CN103823933A - 一种金属切削仿真数据的处理方法 - Google Patents
一种金属切削仿真数据的处理方法 Download PDFInfo
- Publication number
- CN103823933A CN103823933A CN201410067049.9A CN201410067049A CN103823933A CN 103823933 A CN103823933 A CN 103823933A CN 201410067049 A CN201410067049 A CN 201410067049A CN 103823933 A CN103823933 A CN 103823933A
- Authority
- CN
- China
- Prior art keywords
- data
- filtering
- carry out
- test
- curve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004088 simulation Methods 0.000 title abstract description 14
- 239000002184 metal Substances 0.000 title abstract description 12
- 238000012545 processing Methods 0.000 title abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000000418 atomic force spectrum Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数据处理技术领域，涉及到一种金属切削仿真数据的处理方法，主要针对金属切削仿真数据进行数据过滤及去噪，使得数据所包含的重要信息能显现出来，使数据曲线更加平滑，更加符合实际情况。该方法基于统计分析的数据过滤和基于小波分析的数据去噪两部分组成。数据过滤采用基于统计分析的“3σ”准则，并基于数理统计对数据进行参数估计与假设检验，过滤掉其中的异常数据；数据去噪依据前期异常数据剔除所得的数据处理结果，采用小波分析方式，针对数据曲线变化趋势进行平滑性处理，消除数据中所包含的噪声部分，使信号所包含的重要信息能显现出来。本发明确保最终得到的数据处理结果可靠、准确，使曲线更光滑，完整地体现出数据的变化情况。
Description
技术领域
本发明属于数据处理技术领域，涉及到一种金属切削仿真数据的处理方法。金属切削仿真数据处理主要针对仿真数据进行数据过滤以及数据去噪，使得数据所包含的重要信息能显现出来，使数据曲线更加平滑，更加符合实际情况。
技术背景
金属切削涉及力学、热学、摩擦学、材料学、机械动力学等众多学科，具有强烈的非线性，过程复杂。因此，传统的研究方式要耗费大量的人力、物力和财力，并且试验周期长。而计算机技术、数值计算技术的迅速发展使得研究人员能够借助数值计算工具运用有限元方法对金属切削过程进行模拟。事实证明：切削仿真试验不仅能够大大缩短试验周期，节省大量资源，更重要的是通过仿真能够完成很多实际情况中很难或者不方便进行的试验，得到很多实际试验中难以得到的数据，从而指导实践，并推动金属切削研究工作的发展。切削仿真于生产，于科研都具有重要的现实意义。
借助于计算机数值计算技术的切削仿真技术使科研人员和工艺设计人员的研究方式产生了质的飞跃，研究内容也从原来的单因素试验、静态观测、宏观领域进入到多因素试验、动态观测、微观领域。通过对金属切削过程进行有限元仿真，可预测切削过程中的切削力、切削热、刀具磨损等情况。通过对仿真结果的分析，有的放矢地对原工艺方案进行改进，从而改善切削条件，节省工序时间，获得高质量产品和高生产效益。切削物理仿真具有实时性、并行性、可重复性，因此能够对产品制造全过程的工艺设计质量进行信息反馈，对企业实现敏捷制造、适应激烈的市场竞争都意义重大。
实际切削试验中的切削力、切削扭矩等数据往往会有明显波动，从切削机理上来说原因如下：金属刀具的挤压剪切使切削刃附近金属的集中应力迅速积累并超过材料的强度极限，使金属层从工件母体上突然分离，从而导致切削力陡然下降；另外，工艺系统的颤振、噪声信号的干扰等也是实际切削试验中切削力数据波动的重要原因。目前的切削仿真实验大多采用有限元分析软件进行，仿真数据也有明显的异常值及噪声成分。目前普遍认为是由有限元分析过程中的单元分离、网格重划分等原因引起，与实际情况有质的区别。因此有限元分析结果中数据的异常值及噪声成分没有任何的实际物理意义，应该“过滤”掉。有限元分析软件的后处理模块中提供了对严重波动曲线的光滑处理工具，该工具可对曲线进行一阶和二阶光滑处理。然而，有限元分析软件在曲线光滑处理前没有过滤异常值以及去除噪声信号，这将严重影响仿真结果的精度和可信度。因此，对于金属切削仿真数据的处理，有必要在曲线光滑处理前增加数据过滤步骤，同时需要寻找一种有效的噪声信号处理方法，去掉仿真数据中的噪声成分，从而提取有用信息。
发明内容
本发明要解决的技术问题是针对金属切削仿真数据进行异常值过滤与噪声信号消除，提供一套完整的金属切削仿真数据的处理方法。
为实现上述目的，本发明采用的技术方案如下：
该方法由基于统计分析的数据过滤与基于小波分析的数据去噪两部分组成。
（一）基于统计分析的数据过滤
数据过滤的目的是将曲线上较明显的异常值剔除，减小异常值对整体数据的影响，并以此为基础对曲线进行平滑处理。异常值剔除采用基于统计分析的“3σ”准则，并基于数理统计对数据进行参数估计与假设检验，保证了数据的准确性与可用性。异常值剔除的步骤如下：
（1）统计假设
频率直方图能够展示出变量的概率密度曲线的大致形状，从而可作为变量分布类型估计的依据。基于数据样本绘制频率直方图，稳态数据一般较集中于某一区间，分布情况接近于正态分布，所以可以做出所取时段的稳态数据服从正态分布的假设，并对该组数据的均值与标准差进行估计。
（2）假设检验
假设检验分为分布形态检验与参数检验。采用Lilliefors检验法对数据的分布形态进行检验，采用U检验法对标准差σ与均值μ进行检验，验证其是否可以接受正态分布的假设。
（3）数据过滤
依据正态分布的异常数据剔除方法，采用“3σ”准则对样本进行数据过滤，过滤区间(μ-3σ,μ+3σ)，剔除落在区间外的异常数据。剔除后，同样对其进行假设检验，若验证结果可接受，便完成异常数据的剔除步骤；若验证结果不可接受，则继续对其进行异常数据过滤，直到验证结果可接受为止。
（二）基于小波分析的数据去噪
