一种旋流器检测方法和装置与流程

1.本发明属于选矿技术领域，特别涉及一种旋流器检测方法和装置。


背景技术：

2.水力旋流器是采用离心力将矿浆分级的设备，是选矿厂中的重要工艺设备之一，通常用于将液体中携带的悬浮物分离成多个粒度不同的排出流或“相”。在矿山工程中，由于磨矿系统产品粒度直接影响后续作业，且矿物颗粒具有较强磨蚀性，旋流器存在磨损较快，使用寿命短、工艺参数不易控制等问题，因此发明一种旋流器检测方法、装置与设备，进行旋流器设备运行状态监测和运行参数优化。
3.中国专利公开了一种操作水力旋流器的方法(公开号cn102947006b)，水力旋流器包括分离腔室，分离腔室在使用中被配置成产生内部空气心以实现材料分离操作，所述方法包括在水力旋流器的运行过程中测量分离腔室的振动参数和内部空气心的稳定性参数。将测量结果与预定相关参数进行比较，该预定相关参数指示液压旋流器的稳定运行，以及根据比较结果对水力旋流器的操作参数进行调节。
4.现有技术缺点：1)单独采用振动信号用于磨损检测，或者单独采用振动参数进行运行监测，没有兼顾两种功能；2)采用振动信号用于磨损检测无法准确及时地判断旋流器是否需要检修的问题；3)采用振动信号用于运行状态监测，不能兼顾设备运行的多个工艺参数，没有进行运行参数优化。


技术实现要素：

5.针对上述问题，本发明公开了一种旋流器检测方法，包括：
6.基于预处理后的声振数据建立声振监控参数数据库和故障归因数据库；
7.基于声振数据和预处理后的声振数据对旋流器进行监测；
8.采集运行工艺数据；
9.基于所述运行工艺数据建立运行工艺参数数据库；
10.基于所述运行工艺参数数据库对旋流器进行运行工艺参数优化。
11.更进一步地，所述基于预处理后的声振数据建立声振监控参数数据库和故障归因数据库包括以下步骤：
12.采集声振数据；
13.对声振数据进行预处理；
14.将预处理后的声振数据进行分析，确定旋流器的频谱特征值；
15.标定旋流器不同工况下的频谱特征值范围；
16.基于声振数据、预处理后的声振数据、旋流器不同工况下对应的频谱特征值，建立声振监控参数数据库和故障归因数据库。
17.更进一步地，所述频谱特征值为振幅、频率、相位、速度、加速度、振幅变化率、频率变化率、相位变化率、速度变化率和加速度变化率中的一个或多个。
18.更进一步地，所述基于声振数据和预处理后的声振数据对旋流器进行监测的具体步骤如下：
19.基于声振数据和预处理后的声振数据，通过基于少样本的监督学习和分类样本的非监督学习结果相结合的半监督学习方法对旋流器进行故障趋势分析。
20.更进一步地，所述基于所述运行工艺数据建立运行工艺参数数据库包括以下步骤：
21.对旋流器不同工况下的运行工艺数据进行标定；
22.基于运行工艺数据以及对应的旋流器的不同工况，建立运行工艺参数数据库。
23.更进一步地，所述基于所述运行工艺参数数据库对旋流器进行运行工艺参数优化包括以下步骤：
24.对运行工艺数据和预处理后的声振数据进行多元非线性回归分析；
25.获得生产效率、能源消耗与运行工艺参数之间的函数关联关系；
26.基于函数关联关系优化实时运行工艺参数。
27.更进一步地，所述基于所述运行工艺参数数据库对旋流器进行运行工艺参数优化之后还包括：
28.基于声振监控参数数据库、故障归因数据库和运行工艺参数数据库建立旋流器的智能化管理平台；
29.将智能化管理平台进行展示。
30.更进一步地，所述智能化管理平台包括：旋流器运行的实时显示界面、底层的数据采集存储管理、数据存储和数据库管理、设备全周期管理、生产管理、安全管理以及能源管理。
31.一种基于上述的旋流器检测方法的旋流器检测装置，包括：声振传感器、声振数据采集边缘单元、声振分析系统服务器、工艺数据采集单元和数据存储服务器；
32.所述声振传感器设置于旋流器上，且与声振数据采集边缘单元连接；
