一种基于大数据的仪器设备故障预测与健康管理算法
文献发布时间:2023-06-19 09:30:39
技术领域
本发明提出了一种基于大数据的仪器设备故障预测与健康管理算法,属于设备管理技术领域。
背景技术
在仪器设备管理过程中,企业多是根据经验进行设备大修、小修、点检等维护,还有一些企业使用了大数据技术进行设备故障的预测,先搜集设备的静态数据和动态数据,然后建立设备状态与多种数据的关联关系,最后通过获取到的实时数据进行故障预测,这些方法都是基于历史数据和经验。现有的设备管理方法中仍存在如下问题:
1、基于历史数据和经验的故障预测方法的预测结果与实际的故障出现情况差异较大,造成备品备件库存过多或不足;
2、仪器设备出现故障之后,影响生产任务的达成率,设备的综合利用率仍然较低。
发明内容
本发明提供了一种基于大数据的仪器设备故障预测与健康管理算法,用以解决故障预测结果与实际故障出现情况差异较大以及造成设备综合利用率较低的问题,所采取的技术方案如下:
一种基于大数据的仪器设备故障预测与健康管理算法,所述方法包括:
通过应力传感器、声学传感器和震动传感器采集仪器设备的信号数据,并将所述信号数据发送至设备管理中心,同时,通过接口将所述仪器设备的实时运行参数发送至设备管理中心;
对发送至设备管理中心的信号数据和运行参数进行给预处理,获得预处理后的数据;
利用仿真工具针对所述与处理后的数据进行数字孪生设备的仿真分析,获得仿真数据;
根据所述仿真数据与所述仪器设备的实际数据进行数据特征提取,获取数据特征;
根据所述数据特征,利用前馈神经网络算法对所述仪器设备和/或所述仪器设备的关键部件的损耗和故障进行预测,获得预测结果。
进一步地,所述设备管理中心通过Kafka工具对所述信号数据和运行参数进行存储,包括:
通过Kafka工具接收到数据,通过Kafka消息总线将发送至数据库缓存区域;
所述数据库缓存区域在接收到所述数据后按照数据类型为基础对所述信号数据和运行参数进行分类,并按照数据生成的时间顺序将所述信号数据和运行参数在各自对应的数据类型中进行排序,获得数据集合;
所述数据库缓存区域提取所述数据集合的数据所占用的存储空间值,并按照的请求发送时间间隔向各数据库发送存储请求和各数据集合所需存储空间值;
所述各数据库在接收到存储请求后和各数据集合所需存储空间值,检测自身是否完成上一次数据存储的动作,若完成数据存储动作,则将所述数据库上一次进行数据存储所用时间和存储空间剩余量值发送至所述数据库缓存区域中;若没有完成数据存储动作,则向所述数据缓存区域发送暂停存储请求,并在完成数据存储动作后,将进行数据存储所用时间;
所述数据库缓存区域将返回存储空间剩余量对应的数据库作为候选存储数据库,并提取所述候选存储数据库上一次返回的存储空间剩余量,并将候选存储数据库当前返回的存储空间剩余量与上一次返回的存储空间剩余量进行比较,获得剩余量差值;
当所述剩余量差值超过第一预设差值阈值时,取消所述候选存储数据库的候选资格;当所述剩余量差值超过第二预设差值阈值且未超过第一预设差值阈值,或,所述剩余量差值未超过第二预设差值阈值时,保留所述候选存储数据库的候选资格;
所述数据缓冲区将所述数据集合个数与所述候选存储数据库的个数进行比较,根据比较结果按照存储规则进行数据存储;
所述数据缓冲区在接收到全部所述数据库反馈的同一批次的数据存储所用时间后,通过如下公式对请求发送时间间隔进行调整:
其中,T表示发送请求时间间隔;m表示所述数据库的个数;T
进一步地,所述存储规则为:
当所述数据集合个数小于所述候选存储数据库的个数时,按照所述剩余量差值从小到大的顺序筛选出与所述数据集合个数对应的数量的候选数据库,并依次将每个数据集合按照数据所占存储空间由大到小的顺序依次存储到按照所述剩余量差值从小到大的顺序排列的候选数据库中;
