基于時(shí)間序列深度學(xué)習(xí)的超窄間隙焊接質(zhì)量預(yù)測(cè)方法

張愛華 魏浩 馬晶 白忠領(lǐng)

摘要：焊接過程中，電信號(hào)與焊接質(zhì)量密切相關(guān)。超窄間隙焊接是一種高效低熱輸入的新焊接方法，但其電弧控制與熔滴過渡過程復(fù)雜，傳統(tǒng)的信號(hào)特征提取與分析方法往往不能完整表達(dá)和充分利用時(shí)間序列信息。結(jié)合超窄間隙焊接過程特點(diǎn)，運(yùn)用完整電信號(hào)時(shí)間序列構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，在深入挖掘同屬性信號(hào)時(shí)序信息的同時(shí)，充分考慮同步采集的焊接電流和電弧電壓信號(hào)之間的時(shí)間關(guān)聯(lián)信息，對(duì)焊接質(zhì)量進(jìn)行預(yù)測(cè)。試驗(yàn)結(jié)果表明，基于完整時(shí)序信號(hào)的深度網(wǎng)絡(luò)模型能夠準(zhǔn)確地預(yù)測(cè)焊接質(zhì)量，準(zhǔn)確率達(dá)到95%，在使用RTX2080GPU作為運(yùn)算加速器的情況下，模型預(yù)測(cè)所需時(shí)間僅為0.178 ms，為實(shí)時(shí)預(yù)測(cè)超窄間隙焊接質(zhì)量奠定了基礎(chǔ)。

關(guān)鍵詞：超窄間隙;時(shí)序數(shù)據(jù);卷積網(wǎng)絡(luò);質(zhì)量預(yù)測(cè)

中圖分類號(hào)：TG47 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-2303（2020）08-0043-05

DOI：10.7512/j.issn.1001-2303.2020.08.09

0 前言

焊接技術(shù)在橋梁建設(shè)、船舶制造、鋼軌維修等工業(yè)領(lǐng)域發(fā)揮著巨大作用[1-2]。高效低熱輸入焊接方法是當(dāng)前的研究熱點(diǎn)?？捎煤竸┢s束電弧的超窄間隙焊接方法，針對(duì)4～5 mm的I型坡口，來進(jìn)行單道多層焊接。由于坡口窄，其所需的焊絲填充量和能耗遠(yuǎn)小于常規(guī)焊接方法，且焊接接頭力學(xué)性能良好，殘余應(yīng)力和殘余變形較小，滿足節(jié)能、高效及高質(zhì)量的焊接要求[3]。

超窄間隙焊接的焊縫窄且深，無法觀察到熔池，且坡口寬度在焊接過程中會(huì)受到熱量影響發(fā)生變化，而電弧形態(tài)對(duì)坡口寬度的變化非常敏感，這進(jìn)一步加大了焊接質(zhì)量的預(yù)測(cè)難度，給其現(xiàn)場(chǎng)應(yīng)用帶來了一些限制。目前，基于過程數(shù)據(jù)的焊接質(zhì)量預(yù)測(cè)方法都是根據(jù)過程機(jī)理進(jìn)行特征提取，計(jì)算出如電弧電壓及電流均值、峰值或者波形變化時(shí)刻等特征，無法利用完整焊接過程中的時(shí)間序列信息，且時(shí)效性較差，無法對(duì)焊接質(zhì)量進(jìn)行快速評(píng)估。

尋找包含完整熔滴過渡信息的時(shí)序信號(hào)與焊接質(zhì)量之間的映射關(guān)系的問題，可稱之為時(shí)間序列特征引導(dǎo)的預(yù)測(cè)問題[4]。傳統(tǒng)機(jī)器學(xué)習(xí)方法由于其結(jié)構(gòu)性無法很好地提取出時(shí)序信號(hào)中的信息并將多種同步采集的信號(hào)進(jìn)行時(shí)序?qū)?yīng)，對(duì)時(shí)間序列數(shù)據(jù)的信息挖掘，存在很大的局限性。深度神經(jīng)網(wǎng)絡(luò)中的卷積神經(jīng)網(wǎng)絡(luò)可以挖掘數(shù)據(jù)中時(shí)間同步的不同種特征之間的潛在關(guān)系，同時(shí)能在模型構(gòu)建完成后，快速得到模型輸出結(jié)果，已經(jīng)在圖像識(shí)別、語(yǔ)音識(shí)別及無人機(jī)領(lǐng)域取得了突破性的進(jìn)展[5-7]。文中采用深度卷積網(wǎng)絡(luò)，結(jié)合焊接過程中同步采集的電弧電壓及焊接電流數(shù)據(jù)，構(gòu)建焊接質(zhì)量預(yù)測(cè)模型，對(duì)超窄間隙焊接接頭質(zhì)量進(jìn)行預(yù)測(cè)。

