{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,9,7]]，“日期-时间”：“2024-09-07T23:01:26Z”，“时间戳”：1725750086157}，“参考-计数”：42，“出版商”：“Springer Science and Business Media LLC”，“问题”：“1”，“许可证”：[{“开始”：{-“日期-零件”：[2022,6,1]]，”日期-时间“：”2022-06-01T00:00:00Z“，“timestamp”：1654041600000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0”}，{“start”：{“date-parts”：[[2022,6,1]]，“date-time”：“2022-06-01T00:00:00Z”，“timetamp”：1.654041600000}、“content-version”：“vor”，“delay-in-days”：“0，”URL“https:\\/creativecommons.org\/licenses\/by\/4.0“}]，“出资人”：[{“名称”：“国家自然科学基金委-广东省联合基金重点项目”，“奖项”：[“U2001201”]}，{“名称”：“广东省科技计划项目”，‘奖项’：[“2020A1515010890”]}.，{‘DOI’：“10.13039\/501100021171”，‘名称’：“广东省委基础与应用基础研究基金”，‘DOI-asserted-by’：“publisher”，‘奖励’：[”2020B151512010“]，‘id’：[{‘id’：“10.13039\/501100021171”，“id-type”：“DOI”，“asserted-by”：“publisher”}]}，{“name”：“珠海市科技计划”，“adward”：[“ZH2204470290034HJL”]}、{“name”：“佛山市重点领域科技研究”，“award”：[”2020001006832“]}]，“content-domain”：{“domain”:[“link.springer.com”]，“cross-mark-restriction”：false}，“short-container-title”“”：[“Auton.Intell.Syst.”]，“published-print”：{“date-parts”：[[2022,12]]}，“abstract”：“摘要<\/jats:title>故障诊断对于评估工业机器人的健康管理和改进维修计划具有重要作用。近几十年来，基于人工智能的数据驱动方法在利用监测数据进行机器故障诊断方面取得了重大进展。然而，目前的方法较少关注监测数据中的相关性和内部差异，导致诊断性能有限。本文提出了一种用于工业机器人减速器故障诊断的数据驱动方法，即双模注意卷积神经网络（DMA-CNN）。该方法旨在诊断工业机器人减速器的故障状态。它建立了两个具有两种不同注意力的并行卷积神经网络，以捕捉与故障相关的不同特征。最后，对特征进行融合，得到故障诊断结果（正常或异常）。比较分析了DMA-CNN方法和其他注意模型的故障诊断效果。在实际工业机器人数据集上验证了该方法的有效性<\/jats:p>“，”DOI“：”10.1007\/s43684-022-00031-5“，”type“：”journal-article“，”created“：{”date-parts“：[2022,6,1]]，”date-time“：”2022-06-01T04:26:06Z“，”timestamp“：1654057566000}，”update-policy“：“http://\/dx.DOI.org\/10.10007\/springer_crossmark_policy”，“source”：“Crossref”，”is-referenced-by-count“：15，”标题“：[”基于双模注意卷积神经网络的工业机器人故障诊断“]，“前缀”：“10.1007”，“卷”：“2”，“作者”：[{“给定”：“凯捷”，“家族”：“鲁”，“序列”：“第一”，“隶属”：[]}，{“ORCID”：“http://\/ORCID.org\/00000-0003-2800-4647”，“authenticated-ORCID”：false，“给定”:“冲”，“家庭”：“陈”，“顺序”：“附加”从属关系“：[]}，{“给定”：“道”，“家族”：“王”，“序列”：“附加”，“从属关系”：[]{，{-给定”：”良伦“，”家族“：”成“，”序列“：”附加“，”从属“：[]}，”给定“：”建“，”家庭“：”秦“，”顺序“：”额外“，”隶属关系“：[]}]，“成员”：“297”，“在线发布”：{“日期段”：[2022,6,1]]}，“引用”：[{“键”：“31_CR1”，“doi-asserted-by“：”publisher“，”doi“：”10.1109\/PHM-NANJING52125.2021.9613124“，”volume-title“：”2021全球可靠性和预测与健康管理，PHM-Nangjing 2021“，”author“：”Y.Yao“，”year“：”2020“，”unstructured“：”Yao，Y.Li，B.Xie，L.Lei，Y.Wang，基于自感电机驱动的机械故障诊断：回顾和关键问题，在2021年全球可靠性和预测与健康管理，PHM南京2021（2021）。