CN107622279A - 高炉内部状态的分类方法 - Google Patents

Abstract

本发明公开一种高炉内部状态的分类方法，包括：在高炉过程控制系统的本地数据库中采集高炉内部状态区分需要的特征参数，所述特征参数包括输入量及输出量；对选取的特征参数进行降维处理；对观测量进行聚类处理；基于隐马尔可夫模型建立内部状态转换、观测状态反映内部状态关系的统计模型，并进行参数学习；以及采用Viterbi算法对高炉内部状态进行识别。上述高炉内部状态的分类方法可以弥补现有技术的不足，提高数学模型的应用效果。

Description

高炉内部状态的分类方法

技术领域

本发明属于一种高炉的过程控制方法，特别涉及一种高炉内部状态的分类方法。

背景技术

高炉被公认为是最复杂的冶金反应器之一。为了更好地理解、优化和智能控制高炉炼铁过程，高炉数学模型被开发出来指导高炉生产。这些数学模型一般都基于现场可获取的数据，可获取数据一般通过现场传感器检测，或按照检测数据计算获取。以高炉为控制对象，可获取数据可分为输入量(如原燃料因素、布料因素、喷吹因素、鼓风因素等)和输出量(如十字测温情况、炉顶煤气情况、出渣铁情况、散热情况、各部位压力情况、顺行情况等)。

然而，作为一个复杂的反应容器，高炉数学模型的应用效果与其内部状态密切相关，由于炉内状况无法直接检测，而可获取的数据如观测量、控制量只是间接的反映炉内某一方面的状况，且数量有限，造成数学模型在建模及应用时缺少直接、及时、准确的炉内信息量，使得模型的应用效果受限。例如目前已出现了大量对高炉炉温进行预测及控制的模型，由于缺少高炉内部状态的信息，使得炉温的预测建模在实际应用时存在缺陷，具体表现在：(1)模型的训练数据无法有效选取：(a)若选择某段时间的数据为基础进行建模，在经历较长的时间段之后，高炉内部状态已经变化，模型不适应于新的内部状态，预测结果明显恶化；(b)若一直选择最新生产数据进行建模，内部状态变化可能很小，但是最新生产数据中某些项可能变化很小，在预测时如果这些数据项存在明显变化，模型将无法适应；(c)若选择足够长时间段的数据进行建模，由于这些数据包含多种内部状态的情况，将无法准确给出预测结果。(2)无法给出准确的炉温控制方案：炉温调整方案应与炉内的状况相符合，由于缺少炉内状态信息，无法给出准确的控制方案。

发明内容

针对现有技术中存在的技术问题，本发明提供一种高炉内部状态区分方法，其可以弥补现有技术的不足，提高数学模型的应用效果。

本发明所提供的一种高炉内部状态的分类方法，包括：

在高炉过程控制系统的本地数据库中采集高炉内部状态区分需要的特征参数，所述特征参数包括输入量及输出量；

对选取的特征参数进行降维处理；

对观测量进行聚类处理；

基于隐马尔可夫模型建立内部状态转换、观测状态反映内部状态关系的统计模型，并进行参数学习；以及

采用Viterbi算法对高炉内部状态进行识别。

其中，所述输入量包括原燃料因素、布料因素、鼓风因素及喷吹因素；所述输出量包括十字测温情况、炉顶煤气情况、出渣铁情况、散热情况、各部位压力情况、顺行情况。

其中，所述原燃料因素包括焦比、焦丁比及综合负荷，布料因素包括矿批重量、焦批重量及矿焦比，鼓风因素包括风压、风温、鼓风动能、炉腹煤气量、鼓风湿度、富氧率及理论燃烧温度，喷吹因素包括煤比。

