基于堆叠宽度学习系统的城市污水处理过程故障检测方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明以城市污水处理过程异常工况为对象，研究异常工况智能监测方法，研究了一种基于堆叠宽度学习系统的故障监测方法。本发明采用堆叠宽度学习网络针对城市污水处理过程进行故障监测。背景技术：2.淡水资源是保障人民正常生产生活的一种重要资源，关系经济社会发展和人民生命安全。污水再生回用已经成为我国政府水资源综合利用的战略举措，其可以最大限度地保护水环境，实现淡水资源可持续利用和良性循环。目前，城市污水处理厂作为处理城市污水的主要机构，负责将废水中的污染物通过物理、化学或生物方法去除，得到满足排放标准的出水水质。然而，值得注意的是城市污水中污染物分离、降解、转化的过程通常有较为复杂的反应条件和工况，外部因素的波动可能导致城市污水处理过程中异常工况的发生。所谓“牵一发而动全身”，污水处理设备中任何一个微小部件的异常都可能会造成整个设备的故障或瘫痪。因此，开发准确、快速的过程异常工况监测模型对促进淡水资源的合理利用具有重要的实际意义。一方面有助于使城市污水处理厂减少不必要的工作，从而降低资源浪费并达到控制经济成本的效益，另一方面有利于保证出水水质达标。这对智能控制理论自身的发展将起到积极的推动作用，具有很高的科学研究价值。3.随着信息技术与计算机技术的发展，现代异常工况监测逐渐智能化，现代异常工况监测方法涉及了数理统计、机器学习、人工智能等多个领域。目前，异常工况监测建模的研究根据建模方法的不同可以分为基于解析模型、基于知识、基于数据驱动这三类。4.(1)基于解析模型的异常工况监测方法5.对于早期的工程系统，主要使用基于解析模型的方法来进行异常工况监测，解析模型的获得方式是基于工程系统的数学物理机理，根据流程规律和物理特性建立能够代表现场系统的模型实现对过程异常工况的实时监测。虽然基于解析模型的方法看起来比较简单，但是它存在一定局限性。由于解析模型严格要求所建立的数学模型与现场流程的机理完全匹配或者是完整模型的适度简化，然而这对于现代复杂系统来说是不切实际的，受其非线性、强耦合、不确定性等复杂特性的影响，建立精确的数学机理模型不是件容易的事，故而基于机理模型的异常工况监测方法在实际的污水处理运行过程中难以推广。6.(2)基于经验知识的异常工况监测方法7.基于经验知识的异常工况监测不需要精确的数学模型，它的基本思想是利用专家知识来建立异常工况监测的过程模型。基于经验知识的模型应用依赖于完备的工业过程的经验与知识，在获取工业过程的信息后，通常需要构造多种规则进行适当的推理，信息储备来自于专家经验、用户数据库、历史数据等。但是，过程经验知识的积累并非一朝一夕，对于一个新型流程甚至不同工况下的同一流程都需要花费大量的时间和人力成本来进行知识储备。因此，这种方法不具有普适性。8.(3)基于数据驱动的异常工况监测建模9.随着现代通讯技术、计算机技术、云存储技术的发展，数据采集和数据存储等功能被广泛应用于工业中，工业数据的积累使越来越多的学者开始针对数据驱动的方法展开研究，数据分析、数据挖掘等数据驱动技术开始被用于异常工况监测。相比基于解析模型的方法与基于知识的方法，数据驱动方法在数据时代的背景下，这类方法拥有更好的通用性，基于数据驱动的方法是现代异常工况监测与诊断方法中的研究热点。基于数据驱动的方法通过提取过程数据中的信息来建模，利用数学模型表征过程的实际运行状态。常见的基于数据驱动方法又分为多元统计分析和基于人工智能这两大类。基于多元统计的方法包括用于污水处理过程核主成分分析(kpca)、核独立元成分分析(kica)和核动态的主成分分析(dkpca)等等。用于污水处理过程的基于深度学习的递归神经网络(rnn)、长短期记忆网络(lstm)、宽度学习系统(bls)和基于宽度学习的扩展版本网络等等。