https:\/\/doi.org\/10.109\/PHM-NANJING52125.2021.9613124“}，{“key”：“31_CR2”，“doi-asserted-by”：“publisher”，“首页”：“1102”，“doi”：“10.1016\/J.PROMFG.2020.05.151”，“卷”：“48”，“作者”：“Q.Yang”，“年份”：“2020”，“非结构化”：“Q.Yang，X.Li，Y.Wang，A.Ainapure，J。Lee，使用非平稳电机电流信号对工业机器人滚珠丝杠进行故障诊断。程序。制造481102\u20131108（2020）。https:\/\/doi.org\/10.1016\/J.PROMFG.2020.05.151“，”journal-title“：”Proc。制造商“}，{“key”：“31_CR3”，“volume-title”：“2020年第39届中国控制会议”，“author”：“J.Wang”，“year”：“2020”，“unstructured”：“J Wang，D.Wang，X.Wang，基于多传感器信息融合和一维卷积神经网络的工业机器人故障诊断，2020年第三十九届中国控制大会（IEEE，2020）”}31_CR4“，“volume-title”：“2020年预测与健康管理会议（PHM-Besan\u00e7on）”，“author”：“Y.Hong”，“year”：“2020”，“unstructured”：“Y.Hong，Z.Sun，X.Zou，J.Long，使用深度稀疏自编码器网络和姿态数据进行多关节工业机器人故障识别，2020年预测与健康管理会议（PHM-Besan\u00e7on）（IEEE，2020）“}，{”键“：”31_CR5“，”doi-asserted-by“：”publisher“，”首页“：”736“，”doi“：”10.1016\/J.JMSY.2020.08.010“，”卷“：”61“，”作者“：”J.Long“，”年份“：”2021“，”非结构化“：”J Long，J.Mou，L.Zhang，S.ZhangC。Li，基于姿态数据的深度混合学习架构，用于多关节工业机器人的智能故障诊断。J.制造系统。61736\u2013745（2021）。https:\/\/doi.org\/10.1016\/J.JMSY.2020.08.010“，”新闻标题“：”J.Manuf.Syst。}，{“key”：“31_CR6”，“volume-title”：“2019年第二届世界机械工程与智能制造大会（WCMEIM）”，“author”：“T.Zeng”，“year”：“199”，“unstructured”：“T Zeng，P.Liu，D。You，基于Matlab和Adams的弧焊六轴机器人运动学仿真和操作空间分析，2019年第二届世界机械工程与智能制造大会（WCMEIM）（IEEE，2019）“}，{“key”：“31_CR7”，“volume-title”：“2021 Global Reliability and Prognostics and Health Management（PHM-Nanjing）”，“author”：“S。Cheng”，“年份”：“2021年”，“非结构化”：“S.Cheng，带旋转接头间隙和平移接头间隙的往复式压缩机动态分析，2021年全球可靠性、预测和健康管理（PHM-Nanjing）（IEEE，2021）”}，{“key”：“31_CR8”，“doi-asserted-by”：“crossref”，“unstructured”：“M.A.Tadese，F.Yumbla，J.-S。Yi，W.Lee，J.Park，H.Moon，《带温度和负载校正的被动保证动态摩擦模型：协作工业机器人的建模和补偿》。IEEE接入。9（2021）”，“DOI”：“10.1109\/ACCESS.20213076308”}，｛“key”：“31_CR9”，“DOI asserted by”：“publisher”，“首页”：“1469”，“DOI”：“10.1007\\S12541-021-00552-8\\/FIGURES\/12”，“volume”：“22”，“author”：“A.D.Pham”，“year”：“2021”，“nonstructured”：“A.D.Pham，H.J.Ahn，机械加工工业机器人用刚性精密减速器。Int.J.Precis.Eng。制造日期：221469\u20131486（2021）。https:\/\/doi.org\/10.1007\/S12541-021-00552-8\/FIGURES\/12“，”journal-title“：”Int.J.Precis。Eng.Manuf.“}，{”key“：”31_CR10“，”doi-asserted-by“：”publisher“，”first page“：“185”，“doi”：“10.1109\/TIM.2017.2759418”，“volume”：“67”，“author”：“J.Sun”，“year”：“2018”，“unstructured”：“J-Sun，C.Yan，J.Wen，压缩数据采集与深度学习相结合的智能轴承故障诊断方法。