神經(jīng)網(wǎng)絡(luò)信號(hào)對(duì)故障電池檢測方法深度分析

孫潔 1，2，劉 夢 1，劉曉悅 1，孫 曄 3，張瑞新 2

（1.華北理工大學(xué) 電氣工程學(xué)院，河北 唐山 063200；2.唐山睿澤爾科技有限公司，河北 唐山 063200；

3.北京電信規(guī)劃設(shè)計(jì)院有限公司，北京 100048）

摘??要：通常對(duì)電動(dòng)汽車電池故障信號(hào)檢測的研究，通過對(duì)電池性能的相關(guān)預(yù)測與研究為電池使用壽命的延長、汽車動(dòng)力性能的增強(qiáng)以及安全性能的增大提供了技術(shù)上的支持。文中從電池的相關(guān)結(jié)構(gòu)原理以及技術(shù)構(gòu)成入手，提出了鋰電池故障信號(hào)檢測研究的具體方法設(shè)計(jì)，依托長短時(shí)記憶（LSTM）神經(jīng)網(wǎng)絡(luò)信號(hào)對(duì)故障電池檢測方法進(jìn)行深度分析研究，對(duì)電池故障分析構(gòu)建具體算法與模型，有效地對(duì)電池的容量偏低故障、電壓電流故障以及電池內(nèi)阻偏大等故障進(jìn)行輸出檢測，多次實(shí)驗(yàn)驗(yàn)證其檢測方法的有效性，以便于提高電池整體的應(yīng)用性能，為后期電池優(yōu)化改進(jìn)提供了實(shí)驗(yàn)基礎(chǔ)。

中圖分類號(hào)：TN911.23?34；TP301.6? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1004?373X（2022）03?0073?05

0 引 言

汽車行業(yè)一直以來主要以燃油動(dòng)力車為主要車型，但隨著人們環(huán)保意識(shí)的增強(qiáng)，越來越多的新能源電動(dòng)汽車出現(xiàn)在市面，深受廣大市民的熱捧，無論是速度還是動(dòng)力方面都與燃油汽車毫無差別，唯一不足的就是其續(xù)航問題。由于是靠電池提供動(dòng)力[1]，因此電池的性能好壞決定著電動(dòng)汽車的質(zhì)量優(yōu)劣，電池故障與使用壽命的長短決定著電動(dòng)汽車是否能夠擁有良好的整車性能和優(yōu)越的安全性能[2]。

作為汽車的動(dòng)力核心，電池起著重要作用。在日常使用中，會(huì)出現(xiàn)一些電池故障問題，出現(xiàn)頻率最高的問題是電池的漏電現(xiàn)象。電池故障可以分為兩種，分別為電池滿電故障和內(nèi)部線路問題[3?4]。對(duì)于滿電故障，表現(xiàn)為隨著放置天數(shù)的增長，電池自身的耗電量會(huì)呈故障非線性走勢；對(duì)于線路連接的情況，表現(xiàn)為電池本身沒有故障，但是隨著汽車公里數(shù)的增加，電池的電量就會(huì)急劇減小，產(chǎn)生漏電現(xiàn)象，導(dǎo)致整個(gè)電池的供電不足，影響車輛的使用[5]。

針對(duì)以上分析，本文主要以鋰電池組為研究對(duì)象，通過LSTM神經(jīng)網(wǎng)絡(luò)以及深度學(xué)習(xí)等科學(xué)方法對(duì)鋰電池的故障信號(hào)進(jìn)行相關(guān)的檢測與研究。對(duì)LSTM神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的結(jié)構(gòu)、規(guī)模、計(jì)算速率以及輸出參數(shù)等進(jìn)行介紹，構(gòu)建檢測基本模型；對(duì)電池故障檢測流程進(jìn)行設(shè)計(jì)，得到具體檢測指標(biāo)；利用深度算法分析建立相關(guān)數(shù)學(xué)模型并對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行仿真模擬分析，得出影響電池故障的主要因素，從而對(duì)電池的合理優(yōu)化提供數(shù)據(jù)支撐，有利于提高鋰電池的使用效能，為綠色出行以及安全出行提供科研基礎(chǔ)。

