李懷俊 彭育強

(廣東交通職業(yè)技術(shù)學(xué)院軌道交通學(xué)院, 廣東 廣州 510650)

齒輪傳動系統(tǒng)故障診斷方法研究綜述

李懷俊 彭育強

(廣東交通職業(yè)技術(shù)學(xué)院軌道交通學(xué)院, 廣東 廣州 510650)

針對國內(nèi)外近年來在齒輪傳動系統(tǒng)故障診斷領(lǐng)域的研究成果，基于不同數(shù)據(jù)源進行了分類總結(jié)，剖析了常用的振動、油液等分析方法的優(yōu)勢與不足。對振動信號處理中的傳統(tǒng)與現(xiàn)代方法進行了評析；同時總結(jié)了基于能量視角的故障診斷方法的研究現(xiàn)狀和技術(shù)特點，說明了能量與振動信號之間的密切關(guān)系。通過挖掘能量信號所隱含的故障特征，可以開展有效的能量信號非線性處理方法研究，形成一種新型的面向齒輪等旋轉(zhuǎn)設(shè)備的故障診斷方法。

齒輪傳動 故障診斷 振動分析 油液分析 能量信號 相干分析

0 引言

1 振動分析故障診斷方法

在齒輪傳動系統(tǒng)故障診斷中，振動分析方法的研究起步較早，目前這方面的研究重點體現(xiàn)在故障機理分析、信號降噪與處理、特征參數(shù)提取、智能故障診斷等若干方面。

在特征參數(shù)提取方面，研究視野逐漸從早期的直接測量一些簡單的時域振動參數(shù)，過渡到振動頻域分析方法，這主要是因為信號處理技術(shù)特別是FFT方法的有效性。早期研究以James I. Taylor和Bridal的工作為代表[1]。文獻[2]研究了采用最小方差倒譜方法對滾動軸承的微弱故障進行辨識。文獻[3]基于階次跟蹤技術(shù)實現(xiàn)振動信號重采樣，在轉(zhuǎn)速變化很小時仍可用包絡(luò)分析獲得較準(zhǔn)確的特征數(shù)據(jù)，并用于齒輪軸系變工況故障診斷。近10年來，隨著時頻分析(time-frequency analysis)、小波分析(wavelet analysis)、經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition, EMD)、希爾伯特-黃變換(Hilbert-Huang transform, HHT)等現(xiàn)代信號分析方法的不斷涌現(xiàn)，分析手段也得以豐富，非平穩(wěn)信號分析效果日趨提升。Combet[4]提出了一種基于時域同步平均的包絡(luò)譜解調(diào)技術(shù)，用于齒輪箱變工況下特征諧波的提取，取得了不錯的診斷效果。褚福磊、Staszewski W J、陳進等在齒輪箱等旋轉(zhuǎn)機械故障診斷領(lǐng)域研究了時頻分析技術(shù)[5-6]。Yan等[7]提出了一種新的時頻分析方法：頻率切片小波變換(FSWT)，通過引入頻率切片函數(shù)使傳統(tǒng)的Fourier變換可以實現(xiàn)時頻分析的功能，能靈活地實現(xiàn)信號的濾波與分割。王鳳利[8]圍繞轉(zhuǎn)子系統(tǒng)不同工況的時頻特征提出了基于關(guān)聯(lián)維數(shù)的局域波故障診斷方法。Parey[9]等應(yīng)用基于EMD的統(tǒng)計方法實現(xiàn)了局部缺陷齒輪的早期故障特征檢測。Loutridis[10]應(yīng)用瞬時能量密度特征對齒輪故障特征進行了提取，結(jié)果表明了EMD提取瞬時能量密度的性能要優(yōu)于WT和WV分布方法。

