安诗曼工业除湿机厂家专业生产工业除湿机,家用除湿机,商用除湿机等产品,欢迎来电咨询定制。 公司简介 | 研发团队 | 网站地图 | xml地图
安诗曼-精芯除湿·致净生活环境温度湿度系统化解决方案供应商
全国咨询热线:133-6050-3273
您的位置:新闻资讯 > 行业动态 > 冷媒检测方法、装置、除湿机及设备与流程

冷媒检测方法、装置、除湿机及设备与流程

作者:CEO 时间:2023-03-19

信息摘要:本发明涉及电器技术领域,尤其涉及一种冷媒检测方法、装置、除湿机及设备。背景技术:目前,冷媒检测方法是基于专家经验,在观察和研究机器实际运行参数的基础上制定的。虽然这种方法取得了不错的效果,但是由于如除湿机这类基于冷媒的设备内部

冷媒检测方法、装置、除湿机及设备与流程

冷媒检测方法、装置、除湿机及设备与流程

  本发明涉及电器技术领域,尤其涉及一种冷媒检测方法、装置、除湿机及设备。

  背景技术:

  目前,冷媒检测方法是基于专家经验,在观察和研究机器实际运行参数的基础上制定的。虽然这种方法取得了不错的效果,但是由于如除湿机这类基于冷媒的设备内部结构复杂,运行过程中各状态量之间的耦合关系和变化规律难以完全掌握,且专家经验存在一定的主观性等原因,导致控制规则复杂,泛化能力有待提升。现有冷媒检测判断逻辑中存在判断单一、适应性差的缺陷。

  技术实现要素:

  本发明的主要目的在于克服上述现有技术的缺陷,提供了一种冷媒检测方法、装置、除湿机及设备,以解决现有技术的冷媒检测方法主观性强、泛化能力和适应性差的问题。

  本发明一方面提供了一种冷媒检测方法,包括:收集除湿机的运行参数,所述运行参数包括:环境温度、环境湿度、蒸发器温度和/或排气温度;建立神经网络模型,将所述收集到的运行参数作为输入值,输出结果冷媒比例,所述冷媒比例为剩余的冷媒量与冷媒的标准量之比,所述冷媒的标准量为所述除湿机标定的冷媒灌注量。

  可选地,还包括:在所述冷媒比例小于等于预设的比例阈值时判断为冷媒余量不足。

  可选地,所述神经网络模型包括:bp神经网络模型、卷积神经网络模型或者残差神经网络模型。

  可选地,还包括:将训练好的所述神经网络模型的运行参数上传到服务器端;在所述服务器端根据从至少一个地区上传的所述神经网络模型的运行参数对所述神经网络模型进行强化训练;从所述服务器端获取所述强化训练后的神经网络模型,用所述强化训练后的神经网络模型更新现有的所述神经网络模型。

  可选地,还包括:在判断为冷媒余量不足的情况下给出故障提示信息和/或实施故障处理;所述给出故障提示信息包括:通过显示设备显示故障提示信息、通过音频设备发出故障提示声音、和/或通过警示灯给出故障提示信息;所述实施故障处理包括强制关停除湿机的压缩机负载和/或风机负载。

  本发明的另一方面又提供了一种冷媒检测装置,包括:收集单元,用于收集除湿机的运行参数,所述运行参数包括:环境温度、环境湿度、蒸发器温度和/或排气温度;建模单元,用于建立神经网络模型,将所述收集到的运行参数作为输入值,输出结果为冷媒比例,所述冷媒比例为剩余的冷媒量与冷媒的标准量之比,所述冷媒的标准量为所述除湿机标定的冷媒灌注量。

  可选地,还包括判断单元,用于在所述冷媒比例小于等于预设的比例阈值时判断为冷媒余量不足。

  可选地,所述神经网络模型包括:bp神经网络模型、卷积神经网络模型或者残差神经网络模型。

  可选地,还包括:第一通讯单元,用于将训练好的所述神经网络模型的运行参数上传到服务器端;更新单元,用于从所述服务器端获取所述强化训练后的神经网络模型,用所述强化训练后的神经网络模型更新现有的所述神经网络模型,所述强化训练后的神经网络模型是在所述服务器端根据从至少一个地区上传的所述神经网络模型的运行参数对所述神经网络模型进行强化训练后得到的神经网络模型。