当所述数据集合个数大于所述候选存储数据库的个数时,将所述数据集合按照数据所占存储空间由大到小的顺序依次排列,获得数据集合序列;并将所述数据集合序列中的前A个数据集合存储至所述剩余量差值未超过第二预设差值阈值的候选数据库中,将按顺序的B个数据集合存储至所述剩余量差值超过第二预设差值阈值且未超过第一预设差值阈值的候选数据库中,再完成A个数据集合和B个数据集合存储之后,将C个数据集合存储至所述剩余量差值最小的一个候选数据库中;
其中,A对应所述剩余量差值未超过第二预设差值阈值的候选数据库的个数值,B对应所述剩余量差值超过第二预设差值阈值且未超过第一预设差值阈值的候选数据库的个数值,C对应所述数据集合个数与所述候选存储数据库的个数之间的差值。
进一步地,对发送至设备管理中心的信号数据和运行参数进行给预处理,获得预处理后的数据,包括:
对所述信号数据和运行参数对应的数据进行数据类型查看;
对所述信号数据和运行参数对应的数据进行数据类型校验;
对完成数据类型查看和数据类型校验的信号数据和运行参数进行数据清洗,获得清洗后的数据;
将清洗后的数据进行数据集成、数据变换和数据规约处理,获得预处理后的数据。
进一步地,利用仿真工具针对所述与处理后的数据进行数字孪生设备的仿真分析,获得仿真数据,包括:
利用APDLANSYS虚拟仿真方法针对所述与处理后的数据进行数字孪生设备的仿真分析,实时模拟所述仪器设备的运行情况,获得模拟后的仿真数据;
实时将所述仿真数据与所述仪器设备的运行数据进行一致性比较,保持所述仿真数据与所述仪器设备的运行数据之间的一致性。
进一步地,根据所述仿真数据与所述仪器设备的实际数据进行数据特征提取,获取数据特征,包括:
利用Spark工具针对所述仿真数据与所述仪器设备的实际数据进行数据特征提取;
将Spark工具提取到的数据输入至自编码器中,利用自编码器对输入的数据进行处理,获取数据特征。
进一步地,所述设备管理中心包括:
数据采集发送模块,用于通过应力传感器、声学传感器和震动传感器采集仪器设备的信号数据,并将所述信号数据发送至设备管理中心,同时,通过机床接口将所述仪器设备的实时运行参数发送至设备管理中心;
预处理模块,用于对发送至设备管理中心的信号数据和运行参数进行给预处理,获得预处理后的数据;
仿真模块,用于利用仿真工具针对所述处理后的数据进行数字孪生设备的仿真分析,获得仿真数据;
特征提取模块,用于根据所述仿真数据与所述仪器设备的实际数据进行数据特征提取,获取数据特征;
预测模块,用于根据所述数据特征,利用前馈神经网络算法对所述仪器设备和/或所述仪器设备的关键部件的损耗和故障进行预测,获得预测结果。
进一步地,所述预处理模块包括:
数据类型查看模块,用于对所述信号数据和运行参数对应的数据进行数据类型查看;
数据类型校验模块,用于对所述信号数据和运行参数对应的数据进行数据类型校验;
数据清洗模块,用于对完成数据类型查看和数据类型校验的信号数据和运行参数进行数据清洗,获得清洗后的数据;
数据处理模块,用于将清洗后的数据进行数据集成、数据变换和数据规约处理,获得预处理后的数据。
进一步地,所述仿真模块包括:
仿真分析模块,用于利用APDLANSYS虚拟仿真方法针对所述与处理后的数据进行数字孪生设备的仿真分析,实时模拟所述仪器设备的运行情况,获得模拟后的仿真数据;
一致性比较模块,用于实时将所述仿真数据与所述仪器设备的运行数据进行一致性比较,保持所述仿真数据与所述仪器设备的运行数据之间的一致性。
进一步地,所述特征提取模块包括:
数据特征获取模块,用于利用Spark工具针对所述仿真数据与所述仪器设备的实际数据进行数据特征提取;
发送模块,用于将Spark工具提取到的数据输入至自编码器中;
自编码器,用于对输入的数据进行处理,获取数据特征。
本发明有益效果:
