圖 1 綜采工作面裝備
Figure 1. Equipment on fully mechanized working face
0. 引言
長壁綜采工作面是最高效的煤炭地下開采方法。綜采工作面是由滾筒采煤機、液壓支架、刮板輸送機、破碎機、橋式轉載機、帶式輸送機等十幾種、300多臺設備構成的機械裝備和煤巖交互的復雜系統（圖1）。為了提高生產效率，減輕礦工的工作強度，自動化、智能化開采已成為世界煤炭開采行業共同追求的目標。王國法等[1-4]提出，智能化綜采系統是指綜采工作面采用具有充分全面的感知、自學習和決策、自動執行功能的液壓支架、采煤機、刮板輸送機等機電一體化成套裝備，實現工作面高度自動化遠程監控和安全高效開采，并總結了4種智能化綜采工作面建設模式：薄煤層及中厚煤層智能化無人開采模式、大采高工作面智能耦合人工協同高效開采模式、綜放工作面智能化操控與人工干預輔助放煤模式、復雜條件機械化+智能化開采模式。葛世榮等[5-6]提出智采工作面定義為一個在不同程度上無需人工干預而獨立完成采煤作業的生產系統；指出智采工作面的基礎是智能機器，特征是自主感控，功能是獨立作業，目的是無人化開采；明確了智采工作面應具有自主感知、自主決策、自主控制、自主協同、自主交互等5個智能要素，并根據智能要素的水平差異將智采工作面劃分為初級、中級和高級。我國在智能化綜采工作面工程實踐方面開展了大量的研究工作，制訂了《智能化采煤工作面分類、分級技術條件與評價指標體系》[7-8]，并已建成約500個不同層次的智能化綜采工作面，逐步形成了液壓支架電液控制、采煤機記憶截割、工作面視頻監控、采煤機慣性導航定位、工作面自動調直等技術[9]。
下載: 本文在前人研究基礎上，總結分析智能化綜采工作面面臨的問題與挑戰，通過綜述數字孿生發展現狀，尋求應用數字孿生技術解決智能化綜采工作面現存問題和挑戰的途徑。
1. 智能化綜采工作面面臨的挑戰
智能化綜采工作面生產過程以綜采機械裝備為基礎，通過集成先進的傳感技術，實現采煤機可靠割煤與裝煤，同時保持工作面幾何關系與頂板可靠支護。因此，智能化綜采工作面無論采取何種原理方法和技術路徑，其目標都是自主完成綜采工作面可靠割煤、保持工作面幾何關系、頂板可靠支護?？煽扛蠲褐饕侵缚刂乒ぷ髅骈_采裝備始終在煤層中自適應截割；保持工作面幾何關系是指工作面開采裝備在連續推進過程中始終保持一定的直線度；頂板可靠支護是指液壓支架與圍巖之間始終保持穩定的耦合作用關系。
為了實現上述3個目標任務，綜采工作面智能控制技術可歸納為液壓支架電液控制技術（裝置）[10]、綜采裝備協同控制技術[11-12]、工作面通信技術[13]、工作面可視化技術[14]、采煤機定位技術[15-17]、采煤機自動調高技術[18-20]、工作面自動調直技術[21-22]和工作面圍巖支護控制技術[23-24]8項關鍵技術。這8項技術的內在邏輯關系及其與智能化綜采工作面3個目標任務之間的邏輯關系如圖2所示。采煤機定位技術、工作面可視化技術、液壓支架電液控制技術（裝置）、采煤機控制裝置、刮板輸送機控制裝置及綜采工作面其他裝備的控制裝置屬于智能化綜采工作面的感知與執行層，負責感知各裝備運行狀態，并執行決策層確定的目標指令。工作面通信技術是智能化綜采工作面的傳輸層，將綜采裝備狀態上傳到決策層，同時將決策層的目標指令下發給各控制裝置。綜采裝備協同控制技術、工作面自動調直技術、采煤機自動調高技術和工作面圍巖支護控制技術屬于智能化綜采工作面的決策層。工作面自動調直技術、采煤機自動調高技術和工作面圍巖支護控制技術的決策過程須以綜采裝備協同控制技術為基礎，即應該首先解決綜采裝備內部的協調問題[25]。
智能綜采工作面面臨的挑戰主要體現在決策層、感知與執行層，并與文獻[9，26]的觀點基本一致。