其中，炉顶煤气情况包括煤气利用率、十字测温中心、边缘温度值及炉顶温度，出渣铁情况包括二元碱度、三元碱度、四元碱度、高炉利用系数及冶炼强度，散热情况包括全炉热负荷、炉喉、炉身、炉腰、炉腹及炉缸部位不同标高的热电偶测温平均值，各部位压力情况包括压差、炉内各层静压值及透气性指数，顺行情况包括日滑料次数及下料速度。

其中，所述步骤“在高炉过程控制系统的本地数据库中采集高炉内部状态区分需要的特征参数”中，对特征参数进行采集时对其进行离散化处理，处理方式为：设定时间段长度s，将历史生产中的一段时间S以s为小片段连续划分，总共划分为T个，即T＝S/s，将T个时间段内的观测量当作T个样本，T个样本的特征量向量表示为X₁,X₂,...X_i,...,X_T，X_i＝[x₁,x₂,...x_i,...,x_l]^T，每个特征向量的维数为l。

其中，所述步骤“对选取的特征参数进行降维处理”中采用主成分分析法来实现降维，得到样本特征矢量序列O＝{O₁,O₂,L O_i,L,O_T}，其中O_i＝[O_i1,O_i2，...,O_ij,...,O_id]^T，d≤l。

其中，所述步骤“对观测量进行聚类处理”采用K-MEANS算法，包括：

对于给定的包含T个d维数据点的标准化数据集样本O，O＝{O₁,O₂,L O_i,L,O_T}，要聚类的类别数为M，将数据对象组织为M个划分C＝{c_k,i＝1,2,...M}，每个划分代表一个类c_k，每个类c_k有一个类别中心μ_i，其中μ_i＝[μ_i1,μ_i2,...,μ_d]^T，聚类选取欧氏距离作为相似性和距离判断准则，计算该类内各点到聚类中心μ_j的距离平方和公式为聚类目标是使各类总的距离平方和最小。

其中，进行聚类的过程包括：

M类中心位置的选取：将全部T个时间段的综合操作炉型当做同一类，这T个数据的总均值为第一个初始聚类中心；除第一类的初始聚类中心和离它最远的一个样本作为第二类的初始聚类中心；由(M-1)类的代表中心点和离它们最远的一个数据对象作为K类问题的初始聚类中心；以及

聚类算法的迭代过程：根据T个数据对象与聚类中心的欧氏距离，按欧氏距离最近的准则分别将该T个数据对象分配给与其最相似的聚类中心所代表的类；计算每个类别中所有对象的均值作为该类别的新聚类中心；计算所有样本到其所在类别聚类中心的距离平方和J(C)值，聚类结束的条件是：当聚类中心和J(C)值不发生改变，结束迭代过程，否则，继续迭代。

其中，所述步骤“基于隐马尔可夫模型建立内部状态转换、观测状态反映内部状态关系的统计模型，并进行参数学习”中，所述统计模型采用5元组{N,M,π,A,B}表示，其中N表示隐马尔克夫模型中的状态数，M表示状态观察到的符号数，A表示状态转移概率分布，B表示观测符号的概率分布，π表示初始状态概率分布。

其中，所述步骤“采用Viterbi算法对高炉内部状态进行识别”包括：在t时刻，定义沿一条路径且所产生的观察序列的最大概率为δ_t(i)：

其中，定义Ψ_t+1(j)表示t+1时刻的最佳状态为j时t时刻的最佳状态，该最佳状态为最佳高炉内部状态序列；a_ij＝P[q_t+1＝j|q_t＝i]，其中a_ij表示内部状态的转移概率，表示t+1时刻的观测状态为时被观测成了j状态的概率。

由于高炉内部状态是客观存在的，且内部状态随着生产进行是可以相互转换的，可以用随机过程来表征。又由于观测量是间接的反映炉内某一方面的状况，且数量有限，一组观测量不能唯一对应一种内部状态，因此观测状态以一定的概率反映内部状态。因此，高炉内部状态转换、观测状态反映内部状态的关系是一个双重随机过程。本发明所述的高炉内部状态分类方法可对该双重随机过程建立隐式马尔可夫模型，并基于此模型对高炉内部状态进行区分，为高炉数学模型的应用提供高炉内部状态类别信息，弥补现有技术的不足，提高数学模型的应用效果。

