科研動(dòng)態(tài)
基于多傳感器融合的高維工業(yè)控制數(shù)據(jù)集典型相關(guān)模式可視化探索
中文題目：基于多傳感器融合的高維工業(yè)控制數(shù)據(jù)集典型相關(guān)模式可視化探索
論文題目：Visually exploring canonical correlation patterns of high-dimensional industrial control datasets based on multi-sensor fusion
錄用期刊：Journal of Visualization （中科院SCI 4區(qū)，JCR Q4）
原文DOI：https://doi.org/10.1007/s12650-024-01008-7
作者列表：
1） 紀(jì)連恩 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 計(jì)算機(jī)系教師
2） 劉梓彤 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù) 碩 22
3） 吳洪凡 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù) 碩 19
4） 劉京博 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù) 碩 20
5） 楊 光 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù) 碩 22
6） 田 彬 國(guó)能智深控制技術(shù)有限公司 高級(jí)工程師
摘要:
對(duì)于配備高密度傳感器的大型復(fù)雜工業(yè)設(shè)備，探索其生成的多區(qū)域監(jiān)控參數(shù)對(duì)后續(xù)控制環(huán)節(jié)的潛在影響對(duì)于優(yōu)化控制過(guò)程具有重要意義。然而，這些眾多監(jiān)控參數(shù)與隨后的受影響參數(shù)之間關(guān)聯(lián)的內(nèi)在機(jī)制和隨機(jī)性復(fù)雜，并且控制系統(tǒng)的每個(gè)工況都有其獨(dú)特性和控制規(guī)則，這使得有效分析這些不同類(lèi)別參數(shù)集之間的相關(guān)性變得具有挑戰(zhàn)性。本文提出了一種結(jié)合參數(shù)融合和典型相關(guān)性分析（CCA）的方法，針對(duì)這種高維工業(yè)控制數(shù)據(jù)，構(gòu)建了一個(gè)支持多視角和多層次探索典型關(guān)聯(lián)模式的可視化分析框架CAPVis。對(duì)于單個(gè)工況，我們通過(guò)特別設(shè)計(jì)的三部圖可視化典型相關(guān)關(guān)系的復(fù)雜結(jié)構(gòu)，并使用多個(gè)輔助視圖評(píng)估這些關(guān)系的冗余性和穩(wěn)定性。對(duì)于多個(gè)工況，我們?cè)O(shè)計(jì)了不同的可視化比較策略，支持從局部到全局的多對(duì)多典型相關(guān)模式比較。在真實(shí)工業(yè)控制數(shù)據(jù)集上的實(shí)驗(yàn)和領(lǐng)域?qū)＜业姆答佔(zhàn)C明了CAPVis的有效性。
背景與動(dòng)機(jī):
在現(xiàn)代工業(yè)控制系統(tǒng)中，常常需要布置大量高密度傳感器來(lái)監(jiān)控大型復(fù)雜設(shè)備的運(yùn)行狀態(tài)。例如，在火力發(fā)電廠(chǎng)中，不同區(qū)域分布的高密度溫度傳感器生成的大規(guī)模壁溫?cái)?shù)據(jù)代表了爐膛內(nèi)不同部分的燃燒特性，并對(duì)一系列后續(xù)控制參數(shù)（如蒸汽壓力和溫度等）有著重要影響。