检索结果-内蒙古大学图书馆

作者：王鑫沈阳化工大学

学位级别：硕士

随着工业系统的庞大化和复杂性的增长,一旦发生故障,不仅会影响生产的正常进行,还将造成一定的经济损失甚至人员伤亡。基于数据驱动的故障检测和诊断技术可以有效地提高系统的可靠性。本文以提高非线性、多模态过程故障诊断可靠性为目的... 详细信息

随着工业系统的庞大化和复杂性的增长,一旦发生故障,不仅会影响生产的正常进行,还将造成一定的经济损失甚至人员伤亡。基于数据驱动的故障检测和诊断技术可以有效地提高系统的可靠性。本文以提高非线性、多模态过程故障诊断可靠性为目的,研究了基于数据驱动的故障检测和定位算法,本文主要工作及贡献如下:针对化工生产过程的非线性特性,同时解决核局部保持投影方法中核参数的选择问题,提出了一种基于新的集成核局部保持投影（EKLPP）的故障检测方法。首先选取一系列具有不同参数的核函数将非线性数据投影到高维空间,提取数据的非线性信息,得到投影矩阵,建立一系列子KLPP模型。然后计算待检测数据的核矩阵并将其投影到KLPP模型上,利用统计量得到各子模型的检测结果,运用Bayesian决策将检测结果转化成发生故障概率的形式。最后利用集成学习法将检测结果组合,进行检测。将该方法应用于TE过程,仿真结果表明,与传统方法相比,该方法对非线性数据具有更好的检测效果。针对工业生产过程的多模态特性,提出了一种新的基于加权差分主元分析（WDPCA）的故障检测方法。首先选取原始数据样本的最近邻以及其前k个近邻,分别计算出其前j个近邻样本的均值和权值,利用加权差分的方法对原始数据进行预处理,剔除多模态特征。然后利用主元分析法计算出负载矩阵以及SPE和T2检测指标的控制限,建立PCA模型,进行故障检测。将该方法应用于数值例子和半导体生产过程,仿真结果表明,与传统方法相比,该方法对多模态数据具有更好的检测效果。针对工业生产过程的多模态特性,提出了一种新的基于改进局部熵局部保持投影（ILELPP）的故障检测方法。首先利用改进局部熵方法对原始数据进行处理,剔除原始数据的多模态和非高斯特性。然后计算LPP算法的投影矩阵以及SPE和T2检测指标的控制限,建立LPP模型。最后将待检测数据运用改进局部熵方法处理后投影到LPP模型上进行故障检测。将该方法应用于数值例子和半导体生产过程进行仿真,结果表明,与传统方法相比,该方法对多模态数据具有更好的检测效果。针对当各模态离散程度差异较大时,kNN对离散程度较小的模态中微弱故障点的检测效果较差的问题,提出了一种新的基于概率密度kNN（PD-kNN）的多模态故障检测方法。首先建立各模态的kNN模型,然后计算待检测样本与各训练样本的概率密度,确定待检测样本的所属模态,最后利用其所属模态的模型进行故障检测。将该方法应用于数值例子和半导体工业过程数据中验证其有效性。仿真结果表明,与传统方法相比,该方法具有更好的检测效果。针对传统故障定位方法常受到拖尾效应影响的问题,研究了kNN在化工生产过程故障定位中的应用,定义了一种新的基于kNN变量贡献（VCkNN）的定位指标。对检测出的故障计算训练数据基于kNN的变量贡献,再计算测试数据的各变量对定位指标的贡献,最后画出故障定位图。将该方法用于数值例子和TE过程,仿真结果说明该方法可以对故障进行准确定位,验证了该方法的有效性。

关键词：数据驱动故障检测故障定位非线性过程多模态过程

来源：评论

学校读者我要写书评

暂无评论

基于改进主元分析DDPCA的滚动轴承过渡模态早期故障检测方法

引用

沈阳建筑大学学报（自然科学版） 2024年第2期40卷 352-360页

作者：石怀涛乔思康龙彦泽蔡圣福郭瑾沈阳建筑大学机械工程学院辽宁沈阳110168 沈阳建筑大学高档石材数控加工装备与技术国家地方联合工程实验室辽宁沈阳110168

目的提出一种深度差分主元分析方法用于滚动轴承早期故障检测,解决滚动轴承在运行过程中长期处于变转速等多模态工况,故障特征难以提取和划分的问题。方法结合差分算法和深度分解原理的分段PCA故障检测方法,使用差分方法对原始数据进... 详细信息

