一种反馈基于LSTM算法与PID结合的柴油机控制方法及装置

一种反馈基于lstm算法与pid结合的柴油机控制方法及装置
技术领域
1.本发明涉及柴油机转速控制技术领域。


背景技术：

2.在针对柴油机的控制算法中，常常针对的控制指标是柴油机的转速，在众多控制方法中，使用最广泛的还是传统pid控制方法。传统的pid控制在多年的发展与完善过程中，具有良好的可靠与实用性，但是其控制效果相较于新型技术而言不是很理想。
3.在现有的公开资料中，大多采用的都是单一的控制方法。例如，公开号为cn114237049a的专利，公开了一种基于lstm的智能建筑系统预测控制参数整定方法，主要是基于lstm网络技术对智能建筑系统参数进行整定。该方案包括如下步骤：第一步，基于mpc算法获取训练样本；第二步，建立长短期记忆人工神经网络，根据第一步得到的训练样本对长短期记忆人工神经网络进行训练；第三步，利用训练后的长短期记忆人工神经网络预测智能建筑系统的控制参数，该方法能够实现智能建筑系统预测控制参数的整定。该专利提供的方案没有涉及一个系统不具备大量样本时，即初始状态时的情况，此时lstm由于训练量不足会导致系统的初始稳定性较差，因此该方案无法适用于这一场景。
4.又如，公开号为cn106773649a的发明专利中公开了一种基于pso与pid算法的燃气自动控制阀门智能调控方法，以燃气自动控制阀门为研究对象，充分考虑pid控制系统的特征，并建立了被控对象的传递函数模型，引入人工智能技术,采用带有收敛因子的改进型粒子群算法搜索pid参数最优解，实现了对燃气流量的自动控制。该发明专利中克服了传统pid燃气控制阀人工调整参数的缺点，实现了pid参数的自整定。但是该方案使用pso与pid算法结合进行控制，没有涉及到干扰对控制参数的影响，导致参数整定过程中存在人为误差、耗时长﹑精度低的问题，柴油机控制效果不理想。
5.因此，如何提供一种能够应用于初始状态且精确度高的柴油机控制方法，成为本领域亟待解决的技术问题。


技术实现要素：

6.为了解决现有技术中存在的初始状态缺少大量样本和控制精确度不高的技术问题，本发明提供了一种反馈基于lstm算法与pid结合的柴油机控制方法及装置，该方法在反馈环节采用lstm算法进行预测，并与pid控制算法共同得到最优转速对柴油机进行控制，该方法能够应用于初始状态的柴油机，具有较高的控制效率和精确度。
7.基于同一发明构思，本发明具有四个独立的技术方案：
8.1、一种反馈基于lstm算法与pid结合的柴油机控制方法，包括：
9.s1、采集柴油机参数；
10.s2、将所述柴油机参数输入lstm网络迭代训练，直至得到满足预设要求的预测转速；
11.s3、将满足预设要求的预测转速与上一时刻实际转速作差并输入pid网络，得到最
优转速。
12.进一步地，所述柴油机参数包括：负载扭矩mb、柴油机转速nd、柴油机有效扭矩me、主机运动部件到液力耦合器泵轮的转动惯量ie、主机运动部件摩擦扭矩m
f1
、供油齿杆位置fr。
13.进一步地，所述柴油机参数根据控制准稳态模型确定，所述控制准稳态模型具体如下：
[0014][0015][0016]
进一步地，迭代训练之前还包括：对所述柴油机参数进行预处理。
[0017]
进一步地，步骤s2包括：
[0018]
s21、将所述柴油机参数输入lstm网络训练，并根据训练后的lstm网络得到预测转速；
[0019]
s22、判断所述预测转速是否符合预设要求，若符合则执行步骤s3；
[0020]
否则用步骤s21中得到的预测转速替代所述柴油机参数中的柴油机转速nd并重复步骤s21，直至得到的预测转速符合预设要求。
[0021]
进一步地，所述预设要求为：实际转速与预测转速的均方差预测值最大误差不大于8％。
[0022]
进一步地，所述pid网络中计算公式如下：
[0023][0024][0025]
其中，u(k)为第k次采样时刻pid网络的输出值，e(k)为第k次采样时刻输入的偏差值，e(k-1)表示第k-1次采样时刻输入的偏差值，n
d0
(k)为第k次采样时刻中柴油机实际转速，为第k次采样时刻的预测转速，k
p
、ki、kd均为pid网络系数。
[0026]
2、一种反馈基于lstm算法与pid结合的柴油机控制装置，包括：
[0027]
采集模块，用于采集所需的柴油机参数；