通過(guò)揭示這些壁溫和后續(xù)控制參數(shù)之間的相關(guān)模式，操作人員可以更精確地調(diào)整鍋爐的運(yùn)行狀態(tài)，以提高設(shè)備運(yùn)行的安全性和經(jīng)濟(jì)性。然而，這些眾多監(jiān)控參數(shù)與隨后的受影響參數(shù)之間的關(guān)聯(lián)機(jī)制和隨機(jī)性復(fù)雜，并且每個(gè)工況下都有其獨(dú)特的運(yùn)行特性和控制規(guī)則，這使得有效分析這些不同類(lèi)別參數(shù)集之間的相關(guān)性變得非常困難。典型相關(guān)分析（CCA）可以用來(lái)探索這種多對(duì)多的關(guān)系，通過(guò)生成較少數(shù)量的復(fù)合變量來(lái)表示兩個(gè)變量集之間的全局關(guān)聯(lián)。但是這種方法的內(nèi)部計(jì)算過(guò)程和結(jié)果復(fù)雜，難以直觀(guān)理解和評(píng)估。為此，本文將交互式可視化技術(shù)引入工業(yè)參數(shù)相關(guān)性分析過(guò)程中，重點(diǎn)解決三個(gè)方面的研究挑戰(zhàn)：（1）大規(guī)模高維傳感器數(shù)據(jù)的靈活融合處理；（2）不同類(lèi)別工業(yè)參數(shù)之間典型相關(guān)性的全面表示和評(píng)估；（3）不同工況下工業(yè)參數(shù)典型相關(guān)性模式的交互比較。
數(shù)據(jù)與任務(wù)分析:
數(shù)據(jù)描述與分析方法
本文數(shù)據(jù)來(lái)源于中國(guó)南方某火電廠(chǎng)2020年10月至12月期間660MW超超臨界燃煤機(jī)組的鍋爐控制過(guò)程，采樣間隔為5秒，原始數(shù)據(jù)大小為12GB。監(jiān)控參數(shù)包括鍋爐不同內(nèi)表面的1016個(gè)傳感器，例如高溫過(guò)熱器、低溫過(guò)熱器、后墻隔板和水冷壁等區(qū)域。提取了22個(gè)后續(xù)控制參數(shù)，主要包括過(guò)熱度、高溫過(guò)熱器出口主蒸汽壓力、一次再熱和二次再熱等。這些提取的數(shù)據(jù)進(jìn)一步根據(jù)機(jī)組的發(fā)電負(fù)荷范圍劃分為多個(gè)工況。
為了對(duì)上述數(shù)量眾多的壁溫測(cè)點(diǎn)進(jìn)行有效融合，基于相似性的數(shù)據(jù)融合方法，我們先對(duì)每個(gè)爐膛空間區(qū)域進(jìn)行聚類(lèi)，然后再使用分批估計(jì)算法對(duì)每一類(lèi)測(cè)點(diǎn)進(jìn)行數(shù)據(jù)融合，以求得可以宏觀(guān)反應(yīng)當(dāng)前類(lèi)的代表特征。對(duì)于同一類(lèi)測(cè)點(diǎn)，按照每個(gè)測(cè)點(diǎn)的不同位置，參考系統(tǒng)位置相近不在一組和空間位置相鄰不在一組的分組原則，將所有測(cè)點(diǎn)分為2組處理：A組為當(dāng)前類(lèi)中的奇數(shù)排測(cè)點(diǎn)和偶數(shù)列測(cè)點(diǎn)，B組為當(dāng)前類(lèi)中的偶數(shù)排測(cè)點(diǎn)和奇數(shù)列測(cè)點(diǎn)。接下來(lái)，采用CCA方法計(jì)算上述融合后的壁溫測(cè)點(diǎn)與受影響的后續(xù)控制參數(shù)之間的全局相關(guān)性。相比局部相關(guān)性，全局相關(guān)性分析考慮了所有子元素之間的相關(guān)結(jié)構(gòu)，并尋找兩組數(shù)據(jù)最佳表示的線(xiàn)性組合。給定兩個(gè)多變量時(shí)間序列數(shù)據(jù)集X和 Y:
其中，N代表的是時(shí)間序列的長(zhǎng)度，
代表
包含的子元素個(gè)數(shù)，CCA發(fā)現(xiàn)每對(duì)
和
之間的線(xiàn)性關(guān)系：
和
稱(chēng)為典型權(quán)重。系數(shù)矩陣
和
是通過(guò)最大化典型變量
