企业官网建设流程全解析

简介：面向燃油喷射系统设计与系统仿真学习者，这份培训演示材料围绕 Simcenter Amesim 的预设计、系统尺寸估算、集成性能平衡与控制验证展开，帮助读者理解如何用多物理模型连接机械与控制，覆盖液压、气动、热、电气和信号等学科。材料以汽油直喷、压缩与液化天然气、双燃料、柴油共轨、汽油多点喷射及 DME、生物燃料、氢气、LPG 等替代燃料为主线，并涉及喷油器引入率、喷油量、共轨压力峰值、泵流量与空化、系统稳定性等工程问题。压缩包仅含 1 个 pptx，约 39.18MB，适合作为技术培训课件或方案参考；已有 217 人学习。其价值在于把建模工作流、20 年经验与验证结果、模型简化实时仿真、联合仿真及汽车、船舶、重型设备行业应用串成可检索的知识框架，便于快速把握燃油喷射系统仿真要点并用于设计评审与方案汇报。

1. 从一次冷启动抖动说起：燃油喷射系统仿真在算什么

一台四缸直喷机在 -10 ℃ 冷启动时出现规律性抖动，台架拆检一切正常，最后把矛头指向共轨压力建立的头 200 ms——喷油器针阀开启延迟随轨压呈非线性变化，标定表在低压段没有覆盖到。这类问题靠试错要消耗几十套样件，而用 AMESIM 做燃油喷射系统仿真，可以在样件下单之前把循环喷油量、轨压波动、电磁阀电流响应三条曲线先跑出来。这套方案面向做动力总成方向毕设或课程设计的人，也面向需要给喷油系统做正向尺寸估算的工程岗位：从 CAD 几何到一维液力模型，从单喷油器标定到整轨系统集成，每一层都有明确的输入、输出和验收口径，不是跑出一条好看曲线就交差。

2. 需求拆解与技术选型：一维液力模型为什么比三维 CFD 更适合系统级设计

喷油系统仿真最常见的失败方式是“一上来就建全模型”：把喷嘴、共轨、油泵、电控全部塞进一个模型文件里，跑一次二十分钟，改一个参数要重跑半天，最后连自己都说不清误差来自哪一层。合理的做法是先把工程问题拆成互不干扰的几条线，再决定每条线用哪种数值方法，最后按接口把它们接起来。工具选型不是选“最强”的，是选“能在一顿饭的时间里跑完一轮参数扫描”的。

2.1 三类工程问题：循环喷油量、压力波动、控制闭环

循环喷油量回答的是“每次喷多少”。它的输出是一条喷射速率曲线（mg/ms 对时间），积分得到单次喷油量，再乘以转速和缸数得到总流量。这条曲线受针阀升程、控制腔容积、进出油孔孔径、轨压共同影响，属于液压-机械耦合问题，对模型精度要求最高，通常要用实测的单次喷油量做三点校核（怠速、中负荷、全负荷）。

压力波动回答的是“系统会不会叫”。共轨压力在喷油瞬间会掉一个坑，然后以声速在轨管和高压管里来回反射，形成几十到几百赫兹的压力脉动。脉动过大带来两个后果：一是相邻缸的喷油量不一致，二是管壁振动辐射噪声。判断指标通常是轨压波动幅值（相对平均轨压的百分比）和压力峰值，靠一维 CFD 段建模就能抓住主要模态。

控制闭环回答的是“电流跟不跟得上”。压电或电磁阀的开启分 Boost（高压吸动）和 Hold（低压保持）两段，Boost 阶段要求 100~200 μs 内把电流拉到峰值，Hold 阶段用 PWM 斩波稳住。电流上升慢了针阀开不充分，超调大了衔铁撞击加剧。这一段本质是电路加磁路的 0D 问题，键合图方法最合适，不需要任何网格。

三类问题的状态变量数量差了两个数量级，硬塞进一个模型里，求解器步长会被最快的那个域拖死。我一般按这三条线拆成三个模型文件，各自独立校核通过后再做集成。

2.2 键合图与一维 CFD 的混合：三种数值方法怎么分工

AMESIM 在喷油系统上的工程积累接近二十年，核心能力不是某一个求解器，而是能把 0D 键合图、一维 CFD 和三维 CFD 放在同一个模型里，各自算各自擅长的部分。选型时的判断依据可以列成一张表：