10.本发明采用的堆叠宽度学习系统(sbls)就是基于bls扩展版本，之所以本发明会选择堆叠宽度学习系统是因为sbls可以在取得高监测精度的情况下时间开销成本很低，这不同于rnn和lstm网络。基于递归结构的深度网络由于他们复杂的网络结构、过多的超参数和训练采用的基于迭代和梯度的方式会使模型产生很多大的时间开销，进而导致从理论上分析深度网络的结构变得艰难，这不符合实际污水处理过程对于监测模型的要求。因此构建高精度和低时间开销双兼顾的污水处理过程故障监测模型是本发明需要解决的关键问题。技术实现要素：11.本发明针对实际城市污水处理过程对监测模型高精度和低时间开销的需求，提出了堆叠宽度学习网络(sbls)。该模型可以用来解决一些深度网络针对精度和时间开销不能同时兼顾的问题。具体来说sbls利用特征提取层和增强层提取过程数据的非线性特性，再利用堆叠思想对宽度学习网络进行深度延展以提高模型的非线性特征提取能力，进而使网络获得优秀的监测精度。同时，sbls模型继承了宽度学习网络在时间开销方面的固有优势，即利用伪逆技术可以快速地计算网络连接权重。sbls的另一个优点是可以动态地添加增强节点进行横向扩展，重要的是这避免了整个系统的再训练过程，降低网络由于更新产生的时间开销。sbls真正的做到了兼顾高精度的同时拥有低时间开销，满足实现城市污水处理厂对于模型实时在线监测需求。12.本发明采用了以下技术方案来完成城市污水处理过程故障检测：13.本发明以城市污水处理过程为对象，紧密围绕高精度和低时间开销为研究目标，针对城市污水处理过程的机理特性建立符合实际城市污水处理过程要求的监测模型，实现污水处理过程安全运行。sbls模型是基于宽深结合思想进行构建的，即利用深度和宽度学习模型共同对污水处理过程的异常工况特征进行学习，以有效使用宽深结合网络学习模型挖掘得到的特征，同时揭示异常工况信息，从而更准确的完成异常工况的监测。本发明的对于城市污水处理过程异常工况监测主要分为预处理阶段、模型训练阶段和在线应用阶段三部分。14.预处理阶段：15.步骤1：获得实验数据集分为训练数据集和测试数据集，确定模型的输入和输出过程变量。输入变量包括：入水悬浮物固体质量浓度，易生物降解有机物质量浓度，粒状惰性有机碳质量浓度，活性异养菌质量浓度，活性自养菌质量浓度，生物衰减产生的颗粒质量浓度，溶解氧质量浓度，硝态氮质量浓度，氨氮质量浓度，可溶性生物可降解有机氮质量浓度，碱度摩尔浓度，颗粒性生物可降解有机氮质量浓度，慢性可生物降解有机物质量浓度，输入变量用x表示。输出变量包括污泥膨胀故障类型，毒性冲击故障类型和抑制故障类型的监测分类结果，用y表示。测试集数据xnew使用与污泥膨胀故障、毒性冲击故障和抑制故障三种故障类型相关的18种故障类型去测试模型的对于污水处理异常工况的监测性能，18种故障类型的输入变量名称与训练集相同。16.步骤2：用于模型训练的输入变量训练集合用符号x表示，即x∈rn×m并进行归一化消除因为赋值不同导致对实验结果产生不良影响，n是污水处理变量训练集样本个数，m是过程变量个数，r表示实数集。17.网络训练阶段：18.步骤3：sbls模型基于残差思想对宽度学习模型进行深度扩展，因此sbls网络特征层利用特征映射函数形成第i组特征节点fi：[0019][0020]其中x表示训练数据集的13个输入变量包括入水悬浮物固体质量浓度，易生物降解有机物质量浓度，粒状惰性有机碳质量浓度，活性异养菌质量浓度，活性自养菌质量浓度，生物衰减产生的颗粒质量浓度，溶解氧质量浓度，硝态氮质量浓度，氨氮质量浓度，可溶性生物可降解有机氮质量浓度，碱度摩尔浓度，颗粒性生物可降解有机氮质量浓度，慢性可生物降解有机物质量浓度。