和
之間的典型相關(guān)系數(shù)得到的。
通過(guò)CCA得到的典型變量和典型權(quán)重不是唯一的，當(dāng)處理大量數(shù)據(jù)時(shí)，分析每對(duì)典型變量會(huì)變得非常繁瑣。因此，針對(duì)CCA多模式的問(wèn)題，需要提供全面的評(píng)價(jià)機(jī)制，幫助用戶(hù)篩選有意義的模式進(jìn)行分析。
可視化任務(wù)提煉
本文應(yīng)用Sedlmair等人（2012）的9階段設(shè)計(jì)研究方法，與四位領(lǐng)域?qū)＜揖o密合作，提煉了如下分析目標(biāo)：
G1：高效提取和檢查多區(qū)域高密度傳感器數(shù)據(jù)的代表性監(jiān)控特征；
G2：全面展示特征參數(shù)與受影響參數(shù)之間的復(fù)雜關(guān)聯(lián)；
G3：綜合評(píng)估單一工況下多個(gè)典型相關(guān)性的質(zhì)量；
G4：靈活探索和比較多個(gè)工況下典型相關(guān)模式的共性和差異。
根據(jù)這些分析目標(biāo)和專(zhuān)家反饋，設(shè)計(jì)了如圖1所示的數(shù)據(jù)分析模型，提煉了以下可視化分析任務(wù)：
T1：構(gòu)建子區(qū)域多傳感器數(shù)據(jù)的交互式融合過(guò)程。每個(gè)監(jiān)控區(qū)域包含多個(gè)測(cè)量點(diǎn)，必須高效提取代表性特征參數(shù)（G1）。應(yīng)使用交互式可視化比較不同的聚類(lèi)方法，以選擇最佳的分類(lèi)和融合方法。
T2：多指標(biāo)評(píng)估數(shù)據(jù)融合結(jié)果。多傳感器數(shù)據(jù)融合的有效性對(duì)后續(xù)相關(guān)性分析有重要影響（G1，G2）。需要將融合結(jié)果的時(shí)間變化特性與原始數(shù)據(jù)進(jìn)行比較，同時(shí)應(yīng)使用多個(gè)誤差指標(biāo)（如RMSE、MAE和MAPE）定量檢查融合精度。
T3：直觀(guān)展示高維參數(shù)集的局部相關(guān)性。單個(gè)參數(shù)集內(nèi)和不同參數(shù)集之間的成對(duì)局部分析可以幫助用戶(hù)理解這些高維參數(shù)之間的基本相關(guān)性和冗余性（G1，G2，G4）。
T4：可視化展示融合特征集與受影響參數(shù)集之間的CCA結(jié)果。CCA用于分析兩個(gè)數(shù)據(jù)集的多個(gè)子元素之間的相關(guān)性，從而全面考慮和展示所有參數(shù)之間的全局相關(guān)結(jié)構(gòu)。用戶(hù)還可以關(guān)注單個(gè)典型相關(guān)關(guān)系，并根據(jù)領(lǐng)域知識(shí)確定該關(guān)系是否有趣或顯著（G2，G3）。
T5：多視角檢查典型相關(guān)關(guān)系。有效的關(guān)系首先需要在整體上表現(xiàn)良好，例如，具有較高方差貢獻(xiàn)度和冗余性。此外，這些關(guān)系在局部時(shí)間段內(nèi)應(yīng)保持一致和穩(wěn)定。因此，交互式視圖應(yīng)支持從多個(gè)角度對(duì)每個(gè)典型相關(guān)關(guān)系進(jìn)行可視化檢查（G3）。
T6：多工況下典型相關(guān)模式的多層次比較。用戶(hù)需要探索不同工況下的典型相關(guān)模式，并發(fā)現(xiàn)它們之間的相似性。由于每個(gè)工況包含多個(gè)代表其獨(dú)特運(yùn)行特征的典型相關(guān)關(guān)系，應(yīng)有效地展示不同層次的對(duì)比（G4）。
圖1 數(shù)據(jù)分析模型
可視化設(shè)計(jì):
系統(tǒng)概覽
