获取的风电场历史数据进行数据清洗的具体方法包括：剔除风电机组启停和空值数据、发电机输出功率小于零的数据、风速小于切入风速和大于切出风速的数据以及发电机转速小于零的数据。4.根据权利要求1所述的基于长短期lstm模型的齿轮箱油温预警方法，其特征在于，步骤3中，对清洗后的数据进行筛选的具体方法包括：筛选数据清洗后的机组运行数据，使用4个指标数据，有功功率、机舱内温度、齿轮箱油温、发电机平均转速数据。5.根据权利要求1所述的基于长短期lstm模型的齿轮箱油温预警方法，其特征在于，步骤4中，对筛选后的数据进行归一化处理的具体方法包括：对筛选后的数据进行归一化处理，归一化的方法采用z-score标准化：x*＝(x-μ)/σ，其中，x为原始数据，μ为原始数据的均值，σ为原始数据的标准差。6.根据权利要求5所述的基于长短期lstm模型的齿轮箱油温预警方法，其特征在于，步骤5中，根据归一化后的数据构建lstm短期预测模型，并通过lstm短期预测模型对油温进行短期实时预警的具体方法包括：步骤501、以有功功率、机舱内温度、齿轮箱油温、发电机平均转速4个指标数据作为输入数据，给定样本长度为t小时，得到lstm短期预测模型的数据输入形状为(4，t)，并设置模型其他参数，利用归一化处理后的机组运行数据对模型进行训练，以损失函数进行模型参数调整，最后训练形成lstm的齿轮箱油温短期预测模型；步骤502、获取最近t小时风机scada中4个指标的数据，并对模拟的数据进行z-score标准化处理，将数据输入lstm的齿轮箱油温短期预测模型，从而得到t/10小时的齿轮箱油温短期变化预测数据，数据输出形状为(1，t/10)；步骤503、将齿轮箱油温短期变化预测数据进行反归一化处理，x
*
＝x*σ+μ，其中，x为原始数据，μ为原始数据的均值，σ为原始数据的标准差；
步骤504、将反归一化处理后的齿轮箱油温变化预测数据与设置的第一阈值进行对比，根据对比结果找出齿轮箱油温超出预设温度的时间点；步骤505、将风力发电机组运行过程中累积的数据输入lstm的齿轮箱油温短期预测模型中，对lstm的齿轮箱油温短期预测模型进行迭代优化，并根据迭代优化后的lstm的齿轮箱油温短期预测模型对油温进行短期实时预警。7.根据权利要求5所述的基于长短期lstm模型的齿轮箱油温预警方法，其特征在于，步骤6中，根据归一化后的数据构建lstm长期预测模型，并通过lstm长期预测模型对油温进行长期实时预警的具体方法包括：步骤601、以有功功率、机舱内温度、发电机平均转速3个指标数据作为输入数据，给定一个样本长度为t，得到lstm长期预测模型的数据输入形状为(3，t)，并设置模型其他参数，利用归一化处理后的机组运行数据对模型进行训练，以损失函数进行模型参数调整，最后训练形成lstm的齿轮箱油温长期预测模型；步骤602、创建模拟的风机满负荷状态运行工况数据，并对模拟的数据进行z-score标准化处理，将数据输入lstm的齿轮箱油温长期预测模型，长期预测满负荷工况运行下t时间的齿轮箱油温变化，数据输出形状为(1，t)；步骤603、将长期预测的齿轮箱油温数据进行反归一化处理，x
*
＝x*σ+μ，其中，x为原始数据，μ为原始数据的均值，σ为原始数据的标准差；步骤604、将反归一化处理后的长期预测的齿轮箱油温数据与设置的第二阈值进行对比，根据对比结果找出齿轮箱油温超出预设温度的时间点；步骤605、将风力发电机组运行过程中累积的数据输入lstm的齿轮箱油温长期预测模型中，对lstm的齿轮箱油温长期预测模型进行迭代优化，并根据迭代优化后的lstm的齿轮箱油温长期预测模型对油温进行长期实时预警。8.根据权利要求6或7所述的基于长短期lstm模型的齿轮箱油温预警方法，其特征在于，所述损失函数采用平均绝对误差其中m为测试数据样本量，y为样本真实值，f(x)为模型预测值。9.根据权利要求6或7所述的基于长短期lstm模型的齿轮箱油温预警方法，其特征在于，所述其他参数包括激活函数以及优化器，激活函数为relu函数：f(x)＝max(0,x)，x为单个神经元的输出值。10.根据权利要求9所述的基于长短期lstm模型的齿轮箱油温预警方法，其特征在于，优化器为rmsprop，其累积平方梯度公式为：γ
←
ργ+(1-γ)g
⊙
g，数据计算更新为：其中γ为初始化梯度累计变量，ε为全局学习速率，δ为小常数，θ为初始参数。
技术总结本发明涉及齿轮箱油温预警领域，具体涉及一种基于长短期LSTM模型的齿轮箱油温预警方法，极大地提升预警计算效率，以及预警的准确度。本发明基于长短期LSTM模型的齿轮箱油温预警方法，包括：获取风电场历史数据，对获取的风电场历史数据进行数据清洗，对清洗后的数据进行筛选，对筛选后的数据进行归一化处理，根据归一化后的数据构建LSTM短期预测模型，并通过LSTM短期预测模型对油温进行短期实时预警，根据归一化后的数据构建LSTM长期预测模型，并通过LSTM长期预测模型对油温进行长期实时预警，结合油温的短期实时预警与长期实时预警对油温进行综合预警。本发明应用于风力发电机组的齿轮箱油温预警。齿轮箱油温预警。齿轮箱油温预警。
技术研发人员：张亮 赖刚 姜阳 彭莉 张志伟 熊涛 邱向东 廖礼 仇欣 李培宇 衷诚 周少平 钟桂良 李美儒 吴迪
受保护的技术使用者：中国电建集团成都勘测设计研究院有限公司
技术研发日：2022.07.25
技术公布日：2022/11/1