是sbls网络特征映射函数，特征层的激活函数是tansig，利用映射函数把污水数据集中变量信息提取传入增强窗口；p表示特征层特征节点个数，映射到第i个特征窗口的特征权重矩阵，映射到第i个特征窗口的特征偏置向量。采用稀疏自动编码器对特征窗口的特征权重矩阵进行去随机性优化，其中稀疏矩阵ws通过以下公式获得：[0021][0022]其中λ1是l1正则化参数，λ1＝2-8，经过稀疏化后特征节点fi＝xws。[0023]步骤4：特征层输出fp重复上一步骤p次获得。[0024]fp＝(f1,f2,…,fp)[0025]步骤5：激活函数对经过sbls网络第一层的特征层处理的污水处理的13种输入变量输出fp进行非线性处理。特征层输出fp作为增强层输入层来解决污水处理过程数据呈现的非线性特性。由特征层输出fp构造第j组增强节点ej：[0026][0027]其中符号q代表增强层共有q组增强节点，ξj表示非线性激活函数sigmoid，同理，与特征层的特征窗口生成权重和偏差方式相似，和是增强层在区间(0,1)随机生成的网络连接权重和偏置向量。[0028]步骤6：增强层的输出用符号eq表示。[0029]eq＝(e1,e2,…,eq)[0030]步骤7：基于步骤3-6获得的特征层和增强层参数计算得到sbls网络第一层输出o1：[0031][0032]其中sbls网络输出层的实际输出o1是污泥膨胀故障、毒性冲击故障和抑制故障三种故障类型各个分类输出结果。[f1,f2,…,fp∣e1,e2,…,eq]用表达式a1表示,a1＝[fp∣eq]，sbls网络的第一层输出层网络连接权重可以w1表示，即[0033]是sbls网络第一层增强层到输出层的连接权重。和均为tansig特征层激活函数。是第一层的特征层到输出层的连接权重。[0034]sbls网络第一层输出y＝(y1,y2,…,yn)t∈rn×c代表标签矩阵，n表示污水采样样本个数，c代表sbls网络输出变量维度，r表示实数集，w1表示sbls第一层输出层的网络连接权重，即w1＝[fp∣eq]+a1，和均是通过岭回归技术获得的权重参数，ξ1和ξq均为sigmoid激活函数，即[0035]步骤8：为了步骤1-7的算法表示的简单明了，使用广义映射函数来表示生成的p组特征节点集合，即的p组特征节点集合，即是特征层在(0,1)区间随机生成的权重，是特征层随机生成的偏置，是特征层随机生成的偏置，是tansig激活函数。用广义映射函数来表示生成q组增强节点集合，即来表示生成q组增强节点集合，即其中是特征层在[0,1]区间随机生成的权重，是特征层随机生成的偏置，ξ1，ξ2，ξq是tansig激活函数。因此基于步骤7，sbls第一层的实际输出o1被进一步简单明了表达。[0036][0037]其中sbls网络输出层的实际输出是污泥膨胀故障、毒性冲击故障和抑制故障三种故障类型各个分类输出结果。权重和权重参数分别是特征层和增强层生成的一系列随机权重，是映射到第i个窗口的特征节点的权重矩阵，是增强层随机生成权重。符号是广义映射函数和的复合函数，即[0038][0039]步骤9：sbls第一层的连接权重w1的解利用不需要花费过多时间开销的岭回归技术获得，这不同于一些深度神经网络训练和更新时所使用的迭代和梯度方式。[0040][0041][0042][0043]其中表示的是a1的伪逆，a1＝[fp∣eq]，λ是l2正则化系数，λ＝2-30，i是单位矩阵，表示的是a1的转置，w1表示sbls第一层输出层的网络连接权重，即w1＝[fp∣eq]+a1。[0044]步骤10：基于步骤1-9，获得sbls网络第一层输出结果o1。[0045][0046]其中权重和权重参数分别是特征层和增强层生成的一系列随机权重，其中是是映射到第i个窗口的特征节点的权重矩阵，是增强层随机生成权重。是sbls网络第一层增强层到输出层的连接权重。是sbls网络第一层特征层到输出层的连接权重。和包括着基于污水处理训练集的13种输入变量训练学习到的重要特征信息。