目的提出一种深度差分主元分析方法用于滚动轴承早期故障检测,解决滚动轴承在运行过程中长期处于变转速等多模态工况,故障特征难以提取和划分的问题。方法结合差分算法和深度分解原理的分段PCA故障检测方法,使用差分方法对原始数据进行处理,通过K-means聚类方法将具有相似变量特征的过渡模态数据划分成为相同过渡子模态;结合深度分解理论对每个过渡子模态建立故障检测模型,并通过机械故障综合模拟实验台收集的数据验证模型准确性。结果随着分解阶数的增加,对过渡模态早期故障检测效果逐渐提升,对滚动轴承过渡子模态的划分越来越清晰,误报的情况也随着分解阶数的增加而逐渐减少;滚动轴承持续减速状态下外圈故障一阶分解检测的漏检率为17.2%,二阶分解检测的漏检率为8.6%,三阶分解检测的漏检率为6.6%。结论笔者所提方法对过渡子模态进行多层分解,可以准确提取过渡子模态中的故障特征并建立分段检测模型,提高了过渡模态的滚动轴承早期故障检测的准确性。

关键词：多模态过程滚动轴承早期故障检测深度主元分析差分算法

来源：评论

学校读者我要写书评

暂无评论

基于低维流形嵌入和非参数检验的工业过程模态识别

基于低维流形嵌入和非参数检验的工业过程模态识别

引用

第32届中国过程控制会议(CPCC2021)

作者：叶泽甫朱竹军赵志军阎高伟山西格盟中美清洁能源研发有限公司太原理工大学电气与动力工程学院

工业过程数据往往呈现多模态特性,建立全局软测量模型会降低预测的精度,而建立多模态预测模型的前提是能够对模态进行准确划分。考虑工业过程数据多模态、高维、序列等特性,本文提出一种基于低维流形嵌入和非参数检验的工业过程模态识... 详细信息

工业过程数据往往呈现多模态特性,建立全局软测量模型会降低预测的精度,而建立多模态预测模型的前提是能够对模态进行准确划分。考虑工业过程数据多模态、高维、序列等特性,本文提出一种基于低维流形嵌入和非参数检验的工业过程模态识别方法。首先从数据分布的角度出发,将过程数据映射到能够反映模态变化特性的低维流形上,对此低维流形上的数据进行相空间重构以提取数据时间序列信息,进而利用非参数统计中的Kolmogorov-Smirnov检验统计量度量相空间中重构分量的变化,最终有效实现过程数据的模态划分。通过TE多模态数据集的仿真实验表明,本文所提方法能够有效划分工业过程数据的多模态信息,划分精度满足后续软测量建模要求。

关键词：多模态过程 Kolmogorov-Smirnov检验数据分布低维流形

来源：评论

学校读者我要写书评

暂无评论

动态局部邻域主多项式分析故障检测研究

引用

控制工程 2022年第2期29卷 198-206页

作者：李元张轶男冯立伟沈阳化工大学信息工程学院辽宁沈阳110142 沈阳化工大学数理系辽宁沈阳110142

针对复杂工业过程中存在的动态性、多模态及非线性等特征,提出一种动态局部邻域主多项式分析(DNSPPA)的故障检测算法。首先,设置一定长度的时间窗来描述样本点之间的时序相关关系;其次,寻找时间窗内样本在空间方向上的局部近邻集,利用... 详细信息

