張慶錸，薛臨風

基于一維卷積神經(jīng)網(wǎng)絡(luò)的浮置板鋼彈簧損傷檢測方法

張慶錸，薛臨風

（西南交通大學 牽引動力國家重點實驗室，四川 成都 610031）

鋼彈簧浮置板軌道可有效緩解地鐵帶來的環(huán)境振動問題，但目前針對鋼彈簧損傷檢測方法的研究尚十分匱乏。本文提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）的鋼彈簧損傷檢測方法，利用軌道板垂向加速度構(gòu)建數(shù)據(jù)集，通過1D-CNN對經(jīng)簡單預處理的原始數(shù)據(jù)進行特征提取并對損傷情形下的數(shù)據(jù)和正常情形下的數(shù)據(jù)進行分類。為評估該方法的性能，基于車輛－浮置板軌道耦合動力學仿真生成了數(shù)據(jù)集，分析了不同運行工況對網(wǎng)絡(luò)性能的影響，結(jié)果表明該方法具有良好的數(shù)據(jù)分類準確性。

浮置板軌道；損傷檢測；車輛-軌道耦合動力學；卷積神經(jīng)網(wǎng)絡(luò)

龐大且密集的地鐵網(wǎng)絡(luò)雖然解決了城市交通資源緊缺的問題，但也不可避免地下穿諸如實驗室、居民樓、古跡等振動敏感建筑，帶來了諸多負面后果[1-3]。鋼彈簧浮置板軌道可有效緩解地鐵的環(huán)境振動問題，但其減振性能主要受隔振器內(nèi)部的鋼彈簧與阻尼影響，而鋼彈簧的損傷則會導致軌道系統(tǒng)的動力響應加劇，嚴重危害地鐵線路的運營安全[4]。

圖1 鋼彈簧浮置板軌道

目前已有諸多學者對鋼彈簧損傷問題進行了研究，余關(guān)仁等[5]基于有限元方法建立了浮置板軌道模型，研究了扣件失效和鋼彈簧失效對車輛和軌道系統(tǒng)的影響。Zhao等[6]建立了浮置板軌道的剛?cè)狁詈夏Ｐ停治隽瞬煌瑪?shù)量及不同位置的鋼彈簧損傷對車輛-軌道系統(tǒng)振動特性的影響。魏新江等[7]利用數(shù)值方法建立了考慮鋼彈簧損傷的車輛－軌道－襯砌－地基整體模型，分析了不同數(shù)量、不同位置及不同程度的鋼彈簧損傷對車輛和軌道系統(tǒng)振動特性的影響，并考慮了不同的車輛運行速度。但上述工作均未對數(shù)據(jù)分析環(huán)節(jié)進行探討，也未提出判斷鋼彈簧損傷的動力學響應閾值或評價標準，當下關(guān)于鋼彈簧損傷檢測方法的研究尚十分匱乏。

由于鋼彈簧被封裝在浮置板之下，導致基于視覺的檢測方法難以生效，因此基于振動信號的檢測方法具備更好的可行性，該類方法通過提取信號中的敏感特征來實現(xiàn)損傷或故障的識別[8-10]。但傳統(tǒng)的基于振動信號的檢測方法十分依賴于研究人員對損傷或故障的先驗認識，在實際任務中需要根據(jù)不同的檢測對象、應用情景以及損傷或故障類型來進行敏感特征的構(gòu)建，而在鋼彈簧的損傷檢測任務中，軌道隨機不平順的干擾以及不斷變化的線路運營條件導致敏感特征的構(gòu)建工作較為困難，這無疑給傳統(tǒng)的基于振動信號的檢測方法帶來了挑戰(zhàn)。

