王高超，侯彥東，李 偉，周 毅

(1.河南大學 圖像處理與模式識別研究所，河南 開封475004；2.河南省車聯(lián)網(wǎng)協(xié)同技術(shù)國際聯(lián)合實驗室，河南 開封 475004)

基于傳感器的車隊故障檢測與隔離

王高超1，侯彥東1，李 偉2，周 毅2

(1.河南大學 圖像處理與模式識別研究所，河南 開封475004；2.河南省車聯(lián)網(wǎng)協(xié)同技術(shù)國際聯(lián)合實驗室，河南 開封 475004)

針對車隊的故障檢測與隔離，建立了基于車隊的系統(tǒng)診斷模型，并提出了兩級故障診斷架構(gòu)，以車間距為基礎對整個車隊建立數(shù)學模型。同時，構(gòu)建了車隊的狀態(tài)空間模型，并利用空間幾何法設計了車間距的殘差發(fā)生器。為了設計車隊系統(tǒng)的殘差生成模型，加強了對車隊和單輛車的結(jié)構(gòu)分析，并引入了虛擬力分析。通過采用自適應的閾值法加強了故障檢測與隔離系統(tǒng)對殘差的敏感性和對干擾的魯棒性。為了促進車輛對自身和整個車隊的信息感知能力，智能車(自主移動機器人)裝備有紅外測距儀、里程計、增量式光學編碼器等傳感器。實驗證明提出的針對車隊的故障檢測架構(gòu)和方法是可靠的。

故障檢測與隔離；車隊；結(jié)構(gòu)分析；虛擬力分析；殘差生成

隨著車聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，相關(guān)技術(shù)和成果也在不斷地從理論走向?qū)嵺`。比如車載輔助倒車系統(tǒng)，自動泊車系統(tǒng)和無人駕駛車等，都使得用戶的駕駛更加舒適、方便和快捷。但卻有一個突出的問題擺在大家的面前—安全。澳大利亞《悉尼先驅(qū)晨報》報道，大約90%的車禍歸咎于人為失誤，而麥卡錫認為，無人駕駛汽車有助于大幅降低車禍數(shù)量[1]。然而無人車技術(shù)也會發(fā)生事故，且由于無人車在發(fā)生事故時優(yōu)先保護車內(nèi)乘員，所以每次造成的損失很可能大于有人駕駛。在2016年9月23日，谷歌無人車在測試中發(fā)生了重大車禍。在此之前，匹茲堡的Uber無人駕駛汽車在實測中發(fā)生了兩起事故，特斯拉Model S在開啟Autopilot自動駕駛功能時發(fā)生事故導致司機身亡，美國硅谷谷歌的無人車撞上了一輛公共巴士?，F(xiàn)在的車輛上面集成的控制系統(tǒng)越來越復雜，控制度也越來越高，一旦系統(tǒng)發(fā)生故障，若不能及時排除，很容易帶來難以估量的損失，因此車輛系統(tǒng)的安全運行必須引起高度重視[2]。

為了保證無人車的運行安全，Monteriù等人率先把FDI技術(shù)引入到了智能車系統(tǒng)，文獻[3-4]對單輛無人車進行了故障建模分析，并用ATVR-Jr移動機器人成功的進行了故障檢測與隔離實時試驗。文獻[5-8]針對單輛車用觀測器法和殘差分析法進行了故障檢測與隔離，并針對文獻[4]提到的方法進行了改進。據(jù)統(tǒng)計數(shù)據(jù)顯示，交通事故往往發(fā)生在車輛密度較大的時候，尤其在上下班高峰期或節(jié)假日。所以針對多車的主動安全和故障診斷問題就越來越受到人們的重視。提到多車的主動安全和FDI，容易想到車聯(lián)網(wǎng)中多車協(xié)同控制的經(jīng)典場景—車隊。對車隊研究的文獻也有很多，比如文獻[9]對車隊基于車間距的定點剎車進行了研究，文獻[10]對缺乏跟車數(shù)據(jù)的情況進行了分析研究。然而對車隊系統(tǒng)故障診斷的研究文獻卻不是很多。為了建立車隊的故障模型，根據(jù)文獻[9-10]中對車隊建模的思路，基于車間距建立了車隊的故障模型。仿照控制系統(tǒng)的分級控制思路，把車隊的故障分為系統(tǒng)故障和組元故障兩級。所謂系統(tǒng)故障就是系統(tǒng)層次的故障；而組元故障就是具體傳感器的故障。為了隔離出傳感器故障，參照了文獻[11-13]中對傳感器故障的分類方式。