（1） 決策層的自主決策能力不能適應復雜多變的工況。綜采工作面是由綜采裝備和煤層組成的強耦合復雜系統，在煤層賦存、裝備與煤巖相互作用（頂板支護、煤層截割）和裝備協同作業方面具有不確定性、多樣性、復雜性特征。這使得綜采工作面僅基于工藝流程規則的智能化控制無法滿足工作面智能作業要求，更何況綜采工作面基于規則的智能控制算法尚不完備。鑒此，智能化綜采工作面分類分級評價指標體系中對智能決策性能暫未進行考評[8]。任何決策算法必須經過大量的實驗測試、驗證與考核，而目前還沒有能夠實現綜采工作面復雜系統智能決策算法測試的平臺，造成大量自主決策功能需要在工作面實際生產過程中檢驗和完善。但井下繁重的生產任務、惡劣的工況條件、極高的安全要求，使得控制系統決策算法的測試、驗證、完善難以系統開展。此外，煤層開采后不復存在，完善后的控制算法無法再次獲得相同的測試條件，導致系統完善效果無法驗證。因此，決策層面臨控制算法完備性、健壯性測驗和持續完善升級的重大技術難題。
（2） 感知與執行層不能支撐決策層的信息需求和決策指令的可靠執行。實現作業執行功能的綜采裝備長期服役于重載沖擊載荷工況與塵霧環境，導致綜采裝備性能劣化，乃至故障頻發[27]，綜采裝備無法可靠執行決策層的目標指令。一方面，綜采裝備已安裝了大量傳感器以獲得支撐綜采工作面智能化的感知信息。這些數量龐大的傳感器可靠性較低，反而影響綜采工作面運行。另一方面，受限于實際工況，因無法安裝傳感器，導致綜采裝備的一些關鍵狀態信息無法獲得，如實現機械系統故障預測與健康管理（Prognostics and Health Management，PHM）的振動、噪聲等傳感器幾乎沒有安裝。綜采工作面環境惡劣、裝備眾多，一味地增加傳感器對綜采工作面狀態感知和可靠運行作用有限，甚至可能降低可靠性、增加投入成本。因此，如何全面獲取綜采工作面狀態信息，準確預測綜采裝備性能及其劣化程度，并根據裝備性能和生產任務可達性決策裝備作業強度參數，隔離或抑制早期故障傳播，是實現工作面自主決策、近零停機、連續運行的難題。
2. 數字孿生發展現狀
2.1 數字孿生的定義與內涵
1991年，耶魯大學D. Gelernter教授在所著《Mirror Worlds》中定義了鏡像世界（Mirror Worlds）：從計算機屏幕中看到的代表真實世界的軟件模型，海量的信息通過巨大的軟件通道源源不斷地涌入模型，如此多的信息使得模型可以模擬現實世界每時每刻的運動[28]。2003年，密歇根大學M. Grieves教授提出產品生命周期管理(Product Lifecycle Management，PLM )的概念設想（圖3）：在虛擬空間構建的數字模型與物理實體交互映射，忠實地描述物理實體全生命周期的運行軌跡[29]。D. Gelernter教授被認為是第1個數字孿生想法的提出者，而M. Grieves教授雖然沒有明確提出“數字孿生”，但被認為是數字孿生的命名者[30]。2012年，NASA的E. H. Glaessgen和美國空軍的D. S. Stargel對數字孿生進行了嚴格的學術定義：數字孿生是飛行器或系統集成的多物理、多尺度的概率性仿真，它使用最好的可用物理模型、更新的傳感數據和歷史飛行數據等來反映與該模型對應的飛行實體全生命周期的真實性[31]。此外，很多學者也給出了數字孿生的定義，如：數字孿生是以數字化方式創建物理實體的虛擬實體，借助歷史數據、實時數據及算法模型等，模擬、驗證、預測、控制物理實體全生命周期過程的技術和手段[32]。數字孿生是一個對物理實體或流程的數字化鏡像，創建數字孿生的過程，集成了物理特性模型、人工智能/機器學習和傳感器數據，以建立一個可以實時更新的、現場感極強的“真實”模型，用來支撐物理產品生命周期各項活動的決策[33]。