近年來，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）憑借突出的特征提取能力受到廣泛關(guān)注，并在損傷檢測及故障診斷領(lǐng)域有諸多應用。王麗華等[11]將異步電機振動信號轉(zhuǎn)化為頻譜圖，再輸入二維卷積神經(jīng)網(wǎng)絡(luò)（2D-CNN）進行故障分類。Abdeljaber等[12]構(gòu)建了一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN），基于原始振動響應對金屬框架結(jié)構(gòu)中的螺栓松動問題進行準確識別和定位。王其昂等[13]基于1D-CNN，在不采取任何特征提取方法的情況下，利用車體振動加速度對車輪踏面損傷進行了有效預測。方俊豪等人[14]將1D-CNN和極限學習機相結(jié)合，利用1D-CNN對振動信號進行特征提取，再通過極限學習機實現(xiàn)滾動軸承的故障分類。在上述應用場景中，CNN與傳統(tǒng)的檢測方法相比無需進行人工特征提取，也無需預先了解故障或損傷對數(shù)據(jù)造成何種影響，它可從含有復雜干擾信息的數(shù)據(jù)中自動提取表征故障或損傷的敏感信息，從而對不同類別的數(shù)據(jù)進行有效區(qū)分。此外，CNN的二維形式可用于圖像數(shù)據(jù)的處理，而其一維形式可用于振動數(shù)據(jù)的處理，可根據(jù)實際需求適應不同類型的檢測任務，具有良好的靈活性。

為此，本文提出一種基于CNN的鋼彈簧損傷檢測方法，利用1D-CNN自適應地從軌道板垂向振動加速度中提取表征鋼彈簧損傷的敏感信息，進而完成數(shù)據(jù)的分類，由于鋼彈簧損傷情形的實測振動響應數(shù)據(jù)難以獲得，故本文基于動力學仿真數(shù)據(jù)對所提方法進行性能分析，研究表明該方法具有良好的損傷檢測性能。

1 卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)

CNN由一系列非線性計算層（隱含層）堆疊而成。在損傷檢測任務中，通過在振動響應數(shù)據(jù)集中進行有監(jiān)督學習，自適應地建立原始振動響應和數(shù)據(jù)類別（損傷/正常類別等）之間的復雜映射關(guān)系，進而實現(xiàn)對不同類別的樣本進行準確分類。在CNN內(nèi)部，卷積層、池化層以及全連接層主要構(gòu)成部分。

1.1 卷積層

在1D-CNN中，卷積層用于損傷特征的提取與傳遞，其計算工作主要由內(nèi)部的卷積核來實現(xiàn)。卷積核又稱濾波器，內(nèi)含權(quán)重矩陣，在特征提取過程中，沿著輸入數(shù)據(jù)逐步滑移，每滑移一次，便與相應區(qū)域內(nèi)的數(shù)據(jù)進行一次卷積運算，其結(jié)果與偏置參量相加，再經(jīng)過激活函數(shù)處理，如圖2所示。最終卷積核逐步完成對輸入數(shù)據(jù)各個局部區(qū)域的特征提取，得到一個高階特征圖并輸往下一個隱含層中的卷積核。

圖2 卷積過程

激活函數(shù)的作用在于對隱含層的計算結(jié)果進行非線性映射，以增加神經(jīng)網(wǎng)絡(luò)的非線性，否則隱含層的輸入與輸出將始終保持線性變換關(guān)系，使得多層堆疊結(jié)構(gòu)與單層結(jié)構(gòu)等價，這意味著多層神經(jīng)網(wǎng)絡(luò)的堆疊結(jié)構(gòu)失去意義。目前，線性整流單元（Rectified Linear Unit, ReLu）被大多數(shù)神經(jīng)網(wǎng)絡(luò)選作默認激活函數(shù)。

1.2 池化層

池化層位于卷積層之后，通常用于數(shù)據(jù)降維。在池化層中，感受野沿著輸入數(shù)據(jù)滑移，在滑移期間，感受野與輸入數(shù)據(jù)的局部區(qū)域進行池化操作（保留感受野內(nèi)的部分數(shù)據(jù)，丟棄剩余數(shù)據(jù)），最終得到降維后的特征圖并輸往下一個隱含層，圖3給出了一維池化層的計算示例。本文所用池化層為最大池化層，其作用是保留感受野內(nèi)所有數(shù)據(jù)點當中的最大值。

圖3 池化過程

1.3 全連接層

全連接層位于CNN末端，通常被安置于最終的池化層之后作為整個網(wǎng)絡(luò)的輸出部。全連接層具有堆疊結(jié)構(gòu)，其每個計算單元均與上一層的輸出實現(xiàn)一一對應的連接，在全局維度上對CNN前部分所提取的局部特征進行非線性組合，進而實現(xiàn)特征的總整合，為最終的損傷類別分類提供依據(jù)，如圖4所示。