附图说明

图1是本发明所述的一种高炉内部状态分类方法的较佳实施方式的流程图。

图2是图1中步骤S1中测温点径向分布示意图。

图3是图1中步骤S4中所述的统计模型的示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

请参考图1所示，其为本发明所述的一种高炉内部状态的分类方法的较佳实施方式的流程图。所述高炉内部状态的分类方法的较佳实施方式包括以下步骤：

步骤S1：特征参数选择。

在高炉过程控制系统的本地数据库(如Oracle数据库)中采集高炉内部状态区分需要的特征参数。本实施方式中，特征参数包括：输入量及输出量，其中输入量包括：原燃料因素、布料因素、鼓风因素及喷吹因素，输出量包括：炉顶煤气情况、出渣铁情况、散热情况、各部位压力情况、顺行情况。

具体的，所述输入量包括14项，其中原燃料因素包括焦比、焦丁比及综合负荷，布料因素包括矿批重量、焦批重量及矿焦比，鼓风因素包括风压、风温、鼓风动能、炉腹煤气量、鼓风湿度、富氧率及理论燃烧温度，喷吹因素包括煤比。

输出量包括35项，其中炉顶煤气情况包括煤气利用率、十字测温中心、边缘温度值及炉顶温度，出渣铁情况包括二元碱度、三元碱度、四元碱度、高炉利用系数及冶炼强度，散热情况包括全炉热负荷、炉喉、炉身、炉腰、炉腹及炉缸部位不同标高(如图2所示，共计18层)的热电偶测温平均值，各部位压力情况包括压差、炉内各层(共3层)静压值及透气性指数，顺行情况包括日滑料次数及下料速度。

设定时间段长度s为24小时，将历史生产中的一段时间S以s为小片段连续划分，总共划分为T个，即T＝S/s。将T个时间段内的观测量当作T个样本，T个样本的特征量向量表示为X₁,X₂,...X_i,...,X_T，X_i＝[x₁,x₂,...x_i,...,x_l]^T，每个特征向量的维数为l。本实施方式中，每个特征向量的维数为49，即l＝49，除日滑料次数为24小时内的总次数累积总值外，其它数据均为计算当天内的平均值。

步骤S2：对采集的特征参数进行降维处理。

经过数据预处理后，对该特征参数进行降维处理。本具体实施方式选取主成分分析法来实现降维，得到样本特征矢量序列O＝{O₁,O₂,L O_i,L,O_T}，其中O_i＝[O_i1,O_i2，...,O_ij,...,O_id]^T，d≤l。降维的目的一方面是为了删除冗余信息，从而减少模式识别算法的计算量，另一方面是为了提高特征对分类的有效性，避免信息干扰。

步骤S3：观测量的聚类。

设定聚类的数目为M，对T个样本进行聚类分析，把观测量分为M类状态，本实施方式将M类状态标记为m₁,m₂,...,m_M，T个样本都属于M类状态中的某一个。

本实施方式中，聚类算法采用K-MEANS算法，其聚类过程可以描述为：对于给定的包含T个d维数据点的标准化数据集样本O，O＝{O₁,O₂,L O_i,L,O_T}，要聚类的类别数为M，聚类算法将数据对象组织为M个划分C＝{c_k,i＝1,2,...M}，每个划分代表一个类c_k，每个类c_k有一个类别中心μ_i，其中μ_i＝[μ_i1,μ_i2,...,μ_d]^T。聚类选取欧氏距离作为相似性和距离判断准则，计算该类内各点到聚类中心μ_j的距离平方和公式为聚类目标是使各类总的距离平方和最小。

