一种基于深度学习的装配工艺复用的方法

1.本发明涉及装配工艺，特别是一种基于深度学习的装配工艺复用的方法。


背景技术：

2.装配过程是根据确定的精度标准和技术要求，将一组零散的零件通过合理的工艺流程及各种必要的方式组合成产品的过程。装配过程是整个产品制造过程中最后一个环节，装配工作的效率和装配工作的质量对产品的制造成本和产品的最终质量有着极大的影响。在产品生产过程中，大约有1/3的人力在从事与装配有关的活动，工业国家中超过40％的生产成本用于产品的装配。特别是随着企业的改组和优化，装配型企业大量出现，并且在以后的制造业发展中这种企业组织模式将占据主导的地位。传统的装配工艺文件大多以二维的工艺卡片为主，随着时间的累积，导致大多数工艺文件混乱不堪。对于待识别装配对象，很难快速找到能够复用的装配工艺，只能对装配工艺进行重新设计。并且部分企业对于装配工艺的快速复用大都是依靠工艺人员的经验，这种方法不仅增加劳动成本，而且费时费力，效率低，不利于库存管理，严重影响了装配工艺的设计效率和企业的发展。
3.在工业4.0的大背景下，越来越多的企业实现了智能化，其中装配工艺的智能化是企业的关键环节之一。卷积神经网络是近年来比较热门的一种识别方法，它避免了人工提取特征的复杂步骤，能够靠自身去学习相关特征，从而提高图像分类的精度和效率。装配对象形状特征的相似性很大程度上决定了装配工艺的相似性。基于形状特征的相似性来实现装配工艺的快速复用，渐渐朝着数字化、信息化、以及高速智能化的方向发展。在机械制造业领域，要想实现产品的装配工艺快速设计，就要寻找一种新技术对装配对象进行识别，并完成自动化的装配工艺快速复用。深度神经网络便是对装配对象类型识别和分类技术研究的重点方向，它具有识别精度高、效率快、不与机械装配对象接触的优势，因此，是当前制造业重点关注的技术之装配是制造业的主要活动之一。因此，基于深度学习来解决装配工艺的复用是目前亟需解决的技术难题。
4.与本发明最接近的现有技术为专利《装配工艺知识挖掘方法及装配案例本体的快速构建方法》，该方法通过crf从装配工艺文本中自动抽取出应用概念和实例及其关系，实现装配工艺知识挖掘，在挖掘过程中利用爬虫技术丰富装配领域知识语料库，提高知识挖掘准确率，保证装配工艺生成的准确性，提装配工艺生成效率。并且通过装配工艺知识挖掘方法，生成装配案例数据库，建立转换规则实现装配案例数据库到装配案例本体的转换。解决了装配案例本体手动构建效率低、一致性差的技术缺陷，提升了装配工艺生成效率。但是该方法只对已有的装配工艺知识进行挖掘，当生成了新的装配工艺时，还需要重新对装配工艺知识进行挖掘，并为达到一个真正智能化的效果。
5.与本发明较为接近的另一现有技术为专利《一种基于三维cad模型的装配工艺规程生成系统与方法》，该方法充分利用三维cad装配模型中已有的多种信息，以推送相似装配工艺的方式，实现装配工艺知识的推送，从而可以显著减少装配工艺设计过程中的手工操作，提升工艺设计的效率和质量。但是该方法只针对提取的每个装入件分别与装配工艺
知识库中的每个装配工艺规程下的装入件数据进行对比，来确定装入件知识库中每个装配工艺规程中包含的与待处理模型中同名的装入件以及每个同名装入件的装配数量，并且在实现过程中需要过滤掉产品中的标准件，所以适用的范围比较狭窄，检索过程比较繁琐。
6.现有技术存在以下问题：
7.(1)传统的装配工艺文件大多以二维的工艺卡片为主，随着时间的累积，导致大多数工艺文件混乱不堪。很难快速找到待识别装配对象能够复用的装配工艺，只能对装配工艺进行重新设计，严重影响了装配工艺的设计效率和企业的发展。
8.(2)目前，大多数企业采用人工分类的方式，对装配对象进行相似性划分，装配对象形状特征的相似性很大程度上决定了装配工艺的相似性。由于分类标准由工艺师的经验来决定，所以无法达到标准化的程度。并且随着装配对象的增多，可能会出现错分的现象，既费时又费力，严重影响企业的发展和自动化水平。
9.(3)纵观国内外，针对装配工艺的快速复用问题，很难找到一个通用并且快速的办法，因此，对于企业中装配工艺的快速设计仍缺乏一套系统有效的生成方法。


