毛興翔 吳世德 王文明 孫海波 梁海官 張繼鋒

(1.中國(guó)石油大學(xué)(北京)機(jī)械與儲(chǔ)運(yùn)工程學(xué)院 2.浙江清華長(zhǎng)三角研究院)

0 引 言

管道運(yùn)輸是連接燃?xì)赓Y源與市場(chǎng)的高效率、低成本和安全可靠的關(guān)鍵環(huán)節(jié)，在油氣領(lǐng)域起著越來(lái)越重要的作用[1-3]。燃?xì)夤艿篮苋菀资艿诫姼g及自然腐蝕的影響，形成點(diǎn)蝕砂眼或裂縫，造成燃?xì)庑孤?，從而危害環(huán)境甚至引發(fā)安全事故，因此燃?xì)夤艿赖亩ㄆ诰S護(hù)檢測(cè)至關(guān)重要。目前國(guó)內(nèi)外對(duì)于燃?xì)夤艿佬孤┑臋z測(cè)方法可以分為管內(nèi)檢測(cè)和管外檢測(cè)。管外檢測(cè)主要包括實(shí)時(shí)瞬態(tài)模擬法[4]、負(fù)壓波法[5]、聲波法[6]、壓力點(diǎn)分析法、氣體檢測(cè)法、土壤法、光纖檢測(cè)法、聲發(fā)射法、探地雷達(dá)法、超聲導(dǎo)波法和紅外線照相法等。這些方法操作靈活，但受限于管線的環(huán)境和檢測(cè)設(shè)備的復(fù)雜性，對(duì)于微小泄漏的檢測(cè)難度相對(duì)較大。管內(nèi)檢測(cè)方法主要包括聲信號(hào)法、壓力檢測(cè)法、電渦流法和超聲內(nèi)檢測(cè)技術(shù)等。相對(duì)于管外檢測(cè)而言，管內(nèi)檢測(cè)可以使搭載傳感器的檢測(cè)器更加靠近泄漏點(diǎn)，使得泄漏檢測(cè)的效率和精確度更高。

國(guó)內(nèi)外學(xué)者開展了管內(nèi)檢測(cè)器的研究，取得了一定成果。德國(guó)Gottsberg Leak Detection公司的GLD管道泄漏檢測(cè)裝置[7]通過(guò)搭載到傳統(tǒng)PIG式檢測(cè)器上來(lái)檢測(cè)泄漏噪聲。O.HUNAIDI等[8]研究了不同泄漏類型、管道壓力、流速和季節(jié)等對(duì)PVC管道泄漏噪聲信號(hào)的影響及其衰減特性；A.S.PAPASTEFANOU等[9]通過(guò)試驗(yàn)驗(yàn)證了泄漏湍流是造成泄漏噪聲的主要因素。楊進(jìn)等[10]給出了一種基于相關(guān)分析和近似熵的泄漏信號(hào)特征提取識(shí)別方法。美國(guó)ASI(Acoustic System INC)公司開發(fā)了Wave Alert型聲波泄漏檢測(cè)系統(tǒng)[11]。加拿大Pure Technologies公司研制的smartball檢漏系統(tǒng)利用球形載體，內(nèi)部搭載麥克風(fēng)聲學(xué)傳感器來(lái)檢測(cè)管道泄漏[12]。山東省光纖傳感技術(shù)重點(diǎn)實(shí)驗(yàn)室的趙林等[13]設(shè)計(jì)了光纖負(fù)壓波管道泄漏監(jiān)測(cè)系統(tǒng)。中山大學(xué)王海蓉等[14]對(duì)燃?xì)夤艿佬⌒孤┕r下的壓力波數(shù)據(jù)進(jìn)行了有效的識(shí)別分析。天津大學(xué)與中石化華南銷售公司聯(lián)合研制了用于管道泄漏檢測(cè)的球形內(nèi)檢測(cè)器[15]。近年來(lái)發(fā)展的智能檢測(cè)方法，例如支持向量機(jī)(Support Vector Machine，SVM)和人工智能方法已逐漸應(yīng)用于管道泄漏的檢測(cè)。但是對(duì)于網(wǎng)絡(luò)的正確性和準(zhǔn)確性以及應(yīng)用到泄漏檢測(cè)效果如何，缺少相應(yīng)的驗(yàn)證，因此本文開展了基于支持向量機(jī)的泄漏檢測(cè)機(jī)器人的開發(fā)和研究。

