引言

精餾塔是化工生產(chǎn)過程中最常見也是最重要的分離設(shè)備之一?；ぱb置中精餾塔設(shè)備投資巨大，約占化工項目設(shè)備總投資的30%～40%，其性能直接關(guān)系到生產(chǎn)裝置的投資、產(chǎn)能、質(zhì)量、能耗及成本。精餾過程的控制問題也一直是控制領(lǐng)域的重要研究課題。

現(xiàn)有的精餾塔的研究由于模型構(gòu)建復(fù)雜、構(gòu)建的數(shù)學(xué)模型通常不完善、存在控制效果不佳、診斷滯后、不能提前預(yù)測等缺陷。因此，化工行業(yè)精餾塔的節(jié)能優(yōu)化控制的研究大多處于實驗示范階段，在裝置中的實際應(yīng)用不多。在化工行業(yè)的自動化發(fā)展過程中，精餾塔設(shè)備運行的過程監(jiān)測較為成熟，已經(jīng)積累了大量的包括設(shè)備物聯(lián)數(shù)據(jù)、生產(chǎn)經(jīng)營數(shù)據(jù)和外部數(shù)據(jù)的工業(yè)大數(shù)據(jù)，實現(xiàn)涵蓋了精餾塔生產(chǎn)的全流程，包含時間與空間兩個維度上不同尺度的大容量工業(yè)大數(shù)據(jù)的信息收集和整理。

工業(yè)大數(shù)據(jù)作為一種資源，被廣泛認(rèn)為是化工行業(yè)由中國制造轉(zhuǎn)變?yōu)橹袊爸恰痹斓闹匾苿恿α?。因此，如何有效地對化工行業(yè)精餾塔歷史積累的數(shù)據(jù)進行大數(shù)據(jù)驅(qū)動的模型建立，并在有效建模的基礎(chǔ)上實現(xiàn)精餾塔的優(yōu)化生產(chǎn)，可解決目前行業(yè)中存在的難題，將為用戶提升產(chǎn)品質(zhì)量、降低生產(chǎn)能耗做出貢獻(xiàn)，也是化工行業(yè)智能化轉(zhuǎn)型升級的必然需求。

傳統(tǒng)的精餾塔建模方法分析

精餾塔傳統(tǒng)建模方法主要包括理論建模方法、傳統(tǒng)系統(tǒng)辨識和數(shù)據(jù)驅(qū)動的智能建模方法。其中理論建模方法和傳統(tǒng)系統(tǒng)辨識屬于傳統(tǒng)的建模方法?，F(xiàn)在的很多化工行業(yè)的建?；旧霞杏谇皟煞N方法。理論建模方法又稱為機理分析法，也被稱為“白箱”，它是通過分析過程內(nèi)在的運作規(guī)律，運用已知的原理、定律和定理等，在長期的實踐中建立實用的過程經(jīng)驗?zāi)Ｐ?。一種典型的機理建模技術(shù)是用代數(shù)方程、差分方程和微分方程來描述線性或非線性、連續(xù)或離散、確定或隨機等連續(xù)系統(tǒng)，為其建立系統(tǒng)模型。

現(xiàn)有的精餾塔的研究主要根據(jù)實際精餾塔的操作過程分析和基于流程模擬軟件的仿真，提出許多精餾塔模型，力圖實現(xiàn)精餾塔在現(xiàn)有條件下生產(chǎn)等量產(chǎn)品的產(chǎn)品質(zhì)量最好和生產(chǎn)同等產(chǎn)品質(zhì)量的產(chǎn)品產(chǎn)量最多和生產(chǎn)能耗最低的協(xié)調(diào)優(yōu)化問題，并對其異常狀態(tài)進行預(yù)測。這些研究很多都是基于精確數(shù)學(xué)模型。

在采用精確的五階模型的基礎(chǔ)上使用線性二次型調(diào)節(jié)器（LQR）方法設(shè)計最優(yōu)控制器，從而對精餾塔進行研究分析，但是這種方法忽略了模型參數(shù)發(fā)生變化的情況。部分業(yè)內(nèi)專家提出了使用理論設(shè)計控制器，分析、研究精餾塔系統(tǒng)的性能。但是控制方法針對的是模型參數(shù)攝動在較小范圍的控制過程，而且一定情況下其設(shè)計思想也導(dǎo)致了設(shè)計過程不必要的保守性，因此該方法忽視了模型參數(shù)在較大范圍發(fā)生變化的情況。在這些研究中通常依賴大量的專家知識，對某個確定的精餾塔進行精確建模，建模周期長、難度大。同時，由于模型預(yù)先給定，當(dāng)系統(tǒng)配置發(fā)生一定變化時，固定的模型很難應(yīng)對動態(tài)變化的控制需求。