针对复杂工业过程中存在的动态性、多模态及非线性等特征,提出一种动态局部邻域主多项式分析(DNSPPA)的故障检测算法。首先,设置一定长度的时间窗来描述样本点之间的时序相关关系;其次,寻找时间窗内样本在空间方向上的局部近邻集,利用近邻集对数据样本进行标准化处理;最后,在标准化处理后的数据上建立PPA模型,计算统计量并确立控制限进行故障检测。DNSPPA方法能解决复杂工业过程中的动态时序问题和多模态数据中心漂移的问题,从而降低多模态结构对PPA检测性能的影响。使用具有动态特征的多模态非线性数值例子和青霉素数据对DNSPPA方法进行仿真测试,并与主元分析法(PCA)、主多项式分析法(PPA)进行对比,仿真结果表明,DNSPPA方法能更加及时地检测到故障,且故障检测率较高。

关键词：多模态过程非线性过程动态建模主多项式分析故障检测

来源：评论

学校读者我要写书评

暂无评论

基于局部近邻标准化和主多项式算法的故障检测

引用

山东科技大学学报（自然科学版） 2020年第3期39卷 76-83页

作者：李元杨东昇冯立伟张成沈阳化工大学信息工程学院辽宁沈阳110142 沈阳化工大学数理系辽宁沈阳110142

针对工业过程的非线性和多模态特征,提出了一种基于局部近邻标准化(local neighborhood standard ization,LNS)和主多项式分析(principal polynomial analysis,PPA)结合的故障检测算法。首先,将样本数据通过局部近邻标准化(local neighb... 详细信息

针对工业过程的非线性和多模态特征,提出了一种基于局部近邻标准化(local neighborhood standard ization,LNS)和主多项式分析(principal polynomial analysis,PPA)结合的故障检测算法。首先,将样本数据通过局部近邻标准化(local neighbor standardization,LNS)算法,对每个样本构建k近邻数据集;然后应用k近邻数据集的均值和方差对当前样本进行标准化处理;最后使用PPA对已经标准化处理后的样本建模,计算出T 2和SPE统计量,并确定控制限进行故障检测。LNS算法能够去除数据中的多模态特征,而PPA算法能够有效的处理非线性数据,因此LNS-PPA方法能够提高具有多模态非线性特征的工业过程故障检测能力。将该方法应用于多模态非线性数值例子和田纳西伊斯曼(TE)化工过程,并将测试结果与主元分析法(principal component analysis,PCA)、主多项式分析法进行对比,其结果能够有效验证LNS-PPA的优越性。

关键词：故障检测非线性过程多模态过程过程监控主多项式分析

来源：评论

学校读者我要写书评

暂无评论

基于深度概率隐变量模型的软测量方法研究

基于深度概率隐变量模型的软测量方法研究

引用

作者：沈冰冰浙江大学

学位级别：博士

随着5G技术的蓬勃发展,工业过程的集成化程度日益升高,所采集得到的数据也呈现出了复杂的关系。而人工智能技术的迅猛发展既为数据驱动建模提供了新思路和新方法,也为智能制造创造了新机遇。本文结合已有的深度学习模型,针对工业过程中... 详细信息

