王新海， 孫培祿， 鄭 銳

（1.運(yùn)城學(xué)院機(jī)電工程系， 山西 運(yùn)城 044000； 2.西安翔迅科技有限責(zé)任公司， 陜西 西安 710000）

0 引言

航空業(yè)是制造業(yè)的集大成行業(yè)， 是我國(guó)制造業(yè)水平的直接體現(xiàn)，也是軍民融合戰(zhàn)略中的核心領(lǐng)域。對(duì)于航空零件制造過(guò)程來(lái)說(shuō)， 由于其異形空間大尺寸與所選材料的高強(qiáng)超硬高韌等特性，使得其加工過(guò)程極為復(fù)雜，需要多道工序才能達(dá)到工程質(zhì)量的要求。在加工過(guò)程中，質(zhì)量又受到多個(gè)影響因素的共同作用，且過(guò)程參數(shù)多變（它們受到被加工件的影響而改變），使得任何一個(gè)零件和工序的質(zhì)量對(duì)最終產(chǎn)品的質(zhì)量都有直接影響， 工序質(zhì)量和過(guò)程因素的復(fù)雜性使得產(chǎn)品質(zhì)量難以控制[1]。這種復(fù)雜性也容易導(dǎo)致樣本數(shù)據(jù)不足， 使得基于統(tǒng)計(jì)的質(zhì)量控制方法適用性受到限制[2]。而在實(shí)際的制造過(guò)程中，對(duì)某些關(guān)鍵零件的質(zhì)量進(jìn)行合理的監(jiān)控和預(yù)測(cè)，可以起到保證最終產(chǎn)品質(zhì)量，降低生產(chǎn)成本，提高生產(chǎn)效率的作用。 因此，從質(zhì)量信息統(tǒng)計(jì)、過(guò)程質(zhì)量控制、加工誤差預(yù)測(cè)等方面進(jìn)行監(jiān)控，成為了解決航空關(guān)鍵零件質(zhì)量控制問(wèn)題的有效手段。

航空零件質(zhì)量控制的前提是質(zhì)量關(guān)聯(lián)因素診斷和質(zhì)量預(yù)測(cè)，從最早的統(tǒng)計(jì)方法，到小樣本的質(zhì)量控制，再到智能計(jì)算興起之后的智能預(yù)測(cè)等。 在上述的發(fā)展過(guò)程中，基于人工智能技術(shù)的智能預(yù)測(cè)方法憑借其智能化、 自動(dòng)化等特點(diǎn)在該領(lǐng)域得到了廣泛的應(yīng)用。 如陳冰等（2009）利用尺寸關(guān)聯(lián)和偏最小二乘回歸方法分析了多工序質(zhì)量，構(gòu)建了尺寸鏈的關(guān)聯(lián)工序矩陣，給出了一種工序關(guān)聯(lián)檢索算法， 解決了工藝工程中自變量之間存在多重相關(guān)的問(wèn)題，診斷出了多工序質(zhì)量的影響因素集[3]。 Chen et al.（2006）基于“兩種質(zhì)量”概念，在考慮質(zhì)量損失模型的基礎(chǔ)上，建立了一套前工序和后續(xù)工序間的質(zhì)量傳遞關(guān)系[4]。然而，這些研究大部分聚焦于工序關(guān)聯(lián)關(guān)系間的研究，并未將這種關(guān)聯(lián)關(guān)系深入應(yīng)用到加工過(guò)程誤差預(yù)測(cè)中去。董華等（2007）通過(guò)隸屬度函數(shù)對(duì)樣本進(jìn)行模糊化，實(shí)現(xiàn)歷史數(shù)據(jù)的 “重近輕遠(yuǎn)” 性， 利用模糊支持向量機(jī)技術(shù)（FLS-SVM）建立了小批量生產(chǎn)過(guò)程的智能預(yù)測(cè)模型[5]。吳德會(huì)（2008）提出一種動(dòng)態(tài)指數(shù)平滑預(yù)測(cè)模型，以預(yù)測(cè)效果評(píng)價(jià)函數(shù)為優(yōu)化目標(biāo)，采用梯度法對(duì)其進(jìn)行連續(xù)更新，進(jìn)而使模型能隨著生產(chǎn)過(guò)程不斷優(yōu)化[6]。 劉渤海等（2010）將人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)（SVM）回歸模型引入質(zhì)量數(shù)據(jù)預(yù)測(cè)領(lǐng)域， 證明人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)回歸模型的擬合精度較高，泛函能力較強(qiáng)，可作為質(zhì)量數(shù)據(jù)的預(yù)測(cè)方法[7]。 張炎亮等（2016）將主成分分析（PCA）與支持向量機(jī)（SVM）結(jié)合，提高了多品種小批量產(chǎn)品質(zhì)量預(yù)測(cè)的準(zhǔn)確率和穩(wěn)定性[8]。 而在這些預(yù)測(cè)模型的建立中，需要具備一定數(shù)量的先驗(yàn)知識(shí)， 對(duì)于加工過(guò)程的智能預(yù)測(cè)實(shí)現(xiàn)不利， 且沒(méi)有考慮到對(duì)誤差預(yù)測(cè)無(wú)影響因素的約簡(jiǎn)，使得加工過(guò)程誤差預(yù)測(cè)變得復(fù)雜。 因此，在考慮各類復(fù)雜因素的基礎(chǔ)上，尋求一種既能進(jìn)行加工過(guò)程診斷，確定關(guān)聯(lián)要素和工序， 又能進(jìn)行高精度誤差預(yù)測(cè)的綜合方法成為了迫切需要解決的問(wèn)題。