  可选地,还包括:第一故障处理单元,用于在判断为冷媒余量不足的情况下给出故障提示信息和/或实施故障处理;所述给出故障提示信息包括:通过显示设备显示故障提示信息、通过音频设备发出故障提示声音、和/或通过警示灯给出故障提示信息;所述实施故障处理包括强制关停除湿机的压缩机负载和/或风机负载。

  本发明的又一方面又提供了一种除湿机,具有上述任一项所述的装置。

  本发明的再一方面又提供了一种设备,具有上述任一项所述的装置。

  可选地,所述设备为手机、电脑、服务器或路由器。

  可选地,还包括:第二通讯单元,用于接收来自除湿机的运行参数,将所述接收到的运行参数作为所述神经网络模型输入值;第二故障处理单元,用于根据所述神经网络模型的输出结果向所述除湿机发送控制指令和/或故障提示信息,所述控制指令包括强制关停除湿机的压缩机负载和/或风机负载。

  本发明提供的技术方案相对于传统的规则控制方法,其不依赖于专家经验;而且通过大量样本数据的学习,网络可以自动不断修正自身参数,该控制算法的检测准确率也会随着学习样本数据的增加而增加,该方法具有很强的非线性映射能力、自学习和自适应能力、泛化能力以及容错能力;另外该控制算法可适用不同的设备型号,通用性好;还有利用神经网络算法中泛化的能力增加除湿机在不同地区、不同运行工况下的适应能力,例如在除湿机的应用中,利用神经网络算法的自学习特性可以在后续收集除湿机的运行数据,通过收集的数据用作后续对网络的加强训练以更新网络权值、偏置,使除湿机对于冷媒余量不足模式的判断越来越准确。

  附图说明

  此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:

  图1是本发明提供的冷媒检测方法的整体框架图;

  图2是本发明提供的冷媒检测方法的神经网络模型基本结构示意图;

  图3是本发明提供的冷媒检测方法的bp神经网络模型的结构示意图;

  图4是本发明提供的冷媒检测方法的卷积神经网络模型的结构示意图;

  图5是本发明提供的冷媒检测方法的残差神经网络模型的结构示意图;

  图6是本发明提供的冷媒检测方法的残差块的结构示意图;

  图7是本发明提供的冷媒检测方法的神经网络模型开发训练的流程图;

  图8是本发明提供的冷媒检测方法的神经网络模型云数据强化训练的流程图;

  图9是本发明提供的冷媒检测装置的整体框架图;

  图10是本发明提供的冷媒检测装置的一种优选实施例的结构示意图;

  图11是本发明提供的设备的一种优选实施例的结构示意图。

  具体实施方式

  为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

  需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

  本发明一方面提供了一种冷媒检测方法。图1是本发明提供的冷媒检测方法的整体框架图;如图1所示,本发明冷媒检测方法包括:步骤s110,收集除湿机的运行参数,所述运行参数包括:环境温度、环境湿度、蒸发器温度和/或排气温度;步骤s120,建立神经网络模型,将所述收集到的运行参数作为输入值,输出结果为冷媒比例,所述冷媒比例为剩余的冷媒量与冷媒的标准量之比,所述冷媒的标准量为所述除湿机铭牌上标定的冷媒灌注量。根据本发明冷媒检测方法的一种实施方式,还包括:在所述冷媒比例小于等于预设的比例阈值时判断为冷媒余量不足。

  本发明利用人工神经网络算法,运用大量除湿机冷媒泄漏时的运行参数样本,对神经网络进行学习和训练。通过调整网络结构及网络节点间的权值,使神经网络拟合除湿机运行参数之间的关系,最终使神经网络能准确检测出冷媒泄漏量。冷媒通常包括r410a,r32,r290等。本发明提供的技术方案使用神经网络算法对冷媒进行故障的判断,神经网络的使用不仅解决现有专家算法的局限性,另外也利用其自身的自学习功能使算法网络对于冷媒故障的判断越来越准确,泛化能力越来越强。

  图2是本发明提供的冷媒检测方法的神经网络算法基本结构示意图。在不同工况下测试除湿机系统在不同比例冷媒情况运行时,除湿机各传感器(蒸发器温度、排气温度等)数据,并以此最为神经网络的输入参数,如图2所示,各种冷媒的不同比例作为期望输出量。

  根据冷媒泄漏的数据特性及其所蕴含的规律,可初步确定神经网络模型的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。具体的人工神经网络结构:bp神经网络(backpropagationneuralnetwork)模型、卷积神经网络模型或者残差神经网络模型。