1 電池故障信號(hào)檢測技術(shù)模型建立

本文主要以 LSTM 神經(jīng)網(wǎng)絡(luò)算法智能技術(shù)為依托，對(duì)電池的故障診斷分析做出系統(tǒng)性的研究，主要研究結(jié)構(gòu)分為兩個(gè)步驟：第一步，對(duì)目前市面上存在的鋰電池進(jìn)行數(shù)據(jù)采集，對(duì)出現(xiàn)的故障信號(hào)數(shù)據(jù)進(jìn)行相應(yīng)的分析；第二步，通過神經(jīng)網(wǎng)絡(luò)算法對(duì)其進(jìn)行相應(yīng)的智能化訓(xùn)練，最終得出實(shí)驗(yàn)數(shù)據(jù)以及結(jié)果。通過對(duì)結(jié)果的相應(yīng)分析做出判斷，讓實(shí)驗(yàn)數(shù)據(jù)經(jīng)過計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行自我分析學(xué)習(xí)，從而找出問題所在，將影響電池正常運(yùn)行的消極因素進(jìn)行消除，提取該影響因素的相對(duì)特征值，然后對(duì)其進(jìn)行歸一化處理，為電池故障信號(hào)的檢測做出數(shù)據(jù)整體化分析[6?8]，建立研究系統(tǒng)結(jié)構(gòu)模型。電池故障分析診斷技術(shù)模型結(jié)構(gòu)圖如圖 1所示。

2 電池故障信號(hào)檢測算法分析

考慮到使用一般的智能算法對(duì)電池故障的診斷分析有一些不穩(wěn)定的因素[9]，如 RNN 神經(jīng)網(wǎng)絡(luò)算法規(guī)模小、結(jié)構(gòu)簡單、精度不夠、檢測能力相對(duì)低下，并且會(huì)產(chǎn)生梯度爆炸現(xiàn)象，極其不穩(wěn)定；而LSTM神經(jīng)網(wǎng)絡(luò)算法則利用門控制的思路對(duì)信號(hào)的輸入和輸出結(jié)果進(jìn)行控制，其輸入的作用是控制前一時(shí)刻數(shù)據(jù)的輸入，而輸出則是對(duì)處理后的數(shù)據(jù)進(jìn)行控制，所有的相關(guān)控制都受內(nèi)部存儲(chǔ)信息的影響，利用Logistic和Sigmoid等函數(shù)對(duì)神經(jīng)元進(jìn)行計(jì)算，LSTM神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)圖如圖2所示。

本文以LSTM神經(jīng)網(wǎng)絡(luò)研究方法為技術(shù)依托，對(duì)電池故障診斷方法進(jìn)行有效的設(shè)計(jì)[10]。此方法在對(duì)故障信號(hào)檢測過程中有著良好的記憶功能和相對(duì)時(shí)序功能，能夠?qū)﹄姵毓收闲盘?hào)進(jìn)行精準(zhǔn)地檢測，對(duì)故障問題進(jìn)行有效分類。構(gòu)建Softmax函數(shù)算法體系，對(duì)輸出各個(gè)函數(shù)進(jìn)行多層次的分級(jí)，其輸出向量的各級(jí)層次有別于系統(tǒng)的整體數(shù)量類別，研究中設(shè)(Mθ)x(i)為總的類別數(shù)，J為各個(gè)類別的輸入概率，總共輸出k維列向量，具體計(jì)算公式如下：

計(jì)算該算法公式的輸出結(jié)果為1，也就意味著該數(shù)據(jù)的輸入層節(jié)點(diǎn)總計(jì)60%，其輸出層的節(jié)點(diǎn)總數(shù)與輸入層基本上保持一致。最后再對(duì)該神經(jīng)網(wǎng)絡(luò)系統(tǒng)算法的誤差值、初始值、偏置值、節(jié)點(diǎn)數(shù)等數(shù)據(jù)進(jìn)行相關(guān)計(jì)算和處理，得出具體的診斷信息，從而做出總結(jié)研究。