进行聚类的过程如下：

步骤S31：M类中心位置的选取。

M类中心位置的选取思路为：先把全部T个时间段的综合操作炉型当做同一类，这T个数据的总均值为第一个初始聚类中心；然后，除第一类的初始聚类中心和离它最远的一个样本作为第二类的初始聚类中心；依次类推，由(M-1)类的代表中心点和离它们最远的一个数据对象作为K类问题的初始聚类中心。

步骤S32：聚类算法的迭代过程。

对于T个数据对象，则根据它们与这些聚类中心的欧氏距离，按欧氏距离最近的准则分别将它们分配给与其最相似的聚类中心所代表的类；计算每个类别中所有对象的均值作为该类别的新聚类中心。

计算所有样本到其所在类别聚类中心的距离平方和，即J(C)值，聚类结束的条件是：当聚类中心和J(C)值不发生改变，结束迭代过程，否则，继续迭代。

步骤S4：建立内部状态转换、观测状态反映内部状态关系的统计模型，并进行参数学习。

建立基于隐马尔科夫模型(Hidden Markov Model，HMM)的用于描述炉内状态转换、炉内状态与观测状态关系的统计模型，如图3所示，其中上部分的圆圈表示隐藏的内部状态，下部分圆圈表示可观测到的状态，箭头表示状态之间的依存概率，整个模型可用一个5元组{N,M,π,A,B}表示。HMM的特征参数定义如下：

(1)N，隐马尔克夫模型中的状态数，其物理意义即表示高炉的某种内部状态，在下文中，标记模型中的各个状态为{1，2，L,N}，在t时刻所处的状态为q_t，隐含状态序列为Q＝{q₁,q₂,...,q_T}，T为隐含状态序列的长度；

(2)M，状态观察到的符号数，标记各个观察符号为V＝{v₁,v₂,...,v_M},观察序列为O＝{o₁,o₂,...,o_T}，其中o_t为集合V中的一种观测符号，T为观测序列长度；

(3)A，状态转移概率分布A＝[a_ij]，其中a_ij＝P[q_t+1＝j|q_t＝i]，1≤i≤N,1≤j≤N；

(4)B，观测符号的概率分布B＝[b_j(k)]，其中b_j(k)＝P[o_t＝v_k|q_t＝j]，1≤k≤M,1≤j≤N；

(5)π，初始状态概率分布为π＝[π_i]，其中π_i＝P[q₁＝i]，1≤i≤N。

对于一个N和M固定的模型来说，为了方便通常用λ＝{π,A,B}表示模型。

为了方便描述HMM学习过程，定义如下变量：

(1)前向概率：

前向概率α_t(i)＝P(o₁,o₂,...,o_t,q_t＝i|λ)，即是在给定模型λ下，前t个时刻的观察序列为{o₁,o₂,...,o_t}，且在t时刻处在状态i的概率。计算公式为：

(2)后向概率：

后向概率定义为β_t(i)＝P[o_t+1,o_t+2,...,o_T,q_t＝i|λ]，即是在给定模型λ下,从t+1时刻开始到观察结束这一段的观察序列为{o_t+1,o_t+2,...,o_T}，且且在t时刻处在状态i的概率，计算公式为：

应用Baum-Welch算法进行HMM参数估计的思想为：给定一个观察序列O＝{o₁,o₂,...,o_T}，按照某种参数重估公式从现有的模型λ'估计出新的模型λ，使得P(O|λ')≤P(O|λ)。用λ代替λ'，重复上述过程直到模型参数处于收敛，即得到了最大似然模型。得到的HMM模型λ＝{π,A,B}将使得P(O|λ)最大。相应的参数估计公式为：

式中

步骤S5：采用维特比Viterbi算法对高炉内部状态进行识别。

采用Viterbi算法对高炉内部状态进行识别的过程可以描述为：给定一个观察序列和一个模型λ＝{π,A,B}，得到使P(Q,O^*|λ)最大的状态序列即确定一个合理的状态序列使之能以最大的概率产生O^*，从而评估最有可能的内部状态的变换情况，达到辨识内部状态的目的。

