1744 化工学报第 59 卷引言多变量强耦合大时滞大惯性和模型时变特性是钢球磨煤机制粉系统实现自动控制的主要困 [1] 难常规控制方式是将复杂控制过程分为几个功能独立的单回路 PID 控制, 由于没有考虑回路间耦合, 控制系统很难稳定在最佳工况, 容易造成钢球磨煤机满煤断煤超温及跑

Size: px

Start display at page:

Download "1744 化工学报第 59 卷引言多变量强耦合大时滞大惯性和模型时变特性是钢球磨煤机制粉系统实现自动控制的主要困 [1] 难常规控制方式是将复杂控制过程分为几个功能独立的单回路 PID 控制, 由于没有考虑回路间耦合, 控制系统很难稳定在最佳工况, 容易造成钢球磨煤机满煤断煤超温及跑"

韵昌
7 years ago
Views:

1 第 59 卷第 7 期化工学报 Vol.59 No 年 7 月 Journal of Chemical Industry and Engineering (China) July 2008 殐殐檭檭檭檭檭檭檭檭檭檭檭檭檭檭殐研究论文殐基于粒子群优化算法的球磨机制粉系统犘犐犇犃犖犖解耦控制器王介生 1, 丛峰武 2, 张勇 1 ( 1 辽宁科技大学电子信息与工程学院 ; 2 辽宁科技大学材料科学与工程学院, 辽宁鞍山 ) 摘要 : 球团厂钢球磨煤制粉系统是多变量强耦合时滞非线性以及生产工况变化大的复杂对象, 其自动控制问题一直是控制界关注的热点基于粒子群算法具有对整个参数空间进行高效并行搜索的特点以及 PID 神经网络的自调节和自适应特性, 设计了具有 PID 结构的多变量自适应神经网络控制器 PID 神经网络解耦控制方法被用来消除回路之间的耦合, 神经网络连接权值由粒子群算法进行学习优化仿真研究表明所建模型和所提控制方法具有较好的控制品质良好的自适应解耦能力和自学习功能该控制策略可在大范围内克服系统的非线性和强耦合问题, 具有很高的工程实用价值关键词 : 制粉系统 ; 解耦控制技术 ;PID 神经网络 ; 粒子群优化算法中图分类号 :TK232 文献标识码 :A 文章编号 : (2008) 犘犐犇犃犖犖犱犲犮狅狌狆犾犻犵犮狅狋狉狅犾犲狉狅犳犫犪犾犿犻犾狆狌犾狏犲狉犻狕犻犵狊狔狊狋犲犿犫犪狊犲犱狅狆犪狉狋犻犮犾犲狊狑犪狉犿狅狆狋犻犿犻狕犪狋犻狅犿犲狋犺狅犱 1 犠犃犖犌犑犻犲狊犺犲犵, 犆犗犖犌犉犲犵狑狌 2 1, 犣犎犃犖犌犢狅犵 ( 1 犛犮犺狅狅犾狅犳犈犾犲犮狋狉狅犻犮犪犱犐犳狅狉犿犪狋犻狅犈犵犻犲犲狉犻犵, 犔犻犪狅犻犵犝犻狏犲狉狊犻狋狔狅犳犛犮犻犲犮犲 & 犜犲犮犺狅犾狅犵狔 ; 2 犛犮犺狅狅犾狅犳犕犪狋犲狉犻犪犾犛犮犻犲犮犲犪犱犈犵犻犲犲狉犻犵, 犔犻犪狅犻犵犝犻狏犲狉狊犻狋狔狅犳犛犮犻犲犮犲 & 犜犲犮犺狅犾狅犵狔, 犃狊犺犪 , 犔犻犪狅犻犵, 犆犺犻犪 ) 犃犫狊狋狉犪犮狋 :Balmilcoalpulverizingsystemofpeletizingplantisacomplexnonlinearmultivariableprocess withstronglycouplingandtime delay,anditsoperationoftenvariessignificantly.theautomaticcontrol ofsuchasystemisaresearchfocusintheprocesscontrolarea.a multivariableadaptivepid artificial neuralnetwork (ANN)controler wasintroduced,which wasbasedonthecharacteristicsofparticle swarmoptimization (PSO)algorithmsearchingtheparameterspaceconcurrentlyandeficiently,andthe self regulationandadaptabilityofpidartificialneuronnetworks.decouplingcontroltechnologybasedon thepid ANN wasusedtoeliminatethecouplingbetweenloops.particleswarmoptimizationalgorithm was alsoadoptedtooptimizetheweightsofneuralnetworks.simulationresultsshowedthatcontrolermethod proposedhadbetercontrolquality,adaptivedecouplingabilityandself learningfunction.thenewcontrol strategycouldovercomenonlinearandstrongcouplingfeaturesofthesystem ina widerangeandis expectedtohavegreatpotentialforengineeringapplication. 犓犲狔狑狅狉犱狊 :coal pulverized system; decoupling control technology; PID ANN; particle swarm optimizationalgorithm 收到初稿, 收到修改稿联系人及第一作者 : 王介生 (1977 ), 男, 博士, 副教授基金项目 : 辽宁省教育厅高等学校科研基金项目 ( ) 犚犲犮犲犻狏犲犱犱犪狋犲 : 犆狅狉狉犲狊狆狅犱犻犵犪狌狋犺狅狉 : Dr. WANG Jiesheng. 犈 - 犿犪犻犾 : wang jiesheng@126.com 犉狅狌犱犪狋犻狅犻狋犲犿 :supported by the Higher Education Science FoundationofEducationDepartmentofLiaoningProvince ( ).