数据去噪是依据前期异常数据剔除所得的数据处理结果，针对数据曲线变化趋势进行平滑性处理，消除数据中所包含的噪声部分，使信号所包含的重要信息能显现出来。数据去噪采用小波分析的方式，首先用小波‘db3’对数据进行一维多尺度小波分析，返回信号在N层的小波分解，其中N为整数；然后基于小波分解结构由一维小波系数进行单支重构，在N层计算重构系数向量。
本发明的有益效果是对金属切削仿真数据进行处理，去除数据异常值以及数据噪声成分，提高曲线光滑度。对金属切削仿真数据分别进行基于统计分析的数据过滤与基于小波分析的数据去噪，可以确保最终得到的数据处理结果可靠、准确，使曲线更光滑，完整地体现出数据的变化情况，以对数据所包含的重要信息进行呈现。
附图说明
图1是本发明的切削合力曲线。
图2是发明的切削力数据频率直方图。
图3是本发明的数据去噪处理前的曲线。
图4是本发明的N=1时的去噪处理结果。
图5是本发明的N=2时的去噪处理结果。
图6是本发明的N=3时的去噪处理结果。
图7是本发明的N=4时的去噪处理结果。
图8是本发明的N=5时的去噪处理结果。
图9是本发明的N=6时的去噪处理结果。
具体实施方式
下面将结合技术方案和附图详细说明本发明的具体实施例。
以45钢的切削仿真为例展开具体讨论。切削仿真前处理中的主要参数选取如下：切削速度为200m/min，进给量为0.5mm/r，切削深度为0.3mm，环境温度以及刀具的初始温度为20℃，剪切摩擦因数为0.6，热传递系数为45N/s/mm/C，刀具网格数量为12000，工件直径60mm，材料为1045_SI（即45钢），工件网格数量为40000。仿真完成后，运用后处理模块的数据提取功能将X、Y、Z三个方向的切削分力数据分别保存到txt文件中。然后将数据导入Excel中计算切削合力并绘制曲线，如图1所示。
（一）基于统计分析的数据过滤
（1）统计假设：对于很多测量信号来说，其测量值服从正态分布，原始数据如图1中所示，将其数据整理，以数据值为横坐标，以频数数值作为纵坐标，绘制频率直方图如图2所示。根据频率直方图的分布，可以做出所取时段的稳态数据服从正态分布的假设。
（2）假设检验：首先用极大似然法对未知参数均值μ和标准差σ做出估计，结果为μ＝515.5706，σ＝34.5860。然后，采用Lilliefors检验法对数据的分布形态进行检验，验证结果为可以接受正态分布的假设，采用U检验法对标准差σ进行检验，得到检验统计量的值为1198.2，拒绝域为(-∞,144.8644]∪[3332.4,+∞)，检验统计量的值没有落在拒绝域内，因此可以接受σ=34.5860。同时对均值μ进行检验，检验结果表明可以接受μ＝515.5706。
（3）数据过滤：应用“3σ”准则对样本进行数据过滤，过滤区间(μ-3σ,μ+3σ)=(411.8126，619.3286)。共剔除3个落在过滤区间之外的异常数据，为642.6240、635.4962和634.0668。数据过滤前后的特征对比如表1所示。
表1数据过滤前后的特征对比
| 原数据 | 过滤后的数据 | 差值 | |
| 最小值 | 431.0617 | 431.0617 | 0 |
| 最大值 | 642.624 | 618.5687 | 24.0553 |
| 平均值 | 515.5706 | 514.9553 | 0.6153 |
从表1中可以看出，数据过滤前后最小值不变，异常数据全部落在[μ+3σ,+∞)上，都是偏大的数据。相对于整个样本来说异常数据值小量少，因此数据过滤前后平均值的变化不是很明显，为0.6153。
（二）基于小波分析的数据去噪
数据去噪是基于前期对数据中异常值进行数据处理后，鉴于数据变化比较杂乱，并不能直观地发现某一时段数据的变化情况，需要对其进行去噪，使数据曲线更加平滑。去噪处理前切削合力曲线如图3所示。数据去噪采用小波分析方法进行分析与处理。
首先，对数据进行一维多尺度小波分析，返回信号在不同层数N的小波分解；然后基于小波分解结构由一维小波系数进行单支重构，在N层计算重构系数向量。N的值分别取0，1，2，3，4，5，6时，变化情形如图4-9所示。当然，更大的取值也完成可以完成。
通过对比发现，对N取1，2，3，4的情形，数据中仍存在较大噪声；而N取6时，虽然成功提取了整个切削过程的切削力变化情况，但是切入和切出段的数据波动过大，丢失了相应细节信息；N取5时，数据中的有效信息已经基本清晰，并且相比N取6的情形而言，数据波动幅度较小。N取5时曲线上的最大值为560.3747，明显小于N取6时的最大值576.3508。因此，最终的去噪处理结果取N=5的情形。
Claims (1)
1.一种金属切削仿真数据的处理方法，其特征在于步骤如下：
（一）基于统计分析的数据过滤，剔除曲线上明显的异常值，减小异常值对整体数据的影响
（1）统计假设：将变量概率密度曲线作为变量分布类型估计的依据，设所取时段的稳态数据服从正态分布，用极大似然法对该组数据的均值与标准差进行估计；
（2）假设检验：假设检验分为分布形态检验与参数检验，采用Lilliefors检验法进行分布形态检验，采用U检验法对均值μ与标准差σ进行参数检验；
（3）数据过滤：依据正态分布的异常数据剔除方法，采用“3σ”准则对样本进行数据过滤，过滤区间(μ-3σ,μ+3σ)，剔除落在区间外的异常数据；剔除后，同样对过滤后的数据进行假设检验，若验证结果可接受，便完成异常数据的剔除步骤；若验证结果不可接受，则继续对其进行异常数据过滤，直到验证结果可接受为止；
（二）基于小波分析的数据去噪
首先用小波‘db3’对数据进行一维多尺度小波分析，返回信号在N层的小波分解；然后基于小波分解结构由一维小波系数进行单支重构，在N层计算重构系数向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410067049.9A CN103823933A (zh) | 2014-02-26 | 2014-02-26 | 一种金属切削仿真数据的处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410067049.9A CN103823933A (zh) | 2014-02-26 | 2014-02-26 | 一种金属切削仿真数据的处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103823933A true CN103823933A (zh) | 2014-05-28 |
Family