Viterbi算法的描述如下：在t时刻，定义沿一条路径且所产生的观察序列的最大概率为δ_t(i)，即

则递推可得到公式：

定义Ψ_t+1(j)的含义是：t+1时刻的最佳状态为j时t时刻的最佳状态。δ_t+1(j)表示所产生观测序列的最大概率，Ψ_t+1(j)为记录求得最大概率δ_t+1(j)时，内部状态序列的情况。

求最佳状态序列Q^*的过程可分解为：

步骤S51：初始化：

Ψ₁(i)＝0；

步骤S52：递推：

步骤S53：终止：

步骤S54：路径回溯，确定状态序列：

找到的最佳内部状态序列，既为辨识出的最具可能的高炉内部状态序列。内部状态辨识出后，可在的应用中针对特定内部状态进行相关计算。

以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明的专利保护范围之内。

Claims (10)

1.一种高炉内部状态的分类方法，包括：

在高炉过程控制系统的本地数据库中采集高炉内部状态区分需要的特征参数，所述特征参数包括输入量及输出量；

对选取的特征参数进行降维处理；

对观测量进行聚类处理；

基于隐马尔可夫模型建立内部状态转换、观测状态反映内部状态关系的统计模型，并进行参数学习；以及

采用Viterbi算法对高炉内部状态进行识别。

2.如权利要求1所述的高炉内部状态的分类方法，其特征在于：所述输入量包括原燃料因素、布料因素、鼓风因素及喷吹因素；所述输出量包括十字测温情况、炉顶煤气情况、出渣铁情况、散热情况、各部位压力情况、顺行情况。

3.如权利要求2所述的高炉内部状态的分类方法，其特征在于：所述原燃料因素包括焦比、焦丁比及综合负荷，布料因素包括矿批重量、焦批重量及矿焦比，鼓风因素包括风压、风温、鼓风动能、炉腹煤气量、鼓风湿度、富氧率及理论燃烧温度，喷吹因素包括煤比。

4.如权利要求2所述的高炉内部状态的分类方法，其特征在于：炉顶煤气情况包括煤气利用率、十字测温中心、边缘温度值及炉顶温度，出渣铁情况包括二元碱度、三元碱度、四元碱度、高炉利用系数及冶炼强度，散热情况包括全炉热负荷、炉喉、炉身、炉腰、炉腹及炉缸部位不同标高的热电偶测温平均值，各部位压力情况包括压差、炉内各层静压值及透气性指数，顺行情况包括日滑料次数及下料速度。

5.如权利要求1所述的高炉内部状态的分类方法，其特征在于：所述步骤“在高炉过程控制系统的本地数据库中采集高炉内部状态区分需要的特征参数”中，对特征参数进行采集时对其进行离散化处理，处理方式为：设定时间段长度s，将历史生产中的一段时间S以s为小片段连续划分，总共划分为T个，即T＝S/s，将T个时间段内的观测量当作T个样本，T个样本的特征量向量表示为X₁,X₂,...X_i,...,X_T，X_i＝[x₁,x₂,...x_i,...,x_l]^T，每个特征向量的维数为l。

6.如权利要求1所述的高炉内部状态的分类方法，其特征在于：所述步骤“对选取的特征参数进行降维处理”中采用主成分分析法来实现降维，得到样本特征矢量序列O＝{O₁,O₂,L O_i,L,O_T}，其中O_i＝[O_i1,O_i2，...,O_ij,...,O_id]^T，d≤l。