圖4 全連接層

最后一個全連接層的輸出被傳入Softmax函數(shù)，Softmax函數(shù)可將輸入樣本映射為該樣本屬于各類別的概率分布，進而實現(xiàn)數(shù)據(jù)分類（概率最大值對應的類別即為預測類別）。

2 方法框架

基于1D-CNN的損傷檢測方法框架如圖2所示，其核心思想在于利用CNN構(gòu)建一個端到端的映射模型，將輸入的原始振動響應映射為描述鋼彈簧健康狀態(tài)的標簽（損傷/正常），該框架主要包含以下3個步驟：

（1）數(shù)據(jù)集的構(gòu)建。將采集到的原始振動數(shù)據(jù)進行截取和降采樣，再根據(jù)比例將所有振動數(shù)據(jù)劃分為訓練集、驗證集和測試集，并對其進行歸一化處理，最終成為CNN的輸入。

（2）CNN的構(gòu)建。根據(jù)深度學習理論構(gòu)建1D-CNN，并通過在已有數(shù)據(jù)集上的反復試驗對CNN進行關(guān)鍵參數(shù)的選取。

（3）CNN的訓練與性能評估。將數(shù)據(jù)集輸入CNN進行訓練，使其具備對損傷情形下的數(shù)據(jù)和正常情形下的數(shù)據(jù)進行準確分類的能力，再根據(jù)預測結(jié)果的統(tǒng)計學指標對CNN的分類性能進行評估。

圖5 基于1D-CNN的損傷檢測方法框架

3 算例測試

3.1 車輛－軌道耦合動力學模型

本文根據(jù)車輛－軌道耦合動力學理論[16]，基于Matlab建立了地鐵車輛－鋼彈簧浮置板軌道垂向耦合動力學模型，如圖6所示。其中，車輛系統(tǒng)考慮了單節(jié)車輛，其參數(shù)取自某型地鐵列車；軌道系統(tǒng)考慮6 m長的短浮置板，每塊軌道板的兩側(cè)各分布5個鋼彈簧隔振器與10對扣件，具體參數(shù)取自文獻[17]，如圖7所示。

圖6 車輛－軌道耦合動力學模型

圖7 浮置板軌道平面圖

需說明的是，鑒于有關(guān)鋼彈簧損傷的統(tǒng)計性參考文獻十分匱乏，本文在整個研究工作中均對鋼彈簧的損傷工況進行以下理想化設(shè)置：

（1）通過對動力學模型中鋼彈簧隔振器節(jié)點的剛度和阻尼進行折減來模擬鋼彈簧的損傷，并且剛度和阻尼的折減系數(shù)相同。

（2）只考慮單對鋼彈簧損傷，此外，鋼彈簧成對發(fā)生損傷并且其損傷程度相同。

由于不斷變化的線路工況導致軌道板振動響應的特征復雜多變，故在單一線路工況下研究CNN的損傷檢測性能意義不大。為此，本文分析了不同的車速、載荷工況、鋼彈簧損傷程度及鋼彈簧損傷位置對CNN識別性能的影響。在車速方面，考慮了80 km/h、90 km/h、100 km/h、110 km/h和120 km/h，共計5種速度；在載荷工況方面，通過增加車體質(zhì)量和車體點頭慣性矩來模擬3種不同的載荷工況（AW0、AW2和AW3）；在損傷程度方面，考慮了5種參數(shù)折減率，分別為0%、25%、50%、75%和100%，其中0%表示正常狀態(tài)；在損傷位置方面，考慮了D1～D5共5個不同的位置。

在構(gòu)建數(shù)據(jù)集的過程中，本文采集損傷鋼彈簧上方的軌道板振動響應，歸為損傷類，再將同一位置在正常情形下的振動響應歸為正常類。原始振動響應經(jīng)截取和降采樣后形成包含1280個數(shù)據(jù)點的樣本，并進行歸一化處理。