雖然數字孿生至今沒有一個被普遍接受的統一定義，但其包括物理實體、虛擬實體、二者之間的連接數據（孿生數據）這一基本概念模型已被廣大學者認可?；跀底謱\生的基本概念，W. Kritzinger等[34]根據物理實體和虛擬實體之間數據連接集成程度的不同，將數字孿生劃分為3種類型：數字模型（Digital Model，DM）、數字影子（Digital Shadow，DS）、數字孿生（Digital Twin，DT）。當物理實體和虛擬實體之間的連接數據均為人工數據流時，虛擬實體被稱為數字模型（圖4（a）），人工交互數據的過程實質是一個典型的仿真過程。從物理實體反饋到虛擬實體的數據可作為虛擬實體仿真的邊界條件或仿真結果驗證參數。從虛擬實體反饋到物理實體的數據可以是設計或控制的優化參數和方案。當物理實體到虛擬實體的數據連接是自動的，而虛擬實體到物理實體的數據連接是手動的，此時構成數字影子（圖4（b））。物理實體反饋到虛擬實體的數據可以是物理實體的感知狀態數據。虛擬實體利用這些數據實現物理實體三維幾何再現[35-38]、基于狀態的維護（Condition Based Maintenance，CBM）[39-41]等仿真功能?？筛鶕摂M實體的仿真結果調整優化物理實體的控制方案或對其進行維修、維護。當物理實體和虛擬實體的雙向交互數據均為自動時，才是真正意義上的數字孿生（圖4（c））。此時虛擬實體利用物理實體自動反饋的狀態數據，通過各種模擬方法實現對物理實體狀態退化自動預測，優化決策出作業計劃[42-44]、維護規劃[45-47]乃至實時控制方法[48-49]。虛擬實體自動反饋決策數據到物理實體已被認為是數字孿生的典型特征之一[50]。
陶飛等[51-52]在物理實體、虛擬實體、孿生數據的基礎上，增加了孿生數據的傳輸通道“連接”、數字孿生的應用功能“服務”，進而將數字孿生擴展為包括物理實體（PE）、虛擬實體（VE）、孿生數據（DD）、連接（CN）和服務（Ss）的五維模型（圖5），并對5個要素的含義進行了闡述。物理實體是數字孿生五維模型的構成基礎，對物理實體的準確分析與有效維護是建立數字孿生的前提。物理實體具有層次性，按照功能及結構一般包括單元級（Unit）、系統級（System）和復雜系統級（System of Systems）3個層級。虛擬實體包括幾何模型、物理模型、行為模型和規則模型，這些模型能夠從多時間尺度、多空間尺度對物理實體進行描述和刻畫。孿生數據是數字孿生的驅動，包括物理實體數據、虛擬實體數據、服務數據、知識數據及融合衍生數據。連接實現數字孿生各組成部分的互聯互通。服務是指對數字孿生應用過程中所需的各類數據、模型、算法、仿真、結果進行服務化封裝。
2.2 數字孿生建模
2.2.1 數字孿生與建模仿真
根據數字孿生概念模型可知，虛擬實體，也就是能夠刻畫物理實體多時間尺度、多空間尺度行為的各種模型，是實現數字孿生的基本要素。因此，數字孿生與常規的建模和仿真有著千絲萬縷的聯系，但二者之間又存在差異。S. Reed等[50]對比分析了數字模型和數字孿生的建模過程。常規建模和仿真過程需要模型開發者人工輸入數據并進行監督校驗，并根據物理系統的運行機理建立其數字模型。數字模型的仿真通常進行1次即可獲得特定工況下的解決方案。數字模型具有靜態特性，代表模型開發時物理系統的行為。數字孿生建模首先利用物理裝備不同階段的歷史數據進行離線模式開發。與靜態的數字模型開發不同，數字孿生模型需要開發模型生成器。模型生成器根據物理系統的實時數據，產生能刻畫物理系統實時行為的數字孿生模型。此外，還需要開發模型驗證規則。每次模型生成并運行后，需要根據這些驗證規則分析仿真結果，以確保模型的合理性和正確性。因此，數字孿生模型具有動態特性，其與傳統仿真模型的最主要區別是通過傳感器隨時獲取物理實體的數據，并隨著實體一起演變，一起成熟甚至一起衰老[53]。從仿真角度可認為數字孿生技術屬于一種在線數字仿真技術。