  图3是本发明提供的冷媒检测方法的bp神经网络模型的结构示意图。bp网络的结构设计主要解决设几个隐层和几个隐节点的问题。隐层和隐节点的确定需在网络训练时不断的调整。设计时先设置一个隐层,通过调整隐层节点数来改善网络性能;当隐节点数过多,出现过多拟合时,再考虑增加隐层,减少隐节点,来改善网络性能。实际应用时可以根据需要调整输入层、隐层、输出层节点数及隐层层数。

  图4是本发明提供的冷媒检测方法的卷积神经网络模型的结构示意图。多层卷积网络就是从低维度的特征不断提取合并得到更高维的特征从而可以用来进行分类或相关任务。不同比例冷媒存量的除湿机运行时,除湿机的蒸发器温度、环境温度等传感器表现出不同的运行趋势,本网络的的分类和相关任务就是从不同比例冷媒存量除湿机的标准数据中找出相应的运行特征,并根据提取的相应特征判断出当前的冷媒存量。卷积网络通用结构为输入层——卷积层——全连接层——输出层,中间的卷积层输出都是从输入数据提取的特征。卷积神经网络与普通的bp神经网络相比,卷积神经网络提出的是输入数据不同区域的相对特征,在数据相对时移时不影响网络的正常判断。

  图5是本发明提供的冷媒检测方法的残差神经网络模型的结构示意图。在调试卷积神经网络时,加深网络层数和改变卷积核大小的方法并不能使得网络表现得到提升。加入残差块可以更好地连接前后数据,加强特征表达能力,所以其能够加强卷积网络的学习能力。图6是本发明提供的冷媒检测方法的残差块的结构示意图。如图6某段神经网络的输入为x,期望输出为h(x),把输入x传入到输出作为初始结构后,需要学习的目标就变为f(x)=h(x)-x。

  图7是本发明提供的冷媒检测方法的神经网络模型开发训练的流程图。如图7所示,以bp神经网络模型为例,首先是设计实验方案获取输入数据;然后搭建网络模型,确定输入节点数m、隐层节点数n、输出节点数l(参见图3);接下来挑选部分数据训练网络参数,更新权值w和偏置阈值b;之后再判断准确度是否满足要求,若否则继续训练参数更新权值w和偏置阈值b;若是则挑选部分数据测试网络;之后再判断准确度是否满足要求,若否则继续训练参数更新权值w和偏置阈值b;若是则开发训练过程结束。以上过程具体步骤可分为数据预处理阶段、网络结构设计阶段、本地训练阶段和云数据强化训练阶段。

  其一,数据预处理阶段包括:

  1)原始数据搜集

  搜集除湿机在冷媒泄漏时,在所有可能的运行环境下的运行参数,并进行详细标注,标注的内容包括不同的冷媒存量运行时,除湿机的蒸发器温度、环境温度等传感器的运行数据。具体搜集方式包括但不限于除湿机在实验室模拟环境下的运行参数、通过物联网技术搜集实际用户使用时的空调运行参数等方式。

  2)输入、输出参数选择及预处理

  通过对原始数据的分析和结合专家知识,选取对冷媒泄漏检测影响较大且易检测的参数作为输入参数,将冷媒剩余量作为输出量。本发明中,输入参数包括但不限于环境温度、环境湿度、蒸发器温度、排气温度等。输入参数不仅为单一参数,也包括输入参数矩阵。

  因各参数具有不同的物理意义和量纲,还需要对输入参数作标准化处理,然后再进行统一的变换处理。本发明中,数据处理方法,包括但不限于,对数据进行归一化等线性处理及对数变换、平方根变换、立方根变换等非线性处理。

  3)训练和测试数据样本集选取

  通过对已搜集并标注数据的分析和结合专家知识,对数据样本按一定的规则进行分类,比如按照不同比例的冷媒存量运行作为一个表格储存分类。从不同类别的样本中,均匀提取数据,作为训练样本。训练样本不仅要蕴含冷媒泄漏的规律,还要体现出多样性和均匀性。列出所有的样本数据,然后按一定的间隔读取作为训练样本数据;提取出训练样本后,剩余的数据可作为测试数据。

  其二,网络结构设计阶段

  本发明中所使用的人工神经网络,不限定于某一种网络结构,可以是经典的人工神经网络如bp神经网络,也可以是高级人工神经网络,或者深度学习网络如cnn(convolutionalneuralnetwork,卷积神经网络)。