針對(duì)航空零件質(zhì)量特征預(yù)測(cè)問(wèn)題，本文提出了一種模糊粗糙集（Fuzzy Rough Sets，F(xiàn)RS）和灰狼算法（Grey Wolf Optimization，GWO）優(yōu)化的支持向量機(jī)方法（Support Vector Machine，SVM）相結(jié)合的兩階段預(yù)測(cè)方法。 首先建立影響某關(guān)鍵質(zhì)量特性的條件屬性集合， 包括前道工序的質(zhì)量特征，機(jī)床的動(dòng)態(tài)服役性能和刀具夾具的精度狀態(tài)[9]等；然后通過(guò)模糊粗糙集方法進(jìn)行屬性約簡(jiǎn)， 得到實(shí)際影響質(zhì)量特征及誤差的關(guān)鍵條件屬性集合； 然后通過(guò)GWOSVM 方法對(duì)樣本集合進(jìn)行訓(xùn)練， 得到質(zhì)量特征及誤差預(yù)測(cè)模型，從而實(shí)現(xiàn)加工過(guò)程的質(zhì)量預(yù)測(cè)。

1 兩階段預(yù)測(cè)方法框架

航空零件的質(zhì)量預(yù)測(cè)需要首先獲取影響零件質(zhì)量的因素，然后對(duì)相關(guān)因素進(jìn)行建模分析，根據(jù)歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)，因此本文提出了一種兩階段的預(yù)測(cè)方法。第一階段通過(guò)RFS 來(lái)獲得影響零件質(zhì)量的因素， 第二階段通過(guò)GWO-SVM 來(lái)預(yù)測(cè)質(zhì)量，如圖1 所示。

因?yàn)楹娇樟慵臋C(jī)加工系統(tǒng)中， 產(chǎn)品質(zhì)量主要由4M1E（人、機(jī)、料、法、環(huán)）中的一個(gè)或多個(gè)因素決定，具體包括：之前工序的質(zhì)量特征，該質(zhì)量特征對(duì)應(yīng)的4M1E 因素（人、機(jī)、料、法、環(huán)），以及機(jī)床的動(dòng)態(tài)服役性能和刀具、夾具的精度狀態(tài)。

所以根據(jù)已有的各工序質(zhì)量特征和加工要素歷史統(tǒng)計(jì)數(shù)據(jù)， 構(gòu)建決策表， 通過(guò)粗糙集理論進(jìn)行影響程度計(jì)算， 約簡(jiǎn)對(duì)于待預(yù)測(cè)質(zhì)量特征沒(méi)有影響或影響很小的屬性，得到實(shí)際影響特性發(fā)生變化的關(guān)鍵條件屬性集合。