理論建模方法是建立在理論分析的基礎(chǔ)之上的，通常需要對研究對象的內(nèi)部運作規(guī)律有深入的了解和認(rèn)識，而多數(shù)系統(tǒng)的內(nèi)部運作結(jié)構(gòu)較為復(fù)雜，很難完全從機理上歸納其內(nèi)在規(guī)律。然而，由于模型構(gòu)建復(fù)雜，構(gòu)建的數(shù)學(xué)模型通常不完善，存在診斷滯后、不能提前預(yù)測等缺陷。

因此，化工行業(yè)精餾塔的節(jié)能優(yōu)化控制的研究大多處于實驗示范階段，在裝置中的實際應(yīng)用不多，究其原因，主要是因為模型的不確定性、控制量和被控量的約束問題、控制算法實現(xiàn)的不可靠性以及存在執(zhí)行器出現(xiàn)故障時的優(yōu)化控制策略實施復(fù)雜等。

基于大數(shù)據(jù)驅(qū)動的精餾塔模型構(gòu)建技術(shù)研究

近年來隨著工業(yè)自動化技術(shù)和DCS技術(shù)的發(fā)展，精餾塔設(shè)備已經(jīng)初步實現(xiàn)了生產(chǎn)的自動化，并在運行中收集了大量的數(shù)據(jù)。但是，其大數(shù)據(jù)的深度利用不足，缺少基于大數(shù)據(jù)的精餾塔設(shè)備運行建?；蛘咴u價方法和依據(jù)。這里研究精餾塔系統(tǒng)基于大數(shù)據(jù)驅(qū)動建模的模型構(gòu)建方法、模型測試、模型評估及系統(tǒng)部署方法。

模型的離線學(xué)習(xí)和在線預(yù)測的整體架構(gòu)圖如圖1所示。

圖1模型的離線學(xué)習(xí)和在線預(yù)測的整體架構(gòu)圖

大數(shù)據(jù)驅(qū)動的精餾塔模型構(gòu)建及運行

針對精餾塔系統(tǒng)，對采集到的多年控制系統(tǒng)歷史數(shù)據(jù)進行數(shù)據(jù)挖掘，分析多達(dá)68個變量之間的內(nèi)在耦合關(guān)系，以尋找變化規(guī)律，并將這些學(xué)習(xí)得到的規(guī)律用于精餾塔系統(tǒng)控制中，以提升在保證輸出質(zhì)量、能耗較小和滿足設(shè)備約束條件下的系統(tǒng)效率和降低系統(tǒng)耗電量。主要解決思路是基于時間序列，通過深度學(xué)習(xí)對精餾塔系統(tǒng)的系統(tǒng)運行歷史數(shù)據(jù)進行建模，構(gòu)建系統(tǒng)各參數(shù)間的關(guān)系模型對模型的輸出進行預(yù)測。

數(shù)據(jù)預(yù)處理

由于精餾塔中數(shù)據(jù)繁多，數(shù)據(jù)中存在較多的缺失和異常數(shù)據(jù)。首先采用數(shù)據(jù)異常的鑒別方法，通過物理模型對異常數(shù)據(jù)進行篩選和重構(gòu)。由于物理特性、定律的限制，設(shè)備的不同狀態(tài)之間存在一定的耦合關(guān)系。傳感器數(shù)值的異常通常不會同時對所有的數(shù)值進行修改。因此，可以由此特性對異常的數(shù)據(jù)進行鑒別。

忽視離群點的存在是非常危險的，不加處理地將其進入數(shù)據(jù)的計算分析過程中，對模型建立會產(chǎn)生不良的影響。可以繪制變量的象形圖，通過平均數(shù)和中位數(shù)來描述數(shù)據(jù)集中趨勢的統(tǒng)計量，在一定程度上反映數(shù)據(jù)的整體水平。