燃?xì)夤艿佬孤┛梢暈閲娏鬟^(guò)程，并伴隨噴流噪聲的產(chǎn)生[16]。本文研究中檢測(cè)機(jī)器人搭載聲學(xué)傳感器，采集并識(shí)別燃?xì)夤艿纼?nèi)的聲學(xué)信號(hào)，通過(guò)支持向量機(jī)算法實(shí)現(xiàn)對(duì)燃?xì)夤艿佬孤┑呐袛?，提出了一種小管徑燃?xì)夤艿佬孤z測(cè)機(jī)器人方案。

1 系統(tǒng)設(shè)計(jì)

1.1 檢測(cè)器結(jié)構(gòu)

燃?xì)夤艿佬孤z測(cè)機(jī)器人由檢測(cè)部分、柔性結(jié)構(gòu)部分和驅(qū)動(dòng)部分組成。檢測(cè)機(jī)器人樣機(jī)如圖1a所示，它能夠在直徑為100 mm的城市燃?xì)夤芫W(wǎng)中主動(dòng)驅(qū)動(dòng)，實(shí)現(xiàn)前進(jìn)和后退。驅(qū)動(dòng)部分具有主動(dòng)驅(qū)動(dòng)、主動(dòng)伸張和里程輪功能，如圖1b所示。驅(qū)動(dòng)部分和柔性結(jié)構(gòu)部分的支撐保證了檢測(cè)器在管道內(nèi)的運(yùn)行保持在中心軸線上，如圖1c所示。里程輪與驅(qū)動(dòng)輪安裝在同一軸線上，基于霍耳傳感器記錄檢測(cè)機(jī)器人行駛過(guò)的里程信息。

1—柔性外殼；2—電子倉(cāng)；3—傳動(dòng)帶；4—滾動(dòng)軸承；5—驅(qū)動(dòng)輪；6—里程輪；7—絲杠電機(jī)；8—驅(qū)動(dòng)電機(jī)；9—蝸輪蝸桿。

1.2 硬件設(shè)計(jì)

檢測(cè)機(jī)器人控制系統(tǒng)包括主控制器、電機(jī)驅(qū)動(dòng)板及檢測(cè)傳感器等。主控制器選用了小體積、安裝Linux系統(tǒng)的單板計(jì)算機(jī)(Raspberry Pi ZeroW)，如圖2所示。它具有體積小、運(yùn)算快的優(yōu)點(diǎn)。選用了微型麥克風(fēng)、IMU GY-85、XY-160D電機(jī)驅(qū)動(dòng)板、BF-M4霍耳傳感器、SHT31溫濕度傳感器及GY-BMP280大氣壓強(qiáng)傳感器。利用Raspberry Pi完成對(duì)驅(qū)動(dòng)電機(jī)和絲杠電機(jī)的控制及對(duì)管道內(nèi)泄漏聲信號(hào)、霍耳傳感器數(shù)據(jù)和IMU數(shù)據(jù)的采集和存儲(chǔ)。檢測(cè)結(jié)束后，使用存儲(chǔ)的數(shù)據(jù)進(jìn)行上位機(jī)處理，判斷燃?xì)夤艿朗欠癜l(fā)生了泄漏并進(jìn)行定位。

圖2 檢測(cè)系統(tǒng)硬件組成

2 模擬試驗(yàn)

2.1 試驗(yàn)臺(tái)設(shè)計(jì)

為了模擬燃?xì)夤艿赖恼鎸?shí)泄漏，制備了相應(yīng)的試驗(yàn)平臺(tái)，其示意圖如圖3所示。

圖3 試驗(yàn)平臺(tái)示意圖

設(shè)置的管線總長(zhǎng)為17 m，管道內(nèi)徑為100 mm，管道兩端為進(jìn)氣口和出氣口，并分別安裝有壓力表以檢測(cè)管道內(nèi)的實(shí)時(shí)壓力，通過(guò)氣壓泵對(duì)管道內(nèi)的壓力環(huán)境進(jìn)行控制。在試驗(yàn)管道上設(shè)有一個(gè)圓孔，并且圓孔處安裝有可開關(guān)的通氣閥，設(shè)泄漏孔直徑為1 mm,以此來(lái)模擬當(dāng)燃?xì)廨斔凸艿腊l(fā)生小孔徑泄漏時(shí)的檢測(cè)。