在確定了質(zhì)量預(yù)測(cè)的需求樣本后， 通過(guò)灰狼算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，然后利用優(yōu)化后的SVM 對(duì)樣本集合進(jìn)行訓(xùn)練，得到加工誤差預(yù)測(cè)模型，再將待預(yù)測(cè)質(zhì)量特征所在加工過(guò)程中的關(guān)鍵條件屬性值作為預(yù)測(cè)模型的輸入進(jìn)行預(yù)測(cè)，得到最終的預(yù)測(cè)值。

圖1 兩階段質(zhì)量預(yù)測(cè)算法框架

2 關(guān)鍵條件屬性粗糙集診斷

粗糙集理論是一種新型的處理模糊和不確定知識(shí)的數(shù)學(xué)工具， 其特點(diǎn)是不需要預(yù)先給定某些特征和屬性的數(shù)學(xué)描述，如統(tǒng)計(jì)學(xué)中的概率分布，而是直接從給定問(wèn)題的描述集合出發(fā)， 通過(guò)不可分辨關(guān)系和不可分辨類來(lái)確定給定問(wèn)題的近似域， 采用確定方法計(jì)算并描述出數(shù)據(jù)的不確定性以及過(guò)程與結(jié)果之間的隸屬度關(guān)系， 即便在數(shù)據(jù)相當(dāng)少的情況下也可以最大限度地導(dǎo)出診斷結(jié)果，尤其適合航空零件的質(zhì)量診斷[10]。 因此，本文采用粗糙集理論進(jìn)行質(zhì)量診斷， 以得到質(zhì)量特征和過(guò)程參數(shù)之間的關(guān)聯(lián)規(guī)則。

2.2 關(guān)鍵條件屬性粗糙集診斷過(guò)程

2.2.1 屬性建模，構(gòu)建決策表

整理影響質(zhì)量的相關(guān)數(shù)據(jù)，定義屬性集，屬性集應(yīng)能表征系統(tǒng)中影響質(zhì)量的全部特征。 把條件特征作為決策表的條件屬性，把結(jié)果數(shù)據(jù)的特征作為決策屬性[12]。

在航空零件的生產(chǎn)過(guò)程中， 影響加工誤差的因素可分為兩類：

（1）包括對(duì)加工質(zhì)量輸出有較大影響的4M1E 因素，以及按照文獻(xiàn)[7]中定義的機(jī)床、刀具、夾具的動(dòng)態(tài)性能，這些屬性構(gòu)成了加工要素集合P={人員O，材料M，加工方法W，環(huán)境E，機(jī)床誤差εM，刀具誤差εT，夾具誤差εF}。其中，環(huán)境E 由于整條生產(chǎn)線大多處于相同的環(huán)境下，故可將環(huán)境看成是一個(gè)共同的因素而不必給予特殊的考慮。 料即原材料、半成品，它來(lái)自上道工序，故與工序的工作質(zhì)量無(wú)關(guān)。由于航空零件的工藝路線比較確定，故加工方法W 都一致，不再列入屬性集中。 由此，可以得到加工要素集合P={人員O，機(jī)床誤差εM，刀具誤差εT，夾具誤差εF}。

（2）由于工序間存在關(guān)聯(lián)關(guān)系，需要考慮前序加工質(zhì)量對(duì)質(zhì)量特征的影響， 所以將前面完成的關(guān)聯(lián)工序的質(zhì)量特征加工質(zhì)量考慮進(jìn)來(lái)。這樣，可以得到前序質(zhì)量特征因素集合H={特征1 誤差H1，特征2 誤差H2，…，特征n誤差Hn}（n 為關(guān)聯(lián)工序中對(duì)該質(zhì)量特征有影響的質(zhì)量特征數(shù)目）。