特征值選取和處理

精餾塔模型是一個時滯的模型，構(gòu)建了集成近期數(shù)據(jù)、中期數(shù)據(jù)和長期數(shù)據(jù)的特征集。

通過考察輸入特征參數(shù)對模型輸出的敏感性來判定特征參數(shù)對模型輸出的影響重要程度，進而刪減冗余特征參數(shù)，此類方法稱為基于敏感性分析的特征參數(shù)選擇方法。根據(jù)敏感性系數(shù)的計算方式，基于敏感性分析的特征選擇方法可相應(yīng)的分為兩類：基于統(tǒng)計的隨機敏感性的特征參數(shù)選擇方法和基于偏導(dǎo)數(shù)敏感性的特征參數(shù)選擇方法。

當(dāng)影響因素較多時，采用平均影響值方法挑選出部分特征參數(shù)作為建模的輸入可簡化模型。當(dāng)影響因素較少或挑選出的部分特征參數(shù)，可采用平均影響值計各特征參數(shù)的權(quán)重系數(shù)并進行加權(quán)，進一步提高建模精度。

由于精餾塔數(shù)據(jù)有不同的類型：當(dāng)前時刻的特征分成三類：第一類（recent）是該時刻的相鄰區(qū)間字段值，區(qū)間大小為分鐘級，在該區(qū)間內(nèi)系統(tǒng)應(yīng)該是一個平滑變化的過程，比如前幾分鐘的變化可能反映了當(dāng)前時刻相似的特性；第二類（near）是對應(yīng)該時刻每間隔1個小時的時刻參數(shù)，直至間隔5小時以后不再考慮，總共重復(fù)取值操作；第三類（distant）是更遠(yuǎn)時間點相同的數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)分布可能具有1天的周期同分布情況，故以1天為間隔，取1天以后的該時刻數(shù)據(jù)作為特征的部分內(nèi)容。

模型構(gòu)建

由于輸入?yún)?shù)和輸出參數(shù)的數(shù)量總和較大，且需要進行基于時間序列的多變量多輸出預(yù)測，屬于較為復(fù)雜的系統(tǒng)分析問題。該系統(tǒng)數(shù)據(jù)分析需要較多的專業(yè)知識。為弱化這一前提，并期望習(xí)得一些潛在的變量間規(guī)律，提出了采用深度學(xué)習(xí)方法，用一個5層神經(jīng)網(wǎng)絡(luò)來得到目標(biāo)物濃度、含水量、耗電量和（不）可控變量的系統(tǒng)模型。

這里使用同樣的5層神經(jīng)網(wǎng)絡(luò)模型：一層為輸入層，一層為輸出層，中間三層為隱藏層。對于模型1，2來說，僅僅是輸入層有所不通。其中隱藏層的神經(jīng)元個數(shù)分別為3000個、2000個和100個。同時需要為該神經(jīng)網(wǎng)絡(luò)選擇激勵函數(shù)，如果不用激勵函數(shù)，每一層的輸出都是上層輸入的線性函數(shù)，導(dǎo)致無論神經(jīng)網(wǎng)絡(luò)有多少層，輸出都是輸入的線性組合，與沒有隱藏層效果相當(dāng)，退化成最原始的感知機（Perceptron）。

在激勵函數(shù)的選擇上，ReLu優(yōu)于常用的tanh和sigmoid。采用sigmoide函數(shù)時，計算量相對較大，同時在深層網(wǎng)絡(luò)中進行反向傳播時，容易出現(xiàn)梯度消失的情況，從而無法完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。相比較而言，ReLu可以使一部分神經(jīng)元的輸出為0，可以形成稀疏的網(wǎng)絡(luò)結(jié)構(gòu)，減少參數(shù)間的相互依存關(guān)系，緩解了預(yù)測過程的過擬合問題。

同時由于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中神經(jīng)元個數(shù)太多，造成計算過程極其漫長，一般都采用優(yōu)化算法來優(yōu)化學(xué)習(xí)過程。本次研究使用的Nadam算法，它是帶有Nesterov動量項的Adam（帶有動量向的RMSprop，利用梯度的一階矩估計和二階矩估計動態(tài)調(diào)整每個參數(shù)的學(xué)習(xí)率）。其對學(xué)習(xí)率的約束更強，也更直接地影響梯度的更新。