對車隊進行故障檢測與隔離，基于模型的方法是最常用的方法[14]。而殘差生成和殘差評估是基于模型FDI的主要組成[15]。在本文中，首先將根據(jù)空間幾何理論推導出車間距的殘差發(fā)生器，然后再設計一個自適應閾值的殘差決策模塊[15]來分隔故障，從而達到車隊故障檢測與隔離的效果。為了闡明引起車間距變化的因素，引入了虛擬受力分析的方法。通過對每輛車的受力分析，并根據(jù)運動學公式，可以得到每輛智能車的運動趨勢和姿態(tài)。同時，為了減小外界干擾和傳感器自身存在的誤差，在決策環(huán)節(jié)采用了自適應的閾值。最后通過軟件仿真實驗和智能車車對實物實驗，分別對提出的兩級故障診斷架構(gòu)和隔離算法進行了驗證。

1 車隊故障模型

首先對車隊進行結(jié)構(gòu)分析，并引進虛擬力[9]的分析方法從運動學角度對單車進行建模。同時對文獻[11-12]中傳感器的故障模型進行了改進，提高其魯棒性，減少故障誤報率。把車隊的故障定義為兩級，分別為系統(tǒng)故障和組元故障。系統(tǒng)故障是系統(tǒng)層次的故障，其參數(shù)包含了至少兩輛車以上的數(shù)據(jù)；而組元故障指具體某個傳感器的故障。系統(tǒng)故障是由一系列組元故障引起的。本文中系統(tǒng)故障指車間距故障，組元故障指紅外測距儀故障(fS)、GPS故障(fG)和左右編碼器故障(fEL、fER)。

假設有n輛智能車，組成車隊行駛在筆直的公路上，車隊中有一輛頭車(leader)和n-1輛尾隨車(follower)，如圖1所示。其中Pi、Vi、Li(i=0,1,2,…n-1)表示第i輛車的相對位置、速度和車身長度。ξi(i=0,1,2,…n-2) 表示第i輛車和第i+1輛車之間的車間距，如圖1所示。

車隊數(shù)學結(jié)構(gòu)如下：

ξ=Pi+1-Pi-ξi-Li+1。

(1)

ξ是期望車間距和實際車間距之間的差值，也稱為殘差。

現(xiàn)在對第i輛車，以及它前后兩輛車進行虛擬受力分析，其分析結(jié)果如圖2(a)所示。假如車隊只有三輛車，則受力分析如圖2(b)所示，最后在實驗驗證中采用了三輛車的形式?；疖囓囶^拖動后面的車廂行駛，而火車的每一節(jié)車廂在前進過程中要受到前后車廂施加的力。仿照火車車廂的受力模型，假設followeri在行駛過程要受到車followeri+1 朝向行駛方向的力F(i+1,i)，而且同時受到車followeri- 1 阻礙它行駛的力F(i-1,i)，則力F(i+1,i)和力F(i-1,i)就是車followeri在形式過程中受到的虛擬力[9]。虛擬力是一種間接力，例如F(i+1,i)是followeri+1 先告知followeri應該受到被施加力的大小和方向，然后followeri的動力系統(tǒng)根據(jù)要求自身產(chǎn)生的。

圖1 車隊結(jié)構(gòu)圖Fig. 1 The structure diagram of vehicles platoon

圖2 虛擬力分析Fig.2 Virtual force analysis

如圖2(a)，其中的F(i+1,i)和F(i,i+1)是一對相互作用力，其大小是車間距的相關(guān)函數(shù)，即車間距小于預設的安全距離就會變大，當車間距大于預設的安全距離就會變小。設Fi是車followeri受到的合力，那么會得到下列公式：

(2)

Fi=F(i+ 1,i) -F(i-1 ,i) ，i=1,2,3…,n-2。

(3)

車受力大小是和車間距相關(guān)的函數(shù)，而車輛當前的速度Vi、所受合力Fi和車間距ξi之間滿足以下關(guān)系：

Vi=V0(1+k)，

(4)

(5)