同時，對于結(jié)構(gòu)和工況均比較復(fù)雜的齒輪傳動故障診斷問題，單一方法也難以準(zhǔn)確獲取到故障特征，而是需要多種方法交叉使用、相互影響，才可能形成有效的診斷分析結(jié)果。這主要是因為以上這些信號分析方法的自身特點原因限定其適用范圍。因此，基于流形學(xué)習(xí)(manifold learning,ML)、核主元分析(kernel principal component analysis,KPCA)等思想的非線性特征信息融合與提取方法也逐漸應(yīng)用于機械設(shè)備故障診斷中。栗茂林等[11]在軸承早期故障診斷中提出并應(yīng)用了一種局部空切算法，試驗效果較好。張妮等[12]研究了一種動態(tài)等距離映射流形學(xué)習(xí)算法，通過選擇自適應(yīng)學(xué)習(xí)近鄰點參數(shù)，可維持數(shù)據(jù)樣本的結(jié)構(gòu)流形。文獻[13]利用鄰域正交的方法實現(xiàn)了高維特征向量的降維進而提取特征，簡化了旋轉(zhuǎn)設(shè)備的故障模式識別流程。Viet[14]將核主成分分析與主成分法進行了比較，并研究了其在軸承故障診斷中的運用，結(jié)果表明KPCA在提取故障信號的非線性特征方面表現(xiàn)良好。

在智能故障診斷方法研究方面，成果豐富，表現(xiàn)在將各種信號分析方法與專家系統(tǒng)、智能決策、粗糙集理論、神經(jīng)網(wǎng)絡(luò)、信息融合技術(shù)等有機結(jié)合的技術(shù)特點，進而形成多技術(shù)組合的智能診斷方法。故障模式的識別一般通過故障分類器進行分類，分類器有貝葉斯最優(yōu)核判別、線性判別、聚類判別、支持向量機等策略。文獻[15]在提取故障特征時采用了小波分析，并分別基于神經(jīng)網(wǎng)絡(luò)模型和模糊函數(shù)判定規(guī)則進行齒輪早期故障識別。文獻[16]在診斷齒輪故障時首先利用EMD分解出本征模態(tài)函數(shù)，辨識出故障特征，并使用SVM作為分類器完成分類。文獻[17]則提出了計算EMD的各階分量的能量熵與奇異熵，并把遺傳算法與SVM相結(jié)合，為分類器開展齒輪故障識別與診斷。文獻[18]運用EMD和免疫參數(shù)自適應(yīng)SVM，在小樣本數(shù)據(jù)集情況下對滾動軸承進行了故障診斷。文獻[19]提出了一種基于多尺度模糊熵和SVM的滾動軸承故障診斷方法。文獻[20]研究了粗糙集與SVM的特征提取方法，將數(shù)據(jù)屬性值通過SOM網(wǎng)絡(luò)實現(xiàn)離散化，再利用粗糙集公式約簡，實現(xiàn)了設(shè)備故障診斷。

2 油液分析故障診斷方法

油液分析技術(shù)是通過分析被監(jiān)測齒輪系統(tǒng)的在用潤滑油的性能變化和攜帶的磨粒，獲得機器動力傳遞系統(tǒng)的有關(guān)潤滑及磨損狀態(tài)信息，進而評價齒輪系統(tǒng)工況、開展故障預(yù)測的技術(shù)。目前，齒輪傳動系統(tǒng)油液故障診斷研究主要集中在油液磨損規(guī)律研究、油液參數(shù)提取、油液故障診斷方法以及油液和振動信息融合診斷技術(shù)等領(lǐng)域。

在油液與振動信息融合方面，Ebersbach等[21]采用振動與磨粒信息融合方法針對過載情況下的直齒圓柱齒輪箱體進行了故障機理研究，并對多種故障中兩者之間的關(guān)系作了概述分析。在其他旋轉(zhuǎn)設(shè)備故障診斷中也有相似研究，如Maru等[22]針對球型軸承的振動和磨損信息耦合關(guān)系從受污染潤滑油的影響角度出發(fā)，分析了高頻段振動信號峰峰值及均方值的變化與摩擦界面磨損顆粒參數(shù)之間的聯(lián)系。在國內(nèi)，曹一波等[23]利用DS證據(jù)理論，將油液分析和振動分析方法相融合對齒輪磨損故障診斷技術(shù)進行了研究。高經(jīng)緯等[24]通過建立齒輪磨損故障融合診斷數(shù)學(xué)模型的策略將振動和油液分析相結(jié)合，并通過試驗驗證了模型的正確性。馮偉博士等[25]建立了齒輪摩擦學(xué)系統(tǒng)能量耗損監(jiān)測模型，通過試驗研究了齒輪磨損顆粒與振動之間的相關(guān)性，并對齒輪磨損與振動的相關(guān)性模型進行了分析。