2.2 試驗(yàn)方案

將檢測(cè)機(jī)器人放置于模擬燃?xì)夤艿纼?nèi)運(yùn)行并采集其中的泄漏聲信號(hào)。為研究燃?xì)夤艿佬孤r(shí)管道內(nèi)聲信號(hào)的變化特征，設(shè)計(jì)了如表2所示的幾組試驗(yàn)工況，并進(jìn)行了多次試驗(yàn)來(lái)獲取同一工況下的大量數(shù)據(jù)。

第1組和第2組試驗(yàn)用于對(duì)比有泄漏發(fā)生和無(wú)泄漏發(fā)生狀態(tài)下的數(shù)據(jù)差別。第2組至第5組用于對(duì)比在與泄漏點(diǎn)不同距離點(diǎn)處時(shí)所檢測(cè)到的數(shù)據(jù)差別。通過(guò)對(duì)比可以得到，當(dāng)燃?xì)夤艿腊l(fā)生泄漏時(shí)，檢測(cè)機(jī)器人從距離管道較遠(yuǎn)處向較近處的位置變化過(guò)程中泄漏聲信號(hào)的變化規(guī)律；通過(guò)對(duì)比第6組和第7組可以得到有泄漏時(shí)的電機(jī)噪聲；通過(guò)對(duì)比第8組和第9組可以得到無(wú)泄漏情況時(shí)的電機(jī)噪聲。最終確定的電機(jī)噪聲信號(hào)將用于后期數(shù)據(jù)處理的濾波中。

表1 試驗(yàn)組工況設(shè)計(jì)

2.3 試驗(yàn)步驟

(1)將管道泄漏檢測(cè)機(jī)器人放置在管道內(nèi)，開啟閥門1和閥門2，使用氣泵將管道內(nèi)注入空氣，觀察壓力變送器數(shù)值，使管內(nèi)壓力保持在0.6 MPa，通過(guò)泄漏孔上閥門的開閉來(lái)模擬管道的泄漏。

(2)在管道上對(duì)距離泄漏點(diǎn)0、1、2、3及4 m位置處進(jìn)行標(biāo)記。

(3)檢測(cè)機(jī)器人在管內(nèi)距離泄漏點(diǎn)0、1、2、3及4 m位置處依次固定放置，分別進(jìn)行管內(nèi)聲信號(hào)數(shù)據(jù)的采集。

(4)控制檢測(cè)機(jī)器人在管道內(nèi)平穩(wěn)行進(jìn)，可以由細(xì)繩牽引或電機(jī)驅(qū)動(dòng)使檢測(cè)機(jī)器人前進(jìn)。檢測(cè)機(jī)器人從距離泄漏點(diǎn)4 m位置行駛至泄漏點(diǎn)處，再由泄漏點(diǎn)處駛離至距離泄漏點(diǎn)4 m處，檢測(cè)機(jī)器人采集此行程中的管內(nèi)聲信號(hào)。