  其三,本地训练阶段

  根据本发明冷媒检测方法的一种实施方式,所述神经网络模型的激活函数采用sigmod函数:σ(z)=1/(1+e-z)。在训练之前要初始化网络的各层之间的权值wk偏置bl;确定网络的输出精度∈;确定网络的学习速度η;确定网络的最大训练步长:epoch。

  根据前期获得测试数据,挑选部分实验数据作为训练数据,另外一部分作为测试数据,导入输入数据x,根据激活函数、初始化的权值及偏置计算出网络的实际输出al(x),即al(x)=1/(1+e-z),其中z=wk*x+bl。

  判断网络的期望输出y(x)与实际输出al(x)是否满足输出精度要求即:‖y(x)-al(x)‖<∈

  如果满足精度要求则结束训练,如不满足则根据以下方式更新网络的权值wk,偏置bl:所述神经网络模型的误差能量函数采用c(w,b)为误差能量函数(以标准方差函数为例),n为训练样本的总数量,求和是在总的训练样本x上进行。

  更新各层权值:

  更新各层偏置:

  其中:wk为初始权值,为误差能量函数对权值的偏导数;bl为初始偏置,为误差能量函数对偏置的偏导数;的值可通过链式求导法则获得。直至网络的输出精度达到小于∈为止。

  最后进行网络测试:网络训练完成后,再用测试样本正向测试网络。在测试数据中挑选部分数据测试训练好的网络,判断输出是否满足期望要求,如不满足则则重复以上步骤,重新训练网络直至满足网络输出满足要求;若测试误差满足要求,则网络训练测试完成。

  其四,云数据强化训练阶段

  图8是本发明提供的冷媒检测方法的神经网络模型云数据强化训练的流程图。如图8所示,根据本发明冷媒检测方法的一种实施方式,还包括:将训练好的所述神经网络模型的运行参数上传到服务器端;在所述服务器端根据从至少一个地区上传的所述神经网络模型的运行参数对所述神经网络模型进行强化训练;从所述服务器端获取所述强化训练后的神经网络模型,用所述强化训练后的神经网络模型更新现有的所述神经网络模型。具体地,将训练好的网络集成的除湿机的无线模块,不同地区的除湿机上电运行后将实际的运行数据传到后台云端,云端根据除湿机上传的实际运行数据定期对现有网络强化训练,将强化训练后的网络通过除湿机无线模块在线更新网络,以满足实际的运行需要,使网络的对于冷媒故障的判断越来越准确,泛化能力越来越强。

  根据本发明冷媒检测方法的一种实施方式,还包括:在判断为冷媒余量不足的情况下给出故障提示信息和/或实施故障处理;所述给出故障提示信息包括:通过显示设备显示故障提示信息、通过音频设备发出故障提示声音、和/或通过警示灯给出故障提示信息;所述实施故障处理包括强制关停除湿机的压缩机负载和/或风机负载。具体地,当检测到冷媒泄露后,通过除湿机的led灯或lcd显示屏显示缺氟故障代码,发现故障及时给出提示和实施处理可以确保设备安全运行。

  本发明的另一方面又提供了一种冷媒检测装置。图9是本发明提供的冷媒检测装置的整体框架图。如图9所示,本发明冷媒检测装置包括:收集单元100,用于收集除湿机的运行参数,所述运行参数包括:环境温度、环境湿度、蒸发器温度和/或排气温度;建模单元200,用于建立神经网络模型,将所述收集到的运行参数作为输入值,输出结果为冷媒比例,所述冷媒比例为剩余的冷媒量与冷媒的标准量之比,所述冷媒的标准量为所述除湿机标定的冷媒灌注量。

  图10是本发明提供的冷媒检测装置的一种优选实施例的结构示意图。如图10所示,根据本发明冷媒检测装置的一种实施方式,还包括判断单元300,用于在所述冷媒比例小于等于预设的比例阈值时判断为冷媒余量不足。

  根据本发明冷媒检测装置的一种实施方式,所述神经网络模型包括:bp神经网络模型、卷积神经网络模型或者残差神经网络模型。

  根据本发明冷媒检测装置的一种实施方式,所述神经网络模型的激活函数采用sigmod函数:σ(z)=1/(1+e-z)。

  根据本发明冷媒检测装置的一种实施方式,所述神经网络模型的误差能量函数采用

  根据本发明冷媒检测装置的一种实施方式,所述装置还包括:第一通讯单元400,用于将训练好的所述神经网络模型的运行参数上传到服务器端;更新单元500,用于从所述服务器端获取所述强化训练后的神经网络模型,用所述强化训练后的神经网络模型更新现有的所述神经网络模型,所述强化训练后的神经网络模型是在所述服务器端根据从至少一个地区上传的所述神经网络模型的运行参数对所述神经网络模型进行强化训练后得到的神经网络模型。