磨損檢測方法雖然可通過分析潤滑油中所含微量金屬粉末顆粒的組成、大小及多少來判斷齒輪箱設(shè)備的磨損狀態(tài)，但磨損顆粒很難在線提取，離線分析又對系統(tǒng)的正常運行造成干擾，這也是影響診斷精度和效率的一個重要缺陷。同時油液分析對儀器的精密度要求嚴格，取樣過程較繁雜。文獻[26]針對滾動軸承監(jiān)測其潤滑脂溫度以及振動信號，形成了多狀態(tài)監(jiān)測系統(tǒng)。試驗數(shù)據(jù)表明，當(dāng)出現(xiàn)早期弱故障時，潤滑脂溫度變化不敏感，當(dāng)發(fā)生分布性故障時溫度才明顯升高，這說明了潤滑油液狀態(tài)在反映弱故障信號時的不足。

3 能量分析故障診斷方法

目前，國內(nèi)外針對機械設(shè)備的故障診斷研究大多以分析各種振動信號為出發(fā)點，但振動傳感器都要粘附在設(shè)備表面才能獲取到信號，由于安裝不便或現(xiàn)場環(huán)境惡劣，使得振動分析技術(shù)的應(yīng)用受到了不少限制。同時，對于齒輪箱內(nèi)部的傳動故障，又只能通過拾取外圍的振動信號進行分析，信號傳遞路徑復(fù)雜，導(dǎo)致信噪比低而且失真嚴重。另一方面，在汽輪機、高鐵列車變速箱及高速發(fā)動機等魯棒性較弱的設(shè)備中，早期微弱故障都可能會帶來嚴重后果，而這些故障信號又容易淹沒在周圍相對能量較大的低頻噪聲中，從而無法有效進行故障辨識。據(jù)統(tǒng)計，磨損與振動分析技術(shù)各自只能實現(xiàn)30%～50%的設(shè)備故障檢測率，對于某些高溫、高腐蝕等惡劣環(huán)境下的設(shè)備，布設(shè)信號線也比較困難。同時，隨著無線測試技術(shù)的發(fā)展，針對機械設(shè)備的瞬時輸入功率、扭矩、轉(zhuǎn)速等能量信號要素的測量方式越來越簡便，因此發(fā)展基于設(shè)備輸入能量信號分析的故障診斷技術(shù)是可行而且非常必要的。

針對齒輪等旋轉(zhuǎn)機械的能量耗損研究方面，在國內(nèi)，華南理工大學(xué)黃平教授等[27]的研究表明，在摩擦界面的原子因位置等因素導(dǎo)致其具有的能量未均勻分布，能量在傳遞過程中會不可逆耗散，這也是旋轉(zhuǎn)機械能部分轉(zhuǎn)為無效熱能的過程。Wang等[28]研究了能量邊界法，并從微觀角度展開振動的響應(yīng)分析。Diab等[29]通過建立齒輪非線性動力學(xué)模型來計算齒輪的損失功率。張秀芳等[30]推導(dǎo)了通過滾動軸承傳遞到箱板振動功率流的模態(tài)解，對振動能量通過滾動軸承傳遞的特性及影響因素進行研究分析。這些研究只涉及設(shè)備能量傳遞的動力學(xué)角度理論分析，都沒有延伸到基于數(shù)值分析的機械設(shè)備故障診斷范疇。馮偉等[31]圍繞齒輪摩擦學(xué)系統(tǒng)能量耗損監(jiān)測問題，研究了能量耗損與磨損振動之間的相關(guān)性。華南理工大學(xué)謝小鵬教授[32]提出了能量耗損故障診斷理論，并選取發(fā)動機的瞬時油耗率作為特征參數(shù)之一，通過對比振動與油液監(jiān)測數(shù)據(jù)，驗證了柴油機活塞磨損故障診斷中能量耗損分析的有效性。肖海兵等[33]通過獲取摩擦學(xué)系統(tǒng)的振動、磨損各類能量耗損信息，建立特征庫并進行了故障診斷研究，但由于仍將傳統(tǒng)的振動、磨損數(shù)據(jù)打包一并分析，并非真正意義上的能量信號分析。