該研究算法具體指標(biāo)為[11?13]：

1）8層輸入節(jié)點(diǎn)層；

2）6層隱含數(shù)據(jù)層；

3）6層隱含節(jié)點(diǎn)層；

4）8層輸出節(jié)點(diǎn)層；

5）初始值隨機(jī)數(shù)分布：-0.6~0.6；

6）1500次迭代次數(shù)。

對(duì)電池信號(hào)的流動(dòng)數(shù)據(jù)信息進(jìn)行具體計(jì)算，在t時(shí)刻時(shí)數(shù)據(jù)開始進(jìn)行輸入，通過具體算法對(duì)數(shù)據(jù)進(jìn)行引導(dǎo)，對(duì)其進(jìn)行系統(tǒng)激活，得到v(t)信息，同時(shí)通過t-1時(shí)刻的信號(hào)信息對(duì)輸入的信號(hào)進(jìn)行控制，具體算法如下所示：

通過神經(jīng)網(wǎng)絡(luò)算法的輸出結(jié)果對(duì)電池的故障診斷信號(hào)進(jìn)行檢測，對(duì)其電池的正常容量、偏低容量、偏高容量等數(shù)據(jù)類型進(jìn)行分類，然后對(duì)其內(nèi)部的偏置電流、偏置電壓、神經(jīng)網(wǎng)絡(luò)元輸入、神經(jīng)網(wǎng)絡(luò)元輸出、內(nèi)阻偏大、偏小等系列數(shù)據(jù)進(jìn)行綜合分析，得出故障具體實(shí)驗(yàn)數(shù)據(jù)[14?15]。當(dāng)智能神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元得到激活后，對(duì)其進(jìn)行算法處理，具體實(shí)現(xiàn)公式為：

選用 LSTM 神經(jīng)網(wǎng)絡(luò)算法對(duì)電池輸入層的時(shí)序數(shù)據(jù)進(jìn)行分割計(jì)算，得到相應(yīng)的計(jì)算數(shù)據(jù)，再對(duì)其進(jìn)行輸出結(jié)果的測試以及驗(yàn)證。其最后時(shí)刻的輸出值 l( t )的具體算法為：

得出最終的輸出結(jié)果為：

算法的輸出結(jié)果表示，當(dāng)函數(shù)的曲率 σ 從負(fù)無窮大一直增大，持續(xù)增大到 0 時(shí)，該斜率最大，繼續(xù)保持遞減態(tài)勢，由此可以得出對(duì)于神經(jīng)網(wǎng)絡(luò)的神經(jīng)元敏感度的具體表現(xiàn)形式，從而得出電池故障相關(guān)檢測值對(duì)整個(gè)電池性能的影響程度。

3 電池故障信號(hào)檢測結(jié)果分析

實(shí)驗(yàn)電池組中的電池單元是不完全一樣的，隨著制造過程中的變化工藝，使用中的熱條件、平衡狀態(tài)等差異，會(huì)影響電池產(chǎn)生不同的內(nèi)阻，不同的阻值變化會(huì)導(dǎo)致電池電壓和內(nèi)阻的差異，從而導(dǎo)致電壓波動(dòng)產(chǎn)生不同的振幅。如果對(duì)電池單元的電壓輸出進(jìn)行簡單比較，就會(huì)使得這些電壓差很容易超過預(yù)設(shè)的閾值，因此這個(gè)簡單的比較不符合實(shí)際應(yīng)用。當(dāng)電壓輸入的偏移量加到任何一個(gè)變量上時(shí)，它被減去其中的平均值，所以導(dǎo)致其輸出電壓的相關(guān)系數(shù)測量信號(hào)呈現(xiàn)不確定的狀態(tài)，波形輸出如圖3所示。

如圖3所示，輸出曲線的趨勢是相互匹配的形狀，用檢測電壓與實(shí)際電壓在不同時(shí)間上進(jìn)行比對(duì)分析，得出檢測電壓處于平衡穩(wěn)定的狀態(tài)趨勢，而實(shí)際電壓的偏離值則偏大，因此得出電池的實(shí)際電壓有明顯的不穩(wěn)定趨勢。對(duì)于此數(shù)據(jù)是整體性的分析，而不是精確的數(shù)據(jù)，顯示出電池電壓的不穩(wěn)定特性，這種特性就是處理鋰離子電池不一致性的理想特性。不平衡的電池會(huì)表現(xiàn)出不同的輸出波形，不同的電池老化程度也會(huì)表現(xiàn)出不同的內(nèi)阻，因而導(dǎo)致其輸出不同的電壓。如圖4所示，為檢測電壓與2組不同的電壓值的比對(duì)，其在檢測中間時(shí)刻出現(xiàn)了電壓瞬間降低又恢復(fù)穩(wěn)定的趨勢，此現(xiàn)象可能是電池內(nèi)部電流瞬間過大導(dǎo)致的。