7.如权利要求1所述的高炉内部状态的分类方法，其特征在于：所述步骤“对观测量进行聚类处理”采用K-MEANS算法，包括：

对于给定的包含T个d维数据点的标准化数据集样本O，O＝{O₁,O₂,L O_i,L,O_T}，要聚类的类别数为M，将数据对象组织为M个划分C＝{c_k,i＝1,2,...M}，每个划分代表一个类c_k，每个类c_k有一个类别中心μ_i，其中μ_i＝[μ_i1,μ_i2,...,μ_d]^T，聚类选取欧氏距离作为相似性和距离判断准则，计算该类内各点到聚类中心μ_j的距离平方和公式为聚类目标是使各类总的距离平方和最小。

8.如权利要求7所述的高炉内部状态的分类方法，其特征在于：进行聚类的过程包括：

M类中心位置的选取：将全部T个时间段的综合操作炉型当做同一类，这T个数据的总均值为第一个初始聚类中心；除第一类的初始聚类中心和离它最远的一个样本作为第二类的初始聚类中心；由(M-1)类的代表中心点和离它们最远的一个数据对象作为K类问题的初始聚类中心；以及

聚类算法的迭代过程：根据T个数据对象与聚类中心的欧氏距离，按欧氏距离最近的准则分别将该T个数据对象分配给与其最相似的聚类中心所代表的类；计算每个类别中所有对象的均值作为该类别的新聚类中心；计算所有样本到其所在类别聚类中心的距离平方和J(C)值，聚类结束的条件是：当聚类中心和J(C)值不发生改变，结束迭代过程，否则，继续迭代。

9.如权利要求1所述的高炉内部状态的分类方法，其特征在于：所述步骤“基于隐马尔可夫模型建立内部状态转换、观测状态反映内部状态关系的统计模型，并进行参数学习”中，所述统计模型采用5元组{N,M,π,A,B}表示，其中N表示隐马尔克夫模型中的状态数，M表示状态观察到的符号数，A表示状态转移概率分布，B表示观测符号的概率分布，π表示初始状态概率分布。

10.如权利要求1所述的高炉内部状态的分类方法，其特征在于：所述步骤“采用Viterbi算法对高炉内部状态进行识别”包括：在t时刻，定义沿一条路径且所产生的观察序列的最大概率为δ_t(i)：

<mrow> <msub> <mi>&amp;delta;</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mrow> <msubsup> <mi>q</mi> <mn>1</mn> <mo>&amp;prime;</mo> </msubsup> <mo>,</mo> <msubsup> <mi>q</mi> <mn>2</mn> <mo>&amp;prime;</mo> </msubsup> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msubsup> <mi>q</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>&amp;prime;</mo> </msubsup> </mrow> </munder> <mi>P</mi> <mrow> <mo>(</mo> <msubsup> <mi>q</mi> <mn>1</mn> <mo>*</mo> </msubsup> <mo>,</mo> <msubsup> <mi>q</mi> <mn>2</mn> <mo>*</mo> </msubsup> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msubsup> <mi>q</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>*</mo> </msubsup> <mo>,</mo> <msubsup> <mi>q</mi> <mi>t</mi> <mo>*</mo> </msubsup> <mo>=</mo> <mi>i</mi> <mo>,</mo> <msubsup> <mi>o</mi> <mn>1</mn> <mo>*</mo> </msubsup> <mo>,</mo> <msubsup> <mi>o</mi> <mn>2</mn> <mo>*</mo> </msubsup> <mo>,</mo> <mi>L</mi> <mo>,</mo> <msubsup> <mi>o</mi> <mi>t</mi> <mo>*</mo> </msubsup> <mo>|</mo> <mi>&amp;lambda;</mi> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>&amp;delta;</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mi>i</mi> </munder> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;delta;</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>&amp;CenterDot;</mo> <msub> <mi>b</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>o</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> </mrow>

其中，定义Ψ_t+1(j)表示t+1时刻的最佳状态为j时t时刻的最佳状态，该最佳状态为最佳高炉内部状态序列；a_ij＝P[q_t+1＝j|q_t＝i]，其中a_ij表示内部状态的转移概率，表示t+1时刻的观测状态为时被观测成了j状态的概率。