對照組當(dāng)中的患者主要采用常規(guī)的護理方式進行護理，主要為規(guī)范化腦血管病二級防治，主要包括抗血小板聚集，活血化瘀，調(diào)整血壓，控制血脂、血糖，維持患者酸堿、電解質(zhì)和水平衡，呼吸道功能保持暢通，預(yù)防感染且要對癥治療。同時積極進行康復(fù)訓(xùn)練。治療組在常規(guī)基礎(chǔ)上加用加味桂枝茯苓丸顆粒劑，1天2次，連續(xù)2周。

目前，基于旋轉(zhuǎn)機械能量視野的研究主要集中在設(shè)備磨損及振動中的能量耗損理論方面的探索，針對輸入能量的設(shè)備多種信息的相關(guān)性方面研究也較少。自2009年以來，國內(nèi)基于功率信號開展故障診斷的研究論文僅10余篇，均為電動機故障診斷范疇。而至于采用非線性信號分析方法，開展基于能量信號分析視角的齒輪傳動等旋轉(zhuǎn)機械故障診斷技術(shù)研究，國內(nèi)外還沒有相關(guān)文獻見刊。

4 能量診斷方法有效性分析

從能量傳遞角度來看，齒輪箱振動的過程就是振動能量的傳播過程，能量在傳遞過程中也就發(fā)生了損耗，振動幅值大小也與輸入能量的強度密切相關(guān)。當(dāng)齒輪傳動系統(tǒng)出現(xiàn)故障時，將會導(dǎo)致其內(nèi)部出現(xiàn)循環(huán)功率[7]，嚴重降低傳動系統(tǒng)的性能，此時由振源傳遞出去的振動能量將發(fā)生變化，外在表現(xiàn)是箱體結(jié)構(gòu)本身的振動強度，以及向周圍傳播的由能量轉(zhuǎn)化而成的噪聲。

從模態(tài)分析的角度來看，齒輪箱體的振動過程中產(chǎn)生了振動能量損耗，因此，齒輪箱傳動系的輸入功率與箱體振動信號之間形成了穩(wěn)定的輸入輸出映射關(guān)系。齒輪傳動系統(tǒng)能量與振動關(guān)系模型如圖1所示。

圖1 齒輪傳動系統(tǒng)能量與振動關(guān)系模型

定義輸入信號與輸出信號的相干函數(shù)為：

(1)

式中：Sxx(f)、Syy(f)分別為輸入、輸出信號的自功率譜密度函數(shù)；Sxy(f)為互功率譜密度函數(shù)。

進一步整理可得:

(2)

式中:Snn(f)為噪聲信號的自功率譜密度函數(shù);H(f)為系統(tǒng)頻響函數(shù)。

顯然對于理想的單輸入單輸出線性系統(tǒng)，由于功率譜密度的計算其實是基于數(shù)據(jù)序列的估計，相干函數(shù)也相當(dāng)于用概率統(tǒng)計的形式代表了輸入信號x(t)對于總輸出信號y(t)的貢獻比例大小，從頻域角度揭示了二者的相關(guān)關(guān)系。相干值越大，表示在該頻點處的振動耗能越明顯，反之則越微弱。這就從經(jīng)典控制理論角度印證了齒輪振動機理分析的有關(guān)內(nèi)容，說明了能量信號與振動之間的密切關(guān)系。

5 結(jié)束語

對于復(fù)雜傳動系統(tǒng)中的時變非平穩(wěn)信號，小波分析、Wigner-Ville分布、盲源分離、HHT和高階統(tǒng)計量分析等現(xiàn)代振動信號處理方法對非平穩(wěn)非線性的原始振動信號能夠得到較好的分析結(jié)果，具有一定的時頻域局部分析能力和較好的自適應(yīng)性，但仍存在著理論不夠完善、現(xiàn)實條件無法充分滿足與廣泛的實際工程應(yīng)用、推廣仍有一定的距離等應(yīng)用瓶頸。