真正的取舍点在界面：喷油器出口到喷嘴内部这一段，如果只关心喷油速率曲线，用一维 CFD 加一个流量系数就够了；如果要研究喷孔内部的空化对流量系数的影响，就得把三维 CFD 结果做成一张随压差和背压变化的查表，回填到一维模型里，而不是每次系统仿真都调用三维求解器。这也是模型降阶在工程上的真实用法——不是把模型简化到失真，而是把高维结果压成低维边界条件。

提示：三维与一维的耦合边界选在喷孔入口而不是出口，因为入口处的压力、温度、含气量梯度更平缓，插值误差小；选在出口会让空化区跨在边界上，两边都算不准。

2.3 模型库的组织：48 个库怎么收敛成 6 个可用子模型

软件自带 48 个专业库、6500 多个多物理模型，全打开只会让人无从下手。实际项目里真正用到的可以归纳成六类：液压库（容积、节流孔、管路、蓄能器）、热气动库（气体容积、含气量、饱和蒸气压）、机械库（质量块、弹簧、阻尼、接触）、电磁库（线圈、磁路、驱动电路）、信号与控制库（PID、查表、滤波器）、以及接口库。前五类构成物理模型，第六类负责和外部控制器或其它仿真工具对接。

组织方式建议按“一个子系统一个超级元件”来做：先在一个独立文件里把喷油器调通，封装成一个带液压口、电气口、机械口的超级元件；油泵、共轨、管路同样处理。到系统级模型里，你看到的应该是四个方块加若干连线，而不是八百个元件挤在一张图上。这样做的好处是改喷油器内部结构时不用碰系统模型，做参数扫描时也只需要替换超级元件的参数集。

库选择还有一个容易忽略的点：同一物理对象往往有多个子模型可选，比如管路既有考虑频率相关的，也有纯集总的。选型看你要不要压力波的色散效应——做轨压波动和噪声预测必须用分布参数管路，做稳态流量分配用集总管路就够了，后者能省一个数量级的计算时间。

3. 总体架构设计：从 CAD 几何到系统模型的四层结构

一份能交付的喷油系统模型，不是一上来就在 AMESIM 里画图，而是先把 CAD 里的几何参数翻译成模型参数。翻译过程要分四层做，每一层都有独立的校核口径，上一层没通过不进入下一层。层次划分的依据是“物理上能不能单独验证”，而不是软件里的文件组织方式。

3.1 第一层：喷油器电磁-液压-机械三域耦合模型

喷油器的建模顺序建议从机械域开始，因为质量、弹簧、阻尼这些参数最容易从 CAD 和供应商数据里拿到。衔铁质量、针阀质量、弹簧预紧力、行程限位，先搭成一个纯机械的质量-弹簧-阻尼系统，确认自由振动频率合理，再接电磁力和液压力。

电磁域的关键是把电流到力的非线性链走通：线圈电阻和电感决定电流上升斜率，磁路饱和决定力在上电流后段变缓，气隙变化又反过来影响电感。这一段的常见做法是把实测的力-电流-气隙三维特性做成查表，而不是纯解析计算，因为解析磁路在饱和区误差能到 20% 以上。液压域要注意控制腔的两个节流孔——进油孔和出油孔，它们的孔径直接决定针阀开启延迟和关闭速度，也是喷油速率曲线形状的主要调节手段。

三域接起来之后必须做的第一件事是能量核对：电磁输入功率减去铜损和铁损，应该大致等于液压输出的功加上机械摩擦损耗。差值超过 10% 说明某一个域的参数填错了，先别往下走。

3.2 第二层：高压油泵的柱塞运动、容积效率与汽蚀边界

高压泵的输入是凸轮升程曲线，输出是流量-压力特性。柱塞运动用凸轮角度驱动一个移动元件即可，难点在容积效率：柱塞与柱塞套之间的泄漏随压力升高而增大，随油温升高而增大，把泄漏做成随压差和黏度变化的节流关系，比给一个固定容积效率更可信。

汽蚀判断放在泵的进油侧和柱塞腔。燃油的饱和蒸气压随温度变化明显，油温 80 ℃ 时比 20 ℃ 时高出一个数量级，很多模型默认用常温物性，结果在热机工况下算出来永远不汽蚀，和台架上的噪声、流量跌落对不上。判断方式很简单：柱塞腔局部压力低于当前温度下的饱和蒸气压乘以一个安全系数，就认为进入汽蚀区。