IEEE Trans.Instrum.Meas.67，185\u2013195（2018）https:\/\/doi.org\/10.109\/TIM.2017.2759418“，”journal-title“：”IEEE Trans。仪器。测量。“}，{”key“：”31_CR11“，”doi-asserted-by“：”publisher“，”first-pages“：”81“，”doi“：”10.1109\/IMMMA.2013.32“，”volume-title“：”Proceedings-2013 5th Conference on Mechatronics Automation，ICMTMA 2013“，”author“：”X.Wang“，”year“：”2013“，“unstructured”：”X.Wang，R。张，基于小波变换和Hilbert-Huang变换的传感器故障诊断方法研究，《2013年第五届测量技术与机电自动化会议论文集》，ICMTMA 2013（2013），第81\u201384页。https:\/\/doi.org\/10.109\/IMMMA.2013.32“}，{“key”：“31_CR12”，“doi-asserted-by”：“publisher”，“first page”：”2025“，“doi”：“10.1109\/TIM.2011.211550”，“volume”：：“60”，“author”：“A.D.Spyronasios”，“year”：“2011”，“unstructured”：“A.D.Spyonasios，M.G.Dimopoulos，A.A。Hatzopoulos，用于检测混合信号电路中参数和灾难性故障的小波分析。IEEE传输。仪器。测量。602025\u20132038（2011）。https:\/\/doi.org\/10.109\/TIM.2011.2115550“，”journal-title“：”IEEE Trans。仪器。测量。“}，{”key“：”31_CR13“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/PHM-NANJING52125.2021.9612779“，”volume-title“：”2021全球可靠性、预测和健康管理，PHM-南京2021“，”author“：”Z.Xiao“，”year“：”2020“，”unstructured“：”Z Xiao，Z Cheng，Y“。李，《基于机器学习模式的故障诊断方法综述》，载于《2021年全球可靠性、预测和健康管理》，PHM-南京2021（2021）。https:\/\/doi.org\/10.109\/PHM-NANJING52125.2021.9612779“}，{“key”：“31_CR14”，“volume-title”：“2020年第十一届国际预测与系统健康管理会议（PHM-2020济南）”，“author”：“Y.Liu”，“year”：“2020”，“unstructured”：“Y.Liu，J.Wang，Y。沈，基于BP神经网络的传感器故障诊断验证研究，2020年第11届国际预测与系统健康管理会议（PHM-2020济南）（IEEE，2020）“}，{“键”：“31_CR15”，“卷标题”：“2010年第2届IEEE国际信息管理与工程会议”，“作者”：“H.Zhan”，“年份”：“2010”非结构化”：“H.Zhan，粗糙集和支持向量机在电力电子电路故障诊断中的应用，2010年第二届IEEE国际信息管理与工程会议（IEEE，2010）”}，{“key”：“31_CR16”，“volume-title”：“2008年国际状态监测与诊断会议”，“author”：“S.Yang”，“年”：“2008年”，“非结构化”：“S.Yang，W.Li，C.Wang，基于人工神经网络的风力发电机组齿轮箱智能故障诊断，2008年国际状态监测与诊断会议（IEEE，2008）”}，{“关键”：“31_CR17”，“卷标”：“IEEE模式分析与机器智能汇刊”，“作者”：“J.Hu”，“年“：“2020年”，“非结构化”：“J.Hu，L.Shen，S.Albanie，G.Sun，E.Wu，挤压与激励网络，IEEE模式分析与机器智能汇刊，vol.\u00a042（2020）”}，{“key”：“31_CR18”，“volume-title”：“2021 IEEE信息通信与软件工程国际会议（ICICSE）”，“author”：“D.Zhu”，“年份“：“2021年”，“非结构化”：“D.Zhu，X.Song，J.Yang，Y.Cong，L.Wang，一种基于L1正则化转移学习和LSTM深度学习的轴承故障诊断方法，2021年IEEE信息通信与软件工程国际会议（ICICSE）（IEEE，2021）”}，{“key”：“31_CR19”，“volume-title”：“2019年中国控制会议（CCC）”，“作者”：“Z.Xu”，“年份”：“2019年”，“非结构化”：“Z Xu，W.Mo，Y.Wang，S.Luo，T.Liu，基于深度简略稀疏自动编码器的变压器故障诊断，2019年中国控制会议（IEEE，2019）”}，{“key”：“31_CR20”，“volume-title”：“2021年第四届国际电子器件与机械工程会议（ICEDME）”，“作者”：“J.Jiao”，“年份”：“2021年”，“非结构化”：“J Jiao，C.Weidong，基于深信度网络和信号域转换的动车组电缆故障诊断研究，2021年国际电子器件和机械工程会议（IEEE，2021）“}，{”key“：“31_CR21”，”doi-asserted-by“：”publisher“，”first page“：”2307“，”doi“：”10.1007\/S12206-020-0506-8“，“volume”：“34”，“author”：“X.Zhang”，“year”：“2020”，“unstructured”：“X Zhang，G.Chen，T.Hao，Z.He，基于套管信号的滚动轴承故障卷积神经网络诊断方法。