CN111062848A - 一种消防工程异常状态监测的智能监控方法 - Google Patents
一种消防工程异常状态监测的智能监控方法 Download PDFInfo
- Publication number
- CN111062848A CN111062848A CN201911170503.2A CN201911170503A CN111062848A CN 111062848 A CN111062848 A CN 111062848A CN 201911170503 A CN201911170503 A CN 201911170503A CN 111062848 A CN111062848 A CN 111062848A
- Authority
- CN
- China
- Prior art keywords
- function
- fire
- monitoring
- lssvm
- different
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 30
- 238000000513 principal component analysis Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 8
- 238000010276 construction Methods 0.000 description 5
- 238000012847 principal component analysis method Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智慧消防技术领域,具体地说,涉及一种消防工程异常状态监测的智能监控方法,其包括以下步骤:一、采集动态数据流;二、利用主元分析法PCA对已有历史经验数据进行聚类分析,建立多分类器模型;三、对主元数据因子进行最小二乘支持向量机算法LSSVM处理,得出最优决策函数方程;四、利用不同主元数据因子的不同决策函数方程对已采集的动态数据流进行处理,实现过程中的异常模式状态识别。本发明大大简化了模型的求解过程,提高了模型的训练速度,对于提升消防项目中的动态异常识别有很大帮助。
Description
技术领域
本发明涉及智慧消防技术领域,具体地说,涉及一种消防工程异常状态监测的智能监控方法。
背景技术
消防由于具有一次性、规模大、过程复杂等特点,在过程中存在很多不确定的因素,且一般都是在恶劣的环境中进行,传统监管多采用人工巡查或固定摄像头监测,使用时对于监管难以全面把握。采用标准支持向量机(SVM)根据历史数据对施工过程中观测数据可能存在的异常波动进行识别和监控。
SVM有很多优势,能够解决风险因素预测、分类问题,但是其仍然存在一些弊端。主要表现为模型的损失函数限制以及惩罚因子、核函数宽度参数的优化组合等问题。这些问题会降低过程异常状态风险预测的精度、模型收敛速度,增加模型计算的资源占用等。
发明内容
本发明的内容是提供一种消防工程异常状态监测的智能监控方法,其能够克服现有技术的某种或某些缺陷。
根据本发明的一种消防工程异常状态监测的智能监控方法,其包括以下步骤:
一、采集动态数据流;
二、利用主元分析法PCA对已有历史经验数据进行聚类分析,建立多分类器模型;
三、对主元数据因子进行最小二乘支持向量机算法LSSVM处理,得出最优决策函数方程;
四、利用不同主元数据因子的不同决策函数方程对已采集的动态数据流进行处理,实现过程中的异常模式状态识别。
作为优选,步骤二中,首先分析提取出不同基本状态模式的数据分布情况,利用主元分析方法,将相似主元特征的样本数据进行变量转换,构成MPCA-LSSVM识别模型,使其能够使用较少的主元变量对过程的波动信息进行较全面的描述;
其次,在全生命周期中的异常状态经验值,设样本为n维向量,某区域的1个样本及其值表示为:
(x1,y1),……,(xl,yl)∈Rn×R,
用一非线性映射中Ψ(x)把样本从原空间Rn映射到特征空间:
在这个高维特征空间中构造最优决策函数:
这样非线性估计函数转化为高维特征空间中的线性估计函数;利用结构风险最小化原则,寻找w,b就是最小化;
其中w2控制模型的复杂度,c为正规化参数。Remp为误差控制函数,也即ε不敏感损失函数;损失函数有线性ε损失函数,二次ε损失函数,huber损失函数;选取了不同的损失函数,可构造不同形式的支持向量机。
作为优选,步骤三中,最小二乘支持向量机在优化目标的损失函数为误差ξi的二次项,故优化问题为:
用拉格朗日法求解这个优化问题:
其中ai,i=1,…,l,是拉格朗日乘子;
根据优化条件:
可得:
最后得到决策函数方程:
本发明是一种利用基于多主元分析方法的最小二乘支持向量机的风险监控预测方法。它利用最小二乘损失函数和等式约束来获得线性方程组,而不是支持向量机中使用的不等式约束,从而简化了复杂的计算和训练。其中主元分析(PCA)依据输入变量的线性变换,由相关矩阵的特征值大小确定坐标变换和变量提取,通过引入核函数将输入变量映射到高维特征空间,可以解决非线性问题,通过使用经验数据拟合一个智能模型来映射一组风险因素输入值和异常状态预测输出值之间的关系。
本发明利用主元分析方法从动态监测全过程中分析提取主元表征因子,将中获得的动态数据流进行组合分类,搭建组合分类器模型,然后采用LSSVM算法对过程的异常施工状态进行识别。相比于标准的SVM,LSSVM算法在构建目标函数时加入了误差项的二范数,同时将不等式约束变为了等式约束。因此,采用本发明所提出的异常状态监测的智能监控方法大大简化了模型的求解过程,提高了模型的训练速度,对于提升消防项目中的动态异常识别有很大帮助。