技术实现要素：

10.发明目的：本发明的目的是提供一种基于深度学习的装配工艺复用的方法，从而通过深度学习来实现装配工艺的快速复用，减少企业的人工成本，提高装配工艺生成效率和自动化水平。
11.技术方案：本发明所述的一种基于深度学习的装配工艺复用的方法，包括以下步骤：
12.(1)通过对某企业所生产的产品进行调研，建立该产品的历史装配工艺实例，储存在sql sever数据库中，建立历史装配工艺实例数据库；
13.步骤(1)所述的历史装配工艺实例数据库用于储存各个装配工艺规程信息，所述信息包括历史装配工艺基本信息和工序信息，所述历史装配工艺基本信息包括历史装配工艺编号、历史装配工艺名称、历史装配对象编号、历史装配对象名称、历史装配资源信息、历史装配方法信息等，所述工序信包括工序编号、工序名称、工序内容等。
14.(2)基于solidworks二次开发，调用api函数，获取各类历史装配对象的初始数据集；
15.基于vb.net编程语言对solidworks进行二次开发，运用solidworks中的api函数，将历史装配对象360
°
进行旋转，每隔1
°
捕获一张二维截图，来获取各个历史装配对象的二维视图数据集；运用solidworks中的opendoc函数打开solidworks文件，用closedoc函数关闭solidworks文件，用saveas3函数将文件保存为指定文件，用viewzoomtofit2函数进行缩放当前视图，用shownamedview2函数用来显示指定的视图，用rotateaboutcenter函数用于围绕屏幕x轴和y轴旋转模型视图，主要包括运用xangle函数绕x轴旋转，引用函数yangle绕y轴旋转。
16.(3)对初始数据集进行扩充、划分；
17.基于卷积神经网络识别图像，数据集的作用在于训练网络模型，从而让模型提取图片的相关特征，使模型具有更好的学习能力。当然数据越丰富多样，模型的泛化能力越强，识别图片的准确率就越高。为了提高模型的学习能力就需要采用各种图像处理方法对
原始数据集进行扩充，使数据量和模型的规模要匹配，这样模型就可以提取到更多更详细的特征信息，准确率也就随之提高。在训练模型时，要保证这些扩充的图片不会改变原始图片的重要特征，避免带来一定的困扰，否则就会适得其反。随机生成的图片属于原始图片的某一类，但又有所区别，这样在训练模型时既能保证数据的多样性，又不会使计算机认为这些属于完全相同的图片，从整体上提高了模型的泛化能力。
18.(3.1)对初始数据集进行扩充，采用的扩充方法包括镜像变化、随机裁剪、高斯噪声、白化处理、改变对比度；
19.(3.2)对初始数据集进行划分，按照一定的比例将数据集划分为训练集、验证集、测试集，以便于能够更好的进行测试。
20.(4)基于改进mobolenetv3网络模型对数据集进行训练，获得训练模型；
21.所述步骤(4)具体为：先用1
×
1卷积核对输入特征进行升维，增加图像特征信息，再用3
×
3卷积核对特征进行深度可分离卷积，减少参数运算量，降低运行成本，增加运行速度。进入se注意力机制模块，经过全局池化和两个全连接层，对特征图进行自动分配权重，针对有价值的特征通道对其权重进行加大，对无用的特征通道进行抑制，最后通过1
×
1卷积核进行降维处理。
22.(5)对待识别装配对象进行多视角采样，获取待识别对象的二维视图集；
23.将待识别装配对象的三维模型在solidworks中打开，进行多视角采样，将采样到的二维视图保存到指定文件夹中，以便进行提取使用。
24.模型中进行相似性检索，i＝1,2,3,
……
,n。
25.(6)将获取到的待识别对象的二维视图插入到训练好的网络模型中进行相似性检索；
26.(7)根据相似度检索，获取到待复用的装配工艺，存入临时数据库中；
27.进行相似度检索，输出的待识别装配对象i与历史装配对象的相似率如果小于70％，则两者的相似度不能达到装配工艺复用的程度，因此不能进行装配工艺的复用；否则，进行装配工艺的复用，将复用工艺所对应的装配工艺名称信息保存到临时数据库中，便于查询使用。