2 1744 化工学报第 59 卷引言多变量强耦合大时滞大惯性和模型时变特性是钢球磨煤机制粉系统实现自动控制的主要困 [1] 难常规控制方式是将复杂控制过程分为几个功能独立的单回路 PID 控制, 由于没有考虑回路间耦合, 控制系统很难稳定在最佳工况, 容易造成钢球磨煤机满煤断煤超温及跑粉等事故发生随着检测手段以及计算机技术的发展, 许多先进控制 [2 9] 方法被提出, 其中文献 [2 4] 采用神经网络技术对制粉系统进行解耦基于被控对象近似稳态增益的多变量模糊解耦控制方法并不能有效消除被控 [2] 对象的静态耦合文献 [3 4] 均提出了基于神经网络的解耦控制算法, 但神经网络为调整权值进行的学习速度慢, 并在误差大时进行学习必导致权值过大, 不利于工程实现 PID 神经网络是一种由比例 (P) 积分 (I) 微分 (D) 神经元组成的多层神经网络, 具有 PID [10] 控制和神经网络的优点对于多变量强耦合时变系统,PID 神经网络可以通过在线学习, 根据对象参数发生变化时对系统输出性能的影响来调整连接权值, 改变网络中比例积分和微分作用强弱, 使系统具备良好动态和静态性能, 达到系统解耦控制目的本文根据磨煤机的动态特性, 采用 PID 神经网络解耦控制策略来消除回路之间的耦合, 神经网络连接权值由粒子群算法进行学习优化仿真结果表明所提控制方法使制粉系统有一定自适应性, 无论是静态性能还是动态性能, 系统都达到了较好控制效果, 确保其长期可靠高效运行 1 PID 神经网络解耦控制系统结构 PID 神经网络是一种前向多层神经元网络, 它参照 PID 规律选取隐含层神经元的输入 / 输出函数, 使它们分别成为具有比例积分和微分处理功能的比例元积分元和微分元对于一个输入输出的多变量受控对象,PID 神经网络解耦控制器为 2 3 的三层前向网络, 包括个并列相同的子网络图 1 给出了一个二变量 PID 神经网络 [5] 解耦控制系统图中狉 1 和狉 2 表示系统设定值, 在此为热风门开度设定值和冷风门开度设定值 ; 狏 1 和狏 2 表示 PID 神经网络的输出值 ; 狔 1 和狔 2 表示系统的输出值, 为系统实际的出口温度和入口负压的图 1 PID 神经网络解耦控制器结构 Fig.1 ConfigurationofPID ANN decouplingcontroler 值 PID 神经网络解耦控制系统根据设定值和系统的实际输出的差值来调节网络输出隐含层有 3 个神经元, 其输入 / 输出函数分别为比例 (P) 积分 (I) 微分 (D) 函数子网络在隐含层到输出层相互交叉耦合, 网络输出层完成 PID 控制率的综合, 形成对象的控制输入, 实现多变量系统的解耦与控制 PID 神经网络解耦控制的能力来自它的并列交叉结构和非线性映射特性, 以及其隐含层神经元的 PID 处理功能 PID 神经网络根据使目标函数为最小的目的, 通过训练自主调整网络权值, 同时完成了系统的解耦和控制, 具备良好的解耦控制性能在任意采样时刻犽,PID 神经元网络的各层的输入 / 输出函数关系如下 (1) 输入层神经元的输入 / 输出函数为狓狊犻 ( 犽 )= 狌狊犻 ( 犽 ) (1) 式中狌狊犻为输入层神经元的输入值 ; 狓狊犻为输入层神经元的输出值 ; 狊为并列子网的序号, 狊 =1,2; 犻 =1,2 均为 (2) 隐含层各单元输入总值的计算公式相同, 2 狌狊犻 ( 犽 )= 狑狊犻犼狓狊犻 ( 犽 ) (2) 犻 =1 比例元的输入 / 输出函数为狓狊 1( 犽 )= 狌狊 1( 犽 ) (3) 积分元的输入 / 输出函数为狓狊 2( 犽 )= 狓狊 2( 犽 -1)+ 狌狊 2( 犽 ) (4) 微分元的输入 / 输出函数为狓狊 3( 犽 )= 狌狊 3( 犽 )- 狌狊 3( 犽 -1) (5) 式中狌狊犼为隐层神经元的输入值 ; 狓狊犼为隐层神经元的输出值 ; 狑狊犻犼为各子网输入层至隐含层的连接权值 ; 犼 =1,2,3; 狊 =1,2