ID=50758993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410067049.9A Pending CN103823933A (zh) | 2014-02-26 | 2014-02-26 | 一种金属切削仿真数据的处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103823933A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106200381A (zh) * | 2016-07-27 | 2016-12-07 | 华电水务工程有限公司 | 一种根据处理水量分阶段控制水厂运行的方法 |
| CN108647360A (zh) * | 2018-05-18 | 2018-10-12 | 南通大学 | 一种多线程的出租车大数据存取及处理的方法 |
| CN108874746A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断鼓槌石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108875303A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断霍山石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108875308A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断金钗石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108875304A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断叠鞘石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108875309A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断美花石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108875313A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断铁皮石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108875101A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断齿瓣石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108874732A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断兜唇石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN109033037A (zh) * | 2018-07-26 | 2018-12-18 | 厦门大学 | 浮标自动监测系统数据质量控制方法 |
| CN109284659A (zh) * | 2017-07-22 | 2019-01-29 | 上海谷米实业有限公司 | 一种移动物体定位纠编及噪点过滤的方法 |
| CN112632470A (zh) * | 2020-12-23 | 2021-04-09 | 浙江萃文科技有限公司 | 一种基于umput的概率检验的高考录取概率建立方法 |
-
2014
- 2014-02-26 CN CN201410067049.9A patent/CN103823933A/zh active Pending
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106200381A (zh) * | 2016-07-27 | 2016-12-07 | 华电水务工程有限公司 | 一种根据处理水量分阶段控制水厂运行的方法 |
| CN108875101A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断齿瓣石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108875304A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断叠鞘石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108874732A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断兜唇石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108875308A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断金钗石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108875313B (zh) * | 2017-05-11 | 2021-04-09 | 北京蓝标一成科技有限公司 | 一种铁皮石斛纯种相近度的判断和检测方法 |
| CN108875309A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断美花石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108875313A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断铁皮石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108875308B (zh) * | 2017-05-11 | 2021-04-09 | 北京蓝标一成科技有限公司 | 一种金钗石斛纯种相近度的判断和检测方法 |
| CN108875303A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断霍山石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108874746A (zh) * | 2017-05-11 | 2018-11-23 | 北京蓝标成科技有限公司 | 一种判断鼓槌石斛纯种相近度的方法的建立、判断标准以及判断方法 |