數字孿生模型需具備以下功能：① 準確地再現物理對象的性能、行為和規則，從而形成物理對象的準確映射。② 模型自主運行以模擬物理對象的各種行為，進而指導物理對象的操控。③ 實現物理對象的遠程狀態監測。④ 可預測潛在問題。⑤ 在產品制造完成前驗證產品性能。除物理模型外，人工智能和機器學習也可應用于數字孿生。利用人工智能，可以分析識別數據中的模式、干擾和異?，F象。物理模型和分析模型之間不斷地進行數據交互，以實現數字孿生模型實時刻畫物理對象特性[54]。
2.2.2 數字孿生建模方法
數字孿生建模方法通常包括數據驅動的數字孿生和基于模型（仿真）的數字孿生2種。
數據驅動的數字孿生通常將物理對象看作黑箱模型，利用測量數據尋求建立物理對象的輸入輸出關系。數據驅動的數字孿生系統通常用于預測產量或檢測特定的產品異常。但由于該種數字孿生模型基于已測量的數據建立，所以無法預測不在這些數據涵蓋范圍以內的反常操作。數據驅動的數字孿生不需要物理對象的任何專業知識，因此很多商業化的數字孿生軟件通常采用該方法。N. Stojanovic等[55] 利用加工過程的大量歷史數據，通過大數據分析技術建立了數據驅動的可“自感知”的數字孿生模型。A. Coraddu等[56]通過搜集貨運船只狀態數據，利用深度極端學習算法建立了數據驅動的貨運船只數字孿生模型，用以估計海洋生物附著對運輸速度的影響。Pan Yue等[57]通過集成建筑信息模型（Building Information Modeling，BIM）、物聯網（Internet of Things，IoT）和數據挖掘（Data Mining，DM）等技術，建立了閉環數字孿生框架。數據驅動的數字孿生建模方法具有較大的局限性，數據驅動的數字孿生模型只能應用于模型構建數據確定的參數空間內，在沒有任何基于物理知識約束條件下使用數據驅動進行外推預測是非常危險的。因此，使用數據驅動的數字孿生模型不能獲得建模參數空間外的其他信息，無法像基于仿真的數字孿生模型那樣進行虛擬測試和人員培訓[58]。由于綜采工作面面臨感知數據缺乏的難題，所以數據驅動的數字孿生建模方法不適用于綜采工作面數字孿生建模。
基于仿真的數字孿生模型也稱作機理模型。這種建模方法的基本原理是第一原理模型（First Principles Models，FPMs），即利用工程、物理或化學機理描述刻畫物理對象的行為過程和特征。G. S. Martínez等[59]根據第一原理模型提出了基于仿真的數字孿生模型自動生成方法。模型參數估計技術能夠使在線仿真模型與目標物理系統保持相同的狀態，使得目標物理系統中一些實時的非測量信息可從模型中獲得?；诜抡娴臄底謱\生原理及其應用如圖6所示。仿真模型與目標物理系統同時運行，利用參數估計技術使仿真狀態始終與目標物理系統保持一致，進而獲得高保真的在線仿真模型。通過高保真在線仿真模型的預測，可以獲得物理系統無法測量的狀態參量，也稱為虛擬測試。此外，基于仿真的數字孿生模型可進一步開發為操作工人的培訓仿真系統、生成優化系統、故障與失效診斷系統等?；谏鲜鲈?，綜采工作面數字孿生建模宜采用基于仿真的方法。
3. 數字孿生對智能化綜采工作面的作用
隨著煤礦智能化研究和建設工作的深入，研究者開展了數字孿生技術在煤礦采掘中的應用研究。葛世榮等[60]提出了數字孿生智采工作面（Digital Twin Smart Mining Workface，DTSMW）的定義，即其是一個數據可視化、人機強交互、工藝自優化的高逼真采煤工作面三維鏡像場景，包括物理工作面、數字工作面和數據信息交互3個部分，并提出數字孿生智采工作面技術架構、關鍵技術、系統構建等，其涉及物理工作面、虛擬工作面、孿生數據、信息交互、模型驅動、邊緣計算、沉浸式體驗、云端服務、信息物理系統、智能終端等10項關鍵技術，實現煤礦智采工作面感知互聯、學習預測和協同控制。