綜上， 條件屬性集由表征加工要素和前序質(zhì)量特征的屬性組成，即條件屬性集C={P，H}={人員O，機(jī)床誤差εM，刀具誤差εT，夾具誤差εF，特征1 誤差H1，特征2 誤差H2，…，特征n 誤差Hn}。決策屬性D 定義為工序某特征的加工誤差。

2.2.2 數(shù)據(jù)變換處理

因?yàn)樵夹畔⒂械目赡苁嵌ㄐ悦枋龅模?有的可能是不完整數(shù)據(jù)，有的可能是連續(xù)函數(shù)值，因此屬性值全部要離散歸一化，以便決策表的表達(dá)與簡(jiǎn)化。對(duì)于同一屬性的離散，可以按照最大值與最小值的比進(jìn)行等比劃分。對(duì)于決策屬性，離散的程度不應(yīng)過(guò)大，否則會(huì)產(chǎn)生冗余的關(guān)鍵條件屬性，離散程度也不能太小，否則會(huì)失去有價(jià)值的條件屬性，對(duì)于條件屬性的離散，則具有相反的規(guī)律。

2.2.3 影響程度計(jì)算

首先，計(jì)算原始決策表的分類質(zhì)量。然后，去掉某一待考察條件屬性， 計(jì)算剩下影響因素對(duì)決策條件的分類質(zhì)量，并用原始決策表的分類質(zhì)量減去此分類質(zhì)量，將兩者的差定義為影響因子γXi（D），這里的Xi表示待考察條件屬性，D 表示決策屬性，若影響因子越大，則說(shuō)明待考察條件屬性對(duì)決策屬性影響程度越大，反之，影響程度越小。

2.2.4 約簡(jiǎn)

去掉無(wú)影響或影響程度很小的條件屬性， 得到保證分類正確的最小條件屬性集， 這也就得到了關(guān)鍵條件屬性的種類。

在考慮前道各工序?qū)|(zhì)量特征的影響時(shí)， 可首先進(jìn)行判斷，引起質(zhì)量特征的變化是否有前道工序的作用，若沒(méi)有，則只需考慮本道工序加工要素的影響，以提高決策表分類質(zhì)量的計(jì)算效率。 例如，對(duì)于決策表S=（U，{Yk，Xi}∪D），Yk為前道工序質(zhì)量特征的集合，Xi為本道工序加工要素的集合。計(jì)算γYk（D）=r{Yk，Xi}（D）-rXi（D），γXi（D）=r{Yk，Xi}（D）-rYk（D），若γYk（D）=0 而γXi（D）≠0，則說(shuō)明前序中沒(méi)有對(duì)待考察質(zhì)量特征有影響的質(zhì)量特征， 其變化僅由自身所在工序的加工要素決定。 若γYk（D）=0 而γXi（D）≠0，則說(shuō)明前序中存在影響因素， 而本道工序加工要素對(duì)待考察質(zhì)量特征沒(méi)有影響。若γYk（D）≠0 且γXi（D）≠0，則說(shuō)明之前工序中的質(zhì)量特征和本道工序加工要素都存在影響。整個(gè)粗糙集理論應(yīng)用于質(zhì)量診斷的流程如圖2 所示。

圖2 粗糙集診斷過(guò)程流程圖

3 基于GWO-SVM 的質(zhì)量預(yù)測(cè)

本文是針對(duì)航空小批量加工的質(zhì)量預(yù)測(cè)， 可獲得的歷史數(shù)據(jù)比較少，需要算法具有較強(qiáng)的泛化能力。支持向量機(jī)（Support vector machine）較神經(jīng)網(wǎng)絡(luò)有更強(qiáng)的泛化能力， 需要的樣本也比較少， 另外它的學(xué)習(xí)效率也比較高，所以本文采用支持向量機(jī)進(jìn)行質(zhì)量預(yù)測(cè)。

SVM 方法是將原始訓(xùn)練數(shù)據(jù)從原始模式空間經(jīng)過(guò)核函數(shù)的非線性變換，映射到高維特征空間，將非線性問(wèn)題轉(zhuǎn)化為某個(gè)高維空間中的線性問(wèn)題， 然后在高維特征空間中，尋找最優(yōu)分類超平面，然后進(jìn)行最優(yōu)問(wèn)題求解，構(gòu)造最終最優(yōu)判別函數(shù)，SVM 實(shí)現(xiàn)回歸預(yù)測(cè)便是建立在此基礎(chǔ)上的。