公式(4)中的α，β都是常數(shù)。V0表示當車間距恰好等于期望距離ξ0時的速度，也稱為巡航速度，此時k等于0。

Fi=F0=αξ0，

(6)

(7)

車間距ξi、所受合力Fi、參數(shù)k的取值范圍如公式(7)所示，其中ξmin和ξmax分別為車間距的上下限。如果ξi超出這個變化范圍，就表示車隊出現(xiàn)系統(tǒng)故障。特別的，當ξi=ξ0，k=0時，車輛處在巡航跟車階段，這也是期望的最佳狀態(tài)。

車間距ξi和followeri，followeri+ 1 的速度Vi和Vi+1存在以下關(guān)系：

(8)

試驗中用到的車輛是后置雙驅(qū)動智能車，根據(jù)運動學分析，可以得到以下方程：

(9)

(10)

其中：r是智能車輪半徑，d是車輪軸距，ωL和ωR分別是左右輪角速度，ω是車輛角速度。另外還可以通過GPS獲知智能車的經(jīng)度λ和緯度φ，以及獲知當前的速度Vi和當前的時間Tx。

圖3 FDI結(jié)構(gòu)圖Fig.3 The Structure diagram of FDI

2 殘差生成與決策

侯彥東等[12]率先利用空間幾何理論解決了執(zhí)行器故障，并有效的抑制了輸入干擾和測量噪音。為了降低傳感器測量噪音對故障診斷的影響，給出了系統(tǒng)故障的殘差發(fā)生器。如圖3所示為FDI的結(jié)構(gòu)圖，整個故障診斷與隔離系統(tǒng)由兩大部分組成，即殘差生成單元和殘差評估單元。接下來將分別對兩個重要單元進行設計和實現(xiàn)，從而實現(xiàn)車隊的故障檢測與隔離。

2.1 殘差生成

實現(xiàn)故障檢測與隔離的關(guān)鍵就是構(gòu)造出能檢測故障且將其有效隔離的殘差產(chǎn)生器，記輸出的殘差信號為r(t)；然后再把殘差信號r(t)與自適應閾值TA(t)在殘差決策單元進行比較，判斷故障是否已發(fā)生，并把發(fā)生的故障隔離出來[12]。

本研究中，系統(tǒng)故障是用空間幾何理論設計出狀態(tài)觀測器和殘差生成器，從而診斷出車隊故障；而組元故障是我們根據(jù)對車隊的結(jié)構(gòu)分析，得到一系列殘差公式，從而診斷出傳感器的故障。

2.1.1 傳感器殘差生成

車輛起步時的車間距為ξ0，在啟動后t時刻followeri和followeri+1之間車間距的變化△ξi由式(8)給出，式(8)中的followeri和followeri+ 1 的速度可由式(9)給出，可以獲得下列約束公式集：

(11)

(12)

通過公式(1)可以推導出第二個殘差公式：

r2=Pi+1-Pi-Li-ξi。

(13)

式中的Pi和Pi+1可以通過followeri和followeri+ 1 車上分別配置的GPS獲取，ξi可以由紅外測距儀直接給出。

通過車上配置的里程計，可以獲得車輛當前里程，相鄰兩輛車的里程Si+1和Si滿足下列關(guān)系：

△ξi=Si+1-Si。

(14)

結(jié)合公式(8)可以得到第三個殘差公式：

(15)

公式中followeri和followeri+ 1 的速度可以根據(jù)式(4)計算，Tx可以使用自身時鐘計時，也可以采用GPS獲取。

車間距可以通過多種形式獲取，比如通過GPS、紅外測距儀、速度、左右輪的角速度或里程計獲取。其中通過激光測距儀可以直接獲取車間距，其他方法都需要同時獲取前后車輛的數(shù)據(jù)。ξ0和△ξi都可以通過公式進行估計，這樣結(jié)合式(8)可以給出第四個殘差公式：

r4=ξ0+△ξi-ξi。

(16)

第i輛車偏離直行方向的夾角θi受自身左右輪角速度的影響，有下列關(guān)系式：

(17)

在試驗中，為了減少GPS和紅外測距儀所受的干擾，讓車隊沿直線行駛，那么θi的大小可以忽略不計。但是測速傳感器的故障，可導致θi的值偏離期望值。因此第五個殘差方程可以根據(jù)式(17)乘以一個常數(shù)λ得到：