  根据本发明冷媒检测装置的一种实施方式,还包括:参数处理单元600,用于对所述收集到的运行参数做标准化处理和/或变换处理,所述标准化处理包括归一化处理,所述变换处理包括对数变换、平方根变换和/或立方根变换。

  根据本发明冷媒检测装置的一种实施方式,还包括:第一故障处理单元700,用于在判断为冷媒余量不足的情况下给出故障提示信息和/或实施故障处理;所述给出故障提示信息包括:通过显示设备显示故障提示信息、通过音频设备发出故障提示声音、和/或通过警示灯给出故障提示信息;所述实施故障处理包括强制关停除湿机的压缩机负载和/或风机负载。

  本发明的又一方面又提供了一种除湿机,具有上述任一项所述的装置。

  本发明的再一方面又提供了一种设备,具有上述任一项所述的装置。

  根据本发明设备的一种实施方式,所述设备为手机、电脑、服务器或路由器。

  图11是本发明提供的设备的一种优选实施例的结构示意图。根据本发明设备的一种实施方式,所述设备还包括:第二通讯单元450,用于接收来自除湿机的运行参数,将所述接收到的运行参数作为所述神经网络模型输入值;第二故障处理单元750,用于根据所述神经网络模型的输出结果向所述除湿机发送控制指令和/或故障提示信息,所述控制指令包括强制关停除湿机的压缩机负载和/或风机负载。所述设备是指带有存储单元的设备,并不限于手机、电脑、服务器或路由器,其功能是获取除湿机的运行参数,运行神经网络算法,再将结果或相应的指令发送给除湿机。

  本发明的再一方面又提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一所述方法的步骤。

  本发明的又一方面又提供了一种除湿机,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一所述方法的步骤。

  本发明的又一方面又提供了一种设备,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一所述方法的步骤。

  根据本发明设备的一种实施方式,所述设备包括手机、电脑、服务器或路由器。

  根据本发明设备的一种实施方式,所述处理器执行的方法还包括:接收来自除湿机的运行参数,将所述接收到的运行参数作为所述神经网络模型输入值;根据所述神经网络模型的输出结果向所述除湿机发送控制指令和/或故障提示信息,所述控制指令包括强制关停除湿机的压缩机负载和/或风机负载。所述设备是指带有存储单元的设备,并不限于手机、电脑、服务器或路由器,其功能是获取除湿机的运行参数,运行神经网络算法,再将结果或相应的指令发送给除湿机。

  本发明提供的技术方案相对于传统的规则控制方法,其不依赖于专家经验;而且通过大量样本数据的学习,网络可以自动不断修正自身参数,该控制算法的检测准确率也会随着学习样本数据的增加而增加,该方法具有很强的非线性映射能力、自学习和自适应能力、泛化能力以及容错能力;另外该控制算法可适用不同的设备型号,通用性好;还有利用神经网络算法中泛化的能力增加除湿机在不同地区、不同运行工况下的适应能力,例如在除湿机的应用中,利用神经网络算法的自学习特性可以在后续收集除湿机的运行数据,通过收集的数据用作后续对网络的加强训练以更新网络权值、偏置,使除湿机对于冷媒余量不足模式的判断越来越准确。

  本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施,那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本发明及所附权利要求书的范围及精神内。举例来说,归因于软件的性质,上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外,各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。

  在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。

  所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为控制装置的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

  所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:u盘、只读存储器(rom,read-onlymemory)、随机存取存储器(ram,randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

  以上所述仅为本发明的实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。

声明:本站部分内容和图片来源于互联网,经本站整理和编辑,版权归原作者所有,本站转载出于传递更多信息、交流和学习之目的,不做商用不拥有所有权,不承担相关法律责任。若有来源标注存在错误或侵犯到您的权益,烦请告知网站管理员,将于第一时间整改处理。管理员邮箱:y569#qq.com(#转@)
在线客服
联系方式

热线电话

133-6050-3273

上班时间

周一到周六

公司电话

133-6050-3273

二维码
线