(5)根據(jù)設(shè)計(jì)的工況進(jìn)行大量試驗(yàn)，采集足夠多的數(shù)據(jù)用于后期的數(shù)據(jù)分析。

3 試驗(yàn)結(jié)果分析

3.1 基于時(shí)域的數(shù)據(jù)處理

為研究燃?xì)夤艿纼?nèi)泄漏聲信號(hào)的特征，判斷燃?xì)夤艿朗欠癜l(fā)生泄漏，首先對(duì)采集數(shù)據(jù)進(jìn)行了時(shí)域分析判斷，得到的時(shí)域分析圖像如圖4所示。從圖4a～4e中對(duì)比可以得到，當(dāng)發(fā)生泄漏時(shí)，所采集到的聲信號(hào)強(qiáng)度會(huì)有明顯的增大，并且隨著檢測(cè)機(jī)器人距泄漏點(diǎn)的距離越來(lái)越近，采集到的聲信號(hào)強(qiáng)度會(huì)越來(lái)越大。圖4f為檢測(cè)機(jī)器人從距離泄漏點(diǎn)4 m處駛向泄漏點(diǎn)處，接著又駛離泄漏點(diǎn)的過(guò)程中所采集到的聲信號(hào)的時(shí)域特征變化，可以看到幅值具有先增大后減小的變化規(guī)律。通過(guò)對(duì)管道內(nèi)聲信號(hào)的時(shí)域判斷，證明了采集和識(shí)別管道內(nèi)的聲信號(hào)可以判斷燃?xì)夤艿朗欠癜l(fā)生了泄漏。當(dāng)檢測(cè)機(jī)器人在管道內(nèi)連續(xù)行進(jìn)檢測(cè)的過(guò)程中，因?yàn)闄z測(cè)環(huán)境的復(fù)雜性，所采集到的聲信號(hào)會(huì)受到明顯的干擾，使得檢測(cè)機(jī)器人僅僅是通過(guò)時(shí)域信息來(lái)判斷泄漏的準(zhǔn)確度大大降低，所以還需要更深入的算法對(duì)檢測(cè)數(shù)據(jù)進(jìn)行判斷。

圖4 泄漏數(shù)據(jù)時(shí)域分析圖像

3.2 基于頻域的數(shù)據(jù)處理

相對(duì)于時(shí)域分析，頻域分析可以將不同頻率的信號(hào)特征放大，同時(shí)易于對(duì)噪聲信號(hào)進(jìn)行過(guò)濾。對(duì)采集到的信號(hào)進(jìn)行頻域分析，得到的結(jié)果如圖5所示。

從圖5可以得到，當(dāng)燃?xì)夤艿腊l(fā)生泄漏時(shí)，采集的聲信號(hào)在1 800 Hz和3 000 Hz附近的幅值相對(duì)于無(wú)泄漏狀態(tài)時(shí)會(huì)有明顯的增大。通過(guò)試驗(yàn)數(shù)據(jù)整理，確定了泄漏聲信號(hào)頻域特征的變化范圍主要集中在1 500～3 500 Hz，在這個(gè)范圍內(nèi)頻域幅值會(huì)有明顯的增大，因此設(shè)計(jì)了一個(gè)帶通濾波器，用以對(duì)干擾信號(hào)進(jìn)行濾波處理?？紤]到驅(qū)動(dòng)電機(jī)對(duì)聲信號(hào)的影響，通過(guò)對(duì)比設(shè)定了帶通濾波器后，比較在電機(jī)開啟和關(guān)閉狀態(tài)下檢測(cè)機(jī)器人所采集到數(shù)據(jù)的頻域特征，電機(jī)噪聲對(duì)泄漏識(shí)別判斷的影響較小，即有泄漏和無(wú)泄漏時(shí)，在1 500～3 500 Hz的頻率范圍內(nèi)差距仍然比較明顯。通過(guò)驗(yàn)證，設(shè)計(jì)的濾波器對(duì)噪聲數(shù)據(jù)的處理起到了較好的作用。

圖5 泄漏數(shù)據(jù)頻域分析圖像

4 基于SVM的燃?xì)夤艿佬孤z測(cè)

4.1 SVM理論

驗(yàn)證分析表明，利用燃?xì)夤艿纼?nèi)的聲信號(hào)對(duì)燃?xì)夤艿赖奈⑿⌒孤┛走M(jìn)行檢測(cè)是可行的，管道內(nèi)聲信號(hào)的變化特征在時(shí)域和頻域均較為明顯。利用時(shí)域和頻域分析可以判斷管道是否發(fā)生了泄漏，但是由于存在干擾，燃?xì)鈾z測(cè)器對(duì)管道是否泄漏的判斷會(huì)受到一定的影響。為了提高檢測(cè)器的檢測(cè)效率，實(shí)現(xiàn)檢測(cè)器對(duì)于燃?xì)夤艿佬孤┑淖灾髋袛?，提出了基于支持向量機(jī)的機(jī)器學(xué)習(xí)算法來(lái)分析燃?xì)夤艿佬孤?shù)據(jù)，提高對(duì)燃?xì)夤艿佬孤┑臋z測(cè)精度。