附图说明
图1为实施例1中一种消防工程异常状态监测的智能监控方法的流程图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例1
如图1所示,本实施例提供了一种消防工程异常状态监测的智能监控方法,其包括以下步骤:
一、采集动态数据流;
二、利用主元分析法PCA对已有历史经验数据进行聚类分析,建立多分类器模型;
三、对主元数据因子进行最小二乘支持向量机算法LSSVM处理,得出最优决策函数方程;
四、利用不同主元数据因子的不同决策函数方程对已采集的动态数据流进行处理,实现过程中的异常模式状态识别。
步骤二中,首先分析提取出不同基本状态模式的数据分布情况,利用主元分析方法,将相似主元特征的样本数据进行变量转换,构成MPCA-LSSVM识别模型,使其能够使用较少的主元变量对过程的波动信息进行较全面的描述;
其次,在全生命周期中的异常状态经验值,设样本为n维向量,某区域的1个样本及其值表示为:
(x1,y1),……,(xl,yl)∈Rn×R,
用一非线性映射中Ψ(x)把样本从原空间Rn映射到特征空间:
在这个高维特征空间中构造最优决策函数:
这样非线性估计函数转化为高维特征空间中的线性估计函数;利用结构风险最小化原则,寻找w,b就是最小化;
其中||w||2控制模型的复杂度,c为正规化参数。Remp为误差控制函数,也即ε不敏感损失函数;损失函数有线性ε损失函数,二次ε损失函数,huber损失函数;选取了不同的损失函数,可构造不同形式的支持向量机。
步骤三中,最小二乘支持向量机在优化目标的损失函数为误差ξi的二次项,故优化问题为:
用拉格朗日法求解这个优化问题:
其中ai,i=1,…,l,是拉格朗日乘子;
根据优化条件:
可得:
最后得到决策函数方程:
本实施例是一种利用基于多主元分析方法的最小二乘支持向量机的风险监控预测方法。它利用最小二乘损失函数和等式约束来获得线性方程组,而不是支持向量机中使用的不等式约束,从而简化了复杂的计算和训练。其中主元分析(PCA)依据输入变量的线性变换,由相关矩阵的特征值大小确定坐标变换和变量提取,通过引入核函数将输入变量映射到高维特征空间,可以解决非线性问题,通过使用经验数据拟合一个智能模型来映射一组风险因素输入值和异常状态预测输出值之间的关系。
本实施例利用主元分析方法从动态监测全过程中分析提取主元表征因子,将中获得的动态数据流进行组合分类,搭建组合分类器模型,然后采用LSSVM算法对过程的异常施工状态进行识别。相比于标准的SVM,LSSVM算法在构建目标函数时加入了误差项的二范数,同时将不等式约束变为了等式约束。因此,采用本实施例所提出的异常状态监测的智能监控方法大大简化了模型的求解过程,提高了模型的训练速度,对于提升消防项目中的动态异常识别有很大帮助。
具有相似主元特征的样本数据往往属于同一质量模式,样本变量的方差越大表明其包含的特征信息越多,聚类效果越明显。主元分析方法正是利用这样的思想,对样本数据进行变量转换,以其能够使用较少的主元变量对生产过程的波动信息进行较全面的描述。主元分析法PCA的算法处理过程如下:
设:
X是变量数为m,样本数为n的生产过程样本数据集。
S是样本数据的协方差矩阵,则有:
Λ=diag(λ1,λ2,...,λm),λ1≥λ2≥...≥λm>0 (4)
设:
其中,P为主元转换矩阵,λ为协方差矩阵S的特征值,ξ为主元方差贡献率。
因此,可以通过设置ξ的大小,将前k个主元特征进行提取,则Λ和P分别可以被分解成两部分:
P=[Ppc,Pres],Ppc∈Rm×k,Pres∈Rm×(m-k) (7)
采用上述方法方法可将X分解为主元空间和残差空间:
公式(8)中,为主元转换矩阵,E为残差序列,包含了施工过程在正常工序下的各种噪声;为提取出来的主元特征,根据公式(5)提取不同的主元特征,则会得到不同的与LSSVM分类器结合,构成MPCA-LSSVM识别模型。
LSSVM算法在构建目标函数时加入了误差项的2范数,同时将不等式约束变为了等式约束,从而大大简化了模型的求解过程,提高了模型的训练速度。
通过寻找使两类数据最小间隔最大化的分类平面来解决二分类问题,最小二乘支持向量机算法LSSVM的处理过程如下:
设单个最小二乘支持向量机的施工数据样本为{xi,yi},i=1,2,…,n,xi∈Rn,yi∈{+1,-1},其中,xi表示样本的输入,yi表示期望输出值。在二分类问题中,LSSVM通过样本学习,使得有一个分类平面将这两类数据完全分开,这样的分类平面可以描述为:
同时,引入拉格朗日乘子求解上述优化问题,则有:
分别对w、b、e、a求偏导并化简可以求得:
其中,l为单位矩阵,Ω为核矩阵。根据已知的样本数据可以求得参数a,b的值,进而得到LSSVM最优超平面的决策函数为:
其中,k(xi,x)为核函数,可以将低维空间线性不可分问题转化为高维空间中的线性可分的问题。
通过LSSVM决策函数对输入数据值进行拟合分析,利用分类器用来识别正常模式与其他异常模式,利用不同主元数据因子的不同决策方程对已采集的动态数据流进行处理,最终实现消防工程的异常模式状态识别,进一步保障消防安全。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (3)