1 焊接試驗(yàn)及數(shù)據(jù)采集

焊接試驗(yàn)裝置由四自由度的機(jī)械臂行走機(jī)構(gòu)、伺服電機(jī)控制器（SMC6490）、伺服驅(qū)動(dòng)器、弧焊電源（NB-500T）、送絲機(jī)、專用焊槍及上位機(jī)構(gòu)成。

上位機(jī)中安裝有調(diào)試軟件MOTION6490，使用G代碼編寫控制程序，通過RJ45網(wǎng)口傳送給伺服電機(jī)控制器SMC6490。伺服電機(jī)驅(qū)動(dòng)機(jī)械臂行走機(jī)構(gòu)可帶動(dòng)專用焊槍實(shí)現(xiàn)前后、左右、上下、旋轉(zhuǎn)4個(gè)自由度方向的運(yùn)動(dòng)。在焊接過程中，弧焊電源負(fù)責(zé)供給電弧能量，依據(jù)坡口寬度按照設(shè)定的電參數(shù)、送絲速度、焊接速度等工藝參數(shù)進(jìn)行焊接，獲得單道多層焊接接頭。

信號(hào)檢測(cè)與數(shù)據(jù)采集系統(tǒng)由數(shù)據(jù)采集卡（NI-6251）、霍爾電流傳感器（LHB-600A）、電壓變送器（KDV-100V）以及LabVIEW編程軟件構(gòu)成，其中電壓變送器兩端分別與焊槍和焊接工件連接，電纜穿過霍爾電流傳感器后一端與焊接工件相連，另一端接弧焊電源負(fù)極。采樣頻率設(shè)置為1 000 Hz，同步采集焊接過程中的電弧電壓與焊接電流信號(hào)。

將兩塊截面積為30 mm×30 mm×200 mm的Q235鋼材通過點(diǎn)焊固定在3 mm厚鋼板上，制成如圖1所示的焊件，使用焊劑片約束電弧的超窄間隙焊接方法進(jìn)行焊接試驗(yàn)。試驗(yàn)工藝參數(shù)見表1，將坡口寬度作為變量，從3.8 mm開始遞增，并在同一坡口寬度下改變預(yù)置電壓、電流來進(jìn)行焊接。

試驗(yàn)所采用的焊接速度為9～10 mm/s，在間隔1 s焊接段處，即10 mm的位置，將焊件沿焊縫橫截面剖開后采用4%硝酸酒精溶液腐蝕，獲取每個(gè)焊接接頭的剖面形貌。焊劑片約束電弧的超窄間隙焊接工藝采用單道多層焊接，其單道剖面形貌如圖2所示，其中Gw為坡口寬度，Bw為焊縫的最大熔寬，B1為底部側(cè)壁熔寬，If為焊縫熔深。

焊縫成型系數(shù)φ直接反映焊接質(zhì)量，定義為

φ=（1）

如果φ過小，則焊縫橫截面較窄，焊縫中的氣體不易溢出，導(dǎo)致焊接接頭容易出現(xiàn)氣孔，同時(shí)結(jié)晶條件也會(huì)惡化，從而在應(yīng)力集中作用下產(chǎn)生熱裂紋。而底部側(cè)壁熔寬B1也是反映接頭質(zhì)量的重要參數(shù)，只有在B1>Gw時(shí)，電弧才能充分加熱側(cè)壁及坡口根部，保證側(cè)壁根部有一定的熔深，使焊接接頭獲得良好性能。綜合上述分析，將成型系數(shù)φ和底部側(cè)壁熔寬B1在合理范圍內(nèi)的無明顯缺陷的樣本標(biāo)注為合格，其他樣本標(biāo)注為不合格。將采集的電弧電壓和焊接電流信號(hào)進(jìn)行中值濾波后與樣本標(biāo)注進(jìn)行對(duì)應(yīng)，篩選出擁有質(zhì)量標(biāo)注的1 000組數(shù)據(jù)，樣本數(shù)據(jù)組成如表2所示，每組數(shù)據(jù)包含焊接電流與電弧電壓信號(hào)各1 000列。將數(shù)據(jù)展平為一維向量后保存為tfrecord格式，從而減少數(shù)據(jù)讀取時(shí)候的內(nèi)存占用，加快模型訓(xùn)練速度。

