基于物聯(lián)網(wǎng)技術(shù)的出水氨氮智能檢測(cè)系統(tǒng)

摘 要：為了實(shí)現(xiàn)出水氨氮濃度的在線精準(zhǔn)測(cè)量，設(shè)計(jì)了一種基于物聯(lián)網(wǎng)技術(shù)的出水氨氮智能檢測(cè)系統(tǒng)。該系統(tǒng)主要是由嵌入式檢測(cè)系統(tǒng)和智能預(yù)報(bào)系統(tǒng)組成。嵌入式檢測(cè)系統(tǒng)利用STM32作為核心控制器，結(jié)合氨氣敏電極等模塊采集水體中的氨氮數(shù)據(jù)，并利用4G通信技術(shù)將數(shù)據(jù)傳輸?shù)皆品?wù)器；智能預(yù)報(bào)系統(tǒng)利用廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建了出水氨氮的預(yù)報(bào)模型，實(shí)現(xiàn)了對(duì)嵌入式檢測(cè)系統(tǒng)的出水氨氮濃度的校正和糾偏。實(shí)驗(yàn)結(jié)果顯示，與造價(jià)昂貴、操作繁瑣且難以實(shí)現(xiàn)在線測(cè)量的氨氮檢測(cè)儀相比，文中所設(shè)計(jì)的智能檢測(cè)系統(tǒng)的精度完全能夠滿足出水氨氮的在線檢測(cè)需求，為污水處理廠出水氨氮的調(diào)控提供強(qiáng)有力的支撐。

關(guān)鍵詞：污水處理；STM32；氨氮檢測(cè)；廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)；物聯(lián)網(wǎng)；智能檢測(cè)

中圖分類號(hào)：TP274 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）11-00-05

0 引 言

氨氮超標(biāo)會(huì)造成水體富營(yíng)養(yǎng)化，破壞水生生物的生存環(huán)境[1]。為了保護(hù)水環(huán)境，污水處理廠一般采用出水氨氮濃度作為評(píng)價(jià)污水處理效果的重要指標(biāo)之一。因此，實(shí)現(xiàn)對(duì)出水氨氮濃度的實(shí)時(shí)檢測(cè)以及短時(shí)預(yù)報(bào)，不僅有助于污水處理廠及時(shí)掌握污水處理效果，而且有助于采取有效措施應(yīng)對(duì)氨氮超標(biāo)引起的水質(zhì)惡化等狀況[2]。氨氮檢測(cè)方法主要有：納氏試劑分光光度法、水楊酸分光光度法、蒸餾滴定法和氨氣敏電極法等。其中，氨氣敏電極法無(wú)需蒸餾預(yù)處理，且不受水體中懸浮物的影響，具有耗時(shí)短、精度高和操作簡(jiǎn)便等優(yōu)勢(shì)，已成為氨氮在線檢測(cè)的首選方法[3]。

近年來(lái)，研究者提出了多種氨氮檢測(cè)系統(tǒng)的設(shè)計(jì)思路和方案。例如：文獻(xiàn)[4]采用S7-200可編程控制器作為核心，并與上位機(jī)WinCC組態(tài)軟件相配合，設(shè)計(jì)了氨氮自動(dòng)檢測(cè)系統(tǒng)。文獻(xiàn)[5]采用STM32微控制器作為核心，輔以LED藍(lán)紫光光源和微型攝譜儀等，設(shè)計(jì)了水質(zhì)氨氮檢測(cè)系統(tǒng)。文獻(xiàn)[6]采用STM32作為主控單元，擴(kuò)展吸光度數(shù)據(jù)采集模塊、溫度控制模塊和μC/OS-III人機(jī)交互模塊，研制了水質(zhì)氨氮檢測(cè)系統(tǒng)。文獻(xiàn)[7]采用PLC作為控制核心，氨氣敏電極作為數(shù)據(jù)采集模塊，設(shè)計(jì)了水質(zhì)氨氮在線檢測(cè)儀。文獻(xiàn)[8]采用51單片機(jī)作為控制核心，設(shè)計(jì)了氨氣敏電極信號(hào)采集模塊，實(shí)現(xiàn)了水質(zhì)氨氮的自動(dòng)檢測(cè)。文獻(xiàn)[9]采用AM335作為控制核心，設(shè)計(jì)了基于納氏試劑分光光度法的氨氮檢測(cè)儀。上述儀器具有攜帶方便、操作簡(jiǎn)單和成本低廉的優(yōu)點(diǎn)。但是，基于氨氣敏電極的氨氮檢測(cè)系統(tǒng)的精度相對(duì)較低，無(wú)法與基于分光光度法的專業(yè)儀器相比。此外，上述系統(tǒng)均不能實(shí)現(xiàn)數(shù)據(jù)上云和結(jié)果共享，不利于有關(guān)部門及時(shí)掌控出水水質(zhì)狀況。