28.(8)循环完毕所有的待识别装配对象二维视图，通过比较各类待复用装配工艺的相似率，并且根据历史装配对象的名称输出该待识别装配对象所能复用的装配工艺；
29.(8.1)循环完毕所有的待识别装配对象二维视图，比较各类待复用装配工艺的相似率，若第i个待识别装配对象为n，i＝1,2,3,
……
,n，则所有采样的二维视图以识别完毕，比较数据库中所获取相似率数据，经比较，输出存储在临时数据库中相似率最大的那一类历史装配对象的装配工艺，否则，返回到步骤(6)继续进行循环，直至循环结束；
30.(8.2)将所有采样的待识别对象的二维视图全部循环完毕，如果没有一个与历史装配对象相似率大于或者等于70％，则该待识别装配对象没有能够复用的工艺。
31.(9)通过人工交互式修改，使复用的工艺更适用于待识别装配对象；
32.获取到待识别对象可以复用的工艺之后，可能在某方面需要进行小部分的修改，通过工艺工程师的交互式修改之后，通过检索装配工艺名称，就能直接在历史装配工艺实例数据库中找到该装配工艺名称所对应的复用工艺(在历史装配工艺实例数据库中，每个历史装配工艺对应唯一一个工艺名称)。
33.(10)将复用的装配工艺赋予新的装配工艺名称，并存入历史装配工艺数据库中，以便下次使用。
34.在获取到的复用工艺的基础上，将该待识别装配对象所对应的复用工艺赋予新的装配工艺基本，并存入历史装配工艺实例数据库中以便下次使用。
35.最后将经典cnn模型、mobilenetv3网络模型以及改进mobilenetv3网络模型三者进行比较。
36.经典cnn模型每次训练时长为50s，并且准确率曲线最高未超过0.95，且验证集上下波动非常大；mobilenetv3网络模型每次的训练时长约为35s，与经典cnn模型相比每次训练时长有很大缩减，并且准确率大大提升，但验证集的准确率曲线仍有较大波动，拟合效果比较差；改进mobilenetv3网络模型每次的训练时长约为39s，由于融合了cbam注意力机制，所以每次的训练时长略高于mobilenetv3网络模型，但是训练集准确率与验证集准确率都更为稳定。所以在对比之下，改进mobilenetv3网络模型更加的稳定，不存在较大的波动，验证准确率更高。
37.有益效果：与现有技术相比，本发明具有如下优点：
38.1、降低生产成本，提高工作效率：装配工艺的复用可以实现装配工艺的标准化、规范化和自动化，避免了因重复设计和制定工艺的过程，减少了工艺设计的时间和成本，从而提高了工作效率；
39.2、提高产品质量：装配工艺复用能够避免因为人为因素而导致的失误操作，提高产品的稳定性和可靠性，从而提高了产品的质量；
40.3、提高生产灵活性：装配工艺复用可以基于产品的形状规格，自动调用相应的工艺，实现生产线的快速转换和生产组织的灵活调整，从而更好的满足市场需求。
附图说明
41.图1为本发明所述方法的步骤流程图；
42.图2为本发明所述方法的原理图；
43.图3为mobilenetv3基本单元；
44.图4为cbma结构图；
45.图5为cnn准确率曲线；
46.图6为mobilenetv3准确率曲线；
47.图7为改进mobilenetv3准确率曲线。
具体实施方式
48.下面结合附图对本发明的技术方案作进一步说明。
49.如图1和2所示，一种基于深度学习的装配工艺复用的方法，包括以下步骤：
50.(1)通过对某企业所生产的产品进行调研，建立该产品的历史装配工艺实例，储存在sql sever数据库中，建立历史装配实例数据库；
51.步骤(1)所述的历史装配工艺实例数据库用于储存各个装配工艺规程信息，所述信息包括历史装配工艺基本信息和工序信息，所述历史装配工艺基本信息包括历史装配工艺编号、历史装配工艺名称、历史装配对象编号、历史装配对象名称、历史装配资源信息、历
史装配方法信息，所述工序信包括工序编号、工序名称、工序内容。
52.(2)基于solidworks二次开发，调用api函数，获取各类历史装配对象的初始数据集；
53.基于vb.net编程语言对solidworks进行二次开发，运用solidworks中的api函数，将历史装配对象360