3 第 7 期王介生等 : 基于粒子群优化算法的球磨机制粉系统 PID ANN 解耦控制器 1745 (3) 输出层神经元的输入为隐含层全部神经元的输出值的加权总和 2 3 狌犺 ( 犽 )= 狑狊犼犺狓狊犼 ( 犽 ) (6) 狊 =1 犼 =1 输出神经元的输入 / 输出函数为狓犺 ( 犽 )= 狌犺 ( 犽 ) (7) 式中狌犺为输出层神经元的输入值 ; 狓犺为输出层神经元的输出值 ; 狑狊犼犺为隐含层至输出层的连接权值 ; 犺 =1,2, 为输出层神经元序号 PID 控制器参数 ( 犓 P 犓 I 犓 D) 由网络加权系统狑来体现, 加权系统狑由粒子群算法进行优化 2 基于 PSO 算法训练 PID 神经网络 2 1 粒子群优化算法粒子群优化算法 (particleswarm optimiza tion,pso) 是由 Kennedy 等 [11 12] 于 1995 年提出的一种演化计算算法, 它是对鸟群觅食过程中的迁徙和聚集的模拟, 更确切地说是在由简单个体组成的群落与环境以及个体之间的互动行为目前已被广泛应用于函数优化神经网络训练和模糊系统控制等应用领域 [13 14] 第犻个微粒表示为犡犻 = ( 狓犻 1, 狓犻 2,, 狓犻犇 ), 然后粒子就跟踪两个极值在解空间搜索第一个是粒子本身所找到的最优解, 这个解叫做个体极值 pbest, 记为犘犻 = ( 狆犻 1, 狆犻 2,, 狆犻犇 ); 另一个极值是群体所有微粒经历过的最好位置 ( 有最好的适应度 ), 这个极值就是全局极值 gbest, 记为犘犵 = ( 狆犵 1, 狆犵 2,, 狆犵犇 ) 另外也可以不用整个种群而只是用其中一部分作为粒子的邻居, 那么在所有邻居中的极值就是局部极值微粒犻的速度用犞犻 = ( 狏犻 1, 狏犻 2,, 狏犻犇 ) 表示, 而每一个粒子的位置就是一个潜在的解在每次迭代中, 粒子第犱维 (1 犱犇 ) 根据如下公式更新速度和位置 +1 犞 = 犠犞 + 犮 1rand() ( 犘 - 犡 ) + 犮 2rand() ( 犘犵犱 - 犡 ) (8) +1 犡 = 犡 +1 + 犞 (9) 其中,rand() 是 [0,1] 范围内变化的随机函数 ; 犮 1 和犮 2 是正实数, 称作加速因子, 用来调节每次迭代步长 ; 犠为惯性权重 ; =1,2, 为迭代次数 ; 此外微粒的速度犞被一个最大速度犞 max 所限制二变量 PID 神经网络训练实际上是 24 维函数优化问题粒子群算法采用实数编码, 选取适应度函数犑为犑 = 犈狆 = [ 狉狆 ( 犽 )- 犢狆 ( 犽 )] 2 (10) 狆 =1 狆 =1 式中犈为误差平方和 ; 为被控变量个数初始种群可随机产生根据 PID 神经网络的特点, 可依据 PID 控制规律确定狑狊犻犼犾和狑狊犼犺犾的初值其中, 狑狊犻犼犾为输入层至隐含层的连接权值 ; 狑狊犼犺犾为隐含层至输出层的连接权值狊代表并列子网的序号 ( 狊 =1,2,, ); 犻代表各子网的输入神经元的序号 ( 犻 =1,2); 犼代表各子网的隐含层神经元的序号 ( 犼 =1,2,3); 犺代表输出神经元的序号 ( 犺 =1,2,, ); 犾代表种群中样本的序号 ( 犾 =1,2,, 犿, 犿为种群大小 ) 2 2 犘犐犇神经网络解耦控制器的学习算法流程粒子群优化算法训练 PID 神经网络解耦控制器的算法流程如下 : (1) 迭代次数 =1, 在搜索空间随机初始化粒子群, 第犻个粒子的位置向量为犡, 速度向量为犞 (1 犻犿,1 犱犇, 犿为粒子种群大小 ; 犇为搜索空间维数 ); (2) 将每个粒子的位置向量依次作为 PID 神经网络解耦控制器权值系数, 根据式 (1) ~ 式 (7) 计算 PID 神经网络输出, 最后按式 (10) 计算其适应度值 Fitness ; 犻 (3) 用每个粒子的当前适应度值 Fitness 与其犻本身最好适应度值 pbest 犻进行比较, 若 Fitness 犻 < pbest 犻, 则 pbest 犻 =Fitness, 犻犘犻 = 犡 ; 犻 (4) 用每个粒子当前适应度值 Fitness 与粒子犻群的最好适应度值 gbest 进行比较, 若 Fitness 犻 < gbest, 则 gbest=fitness, 犻犘犵 = 犡 (5) 按式 (8) 式 (9) 更新每个粒子的速度向量犞和位置向量犡 ; 犻 ; (6) = +1, 返回步骤 (2) 直至最大迭代次数或犑满足误差要求 ; (7) 输出 PID 神经网络解耦控制器权值系数狑狊犻犼犾和狑狊犼犺犾该算法中粒子数为 50; 惯性权重犠从 1.2 随着迭代代数逐步递减到 0.1; 犞 max 设定为参数范围宽度 ; 学习因子犮 1 和犮 2 等于 2; 迭代次数为 500