鑒于此，本文利用物聯(lián)網(wǎng)技術(shù)，輔以人工智能算法構(gòu)建了一套出水氨氮智能檢測(cè)系統(tǒng)。該系統(tǒng)能夠自動(dòng)感知、實(shí)時(shí)采集水質(zhì)氨氮數(shù)據(jù)，并依托物聯(lián)網(wǎng)技術(shù)將數(shù)據(jù)傳輸至云端，在人工智能算法的輔助下校正嵌入式系統(tǒng)的檢測(cè)值，實(shí)時(shí)給出出水氨氮濃度的精準(zhǔn)測(cè)量值。

1 系統(tǒng)總體結(jié)構(gòu)

氨氮智能檢測(cè)系統(tǒng)是由嵌入式檢測(cè)系統(tǒng)和智能預(yù)報(bào)系統(tǒng)組成，系統(tǒng)的總體結(jié)構(gòu)如圖1所示。嵌入式檢測(cè)系統(tǒng)主要通過氨氣敏電極傳感器采集水中的氨氮數(shù)據(jù)。智能預(yù)報(bào)系統(tǒng)主要利用廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)（Generalized Dynamic Fuzzy Neural Network， GD-FNN）構(gòu)建出水氨氮預(yù)報(bào)模型，以實(shí)現(xiàn)對(duì)檢測(cè)值的校正和糾偏。

2 嵌入式檢測(cè)系統(tǒng)

2.1 硬件設(shè)計(jì)

嵌入式檢測(cè)系統(tǒng)的工作流程如下：首先，利用氨氣敏電極獲取被測(cè)對(duì)象的微弱電壓信號(hào)；其次，利用信號(hào)調(diào)理模塊對(duì)電壓信號(hào)進(jìn)行轉(zhuǎn)換、去噪、放大等處理，處理完成后送入STM32的A/D轉(zhuǎn)換器；再次，STM32將處理好的數(shù)據(jù)通過4G通信模塊發(fā)送到云服務(wù)器；最后，利用清洗校準(zhǔn)模塊控制蠕動(dòng)泵完成取液和探頭清洗等操作。

2.1.1 氨氣敏電極

數(shù)據(jù)采集裝置采用氨氣敏電極作為傳感器，并將電極置于裝有0.1 mol/L氯化銨的充液塑料套管中，與pH玻璃電極相互配合測(cè)量水體中的氨氮含量。具體操作過程如下：往水樣中加入強(qiáng)堿溶液使其pH值提高到11以上；由銨鹽生成的氨氣通過擴(kuò)散作用使氫氧根離子濃度發(fā)生改變；利用pH值玻璃電極測(cè)量其變化，從而確定水體中的氨氮含量。

氨氣敏電極的信號(hào)調(diào)理電路如圖2所示，其采用高輸入阻抗運(yùn)算放大器CA3140獲取氨氣敏電極的微弱信號(hào)，后經(jīng)超低失調(diào)雙路運(yùn)算放大器OP07進(jìn)行信號(hào)放大。電位器R33用于測(cè)量前調(diào)零。

2.1.2 STM32微控制器

STM32F103微控制器采用Cortex-M3內(nèi)核，具有高性能和低功耗的優(yōu)點(diǎn)[10-11]。STM32的工作頻率為72 MHz，片上集成的FLASH容量最多可達(dá)512 KB。片上帶有2個(gè)12位ADC，可以將信號(hào)調(diào)理電路的輸出電壓信號(hào)轉(zhuǎn)變成數(shù)字信號(hào)。5個(gè)USART接口可以方便地實(shí)現(xiàn)STM32與4G模塊之間的串行通信。STM32主控模塊如圖3所示。