為簡單又不失一般性，本文將“80 km/h＋AW0＋損傷程度100%＋損傷位置D2”工況組合下的數(shù)據(jù)設(shè)為對照組，而在實驗組中，根據(jù)控制變量原則，只改變上述組合中的一項，進而分析相應工況對CNN性能的影響。此外，為提高數(shù)據(jù)豐富度，本文根據(jù)美國五級譜模擬了150段不同的軌道隨機不平順序列，故每個工況下可采集300個樣本，其中損傷類樣本和正常類樣本各占一半，圖8給出了對照組中的樣本示例。

3.2 1D-CNN的基本結(jié)構(gòu)

經(jīng)過預先的反復試驗，本文最終確立了如圖9所示的1D-CNN結(jié)構(gòu)，該網(wǎng)絡(luò)主要由6個學習層構(gòu)成，包括3個卷積層及3個全連接層，共有1183268個可訓練參數(shù)。

圖8 樣本示例

圖9 1D-CNN的基本結(jié)構(gòu)

在圖9中，每個卷積模塊均包含一個用于特征提取的卷積層、用于抑制過擬合的批標準化層和用于數(shù)據(jù)降維的池化層。第1個卷積模塊使用32個尺寸為64、滑移步長為1的卷積核，對長度為1280的一維原始振動響應進行處理，再利用ReLu函數(shù)進行非線性化，計算結(jié)果經(jīng)池化層降維后成為第2個卷積層的輸入；第2個卷積層使用64個尺寸為64、滑移步長為1卷積核；而第3個卷積層則設(shè)置了128個尺寸為64、滑移步長為1卷積核。輸入數(shù)據(jù)在經(jīng)過網(wǎng)絡(luò)前部分結(jié)構(gòu)的計算后，被展平成長度為256的一維數(shù)據(jù)，進入全連接層，經(jīng)逐層計算最終形成長度為2的一維數(shù)據(jù)，并通過Softmax函數(shù)映射為對應類別的概率值。值得注意的是，池化層的感受野尺寸設(shè)置為6，而滑移步長設(shè)置為4，此外，全連接層中插入了Dropout層以抑制過擬合。

在神經(jīng)網(wǎng)絡(luò)的訓練中，輸入的Batch大小設(shè)為64，訓練Epoch設(shè)為200，損失函數(shù)選用分類任務中應用最為廣泛的交叉熵函數(shù)，而優(yōu)化器則采用快速高效的Adam，并將初始學習率設(shè)為0.0001。在結(jié)果選擇上，為了減輕訓練過程中隨機因素對結(jié)果的影響，每次訓練均會重復進行10遍，并取準確率平均值作為最終結(jié)果。

3.3 網(wǎng)絡(luò)性能評估

準確率（Accuracy）是常用的性能評估指標，但Accuracy表達的信息過于籠統(tǒng)，難以對細分至各類別的分類情況進行描述，故本文引入故障檢測率（Fault Detection Rate，F(xiàn)DR）、虛警率（False Alarm Rate，F(xiàn)AR），與Accuracy共同作為CNN的性能評估指標。其中FDR表示正確預測為損傷類的樣本在全部損傷類樣本中的占比；FAR表示錯誤預測為損傷類的樣本在全部正常類樣本中的占比。

基于此，本文分析了不同運行工況對損傷信號分類結(jié)果的影響，結(jié)果如圖10所示。

根據(jù)圖10可以得到以下分析結(jié)果:

（1）不同的車輛運行速度在一定程度上會對CNN的分類性能造成影響。在固定的時間間隔內(nèi)，運行速度越高的車輛受到的軌道隨機不平順的激勵也越長，導致某些振動特征在所采集數(shù)據(jù)中表現(xiàn)出不同的空間分布，因而引起CNN的分類性能的差別。值得注意的是，當車輛運行速度為100 km/h及110 km/h時，CNN的損傷檢測性能下降明顯，在FAR指標方面尤為突出，可能是因為車輛運行速度處于該區(qū)間附近時，引發(fā)了軌道系統(tǒng)內(nèi)的異常結(jié)構(gòu)振動（如共振），使得鋼彈簧損傷信號特征更難提取。

（2）荷載工況對識別性能影響不大。從圖中的3項指標來看，不同載荷工況下CNN對鋼彈簧損傷的檢測性能影響不明顯，誠然FAR指標有較為明顯的變化，但它們在總體上都處于相當小的值，而這種小數(shù)值上的變化可視為隨機因素的影響，故忽略不計。此外，Cola?o等[18]的研究表明，列車的簧上質(zhì)量對輪軌相互作用影響不大，這對上述結(jié)論有一定的佐證作用。