(18)

最后根據(jù)公式(4)和(9)可以推導出第六個殘差公式：

(19)

2.1.2 車間距殘差生成

對于車隊來說，車間距ξi是判斷車隊穩(wěn)定性和運行狀態(tài)的極其重要參數(shù)。車輛在加速或減速運行時，車間距在可變范圍內(nèi)調(diào)整，如公式(7)所示，當車隊穩(wěn)定后，車間距ξi也趨于穩(wěn)定，這時車間距保持在預設值ξ0附近?？紤]正常情況下線性時不變(LTI)系統(tǒng)：

(20)

y(t)=Cx(t) 。

(21)

其中，是系統(tǒng)的狀態(tài)變量，u∈Rm和y∈Rq分別是正常情況下系統(tǒng)的輸入和輸出信號，A∈Rn×n是系統(tǒng)矩陣，B∈Rn×m是輸入矩陣，C∈Rq×n是輸出矩陣。

車間距的大小受傳感器測量數(shù)據(jù)等多方面影響，而最終通過電機的轉(zhuǎn)速直接影響其大小，所以把車隊中的每一個車間距故障都當成一個執(zhí)行器故障。若Li表示第i個車間距ξi的故障特征形式，mi(t)表示第i個車間距ξi的故障模型，則故障系統(tǒng)可以根據(jù)公式(20)和(21)表示為：

(22)

y(t)=Cx(t) 。

(23)

基于執(zhí)行器故障系統(tǒng)模型公式(22)和(23)，用w∈Rn作為觀測器的狀態(tài)變量，構(gòu)造如下觀測器：

(24)

(25)

根據(jù)公式(24)和(25)可以設計出一個僅對第j個車間距ξj故障敏感的殘差發(fā)生器：

(26)

(27)

2.2 殘差決策與評估

在系統(tǒng)中，傳感器的加性故障和隨機序列的均值噪聲干擾都會影響故障隔離的準確度。為了解決這個問題，廣義似然率[16]和臨界似然率[17]的方法被提出，用這種方法雖然能準確隔離出故障，但是延時較大[4]，所以采用自適應閾值法。殘差評估與決策的結(jié)構(gòu)如圖3所示。閾值的大小決定了對故障隔離的分辨率，下面將重點說明閾值如何選取。

假設△Gu(s)是車隊系統(tǒng)頻域下的故障傳遞函數(shù)，在系統(tǒng)沒有發(fā)生任何故障的情況下，殘差可以表示為[15]：

r(s)=Hy(s)△Gu(s)u(s)，

(28)

設△Gu(s)有界，即?ε∈R+滿足下式：

(29)

代入式(28)中得：

(30)

所以自適應閾值TA(s)的選取應滿足下列公式：

TA(s)=εHy(s)u(s)。

(31)

其中：Hy(s)一定，只要選擇合適的ε(ε可以通過求解△Gu(s)的極限獲得近似值，然后根據(jù)實驗結(jié)果逐步修正)，就能保證故障有效的被診斷，同時提高對輸入干擾的魯棒性。

圖4 車間距監(jiān)測(無故障)Fig.4 Vehicle distance monitoring (fault-free)

3 試驗結(jié)果分析

設計了軟件仿真和實物驗證。在軟件仿真中，只監(jiān)測了三輛車的兩個車間距ξ0和ξ1，相應的對每輛車的紅外測距儀(fS)、左右編碼器(fEL、fER)等故障進行了監(jiān)測。在實物驗證中，使用了三輛智能車，一個路邊單元(roadside unit, RSU)，車沿著直線循跡。智能車以STM32為控制單元，裝備ZigBee通信模塊，紅外測距模塊，編碼器測速模塊等傳感器。RSU是由通信模塊ZigBee和控制器STM32組成，負責采集車輛傳感器的實時數(shù)據(jù)，對車隊的車間距進行監(jiān)測，并把車間距狀態(tài)上傳上位機；在某個車間距故障時，把隔離出的組元故障上傳到上位機。

圖4～9為軟件仿真效果圖。圖4和圖6是對車隊的車間距ξ0和ξ1進行跟蹤監(jiān)測的效果。在圖4中，可以看到ξ0和ξ1沒有超出設定的閾值，即車隊運行正常。從圖5中也可以看出車隊沒有發(fā)生傳感器故障，車隊運行正常。圖4中，可以看到在65 s的時候，ξ0受到干擾，我們的自適應閾值也做出了合理的調(diào)整，有效的杜絕了故障的誤報。