1.一种消防工程异常状态监测的智能监控方法,其特征在于:包括以下步骤:
一、采集动态数据流;
二、利用主元分析法PCA对已有历史经验数据进行聚类分析,建立多分类器模型;
三、对主元数据因子进行最小二乘支持向量机算法LSSVM处理,得出最优决策函数方程;
四、利用不同主元数据因子的不同决策函数方程对已采集的动态数据流进行处理,实现过程中的异常模式状态识别。
2.根据权利要求1所述的一种消防工程异常状态监测的智能监控方法,其特征在于:步骤二中,首先分析提取出不同基本状态模式的数据分布情况,利用主元分析方法,将相似主元特征的样本数据进行变量转换,构成MPCA-LSSVM识别模型,使其能够使用较少的主元变量对过程的波动信息进行较全面的描述;
其次,在全生命周期中的异常状态经验值,设样本为n维向量,某区域的1个样本及其值表示为:
(x1,y1),……,(xl,yl)∈Rn×R,
用一非线性映射中Ψ(x)把样本从原空间Rn映射到特征空间:
在这个高维特征空间中构造最优决策函数:
这样非线性估计函数转化为高维特征空间中的线性估计函数;利用结构风险最小化原则,寻找w,b就是最小化;
其中||w||2控制模型的复杂度,c为正规化参数。Remp为误差控制函数,也即ε不敏感损失函数;损失函数有线性ε损失函数,二次ε损失函数,huber损失函数;选取了不同的损失函数,可构造不同形式的支持向量机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911170503.2A CN111062848A (zh) | 2019-11-26 | 2019-11-26 | 一种消防工程异常状态监测的智能监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911170503.2A CN111062848A (zh) | 2019-11-26 | 2019-11-26 | 一种消防工程异常状态监测的智能监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062848A true CN111062848A (zh) | 2020-04-24 |
Family
ID=70298294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911170503.2A Pending CN111062848A (zh) | 2019-11-26 | 2019-11-26 | 一种消防工程异常状态监测的智能监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062848A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344395A (zh) * | 2021-06-14 | 2021-09-03 | 西北工业大学 | 一种基于动态pca-svm的加工质量监测方法 |
CN113359456A (zh) * | 2021-06-16 | 2021-09-07 | 杭州申弘智能科技有限公司 | 一种基于边缘计算的变电站消防远程集控系统及方法 |
CN114049056A (zh) * | 2022-01-14 | 2022-02-15 | 海门市金球体育用品有限公司 | 基于消防风险评估的健身房管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009096903A1 (en) * | 2008-01-28 | 2009-08-06 | National University Of Singapore | Lipid tumour profile |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN108182445A (zh) * | 2017-12-13 | 2018-06-19 | 东北大学 | 基于大数据智能核独立元分析的过程故障识别方法 |
CN109919178A (zh) * | 2019-01-23 | 2019-06-21 | 广西大学 | 基于特征量优选和小波核函数lssvm的故障预测方法 |
-
2019
- 2019-11-26 CN CN201911170503.2A patent/CN111062848A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009096903A1 (en) * | 2008-01-28 | 2009-08-06 | National University Of Singapore | Lipid tumour profile |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN108182445A (zh) * | 2017-12-13 | 2018-06-19 | 东北大学 | 基于大数据智能核独立元分析的过程故障识别方法 |
CN109919178A (zh) * | 2019-01-23 | 2019-06-21 | 广西大学 | 基于特征量优选和小波核函数lssvm的故障预测方法 |
Non-Patent Citations (1)
Title |
---|