（3）CNN對鋼彈簧的損傷檢測性能與鋼彈簧損傷程度呈正相關(guān)。CNN對參數(shù)折減率大于75%的損傷鋼彈簧具有較好的檢測性能，但對于參數(shù)折減率小于25%的損傷鋼彈簧而言，CNN幾乎不起作用，因為CNN在二分類中的隨機猜測概率為50%，而上述情形下的CNN性能指標低于40%，說明鋼彈簧早期損傷（例如微小的裂紋導致輕度的參數(shù)下降）的檢測仍是一項具有挑戰(zhàn)性的工作。

（4）軌道板中部的鋼彈簧損傷比軌道板端部的鋼彈簧損傷更難識別。在損傷位置對CNN識別性能的影響結(jié)果中，隨著損傷位置向板中靠近，CNN的Accuracy和FDR指標逐漸降低，而FAR指標逐漸增加，且板中位置（D3）的鋼彈簧損傷最為突出。這在一定程度上可以說明，相對于板中部的鋼彈簧損傷，板端部的鋼彈簧損傷會在振動響應造成更加明顯的影響，這與Zhao等[6]的分析結(jié)果較為一致。

由于構(gòu)建數(shù)據(jù)集時只采集了損傷鋼彈簧上方的軌道板振動響應，因此上述現(xiàn)象也有可能是信號采集點在軌道板上的位置變化引起的，為消除該可能性，本文以D2處鋼彈簧的損傷為例，利用從不同位置收集的數(shù)據(jù)集對CNN進行訓練并評估其Accuracy指標，如圖11所示。結(jié)果表明：當測點與損傷鋼彈簧的相對位置改變，CNN的Accuracy指標也隨之改變，但當測點與損傷鋼彈簧的相對位置不變時，測點在浮置板上的位置變化并不會對CNN的Accuracy指標造成明顯影響，由此可驗證圖10的現(xiàn)象是由鋼彈簧損傷位置的改變而非測點位置的改變引起的。

圖10 不同工況對CNN分類結(jié)果的影響

4 結(jié)論

本文提出了一種基于1D-CNN的鋼彈簧損傷檢測方法，利用車輛－浮置板軌道耦合動力學仿真生成數(shù)據(jù)集，以二分類（損傷/正常）方式探究了CNN對鋼彈簧損傷情況下及正常情況下的軌道板振動響應的分類能力，并在此基礎(chǔ)上研究了不同工況對CNN的分類性能的影響。本文的主要研究結(jié)論如下：

（1）不同的車輛運行速度會對CNN的分類性能造成一定影響?？赡苁且驗楫斳囕v運行速度處于某些區(qū)間附近時，造成軌道結(jié)構(gòu)振動異常（如共振），使得損傷信號特征更難提取。

（2）荷載工況對識別性能影響不大。

圖11 CNN在不同位置所采集的數(shù)據(jù)集上的Accuracy指標對比

（3）鋼彈簧損傷程度越大，其損傷特征越容易識別，CNN的識別性能也越好。

（4）軌道板中部的鋼彈簧損傷比軌道板端部的鋼彈簧損傷更難識別。在一定程度上可說明，相對于板中部的鋼彈簧損傷，板端部的鋼彈簧損傷會在振動響應造成更加明顯的影響。

[1]李克飛，劉維寧，劉衛(wèi)豐，等. 交通振動對鄰近古建筑的動力影響測試分析[J]. 北京交通大學學報，2011，35（1）：79-83.

[2]劉衛(wèi)豐，劉維寧，聶志理，等. 地鐵列車運行引起的振動對精密儀器影響的預測研究[J]. 振動與沖擊，2013，32（8）：18-23.

[3]劉衛(wèi)豐，劉維寧，袁揚，等. 地鐵列車與道路車輛運行對環(huán)境的振動影響現(xiàn)場測試與分析[J]. 鐵道學報，2013，35（5）：80-84.

[4]Lei X Y，Jiang C D. Analysis of vibration reduction effect of steel spring floating slab track with finite elements[J]. Journal of Vibration and Control，2016，22（6）：1462-1471.