2.1.3 4G通信模塊

數(shù)據(jù)采集裝置與云服務(wù)器之間采用4G通信技術(shù)，能夠?qū)崿F(xiàn)氨氮等水質(zhì)數(shù)據(jù)的無(wú)線傳輸。系統(tǒng)選用SIM7600無(wú)線通信模塊，其傳輸速率完全能夠?qū)崿F(xiàn)多個(gè)水質(zhì)參數(shù)的數(shù)據(jù)傳輸任務(wù)。4G通信模塊電路如圖4所示。SIM7600的RXD、TXD引腳分別連接到STM32微控制器的TX、RX引腳，從而實(shí)現(xiàn)數(shù)采裝置中水質(zhì)數(shù)據(jù)的上傳與云服務(wù)器中控制命令的下發(fā)。

2.2 軟件設(shè)計(jì)

嵌入式檢測(cè)系統(tǒng)的軟件主要由嵌入式程序和云平臺(tái)程序組成。

2.2.1 嵌入式程序

嵌入式程序主要負(fù)責(zé)控制和協(xié)調(diào)水質(zhì)數(shù)據(jù)采集裝置，實(shí)現(xiàn)數(shù)據(jù)采集、控制信號(hào)輸出和通信數(shù)據(jù)收發(fā)等。嵌入式程序流程如圖5所示。

系統(tǒng)開機(jī)初始化后，通過4G模塊接入云服務(wù)器，然后進(jìn)入監(jiān)聽狀態(tài)等待數(shù)據(jù)；云服務(wù)器向終端數(shù)采裝置發(fā)送包含地址在內(nèi)的固定格式數(shù)據(jù)。檢測(cè)裝置啟動(dòng)蠕動(dòng)泵，按給定壓力準(zhǔn)確吸取一定量的反應(yīng)液體并充分混合，等待傳感器測(cè)量；主控制器通過串口中斷來(lái)源判定接收的數(shù)據(jù)并啟動(dòng)相應(yīng)的應(yīng)用服務(wù)程序，串口1為4G數(shù)據(jù)，串口2為檢測(cè)節(jié)點(diǎn)數(shù)據(jù)。

數(shù)據(jù)獲取裝置內(nèi)布置多個(gè)檢測(cè)節(jié)點(diǎn)，各檢測(cè)節(jié)點(diǎn)有不同的地址，主控制器通過地址啟動(dòng)相應(yīng)的傳感器節(jié)點(diǎn)進(jìn)行數(shù)據(jù)采集。待測(cè)水樣緩慢流入反應(yīng)區(qū)，氨氣敏電極采集氨氮濃度對(duì)應(yīng)的電壓信號(hào)，然后經(jīng)過濾波、轉(zhuǎn)換得到待測(cè)水樣的氨氮濃度。

檢測(cè)節(jié)點(diǎn)根據(jù)主控制器指令，發(fā)送一個(gè)長(zhǎng)度為4字節(jié)的測(cè)量數(shù)據(jù)，數(shù)據(jù)按以下格式發(fā)送：第1個(gè)字節(jié)為傳感器組號(hào)標(biāo)志字節(jié)，0x01表示傳感器組1，0x02表示傳感器組2；第2個(gè)字節(jié)為傳感器組A/D轉(zhuǎn)換結(jié)果的高8位；第3個(gè)字節(jié)為A/D轉(zhuǎn)換結(jié)果的低8位。每次傳送完一個(gè)數(shù)據(jù)后，自動(dòng)進(jìn)入待機(jī)狀態(tài)，等待主控制器檢測(cè)指令。檢測(cè)節(jié)點(diǎn)程序流程如圖6所示。