圖5 ξ0和ξ1的故障隔離(無故障)Fig.5 Fault isolution of ξ0 and ξ1 (fault-free)

圖6和圖7對應的是車隊出現(xiàn)故障的效果圖，從圖6中可以看到車間距ξ0發(fā)生了故障，而車間距ξ1正常。follower1和leader上面的傳感器故障都可能引發(fā)ξ0發(fā)生故障，圖7中顯示了故障發(fā)生在哪一輛車上，同時顯示出發(fā)生了什么故障。由圖7可以清楚的看出follower1的紅外測距傳感器發(fā)生了故障，從而引發(fā)了ξ0發(fā)生故障。

圖6 車間距監(jiān)測(故障)Fig.6 Vehicle distance monitoring (fault)

圖8和圖9對應的是ξ0出現(xiàn)故障的仿真效果圖，在仿真中只有一輛車的一種傳感器引發(fā)了系統(tǒng)故障。圖8中可看到車間距ξ1和ξ0分別在30和50 s的時候發(fā)生了故障。圖9可看出follower1的紅外測距傳感器發(fā)生了故障，follower2的右側(cè)測速傳感器發(fā)生了故障。

用三輛智能車對所提出算法和故障架構(gòu)進行了簡單驗證，剛開始三輛智能車組成車隊沿直線勻速行駛。車隊車間距都保持在預設可控范圍。在運行中，智能車把感知的自身和周圍環(huán)境信息簡單處理后發(fā)給RSU。RSU對數(shù)據(jù)進行處理，之后把處理結(jié)果上傳上位機。如圖10所示為驗證現(xiàn)場。圖10 (a)中車隊在穩(wěn)定運行，如圖11 (a)上位機顯示的一樣。圖10 (b)中follower1和leader的車間距明顯變大，這時上位機發(fā)出警告，并隔離出了具體的故障，如圖11 (b)所示。

圖7 ξ0的故障隔離Fig.7 Fault isolation of ξ0

圖8 車間距監(jiān)測(故障)Fig.8 Vehicle distance monitoring (fault)

圖10 實物驗證Fig.10 Physical verification

圖11 實物驗證結(jié)果Fig.11 The results of physical verification

4 結(jié)論

基于空間幾何理論和結(jié)構(gòu)分析法對車隊進行了故障建模分析，并且把故障定義為系統(tǒng)故障和組元故障兩種類型。為了應對傳感器的誤差和外界干擾，采用了自適應的閾值法對殘差進行評估。實驗結(jié)果表明，提出的方法可以對車隊進行簡單有效的故障檢測與隔離。本研究針對的是穩(wěn)定不變的車隊，即平穩(wěn)跟車。對于車隊的其它狀態(tài)，都會引起車間距的大幅變化，在本研究中會當成故障進行處理。后續(xù)將對算法進行改進，使其適用性得到提高。

[1]王彬.直面無人駕駛車倫理與現(xiàn)實的沖突[N/OL].中國質(zhì)量報,2016-10-24(004).http://epaper.cqn.com.cn/html/2016-10/24/content_73671.htm?div=-1.

[2]周東華,葉銀忠.現(xiàn)代故障診斷與容錯控制[M].北京:清華大學出版社,2000.

[3]MONTERIU A,ASTHANA P,VALAVANIS K,et al.Experimental validation of a real-time model-based sensor fault detection and isolation system for unmanned ground vehicles[C]//2006 Mediterranean Conference on Control and Automation,2006:1-8.

[4]MONTERIU A,ASTHANA P,VALAVANIS K,et al.Model-based sensor fault detection and isolation system for unmanned ground vehicles:experimental validation (part II)[C]// IEEE International Conference on Robotics and Automation.2007:2744-2751.

[5]FOURLAS G K,KARRAS G C,et al.Sensors fault diagnosis in autonomous mobile robots using observer-Based technique[C]// IEEE International Conference on Control,Automation and Robotics,2015:49-54.

[6]FOURLAS G K,KARRAS G C,et al.Model based actuator fault diagnosis for a mobile robot[C]// IEEE International Conference on Industrial Technology,2014:79-84.