| CN108874746B (zh) * | 2017-05-11 | 2021-04-09 | 北京蓝标一成科技有限公司 | 一种鼓槌石斛纯种相近度的判断和检测方法 |
| CN108874732B (zh) * | 2017-05-11 | 2021-04-09 | 北京蓝标一成科技有限公司 | 一种兜唇石斛纯种相近度的判断和检测方法 |
| CN108875101B (zh) * | 2017-05-11 | 2021-04-09 | 北京蓝标一成科技有限公司 | 一种齿瓣石斛纯种相近度的判断和检测方法 |
| CN109284659A (zh) * | 2017-07-22 | 2019-01-29 | 上海谷米实业有限公司 | 一种移动物体定位纠编及噪点过滤的方法 |
| CN108647360A (zh) * | 2018-05-18 | 2018-10-12 | 南通大学 | 一种多线程的出租车大数据存取及处理的方法 |
| CN109033037A (zh) * | 2018-07-26 | 2018-12-18 | 厦门大学 | 浮标自动监测系统数据质量控制方法 |
| CN112632470A (zh) * | 2020-12-23 | 2021-04-09 | 浙江萃文科技有限公司 | 一种基于umput的概率检验的高考录取概率建立方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103823933A (zh) | 一种金属切削仿真数据的处理方法 | |
| Rawat et al. | Computer assisted classification framework for prediction of acute lymphoblastic and acute myeloblastic leukemia | |
| CN108982107B (zh) | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 | |
| CN107157477A (zh) | 脑电信号特征识别系统及方法 | |
| WO2016004749A1 (zh) | 一种大型数控铣床刀具磨损程度识别方法 | |
| Liu et al. | Feature extraction of milling chatter based on optimized variational mode decomposition and multi-scale permutation entropy | |
| CN106407085A (zh) | 一种性能监控方法及装置 | |
| Wróbel et al. | Improving fetal heart rate signal interpretation by application of myriad filtering | |
| Zhou et al. | Tool condition monitoring in milling using a force singularity analysis approach | |
| JP2018205292A (ja) | 時間領域・周波数領域のヒストグラムの特徴解析による状態識別法 | |
| Wang et al. | Investigation on an in-process chatter detection strategy for micro-milling titanium alloy thin-walled parts and its implementation perspectives | |
| Zhang et al. | Grain size automatic determination for 7050 al alloy based on a fuzzy logic method | |
| CN109359333A (zh) | 一种包含多尺度形貌特征的体模型构建方法 | |
| Nikitaev et al. | The use of the wavelet transform for the formation of the quantitative characteristics of the blood cells images for the automation of hematological diagnostics | |
| González et al. | Deep learning-based feature extraction of acoustic emission signals for monitoring wear of grinding wheels | |
| CN113358356B (zh) | 一种高速列车轮对轴承微弱故障诊断方法及系统 | |
| Ristanović et al. | On the classification of normally distributed neurons: an application to human dentate nucleus | |
| Diebolt | Cliometrics of economic cycles in France | |
| Ricarte et al. | Regularity up to the boundary for singularly perturbed fully nonlinear elliptic equations | |
| CN109376144A (zh) | 一种钢铁生产过程质量问题溯源方法 | |
| CN109613891A (zh) | 数控加工过程关键参数识别方法、装置及设备 | |
| CN104008308A (zh) | 专利价值度的计算方法和系统 | |
| DE102011117974A1 (de) | Verfahren zur Überwachung eines Zustands einer Maschine und Überwachungssystem | |
| CN108152373B (zh) | 基于孔隙尺寸识别的含孔隙复合材料力学性能测量系统及方法 | |
| Rawat et al. | A review on optimization of cutting parameters in machining using Taguchi method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140528 |