与传统的仪器设备健康管理与故障诊断相比,本发明提出的一种基于大数据的仪器设备故障预测与健康管理算法,能够实现物理与虚拟设备实时交互与全方位状态比对,实时仿真设备的物理状态,更加全面的设备运行特征捕捉和更加准确的故障诊断与预测,以及更加精准的维修策略验证。这样可以更准确的预测备品备件的需求量,避免不足或过多。更加有针对性的维保策略可以减少设备的故障停机时间,提供设备综合利用率。
附图说明
图1为本发明所述算法的流程图;
图2为本发明所述算法的原理示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提出了一种基于大数据的仪器设备故障预测与健康管理算法,如图1和图2所示,所述方法包括:
S1、通过应力传感器、声学传感器和震动传感器采集仪器设备的信号数据,并将所述信号数据发送至设备管理中心,同时,通过机床接口将所述仪器设备的实时运行参数发送至设备管理中心;
S2、对发送至设备管理中心的信号数据和运行参数进行给预处理,获得预处理后的数据;
S3、利用仿真工具针对所述与处理后的数据进行数字孪生设备的仿真分析,获得仿真数据;
S4、根据所述仿真数据与所述仪器设备的实际数据进行数据特征提取,获取数据特征;
S5、根据所述数据特征,利用前馈神经网络算法对所述仪器设备和/或所述仪器设备的关键部件的损耗和故障进行预测,获得预测结果。
上述技术方案的工作原理为:首先,进行数据采集,在仪器设备上加装多种传感器,例如应力传感器、声学传感器、震动传感器等,传感器搜集到的信号数据实时传输到设备管理系统中;通过设备的接口获取设备的运行数据包括功率、电流、进给量、工作任务、工作时长等,获取到的信息实时传输到设备管理系统中。然后,针对获取到的数据进行数据处理,即对获取到的数据进行预处理,预处理包括数据类型校验、数据清洗、数据变换等,预处理过程基于SparkStreaming实现。预处理之后的数据可以用于仿真分析。最后,根据预处理后的数据进行仿真分析,具体为:应用ANSYS进行数字孪生设备的仿真分析,仿真分析的数据来源于实时的设备静态和动态数据,使用仿真工具可以实时模拟物理设备的运行情况,并且实时与物理设备的运行数据一致性进行对比,保证仿真结果的可靠性。然后,根据仿真数据和物理设备的实际数据进行数据特征提取,提取时可以应用连续小波变换、最大应力仿真等方法完成特征提取。同时,在所述数据特征的提取过程分为多个阶段步骤,第一阶段步骤是使用Spark工具进行特征提取,第二阶段为基于自编码器进行特征提取,实现数据的降维、减少冗余,对数据有更深入的了解。最后,根据仿真数据和物理设备的实际数据提取的数据特征,进行故障与寿命预测,本实施例中,基于前馈神经网络算法进行设备仪器或关键件的损耗、故障预测,预测结果指导用户进行决策。
上述技术方案的效果为:与传统的仪器设备健康管理与故障诊断相比,本发明提出的一种基于大数据的仪器设备故障预测与健康管理算法,能够实现物理与虚拟设备实时交互与全方位状态比对,实时仿真设备的物理状态,更加全面的设备运行特征捕捉和更加准确的故障诊断与预测,以及更加精准的维修策略验证。这样可以更准确的预测备品备件的需求量,避免不足或过多。更加有针对性的维保策略可以减少设备的故障停机时间,提供设备综合利用率。
本发明的一个实施例,所述设备管理中心通过Kafka工具对所述信号数据和运行参数进行存储,包括:
步骤1、通过Kafka工具接收到数据,通过Kafka消息总线将发送至数据库缓存区域;
步骤2、所述数据库缓存区域在接收到所述数据后按照数据类型为基础对所述信号数据和运行参数进行分类,并按照数据生成的时间顺序将所述信号数据和运行参数在各自对应的数据类型中进行排序,获得数据集合;
步骤3、所述数据库缓存区域提取所述数据集合的数据所占用的存储空间值,并按照的请求发送时间间隔向各数据库发送存储请求和各数据集合所需存储空间值;
步骤4、所述各数据库在接收到存储请求后和各数据集合所需存储空间值,检测自身是否完成上一次数据存储的动作,若完成数据存储动作,则将所述数据库上一次进行数据存储所用时间和存储空间剩余量值发送至所述数据库缓存区域中;若没有完成数据存储动作,则向所述数据缓存区域发送暂停存储请求,并在完成数据存储动作后,将进行数据存储所用时间;