丁恩杰等[61]提出利用礦山運行機理、經驗知識、大數據分析與數字孿生建模技術融合的礦山生產場景可信數字孿生模型，作為智能化礦山知識服務的核心。謝嘉成等[62]提出了一種基于數字孿生的綜采工作面生產系統設計與運行模式，實現了對生產系統最優配置和裝備協同安全高效開采的目的。張旭輝等[63-64]提出了數字孿生驅動掘進裝備遠程智能控制技術構架，通過構建掘進工作面數字孿生體，將井下人員、設備、環境相關信息呈現到數字空間，虛實融合，共智互驅，達到數字掘進與物理掘進智能協同的目標，破解掘進施工中人?機?環共生安全難題。丁華等[65]提出了一種數字孿生與深度學習融合驅動的采煤機健康狀態預測方法，基于物理空間多物理參數構建數字孿生體和深度學習的關鍵零部件壽命預測模型，實現了采煤機實時狀態可視化與關鍵零部件剩余壽命預測，為采煤機預測性維護提供決策性指導。
針對智能化綜采工作面面臨的挑戰問題，筆者提出了綜采工作面數字孿生系統架構，如圖7所示，其包括綜采工作面物理實體和虛擬實體。綜采工作面物理實體由綜采工作面裝備及其智能控制系統組成；虛擬實體包括機理模型和行為模型。
圖 7 綜采工作面數字孿生系統架構
Figure 7. Digital twin system architecture of fully mechanized working face
（1） 綜采裝備機理模型。根據第一原理模型構建，包括綜采裝備作業載荷模型、綜采裝備機電液耦合模型和綜采工作面視景仿真模型。綜采裝備載荷模型是根據裝備與工作面煤巖耦合作用機理和負載變化規律建立的綜合考慮煤巖屬性、裝備作業參數的數學模型，為綜采裝備機電液耦合模型提供作業載荷數據。綜采裝備機電液耦合模型是根據綜采裝備的構成要素，基于機械動力學、流體力學和電磁場學等建立的多領域模型，可根據各綜采裝備控制器的作業指令和載荷模型預測的作業載荷實現對綜采裝備作業過程的仿真。綜采工作面視景仿真模型可通過Unity3D，3DMax等構建，根據綜采裝備機電液耦合模型的裝備運動參數實時顯示綜采工作面作業過程。
綜采裝備機理模型的輸出數據可分為綜采裝備物理系統可測數據和不可測數據?？蓽y數據是指綜采裝備傳感器能夠測量的數據；不可測數據是指綜采裝備因未安裝傳感器無法測量的數據，除直接獲得的作業載荷外，還包括裝備內部齒輪、鉸接軸等接觸載荷，這些數據是綜采裝備行為模型進行性能劣化分析預測的基礎。
（2） 綜采裝備行為模型。包括孿生數據庫及應力應變分析、性能劣化、健康狀態、故障圖譜、模型驗證分析等模型，主要用于描述綜采工作面物理實體隨時間推進的演化行為。綜采裝備行為模型可根據物理系統測量數據和機理模型仿真數據驗證分析綜采工作面機理模型的可信度，進而動態調整機理模型參數，以實時獲得綜采工作面的高保真機理模型；還可根據機理模型提供的載荷數據，通過有限元分析獲得裝備應力應變歷程，進而實現裝備性能劣化、健康狀態和潛在故障源的預測。
綜采裝備行為模型的輸出數據主要包括機理模型仿真數據和行為模型分析數據。這些數據為綜采工作面智能控制系統提供反映物理裝備運行狀態的全息信息，解決了決策層數據信息匱乏問題。
（3） 綜采工作面虛擬實體在線與離線運行。綜采工作面虛擬實體在線運行是指其與綜采工作面物理系統同時運行，二者之間自動傳輸數據（圖7），構成完整的數字孿生系統。利用綜采工作面虛擬實體模型全面獲取綜采工作面狀態信息，準確預測綜采裝備性能及其劣化程度，并根據裝備性能和生產任務可達性決策裝備作業強度參數，隔離或抑制早期故障傳播，實現工作面自主決策、近零停機、連續運行。
綜采工作面虛擬實體離線運行是指其只與綜采裝備控制器（系統）同時運行，如圖8所示。
圖 8 綜采工作面虛擬實體離線運行模式