[0047]步骤11：sbls网络第二层输入是第一层污泥膨胀故障、毒性冲击故障和抑制故障三种故障类型各个分类输出结果的实际输出o1，因此基于残差思想sbls网络第二层期望输出是第一层污泥膨胀故障、毒性冲击故障和抑制故障三种故障类型各个分类输出结果的实际输出o1与期望输出y的误差，用符号y2表示，即y2＝y-o1，sbls网络第二层连接权重w2通过步骤9中的伪逆公式求得，即：[0048][0049]其中令是a2的伪逆，和均为映射和复合函数，即复合函数，即复合函数，即即映射函数其中其中是特征层在[0,1]区间随机生成的权重，是特征层随机生成的偏置，是特征层随机生成的偏置，是tansig激活函数。[0050]步骤12：基于步骤11，sbls模型的第二层实际输出o2：[0051][0052]其中和均是通过岭回归技术获得。是sbls网络第二层增强层到输出层的连接权重。是sbls网络第二层特征层到输出层的连接权重。和包括着基于第一层污泥膨胀故障、毒性冲击故障和抑制故障三种故障类型各个分类输出结果的实际输出与期望输出y的误差训练学习到的重要特征信息。[0053]步骤13：同理，sbls网络第g层连接权重wg被表达：[0054][0055]其中yg表示第g层的期望输出,和分别是sbls第g层输出层与特征层和增强层连接权重，ag是sbls网络第g层的特征层和增强层的复合输出，是sbls网络第g层的特征层和增强层的复合输出，因此ag的伪逆可以被表达为,此时λ＝2-30：[0056][0057]步骤14：充分利用sbls每一层实际输出接近于sbls网络实际期望输出y，利用残差机制思想去连接sbls每一层。因此，得到第g块的期望输出，记为yg，连接权重记为wg和实际输出记为og：[0058][0059][0060][0061]其中og-1是sbls模型的第g-1层实际输出，和是第g层特征层和增强层内在(0,1)之间随机生成的权重。是特征层在[0,1]区间随机生成的权重，是特征层随机生成的偏置，是tansig激活函数,是tansig激活函数,是tansig激活函数,即映射函数即映射函数即映射函数表示伪逆符号。[0062]步骤15：sbls模型最后一层输出，即第g块输出og被认为收敛于第g块期望输出yg，即。[0063][0064]其中ok表示第k块的输出。[0065]步骤16：因此sbls网络可以获得以下结论：[0066][0067]堆叠停止的条件就是堆叠第n块的监测精度acc1小于第n-1块的监测精度acc2，即acc1《acc2。因此步骤1-16，sbls模型能够趋近于城市污水处理过程监测模型的期望输出y。[0068]步骤17：至此，sbls模型网络训练阶段完成。[0069]步骤18:sbls网络采用横向扩展的方式动态添加增强节点，sbls不需要从头开始重新更新训练学习，只需要调节与新增增强节点网络权重。对于sbls第g层添加b个增强节点。因此，sbls第g层输出结果可以更新为:[0070][0071]其中,是新增的增强节点层在(0,1)区间所随机生成的连接权重，是新增增强节点层到更新输出层的连接权重，og-1是sbls第g-1层输出，和是第g层特征层和增强层内在(0,1)之间随机生成的权重。[0072]步骤19:动态更新[0073][0074]其中是sbls网络所特有的未额外增加增强节点之前所保留的参数，进而避免了网络因为从头再训练和更新产生的高时间开销，用符号d表示，即[0075]步骤20：步骤19中的符号bt的具体表达式为：[0076][0077]其中表达式可以用符号c表示，(c)+表示c的伪逆。即i是单位矩阵，用符号d表示，即[0078]步骤21：因此经过更新后sbls网络的连接权重基于步骤1-20可以被进一步表示为：[0079][0080]其中是新增增强节点层到更新输出层的连接权重，和分别是第g块网络输出层与特征层和增强的连接权重。