[0028]
预测模块，用于将所述柴油机参数输入lstm网络进行迭代训练，直至得到满足预设要求的预测转速；
[0029]
pid控制模块，用于将满足预设要求的预测转速与上一时刻转速作差并输入pid网络，得到用于控制柴油机的最优转速。
[0030]
3、一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述的方法。
[0031]
4、一种电子设备，包括处理器和存储装置，所述存储装置中存有多条指令，所述处理器用于读取所述存储装置中的多条指令并执行上述的方法。
[0032]
本发明提供的反馈基于lstm算法与pid结合的柴油机控制方法及装置，至少包括如下有益效果：
[0033]
使用了lstm网络替代传统的反馈环节，利用lstm算法对即将输入进入pid控制的转速数据进行预测，由于lstm算法具有保留算法与遗忘算法，可以对干扰进行有效剔除，从
而消除了长时间的误差累积的情况，可以对干扰数据进行修正，使得输入进入pid控制的预测转速差相比没有lstm算法的更为准确，可以达到更好的控制效果。
附图说明
[0034]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0035]
图1为本发明提供的反馈基于lstm算法与pid结合的柴油机控制方法一种实施例的流程图；
[0036]
图2为本发明提供的反馈基于lstm算法与pid结合的柴油机控制方法中lstm算法迭代一种实施例的流程图；
[0037]
图3为本发明提供的反馈基于lstm算法与pid结合的柴油机控制方法一种实施例的控制框图。
具体实施方式
[0038]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
[0039]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本技术。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
[0040]
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0041]
还应当理解，在本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0042]
下面结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，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它实施例，都属于本技术保护的范围。
[0043]
在下面的描述中阐述了很多具体细节以便于充分理解本技术，但是本技术还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似推广，因此本技术不受下面公开的具体实施例的限制。
[0044]
实施例一：
[0045]
参见图1，在一些实施例中，提供一种反馈基于lstm算法与pid结合的柴油机控制方法，包括：
[0046]
s1、采集柴油机参数；
[0047]
s2、将所述柴油机参数输入lstm网络迭代训练，直至得到满足预设要求的预测转速；
[0048]
s3、将满足预设要求的预测转速与上一时刻实际转速作差并输入pid网络，得到最优转速。
[0049]
具体地，步骤s1中，所述柴油机参数包括：负载扭矩mb、柴油机转速nd、柴油机有效扭矩me、主机运动部件到液力耦合器泵轮的转动惯量ie、主机运动部件摩擦扭矩m
f1
、供油齿杆位置fr。
[0050]
其中，所述柴油机参数根据控制准稳态模型和柴油机动力学模型确定，其中，控制准稳态模型具体如下：
[0051][0052][0053]
其中，mb表示负载扭矩，nd表示柴油机转速，me表示柴油机有效扭矩，ie表示主机运动部件到液力耦合器泵轮的转动惯量，m
f1
表示主机运动部件摩擦扭矩。
[0054]
同时，根据柴油机动力学模型，柴油机转速nd是供油齿杆位置fr和柴油机有效扭矩me的函数，具体通过如下公式表示：
[0055]
nd＝f(fr，me)。
[0056]
在一些实施例中，迭代训练之前还包括：在建立模型的基础上，通过lstm网络中的记忆单元对将要使用lstm网络进行训练的数据进行预处理。