J。机械。科学。Technol公司。342307\u20132316（2020）。https:\/\/doi.org\/10.1007\/S12206-020-0506-8“，”journal-title“：”J.Mech。科学。Technol公司。“}，{”key“：”31_CR22“，”volume-title“：”2009 IEEE智能计算与智能系统国际会议“，”author“：”J.Wang“，”year“：”09“，”unstructured“：”J Wang，G.Wu，L.Wan，Y.Sun，D。江，递归神经网络在水下机器人故障诊断中的应用，2009年IEEE智能计算与智能系统国际会议（IEEE，2009）“}，{“key”：“31_CR23”，“volume-title”：“2019年预测与系统健康管理会议（PHM-Paris）”，“author”：“G.Sun”，“year”：“199”，“unstructured”：“G.Sun，Y。Wang，C.Sun，基于信号去噪和卷积神经网络的行星齿轮箱故障诊断，2019年预测和系统健康管理会议（PHM-Paris）（IEEE，2019）“}，{“key”：“31_CR24”，“doi-asserted-by”：“publisher”，“first page”：《509》，“doi”：“10.1109\/TIM.2019.2902003”，“volume”：‘69’，“author”：“G.Xu”，“year”：“2020”，“非结构化“：”G.Xu，M.Liu，Z.Jiang，W.Shen，C.Huang，基于传递卷积神经网络的在线故障诊断方法。IEEE传输。仪器。测量。69509\u2013520（2020年）。https:\/\/doi.org\/10.109\/TIM.2019.2902003“，”journal-title“：”IEEE Trans。仪器。测量。}，{“key”：“31_CR25”，“volume-title”：“2020 IEEE第四届信息技术、网络、电子和自动化控制会议（ITNEC）”，“author”：“X.Liu”，“year”：“2020”，“unstructured”：“X Liu，H.Tian，Z。戴，基于多尺度卷积神经网络和丢包的轴承故障诊断，2020年IEEE第四届信息技术、网络化、电子和自动化控制会议（ITNEC）（IEEE，2020）“}，{“关键”：“31_CR26”，“卷积”：“2020 IEEE集成电路、技术和应用国际会议（ICTA）”作者：“Y.Lin”，“年份”：“2020年”，“非结构化”：“Y.Lin，R.Li，W.He，X.Zho，J.He，P.Li和Y.Jiang，L.Liu，N.Wu，C.Shi，一个用于深度可分离卷积的高速低成本CNN推理加速器，2020年IEEE国际集成电路、技术与应用会议（ICTA）（IEEE，2020）”}，{“密钥”：“31_CR27”，“doi-asserted-by“：”publisher“，”first page“：”819“，”doi“：”10.1007\/s00170-020-06401-8“，“volume”：“112”，“author”：“M.Liang”，“year”：“2021”，“unstructured”：“M Liang，P.Cao，J.Tang，《基于并行卷积神经网络特征融合的滚动轴承故障诊断》，国际期刊高级制造技术。112819\u2013831（2021）。https:\/\/doi.org\/10.1007\/s00170-020-06401-8“，”journal-title“：”Int.J.Adv.Manuf.Technol。“}，{”key“：”31_CR28“，”doi-asserted-by“：”publisher“，”unstructured“：”J.Yu，C.Zhang，S.Wang，基于多通道一维卷积神经网络的工业过程故障诊断特征学习。https:\/\/doi.org\/10007\/s00521-0520-05171-4“，”doi“：publisher”，“首页”：“3196”，“DOI”：“10.1109\/TIE.2018.2844805”，“卷”：“66”，“作者”：“江先生”，“年份”：“2019”，“非结构化”：“江先生，何先生，严先生，谢先生，用于风力涡轮机齿轮箱故障诊断的多尺度卷积神经网络。IEEE传输。Ind.Electron公司。663196\u20133207（2019）。https:\/\/doi.org\/10.109\/TIE.2018.2844805“，”journal-title“：”IEEE Trans。Ind.Electron公司。