4 1746 化工学报第 59 卷 3 仿真结果根据立磨机出口温度和入口负压的阶跃响应曲线, 通过曲线拟合方法建立了该机组在稳定工作点 [15] 附近的传递函数矩阵 3.5 熿狔 1( 狊 ) 50 狊 +1 [ ] = 狔 2( 狊 ) -2 燀 6 狊燄 100 狊 +1 狉 1( 狊 ) (11) [ 狉 2( 狊 ) ] 10 狊 +1 燅式中热风门开度狉 1 控制磨煤机的出口温度狔 1; 冷风门开度狉 2 控制磨煤机的入口负压狔检验制粉系统的抗干扰能力为检验 PID 神经网络解耦控制器的抗干扰能力, 分别在狋 =20s 和狋 =35s 时给出口温度和入口负压侧加一扰动, 仿真结果如图 2 和图 3 所示图 2 出口温度侧仿真曲线 Fig.2 Simulationcurvesofexporttemperature 图 3 入口负压侧仿真曲线 Fig.3 Simulationcurvesofentrancenegativepressure 在 PID 神经网络解耦控制器的作用下, 出口温度侧和入口负压侧很快趋于稳定, 而且对另一个子系统输出的影响很小, 并且比单纯的 PID 解耦控制器控制的动态性能更好 3 2 工业应用实验针对煤粉制备系统的特殊性, 并不要求将被控制量严格调节在某一固定值, 只需要维持在一定的范围内即可满足控制要求, 如球团二厂球磨机制粉系统要求被控制量范围为出入口压差 :2.0~2.4 kpa, 球磨机入口负压 :-450~-550Pa, 球磨机出口温度 :68~80 因此, 可以在稳态时进行优化计算, 求出既能维持被控制量在要求的范围内, 又使给煤量在最大的经济运行工况, 修正系统的设定值到新的经济工况点运行将本文所设计的 PID 神经网络解耦控制器在球团二厂煤粉制备系统中进行工业应用实验图 4 和图 5 是制粉系统投入自动状态的实时运行曲线, 由图中曲线可以看出, 球磨机 PID 神经网络解耦控制系统能将球磨机的入口负压和出口温度稳定在经济运行状态, 有效地解决了球磨机手动控制时难于稳定, 不能长期处于最佳出力的难题 ; 煤粉单耗 ( 包括排粉机单耗 ) 平均值由原来的每吨煤 28.6 kw h 降到 26.3kW h, 节电 8.04%, 大大提高了球磨机的制粉效率, 节约了能源, 为企业带来了可观的经济效益对于同一批原煤, 对球团一厂与二厂煤粉制备系统生产的煤粉进行对比实验按每小时 1 次对煤粉化验结果进行比较, 图 6 和图 7 是一厂和二厂所制煤粉化验结果对比, 从对比结果可以看出, 球团二厂所制的煤粉粒度比球团一厂所制的煤粉粒度细小, 粒度 (0.074 mm 通过率 ) 的波动由 11.48% 降到了 7.47%, 控制比较平稳 ; 平均水分降低了 5.46%, 水分的波动由 Fig.4 图 4 入口负压侧自动控制运行曲线 Automaticoperationcurveofentrancenegativepressure