步骤5、所述数据库缓存区域将返回存储空间剩余量对应的数据库作为候选存储数据库,并提取所述候选存储数据库上一次返回的存储空间剩余量,并将候选存储数据库当前返回的存储空间剩余量与上一次返回的存储空间剩余量进行比较,获得剩余量差值;
步骤6、当所述剩余量差值超过第一预设差值阈值时,取消所述候选存储数据库的候选资格;当所述剩余量差值超过第二预设差值阈值且未超过第一预设差值阈值,或,所述剩余量差值未超过第二预设差值阈值时,保留所述候选存储数据库的候选资格;
步骤7、所述数据缓冲区将所述数据集合个数与所述候选存储数据库的个数进行比较,根据比较结果按照存储规则进行数据存储;
步骤8、所述数据缓冲区在接收到全部所述数据库反馈的同一批次的数据存储所用时间后,通过如下公式对请求发送时间间隔进行调整:
其中,T表示发送请求时间间隔;m表示所述数据库的个数;T
其中,所述存储规则为:
当所述数据集合个数小于所述候选存储数据库的个数时,按照所述剩余量差值从小到大的顺序筛选出与所述数据集合个数对应的数量的候选数据库,并依次将每个数据集合按照数据所占存储空间由大到小的顺序依次存储到按照所述剩余量差值从小到大的顺序排列的候选数据库中;
当所述数据集合个数大于所述候选存储数据库的个数时,将所述数据集合按照数据所占存储空间由大到小的顺序依次排列,获得数据集合序列;并将所述数据集合序列中的前A个数据集合存储至所述剩余量差值未超过第二预设差值阈值的候选数据库中,将按顺序的B个数据集合存储至所述剩余量差值超过第二预设差值阈值且未超过第一预设差值阈值的候选数据库中,再完成A个数据集合和B个数据集合存储之后,将C个数据集合存储至所述剩余量差值最小的一个候选数据库中;
其中,A对应所述剩余量差值未超过第二预设差值阈值的候选数据库的个数值,B对应所述剩余量差值超过第二预设差值阈值且未超过第一预设差值阈值的候选数据库的个数值,C对应所述数据集合个数与所述候选存储数据库的个数之间的差值。
上述技术方案的效果为:通过上述方法和存储规则进行数据存储,能够有效降低存储空间的饱和速率,同时,能够提高各出数据库之间的存储空间剩余量的平衡性,避免数据存储空间之间的存储占用差距过大导致数据处使用不合理的问题发生。同时,通过上述数据库缓存区域和存储步骤的设置能够有效提高数据存储效率,在大数据动态数据存储过程中,提高数据存储的时效性和速率,有效避免因数据产生频率过高,存储要求频率过大造成的存储效率降低和数据等候量过大造成数据积压的问题发生。同时,通过上述发送时间间隔的自适应调整和调整公式的设置,能够有效减少数据库缓存区域内的数据积压量,使数据库缓存区域内数据进入量与数据输出量(即发送至数据库的数据量)保持高度平衡性和合理性,有效降低数据库缓存区域内数据积压的问题发生,提高数据存储效率。同时,根据数据库进行数据存储的时间进行数据存储的发送时间间隔调整,能够根据数据存储的实际情况,有效提高数据存储与数据存储发送两者之间的平衡性。
本发明的一个实施例,对发送至设备管理中心的信号数据和运行参数进行给预处理,获得预处理后的数据,包括:
S201、对所述信号数据和运行参数对应的数据进行数据类型查看;
S202、对所述信号数据和运行参数对应的数据进行数据类型校验;
S203、对完成数据类型查看和数据类型校验的信号数据和运行参数进行数据清洗,获得清洗后的数据;
S204、将清洗后的数据进行数据集成、数据变换和数据规约处理,获得预处理后的数据。
上述技术方案的工作原理为:首先,对所述信号数据和运行参数对应的数据进行数据类型查看;然后,对所述信号数据和运行参数对应的数据进行数据类型校验;随后,对完成数据类型查看和数据类型校验的信号数据和运行参数进行数据清洗,获得清洗后的数据;最后,将清洗后的数据进行数据集成、数据变换和数据规约处理,获得预处理后的数据。