電池內(nèi)部的溫度在不同運(yùn)行時(shí)間下表現(xiàn)出來的特性如圖5所示。結(jié)果表明，電池溫度在運(yùn)行80 s之內(nèi)，溫度表現(xiàn)為先趨于穩(wěn)定趨勢，然后出現(xiàn)上升趨勢，部分電池組溫度會(huì)瞬間增高，最后趨于穩(wěn)定。

由實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)，測試不同電池的實(shí)際測量值比平均值低22 mV 左右，這種差異可能導(dǎo)致電池系統(tǒng)出現(xiàn)錯(cuò)誤的檢測，即是否采用電壓差閾值法，當(dāng)基于神經(jīng)網(wǎng)絡(luò)模型的方法應(yīng)用于電壓跟蹤時(shí)均會(huì)導(dǎo)致錯(cuò)誤檢測。如果對(duì)電池電壓的系數(shù)進(jìn)行相關(guān)性計(jì)算，那么就可以得出不同的電池故障對(duì)系統(tǒng)產(chǎn)生不同的精準(zhǔn)度，因?yàn)殡姵氐撵o態(tài)偏移不會(huì)影響其相關(guān)性系數(shù)的變化，也就消除了內(nèi)阻的差異性，其相關(guān)系數(shù)也會(huì)因此產(chǎn)生波動(dòng)幅度的變化，且不同溫度下，電池的相關(guān)情況也不同。因此，在理想的情況下，兩個(gè)串聯(lián)電池電壓的相關(guān)系數(shù)應(yīng)接近相關(guān)故障系數(shù)?；诖朔N假設(shè)方法，做出系統(tǒng)故障檢測準(zhǔn)確性的對(duì)比結(jié)果圖，如圖6所示。

通過電池檢測系統(tǒng)性能的對(duì)比，可以發(fā)現(xiàn)故障電池的系統(tǒng)性能會(huì)隨著時(shí)間的增加逐步趨向于一個(gè)較為穩(wěn)定的趨勢。電壓閾值法是目前應(yīng)用最廣泛的電池故障檢測方法，是最簡單的一個(gè)系統(tǒng)故障檢測模型，僅需要考慮系統(tǒng)的安全運(yùn)行范圍，不需要知道輸入信息就可以很容易地實(shí)現(xiàn)，但是其缺點(diǎn)就是當(dāng)電壓在安全范圍內(nèi)時(shí)電池仍然可能存在故障。通過對(duì)輸入的考慮，可以進(jìn)行改進(jìn)，從而產(chǎn)生基于模型的故障診斷方法。這些方法能夠區(qū)分當(dāng)電壓在安全范圍內(nèi)的故障情況，但權(quán)衡的是在保持不同情況下的電池型號(hào)，當(dāng)基于檢測模型的方法應(yīng)用于電壓跟蹤時(shí)，只有一個(gè)單元也會(huì)導(dǎo)致錯(cuò)誤檢測，而其結(jié)果與相關(guān)電池單元之間的相對(duì)系數(shù)有明顯的聯(lián)系。如圖7所示為電壓閾值法在不同時(shí)間下的電池檢測相關(guān)系數(shù)情況。