故障診斷系統(tǒng)的最大價值應(yīng)是能夠從復(fù)雜多變的海量高維觀測數(shù)據(jù)中，去除虛假或非關(guān)鍵的信息成分，準(zhǔn)確高效地挖掘出數(shù)據(jù)的內(nèi)部特征。因此，進行創(chuàng)新性的故障診斷技術(shù)研究、提高故障診斷效率也是勢在必行。輸入能量信號實時反映了系統(tǒng)能量傳遞、耗損的變化過程，也必然能更真實地反映出機械設(shè)備的故障狀態(tài)。將其作為故障診斷研究的數(shù)據(jù)處理對象來開展研究，與振動、油液等監(jiān)測技術(shù)相比，具有裝置簡便、干擾量小、測量準(zhǔn)確、易于現(xiàn)場應(yīng)用等特點，理論與實際應(yīng)用價值均較高?？梢酝诰驖摬赜谀芰啃盘栔械墓收夏Ｊ揭?guī)律，在研究有效的能量信號非線性處理、特征提取等方法的過程中，建立一種新型的面向齒輪傳動系統(tǒng)等旋轉(zhuǎn)機械的故障診斷方法。

[1] Yan R Q, Gao R X. Multi-scale enveloping spectrogram for vibration analysis in bearing defect diagnosis[J].Tribology International, 2009, 42(2):293-302.

[2] Park C S, Choi Y C, Kirn Y H. Early fault detection in automotive ball bearings using the minimum variance spectrum[J].Mechanical Systems and Signal Processing, 2013, 38(2):534-548.

[3] Borghesani P, Ricci R, Chatterton S, et al. A new procedure for using envelope analysis for rolling element bearing diagnostics in variable operating conditions[J].Mechanical Systems and Signal Processing, 2013, 38(1):23-35.

[4] Combet F, Gelman L. Novel adaptation of the demodulation technology for gear damage detection to variable amplitudes of mesh harmonics[J].Mechanical Systems and Signal Processing, 2011, 25(3):839-845.

[5] 鐘先友, 趙春華, 陳保家, 等. 基于形態(tài)自相關(guān)和時頻切片分析的軸承故障診斷方法[J].振動工程學(xué)報, 2014, 33(4):11-16.

[6] 張進, 瑪志鵬, 褚福磊. 滾動軸承故障特征的時間-小波能量譜提取方法[J].機械工程學(xué)報, 2011, 47(17):44-49.

[7] Yan Z, Miyamoto A, Jiang Z. Frequency slice wavelet transform for transient vibration response analysis[J].Mechanical Systems and Signal Processing, 2009, 23(5):1474-1489

[8] 王鳳利, 馬孝江. 基于局域波時頻分析的齒輪故障診斷[J].農(nóng)業(yè)機械學(xué)報, 2006, 37 (12):221-225.

[9] Parey A, Tandon N. Impact velocity modeling and signal processing of spur gear vibration for the estimation of defect size[J].Mechanical Systems and Signal Processing, 2007, 21(1):234-243.

[10]Jang Q S, Jia M P, Hu J Z. Manifold Laplacian eigenmap method for fault diagnosis[J].Chinese Journal of Mechanical Engineering, 2013, 21(3):90-93.

[11]栗茂林, 王孫安, 梁霖. 利用非線性流形學(xué)習(xí)的軸承早期故障特征提取方法[J].西安交通大學(xué)學(xué)報, 2010(5):45-49.

[12]張妮, 田學(xué)民. 基于等距離映射的非線性動態(tài)故障檢測方法[J].上海交通大學(xué)學(xué)報, 2011(8):1202-1206.

[13]李鋒, 湯寶平, 董紹江. 基于正交鄰域保持嵌入特征約簡的故障診斷模型 [J].儀器儀表學(xué)報, 2011(3):621-627.

[14]Viet H N, Golinval J C. Fault detection based on kernel principal component analysis[J].Engineering Structures, 2010, 32(1):3683-3691.

[15]Saravanan N, Ramachandran K I. Incipient gear box fault diagnosis using discrete wavelet transform(DWT) for feature extraction and classification using artificial neural network (ANN)[J].Expert Systems with Applications, 2010, 37(6):4168-4181.

[16]于德介, 楊宇, 程軍圣. 一種基于SVM和EMD的齒輪故障診斷方法[J].機械工程學(xué)報, 2005, 41(1):140-144.

[17]李兵, 張培林, 任國全, 等. 運用EMD和GA-SVM的齒輪故障特征提取與選擇[J].振動、測試與診斷, 2009, 29(4):445-449.

[18]胡榮華, 樓佩煌, 唐敦兵, 等. 基于EMD和免疫參數(shù)自適應(yīng)SVM的滾動軸承故障診斷[J].計算機集成制造系統(tǒng), 2013, 19(2):440-441.