支持向量機(jī)是在1995年由C.CORTES等[17]發(fā)明的一種模式識(shí)別方法。在分類和回歸問(wèn)題中，支持向量機(jī)的算法占據(jù)著重要優(yōu)勢(shì)，其最主要優(yōu)勢(shì)在于可以解決小樣本、非線性和高緯模式識(shí)別問(wèn)題[18-19]。當(dāng)樣本的輸入線性不可分時(shí)，需要采用線性不可分SVM模型進(jìn)行特征空間上的訓(xùn)練學(xué)習(xí)[20]。支持向量機(jī)模型訓(xùn)練的最終目的是在特征空間上得到一個(gè)最優(yōu)超平面，基于SVM利用間隔最大化能夠求得一個(gè)最優(yōu)分離超平面，所得到的超平面的解也唯一[21]。

4.2 C-SVC算法參數(shù)確定

燃?xì)夤艿佬孤z測(cè)所采集到的聲信號(hào)的識(shí)別屬于線性不可分問(wèn)題。對(duì)于線性不可分問(wèn)題需要選擇合適的SVM模型來(lái)構(gòu)建一個(gè)最合適的超平面，從而將泄漏和無(wú)泄漏的兩類數(shù)據(jù)分類，選用SVM方法中的支持向量二分類算法，也叫作C-SVC(C-SVM for Classification)模型[22-23]。C-SVC模型的優(yōu)勢(shì)在于其不僅解決了線性分類器到非線性的問(wèn)題[24]，而且對(duì)于數(shù)據(jù)的訓(xùn)練計(jì)算過(guò)程也相對(duì)較為簡(jiǎn)便。應(yīng)用中要找到C-SVC分類模型的最佳分離超平面。

通過(guò)非線性映射φ(·)將樣本數(shù)據(jù)從原空間映射到高維空間。在高維空間中構(gòu)建最優(yōu)超平面C-SVC模型的模型優(yōu)化函數(shù)，如式(1)所示。對(duì)于那些分布在分類超平面和支持向量所在的超平面中間的數(shù)據(jù)點(diǎn)，需要給予一個(gè)松弛變量，同時(shí)對(duì)于這種錯(cuò)分進(jìn)行一定的懲罰。最優(yōu)超平面還應(yīng)該滿足式(2)中的約束條件。最終得到的決策函數(shù)如式(3)所示。

(1)

yi(ωTφ(xi)+b)≥1-ξi

(2)

(3)

式中：xi為輸入樣本；yi為期望輸出矢量；ω為權(quán)值矢量；C為懲罰參數(shù)，C∈(0，+∞)；l為樣本數(shù)；ξi為吸引度的松馳變量，ξi≥0(i=1，2，……，l)；b為偏置常數(shù)；K(xi,x)為核函數(shù)；αi為L(zhǎng)agrange乘子；其中ω和b確定了最優(yōu)超平面的位置。

4.3 支持向量機(jī)模型參數(shù)確定

支持向量機(jī)對(duì)于一些非線性不可分問(wèn)題存在著錯(cuò)分現(xiàn)象，所以對(duì)于一個(gè)支持向量機(jī)模型選用不同數(shù)值大小的懲罰參數(shù)C和核函數(shù)參數(shù)g，對(duì)支持向量機(jī)的分類精度具有重要的影響。當(dāng)懲罰參數(shù)C的數(shù)值過(guò)小時(shí)，訓(xùn)練得到的支持向量機(jī)的擬合精度降低，而且很容易出現(xiàn)對(duì)數(shù)據(jù)的錯(cuò)分，也稱為“欠學(xué)習(xí)”[25]。當(dāng)C的數(shù)值選擇過(guò)高時(shí)，也會(huì)出現(xiàn)“過(guò)學(xué)習(xí)”現(xiàn)象，模型的泛化能力會(huì)削弱。核函數(shù)參數(shù)g影響著支持向量機(jī)模型對(duì)于輸入數(shù)據(jù)變化的反應(yīng)程度，其數(shù)值的過(guò)大、過(guò)小都會(huì)影響預(yù)測(cè)模型的置信范圍大小，并最終影響到支持向量機(jī)模型的學(xué)習(xí)能力。因此，對(duì)C-SVC中的懲罰參數(shù)C值和核函數(shù)參數(shù)g值需要進(jìn)行最優(yōu)化確定。