随着5G技术的蓬勃发展,工业过程的集成化程度日益升高,所采集得到的数据也呈现出了复杂的关系。而人工智能技术的迅猛发展既为数据驱动建模提供了新思路和新方法,也为智能制造创造了新机遇。本文结合已有的深度学习模型,针对工业过程中数据关系复杂的问题,提出了基于深度概率隐变量模型的软测量建模方法。根据工业过程中数据处理的具体要求,本文重点解决了以下几个问题:(1)针对工业数据的强非线性问题,提出了非线性概率隐变量回归模型,用于质量变量的预测。该模型使用了变分自编码器,充分利用其非线性编码解码结构,以及概率模型的特性,设计出了一个非线性概率隐变量模型。相较于概率隐变量回归模型,基于变分自编码器的非线性概率隐变量模型是一种非线性形式的扩展。为了进一步获取更深层次的特征,提出了递阶非线性概率隐变量模型,其将变分自编码器的特征进行层层递阶,利用堆叠的形式加深特征提取层,从而获得更深层的概率隐变量并用于回归建模。同时,为了解决工业过程中有标签数据稀少的问题,在深度概率隐变量回归模型的基础上引入了半监督学习策略。大量无标签数据的充分利用能够优化特征提取结构,而少量有标签数据则专注于特征回归网络的训练。这种半监督学习的方法帮助原有算法取得了更优的预测效果。(2)针对工业过程中的动态性问题,提出了一种非线性动态系统结构。受隐马尔可夫模型启发,以前述的非线性概率隐变量回归模型为基础,将传统的有监督线性动态模型进行非线性扩展,推导了一种隐变量之间动态相连的有监督非线性动态模型,并使之用于处理非线性动态数据。此外,在整个时间序列中,考虑到待预测质量变量之间以及与过程变量之间的相关性,进一步利用了最大互信息系数作为衡量标准,给定了一个动态相关系数和一个变量相关系数,将非线性动态系统升级为有监督加权非线性动态系统。其中,动态相关系数用来衡量最终需要预测的质量变量与之前时刻质量变量的相关程度,变量相关系数用来衡量质量变量与各个过程变量之间的相关程度,由动态相关系数和变量相关系数加权得到最终的有监督非线性加权动态系统。进而考虑过程变量与质量变量采样频率不同的问题,在已有的框架上结合半监督学习方法,提出了半监督非线性加权动态系统。(3)针对工业过程中的数据多采样率问题,提出了一种多分辨率金字塔变分自编码器回归模型。同一过程数据采样频率不同导致了数据的多采样率问题,多采样率数据数量不等,难以直接建立软测量模型。不同于常见的升采样和降采样的方式对数据进行处理,该模型首先设计了一个多采样率数据预处理器,对多采样率数据进行数据重组与融合,将原有采样不规则的数据转换为多组不同特征数、不同样本量的规则数据,也就是多分辨率数据。进一步的,对多个分辨率数据,采用变分自编码器提取各个分辨率数据的非线性特征,由小到大构建多个特征金字塔,再利用不同大小的特征金字塔进行回归建模。最后根据训练集的建模效果选择合适大小的特征金字塔。该模型一方面通过不同分辨率特征融合能够获得更优的建模效果,另一方面训练集的建模效果可以帮助去除冗余信息,筛选出最优的多分辨率数据集进行质量预报。(4)针对工业过程中的多模态问题,提出了一种自加权解耦变分自编码器回归模型。同一个模态的数据之间本来就有一定的非线性,而模态信息的引入会使得数据更加复杂。如果使用前述的非线性特征提取模型,将多模态视为高维非线性特征,整体进行建模,会导致网络结构复杂,计算成本高等问题,存在一定的局限性。因此,需要对多模态数据进一步地分析。考虑到多模态数据大多基于相同的反应过程,因此多模态数据既有共性,也有各自的特性。故可将工业多模态数据对应的特征划分为模态基础特征和模态独有特征。自加权解耦变分自编码器模型就是利用解耦变分自编码器提取模态基础特征,利用输入生成自加权系数代表模态独有特征,两者结合得到最终的回归模型。进一步,基于域迁移学习的思想,提出了模态自适应的自加权解耦变分自编码器回归模型。该模型引入了梯度反转层,并用模态分类器对训练集中的模态进行划分,实现了多模态特征的对抗学习,增强了模态基础特征的模态共有属性以及自加权系数的模态独有属性。与深层网络模型以及高斯混合模型相比,该模型有更高的计算效率和估计精度。

关键词：数据驱动建模软测量建模深度概率隐变量模型非线性关系过程动态性多采样率建模多模态过程

来源：评论

学校读者我要写书评

暂无评论

基于改进近邻标准化主多项式的故障检测研究

引用

计算机仿真 2022年第2期39卷 501-506,517页

作者：李元姚宗禹沈阳化工大学信息工程学院辽宁沈阳110142

针对过程数据的多模态和非线性的特征,提出了改进的局部近邻标准化和PPA结合的过程故障检测方法。首先寻找每个样本的第一近邻样本,再寻找第一近邻样本的局部前k近邻集,用近邻集的均值和标准差进行数据标准化,最后使用主多项式分析(PPA... 详细信息