}，{“key”：“31_CR30”，“volume-title”：“2021 IEEE第11届自动化、控制和智能系统CYBER技术国际年会”，“author”：“Z.-Q.Ling”，“year”：“2020”，“unstructured”：“Z.-Q.Ling，G.-Z.Cao，Y.-P。张，用于滚动轴承故障诊断的改进卷积神经网络，于2021年IEEE第11届自动化、控制和智能系统（CYBER）技术国际年会（IEEE，2021）“}，{”键“：”31_CR31“，”doi-asserted-by“：”publisher“，”first page“：”2377“，”doi“：”10.1109\/TIM.2019.2956332“，”volume“：“69”，“作者“：”王浩“，“年份”：“2020年”，“非结构化”：“王浩，徐军，严军，高军，一种基于SDP表示和SE-CNN的新型智能轴承故障诊断方法。IEEE传输。仪器。测量。69，2377\u20132389（2020）。https:\/\/doi.org\/10.109\/TIM.2019.2956332“，”journal-title“：”IEEE Trans。仪器。测量。“}，{”key“：”31_CR32“，”doi-asserted-by“：”publisher“，”first-pages“：”80“，”doi“：”10.1109 \/PIC50277.2020.9350782“，”volume-title“：”2020 IEEE信息学与计算国际会议论文集，PIC 2020“，”author“：”Y.Xu“，”year“：”2020“，”unstructured“：”Xu Y.，H.Fan，J。李，基于嵌入式改进SKNet的DenseNet matting算法，《2020年IEEE信息学和计算进展国际会议论文集》，PIC 2020（2020），第80\u201384页。https:\/\/doi.org\/10.109\/PIC50277.2020.9350782“}，{“key”：“31_CR33”，“volume-title”：“2020年亚太先进可靠性与维护建模国际研讨会（APARM）”，“author”：“Y.Hao”，“year”：“2020”，“unstructured”：“Y.Hao，H.Wang，Z.Liu，H。Han，基于关注机制的滚动轴承故障诊断多尺度CNN，2020年亚太先进可靠性与维护模型国际研讨会（APARM）（IEEE，2020）“}，{“关键”：“31_CR34”，“卷时间”：“2020年IEEE第二届民航安全与信息技术国际会议（ICCASIT）”，“作者”：“R.Ye”，“年份”：“2020年”，“非结构化”：“R.Ye，W.Wang，Y.Ren，K.Zhang，基于卷积自关注机制的轴承故障检测，2020年IEEE第二届民航安全与信息技术国际会议（ICCASIT）（IEEE，2020）”}，{“key”：“31_CR35”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/VCIP47243.2019.8965683“，“volume-title”：“2019 IEEE视觉通信和图像处理国际会议，VCIP 2019”，“author”：“Y.Zeng”，“year”：“199”，《unstructured》：“Y.Zeng，X.Guo，H.Wang，M.Geng，T.Lu，实时视觉跟踪的高效双注意模块，2019年IEEE视觉通信和图像处理国际会议，VCIP 2019（2019）。https:\/\/doi.org\/10.109\/VCIP47243.2019.8965683“}，{“key”：“31_CR36”，“doi-asserted-by”：“crossref”，“unstructured”：“C.Liu，L.Zhang，R.Yao，C.Wu，时变运行条件下基于双注意的时间卷积网络故障预测。IEEE Trans.Instrum.Meas.70（2021）”，“doi”：“10.1109\/TIM.2021.3053992”}，}“key:”31_CR37“，”doi-asserted-by“：”crossref“，”unstructured“：”S.Tang，S.Yuan，Y.Zhu，基于旋转机械故障诊断的卷积神经网络数据预处理技术。IEEE接入。8（2020）“，”DOI“：”10.1109\/ACCESS.2020.3012182“}，{”key“：”31_CR38“，”DOI-asserted-by“：”publisher“，”first page“：“1”，”DOI:“10.1016\/j.ress.2017.11.021”，“volume”：“172”，”author“：”X.Li“，“year”：“2018”，“unstructured”：“X.Li，Q.Ding，j.Q.Sun，使用深度卷积神经网络进行预测中的剩余有效寿命估计。Reliab.Eng。系统。安全。172，2013年1月11日（2018年）。https:\/\/doi.org\/10.1016\/j.ress.2017.11.021“，”journal-title“：”Reliab。工程系统。安全系数。“}，{”key“：”31_CR39“，”volume-title“：”2020年第七届国际电气工程与自动化论坛（IFEEA）“，”author“：”C.Tingting“，”year“：”2020“，”unstructured“：”C.Tingtin，X.Jianlin，C。