低速全负荷是泵最容易出问题的工况：转速低导致进油时间窗短，充量不足，柱塞腔压力跌落最深。这一层的校核点通常选三个转速（怠速、额定、峰值扭矩点）各一个全负荷工况，看泵端流量和压力波动是否与台架数据吻合。

3.3 第三层：共轨管与高压管路网络的压力波传播

共轨管本质是一个细长的容腔，压力波从喷油器端传入、在另一端反射，形成驻波。管路的建模精度直接决定压力波动预测的可信度：用集总容腔算出来的波形是平滑的，用分布参数管路才能看到高频毛刺。做法是把轨管沿长度切成若干段，每段用一维 CFD 元件，段数按“每段长度小于最高关注频率对应波长的十分之一”来定。

阻尼孔是这一层最值得花时间优化的对象。喷油器入口处加一个小孔，能把压力波的高频分量耗散掉，但孔径太小会增加节流损失，影响实际喷油压力。常规做法是扫一组孔径（比如 0.2、0.3、0.5、0.8 mm），看轨压波动幅值和平均压力损失的折中曲线，选拐点附近那一档。

高压油管的长度和走向同样影响结果。管长决定了压力波往返时间，这个时间如果和喷油间隔接近，就会出现相邻缸之间的耦合，表现为某一缸的喷油量系统性偏大或偏小。系统级模型里必须保留真实的管长，不能为了方便画图把管子画短。

3.4 第四层：系统集成与外部接口

四层结构的最后一层解决“模型怎么和别人对接”。三种常见接口：一是和控制器模型对接，做 MiL/SiL，AMESIM 侧输出轨压、针阀升程，控制器侧输出 Boost/Hold 驱动信号，接口步长通常取 10~100 μs；二是和三维 CFD 对接，把一维模型算出的喷孔入口压力、温度作为三维的边界条件，三维算出的流量系数回填；三是和实时平台对接，通过模型降阶把系统模型压到能实时运行的规模，用于硬件在环验证。

接口设计有一条硬性要求：所有跨域交换的量必须写明单位、符号约定和更新频率。工程上翻车最多的不是物理建模，而是接口两边对“电流正方向”或者“压力相对/绝对”理解不一致，模型各自都能跑，接起来结果全错。

4. 关键模块实现：参数怎么填、曲线怎么标、批量怎么跑

模型框架搭好之后，工作量集中在三件事：电气参数怎么估、喷射速率曲线怎么标定、几十组工况怎么批量跑完。下面给的脚本都是参数计算和后处理的辅助工具，物理模型本身仍在 AMESIM 里搭，脚本只负责把人工试错变成可复现的流程。

4.1 电磁阀 Boost/Hold 电流闭环的搭建与 PI 参数估算

喷油器电磁阀的驱动分两段：Boost 阶段用升压后的高电压把电流快速拉到峰值，Hold 阶段切回蓄电池电压并用 PWM 斩波维持。建模时线圈用一个电阻串联电感，磁路用查表，驱动电路用理想开关加二极管续流。PI 参数不要凭手感调，先按电气时间常数估一版初值。

# injector_current_pi.py # 用途：根据线圈电气参数估算 Boost 阶段到达峰值电流的时间，并给出一版 PI 初值 # 说明：参数为示例值，实际项目按样件实测或供应商数据填写 import math R_coil = 0.28 # 线圈直流电阻，Ω（20 ℃ 实测值，高温需按温度系数修正） L_coil = 1.6e-3 # 线圈电感，H（气隙最大位置测得） U_boost = 65.0 # Boost 阶段驱动电压，V（升压模块输出） U_hold = 13.5 # Hold 阶段蓄电池电压，V I_boost = 18.0 # 目标峰值电流，A I_hold = 11.0 # 目标保持电流，A f_pwm = 20e3 # Hold 阶段 PWM 频率，Hz tau = L_coil / R_coil # 电气时间常数，s t_peak = -tau * math.log(1 - I_boost * R_coil / U_boost) # 到峰值电流的理论时间，s duty_hold = I_hold * R_coil / U_hold # Hold 阶段稳态占空比 ripple = U_hold * duty_hold * (1 - duty_hold) / (L_coil * f_pwm) # 电流纹波峰峰值，A # PI 初值：按一阶系统“上升时间约 3 倍时间常数”的经验折算 Kp = L_coil / (3 * tau) # 比例增益，V/A Ki = R_coil / (3 * tau) # 积分增益，V/(A·s) print(f"电气时间常数 tau = {tau*1e3:.2f} ms") print(f"到达 {I_boost} A 的理论时间 = {t_peak*1e6:.0f} us") print(f"Hold 稳态占空比 = {duty_hold*100:.1f}%，电流纹波 = {ripple:.2f} A") print(f"PI 初值：Kp = {Kp:.4f} V/A, Ki = {Ki:.2f} V/(A·s)")