针对过程数据的多模态和非线性的特征,提出了改进的局部近邻标准化和PPA结合的过程故障检测方法。首先寻找每个样本的第一近邻样本,再寻找第一近邻样本的局部前k近邻集,用近邻集的均值和标准差进行数据标准化,最后使用主多项式分析(PPA)对标准化处理后的数据建模,计算T;和SPE统计量,并确定控制限进行故障检测。主多项式分析使用一组灵活的主多项式分量来描述数据能够有效地捕捉过程数据中潜在的非线性结构,ILNS方法能够将多模态数据融合为单模态数据,消除过程数据的多模态特征使PPA算法的建模更加精确。最后通过多模态非线性数值例子和田纳西伊斯曼(TE)化工过程数据实验进行仿真验证,并与传统的主元分析法(Principal Component Analysis, PCA)、主多项式分析法(PPA)进行对比,验证了ILNS-PPA方法的有效性及优越性。

关键词：局部近邻标准化主多项式分析多模态过程非线性过程故障检测

来源：评论

学校读者我要写书评

暂无评论

基于双局部近邻标准化与主多项式分析的故障检测方法

引用

计算机应用与软件 2022年第8期39卷 273-279,319页

作者：李元张轶男沈阳化工大学信息工程学院辽宁沈阳110142

针对实际工业过程中包含的多模态和非线性特征,主多项式分析(PPA)方法的单模态分布假设限制了其在多模态工业过程中的应用。因此,提出一种基于双局部近邻标准化(DLNS)和PPA结合的故障检测算法。该算法对每个检测样本寻找其对应的双层局... 详细信息

针对实际工业过程中包含的多模态和非线性特征,主多项式分析(PPA)方法的单模态分布假设限制了其在多模态工业过程中的应用。因此,提出一种基于双局部近邻标准化(DLNS)和PPA结合的故障检测算法。该算法对每个检测样本寻找其对应的双层局部信息集,利用双层局部信息对样本进行标准化处理,在处理后的样本集上对数据使用PPA模型进行建模,计算T^(2)和SPE统计量并确定控制限。DLNS可以将各模态的数据中心平移到同一点并调整各模态数据的离散程度,降低多模态结构对PPA性能的影响。使用多模态非线性数值例子和TE过程对该方法进行仿真测试,并与主元分析法(PCA)、主多项式分析法(PPA)进行对比分析,结果表明DLNS-PPA方法的有效性及优势。

关键词：故障检测过程监控非线性过程多模态过程主多项式分析

来源：评论

学校读者我要写书评

暂无评论

基于KPCA-SVM的故障检测方法研究

基于KPCA-SVM的故障检测方法研究

引用

作者：于欢沈阳化工大学

学位级别：硕士

随着现代科学技术的发展和进步,工业生产现代化水平不断提高,工业过程系统也不断朝着大型化、复杂化、集成化和精细化发展。在这样复杂的工业环境下,一旦发生故障,不仅会带来经济损失,更有可能会造成严重的人员伤亡事故。在此环境下,故... 详细信息