包含基于第g层污泥膨胀故障、毒性冲击故障和抑制故障三种故障类型各个分类输出结果的实际输出与期望输出y的误差训练学习到的重要特征信息。wg和包括着基于第g-1层污泥膨胀故障、毒性冲击故障和抑制故障三种故障类型各个分类输出结果的实际输出与sbl第g层期望输出yg的误差训练学习到的重要特征信息。[0081]步骤22：基于步骤18-21至具有增量学习能力的sbsl网络训练精度达到期望的实际污水处理规定要求，保存模型超参数。sbls网络动态更新过程完毕。[0082]在线应用阶段：[0083]实时获取的在线测试数据集xnew依据sbls网络训练阶段获得的网络参数计算出sbls网络对于基于污泥膨胀故障、毒性冲击故障和抑制故障三种故障类型相关的18种故障类型去测试模型的对于污水处理异常工况的监测准确度的输出结果，18种故障类型的输入变量名称与训练集相同。[0084]步骤23：利用网络训练阶段获得的sbls框架设计和构建城市污水处理过程故障监测模型，具体的细节如下步骤。[0085]步骤24：获取新的18批次在线采样训练数据xnew，对测试数据进行预处理，测试集数据使用与训练集相同的输入变量作为模型的输入。sbls堆叠的层数是5层，每一层的特征节点的窗口数、每个窗口具有的特征节点和增强节点个数分别为：(7,11,450),(5,5,170),(7,3,200),(1,5,180)和(1,1,150)。[0086]步骤25：利用网络训练阶段步骤1-17得的sbls模型进行在线监测获得新的基于三种故障类型的分类监测输出结果ynew，如果获得18种故障类型监测精度不满足实际污水处理厂对于监测精度的要求(视具体实际污水处理情况而定)，可以利用步骤18-22进行动态横向扩展增强节点的方式重复增量增强节点直到获得的监测精度大于或者等于实际污水处理厂对于监测精度的标准。[0087]步骤26：然后返回步骤23继续监测新的批次测试数据。[0088]步骤27：直到获得全部批次的故障类型监测结果，在线应用监测阶段采用独热编码的方式输出结果进行分类。[0089]步骤28：至此本发明的在线应用阶段完成。附图说明[0090]图1为本发明的sbls网络的结构图；[0091]图2基于sbls网络建立的针对污水处理过程的建模和监测的流程图；[0092]图3为污水处理厂进行污水处理示意图；[0093]图4为本发明所涉及算法的实验结果图；具体实施方式[0094](1)城市污水处理过程一般由多个包括物理、生物和化学方法的处理单元池完成，其中核心工艺是基于活性污泥法的生物反应，通过使有机污染物在厌氧、缺氧、好氧条件下由微生物群分解，达到除磷除氮的效果。国际水协会开发了一个基于活性污泥法的基准仿真平台(benchmark simulation model 1,bsm1)用于模拟实际的污水处理过程。bsm1共设置了五个活性污泥反应池和一个二沉池(深4m，10，层，6000m3)，五个活性污泥反应池中两个为缺氧环节其余为曝气环节。此外，bsm1以污水处理厂实际的运行操作数据为基础，模拟了污水处理厂在不同天气(晴天、雨天和暴雨天)运行的情况，每隔15分钟收集一个数据，本实验收集了14天每个故障类型共1344样本时刻，故障的发生时刻在865-1344时刻。bsm1具体结构由图1所示，表1和2所提供了部分污水处理过程变量和动力学参数，例如可溶性生物可降解有机氮和易生物降解有机物等多个污水过程工艺参数，其中x代表颗粒性组分，s代表可融合性组分。表3描述了本发明实验中涉及的18种故障类型有污泥膨胀故障、毒性冲击故障和滞留故障。污泥膨胀是一种常见的严重故障类型。由于污水水质的复杂性，生化系统中可能出现溶解氧不足、营养不平衡、水质不稳定等现象，导致丝状菌增多，导致污泥膨胀。