2.2.2 云平臺(tái)程序

云平臺(tái)主要具有數(shù)據(jù)獲取、數(shù)據(jù)展示、數(shù)據(jù)分析和智能預(yù)報(bào)等功能，其架構(gòu)如圖7所示。數(shù)據(jù)獲取模塊主要負(fù)責(zé)監(jiān)聽端口、保存氨氮等水質(zhì)數(shù)據(jù)；數(shù)據(jù)展示模塊主要負(fù)責(zé)對(duì)氨氮等水質(zhì)數(shù)據(jù)進(jìn)行報(bào)表展示和圖形展示；數(shù)據(jù)分析模塊主要負(fù)責(zé)對(duì)氨氮等水質(zhì)數(shù)據(jù)進(jìn)行基礎(chǔ)分析，包括水質(zhì)參數(shù)超標(biāo)報(bào)警；智能預(yù)報(bào)模塊主要實(shí)現(xiàn)氨氮等水質(zhì)數(shù)據(jù)的噪聲消除、特征提取、歸一化等預(yù)處理以及基于GD-FNN的出水氨氮預(yù)報(bào)。

3 智能預(yù)報(bào)系統(tǒng)

為了實(shí)現(xiàn)對(duì)檢測(cè)值的糾偏和校正，本文采用GD-FNN構(gòu)建出水氨氮濃度的預(yù)報(bào)模型。

3.1 GD-FNN拓?fù)浣Y(jié)構(gòu)

GD-FNN的拓?fù)浣Y(jié)構(gòu)如圖1中的氨氮智能預(yù)報(bào)系統(tǒng)所示，其主要由輸入層、隸屬函數(shù)層、規(guī)則層和輸出層組成[12-15]。

網(wǎng)絡(luò)的輸出為：

（1）

式中：y是輸出變量的預(yù)報(bào)值；wj是模糊規(guī)則的結(jié)果參數(shù)（也是第j條規(guī)則的連接權(quán)重）；j是第j條模糊規(guī)則的輸出。

對(duì)于TSK模型，wj是輸入變量的多項(xiàng)式，如下：

（2）

式中：α0j， ...， αrj（j=1， ...， u）是模糊規(guī)則j中輸入變量的權(quán)重系數(shù)。

第j條模糊規(guī)則的輸出j為：

（3）

式中：μij（xi）為輸入xi（i=1， ...， r）的第j個(gè)隸屬函數(shù)，定義如下：

（4）

式中：ci， j和σi， j分別為輸入xi的第j個(gè)高斯隸屬函數(shù)的中心和寬度。

3.2 GD-FNN結(jié)構(gòu)調(diào)整

GD-FNN的結(jié)構(gòu)調(diào)整主要是由模糊規(guī)則的增長(zhǎng)、修剪和合并3部分組成。

3.2.1 規(guī)則增長(zhǎng)

當(dāng)?shù)?個(gè)觀測(cè)樣本（x1， t1）進(jìn)入智能預(yù)報(bào)系統(tǒng)后，生成

第1條模糊規(guī)則如下：

（5）

式中：ci， 1和σi， 1分別為輸入xi（i=1， ...， r）的第1條模糊規(guī)則的中心和寬度。

如果||ek||gt;ke且mdkmingt;kd，則需要生成一條新模糊規(guī)則如下：

（6）

式中：ci， u+1和σi， u+1分別為輸入xi（i=1， ...， r）的第u+1條模糊規(guī)則的中心和寬度；k0為重疊因子。

3.2.2 規(guī)則修剪

為了降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度并強(qiáng)化對(duì)時(shí)變非線性系統(tǒng)的識(shí)別能力，需要?jiǎng)討B(tài)剔除模糊規(guī)則庫(kù)中的冗余規(guī)則。GD-FNN采用誤差下降率法（Error Reduction Ratio， ERR）實(shí)現(xiàn)規(guī)則修剪[12]。

ERR的核心是計(jì)算模糊規(guī)則的重要性，定義如下：

（7）

式中：ρj為對(duì)回歸矩陣Ψ進(jìn)行QR分解得到的特征向量。

3.2.3 隸屬函數(shù)合并

為了降低隸屬函數(shù)之間的冗余并提高規(guī)則的透明度，需要?jiǎng)討B(tài)合并具有相同中心的隸屬函數(shù)。對(duì)于輸入變量xi，假設(shè)它的n個(gè)隸屬函數(shù)具有相同的中心ci， s和不同的寬度（σi， s1， ...， σi， sn），則新的隸屬函數(shù)中心ci， new和寬度σi， new分別為：