[0057]
步骤s2中，将实验采集到的包括负载扭矩mb、柴油机转速nd、柴油机有效扭矩me、主机运动部件到液力耦合器泵轮的转动惯量ie、主机运动部件摩擦扭矩、供油齿杆位置fr等数据进行归一化处理后，作为训练数据输入lstm网络进行训练，lstm神经网络输出值即为预测转速
[0058]
以下对步骤s2中采用的lstm网络进行介绍。lstm神经网络模型在结构上共分为输入层、隐含层、输出层三层。其中，隐含层具有记忆单元和门结构，记忆单元用来记忆过去的信息，门结构包括输入门、遗忘门和输出门，用来控制历史信息的使用。通过记忆单元可以对数据进行干扰剔除，相对于没有经过剔除干扰的输入数据相比，预测准确度更高。
[0059]
具体地，步骤s2包括：
[0060]
s21、将所述柴油机参数输入lstm网络训练，并根据训练后的lstm网络得到预测转速；
[0061]
s22、判断所述预测转速是否符合预设要求，若符合则执行步骤s3；
[0062]
否则用步骤s21中得到的预测转速替代所述柴油机参数中的柴油机转速nd并重复步骤s21，直至得到的预测转速符合预设要求。
[0063]
步骤s21中，lstm网络训练过程如下公式所示：
[0064]it
＝σ(w
xi
x
t
+w
hiht-1
+w
cict-1
+bi)
ꢀꢀ
(1.1)
[0065]ft
＝σ(w
xf
x
t
+w
hfht-1
+w
cfct-1
+bf)
ꢀꢀ
(1.2)
[0066]ct
＝f
tct-1
+i
t
anh(w
xc
x
t
+w
hcht-1
+bc)
ꢀꢀ
(1.3)
[0067]ot
＝σ(w
xo
x
t
+w
hoht-1
+w
coct
+bo)
ꢀꢀ
(1.4)
[0068]ht
＝o
t
tanh(c
t
)
ꢀꢀ
(1.5)
[0069]
根据lstm网络步骤(1.1)—(1.5)进行训练，输出结果为预测转速)。。
[0070]
步骤s22中，所述预设要求为：实际转速与预测转速的均方差预测值误差(mse)不大于8％。其中，实际转速为步骤s1中采集的柴油机转速nd。根据预设要求对输出结果进行判断，如果预测转速达到性能目标，则将输出结果传递给pid网络，反之继续步骤s21。
[0071]
需要说明的是，真实转速与预测转速的均方差预测值即为lstm预测网络的均方差预测值(mse),mse是真实值与预测值的差值的平方再求和平均，其范围为[0,+∞)，当预测值与真实值完全相同时为0，误差越大，mse值越大。经过迭代测试发现，预测转速的最大误差在8％以内时，预测值对转速的逼近效果良好，可以真实反映出柴油机的外部特性。
[0072]
根据步骤s21-步骤s22，模型中的柴油机参数包括：负载扭矩mb、柴油机转速nd、柴油机有效扭矩me、主机运动部件到液力耦合器泵轮的转动惯量ie、主机运动部件摩擦扭矩m
f1
、供油齿杆位置fr，根据上述六个参数构建出了柴油机的动力学模型，其中，转速可以通过公式dt表示。柴油机参数输入lstm网络中之后，通过lstm网络的记忆单元进行预处理，从而去除干扰，再采用经过预处理后的柴油机参数进行训练，从而输出一个满足预设误差范围要求的预测转速。
[0073]
步骤s3中，将达到性能要求的预测转速值与上一时刻的转速n
d0
(k)两者作差一起输入进pid网络，利用pid网络中的比例积分微分模型对预测结果进行调整，得到输出结果。
[0074]
pid网络的输出通过如下公式表示：
[0075][0076]
其中，定义e(t)为上一时刻的转速n
d0
(k)与预测转速值两者的作差值，u(t)为输出的柴油机转速。
[0077]
根据位置式pid控制算法的特性，需要针对输入采样时刻的偏差来计算控制量，那么此时的转速偏差可以表示为：
[0078][0079]
其中，n
d0
(k)为第k组数据中柴油机实际转速，为lstm算法预测得到的预测转速。
[0080]
相较而言，传统pid网络中直接采用负反馈结果计算转速偏差，未经过lstm网络预测，其中的转速偏差通过如下公式表示：
[0081]
δn
d’(k)＝n
d0
(k)-nd(k)；
[0082]
其中，δn
d’(k)表示传统pid网络中的转速偏差值，n
d0
(k)表示第k组数据中柴油机实际转速，nd(k)表示仅经过pid负反馈的第k组数据中柴油机转速，未经过lstm网络预测。