°
进行旋转，每隔1
°
捕获一张二维截图，来获取各个历史装配对象的二维视图数据集；运用solidworks中的opendoc函数打开solidworks文件，用closedoc函数关闭solidworks文件，用saveas3函数将文件保存为指定文件，用viewzoomtofit2函数进行缩放当前视图，用shownamedview2函数用来显示指定的视图，用rotateaboutcenter函数用于围绕屏幕x轴和y轴旋转模型视图，主要包括运用xangle函数绕x轴旋转，引用函数yangle绕y轴旋转。
54.(3)对初始数据集进行扩充、划分；
55.基于卷积神经网络识别图像，数据集的作用在于训练网络模型，从而让模型提取图片的相关特征，使模型具有更好的学习能力。当然数据越丰富多样，模型的泛化能力越强，识别图片的准确率就越高。为了提高模型的学习能力就需要采用各种图像处理方法对原始数据集进行扩充，使数据量和模型的规模要匹配，这样模型就可以提取到更多更详细的特征信息，准确率也就随之提高。在训练模型时，要保证这些扩充的图片不会改变原始图片的重要特征，避免带来一定的困扰，否则就会适得其反。随机生成的图片属于原始图片的某一类，但又有所区别，这样在训练模型时既能保证数据的多样性，又不会使计算机认为这些属于完全相同的图片，从整体上提高了模型的泛化能力。
56.(3.1)对初始数据集进行扩充，采用的扩充方法包括镜像变化、随机裁剪、高斯噪声、白化处理、改变对比度；
57.(3.2)对初始数据集进行划分，以8：1：1的比例将数据集划分为训练集、验证集、测试集，以便于能够更好的进行测试。
58.(4)基于改进mobolenetv3网络模型对数据集进行训练，获得训练模型；
59.如图3所示，mobilenetv3首先引入深度可分离卷积，对传统卷积层进行有效替换。并且深度可分离卷积通过把空间滤波从特征生成机制中分离出来，对传统卷积进行了有效的分解。该基本单元先用1
×
1卷积核对输入特征进行升维，增加图像特征信息，再用3
×
3卷积核对特征进行深度可分离卷积，减少参数运算数量，降低运行成本，增加运行速度，随后进入注意力机制(se)模块。经过全局池化和两个全连接层，对各类装配对象的特征图自动分配权重，最后通过1
×
1的卷积核对特征进行降维处理。mobilenetv3网络可用于分类、检测和分割，该网络能够在保证模型轻量化的基础上，提高模型精确度以及运行速度，在与传统cnn网络以及mobilenetv1网络、mobilenetv2网络相比较的前提下，在多出有了很大的提升，因此本发明使用mobilenetv3网络作为厢式车车厢装配对象分类的基础网络，进行各个装配对象特征的提取。
60.如图4所示，cbam(convolutional block attention module)是一种结合了通道注意力(channel attention module，cam)和空间注意力(spartial attention module，sam)的轻量级模块。
61.在装配对象的识别过程中会出现很多相似的特征，通过将cbam加入到moblilenetv3特征提取网络中去，对装配对象的主要特征进行增强，对无用特征进行抑制，
从而提高对装配对象主要的特征识别准确率。基于改进mobolenetv3网络模型对数据集进行训练，获得的训练模型用于进行相似度检索。
62.(5)对待识别装配对象进行多视角采样，获取待识别对象的二维视图集；
63.将待识别装配对象的三维模型在solidworks中打开，进行多视角采样，将采样到的二维视图保存到指定文件夹中，以便进行提取使用。
64.模型中进行相似性检索，i＝1,2,3,
……
,n。
65.(6)将获取到的待识别对象的二维视图插入到训练好的网络模型中进行相似性检索；
66.(7)根据相似度检索，获取到待复用的装配工艺，存入临时数据库中；
67.进行相似度检索，输出的待识别装配对象i与历史装配对象的相似率如果小于70％，则两者的相似度不能达到装配工艺复用的程度，因此不能进行装配工艺的复用；否则，进行装配工艺的复用，将复用工艺所对应的装配工艺名称信息保存到临时数据库中，便于查询使用。