这段脚本的输出有三个用途。t_peak用来判断 Boost 电压够不够——如果算出来超过 200 μs 而针阀要求 150 μs 内开启，就得提高升压电压或者减小线圈电感。ripple用来选 PWM 频率，纹波超过保持电流的 10% 会让电磁力脉动，进而引起衔铁微振和噪声。Kp、Ki只是初值，把它们填进模型后还要看阶跃响应：超调超过 15% 就把比例增益降一档，稳态误差收敛慢就把积分增益提一档，反复两三轮就能定下来。低温工况要单独校核一遍，线圈电阻随温度下降 20% 左右，同样的 PI 参数在 -20 ℃ 下超调会明显变大，通常的做法是加一个电阻前馈补偿。

4.2 喷射速率与循环喷油量的标定流程

喷射速率曲线的标定不能靠“看着像”，要按固定的三步走。第一步定静态：给定轨压和喷油脉宽，让模型跑到稳态，读取单次喷油量，与台架的称重法或流量计结果比对，误差目标是全工况 5% 以内。第二步定形状：把喷射速率曲线和实测的喷油规律仪曲线叠在一起，重点看三个点——针阀开启时刻、速率峰值出现时刻、针阀落座时刻，形状对不上说明控制腔节流孔或者针阀质量填错了。第三步定边界：扫轨压（从怠速到额定）和背压（从进气歧管压力到增压后压力）两个维度，看喷油量随压差的平方根关系是否成立，偏离说明有未建模的泄漏或者空化。

三步走完通常要改的参数不超过五个，改动顺序建议是：先调控制腔进油孔（影响开启延迟），再调出油孔（影响关闭速度），再调针阀弹簧预紧（影响开启压力阈值），最后调流量系数（整体缩放）。反过来调会互相打架，越调越乱。

注意：单次喷油量的实测值本身有分散度，同一工况连续测十次，极差可能到 3%。校核时用十次均值而不是单次值，否则会把测量噪声当成模型误差去追。

4.3 汽蚀与压力峰值的判定脚本

汽蚀不是“算出来负压就报警”这么简单，燃油在不同温度下的饱和蒸气压差异很大，必须用温度相关的物性表。下面这段判定逻辑可以直接放进后处理流程，对每一个时间步的压力序列做扫描。

# cavitation_check.py # 用途：对仿真输出的压力时间序列做汽蚀与压力峰值判定 # 说明：饱和蒸气压数据为常见柴油的近似值，精确计算请用实测物性或标准物性库 import bisect # 温度(℃) -> 饱和蒸气压(bar 绝对压力)，示例近似值 SAT_TABLE = [(-20, 0.003), (0, 0.008), (20, 0.02), (40, 0.06), (60, 0.15), (80, 0.35), (100, 0.8), (120, 1.6)] def p_sat(t_celsius): temps = [t for t, _ in SAT_TABLE] idx = bisect.bisect_left(temps, t_celsius) if idx == 0: return SAT_TABLE[0][1] if idx >= len(temps): return SAT_TABLE[-1][1] # 线性插值 t0, p0 = SAT_TABLE[idx - 1] t1, p1 = SAT_TABLE[idx] return p0 + (p1 - p0) * (t_celsius - t0) / (t1 - t0) def check(p_series, t_series, t_fuel, margin=1.05): """p_series: 绝对压力序列(bar)；t_series: 对应时间(s)；margin: 汽蚀安全系数""" ps = p_sat(t_fuel) cav_events = [(t, p) for t, p in zip(t_series, p_series) if p < ps * margin] p_max = max(p_series) p_min = min(p_series) return { "饱和蒸气压(bar)": round(ps, 4), "汽蚀时间占比(%)": round(100 * len(cav_events) / len(p_series), 2), "最低压力(bar)": round(p_min, 2), "峰值压力(bar)": round(p_max, 2), "峰值/平均比": round(p_max / (sum(p_series) / len(p_series)), 2), } # 示例调用：p_abs 为仿真导出的绝对压力数组 # print(check(p_abs, t_arr, t_fuel=80))