上述技术方案的效果为:有效降低信号数据和运行参数中的噪声信号,提高后续对信号数据和运行参数处理的准确性,进而提高设备故障预测的准确性,降低故障预测结果与实际故障出现情况之间的差异。
本发明的一个实施例,利用仿真工具针对所述与处理后的数据进行数字孪生设备的仿真分析,获得仿真数据,包括:
S301、利用APDLANSYS虚拟仿真方法针对所述与处理后的数据进行数字孪生设备的仿真分析,实时模拟所述仪器设备的运行情况,获得模拟后的仿真数据;
S302、实时将所述仿真数据与所述仪器设备的运行数据进行一致性比较,保持所述仿真数据与所述仪器设备的运行数据之间的一致性。
上述技术方案的工作原理为:首先,利用APDLANSYS虚拟仿真方法针对所述与处理后的数据进行数字孪生设备的仿真分析,实时模拟所述仪器设备的运行情况,获得模拟后的仿真数据;然后,实时将所述仿真数据与所述仪器设备的运行数据进行一致性比较,保持所述仿真数据与所述仪器设备的运行数据之间的一致性。
上述技术方案的效果为:有效提高仿真结果的可靠性,进而提高设备故障预测的准确性,降低故障预测结果与实际故障出现情况之间的差异。
本发明的一个实施例,根据所述仿真数据与所述仪器设备的实际数据进行数据特征提取,获取数据特征,包括:
S401、利用Spark工具针对所述仿真数据与所述仪器设备的实际数据进行数据特征提取;
S402、将Spark工具提取到的数据输入至自编码器中,利用自编码器对输入的数据进行处理,获取数据特征。
上述技术方案的工作原理为:首先,利用Spark工具针对所述仿真数据与所述仪器设备的实际数据进行数据特征提取;然后,将Spark工具提取到的数据输入至自编码器中,利用自编码器对输入的数据进行处理,获取数据特征。其中,所述Spark工具通过连续小波变换、峭度指标获取方法,有效值获取方法、以及,最大应力仿真,能量仿真、应力循环次数等方式针对数据的不同特征进行针对性提取。
上述技术方案的效果为:通过上述方式进行数据特征提取,能够有效提高数据特征提取的准确性和特征全面性,进而提高设备故障预测的准确性,降低故障预测结果与实际故障出现情况之间的差异。同时,通过两个阶段的特征提取处理,能够有效数据的降维、减少冗余,使设备管理中心在数据处理过程中对数据有更深入的了解,使后续利用前馈神经网络算法进行故障预估的时候,能够有效提高设备故障的预测准确度。
本发明的一个实施例,所述设备管理中心包括:
数据采集发送模块,用于通过应力传感器、声学传感器和震动传感器采集仪器设备的信号数据,并将所述信号数据发送至设备管理中心,同时,通过机床接口将所述仪器设备的实时运行参数发送至设备管理中心;
预处理模块,用于对发送至设备管理中心的信号数据和运行参数进行给预处理,获得预处理后的数据;
仿真模块,用于利用仿真工具针对所述处理后的数据进行数字孪生设备的仿真分析,获得仿真数据;
特征提取模块,用于根据所述仿真数据与所述仪器设备的实际数据进行数据特征提取,获取数据特征;
预测模块,用于根据所述数据特征,利用前馈神经网络算法对所述仪器设备和/或所述仪器设备的关键部件的损耗和故障进行预测,获得预测结果。
上述技术方案的工作原理为:首先,利用数据采集发送模块通过应力传感器、声学传感器和震动传感器采集仪器设备的信号数据,并将所述信号数据发送至设备管理中心,同时,通过机床接口将所述仪器设备的实时运行参数发送至设备管理中心;然后,通过预处理模块对发送至设备管理中心的信号数据和运行参数进行给预处理,获得预处理后的数据;随后,采用仿真模块利用仿真工具针对所述处理后的数据进行数字孪生设备的仿真分析,获得仿真数据;之后,采用特征提取模块根据所述仿真数据与所述仪器设备的实际数据进行数据特征提取,获取数据特征;最后,通过预测模块根据所述数据特征,利用前馈神经网络算法对所述仪器设备和/或所述仪器设备的关键部件的损耗和故障进行预测,获得预测结果。