68.(8)循环完毕所有的待识别装配对象二维视图，通过比较各类待复用装配工艺的相似率，并且根据历史装配对象的名称输出该待识别装配对象所能复用的装配工艺；
69.(8.1)循环完毕所有的待识别装配对象二维视图，比较各类待复用装配工艺的相似率，若第i个待识别装配对象为n，i＝1,2,3,
……
,n，则所有采样的二维视图以识别完毕，比较数据库中所获取相似率数据，经比较，输出存储在临时数据库中相似率最大的那一类历史装配对象的装配工艺，否则，返回到步骤(6)继续进行循环，直至循环结束；
70.(8.2)将所有采样的待识别对象的二维视图全部循环完毕，如果没有一个与历史装配对象相似率大于或者等于70％，则该待识别装配对象没有能够复用的工艺。
71.(9)通过人工交互式修改，使复用的工艺更适用于待识别装配对象；
72.获取到待识别对象可以复用的工艺之后，可能在某方面需要进行小部分的修改，通过工艺工程师的交互式修改之后，通过检索装配工艺名称，就能直接在历史装配工艺实例数据库中找到该装配工艺名称所对应的复用工艺(在历史装配工艺实例数据库中，每个历史装配工艺对应唯一一个工艺名称)。
73.(10)将复用的装配工艺赋予新的装配工艺名称，并存入历史装配工艺数据库中，以便下次使用。
74.在获取到的复用工艺的基础上，将该待识别装配对象所对应的复用工艺赋予新的装配工艺基本，并存入历史装配工艺实例数据库中以便下次使用。
75.最后将经典cnn模型、mobilenetv3网络模型以及改进mobilenetv3网络模型三者进行比较，分别如图5、图6、图7所示。
76.经典cnn模型每次训练时长为50s，并且准确率曲线最高未超过0.95，且验证集上下波动非常大；mobilenetv3网络模型每次的训练时长约为35s，与经典cnn模型相比每次训练时长有很大缩减，并且准确率大大提升，但验证集的准确率曲线仍有较大波动，拟合效果比较差；改进mobilenetv3网络模型每次的训练时长约为39s，由于融合了cbam注意力机制，所以每次的训练时长略高于mobilenetv3网络模型，但是训练集准确率与验证集准确率都更为稳定。所以在对比之下，改进mobilenetv3网络模型更加的稳定，不存在较大的波动，验证准确率更高。

技术特征：
1.一种基于深度学习的装配工艺复用的方法，其特征在于，包括以下步骤：(1)通过对某企业所生产的产品进行调研，建立该产品的历史装配工艺实例，储存在sql sever数据库中，建立历史装配工艺实例数据库；(2)基于solidworks二次开发，调用api函数，获取各类历史装配对象的初始数据集；(3)对初始数据集进行扩充、划分；(4)基于改进mobolenetv3网络模型对数据集进行训练，获得训练模型；(5)对待识别装配对象进行多视角采样，获取待识别对象的二维视图集；(6)将获取到的待识别对象的二维视图插入到训练好的网络模型中进行相似性检索；(7)根据相似度检索，获取到待复用的装配工艺，存入临时数据库中；(8)循环完毕所有的待识别装配对象二维视图，通过比较各类待复用装配工艺的相似率，并且根据历史装配对象的名称输出该待识别装配对象所能复用的装配工艺；(9)通过人工交互式修改，使复用的工艺更适用于待识别装配对象；(10)将复用的装配工艺赋予新的装配工艺名称，并存入历史装配工艺数据库中，以便下次使用。2.根据权利要求1所述的一种基于深度学习的装配工艺复用的方法，其特征在于，步骤(1)所述的历史装配工艺实例数据库用于储存各个装配工艺规程信息，所述信息包括历史装配工艺基本信息和工序信息，所述历史装配工艺基本信息包括历史装配工艺编号、历史装配工艺名称、历史装配对象编号、历史装配对象名称、历史装配资源信息、历史装配方法信息，所述工序信息包括工序编号、工序名称、工序内容。3.根据权利要求1所述的一种基于深度学习的装配工艺复用的方法，其特征在于，所述步骤(2)具体为：基于vb.net编程语言对solidworks进行二次开发，运用solidworks中的api函数，将历史装配对象360
°