[0083]
实际转速在实际测量时会出现测量误差等干扰，而lstm算法由于其自身具有保留算法以及遗忘算法，该特性对去除干扰具有很精确的效果，同时经过大量样本预测出的预测值相比实际测量值会更为准确。因此，经过本实施例提供的方法构造出来的偏分方程能够更加拟合实际柴油机的真正工作状态。
[0084]
在使用pid输出形式之前，需要对pid输出形式进行离散化。离散化采样方法为：采样时刻序列来替代连续的时间，采用和式代替积分，采用增量代替微分。变化之后的结果如下：
[0085]
t≈k(t)(k＝0,1,2
…
)；
ꢀꢀ
(2)
[0086][0087][0088]
其中，u(k)为第k次采样时刻pid网络的输出值，e(k)为第k次采样时刻输入的偏差值，e(k-1）表示第k-1次采样时刻输入的偏差值，t为采样周期，k表示采样的序号，k＝0,1,2
…
。
[0089]
将(2)-(4)式代入到(1)中得到所述pid网络中的计算公式，表示如下：
[0090][0091][0092]
其中，u(k)为第k次采样时刻pid网络的输出值，e(k)为第k次采样时刻输入的偏差值，e（k-1）表示第k-1次采样时刻输入的偏差值，n
d0
（k）为第k次采样时刻中柴油机实际转速，为第k次采样时刻中lstm算法预测转速，k
p
、ki、kd均为pid网络系数，ki表示积分系数，ki＝k
p
t/ti；kd表示积分系数,kd＝k
p
td/t，ti为积分常数，td为微分时间常数。
[0093]
在一种具体应用场景中，首先建立柴油机的控制准稳态模型；在建立模型的基础上，对将要使用lstm网络进行训练的数据进行归一化处理；使用lstm网络训练对输入的数据进行预测；对输出结果进行判断，如果达到性能目标，则将输出结果传递给pid网络，反之重复lstm网络训练步骤直至达到性能目标；将达到性能要求的预测转速值与上一时刻的转速n
d0
(k)两者作差一起输入进pid网络，利用pid网络中的比例积分微分模型对预测结果进行调整，得到输出结果；将经过pid控制输出的最优转速输出给柴油机，此时的柴油机可以获得最优的工作效率。
[0094]
实施例二：
[0095]
在一些实施例中，提供一种反馈基于lstm算法与pid结合的柴油机控制装置，包括：
[0096]
采集模块，用于采集所需的柴油机参数；
[0097]
预测模块，用于将所述柴油机参数输入lstm网络进行迭代训练，直至得到满足预设要求的预测转速；
[0098]
pid控制模块，用于将满足预设要求的预测转速与上一时刻转速作差并输入至pid网络，得到用于控制柴油机的最优转速。
[0099]
实施例三：
[0100]
在一些实施例中，提供一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述的方法。
[0101]
实施例四：
[0102]
在一些实施例中，提供一种电子设备，包括处理器和存储装置，所述存储装置中存
有多条指令，所述处理器用于读取所述存储装置中的多条指令并执行上述的方法。
[0103]
应当理解，在本技术实施例中，所称处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或该处理器也可以是任何常规的处理器等。
[0104]
存储器可以包括只读存储器、快闪存储器和随机存储器，并向处理器提供指令和数据。存储器的一部分或全部还可以包括非易失性随机存取存储器。
[0105]
本实施例提供的反馈基于lstm算法与pid结合的柴油机控制方法及装置，使用了lstm网络替代传统的反馈环节，利用lstm算法对即将输入进入pid控制的转速数据进行预测，由于lstm算法具有保留算法与遗忘算法，可以对干扰进行有效剔除，从而消除了长时间的误差累积的情况，可以对干扰数据进行修正，使得输入进入pid控制的预测转速差相比没有lstm算法的更为准确，可以达到更好的控制效果。
[0106]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
[0107]
应当理解，上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于以计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