判定结果要看三个数：汽蚀时间占比超过 5% 就要回头查进油侧是否充量不足；峰值/平均比超过 1.8 说明压力波动过大，优先调阻尼孔而不是改管径；最低压力如果远低于饱和蒸气压（比如只有一半），说明模型里出现了非物理的负压，多半是管路分段太少或者求解器步长过大导致数值振荡，这时候先别急着解释成物理现象。

4.4 参数扫描：用批处理把 DOE 跑成一张表

系统级模型的价值在于能批量跑工况，手改参数一个个点开是最浪费时间的做法。AMESIM 提供 Python 接口，可以把模型加载、参数赋值、运行、导出结果串成一条流水线。下面是一个典型的三因素扫描脚本。

# doe_rail_pressure.py # 用途：轨压 / 油温 / 阻尼孔径 三因素扫描，结果汇总为 CSV # 说明：接口函数名以本地安装的 Python 包文档为准，不同版本略有差异 import itertools, csv, amesim CASES = list(itertools.product( [800, 1200, 1600, 2000], # 轨压，bar [20, 60, 90], # 燃油温度，℃ [0.3, 0.5, 0.8], # 阻尼孔径，mm )) results = [] for i, (p_rail, t_fuel, d_orifice) in enumerate(CASES): amesim.load("inj_system.ame") # 每次重新加载，保证初始条件一致 amesim.set_parameter("rail.p_initial", p_rail * 1e5) amesim.set_parameter("fuel.temperature", t_fuel + 273.15) amesim.set_parameter("damper.diameter", d_orifice * 1e-3) amesim.run(final_time=0.2, print_interval=1e-5) m_inj = amesim.get_result("injector.m_inj_cycle") # 单次喷油量，mg dp = amesim.get_result("rail.p_ripple") # 轨压波动幅值，bar results.append([p_rail, t_fuel, d_orifice, m_inj, dp]) print(f"[{i+1}/{len(CASES)}] p={p_rail} bar, T={t_fuel} ℃, d={d_orifice} mm -> " f"m={m_inj:.2f} mg, dp={dp:.1f} bar") with open("doe_result.csv", "w", newline="") as f: w = csv.writer(f) w.writerow(["rail_pressure_bar", "fuel_temp_C", "orifice_mm", "m_inj_mg", "p_ripple_bar"]) w.writerows(results)

脚本里最关键的一行是每次循环重新load模型。复用同一个已加载模型看起来更快，但求解器的状态、上一轮的终值、内部积分器的历史都会残留，跑出来的结果无法复现——这在答辩现场被追问“为什么同一组参数两次结果不一样”时会非常被动。36 组工况按每组 20 秒计算，整轮扫描十二分钟，比手工点开快一个数量级，而且参数和结果一一对应，随时能回查。

5. 避坑与排查：五类最容易翻车的点

模型能跑通不代表结果可信，下面这五类问题在项目里出现的频率最高，基本每个都会让人卡上半天到两天。按“现象—原因—解决”的顺序记，比记操作步骤管用。

5.1 喷射量仿真值系统性偏高 5%~10%

现象：所有工况的循环喷油量都比台架高，偏差稳定，不是随机波动。

原因：容积效率没标定，柱塞泄漏用了默认的理想值；或者燃油体积模量用的是软件默认值，含气量设为 0，而实际油液里溶解空气会让有效体积模量下降 20% 以上，压力建立变慢、泄漏量变化。

解决：把泄漏做成随压差和黏度变化的节流关系，体积模量按实测含气量修正；先只标定一个工况（比如额定点全负荷），把这两个参数调准，再看其它工况是否自动对上。如果只有一个工况对得上其它全偏，说明还有第二个未建模的泄漏路径，重点查针阀导向面间隙。