然而，在建立預(yù)測(cè)模型之前，首先需要分析確定影響加工質(zhì)量的特征參量， 也就是預(yù)測(cè)屬性， 如機(jī)床主軸振動(dòng)、刀具誤差、夾具誤差等，而之前粗糙集診斷得到的關(guān)鍵條件屬性集合，恰恰確定了質(zhì)量預(yù)測(cè)時(shí)所關(guān)心的屬性種類，由此便確定了質(zhì)量預(yù)測(cè)需求樣本中的數(shù)據(jù)種類，通過(guò)對(duì)質(zhì)量數(shù)據(jù)進(jìn)行篩選得到這些數(shù)據(jù)，再使用支持向量機(jī)進(jìn)行訓(xùn)練，得到加工誤差預(yù)測(cè)模型，再將待預(yù)測(cè)質(zhì)量特性所在加工過(guò)程中的關(guān)鍵條件屬性值集合作為預(yù)測(cè)模型的輸入進(jìn)行預(yù)測(cè)，得到最終的預(yù)測(cè)值。 質(zhì)量預(yù)測(cè)過(guò)程流程[13]如圖3 所示。

圖3 SVM 預(yù)測(cè)過(guò)程流程圖

4 飛機(jī)起落架質(zhì)量預(yù)測(cè)案例分析

本文以飛機(jī)起落架上扭力臂零件的質(zhì)量預(yù)測(cè)為例進(jìn)行分析。 飛機(jī)扭力臂零件通過(guò)實(shí)驗(yàn)室的EMCO 等數(shù)控銑床加工完成，如圖4 所示。需要預(yù)測(cè)的質(zhì)量特征是孔F 的孔徑誤差以及其與孔E 的同軸度誤差。

圖4 飛機(jī)起落架上扭力臂零件

4.1 關(guān)鍵條件屬性粗糙集診斷

待預(yù)測(cè)的質(zhì)量特征構(gòu)成了粗糙集診斷中的決策屬性，而條件屬性包括之前四道工序的四個(gè)質(zhì)量特征，分別為長(zhǎng)度尺寸A、B、C 的誤差和孔E 的孔徑誤差以及加工過(guò)程中機(jī)床、刀具和夾具等加工要素的誤差量。根據(jù)這些數(shù)據(jù)建立決策表，如表1 所示。

4.1.1 孔F 孔徑誤差的關(guān)鍵條件屬性診斷

影響F 孔徑的條件屬性集CF={PF，HF}={機(jī)床誤差εMF，刀具誤差εTF，夾具誤差εFF，特征A 誤差HA，特征B 誤差HB，特征C 誤差HC}。 決策屬性D 為F 孔徑誤差εF，即D={εF}。

由決策表可知

U·Ind（R）={{1，2，3，4，5}，{6，7，8，9，10}，{11，12}}

U·Ind（C）={{1}，{2}，{3}，{4}，{5}，{6}，{7}，{8}，{9}，{10}，{11}，{12}，}

根據(jù)定義

POSC（εF）={{1}，{2}，{3}，{4}，{5}，{6}，{7}，{8}，{9}，{10}，{11}，{12}，}

計(jì)算原始決策表的分類質(zhì)量

計(jì)算結(jié)果表明， 前道工序的加工質(zhì)量對(duì)F 的孔徑誤差沒(méi)有影響，本道工序的加工要素中，機(jī)床、夾具及刀具的誤差都是主要影響因素，且?jiàn)A具誤差影響最大，其次是刀具和機(jī)床。 因此，有效控制夾具、刀具及機(jī)床的誤差可以保證孔F 的加工質(zhì)量。