基于大數(shù)據(jù)驅(qū)動模型的精餾塔工藝操作優(yōu)化技術(shù)研究

考慮到工業(yè)優(yōu)化控制過程中，當(dāng)前控制策略改變當(dāng)前狀態(tài)會對之后的時間序列的數(shù)據(jù)特征產(chǎn)生影響，因此需要根據(jù)改變的狀態(tài)量來更新這些產(chǎn)生影響的特征變量。利用設(shè)備模型構(gòu)建的關(guān)于時間、塔釜溫度、塔釜壓力、塔進料量、塔頂回流、塔中部溫度和塔釜采出量可控變量（作為深度學(xué)習(xí)網(wǎng)絡(luò)的輸入層變量）與標(biāo)物濃度、含水量、耗電量（深度學(xué)習(xí)網(wǎng)絡(luò)的輸出層變量）的關(guān)系模型，提高模型的復(fù)用率，在控制策略的選擇上，由于滿足系統(tǒng)的輸出可能有非常多的參數(shù)輸出集合，提出基于遺傳算法的策略選擇算法。通過產(chǎn)生大量的控制策略，作為遺傳算法的初始種群，通過對交叉、變異、適應(yīng)度評價、最優(yōu)個體記錄等機制選擇出最優(yōu)秀的個體，作為當(dāng)前時刻的最優(yōu)策略，并將控制后改變的可控參數(shù)值更新到之后的時刻用于特征構(gòu)建在模型三中生成對應(yīng)這個時刻的初始種群，以達(dá)到基于時序進行優(yōu)化控制的目的。提出遺傳算法的編碼機制，和對“最優(yōu)控制”的適應(yīng)度函數(shù)。由于存在一定的限定條件，這些限定條件在目標(biāo)函數(shù)中通過懲罰懲罰項來計算適應(yīng)度函數(shù)[2]。

遺傳算法的步驟主要包含4個子流程，分別為基因選擇、基因交叉、基因變異及適應(yīng)度評估，其中基因表示問題的解，而解的表達(dá)要遵循一定的編碼方式。圖2分別給出了解的編碼形式。

圖2遺傳算法中解的編碼形式

精餾塔設(shè)備實時優(yōu)化：

隨時監(jiān)測過程運行狀況，在滿足所有約束條件的前提下，不斷調(diào)整工作點，以克服這些影響因素，保證過程始終能夠得到最佳的經(jīng)濟效益。所謂“在線”，是指整個優(yōu)化過程是自動進行的，從數(shù)據(jù)采集、模型修正，到優(yōu)化計算。實時優(yōu)化技術(shù)的實施必須有可靠的測量變送儀表、可靠的常規(guī)控制系統(tǒng)、可靠的先進控制技術(shù)和可靠的實時優(yōu)化模型及優(yōu)化算法，整個系統(tǒng)是一個高度集成的軟硬件體系。可以將簡單描述為當(dāng)過程處于穩(wěn)態(tài)時，對來自集散系統(tǒng)的現(xiàn)場數(shù)據(jù)進行數(shù)據(jù)調(diào)和，并以此為基礎(chǔ)對穩(wěn)態(tài)模型進行修正，在滿足一定約束條件的前提下用該模型進行優(yōu)化計算，優(yōu)化得到的最優(yōu)設(shè)定值送到下層的調(diào)節(jié)控制系統(tǒng)。當(dāng)過程處于新的穩(wěn)態(tài)工作點時，開始進行下一輪的數(shù)據(jù)調(diào)和、模型修正、優(yōu)化，如此循環(huán)往復(fù)。

實時優(yōu)化能夠有效融合管理層與控制層，實現(xiàn)工廠從頂層的計劃管理到底層的設(shè)備控制的全面自動化、最優(yōu)化，同時獲得以下方面的收益：

（1）增加產(chǎn)量，提高產(chǎn)品質(zhì)量，使生產(chǎn)始終維持在最佳操作狀況；

（2）減少原料和能源的消耗；

（3）延長設(shè)備的運行周期；

（4）對市場供求關(guān)系的變化反映及時；

（5）進一步深化對過程工藝與操作的了解，有助于工藝的改進和操作策略的調(diào)整。

精餾塔裝置的實時優(yōu)化是在基于大數(shù)據(jù)構(gòu)建的精餾塔優(yōu)化控制模型上，在線實時優(yōu)化由數(shù)據(jù)采集、數(shù)據(jù)校正、穩(wěn)態(tài)檢驗、模型參數(shù)更新、模型優(yōu)化計算、控制動作輸出幾個步驟組成，如圖3所示。