33.所述声振数据采集边缘单元与声振分析系统服务器连接；
34.所述声振分析系统服务器与数据存储服务器连接；
35.所述工艺数据采集单元与数据存储服务器连接。
36.更进一步地，还包括：深度学习和强化学习分析器和智能化平台显示界面；
37.所述深度学习和强化学习分析器和智能化平台显示界面分别与数据存储服务器连接。
38.与现有技术相比，本发明的实施例至少具有以下优点：实现了选矿厂中旋流器的设备运行状态监测和运行工艺参数优化，并通过智能化管理平台进行显示和管理；
39.(1)采用接触式的声振一体传感器采集水力旋流器的声音和振动参数，实现了旋流器故障的声纹的早期诊断归因和振动的定向诊断归因，比单一采用振动信号归因的方法能够更早期的进行故障预判；
40.(2)基于采集的声振数据，采用基于少样本的监督学习和分类样本的非监督学习结果相结合的半监督学习方法对旋流器进行运行故障预判，形成故障归因数据库，实现设备运行状态的预测性维护，解决了旋流器磨损较快，实用寿命短的问题；
41.(3)针对现场的运行工艺参数和声振监控参数进行基于强化学习的大数据分析，
实现生产过程的运行工艺参数优化，最终实现旋流器设备的智能化管控，更好地实现旋流器的运行工艺参数、出料粒度不易控制的问题；
42.(4)实现了旋流器的智能化管理平台，包含底层的数据采集存储管理、数据存储和数据库管理、设备全周期管理、生产管理、安全管理、能源管理等内容，实现旋流器的全面管理。该管理平台可以扩展应用于其他设备或工艺流程的智能化管理中。
43.本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
44.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
45.图1示出了根据本发明实施例的旋流器检测装置的结构示意图。
46.附图标记：1、声振传感器；2、声振数据采集边缘单元；3、声振分析系统服务器；4、工艺数据采集单元；5、数据存储服务器；6、深度学习和强化学习分析器；7、智能化平台显示界面。
具体实施方式
47.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、完整地说明，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。
48.本发明提出的一种旋流器检测方法，包括：
49.基于预处理后的声振数据建立声振监控参数数据库和故障归因数据库；
50.基于声振数据和预处理后的声振数据对旋流器进行监测；其中，在低频状态重点考虑声音数据，在高频状态重点考虑振动数据；
51.采集运行工艺数据；
52.工艺数据采集单元4通过开发opc、db、文件和其他数据类型的数据采集端程序，在数据采集网络将声音、振动信号上传到数据采集边缘单元2进行数据初步去噪清洗，再和运行工艺数据一起发送至数据存储服务器5中。
53.基于所述运行工艺数据建立运行工艺参数数据库；
54.基于所述运行工艺参数数据库对旋流器进行运行工艺参数优化。
55.在一些实施例中，所述基于预处理后的声振数据建立声振监控参数数据库和故障归因数据库包括以下步骤：
56.进行声振传感器1安装；示例性的，如图1所示，在旋流器外壁上安装3个声振传感器1，第一声振传感器1和第二声振传感器1安装在同一水平面，且两者与旋流器轴线的垂线夹角为90
°
，第三声振传感器1位于第二声振传感器1与旋流器轴线所在平面上，且位于第二
声振传感器1下方。
57.采集声振数据；
58.其中，具体步骤如下：将声振传感器1通过网线和声振数据采集边缘单元2相连接，将传感器数据传输到声振数据采集边缘单元2中；
59.对声振数据进行预处理；