5 第 7 期王介生等 : 基于粒子群优化算法的球磨机制粉系统 PID ANN 解耦控制器 1747 图 5 出口温度侧自动控制运行曲线 Fig.5 Automaticoperationcurveofexporttemperature [2] LiZunji ( 李遵基 ),WangLijun ( 王丽君 ).Applicationof fuzzycontrolinbalmilprocess. 犑狅狌狉犪犾狅犳犖狅狉狋犺犆犺犻犪犈犾犲犮狋狉犻犮犘狅狑犲狉犝犻狏犲狉狊犻狋狔 ( 华北电力大学学报 ),1997,24 (1):1 5 [3] QuZhao ( 瞿? ). Application offuzzy controler with 图 6 煤粉粒度对比 neural decoupling to control system of bal mils. 犈犵犻犲犲狉犻犵犑狅狌狉犪犾狅犳犠狌犺犪犝犻狏犲狉狊犻狋狔 ( 武汉大学学报 ),2004,37 (1): Fig.6 Comparisonofgranularity [4] Yue Heng ( 岳恒 ),Zhou Xiaojie ( 周晓杰 ), Wang Xin ( 王昕 ). A simulation system forinteligent decoupling controlofcoal pulverizingsystemswithbalmil. 犑狅狌狉犪犾狅犳犛狔狊狋犲犿犛犻犿狌犾犪狋犻狅 ( 系统仿真学报 ),2002,14 (10): [5] Ma Yongguang ( 马永光 ),Hao Na ( 郝娜 ),LiPengfei ( 李鹏飞 ),Li Yan ( 李妍 ). Application of an auto disturbance rejection controler based multivariable 图 7 煤粉水分对比 Fig.7 Comparisonofmoisture 16.73% 降到 10.79%, 干燥度有所提高, 这都对提高煤粉的燃烧效率起到了很好的作用 4 结论针对球磨机制粉系统多变量强耦合特点, 提出基于粒子群优化算法的 PID 神经网络解耦控制方法仿真结果表明所采取控制策略具有较好的动态和稳态性能, 较强鲁棒性运行工况适应性和抗干扰能力, 实现了球磨机控制量的在线优化, 使其长期在最佳工况附近运行, 提高了制粉系统出力, 降低了制粉电耗, 对于实现球磨机最佳负荷运行和卡边控制具有重要参考价值犚犲犳犲狉犲犮犲狊 [1] Tao Wenhua ( 陶文华 ),YueHeng ( 岳恒 ),ChaiTianyou ( 柴天佑 ).Modelingandcontrolofcoal pulverizingsystems withbalmil. 犆狅狋狉狅犾犈犵犻犲犲狉犻犵狅犳犆犺犻犪 ( 控制工程 ), 2003,10 (3): decouplingcontrolinbalmils. 犑狅狌狉犪犾狅犳犈犵犻犲犲狉犻犵犳狅狉犜犺犲狉犿犪犾犈犲狉犵狔犪犱犘狅狑犲狉 ( 热能动力工程 ),2007,22 (3): [6] Liu Dingping ( 刘定平 ), Xiao Weiran ( 肖蔚然 ). Optimizingcontrolof pulverizing system based on least square supported vector machine and hybrid genetic algorithms. 犑狅狌狉犪犾狅犳犘狅狑犲狉犈犵犻犲犲狉犻犵 ( 动力工程 ), 2007,27 (5): [7] QiShourong ( 綦守荣 ), WangDongfeng ( 王东风 ),Han Pu ( 韩璞 ),Gao Ming ( 高明 ).RobustmultivariablePID argumentstuningforbalmilsystem. 犑狅狌狉犪犾狅犳犛狔狊狋犲犿犛犻犿狌犾犪狋犻狅 ( 系统仿真学报 ),2005,17 (12): [8] Xuan Liming ( 郖莉明 ),Zhuo Xiaofang ( 卓小芳 ), He Zuwei ( 何祖威 ). Optimization of bal mil pulverizer system soperationbasedongeneticalgorithm. 犑狅狌狉犪犾狅犳犛狔狊狋犲犿犛犻犿狌犾犪狋犻狅 ( 系统仿真学报 ),2007,19 (1): [9] Liu Changliang ( 刘长良 ),Liang Weiping ( 梁伟平 ), DongZe ( 董泽 ).Thehierarchicalfuzzycontrolalgorithm forbal mil pulverizing system in power plant. 犘狅狑犲狉犈犵犻犲犲狉犻犵 ( 动力工程 ),2002,22 (5): [10] Fu Hailong ( 付龙海 ),Li Meng ( 李蒙 ).Variable air volume air conditioning system based on PID ANN