（8）

3.3 GD-FNN參數(shù)學(xué)習(xí)

GD-FNN的參數(shù)包含前件參數(shù)和后件參數(shù)，前件參數(shù)的更新采用動(dòng)態(tài)寬度調(diào)整策略，后件參數(shù)的更新采用最小二

乘法[14]。

如果||ek||gt;ke且mdkmin≤kd，則需要減小xk對(duì)應(yīng)神經(jīng)元的寬度：

（9）

式中：I是最不活躍的隸屬函數(shù)層神經(jīng)元的索引；J是距離xk最近的規(guī)則層神經(jīng)元的索引；kr（0， 1）為衰減因子。

如果||ek||≤ke且mdkmingt;kd，則需要增大xk對(duì)應(yīng)神經(jīng)元的寬度：

（10）

式中：kwgt;1為增強(qiáng)因子。

在每步迭代時(shí)均需要更新輸出權(quán)重，最優(yōu)的權(quán)重向量A*可以利用偽逆技術(shù)獲得：

（11）

式中：T為網(wǎng)絡(luò)期望輸出。

4 實(shí)驗(yàn)驗(yàn)證

4.1 系統(tǒng)精度驗(yàn)證

利用嵌入式檢測(cè)系統(tǒng)對(duì)某小型污水處理廠出水氨氮濃度進(jìn)行測(cè)量，共獲得450個(gè)檢測(cè)樣本。將檢測(cè)結(jié)果與該廠納氏試劑分光光度儀所測(cè)結(jié)果進(jìn)行對(duì)比。圖8（a）給出了編號(hào)401～450這50個(gè)樣本檢測(cè)值與標(biāo)準(zhǔn)值的對(duì)比結(jié)果，圖8（b）給出了檢測(cè)值與標(biāo)準(zhǔn)值之間的誤差。從圖8可以看出，誤差大部分落在[-2 mg/L，2 mg/L]范圍內(nèi)，表明嵌入式檢測(cè)系統(tǒng)的檢測(cè)精度還有待提高。

4.2 檢測(cè)值校正

由于傳感器采集到的數(shù)據(jù)存在一定噪聲，為了降低噪聲對(duì)模型精度的影響，利用小波包變換進(jìn)行降噪處理。由于影響出水氨氮的因素較多，如果將全部因素輸入預(yù)報(bào)模型，將增大模型復(fù)雜度。本文利用偏最小二乘法對(duì)去噪后的數(shù)據(jù)進(jìn)行特征選擇，最終獲取水溫（Water Temperature， WT）、pH值、化學(xué)需氧量（Chemical Oxygen Demand， COD）、懸浮固體物（Suspended Solids， SS）作為輔助變量。因此，神經(jīng)網(wǎng)絡(luò)模型的輸入為x（t）=[WT（t-1）， pH（t-1）， COD（t-1）， SS（t-1）， AN（t-1）]T，

模型的輸出為y（t）=AN（t）。經(jīng)過異常值剔除和去噪處理（2層小波包分解，Sym8小波處理，軟閾值處理）后，總計(jì)獲取400組數(shù)據(jù)，選取360組作為訓(xùn)練集，剩余40組作為測(cè)試集。

圖9給出了GD-FNN在線訓(xùn)練過程模糊規(guī)則數(shù)的變化情況。從圖9可以看出，GD-FNN最終的模糊規(guī)則數(shù)為8條，由此獲得了一個(gè)較為精簡(jiǎn)的網(wǎng)絡(luò)結(jié)構(gòu)。

圖10給出了GD-FNN的預(yù)測(cè)結(jié)果與硬件檢測(cè)結(jié)果的融合值。本文主要是將嵌入式感知系統(tǒng)的檢測(cè)值與智能模型的預(yù)測(cè)值進(jìn)行求和取平均值作為校正值。從圖10可以看出，經(jīng)過GD-FNN的校正和融合，檢測(cè)系統(tǒng)的精度有明顯的提升，檢測(cè)誤差主要集中在[-1 mg/L，1 mg/L]范圍內(nèi)，完全能夠滿足污水處理廠對(duì)出水氨氮濃度的檢測(cè)需求。

5 結(jié) 語(yǔ)