60.声振数据采集边缘单元2可以将采集的传感器数据进行数据的初步清洗，将有效数据通过有线或无线传输方式传输到声振分析系统服务器3中。其中，初步清洗具体为进行去噪和滤波处理。
61.将预处理后的声振数据进行分析，在低频状态重点考虑声音数据，在高频状态重点考虑振动数据，确定旋流器频谱特征值和其他声音特征值；其中，不同工况包括正常工况和故障工况；正常工况包括不同的处理粒度范围、不同处理量等；故障工况包括旋流器空吸、矿压波动大、筛孔堵塞、底流嘴磨损严重等；频谱特征值为振幅、频率、相位、速度、加速度、振幅变化率、频率变化率、相位变化率、速度变化率和加速度变化率中的一个或多个；其他声音特征值包括声压级、声功率、声强、噪度等；故障工况相对于正常工况，对应的参数振幅、频率、相位、速度、加速度以及这些参数的变化率等发生变化，表现为振动幅值增大、频谱曲线偏移、多倍频偏移、大量谐波等；
62.声振分析系统服务器3将采集的预处理后的声振数据进行存储和数据处理，分析旋流器的频谱特征值。具体声振数据包含时域的波形数据和频谱图，在波形图中获得振动数据的振动幅值，根据旋流器的内部空气芯和流体流动特性将频谱特征分为低频的声纹数据和高频的振动数据，通过声波、振动特征值的变化趋势判断旋流器不同工况下工作是否稳定，通过观察时频域波形及频域中工频和其他特征频谱的变化判断旋流器故障原因，并以此作为故障诊断的参考数据，同时处理前后的声振数据都可以通过开放api接口，与数据存储服务器5进行实时通讯。
63.标定旋流器不同工况下的频谱特征值范围；
64.采集旋流器正常运转状态和各类故障状态下的频谱特征值，并进行标定，获得传感器状态对应不同故障状态的参数。
65.基于原始声振数据、预处理后的声振数据、旋流器不同工况下对应的频谱特征值数据，通过抽取并分析数据之间的特征关系，建立多叉树节点的数据库结构，建立声振监控参数数据库和故障归因数据库。
66.数据存储服务器5将存储旋流器参数数据和特征关系数据，这部分数据以多叉树节点结构为主，因此选择最适合这种数据结构的低延迟分布式图数据库来进行保存。采用虚拟容器化的部署方式，在一台服务器上部署多个图数据库节点，以最大化的利用服务器的多路多核心处理器硬件资源，带来最佳查询性能。同时由于图数据库支持graphql查询方式，可以按需查询，多跳查询，带来对复杂树形节点结构的高效操作。数据存储服务器5需要存储原始声振数据、预处理后的声振数据。这部分数据以海量二进制文件为主，文件大小根据采样频率和采样长度的设置不同，从几百kb到几十mb不等，这部分数据是存储压力的主要来源，采用对象存储方式来实现对这些文件数据的存储，可以利用对象存储的扁平化设计特点，最大限度的减小对于海量小文件元信息管理的存储和读写压力，达到最快速的文件读写性能，同时对象存储的文件生命周期管理功能，可以方便的实现非常必要的文件过
期删除功能和数据稀释功能。数据存储服务器5还需要存储声振频谱特征值数据及对应的旋流器的状态数据。这部分数据以时间序列为主要结构，选择时序数据库进行存储，可以获得最佳读写性能，同时时序数据库都拥有针对时间序列数据的专用压缩算法，可以大大节省存储空间。同时时序数据库的查询接口一般都支持针对时间序列设计的最新查询，时段查询，聚合查询，空值处理，结果分页，时序对齐等功能，可以大大方便应用层对这部分数据的处理和操作。
67.在一些实施例中，所述基于声振数据和预处理后的声振数据对旋流器进行监测的具体步骤如下：