通過對(duì)4組電池樣本進(jìn)行相關(guān)檢測，結(jié)果如圖 7 所示?？梢钥闯銮皟烧叩南嚓P(guān)系數(shù)在實(shí)驗(yàn)中相對(duì)接近1，此結(jié)果表明這三組電池單元在整個(gè)過程中遵循相同的故障情況。而 r3 和r4號(hào)相關(guān)系數(shù)則在40 s左右出現(xiàn)突降的現(xiàn)象，意味著故障是突然發(fā)生的，故障原因就是電壓下降而導(dǎo)致的。由檢測結(jié)果可以確定故障位置為4號(hào)電池，因?yàn)樵趓（3，4）和r（4，1）中都捕捉到了相同的下降。在圖中標(biāo)記閾值為0.5以標(biāo)記短路電路的故障，電壓降記錄在42.5 s，而相關(guān)系數(shù)在42.5 s標(biāo)記故障的原因是電壓變化比正常值大得多，因此就導(dǎo)致了電壓波動(dòng)，而一旦捕捉到電壓降，就會(huì)導(dǎo)致相關(guān)系數(shù)大幅下降。這表明所提出的故障檢測方法在實(shí)際中能夠得到快速的響應(yīng)。對(duì)于一般情況下的故障檢測方法主要利用對(duì)相似性的相關(guān)系數(shù)進(jìn)行測量，從而確定電池的故障信息。在極端情況下，當(dāng)整個(gè)電池處于外部短路狀態(tài)時(shí)，其相關(guān)系數(shù)接近1，因?yàn)殡妷汗收习l(fā)生的趨勢不同而導(dǎo)致相關(guān)系數(shù)不同。但是，當(dāng)多個(gè)外部短路同時(shí)發(fā)生時(shí)故障就很容易發(fā)生。此外，內(nèi)部短路實(shí)際上不是同時(shí)發(fā)生的，其與電池的內(nèi)部狀態(tài)有很大聯(lián)系。

對(duì)于電池的故障信號(hào)，除上述所示電壓相關(guān)系數(shù)等對(duì)其產(chǎn)生的影響之外，還包括一些情況比較特殊的故障原因，如電池內(nèi)阻的短路也會(huì)不同程度地導(dǎo)致電池產(chǎn)生一定的故障，利用不同的電池電壓相關(guān)系數(shù)確定低電阻短路故障的發(fā)生。該方法主要是通過計(jì)算電池變化電壓的相關(guān)系數(shù)進(jìn)行推斷的，其表明電池內(nèi)部短路電壓的驟降或低電阻短路都會(huì)對(duì)電池產(chǎn)生影響。不同狀態(tài)下模擬故障電阻的變化趨勢如圖8所示。

在電池故障信號(hào)仿真中，短路電阻感應(yīng)故障的檢測采用電阻相關(guān)系數(shù)進(jìn)行分析檢測，相關(guān)系數(shù)可以衡量兩個(gè)電阻信號(hào)的相似性，可以推斷當(dāng)電池在數(shù)據(jù)窗口內(nèi)時(shí)，由于故障導(dǎo)致的下降持續(xù)時(shí)間更長的電阻測量值的相似性將會(huì)進(jìn)一步降低，而當(dāng)對(duì)電壓降中的多個(gè)樣本進(jìn)行捕獲時(shí)，可以觀察到數(shù)據(jù)窗口內(nèi)的批量電壓數(shù)據(jù)在短路的初始階段的值表現(xiàn)情況較為一致。

4 結(jié) 語

對(duì)于基于人工智能的鋰電池故障信號(hào)檢測的研究，本文主要以電池的故障分析為切入點(diǎn)，介紹了主要的電池故障和發(fā)生故障的系列原因，從而對(duì)電池故障進(jìn)行分析研究，指出了LSTM神經(jīng)網(wǎng)絡(luò)算法以及深度學(xué)習(xí)算法對(duì)電池故障的影響。通過對(duì)電池相關(guān)故障信息的采集以及對(duì)其屬性等方面的介紹，提出電池故障信號(hào)的相關(guān)檢測方法；通過對(duì)電池相關(guān)特性的提取，進(jìn)行電池故障信號(hào)的故障頻譜分析及故障模式診斷。對(duì)于一般的電池故障主要集中表現(xiàn)在電壓電流故障、內(nèi)部瞬時(shí)內(nèi)阻突增以及運(yùn)行時(shí)間過長等明顯故障。通過不同實(shí)驗(yàn)組對(duì)輸出電壓的相關(guān)模擬分析，電池組不同組別電壓測量值與實(shí)際值的對(duì)比，以及電池運(yùn)行時(shí)間對(duì)溫度的影響等結(jié)果分析中得出，LSTM神經(jīng)網(wǎng)絡(luò)算法在故障電池檢測中具有高準(zhǔn)確率以及普遍適用性。

注：本文通訊作者為劉夢。

參 考 文 獻(xiàn)

[1] 李相敏，康壯 . 基于雙交叉耦合電容反饋的超低功耗高線性LNA[J].中國電子科學(xué)研究院學(xué)報(bào)，2018，13（3）：326?330.