6 1748 化工学报第 59 卷 decouplingcontroltechnology. 犑狅狌狉犪犾狅犳犛狅狌狋犺狑犲狊狋犑犻犪狅犜狅犵犝犻狏犲狉狊犻狋狔 ( 西南交通大学学报 ),2005,40 (1): [11] Kennedy J, Eberhart R.Particle swarm optimization// Proc. IEEEInt. Conf. on NeuralNetworks.Piscataway, NJ:IEEEServiceCenter,1995: [12] EberhartR, Kennedy J.A new optimizer using particle swarm theory//proc. Sixth International Symposium on MicroMachineandHumanScience.Piscataway,NJ:IEEE ServiceCenter,1995:39 43 [13] Clerc M, Kennedy J. The particle swarm explosion, stability,andconvergenceina multidimensionalcomplex space. 犐犈犈犈犜狉犪狊犪犮狋犻狅狊狅犈狏狅犾狌狋犻狅犪狉狔犆狅犿狆狌狋犪狋犻狅, 2002,6 (1):58 73 [14] XieXiaofeng ( 谢晓锋 ),Zhang Wenjun ( 张文俊 ),Yang Zhilian ( 杨之廉 ). Overview of particle swarm optimization. 犆狅狋狉狅犾犪犱犇犲犮犻狊犻狅 ( 控制与决策 ),2003, 18 (2): [15] WangJiesheng ( 王介生 ),Wang Wei ( 王伟 ).Self tuning PIDdecouplingcontrolerofbal milpulverizingsystem. 犆狅狋狉狅犾犈犵犻犲犲狉犻犵狅犳犆犺犻犪 ( 控制工程 ),2007,14 (2):

BuletinofSoiland WaterConservation Vol.38,No.3 Jun.,2018 & X R( + 1, 1, < 1,=> 3 (1. E^ IFTU ^,NO ; 2.NO\ ^,NO ;3.NO B`a -

$BuletinofSoiland WaterConservation Vol.38,No.3 Jun.,2018 & X R( + 1, 1, < 1,=> 3 (1. E^ IFTU ^,NO ; 2.NO\ ^,NO ;3.NO B`a -$ 383 0186 BuletinofSoiland WaterConservation Vol.38,No.3 Jun.,018 & X R( + 1, 1, < 1,=>,?@A 3 (1. E^ IFTU ^,NO 730070;.NO\ ^,NO 730070;3.NO B`a -[/H,NO 730000) -.:[# ] _D5 & % I /, + -. I P+- [ ] ( 犜狉犻狋犻犮狌犿犪犲狊狋犻狏狌犿