68.声振数据挖掘：采用深度学习和强化学习分析器6读取数据存储服务器5中的声振数据和预处理后的声振数据，通过深度学习的算法，尤其是基于少样本的监督学习和分类样本的非监督学习结果相结合的半监督学习方法对旋流器进行故障趋势分析，实现旋流器的全周期管理。利用大数据统计分析方法，获得声振频谱数据中每种参量(振幅、频率、相位、速度、加速度)的分布规律(伯尔分布、正态分布等)，按照一定的置信度设定上下阈值，作为故障诊断依据。同时通过分量混淆、噪声混淆进行数据增强，由原始样本(由预处理后的声振数据和运行工艺数据形成的原始样本)生成负样本和伪标签，解决故障状态标签数据稀缺问题，为数据表示提取提供保障。设计神经网络结构和损失函数(示例性的，支持向量机或深度残差网络)，根据伪标签提供的监督信号执行自监督代理任务，提取与健康状况相关的数据表示，减小数据多变性影响，降低误报率。通过数据增强生成的负样本能够对不同健康状况下观测数据的分布特性施加约束，为状态监测所需的数据可分性假设提供保证，降低漏报率。示例性的，结合标定的正常状态的传感器参数范围和常规的70％的置信度设定声振数据和运行工艺数据的上下阈值，作为故障诊断依据。然后通过强化学习不断提高置信度，最终将置信度提高到85％以上。
69.在一些实施例中，所述基于所述运行工艺数据建立运行工艺参数数据库包括以下步骤：
70.对旋流器不同工况下的运行工艺数据进行标定；
71.采集旋流器各种运转状态下的运行工艺数据，并进行标定，获得传感器对应不同运行状态下的运行工艺参数。运行工艺数据具体包括进入旋流器的矿浆浓度、矿浆压力，处理能力、旋流器出口的不同粒度等。正常工作状态如不同的处理粒度范围、不同处理量等；故障状态如旋流器空吸、矿压波动大、筛孔堵塞、底流嘴磨损严重等。
72.数据存储服务器5基于运行工艺数据以及对应的旋流器的不同工况，建立运行工艺参数数据库。
73.在一些实施例中，所述基于所述运行工艺参数数据库对旋流器进行运行工艺参数优化的具体内容如下：
74.采用深度学习和强化学习分析器6读取数据存储服务器5中的运行工艺数据和预处理后的声振数据，采用基于强化学习的大数据分析方法，优化运行工艺参数，实现旋流器的生产管理和能源管理，并将计算结果返回到数据存储服务器5中。利用先验知识(包括基于多能域动力学模型获得的机理知识，经验预判的理论逻辑等)，可以对相应的多参量进行数据层融合构造出新的状态参量，提供更丰富、更精细的数据和特征输入。对运行工艺数据和预处理后的声振数据进行多元非线性回归分析，结合长周期历史数据，可以挖掘各参量
之间的关联关系，尤其获得生产效率参数和能源消耗参数和采集的运行工艺参数之间的函数关联关系。然后利用函数关联关系优化实时运行工艺参数，给出运行工艺数据调整建议。其中，运行工艺参数为以优化产线输出粒度、处理量和旋流器使用寿命为目标来调整输入浓度、流量、压力、溢流管插入深度、底流口直径等参数。
75.在一些实施例中，所述基于所述运行工艺参数数据库对旋流器进行运行工艺参数优化之后还包括：
76.基于数据存储服务器5存储的声振监控参数数据库、故障归因数据库和运行工艺参数数据库建立旋流器的智能化管理平台；开发旋流器运行的实时显示界面、底层的数据采集存储管理、数据存储和数据库管理、设备全周期管理、生产管理、安全管理、能源管理等内容，实现旋流器的全面管理。
77.将智能化管理平台进行展示。采用智能触摸屏或液晶屏将显示旋流器的智能化管理平台在智能化平台显示界面7中进行展示。
78.基于上述的旋流器检测方法，本实施例提出一种旋流器检测装置，包括：声振传感器1、声振数据采集边缘单元2、声振分析系统服务器3、工艺数据采集单元4和数据存储服务器5；
79.所述声振传感器1设置于旋流器上，且与声振数据采集边缘单元2连接；
80.所述声振数据采集边缘单元2与声振分析系统服务器3连接；
81.所述声振分析系统服务器3与数据存储服务器5连接；
82.所述工艺数据采集单元4与数据存储服务器5连接。
83.声振传感器1为声振一体传感器，可以采集旋流器的声纹数据和振动数据，声纹数据没有方向但可以进行早期故障预判，振动数据具备方向性，可以进行故障方向诊断，声振一体传感器采集同一点的声音和振动信号更加准确的进行故障诊断。示例性的，在旋流器上的安装位置主要是旋流器的锥形体位置和圆柱体位置，每个旋流器一般安装3个声振传感器1，布置在同一圆柱体的90