圖3在線實時優(yōu)化系統(tǒng)結(jié)構(gòu)

數(shù)據(jù)采集

包括直接由現(xiàn)場測量儀表測量的并已集中到DCS中的過程量（溫度、壓力、流量等）及不能由儀表直接測量的過程量（組分等）。

數(shù)據(jù)校正

因為采集到的實測數(shù)據(jù)均不可避免地帶有兩類誤差：過失誤差和隨機誤差。這種粗制數(shù)據(jù)是不能直接用來做優(yōu)化計算的，必須經(jīng)過一道“去粗取精，去偽存真”的處理。首先，進行篩選，偵破哪些數(shù)據(jù)是過失誤差數(shù)據(jù)。過失誤差又分為兩類：儀表相關(guān)誤差（如儀表失靈、敏感元件故障等）和過程隨機誤差（如泄漏等）。這種過失誤差數(shù)據(jù)必須刪去，不能參加校正計算，否則將會把這種大誤差傳播到其他好的測量數(shù)據(jù)上。其次，進行隨機誤差校正。刪去過失誤差的數(shù)據(jù)即可視為均帶有隨機誤差，但這類誤差通常滿足正態(tài)分布，可以用最小二乘法原理進行數(shù)據(jù)校正計算，用推算值彌補被刪去的大誤差值。經(jīng)處理過的數(shù)據(jù)成為可以滿足物料平衡和能量平衡的精制數(shù)據(jù)。

穩(wěn)態(tài)檢驗

當(dāng)前實時優(yōu)化技術(shù)均基于穩(wěn)態(tài)模擬模型，所以只有過程處于穩(wěn)態(tài)操作時才適用。系統(tǒng)入口首先就要檢驗過程是否處于穩(wěn)態(tài)操作。選取精餾塔裝置的一些關(guān)鍵工藝變量的測量值做統(tǒng)計分析，如果其測量多次的變化量低于設(shè)定閾值，則認(rèn)為統(tǒng)計上是穩(wěn)態(tài)的，否則就認(rèn)為不夠執(zhí)行實時優(yōu)化的條件，程序轉(zhuǎn)入等待循環(huán)，固定周期重新檢驗是否穩(wěn)態(tài)。

穩(wěn)態(tài)模型參數(shù)的更新

由流程模擬環(huán)節(jié)得到基于嚴(yán)格機理模型的穩(wěn)態(tài)模擬模型。得到的穩(wěn)態(tài)模擬模型，要形成在線實時優(yōu)化能用的模型還需要若干次加工：

數(shù)據(jù)校正模型。評價DCS測量數(shù)據(jù)的內(nèi)在一致性。它是一組聯(lián)立的（基于方程的）熱量和質(zhì)量平衡計算程序。最終目標(biāo)是給出一套完全處于熱量和能量平衡的一致性的測量數(shù)據(jù)，送入核算工況；

核算工況模型。以經(jīng)過校正的數(shù)據(jù)、分析數(shù)據(jù)及其他手動輸入數(shù)據(jù)為輸入，進行裝置全流程物料和能量平衡計算，從而核算出一些單元設(shè)備模型中的隨操作時間而變化的性能參數(shù)。

基礎(chǔ)工況模型。這類模型中的可變參數(shù)已經(jīng)標(biāo)定過，取得能反映裝置目前狀況的當(dāng)前值后的模型，該模型用來預(yù)測裝置操作條件變化后的裝置性能。

方案研究。在工況模型的基礎(chǔ)上，增加產(chǎn)品指標(biāo)的規(guī)定輸入，并可改變各種操作變量，從而進行各種方案的研究。

工況研究。在核算模型的基礎(chǔ)上，對工況研究變量進行改變，得到相應(yīng)變量的變化趨勢，從而研究操作變量與產(chǎn)品指標(biāo)之間的變化關(guān)系。如精餾塔裝置的回流比采出量與產(chǎn)品產(chǎn)出組分的關(guān)系等。