进行旋转，每隔1
°
捕获一张二维截图，来获取各个历史装配对象的二维视图数据集；运用solidworks中的opendoc函数打开solidworks文件，用closedoc函数关闭solidworks文件，用saveas3函数将文件保存为指定文件，用viewzoomtofit2函数进行缩放当前视图，用shownamedview2函数用来显示指定的视图，用rotateaboutcenter函数用于围绕屏幕x轴和y轴旋转模型视图，主要包括运用xangle函数绕x轴旋转，引用函数yangle绕y轴旋转；运用solidworks中的api函数获取各类历史装配对象的数据集。4.根据权利要求1所述的一种基于深度学习的装配工艺复用的方法，其特征在于，所述步骤(3)具体为：(3.1)对初始数据集进行扩充，采用的扩充方法包括镜像变化、随机裁剪、高斯噪声、白化处理、改变对比度；(3.2)对初始数据集进行划分，按照一定的比例将数据集划分为训练集、验证集、测试集，以便于能够更好的进行测试。5.根据权利要求1所述的一种基于深度学习的装配工艺复用的方法，其特征在于，所述步骤(4)具体为：先用1
×
1卷积核对输入特征进行升维，增加图像特征信息，再用3
×
3卷积核对特征进行深度可分离卷积，减少参数运算量，降低运行成本，增加运行速度；进入se注意力机制模块，经过全局池化和两个全连接层，对特征图进行自动分配权重，针对有价值的特征通道对其权重进行加大，对无用的特征通道进行抑制，最后通过1
×
1卷积核进行降维
处理；对数据集进行训练，最终获得对应的模型。6.根据权利要求1所述的一种基于深度学习的装配工艺复用的方法，其特征在于，所述步骤(5)具体为：将待识别装配对象的三维模型在solidworks中打开，进行多视角采样，将采样到的二维视图保存到指定文件夹中，以便进行提取使用。7.根据权利要求1所述的一种基于深度学习的装配工艺复用的方法，其特征在于，所述步骤(6)具体为：将获取到的待识别对象的二维视图i插入到训练好的网络模型中进行相似性检索，i＝1,2,3,
……
,n。8.根据权利要求1所述的一种基于深度学习的装配工艺复用的方法，其特征在于，所述步骤(7)具体为：进行相似度检索，输出的待识别装配对象i与历史装配对象的相似率如果小于70％，则两者的相似度不能达到装配工艺复用的程度，因此不能进行装配工艺的复用；否则，进行装配工艺的复用，将复用工艺所对应的装配工艺名称信息保存到临时数据库中，便于查询使用。9.根据权利要求1所述的一种基于深度学习的装配工艺复用的方法，其特征在于，所述步骤(8)具体为：(8.1)循环完毕所有的待识别装配对象二维视图，比较各类待复用装配工艺的相似率，若第i个待识别装配对象为n，i＝1,2,3,
……
,n，则所有采样的二维视图以识别完毕，比较数据库中所获取相似率数据，经比较，输出存储在临时数据库中相似率最大的那一类历史装配对象的装配工艺，否则，返回到步骤(6)继续进行循环，直至循环结束；(8.2)将所有采样的待识别对象的二维视图全部循环完毕，如果没有一个与历史装配对象相似率大于或者等于70％，则该待识别装配对象没有能够复用的工艺。

技术总结
本发明公开了一种基于深度学习的装配工艺复用的方法，步骤如下：根据企业调研，建立历史装配工艺实例数据库；通过SolidWorks二次开发获取初始数据集，并对初始数据集进行扩充、划分，并以MobileNetV3模型作为基础网络模型，融合注意力机制，将待识别装配对象进行多视角采样并进行相似度检索；获取到相似度最高的历史装配对象，该历史装配对象的装配工艺即为用于复用的装配工艺；通过人工交互式修改，使复用工艺更适用于待识别装配对象，并将修改后的工艺储存到历史装配工艺实例数据库中，实现历史装配工艺实例数据库的扩充。本发明通过深度学习来实现装配工艺的快速复用，不仅减少了企业的人工成本，而且还提高装配工艺生成效率和自动化水平。自动化水平。自动化水平。


技术研发人员：张春燕 王岩岩 郑天宇 张海香
受保护的技术使用者：江苏科技大学
技术研发日：2023.05.09
技术公布日：2023/8/24