华峰，基于辍学的改进卷积神经网络故障诊断方法，2020年第七届国际电气工程与自动化论坛（IEEE，2020）“}，{“key”：“31_CR40”，“volume-title”：“2020年第十一届国际电气与计算机工程会议（ICECE）”，“author”：“A.Dey”，“year”：“2020”，“unstructured”：“A.Dey，基于注意力的LSTM-CNN框架，用于从孟加拉语文本中提取情感，在2020年第11届国际电气和计算机工程会议（ICECE）（IEEE，2020）“}，{“key”：“31_CR41”，“doi断言”：“publisher”，“first page”：“3141”，“doi”：“10.1109\/CVPR.2019.00326”，“volume title”：“IEEE计算机学会计算机视觉和模式识别会议论文集”，“作者”：“J.Fu”，“年份”：“2019年”，“非结构化”：“J-Fu，J.Liu，H.Tian，Y.Li，Y.Bao，Z.Fang，H.Lu，场景分割的双注意网络，《IEEE计算机学会计算机视觉和模式识别会议论文集》（IEEE Computer.Soc.，Los Alamitos，2019），第3141\u20133149页。https:\/\/doi.org\/10.109\/CVPR.2019.00326“}，{“key”：“31_CR42”，“volume-title”：“CBAM:卷积块注意模块”，“author”：“S.Woo”，“year”：“2018”，“unstructured”：“S.Woo，J.Park，J.-Y.Lee，I.S.Kweon，CBAM:褶积块注意模型（2018）”}]，“container-title“：[”自治智能系统“]，“original-tittle”：[]，“language”：“en“，”link“：[{”URL“：”https:\/\/link.springer.com/content\/pdf\/10.1007\/s43684-022-00031-5.pdf“，”content-type“：”application\/pdf“、”content-version“：”vor“，”intended-application“：”text-mining“}，{”URL:“https:\//link.springer\com/article\/10.10007\/s43884-022-0031-5\/fulltext.html”，“content-type:”text\/html“版本“：”vor“，”intended-application“：”text-mining“}，{“URL”：“https:\/\/link.springer.com/content\/pdf\/10.1007\/s43684-022-00031-5.pdf”，“content-type”：“application\/pdf”、“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[2022,6,1]]，“date-time”：”2022-06-01T04:32Z“，“timestamp”：1654058312000}，“分数”：1，“资源”：{primary“：{”URL“：”https:\/\/link.springer.com/10.1007\/s43684-022-00031-5“}}，”subtitle“：[]，”shorttitle“：[]，”issued“：{date-parts”：[[2022,6,1]]}，“references-count”：42，“journal-issue”：{“issue”：“1”，“published-print”：{date-parts“：[2022,12]}}”，“alternative-id”：[“31”]，“URL”：“http://\/dx.doi.org\/10.1007\/s43684-022-00031-5“，”关系“：{}，”ISSN“：[”2730-616X“]，”issn-type“：[{”value“：”2730-615X“，”type“:”electronic“}]，”subject“：[]，”published“：{”date-parts“：[2022,6,1]]}，”assertion“：[[{“value”：“2022年4月1日”，“order”：1，“name”：“received”，“label”：“received”，：2，“名称”：“修订”，“标签”：“修改”，“组”：{name“：”ArticleHistory“，”label“：”Article History”}}，{“value”：“2022年5月20日”，“order”：3，“name”：“accepted”，“label”：“accepted（接受）”，“group”：{“name”:“ArticleHistory”，“table”：“Article Hi历”}}}“订单”：1，“名称”：“道德”，“group“：{”name“：”EthicsHeading“，”label“：”Declarations“}}，”{“value”：“作者声明他们没有竞争性利益。”，“order”：2，“name”：“Ethics”，“group”：