優(yōu)化模型。在核算模型的基礎(chǔ)上，加入決策變量和約束條件，如以精餾塔裝置產(chǎn)值最大為目標(biāo)函數(shù)，對精餾塔裝置操作條件進行在線優(yōu)化。

優(yōu)化計算

給定目標(biāo)函數(shù)（利潤最大、產(chǎn)量最高或成本最低等）及外部市場經(jīng)濟數(shù)據(jù)（原料成本、產(chǎn)品價格及水電汽單價等），選擇優(yōu)化算法并通過計算機計算最優(yōu)操作方案。

先進過程控制

將實時優(yōu)化計算得到的最優(yōu)操作點作為先進過程控制的設(shè)定點，實現(xiàn)精餾塔裝置以最優(yōu)路徑達(dá)到最優(yōu)操作點。

綜上所述，本次的研究通過分析大數(shù)據(jù)驅(qū)動的設(shè)備建模的主體需求，進行數(shù)據(jù)特征分析、特征工程提取、模型的選擇、訓(xùn)練與優(yōu)化和評估等多流程的設(shè)備模型構(gòu)建，根據(jù)該設(shè)備模型，構(gòu)建設(shè)備狀態(tài)的分析、狀態(tài)時序轉(zhuǎn)變及評測，實現(xiàn)設(shè)備工藝控制優(yōu)化。本次的研究具有以下先進性：

（1）大數(shù)據(jù)驅(qū)動的精餾塔設(shè)備模型建模和控制優(yōu)化可以不需要目標(biāo)系統(tǒng)的精確數(shù)學(xué)模型，并可以較為有效地應(yīng)對一定程度的不真實數(shù)據(jù)，受少數(shù)異常點的影響較小，并且具備持續(xù)改進和優(yōu)化的能力；

（2）通過應(yīng)用大數(shù)據(jù)技術(shù)對精餾塔設(shè)備的海量歷史數(shù)據(jù)進行深層分析挖掘，力圖快速獲取有價值信息，形成可供推廣的設(shè)備建模及控制優(yōu)化方法。

最終在實際項目上，可針對精餾塔設(shè)備達(dá)到以下技術(shù)指標(biāo)：

建模指標(biāo)：

·溫度參數(shù)測量指標(biāo)建模精確到0.1℃；

·壓力參數(shù)測量指標(biāo)建模精度達(dá)到0.1Kp；

·流量參數(shù)測量指標(biāo)建模精度范圍達(dá)到0.2%；

·對應(yīng)各組分含量能建模精確到0.5%；

控制優(yōu)化指標(biāo)：

·目標(biāo)提取物含量波動范圍縮小30%；

·雜質(zhì)含量相比行業(yè)標(biāo)準(zhǔn)降低60%；

·水份含量低于0.05%；

·提高產(chǎn)品平均出率0.5%。

本次研究基于大數(shù)據(jù)驅(qū)動的建模方式，進行化工行業(yè)精餾塔工藝操作優(yōu)化方法，將為用戶提升產(chǎn)品質(zhì)量、降低能耗，實現(xiàn)綠色發(fā)展的社會效益。也會使得化工行業(yè)對于大數(shù)據(jù)實現(xiàn)更加深度的應(yīng)用，通過大數(shù)據(jù)對于關(guān)鍵設(shè)備的建模，可以更加清晰地了解關(guān)鍵設(shè)備的運行狀態(tài)，同時提高設(shè)備運行、維護和優(yōu)化水平，實現(xiàn)化工行業(yè)的勞動效率、自動化、信息化、智能化水平顯著提升，在部分工藝階段實現(xiàn)無人化或少人化操作。基于工業(yè)云和工業(yè)大數(shù)據(jù)平臺的設(shè)備工藝操作優(yōu)化，不但使得設(shè)備自身具備自調(diào)整、自優(yōu)化和自診斷能力，及時響應(yīng)生產(chǎn)需求的變化，還可以通過工業(yè)網(wǎng)絡(luò)與其他智能模塊實現(xiàn)實時互動，重新組合生產(chǎn)流程和布局，滿足化工行業(yè)全流程智能建模、管理和優(yōu)化需求。

聲明：本文內(nèi)容由企業(yè)提供，如涉及版權(quán)、機密問題，請及時聯(lián)系我們刪除（QQ: 2737591964），不便之處，敬請諒解！