当污泥膨胀发生时，污泥的沉降和压缩特性变差，悬浮物增多，污泥损失严重，生化系统可能出现故障，直接威胁污水处理系统的正常运行。毒性冲击故障是由于大量的有毒污水排放，导致活性污泥的微生物活动的减少，甚至导致污水生化反应系统的失效，影响对于污水的处理。当异养生物的正常生长下降时就会发生滞留故障，本实验通过调节异养细菌生长速度μh和异养衰减系数bh参数可以产生不同程度的滞留故障。[0095]表1[0096][0097]本发明所提出的sbls模型应用于污水处理过程中具体陈述如下：[0098]a.在污水处理过程中sbls网络训练阶段：[0099]步骤1:首先对从污水处理厂收集的采样数据进行预处理。[0100]步骤2:然后利用残差机制进行堆叠，堆叠停止的条件就是堆叠第n块的监测精度acc1小于第n-1块的监测精度acc2，即acc1《acc2。[0101]步骤3：确定sbls堆叠的层数是5层，每一层的特征节点的窗口数、每个窗口具有的特征节点和增强节点个数分别为：(7,11,450),(5,5,170),(7,3,200),(1,5,180)和(1,1,150)。[0102]步骤4：如果堆叠完成的sbls网络的监测精度低于98％则根据网络训练阶段步骤18-22对sbls进行动态扩展，直到网络监测监测精度大于98％停止动态添加。[0103]步骤5：经过重复实验确定建立sbls模型做需要的各个参数，进而训练并创建sbls模型用于在线污水处理过程应用阶段。[0104]b.基于sbls网络的污水处理过程在线应用训练阶段：[0105]表2[0106][0107]步骤6：污水处理过程获取的在线数据首先进行预处理[0108]步骤7：利用sbls网络获得新样本的监测结果，在线监测阶段采用独热编码的方式获得到的监测输出结果。然后再利用本发明所选取的评价指标去评价模型监测性能。[0109]在污水处理过程中sbls网络训练阶段和基于sbls网络的污水处理过程在线应用训练阶段是本发明方法在污水处理平台上的具体实际应用。为了污水处理过程监测模型的性能，采用误报率(far)、漏报率(mar)和准确率(acc)作为评价指标。[0110][0111][0112][0113]表3展示了本发明中所有方法监测18种故障所取得的acc。从表中可以看出，在大多数情况下，sbls能够达到最高的监测精度，在故障监测性能方面表现优秀，其平均acc超过kpca，sae，rnn，bls和lstm。在实际的污水处理过程中，一个好的过程监测模型应该能够适应可能遇到的各种天气状况。从表5中获得的晴天，雨天和暴雨天状况下取得far和mar可知，无论污水处理过程是晴天、雨天还是暴雨天，sbls的误报率far和漏报率mar均在本发明的可接受范围内，侧面体现了sbls模型具有很好的鲁棒性。同时，图4展示了本发明所提出的模型与对比算法模型在实验中取得的实验结果，从图中可以看出，sbls在三种天气下的平均误报率几乎接近于0，平均漏报率也低于0.030，准确率几乎接近98.900％。当然，时间开销也是评价监测模型性能的另一个关键指标。因此，表4展示了各个模型构建所需的时间开销。从表中可以看出，虽然bls所需时间开销最低，为1.180，但是由于bls浅层网络的限制，它可以兼顾时间开销，但是失衡了准确度。与bls相比，sbls的准确度acc略逊一筹。实际上，sbls的时间开销虽然略高于bls，但差距仅为2秒左右，在本发明所允许的范围内。与此同时，深度神经网络所需的时间开销高于time-sbls几百倍甚至几千倍。污水处理过程的实验结果验证了sbls模型在进行污水处理时可以做到高精度和低时间开销的兼顾。[0114]表3[0115][0116][0117]表4[0118][0119][0120]表5。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!