°
位置的2个和圆柱体轴线位置上的1个。
84.声振数据采集边缘单元2可以将采集的传感器数据进行数据的初步清洗，将有效数据通过有线或无线传输方式传输到声振分析系统服务器3中。在一些实施例中，声振数据采集边缘单元2也可以只具备数据传输功能，预处理功能(初步清洗)在声振分析系统服务器3中进行处理。
85.声振分析系统服务器3将采集的声振数据进行存储和数据处理，分析旋流器的频谱特征值，作为故障诊断的参考数据，同时处理前后的声振数据都可以通过开放api接口，与数据存储服务器5进行实时通讯。声振分析系统服务器3将采集的声振数据和旋流器的状态需要进行实际标定，尤其是需要标定旋流器特定故障状态下的数据，包含不同的出渣口堵塞程度、溢流出的不同粒度等。
86.工艺数据采集单元4可以通过dcs系统开放opc协议，采集现场的运行工艺数据，或者通过各传感器加边缘端进行各个传感器数据，并将采集的运行工艺数据发送至数据存储服务器5中。
87.数据存储服务器5中的主要功能是存储声振数据、预处理后的声振数据和运行工艺数据，将监控的声振数据和运行工艺数据在智能化平台显示界面7上实时显示。同时通过建立旋流器的智能化平台，包含底层的数据采集存储管理、数据存储和数据库管理、设备全
周期管理、生产管理、安全管理、能源管理等内容，实现旋流器的全面管理。最终形成旋流器的声振监控参数数据库、故障归因数据库和运行工艺参数数据库。
88.旋流器检测装置，还包括：深度学习和强化学习分析器6和智能化平台显示界面7；
89.所述深度学习和强化学习分析器6和智能化平台显示界面7分别与数据存储服务器5连接。
90.深度学习和强化学习分析器6可以实时读取数据存储服务器5中的预处理后的声振数据和运行工艺数据，通过深度学习的算法，尤其是基于少样本的监督学习和分类样本的非监督学习结果相结合的半监督学习方法对旋流器进行故障趋势分析，实现旋流器的全周期管理。基于强化学习的大数据分析，优化运行工艺参数，实现旋流器的生产管理和能源管理，并将计算结果返回到数据存储服务器5中。
91.智能化平台显示界面7可以实时显示旋流器智能化平台中的实时运行的预处理后的声振数据和运行工艺数据，并能够显示智能化平台的整体功能。
92.本发明中提出的一种旋流器检测方法和装置，实现了选矿厂中旋流器的设备运行状态监测和运行工艺参数优化，并通过智能化管理平台进行显示和管理；
93.(1)采用接触式的声振一体传感器采集水力旋流器的声音和振动参数，实现了旋流器故障的声纹的早期诊断归因和振动的定向诊断归因，比单一采用振动信号归因的方法能够更早期的进行故障预判；
94.(2)基于采集的声振数据，采用基于少样本的监督学习和分类样本的非监督学习结果相结合的半监督学习方法对旋流器进行运行故障预判，形成故障归因数据库，实现设备运行状态的预测性维护，解决了旋流器磨损较快，实用寿命短的问题；
95.(3)针对现场的运行工艺参数和声振监控参数进行基于强化学习的大数据分析，实现生产过程的运行工艺参数优化，最终实现旋流器设备的智能化管控，更好地实现旋流器的运行工艺参数、出料粒度不易控制的问题；
96.(4)实现了旋流器的智能化管理平台，包含底层的数据采集存储管理、数据存储和数据库管理、设备全周期管理、生产管理、安全管理、能源管理等内容，实现旋流器的全面管理。该管理平台可以扩展应用于其他设备或工艺流程的智能化管理中。
97.尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

技术特征：