上述技术方案的效果为:与传统的仪器设备健康管理与故障诊断相比,本发明提出的一种基于大数据的仪器设备故障预测与健康管理算法,能够实现物理与虚拟设备实时交互与全方位状态比对,实时仿真设备的物理状态,更加全面的设备运行特征捕捉和更加准确的故障诊断与预测,以及更加精准的维修策略验证。这样可以更准确的预测备品备件的需求量,避免不足或过多。更加有针对性的维保策略可以减少设备的故障停机时间,提供设备综合利用率。
本发明的一个实施例,所述预处理模块包括:
数据类型查看模块,用于对所述信号数据和运行参数对应的数据进行数据类型查看;
数据类型校验模块,用于对所述信号数据和运行参数对应的数据进行数据类型校验;
数据清洗模块,用于对完成数据类型查看和数据类型校验的信号数据和运行参数进行数据清洗,获得清洗后的数据;
数据处理模块,用于将清洗后的数据进行数据集成、数据变换和数据规约处理,获得预处理后的数据。
上述技术方案的工作原理为:首先,通过数据类型查看模块对所述信号数据和运行参数对应的数据进行数据类型查看;然后,利用数据类型校验模块对所述信号数据和运行参数对应的数据进行数据类型校验;随后,通过数据清洗模块对完成数据类型查看和数据类型校验的信号数据和运行参数进行数据清洗,获得清洗后的数据;最后,采用数据处理模块将清洗后的数据进行数据集成、数据变换和数据规约处理,获得预处理后的数据。
上述技术方案的效果为:有效降低信号数据和运行参数中的噪声信号,提高后续对信号数据和运行参数处理的准确性,进而提高设备故障预测的准确性,降低故障预测结果与实际故障出现情况之间的差异。
本发明的一个实施例,所述仿真模块包括:
仿真分析模块,用于利用APDLANSYS虚拟仿真方法针对所述与处理后的数据进行数字孪生设备的仿真分析,实时模拟所述仪器设备的运行情况,获得模拟后的仿真数据;
一致性比较模块,用于实时将所述仿真数据与所述仪器设备的运行数据进行一致性比较,保持所述仿真数据与所述仪器设备的运行数据之间的一致性。
上述技术方案的工作原理为:首先,通过仿真分析模块利用APDL ANSYS虚拟仿真方法针对所述与处理后的数据进行数字孪生设备的仿真分析,实时模拟所述仪器设备的运行情况,获得模拟后的仿真数据;然后,利用一致性比较模块实时将所述仿真数据与所述仪器设备的运行数据进行一致性比较,保持所述仿真数据与所述仪器设备的运行数据之间的一致性。
上述技术方案的效果为:有效提高仿真结果的可靠性,进而提高设备故障预测的准确性,降低故障预测结果与实际故障出现情况之间的差异。
本发明的一个实施例,所述特征提取模块包括:
数据特征获取模块,用于利用Spark工具针对所述仿真数据与所述仪器设备的实际数据进行数据特征提取;
发送模块,用于将Spark工具提取到的数据输入至自编码器中;
自编码器,用于对输入的数据进行处理,获取数据特征。
上述技术方案的工作原理为:首先,通过数据特征获取模块利用Spark工具针对所述仿真数据与所述仪器设备的实际数据进行数据特征提取;然后,采用发送模块将Spark工具提取到的数据输入至自编码器中;最后,通过自编码器对输入的数据进行处理,获取数据特征。
上述技术方案的效果为:通过上述方式进行数据特征提取,能够有效提高数据特征提取的准确性和特征全面性,进而提高设备故障预测的准确性,降低故障预测结果与实际故障出现情况之间的差异。同时,通过两个阶段的特征提取处理,能够有效数据的降维、减少冗余,使设备管理中心在数据处理过程中对数据有更深入的了解,使后续利用前馈神经网络算法进行故障预估的时候,能够有效提高设备故障的预测准确度。
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。
- 一种基于大数据的仪器设备故障预测与健康管理算法
- 一种基于大数据及人机交互的仪器设备研发方法