對(duì)于SVM模型的C值和g值的選擇方法有多種，本文選用的是網(wǎng)格參數(shù)尋優(yōu)法(Grid Search，GS)來(lái)確定C值和g值的大小。首先設(shè)定C值和g值的取值范圍為：C∈[-8 ,8],g∈[-8 ,8]，設(shè)置一定的C值和g值的變化步長(zhǎng)。再利用交叉驗(yàn)證(K-Cross Vilidation，K-CV)的思想，設(shè)置交叉驗(yàn)證折數(shù)V值為5，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，對(duì)分類效果進(jìn)行評(píng)估并記錄，通過(guò)對(duì)比不同參數(shù)的C值和g值得到分類模型的準(zhǔn)確度，最終得到最優(yōu)的C值和g值。

對(duì)檢測(cè)器采集到的數(shù)據(jù)進(jìn)行頻域轉(zhuǎn)換，將其在0～5 000 Hz上所有對(duì)應(yīng)的幅值記為一組數(shù)據(jù)，對(duì)于管道在泄漏情況下采集到的數(shù)據(jù)組標(biāo)記為1，對(duì)管道在無(wú)泄漏情況下的數(shù)據(jù)組標(biāo)記為0。通過(guò)載入120組訓(xùn)練集樣本和40組測(cè)試集合樣本，對(duì)數(shù)據(jù)樣本進(jìn)行歸一化處理后，利用grid search方法進(jìn)行參數(shù)尋優(yōu)。繪制SVC參數(shù)選擇結(jié)果3D視圖，當(dāng)C=0.25和g=0.003 906 3時(shí)，可以得到最優(yōu)超平面，如圖6所示。此時(shí)對(duì)于燃?xì)夤艿佬孤?shù)據(jù)的分類判斷準(zhǔn)確度可以達(dá)到98.019 8%。

圖6 SVC參數(shù)選擇結(jié)果3D視圖

將燃?xì)夤艿涝诎l(fā)生泄漏情況下支持向量機(jī)預(yù)測(cè)值定義為1，燃?xì)夤艿涝谖窗l(fā)生泄漏情況下支持向量機(jī)預(yù)測(cè)值定義為0。通過(guò)對(duì)得到的SVM模型進(jìn)行驗(yàn)證，輸入40組已知試驗(yàn)結(jié)果的測(cè)試集到訓(xùn)練得到的支持向量機(jī)模型中，得到的預(yù)測(cè)結(jié)果與樣本試驗(yàn)結(jié)果對(duì)比如圖7所示。從圖7可知，共有39組數(shù)據(jù)預(yù)測(cè)結(jié)果準(zhǔn)確，1組預(yù)測(cè)結(jié)果產(chǎn)生了誤差。

圖7 測(cè)試集的實(shí)際分類和預(yù)測(cè)分類圖

驗(yàn)證結(jié)果證明，能夠利用支持向量機(jī)算法來(lái)判斷燃?xì)夤艿朗欠癜l(fā)生了泄漏，并且能夠達(dá)到98%的檢測(cè)精度，實(shí)際驗(yàn)證也取得了很好的檢測(cè)效果。

5 結(jié) 論

(1)通過(guò)檢測(cè)機(jī)器人對(duì)燃?xì)夤艿纼?nèi)的聲信號(hào)進(jìn)行采集，并對(duì)采集的聲信號(hào)進(jìn)行時(shí)域和頻域分析，分析結(jié)果發(fā)現(xiàn)，當(dāng)燃?xì)夤艿腊l(fā)生泄漏時(shí)，所采集的聲信號(hào)在時(shí)域和頻域上具有明顯的識(shí)別特征。

(2)當(dāng)燃?xì)夤艿腊l(fā)生泄漏時(shí)，聲信號(hào)在時(shí)域上的幅值會(huì)有明顯的增加，且距離泄漏點(diǎn)越近其幅值越大；聲信號(hào)在頻域上的幅值位于1 800和3 000 Hz附近時(shí)明顯增大。

(3)基于支持向量機(jī)機(jī)器學(xué)習(xí)算法，對(duì)燃?xì)夤艿佬孤┑穆曅盘?hào)進(jìn)行訓(xùn)練和測(cè)試，能夠精確地對(duì)燃?xì)夤艿佬孤┻M(jìn)行識(shí)別，彌補(bǔ)了基于時(shí)域和頻域判斷泄漏的不足，提高了管道泄漏檢測(cè)器的檢測(cè)精度和自主識(shí)別分析能力。