随着现代科学技术的发展和进步,工业生产现代化水平不断提高,工业过程系统也不断朝着大型化、复杂化、集成化和精细化发展。在这样复杂的工业环境下,一旦发生故障,不仅会带来经济损失,更有可能会造成严重的人员伤亡事故。在此环境下,故障检测和诊断技术随之发展,成为现阶段研究的热点。基于数据驱动的故障检测技术为保证生产安全和产品质量提供保障,是保证工业生产平稳运行的重要技术。在复杂工业过程中,多变量工业过程的耦合性强,对故障检测效果有一定影响。本文以提高故障检测效果为目的,将变量划分应用于故障检测,充分提取故障特征,研究基于数据驱动的故障检测方法,本文主要工作及贡献如下: （1）为了能够分别检测独立变量与相关变量,提出一种基于核主成分分析（KPCA）和支持向量机（SVM）相结合的相关和独立变量故障检测方法,记为KPCA-SVM。首先,应用基于互信息的变量划分策略,通过计算每个过程变量之间的互信息将过程变量划分为相关变量和独立变量。然后,在相关变量空间和独立变量空间分别建立KPCA和SVM模型对测试数据进行监测。与传统KPCA和SVM方法相比,KPCA-SVM方法结合了KPCA在检测相关变量和SVM方法在检测独立变量上的优势,提高了KPCA和SVM方法的故障检测性能。最后,将KPCA-SVM方法应用于数值例子和田纳西-伊斯曼（TE）工业过程进行故障检测,并与KPCA、核熵成分分析（KECA）和SVM方法进行比较。仿真结果表明,KPCA-SVM方法具有较好的检测效果,对于多种故障的检测效果有所提升,其中对于微小故障的检测效果有明显提升,进一步验证KPCA-SVM方法的有效性。（2）传统多模态过程故障检测方法通常将所有过程变量视为相关或独立关系进行特征提取,不能有效提取故障特征信息,造成故障检测效果不理想。为了提高对多模态过程数据的故障检测效果,提出一种基于变量划分的集成核主成分分析（EKPCA）与多模型支持向量机（MMSVM）相结合的多模态过程故障检测方法。首先,应用基于互信息的相关和独立变量划分策略,将过程变量划分为相关变量和独立变量;运用局部概率密度估计方法对相关变量和独立变量数据分别进行预处理,消除多模态特性对故障检测的影响;然后,在相关变量空间建立多个KPCA模型,计算每个子模型的SPE和Hotelling’s T2统计量,并利用核密度估计（KDE）计算控制限。将测试数据投影到每个子模型计算统计量,利用Bayesian决策将检测结果转化为发生故障的概率,运用集成学习法得到EKPCA模型对相关变量进行故障检测。在独立变量空间,通过改变核参数建立多个SVM模型,通过概率加权建立MMSVM模型对独立变量进行故障检测。最后,将提出的方法应用于TE多模态工业过程中,验证该算法的有效性。

关键词：数据驱动故障检测核主成分分析支持向量机变量划分互信息多模态过程

来源：评论

学校读者我要写书评

暂无评论

锅炉给水系统健康状态评估与故障预测研究

锅炉给水系统健康状态评估与故障预测研究

引用

作者：黎璠东南大学

学位级别：硕士

锅炉给水系统的安全稳定运行是维持大型火电机组运行可靠性与经济性的重要基础,有效的给水系统健康状态评估模型和故障预测方法有利于机组性能监测、控制决策与预先维修工作的开展。本文围绕健康评估体系理论和故障预测技术的建立和实... 详细信息

锅炉给水系统的安全稳定运行是维持大型火电机组运行可靠性与经济性的重要基础,有效的给水系统健康状态评估模型和故障预测方法有利于机组性能监测、控制决策与预先维修工作的开展。本文围绕健康评估体系理论和故障预测技术的建立和实践开展研究工作,主要研究内容如下: 针对给水系统的系统特性和故障特性,在对给水系统的功能结构、工作原理和故障信息进行论述和探究的基础上,采用形态学滤波的方法对运行数据进行了插补和去噪处理。随后采用ML-PCA方法,建立了给水系统的多模态模型,对运行模态进行了划分和识别。针对高维非线性、早期畸变监测困难和“残差污染”的问题,提出了一种基于SSAE的非线性建模方法,并采用重构方法对畸变样本的模型残差进行残差提取,获取能够表征早期畸变方向的模型残差。因重构方法在所有可能的畸变方向进行搜索,其残差提取的方向能够表达样本畸变的本质特性,有效抑制了“残差污染”问题。最后,在工程实例中验证了方法的有效性。针对复杂运行特性导致在健康状态评估和故障劣化趋势预测困难的问题,提出了一种融合多模态过程特征和畸变方向样本增强方法的健康指标构造体系,并给出了健康状态的全局-局部预警方法。为得到给水系统整体系统-子系统-子模块的健康监测框架,设计了一种组合变权重的方法将各层次的健康状态逐一表征,并随子模块的变量畸变而动态改变。最后,提出了一种基于SFA-Bi LSTM的多步时序预测方法,将提取到的模型残差中能够反映健康状态退化方向的特征进行学习,得到了表征给水系统运行健康退化趋势的健康指标退化曲线,并通过此曲线和多步预测方法获得了故障的RUL预测结果。最后,在工程实例中验证了方法的有效性。设计并开发了基于.NET框架、B/S架构和EXA数据库的厂级给水系统实时健康评估与故障预测平台。

关键词：给水系统多模态过程堆叠自编码器健康评估与故障预测深度学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：