2 深度卷積網(wǎng)絡(luò)焊接質(zhì)量預(yù)測(cè)模型

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）屬于深度神經(jīng)網(wǎng)絡(luò)。對(duì)比傳統(tǒng)網(wǎng)絡(luò)，CNN降低了網(wǎng)絡(luò)的復(fù)雜程度，減少了權(quán)值數(shù)量，使得訓(xùn)練過程更加高效，也提升了模型精度。卷積網(wǎng)絡(luò)中的一維卷積核可以很好地應(yīng)用于同種數(shù)據(jù)時(shí)間序列的分析，而二維卷積核可以提取出每個(gè)數(shù)據(jù)與其相鄰數(shù)據(jù)之間的關(guān)系，在將焊接電流與電弧電壓進(jìn)行排列結(jié)合后進(jìn)行卷積操作，可兼顧兩種卷積核的特性，從而更好地挖掘出同步采集的焊接過程時(shí)間序列數(shù)據(jù)中隱藏的信息。

2.1 數(shù)據(jù)預(yù)處理與數(shù)據(jù)劃分

由于原始的焊接電流與電弧電壓信號(hào)具有不同的量綱和單位，當(dāng)各指標(biāo)間的水平相差很大時(shí)，就會(huì)突出數(shù)值較高的指標(biāo)在綜合分析中的作用，削弱數(shù)值較低指標(biāo)的作用，出現(xiàn)結(jié)果不可靠與訓(xùn)練模型收斂過慢的問題，因此需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。為了維持?jǐn)?shù)據(jù)中電流電壓各自分布不變，將兩種信號(hào)分別進(jìn)行Z-score標(biāo)準(zhǔn)化：

x*=（2）

式中 x為原始數(shù)據(jù);σ為原始數(shù)據(jù)的標(biāo)準(zhǔn)差;x為原始數(shù)據(jù)均值。

以樣本的質(zhì)量標(biāo)注作為預(yù)測(cè)目標(biāo)，選取數(shù)據(jù)中存在質(zhì)量問題與無質(zhì)量問題的數(shù)據(jù)各50組，其中包含不同坡口寬度的數(shù)據(jù)組數(shù)維持與總體數(shù)據(jù)相同的分布比例，作為模型性能測(cè)試數(shù)據(jù)，其余作為訓(xùn)練數(shù)據(jù)，進(jìn)行模型參數(shù)優(yōu)化。

2.2 網(wǎng)絡(luò)模型結(jié)構(gòu)

輸入層的設(shè)計(jì)對(duì)網(wǎng)絡(luò)的信息提取性能有著重大影響，將讀取的數(shù)據(jù)還原為2×1 000后，借用圖像數(shù)據(jù)的處理思想，使用2×2的卷積核對(duì)其進(jìn)行卷積操作，以此結(jié)合一、二維的卷積特性，使其既可以挖掘到單行之間同屬性信號(hào)的時(shí)序性信息，又可以考慮到同一時(shí)間周期內(nèi)電弧電壓與焊接電流之間的關(guān)聯(lián)信息，從而構(gòu)成網(wǎng)絡(luò)的輸入層結(jié)構(gòu)。

模型隱藏層的層數(shù)需要根據(jù)訓(xùn)練數(shù)據(jù)量、特征個(gè)數(shù)等綜合因素來確定。在固定激活函數(shù)、學(xué)習(xí)率、梯度更新算法后，對(duì)相同迭代次數(shù)下不同隱藏層數(shù)的準(zhǔn)確率進(jìn)行對(duì)比，發(fā)現(xiàn)11層隱藏層的模型性能最佳。其中，前10層為卷積層，在經(jīng)過第10層運(yùn)算后，將特征矩陣?yán)綖橐痪S向量，送入第11層的全連接層完成特征聚合，最后傳入輸出層，得到分類結(jié)果，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