[5]余關(guān)仁，沈景鳳，陳侃，等. 軌道支撐失效對鋼彈簧浮置板動力響應特性的影響[J]. 噪聲與振動控制，2015，35（6）：78-81，167.

[6]Zhao C Y，Liu D Y，Zhang X M，et al. Influence of Vibration Isolator Failure on Vehicle Operation Performance and Floating Slab Track Structure Vibration Reduction Effectiveness[J]. Shock and Vibration，2019（6）：1-14.

[7]魏新江，史文超，蔣吉清，等. 鋼彈簧損傷對地鐵列車-浮置板軌道振動性能的影響[J]. 振動與沖擊，2019，38（11）：228-234.

[8]Wang D，Miao Q，Kang R. Robust health evaluation of gearbox subject to tooth failure with wavelet decomposition[J]. Journal of Sound and Vibration，2009，324（3-5）：1141-1157.

[9]馮澤陽，鄔平波. 基于SVM的轉(zhuǎn)向架故障診斷技術(shù)研究[J]. 機械，2020，47（8）：37-43.

[10]趙媛，陸秋海. 簡支梁橋多位置損傷的檢測方法[J]. 清華大學學報（自然科學版），2002（4）：434-438.

[11]王麗華，謝陽陽，周子賢，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的異步電機故障診斷[J]. 振動. 測試與診斷，2017，37（6）：1208-1215+1283.

[12]Abdeljaber O，Avci O，Kiranyaz S，et al. Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks[J]. Journal of Sound and Vibration，2017（388）：154-170.

[13]王其昂，王騰，倪一清. 基于卷積神經(jīng)網(wǎng)絡(luò)的高鐵車輪損傷識別方法研究[J]. 中國礦業(yè)大學學報，2020，49（4）：781-787.

[14]方俊豪，陳正坤，陳保家，等. GAPSO-KELM在滾動軸承故障診斷中的應用[J]. 機械，2021，48（3）：9-16.

[15]LeCun Y，Bengio Y，Hinton G. Deep learning[J]. Nature，2015，521（7553）：436-444.

[16]翟婉明. 車輛－軌道耦合動力學[M]. 4版. 北京：科學出版社，2015.

[17]Zhu S Y，Yang J Z，Yan H，et al. Low-frequency vibration control of floating slab tracks using dynamic vibration absorbers[J]. Vehicle System Dynamics，2015，53（9）：1296-1314.

[18]Cola?o A，Costa P A，Connolly D P. The influence of train properties on railway ground vibrations[J]. Structure and Infrastructure Engineering，2016，12（5）：517-534.

Damage Detection Method for Steel-spring of Floating-Slab Based on One-Dimensional Convolution Neural Networks

ZHANG Qinglai，XUE Linfeng

( State Key Laboratory of Traction Power, Southwest Jiaotong University, Chengdu 610031, China)

Steel-spring floating-slab track is widely applied in subway transportation to effectively alleviate the environmental vibration. However, the current research on damage detection method for the steel-spring is limited. In response to the mentioned problem, a damage detection method based on one-dimensional convolution neural networks (1D-CNN) is proposed. The vertical acceleration of the slab is employed to construct the data sets, the 1D-CNN was used for extracting features from the original data which had been preprocessed simply, and the data under damage conditions and normal conditions were classified. In order to evaluate the performance of the proposed method, a data set is generated based on the coupling dynamics simulation of the vehicle and floating-slab track. The influence of different operating conditions on the network performance is studied. The result indicates that the method has good data classification accuracy.

floating-slab track；damage detection；vehicle-track coupling dynamics；convolution neural networks

U213；TP183

A

10.3969/j.issn.1006-0316.2022.01.011

1006-0316 (2022) 01-0073-08

2021-04-19

國家自然科學基金（51978587，11790283，51778194）；牽引動力國家重點實驗室自主課題（2019TPL-T16）

張慶錸（1995－），男，江西上饒人，碩士研究生，主要研究方向為軌道結(jié)構(gòu)損傷檢測，E-mail：15520452576@163.com；薛臨風（1994－），男，河南焦作人，碩士研究生，主要研究方向軌道結(jié)構(gòu)服役性能。