本文基于以上挑戰(zhàn)和分析任務(wù)，構(gòu)建了一個(gè)名為CAPVis的可視分析框架。如圖2所示，可視化界面主要分為四個(gè)功能區(qū)域：傳感器數(shù)據(jù)融合和評(píng)估視圖、局部相關(guān)性分析視圖、典型相關(guān)性分析視圖和控制面板。CAPVis支持包含以下三個(gè)模塊的整個(gè)分析流程：
1. 傳感器數(shù)據(jù)融合：傳感器數(shù)據(jù)融合模塊進(jìn)行數(shù)據(jù)預(yù)處理。首先，用戶(hù)選擇具有特定工況的數(shù)據(jù)集，對(duì)監(jiān)控設(shè)備不同空間位置進(jìn)行多次聚類(lèi)分析和可視化比較，然后對(duì)傳感器數(shù)據(jù)進(jìn)行子區(qū)域融合。將融合結(jié)果可視化以幫助分析人員確認(rèn)融合效果，其他工況的數(shù)據(jù)集也以相同方式處理。
2. 局部相關(guān)性分析：在融合參數(shù)和受影響參數(shù)（用戶(hù)預(yù)先確定）上進(jìn)行局部相關(guān)性計(jì)算后，參數(shù)的組內(nèi)相關(guān)性和方差被可視化，組間相關(guān)性在熱圖矩陣中可視化。然后用戶(hù)可以選擇感興趣的參數(shù)以分析其相關(guān)特性。
3. 典型相關(guān)性分析： CCA視圖顯示當(dāng)前工況下的詳細(xì)典型相關(guān)模式（使用貢獻(xiàn)度表示每個(gè)參數(shù)的重要性）。冗余性檢驗(yàn)視圖顯示每個(gè)典型相關(guān)關(guān)系包含的原始數(shù)據(jù)信息量。穩(wěn)定性檢查視圖幫助找到相關(guān)結(jié)構(gòu)發(fā)生顯著變化的局部時(shí)間段。當(dāng)切換到多個(gè)工況時(shí)，工況比較視圖首先可視化不同工況的局部特征，然后通過(guò)多個(gè)分層圖形和多符號(hào)散點(diǎn)圖概述典型相關(guān)模式的整體相似性，最后支持相似工況詳細(xì)信息的比較。
圖2 CAPVis系統(tǒng)主界面
三部圖的設(shè)計(jì)
CCA視圖使用三部圖可視化兩個(gè)多變量參數(shù)集之間的典型相關(guān)模式，基本設(shè)計(jì)原理如圖3所示，它由兩個(gè)二部圖和一系列散點(diǎn)圖組成，分別表示融合監(jiān)控參數(shù)集、受影響參數(shù)集和典型變量對(duì)集。如圖4所示，每條鏈接表示原始變量對(duì)典型變量的貢獻(xiàn)度，線(xiàn)條粗細(xì)編碼貢獻(xiàn)度，紅色為正相關(guān)，藍(lán)色為負(fù)相關(guān)。為減少視覺(jué)雜亂，對(duì)鏈接和節(jié)點(diǎn)的布局進(jìn)行了優(yōu)化。
圖3 三部圖的設(shè)計(jì)
首先，鏈接用貝塞爾曲線(xiàn)表示，以實(shí)現(xiàn)邊緣捆綁。其次，同一區(qū)域的融合參數(shù)垂直排列在一起，用實(shí)線(xiàn)邊框表示，不同子區(qū)域用虛線(xiàn)分隔，這些區(qū)域按照空間位置排序，減少了弧線(xiàn)交叉。此外，設(shè)計(jì)了節(jié)點(diǎn)排序算法，用于對(duì)受影響參數(shù)進(jìn)行排序，包括整體關(guān)聯(lián)和局部關(guān)注兩種展示方式。在整體關(guān)聯(lián)情況下，通過(guò)計(jì)算所有典型變量對(duì)所有受影響參數(shù)的總加權(quán)貢獻(xiàn)對(duì)節(jié)點(diǎn)進(jìn)行排序。以典型交叉載荷為貢獻(xiàn)度量，先計(jì)算8個(gè)典型變量的方差貢獻(xiàn)，然后獲得受影響參數(shù)相對(duì)于每個(gè)典型變量的典型交叉載荷，定義排序得分為：
得分越高，節(jié)點(diǎn)位置越高。鏈接則按從粗到細(xì)、從紅到藍(lán)排列，提供更清晰的視圖。