刘玉敏 等: "基于MPCA-LSSVM的生产制造过程异常监控模型", 《统计与决策》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344395A (zh) * | 2021-06-14 | 2021-09-03 | 西北工业大学 | 一种基于动态pca-svm的加工质量监测方法 |
CN113344395B (zh) * | 2021-06-14 | 2022-06-21 | 西北工业大学 | 一种基于动态pca-svm的加工质量监测方法 |
CN113359456A (zh) * | 2021-06-16 | 2021-09-07 | 杭州申弘智能科技有限公司 | 一种基于边缘计算的变电站消防远程集控系统及方法 |
CN114049056A (zh) * | 2022-01-14 | 2022-02-15 | 海门市金球体育用品有限公司 | 基于消防风险评估的健身房管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107632592B (zh) | 基于高效递推核主元分析的非线性时变过程故障监测方法 | |
Ge et al. | Improved kernel PCA-based monitoring approach for nonlinear processes | |
CN111062848A (zh) | 一种消防工程异常状态监测的智能监控方法 | |
KR101126390B1 (ko) | 2클래스 분류 예측 모델의 작성 방법, 분류 예측 모델 작성을 위한 프로그램을 기록한 컴퓨터 판독가능한 기록 매체 및 2클래스 분류 예측 모델의 작성 장치 | |
CN111142501B (zh) | 基于半监督自回归动态隐变量模型的故障检测方法 | |
Xu et al. | Fault detection of multimode non-Gaussian dynamic process using dynamic Bayesian independent component analysis | |
Zhang et al. | Fault detection and diagnosis of chemical process using enhanced KECA | |
CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
Kong et al. | Extraction of reduced fault subspace based on KDICA and its application in fault diagnosis | |
CN108388234B (zh) | 一种基于相关性划分多变量块pca模型的故障监测方法 | |
CN112200104A (zh) | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 | |
CN110765587A (zh) | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 | |
CN108549908A (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN112666918B (zh) | 一种基于在线压缩keca自适应工业过程故障检测方法 | |
Monroy et al. | Fault diagnosis of a benchmark fermentation process: a comparative study of feature extraction and classification techniques | |
CN112066724A (zh) | 一种基于自适应主元分析的辊道窑能耗异常检测方法 | |
CN103926919B (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
CN111340110A (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
Daszykowski et al. | Robust SIMCA-bounding influence of outliers | |
CN111639304A (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
CN113298170A (zh) | 非稳定工况下能耗模式识别方法及系统 | |
CN114879628A (zh) | 基于对抗局部最大均值差异的多模态工业过程故障诊断方法 | |
CN117351659B (zh) | 一种水文地质灾害监测装置及监测方法 | |
Lou et al. | Novel online discriminant analysis based schemes to deal with observations from known and new classes: Application to industrial systems | |
CN109325065A (zh) | 基于动态隐变量模型的多采样率软测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20200424 |