在卷積網(wǎng)絡(luò)模型構(gòu)建中，除了隱藏層層數(shù)外，每層的卷積核尺寸與深度也對(duì)網(wǎng)絡(luò)性能有著巨大影響。在卷積核尺寸設(shè)計(jì)上，考慮到網(wǎng)絡(luò)輸入電流與電壓時(shí)序信號(hào)的對(duì)應(yīng)，網(wǎng)絡(luò)所有卷積層的卷積核尺寸均設(shè)定為2×2，運(yùn)算步長(zhǎng)均為1。在卷積核深度設(shè)定上，參照VGG網(wǎng)絡(luò)模型[8]卷積核深度分階段逐級(jí)遞減的思路，在固定隱藏層網(wǎng)絡(luò)層數(shù)、激活函數(shù)、學(xué)習(xí)率、梯度更新算法后，對(duì)相同迭代次數(shù)下不同卷積核深度的模型準(zhǔn)確率進(jìn)行對(duì)比，以此確定每層的卷積核深度。

最終得到的模型如圖4所示，其中C1與C2深度為1 000，C3與C4深度為500，C5與C6深度為200，C7與C8深度為100，C9與C10深度為10，由于在卷積運(yùn)算過程中全部采取SAME PADDING補(bǔ)零操作，所以每層卷積運(yùn)算后，輸出的長(zhǎng)與寬均不變，只有深度增加。全連接層則起到特征聚合的作用，但全連接層節(jié)點(diǎn)過多會(huì)極大增加模型需要訓(xùn)練的參數(shù)，所以設(shè)定全連接層F1節(jié)點(diǎn)個(gè)數(shù)為100。在輸出層，因模型研究的是有無缺陷的二分類問題，故設(shè)置節(jié)點(diǎn)個(gè)數(shù)為2。

2.3 激活函數(shù)與訓(xùn)練參數(shù)優(yōu)化

網(wǎng)絡(luò)激活函數(shù)的功能是將非線性變換引入網(wǎng)絡(luò)，它的選擇對(duì)網(wǎng)絡(luò)的最終性能影響明顯。目前常用的卷積網(wǎng)絡(luò)激活函數(shù)為ReLU，其計(jì)算公式為

f1（x）=0， ?x≤0

x， ?x>0（3）

式中 x表示輸入。雖然ReLU的強(qiáng)制稀疏處理可以起到特征篩選的作用，但可能會(huì)由于特征屏蔽太多，導(dǎo)致模型無法學(xué)習(xí)到有效特征，并且ReLU在x<0時(shí)，負(fù)輸入的梯度在經(jīng)過ReLU后被置零，使得該神經(jīng)元可能再也不會(huì)被任何數(shù)據(jù)激活，導(dǎo)致網(wǎng)絡(luò)神經(jīng)元壞死。焊接電流與電弧電壓的時(shí)間序列信號(hào)特征多，相互之間存在關(guān)聯(lián)性，ReLU的缺點(diǎn)會(huì)導(dǎo)致部分特征被忽略，從而導(dǎo)致時(shí)序信號(hào)的信息缺失。于是采用ReLU的改進(jìn)函數(shù)ELU，ELU計(jì)算公式為

f2（x）=x， ?if x>0

α[exp（x）-1]， ?if x≤0（4）

式中 x為網(wǎng)絡(luò)輸入;α為一個(gè)可調(diào)整參數(shù)，它控制著ELU負(fù)值部分在何時(shí)飽和。ELU通過在正值區(qū)間取輸入x減輕了梯度彌散問題，在x>0區(qū)間導(dǎo)數(shù)處處為1。由于ReLU公式的輸出值沒有負(fù)值，所以輸出的均值會(huì)大于0，當(dāng)激活值的均值非0時(shí)，就會(huì)對(duì)下一層造成一個(gè)偏置，如果激活值之間不會(huì)相互抵消，會(huì)導(dǎo)致下一層的激活單元有偏置偏移。如此疊加，單元越多，偏置偏移就會(huì)越大。相比ReLU，ELU可取負(fù)值，這使得單元激活均值可以更接近0，類似于Batch Normalization的效果但是計(jì)算復(fù)雜度更低。同時(shí)ELU在輸入取較小值時(shí)具有軟飽和的特性，提升了對(duì)噪聲的魯棒性，因而具有更好的效果。