[19]鄭近德, 陳敏均, 程軍圣, 等. 多尺度模糊熵及其在滾動軸承故障診斷中的應(yīng)用[J].振動工程學(xué)報, 2014, 27(1):145-151.

[20]Li N, Zhou H, Hu Q H, et al. Mechanical fault diagnosis based on redundant second generation wavelet packet transform, neighborhood rough set and support vector machine[J].Mechanical Systems and Signal Processing, 2012, 28(4):608-621.

[21]Ebersbach S, Peng Z, Kessissoglou N J. The investigation of the condition and faults of a spur gearbox using vibration and wear debris analysis techniques[J].Wear, 2006, 260(1-2):16-24.

[22]Maru M M, Castillo R S, Padovese L R. Study of solid contamination in ball bearings through vibration and wear analyses[J].Wear, 2007, 40(3):433-440.[23]曹一波. 融合油液分析和振動分析的齒輪磨損故障診斷研究[D].廣州:華南理工大學(xué), 2007.

[24]高經(jīng)緯, 姜樂華, 張培林, 等.基于油液和振動信息融合的自行火炮齒輪箱故障診斷方法[J].火炮發(fā)射與控制學(xué)報, 2008, 25(12):104-106.

[25]謝小鵬, 馮偉, 黃墩烈.基于能量耗損的摩擦學(xué)系統(tǒng)狀態(tài)識別方法研究[J].潤滑與密封, 2010, 35(2):27-31.

[26]David M, Bin R R.Development of acoustic emission technology for condition monitoring and diagnosis of rotating machines: bearings,pumps,gearboxes, engines and rotating structures[J].The Shock and Vibration Digest, 2006, 38(1):3-16.

[27]許中明, 黃平. 摩擦微觀能量耗散機理的復(fù)合振子模型研究[J].物理學(xué)報, 2006, 55(5): 2427-2432.

[28]Wang A, Vlahopoulos N. Development of an energy boundary element formulation for computing high-frequency sound radiation from incoherent intensity boundary condition[J].Sound and Vibration, 2004(278):413-436.

[29]Diab Y, Ville F, Velex P. Investigations on power losses in high speed gears[J].Journal of Engineering Tribology, 2006, 220 (3):191-198.

[30]張秀芳,霍睿,周振.滾動軸承支承的齒輪傳動軸-板耦合結(jié)構(gòu)功率流傳遞特性研究[J].振動與沖擊, 2013,32(9):63-67.

[31]馮偉.基于摩擦學(xué)與動力學(xué)的齒輪系統(tǒng)故障診斷相關(guān)性研究[D].廣州:華南理工大學(xué), 2010.

[32]李懷俊,謝小鵬,黃恒.基于主元熵的發(fā)動機能量數(shù)據(jù)聚類與故障識別[J].華南理工大學(xué)學(xué)報:自然科學(xué)版, 2013, 41(11):137-142.

[33]肖海兵.基于能量耗損的機械設(shè)備故障診斷理論與方法研究[D].廣州:華南理工大學(xué), 2013.

Research Summary of the Default Diagnosis Approach for Gear Transmission System

In accordance with the research achievements in gear transmission system fault diagnosis field of worldwide, and based on different diagnostic data source, the advantages and disadvantages of commonly used analysis methods, such as vibration analysis or oil analysis are dissected, and the traditional and modern methods in vibration signal processing are evaluated; in addition, the current status of research and technical features of the fault diagnostic methods based on energy perspective are summarized, the close relationship between energy and vibration signal is described. It is commented that through excavating the implied fault characteristics of energy signal, the study of effective nonlinear processing method for energy signal can be conducted, to form a new type of fault diagnostic method suitable for rotating equipment including gears, etc.

Gear transmission Fault diagnosis Vibration analysis Oil analysis Energy signal Coherence analysis

廣東省高校優(yōu)秀青年教師培養(yǎng)基金資助項目(編號：Yq2013178)。

李懷俊(1978-)，男，2014年畢業(yè)于華南理工大學(xué)機械電子工程專業(yè)，獲博士學(xué)位，副教授；主要從事動態(tài)系統(tǒng)故障診斷與預(yù)測方面的研究。

TP206+.3

A

10.16086/j.cnki.issn1000-0380.201510004

修改稿收到日期：2015-01-04。