5.2 轨压波形全是高频毛刺，看不出物理规律

现象：压力曲线像噪声，FFT 之后能量分散在很宽的频带上，没有明显的反射峰。

原因：三种可能——管路分段太少导致数值色散；求解器步长大于波传播穿过一个控制体的时间；阻尼孔用了临界流公式却在亚临界区被外推。

解决：先按“每段长度小于最高关注频率波长的十分之一”重新分段；把输出步长降到 1 μs 以下看波形是否收敛；阻尼孔换成带流量系数随压差变化的可逆节流元件。判断收敛性的土办法是把分段数翻倍再跑一次，两条曲线重合才算网格无关。

5.3 电流闭环在低温下振荡

现象：常温标定好的 PI 参数，-20 ℃ 时 Boost 阶段超调超过 30%，Hold 阶段电流持续抖动。

原因：线圈电阻随温度下降约 20%，同样的驱动电压下电流上升更快，按常温整定的比例增益在低温下过大；同时低温燃油黏度高，针阀运动阻尼变化，机械响应和电气响应不再匹配。

解决：加电阻前馈补偿，用实测线圈温度修正 PI 输出；或者按温度分区间做增益调度，-20 ℃ 和 20 ℃ 各一套参数，中间线性插值。别指望一套参数打天下，这是这类系统的固有特性。

5.4 联合仿真结果和单独跑对不上

现象：AMESIM 单独跑出来的喷油量是 12.3 mg，接到控制器模型做联合仿真变成 11.1 mg。

原因：接口步长不一致，控制器侧 1 ms 更新一次，AMESIM 侧内部步长 10 μs，中间做了平均或者零阶保持，把喷油脉宽的边沿抹掉了；也可能是两边对压力是绝对压力还是表压理解不同。

解决：把接口步长降到 100 μs 以内，并在接口处加一个显式的单位与符号约定说明；联合仿真的第一件事是跑一个恒定输入的稳态工况，两边结果必须完全一致，再开始跑动态工况。

5.5 批处理结果无法复现

现象：同一组参数、同一台机器，两次扫描出来的喷油量差 0.3 mg。

原因：模型复用导致求解器状态残留；或者初始条件没统一，第一次跑的终值成了第二次的初值；也可能是参数赋值顺序影响了查表插值。

解决：每次循环重新加载模型并显式设置全部初始条件；把参数集和结果一起落盘，带时间戳和模型文件哈希；扫描脚本本身纳入版本管理，改一行就记一笔。

提示：答辩时被问“你的结果可复现吗”，最好的回答不是口头保证，而是当场打开 CSV 说明每一行对应哪次运行、模型文件是哪个版本。

6. 验收与答辩：用一张校核矩阵证明模型可信

模型做完，真正的难点是说服别人它可信。工程上通行的做法不是展示漂亮的曲线，而是给一张校核矩阵：行是工况，列是判据，格子里填偏差。这张表既是给自己看的验收清单，也是答辩时最有力的一页。

判据的松紧要有依据：稳态工况的喷油量偏差控制在 5% 以内，是因为台架测量本身的重复性就在 3% 左右，模型再准也压不下去；冷启动放宽到 8%，是因为低温物性数据的分散度大，把模型逼到 5% 只能靠过拟合。写清楚“为什么不要求更准”，比硬凑一个好看的数字更让人信服。

答辩讲述顺序建议反过来走：先讲那张校核矩阵，让人知道你的模型在哪个范围内可信、哪个范围内不可信；再讲四层结构和每层的校核点，说明这个可信度是怎么一步步建立起来的；最后才讲参数扫描和优化结论。很多人习惯从背景讲到方法再讲结果，讲到最后评委已经疲劳，最有价值的那张表反而没机会展开。

有一个具体技巧值得用：准备一条“反例曲线”。主动展示一个模型算错的工况，说明错在哪、为什么当时的假设不成立、后来怎么修的。评委最常问的问题是“你这个模型哪里不准”，如果你能主动指出来并给出修正过程，后面的问题会少一半。我吃过一次亏，早期做的一套共轨模型在冷启动工况下轨压建立比实测快 80 ms，当时觉得是小事没写进报告，答辩时被追问，一时说不清是模型问题还是初始条件问题，场面很被动。从那以后我每次交付模型前，都强制走一遍“先找自己三个最不准的工况”的流程，把它们写进报告的局限性一节。希望帮到你。

本文还有配套的精品资源，点击获取