[2] 楊坤，楊林，施一新，等 .電動(dòng)汽車動(dòng)力電池組單點(diǎn)絕緣故障定位方法[J].汽車工程，2017，39（10）：1136?1140.

[3] 張偉 . 電動(dòng)汽車電池的現(xiàn)狀及發(fā)展趨勢分析[J]. 南方農(nóng)機(jī)，2019，50（6）：130.

[4] 孟慶武，趙宏偉，孫潤誠 .基于 BP 神經(jīng)網(wǎng)絡(luò)算法的電池組故障診斷研究[J].自動(dòng)化與儀器儀表，2017（11）：45?47.

[5] 賴嘯，劉勇，代艷霞，等 .橋式吊車系統(tǒng)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制與學(xué)習(xí)[J].機(jī)械設(shè)計(jì)與制造，2018（6）：114?117.

[6] 趙保華.層次分析法和神經(jīng)網(wǎng)絡(luò)的信息系統(tǒng)風(fēng)險(xiǎn)評(píng)估[J].微電子學(xué)與計(jì)算機(jī)，2015，32（10）：163?166.

[7] 古昂，張向文 .基于 RBF神經(jīng)網(wǎng)絡(luò)的動(dòng)力電池故障診斷系統(tǒng)研究[J].電源技術(shù)，2016，40（10）：1943?1945.

[8] 侯福平，藍(lán)郁峰 .通信用鉛酸蓄電池電氣短路故障及漏液隱患分析和檢測[J].電信技術(shù)，2016（6）：53?59.

[9] 陳維榮，劉嘉蔚，李奇，等 .質(zhì)子交換膜燃料電池故障診斷方法綜述及展望[J].中國電機(jī)工程學(xué)報(bào)，2017，37（16）：4712?4721.

[10] 趙英寶，黃麗敏，劉慧賢 .基于深度學(xué)習(xí)的電力調(diào)度數(shù)據(jù)自動(dòng)備份系統(tǒng)設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2020，43（20）：42?45.

[11] 胡珊珊，肖勇，王保帥，等 . 基于閉環(huán)反饋校正的智能電能表軟件開發(fā)測試模型研究[J].電測與儀表，2020（11）：1?7.

[12] 李匡成，季亞昆，劉政 . 蓄電池模型研究綜述[J]. 電源技術(shù)，2017，41（3）：505?507.

[13] 王尚鵬，唐登平，雷鳴，等 . 智慧變電站計(jì)量系統(tǒng)綜合誤差模型研究[J].電測與儀表，2020（11）：1?6.

[14] 夏飛，馬茜，張浩，等 . 改進(jìn) D?S 證據(jù)理論在電動(dòng)汽車鋰電池故障診斷中的應(yīng)用[J].智能系統(tǒng)學(xué)報(bào)，2017，12（4）：526?537.

[15] 范雪，張愛良，張偉 . 車載智能充電器的設(shè)計(jì)與實(shí)現(xiàn)[J]. 計(jì)算機(jī)測量與控制，2017，25（9）：123?125.

作者簡介：

孫?潔（1963—），男，河北唐山人，博士，教授，主要研究方向?yàn)榭刂评碚撆c控制工程、測控技術(shù)、計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)和信息技術(shù)的研究與開發(fā)應(yīng)用。

劉?夢（1992—），女，山東菏澤人，碩士研究生，主要從事測控技術(shù)、網(wǎng)絡(luò)技術(shù)與信息技術(shù)的研究。

劉曉悅（1965—），女，河北唐山人，博士，教授，主要從事控制科學(xué)、工程教學(xué)與研究工作。

孫?曄（1990—），女，河北唐山人，碩士研究生，工程師，研究方向?yàn)榇髷?shù)據(jù)、區(qū)塊鏈系統(tǒng)開發(fā)。

張瑞新（1966—），男，河北唐山人，碩士研究生，高級(jí)工程師，研究方向?yàn)?a href="http://wenjunhu.com/v/" target="_blank">工業(yè)生產(chǎn)過程自動(dòng)控制。

編輯：黃飛

?