考慮到網(wǎng)絡(luò)輸出為樣本標(biāo)記合格與不合格的二分類問題，而交叉熵代價(jià)函數(shù)在針對(duì)二分類問題上比均方誤差代價(jià)函數(shù)的收斂速度更快，所以選擇其作為模型的代價(jià)函數(shù)，交叉熵代價(jià)函數(shù)公式為

L=-[ylog+（1-y）log（1-）]（5）

式中 y為真實(shí)標(biāo)記值，為預(yù)測(cè)輸出值。

初始學(xué)習(xí)率設(shè)定為0.01，每批次大小為32，輸出層激活函數(shù)為softmax，優(yōu)化器為adam，固定模型結(jié)構(gòu)與激活參數(shù)等參數(shù)，對(duì)比相同迭代次數(shù)150次時(shí)模型預(yù)測(cè)的準(zhǔn)確率，對(duì)學(xué)習(xí)率、數(shù)據(jù)批次大小等超參數(shù)進(jìn)行調(diào)整。得到的最優(yōu)模型學(xué)習(xí)率為0.001，每次數(shù)據(jù)訓(xùn)練批次大小為16。

3 模型預(yù)測(cè)試驗(yàn)與結(jié)果分析

模型試驗(yàn)環(huán)境為L(zhǎng)inux開源內(nèi)核的Ubuntu16.04應(yīng)用系統(tǒng)，使用python語(yǔ)言編程的Keras深度學(xué)習(xí)框架對(duì)模型進(jìn)行實(shí)現(xiàn)，用一塊8 GB顯存的英偉達(dá)（NVIDIA）RTX2080顯卡進(jìn)行加速運(yùn)算。

根據(jù)前述的模型結(jié)構(gòu)，在維持訓(xùn)練集與測(cè)試集正負(fù)樣本分布不變的情況下，多次隨機(jī)劃分訓(xùn)練集與測(cè)試集，多次試驗(yàn)后，該模型測(cè)試集最低預(yù)測(cè)準(zhǔn)確率為95%，最高為99%，模型每次迭代耗時(shí)27 s，正向運(yùn)行時(shí)間為0.178 ms。最低準(zhǔn)確率的評(píng)估結(jié)果如圖5所示，其中質(zhì)量合格的50組樣本中有47組預(yù)測(cè)與真實(shí)標(biāo)記一致，3組預(yù)測(cè)錯(cuò)誤，存在質(zhì)量問題的50組樣本中有48組預(yù)測(cè)與真實(shí)標(biāo)記一致，2組樣本預(yù)測(cè)錯(cuò)誤，其預(yù)測(cè)性能統(tǒng)計(jì)見表2。

試驗(yàn)表明，使用焊接過程中電弧電壓與焊接電流的時(shí)序信號(hào)作為輸入構(gòu)建深度網(wǎng)絡(luò)模型對(duì)焊接質(zhì)量進(jìn)行預(yù)測(cè)，準(zhǔn)確率為95%以上，可以很好地反映數(shù)據(jù)與質(zhì)量之間的映射關(guān)系，其中有5組測(cè)試樣本未被正確識(shí)別，可能的原因如下：采集的時(shí)序數(shù)據(jù)中存在一定噪聲，破壞了時(shí)序性數(shù)據(jù)之間的相關(guān)規(guī)律，導(dǎo)致其與標(biāo)記映射關(guān)系存在誤差;模型網(wǎng)絡(luò)深度可能過深，導(dǎo)致訓(xùn)練集的數(shù)量不足以使模型完全收斂，存在過擬合現(xiàn)象;數(shù)據(jù)采集的采樣頻率相對(duì)較低，無法更進(jìn)一步描繪出焊接過程細(xì)微信號(hào)的變化，從而導(dǎo)致與樣本標(biāo)記質(zhì)量存在偏差。此外，通過不同坡口寬度的樣本預(yù)測(cè)性能對(duì)比，發(fā)現(xiàn)模型對(duì)樣本組數(shù)較多的坡口寬度如5.0 mm和4.0 mm，焊接質(zhì)量預(yù)測(cè)能力更為突出，準(zhǔn)確率達(dá)100%;對(duì)樣本組數(shù)相對(duì)較少的坡口寬度，在預(yù)測(cè)性能上存在一定程度的波動(dòng)，可見坡口寬度和樣本組數(shù)也對(duì)模型的預(yù)測(cè)性能存在一定影響。