[0108]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
[0109]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人
员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0110]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其他的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0111]
上述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种反馈基于lstm算法与pid结合的柴油机控制方法，其特征在于，包括：s1、采集柴油机参数；s2、将所述柴油机参数输入lstm网络迭代训练，直至得到满足预设要求的预测转速；s3、将满足预设要求的预测转速与上一时刻实际转速作差并输入pid网络，得到最优转速。2.根据权利要求1所述的方法，其特征在于，所述柴油机参数包括：负载扭矩m
b
、柴油机转速n
d
、柴油机有效扭矩m
e
、主机运动部件到液力耦合器泵轮的转动惯量i
e
、主机运动部件摩擦扭矩m
f1
、供油齿杆位置f
r
。3.根据权利要求2所述的方法，其特征在于，所述柴油机参数根据控制准稳态模型确定，所述控制准稳态模型具体如下：定，所述控制准稳态模型具体如下：4.根据权利要求1所述的方法，其特征在于，迭代训练之前还包括：对所述柴油机参数进行预处理。5.根据权利要求1所述的方法，其特征在于，步骤s2包括：s21、将所述柴油机参数输入lstm网络训练，并根据训练后的lstm网络得到预测转速；s22、判断所述预测转速是否符合预设要求，若符合则执行步骤s3；否则用步骤s21中得到的预测转速替代所述柴油机参数中的柴油机转速n
d
并重复步骤s21，直至得到的预测转速符合预设要求。6.根据权利要求1所述的方法，其特征在于，所述预设要求为：实际转速与预测转速的均方差预测值最大误差不大于8％。7.根据权利要求1所述的方法，其特征在于，所述pid网络中计算公式如下：7.根据权利要求1所述的方法，其特征在于，所述pid网络中计算公式如下：其中，u(k)为第k次采样时刻pid网络的输出值，e(k)为第k次采样时刻输入的偏差值，e(k-1)表示第k-1次采样时刻输入的偏差值，n
d0
(k)为第k次采样时刻中柴油机实际转速，为第k次采样时刻的预测转速，k
p
、k
i
、k
d
均为pid网络中的积分系数。8.一种反馈基于lstm算法与pid结合的柴油机控制装置，其特征在于，包括：采集模块，用于采集柴油机参数；预测模块，用于将所述柴油机参数输入lstm网络迭代训练，直至得到满足预设要求的预测转速；pid控制模块，用于将满足预设要求的预测转速与上一时刻转速作差并输入pid网络，得到最优转速。9.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1-7任一项所述的方法。10.一种电子设备，包括处理器和存储装置，其特征在于，所述存储装置中存有多条指
令，所述处理器用于读取所述存储装置中的多条指令并执行如权利要求1-7所述的方法。

技术总结
一种反馈基于LSTM算法与PID结合的柴油机控制方法及装置，涉及柴油机转速控制技术领域，解决的技术问题为“如何提供一种能够应用于初始状态且精确度高的柴油机控制方法”，方法包括：采集柴油机参数；将所述柴油机参数输入LSTM网络迭代训练，直至得到满足预设要求的预测转速；将满足预设要求的预测转速与上一时刻实际转速作差并输入PID网络，得到最优转速；该方法在反馈环节采用LSTM算法进行预测，并与PID控制算法共同得到最优转速对柴油机进行控制，能够应用于初始状态的柴油机，具有较高的控制效率和精确度。控制效率和精确度。控制效率和精确度。


技术研发人员：侯仕卿 李文辉 霍天源 韩明泽 石泽太 王政 刘仁余 周叶培 马贺 殷鹤祥 张鹏
受保护的技术使用者：哈尔滨工程大学
技术研发日：2023.03.22
技术公布日：2023/6/26