Figure 8. Off-line run mode of virtual entities of fully mechanized working face
當仿真系統只包括綜采工作面機理模型、各綜采裝備控制器和綜采工作面集控中心時，該系統實質為硬件在環仿真系統，如圖8（a）所示。除作為被控對象的綜采機械裝備由在計算機上運行的機理模型代替外，硬件在環仿真系統與真實綜采工作面完全相同。由于不需要體積、質量龐大的綜采裝備，硬件在環仿真系統為綜采工作面控制系統智能控制算法在地面開發、測試、驗證和完善提供了實驗平臺。綜采工作面硬件在環仿真系統在文獻[66]已有詳細闡述，本文不再贅述。硬件在環仿真系統中的機理模型不能動態更新，只代表特定時刻的綜采機械裝備。因此作為實驗平臺只能開發基于工藝規則的智能控制算法，無法考慮綜采裝備的性能劣化。當仿真系統包括綜采工作面機理模型和行為模型，并與各綜采裝備控制器和綜采工作面集控中心集成連接時，該系統為計算實驗系統[67]或可實驗的數字孿生系統[68]，如圖8（b）所示。該系統通過綜采工作面機理模型和行為模型相互連接，使得綜采工作面隨時間推演過程中的復雜特性得以涌現。這些涌現事件和特征為綜采工作面智能控制系統真正的自主決策復雜算法開發、驗證、評估提供了所必須的全息數據。由于缺少真實綜采工作面物理系統的數據，這種涌現特征不是某個特定綜采工作面的真實映射。將某個特定綜采工作面的歷史數據注入到行為模型，獲得綜采工作面模型驗證算法，使得綜采工作面模型能夠隨綜采工作面歷史狀態進行自動更新，這是綜采工作面數字孿生模型的離線開發。該過程也是開發綜采工作面數字孿生系統的必須階段。
4. 結論
（1） 通過分析智能化綜采工作面目標任務、關鍵技術及其架構，提出了智能化綜采工作面面臨的挑戰為決策層的自主決策能力不能適應復雜多變的工況、感知與執行層不能支撐決策層的信息需求和決策目標的可靠執行。
（2） 通過分析數字孿生內涵及其仿真建模方法，指出智能化綜采工作面數字孿生模型宜采用基于仿真的數字孿生建模方法。
（3） 利用基于仿真的數字孿生建模方法，提出了綜采工作面數字孿生系統架構。綜采裝備機理模型是根據裝備與工作面煤巖耦合作用機理和負載變化規律建立的綜合考慮煤巖屬性、裝備作業參數的數學模型。利用該模型可以獲得綜采裝備物理系統的不可測數據。綜采裝備行為模型用于描述綜采工作面物理實體隨時間推進的演化行為，為綜采工作面智能控制系統提供反映物理裝備運行狀態的全息信息，解決了決策層數據信息匱乏的問題。
（4） 綜采裝備機理模型與其控制系統組合，形成綜采工作面硬件在環仿真系統，為基于工藝規則的智能控制算法提供測試平臺。綜采裝備機理模型、行為模型與其控制系統組合，形成綜采工作面計算實驗系統，為綜采工作面智能控制系統真正的自主決策復雜算法開發提供測試平臺。
1) 【編者按】煤礦采掘裝備智能化是實現煤炭安全高效開采的技術保障。國家發展改革委、國家能源局、應急管理部等八部委聯合印發的《關于加快煤礦智能化發展的指導意見》指出，重點突破智能快速掘進、復雜條件智能綜采等技術與裝備，對于沖擊地壓、煤與瓦斯突出等災害嚴重的礦井優先開展智能化采掘（剝）的機器人替代。近年來，我國煤礦智能采掘裝備在定位導航、智能感知、智能采掘工作面示范等關鍵技術和工程應用方面取得了一批先進成果，為實現煤礦采掘工作面少人化與安全高效作業提供了支撐。為進一步交流共享科研成果，探討智能采掘裝備在數字孿生、智能運維、智能決策等技術發展方向和難題，加快推動煤礦采掘作業智能化發展，保障礦山安全高效生產，《工礦自動化》編輯部特邀中國工程院葛世榮院士擔任客座主編，中國礦業大學王世博教授擔任客座副主編，于2022年第7期組織出版“煤礦智能采掘裝備技術與應用”專題。在專題刊出之際，衷心感謝各位專家學者的大力支持！
來源：工礦自動化