4 結(jié)論

針對(duì)超窄間隙焊接工藝過程中時(shí)序數(shù)據(jù)隱藏信息難以提取的特點(diǎn)，使用深度卷積網(wǎng)絡(luò)對(duì)時(shí)序數(shù)據(jù)進(jìn)行信息提取，構(gòu)建了焊接質(zhì)量預(yù)測(cè)模型。對(duì)模型進(jìn)行訓(xùn)練與測(cè)試后，準(zhǔn)確率達(dá)到95%以上，表明充分利用電弧電壓和焊接電流信息可以較好地預(yù)測(cè)焊接質(zhì)量，模型在使用RTX2080GPU作為運(yùn)算加速器的條件下，預(yù)測(cè)所需時(shí)間僅為0.178 ms，滿足未來進(jìn)行焊接質(zhì)量在線預(yù)測(cè)的速度要求，為焊接質(zhì)量的實(shí)時(shí)在線預(yù)測(cè)奠定了基礎(chǔ)。但模型在預(yù)測(cè)性能上還有待提升，可制作更多不同坡口寬度的樣本進(jìn)行試驗(yàn)采集焊接數(shù)據(jù)，并將坡口寬度、送絲速度等因素也作為構(gòu)建模型的考慮范疇以進(jìn)一步提升模型的泛化能力和預(yù)測(cè)準(zhǔn)確性。

參考文獻(xiàn)：

[1] MORADI M，GHOREISHI M，F(xiàn)ROSTEVARG J，et al. An investigation on stability of laser hybrid arc welding[J]. Optics Lasers in Engineering，2013，51（4）：481-487.

[2] LEE S J，KIM Y H，KIM J K，et al. A roll-to-roll welding process for planarized silver nanowire electrodes[J]. Nan- oscale，2014，6（20）：11828-11834.

[3] 鄭韶先，朱亮，黃斌維，等. 焊劑帶約束電弧用于超窄間隙的焊接[J]. 機(jī)械工程學(xué)報(bào)，2009，45（2）：219-223.

[4] 郭躬德，王暉，David Bell. 時(shí)間序列數(shù)據(jù)分析與預(yù)處理 [J]. 小型微型計(jì)算機(jī)系統(tǒng)，2003（12）：2228-2232.

[5] TANG J，DENG C，HUANG G，et al. Compressed-Domain Ship Detection on Spaceborne Optical Image Using Deep Neural Network and Extreme Learning Machine[J]. IEEE Transactions on Geoscience Remote Sensing，2015，53（3）： 1174-1185.

[6] Otsu N. A Threshold Selection Method from Gray-Leve Histograms[J]. IEEE Transactions on Systems Man Cybernetics，2007，9（1）：62-66.

[7] 王科俊，趙彥東，邢向磊. 深度學(xué)習(xí)在無人駕駛汽車領(lǐng)域應(yīng)用的研究進(jìn)展[J]. 智能系統(tǒng)學(xué)報(bào)，2018，69（1）：59-73.

[8] SIMONYAN K，VEDALDI A，ZISSERMAN A. Learning Local Feature Descriptors Using Convex Optimisation[J]. IEEE Transactions on Pattern Analysis Machine Intelligence，2014，36（8）：1573-1585.

收稿日期：2020-04-21

基金項(xiàng)目：國(guó)家自然科學(xué)基金（61866021）;甘肅省科技計(jì)劃項(xiàng)目（18YF1WA068）;蘭州市人才創(chuàng)新創(chuàng)業(yè)項(xiàng)目（2016-RC-72）

作者簡(jiǎn)介：張愛華（1964— ），女，教授，博導(dǎo)，主要從事檢測(cè)技術(shù)與智能信息處理的研究。E-mail：435120071@qq.com。