針對(duì)污水處理過程中的出水氨氮檢測(cè)需求，本文設(shè)計(jì)了基于物聯(lián)網(wǎng)技術(shù)的氨氮智能檢測(cè)系統(tǒng)。針對(duì)嵌入式檢測(cè)裝置存在較大檢測(cè)誤差的問題，本文利用廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)GD-FNN建立了出水氨氮的預(yù)報(bào)模型，并利用預(yù)測(cè)結(jié)果對(duì)檢測(cè)系統(tǒng)的精度進(jìn)行校正。結(jié)果顯示，智能檢測(cè)系統(tǒng)的精度完全能夠滿足污水處理廠低成本和高可靠性的氨氮檢測(cè)需求，這為氨氮濃度的調(diào)控奠定了數(shù)據(jù)基礎(chǔ)。

參考文獻(xiàn)

[1]吳志廣，楊慧中.一種免化學(xué)試劑的氨氮在線檢測(cè)系統(tǒng)[J].儀表技術(shù)與傳感器，2017（5）：57-60.

[2]吳丹，周素銳，劉英.水質(zhì)中氨氮的快速檢測(cè)方法[J].分析試驗(yàn)室，2015，34（4）：429-432.

[3]吳志廣，楊慧中.基于氨氣敏電極的氨氮在線檢測(cè)儀補(bǔ)償模型[J].分析試驗(yàn)室，2017，36（3）：335-340.

[4]王潔.基于PLC的氨氮檢測(cè)控制系統(tǒng)研究與設(shè)計(jì)[D]. 西安：西安工業(yè)大學(xué)，2018.

[5]田人文.基于微流控芯片的氨氮和COD檢測(cè)系統(tǒng)的研制及應(yīng)用[D].上海：華東師范大學(xué)，2018.

[6]張根寶，程震晨.基于STM32F4和μC/OS-III的水質(zhì)氨氮檢測(cè)系統(tǒng)研究與設(shè)計(jì)[J].電子器件，2016，39（6）：1472-1476.

[7]王選，楊慧中.一種新型的氨氮在線檢測(cè)儀[J]. 中國(guó)給水排水，2014，30（20）：142-145.

[8]劉冰洲，陶博，劉舵，等.水質(zhì)氨氮自動(dòng)檢測(cè)儀的設(shè)計(jì)[J].測(cè)控技術(shù)，2015，34（10）：9-11.

[9]陳超華.水質(zhì)檢測(cè)中氨氮檢測(cè)儀的設(shè)計(jì)與研制[D].長(zhǎng)沙：湖南師范大學(xué)，2016.

[10]周紅標(biāo)，應(yīng)根旺，蔣恒，等.基于STM32的單相光伏并網(wǎng)發(fā)電系統(tǒng)[J].電測(cè)與儀表，2015，52（19）：61-66.

[11]周紅標(biāo)，李珊，儲(chǔ)程鏈，等.基于STM32和LabVIEW的白酒電子舌的設(shè)計(jì)[J].計(jì)算機(jī)測(cè)量與控制，2014，22（3）：866-868.

[12] WU S Q， MENG J E， YANG G. A fast approach for automatic generation of fuzzy rules by generalized dynamic fuzzy neural networks [J]. IEEE transactions on fuzzy systems， 2001， 9（4）： 578-594.

[13]喬俊飛，周紅標(biāo).基于自組織模糊神經(jīng)網(wǎng)絡(luò)的出水總磷預(yù)測(cè)[J].控制理論與應(yīng)用，2017，34（2）：224-232.

[14] ZHOU H， ZHANG Y， DUAN W， et al. Nonlinear systems modelling based on self-organizing fuzzy neural network with hierarchical pruning scheme [J]. Applied soft computing， 2020， 95（10）： 106516.

[15] ZHOU H B， LI Y， ZHANG Q Y， et al. Soft-sensing of effluent total phosphorus using adaptive recurrent fuzzy neural network with Gustafson-Kessel clustering [J]. Expert systems with applications， 2022， 203： 117589.

作者簡(jiǎn)介：陳冠斌（1981—），男，工程師，主要研究方向?yàn)殄仩t、水處理及燃燒設(shè)備的自動(dòng)化、系統(tǒng)建模及優(yōu)化、智能控制、物聯(lián)網(wǎng)技術(shù)等。

收稿日期：2023-06-02 修回日期：2023-07-04