在局部相關(guān)性中，當(dāng)選擇典型變量集中的特定節(jié)點(diǎn)時(shí)，所有受影響參數(shù)節(jié)點(diǎn)僅根據(jù)相對(duì)于當(dāng)前典型變量的典型交叉載荷重新排序，這樣可以完全消除鏈接之間的交叉。
圖4 單工況與多工況下的三部圖布局
案例分析與評(píng)估:
多源融合與評(píng)估
在進(jìn)行CCA之前，領(lǐng)域?qū)＜倚枰胬斫夂驮u(píng)估多傳感器數(shù)據(jù)融合結(jié)果。以功率范圍326-339MW的工作狀態(tài)為例，圖5展示了鍋爐中高溫和低溫過(guò)熱器部位的多傳感器數(shù)據(jù)交互融合過(guò)程。首先，圖5a可視化了原始測(cè)量點(diǎn)的空間位置，并用顏色映射平均壁溫，顯示高溫過(guò)熱器的中部和低溫過(guò)熱器的下部區(qū)域溫度較高。其次，專(zhuān)家通過(guò)比較輪廓系數(shù)選擇了層次聚類(lèi)（AC）和譜聚類(lèi)（SC）作為最佳分類(lèi)方法，聚類(lèi)結(jié)果與溫度分布一致（圖5b）。最后，分批估計(jì)融合結(jié)果在RMSE、MAE和MAPE方面顯示出比其他方法具有更小的誤差值（圖5c）。專(zhuān)家通過(guò)觀(guān)察特征變量和原始測(cè)量點(diǎn)平均值的時(shí)間變化，發(fā)現(xiàn)它們的波動(dòng)存在明顯差異，表明這些特征變量能夠有效反映同一區(qū)域內(nèi)不同的溫度分布特征。
圖5 多源融合與評(píng)估分析
單工況典型相關(guān)模式分析
單一工況下，專(zhuān)家希望探索壁溫參數(shù)集與受影響參數(shù)集的關(guān)聯(lián)。如圖6所示，通過(guò)觀(guān)察散點(diǎn)圖和條形圖，發(fā)現(xiàn)水冷壁區(qū)域的溫度參數(shù)波動(dòng)較大且高度相關(guān)。接著，利用CCA視圖專(zhuān)家評(píng)估壁溫參數(shù)與受影響參數(shù)之間的典型相關(guān)模式，從冗余性、穩(wěn)定性和貢獻(xiàn)度等方面進(jìn)行了分析。結(jié)果顯示，前三對(duì)典型變量包含了大部分信息，主要影響過(guò)熱度、啟動(dòng)分離器壁溫和高溫過(guò)熱器出口主蒸汽壓力。專(zhuān)家指出，這符合溫度傳遞路徑，并表示未來(lái)可據(jù)此調(diào)整局部壁溫，優(yōu)化受影響參數(shù)狀態(tài)。
圖6 單工況典型相關(guān)模式分析
多工況模式對(duì)比
多工況下，專(zhuān)家更關(guān)注典型相關(guān)模式的差異。通過(guò)圖7a中符號(hào)對(duì)比，發(fā)現(xiàn)高功率工況（569-645MW）下第一列符號(hào)高度相似，而低功率工況（339-409MW）下所有列均相似度較高。查看多符號(hào)散點(diǎn)圖（圖7b），專(zhuān)家發(fā)現(xiàn)第一個(gè)關(guān)系模式具有一般性，受功率影響小，第二和第三個(gè)關(guān)系則更獨(dú)特。選擇三個(gè)符號(hào)相似的工況（569-595MW、595-604MW和626-645MW）進(jìn)行詳細(xì)比較，發(fā)現(xiàn)原始參數(shù)對(duì)第一個(gè)典型模式的貢獻(xiàn)值無(wú)顯著差異（圖7d）。此外，高功率和低功率工況下典型變量的值分布相反（圖7c），專(zhuān)家猜測(cè)壁溫在這兩種工況下對(duì)后續(xù)控制參數(shù)（尤其是“過(guò)熱度”）產(chǎn)生相反影響。
圖7 多工況模式對(duì)比分析
系統(tǒng)評(píng)估