[7]FOURLAS G K.On the application of structural analysis to fault diagnosis of a mobile robot[C]// IEEE International Conference on Robotics and Biomimetics IEEE,2015:259-264.

[8]FOURLAS K.Fault detection approach for a 4-wheel skid steering mobile robot[C]// IEEE International Conference on Industrial Technology，2013:64-68.

[9]LIU Y,XU B,GAO H.Cooperative braking control for a platoon of vehicles under constraint with target stopping positions[C]// Chinese Control Conference.2016:9282-9287.

[10]YUE W,WANG L,GUO G.Event-triggered platoon control of vehicles with time-varying delay and probabilistic faults[J].Mechanical Systems & Signal Processing,2017,87:96-117.

[11]侯彥東,陳志國,湯天浩.多傳感器故障檢測與隔離算法[J].化工學報,2010,61(8):2008-2014. HOU Yandong,CHEN Zhiguo,TANG Tianhao.Multi-sensor fault detection and isolation algorithm[J].CIESC Journal,2010,61(8):2008-2014.

[12]侯彥東,文成林,陳志國.多傳感器故障檢測與隔離的殘差產(chǎn)生器設計方法研究[J].電子學報,2011,39(2):429-434. HOU Yandong,WEN Chenlin,CHEN Zhiguo.Designing method of residual generator for multi-sensor fault detection and isolation[J].ACTA Electronica Sinica,2011,39(2):429-434.

[13]MERZOUKI R,CONRARD B,KUMAR P,et al.Model based tracking control using Jerky behavior in platoon of vehicles[C]// Control Conference，2013:3488-3493.

[14]MANH T N,XUAN M P,DOAN P N,et al.Tracking control for mobile robots with uncertain parameters based on model reference adaptive control[C]// International Conference on Control,Automation and Information Sciences,2013:18-23.

[15]PATTON R J,CHEN J.Advances in fault diagnosis using analytical redundancy[C]// IEEE Xplore,1993:6/1-612.

[16]BASSEVILLE B M E,BASSEVILLE M,NIKIFOROW I V.Detection of abrupt changes:Theory and application[C]// Englewood Cliffs,Prentice Hall:Information & System Sciences Series,1993:326-327.

[17]GUSTAFSSON F.The marginalized likelihood ratio test for detecting abrupt changes[J].IEEE Transactions on Automatic Control,2010,41(1):66-78.

(責任編輯：李 磊)

Model-based Sensor Fault Detection and Isolation for Vehicles Platoon

WANG Gaochao1, HOU Yandong1, LI Wei2, ZHOU Yi2

(1. Institute of Image Processing and Pattern Recognition, Henan University, Kaifeng , Henan 475004, China;2. International Joint Research Laboratory for Cooperative Vehicular Networks of Henan, Kaifeng, Henan 475004, China)

In view of the fault detection and isolation (FDI) of vehicles platoon, a FDI system model based on vehicles platoon was established and a two-level fault diagnosis architecture was proposed. A mathematical model of the platoon based on the distance between vehicles was first set up. Meanwhile, the state space model of the platoon was constructed and the residual generator was designed with the space geometry method. In order to design the residual generation model of the platoon, the structure analysis of the platoon and the single vehicle was made and the virtual force analysis was introduced. Both the sensitivity of the FDI system to the residual and the robustness of disturbance were enhanced by using the adaptive threshold method..In order to promote the information perception ability of the vehicle itself and the platoon, the intelligent vehicles (Autonomous Mobile Robots) were equipped with sensors such as infrared distance meters, odometers, and incremental optical encoders. The experimental results show that the fault diagnosis architecture and method proposed in this paper are reliable.

FDI; vehicles platoon; structure analysis; virtual force analysis; residual generation

2017-01-11

國家自然科學基金項目(61374134，61304132)；河南省自然科學基金項目(162300410030)

王高超(1989—)，男，河南周口人，碩士研究生，主要研究領域為故障診斷. 周 毅(1981—)，男，河南信陽人，副教授，博士，主要研究領域為車聯(lián)網(wǎng)技術(shù)、寬帶移動通信、信道測試與建模、車載嵌入式系統(tǒng)等，本文通信作者.E-mail：zy@vip.henu.edu.cn

TN929.5

A

1672-3767(2017)04-0051-09

10.16452/j.cnki.sdkjzk.2017.04.008