1.一种旋流器检测方法，其特征在于，包括：基于预处理后的声振数据建立声振监控参数数据库和故障归因数据库；基于声振数据和预处理后的声振数据对旋流器进行监测；采集运行工艺数据；基于所述运行工艺数据建立运行工艺参数数据库；基于所述运行工艺参数数据库对旋流器进行运行工艺参数优化。2.根据权利要求1所述的旋流器检测方法，其特征在于，所述基于预处理后的声振数据建立声振监控参数数据库和故障归因数据库包括以下步骤：采集声振数据；对声振数据进行预处理；将预处理后的声振数据进行分析，确定旋流器的频谱特征值；标定旋流器不同工况下的频谱特征值范围；基于声振数据、预处理后的声振数据、旋流器不同工况下对应的频谱特征值，建立声振监控参数数据库和故障归因数据库。3.根据权利要求2所述的旋流器检测方法，其特征在于，所述频谱特征值为振幅、频率、相位、速度、加速度、振幅变化率、频率变化率、相位变化率、速度变化率和加速度变化率中的一个或多个。4.根据权利要求1所述的旋流器检测方法，其特征在于，所述基于声振数据和预处理后的声振数据对旋流器进行监测的具体步骤如下：基于声振数据和预处理后的声振数据，通过基于少样本的监督学习和分类样本的非监督学习结果相结合的半监督学习方法对旋流器进行故障趋势分析。5.根据权利要求1所述的旋流器检测方法，其特征在于，所述基于所述运行工艺数据建立运行工艺参数数据库包括以下步骤：对旋流器不同工况下的运行工艺数据进行标定；基于运行工艺数据以及对应的旋流器的不同工况，建立运行工艺参数数据库。6.根据权利要求1所述的旋流器检测方法，其特征在于，所述基于所述运行工艺参数数据库对旋流器进行运行工艺参数优化包括以下步骤：对运行工艺数据和预处理后的声振数据进行多元非线性回归分析；获得生产效率、能源消耗与运行工艺参数之间的函数关联关系；基于函数关联关系优化实时运行工艺参数。7.根据权利要求1或6所述的旋流器检测方法，其特征在于，所述基于所述运行工艺参数数据库对旋流器进行运行工艺参数优化之后还包括：基于声振监控参数数据库、故障归因数据库和运行工艺参数数据库建立旋流器的智能化管理平台；将智能化管理平台进行展示。8.根据权利要求7所述的旋流器检测方法，其特征在于，所述智能化管理平台包括：旋流器运行的实时显示界面、底层的数据采集存储管理、数据存储和数据库管理、设备全周期管理、生产管理、安全管理以及能源管理。9.一种基于权利要求1-8任一项所述的旋流器检测方法的旋流器检测装置，其特征在
于，包括：声振传感器(1)、声振数据采集边缘单元(2)、声振分析系统服务器(3)、工艺数据采集单元(4)和数据存储服务器(5)；所述声振传感器(1)设置于旋流器上，且与声振数据采集边缘单元(2)连接；所述声振数据采集边缘单元(2)与声振分析系统服务器(3)连接；所述声振分析系统服务器(3)与数据存储服务器(5)连接；所述工艺数据采集单元(4)与数据存储服务器(5)连接。10.根据权利要求9所述的旋流器检测装置，其特征在于，还包括：深度学习和强化学习分析器(6)和智能化平台显示界面(7)；所述深度学习和强化学习分析器(6)和智能化平台显示界面(7)分别与数据存储服务器(5)连接。

技术总结
本发明公开了一种旋流器检测方法和装置，所述方法包括：基于预处理后的声振数据建立声振监控参数数据库和故障归因数据库；基于声振数据和预处理后的声振数据对旋流器进行监测；采集运行工艺数据；基于所述运行工艺数据建立运行工艺参数数据库；基于所述运行工艺参数数据库对旋流器进行运行工艺参数优化。本发明基于采集的声振数据，采用半监督学习方法对旋流器进行运行故障预判，实现设备运行状态的预测性维护；针对现场的运行工艺参数和声振监控参数进行基于强化学习的大数据分析，实现生产过程的运行工艺参数优化，最终实现旋流器设备的智能化管控。智能化管控。智能化管控。


技术研发人员：郭丽敏 何荣权 唐雅婧 尤腾胜 郝朋越 陈宋璇 刘君
受保护的技术使用者：中国有色工程有限公司
技术研发日：2023.03.13
技术公布日：2023/7/12