為評(píng)估系統(tǒng)的有效性，邀請(qǐng)四位專(zhuān)家進(jìn)行了結(jié)構(gòu)化實(shí)驗(yàn)和訪(fǎng)談，請(qǐng)他們?cè)谙薅〞r(shí)間內(nèi)完成任務(wù)P1-P7，之后匯總并統(tǒng)計(jì)了專(zhuān)家完成任務(wù)所用時(shí)間，并通過(guò)系統(tǒng)可用性量表（SUS）定量評(píng)估系統(tǒng)的可用性。圖8顯示了預(yù)設(shè)任務(wù)時(shí)間與實(shí)際操作時(shí)間的比較。藍(lán)色框表示專(zhuān)家完成任務(wù)的平均時(shí)間，結(jié)果顯示實(shí)際操作時(shí)間短于預(yù)設(shè)時(shí)間，表明專(zhuān)家迅速熟悉了系統(tǒng)。任務(wù)P7（快速識(shí)別多工況相似性）的操作時(shí)間差異較大，表明不同用戶(hù)在學(xué)習(xí)該復(fù)雜任務(wù)時(shí)存在差異。SUS問(wèn)卷量表的評(píng)估結(jié)果如表1所示，系統(tǒng)的平均得分為82.52，顯著高于SUS平均得分（68）的閾值，表明系統(tǒng)的可用性良好。
圖8 預(yù)設(shè)任務(wù)時(shí)間與實(shí)際操作時(shí)間比較
表1 系統(tǒng)可用性評(píng)分結(jié)果
結(jié)論:
本文提出了一種結(jié)合多傳感器融合和典型相關(guān)分析（CCA）的可視化分析框架CAPVis，用于全面探索高維工業(yè)控制數(shù)據(jù)中的典型相關(guān)模式。首先，采用數(shù)據(jù)融合方法結(jié)合聚類(lèi)過(guò)程，交互式提取并評(píng)估每個(gè)區(qū)域的傳感器數(shù)據(jù)特征，然后應(yīng)用CCA自動(dòng)生成特征參數(shù)集與后續(xù)受影響控制參數(shù)集之間的典型相關(guān)性。其次，設(shè)計(jì)了一系列有效的可視化映射和協(xié)調(diào)視圖，支持單一工況下典型相關(guān)性的多視角評(píng)估和多工況下典型相關(guān)模式的多層次比較。通過(guò)真實(shí)案例研究和專(zhuān)家評(píng)估，驗(yàn)證了CAPVis的實(shí)用性和有效性。雖然本文工作針對(duì)的是火電鍋爐的運(yùn)行數(shù)據(jù)，但從分析方法和可視化設(shè)計(jì)上看，CAPVis系統(tǒng)具有較強(qiáng)的通用性，可推廣到其他工業(yè)領(lǐng)域。例如，如化工廠(chǎng)的傳感器參數(shù)分析或煉油廠(chǎng)的多工況比較分析及大規(guī)模傳感器數(shù)據(jù)的特征提取或空氣質(zhì)量數(shù)據(jù)的分類(lèi)等。我們開(kāi)發(fā)的多角度評(píng)估視圖可以適用于其他使用CCA方法的項(xiàng)目。此外，我們?yōu)榈湫拖嚓P(guān)模式分析開(kāi)發(fā)的可視化技術(shù)可以應(yīng)用于其他領(lǐng)域數(shù)據(jù)集的多層次相關(guān)分析以及多個(gè)數(shù)據(jù)集的比較分析。
作者簡(jiǎn)介:
紀(jì)連恩，博士，副教授，研究生導(dǎo)師。主要研究領(lǐng)域?yàn)榇髷?shù)據(jù)可視化與智能分析、可解釋機(jī)器學(xué)習(xí)及工業(yè)領(lǐng)域應(yīng)用、虛擬現(xiàn)實(shí)與計(jì)算機(jī)仿真、計(jì)算機(jī)圖形學(xué)與人機(jī)交互技術(shù)等。主持和參與了國(guó)家自然科學(xué)基金、國(guó)家科技重大專(zhuān)項(xiàng)和重點(diǎn)企業(yè)合作項(xiàng)目多項(xiàng)?，F(xiàn)為中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）人機(jī)交互專(zhuān)委會(huì)委員、中國(guó)圖象圖形學(xué)學(xué)會(huì)（CSIG）可視分析專(zhuān)委會(huì)委員以及虛擬現(xiàn)實(shí)專(zhuān)委會(huì)委員。
聯(lián)系方式：[email protected]