4.1.2 孔F 與孔E 同軸度誤差的關(guān)鍵條件屬性診斷

條件屬性集C={機(jī)床誤差εMF，刀具誤差εTF，夾具誤差εFF，長(zhǎng)度A 特征誤差HA，長(zhǎng)度B 特征誤差HB，長(zhǎng)度C特征誤差HC，孔徑E 誤差εE}。 決策屬性D={ε}。

首先計(jì)算原始決策表的分類質(zhì)量

令C1={εMF，εFF，εTF}，C2={HA，HB，HC，εE}，可分別計(jì)算出

前序?qū)Y(jié)果D 的影響：

γC1=rC（D）-rC1（D）=3/4≠0

本工序加工個(gè)要素對(duì)結(jié)果D 的影響：

γC2=rC（D）-rC2（D）=1/3≠0

結(jié)果表明前道工序加工質(zhì)量和本工序加工要素的誤差都會(huì)影響同軸度的誤差， 且前序加工質(zhì)量的影響程度大于本工序要素誤差。 接下來(lái)分別計(jì)算七個(gè)影響因素的重要性，按照公式，可分別計(jì)算出機(jī)床、夾具、刀具、長(zhǎng)度A、長(zhǎng)度B、長(zhǎng)度C 及孔徑E 對(duì)同軸度的影響大小，計(jì)算結(jié)果如下：

計(jì)算結(jié)果表明，本道工序的加工要素中，夾具及刀具的誤差是主要影響因素，且二者的影響程度一樣大；前序質(zhì)量特征的加工質(zhì)量中，長(zhǎng)度A、B、C 的加工誤差均對(duì)同軸度產(chǎn)生影響，且A 的加工誤差影響大于B 與C，孔E 的孔徑誤差對(duì)同軸度無(wú)影響。因此，必須保證前道工序的加工質(zhì)量，并且控制本工序刀具及夾具的誤差，才可以保證孔E 與F 的同軸度滿足要求。

4.2 基于SVM 的質(zhì)量預(yù)測(cè)

在對(duì)飛機(jī)起落架質(zhì)量進(jìn)行預(yù)測(cè)時(shí)， 選用支持向量回歸機(jī)，核函數(shù)選用徑向基核函數(shù)，徑向基核函數(shù)的三個(gè)參數(shù)C、γ、ε 經(jīng)過(guò)修改優(yōu)化后，分別設(shè)為1.2、2.8、0.1。 以表1中前12 個(gè)零件的數(shù)據(jù)為訓(xùn)練樣本，得到預(yù)測(cè)模型，再將第13 個(gè)零件的前序質(zhì)量特征誤差和加工要素誤差作為輸入，得到第13 個(gè)零件的孔F 孔徑和同軸度的誤差。 根據(jù)粗糙集診斷得到的關(guān)鍵條件屬性， 對(duì)樣本進(jìn)行篩選前后的數(shù)據(jù)，都被拿來(lái)進(jìn)行預(yù)測(cè)，以考察刪去冗余條件屬性是否會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生影響，結(jié)果如表2 所示。

表2 飛機(jī)起落架質(zhì)量預(yù)測(cè)結(jié)果

根據(jù)預(yù)測(cè)結(jié)果，可以發(fā)現(xiàn)，SVM 預(yù)測(cè)方法對(duì)小子樣具有較好的預(yù)測(cè)性能， 而且樣本篩選前后的預(yù)測(cè)結(jié)果差距很小，證明了利用粗糙集對(duì)無(wú)影響屬性進(jìn)行約簡(jiǎn)，不會(huì)對(duì)數(shù)據(jù)預(yù)測(cè)產(chǎn)生影響，說(shuō)明將粗糙集理論與SVM 方法相結(jié)合實(shí)現(xiàn)對(duì)加工質(zhì)量的預(yù)測(cè)是可行的， 而且此方法不需要對(duì)數(shù)據(jù)附加先驗(yàn)知識(shí)，可智能完成診斷和預(yù)測(cè)，具有一定的通用性。

5 結(jié)論

利用粗糙集理論分析了前序質(zhì)量特征，4M1E 因素、機(jī)床的動(dòng)態(tài)服役性能以及刀具和夾具的精度狀態(tài)對(duì)飛機(jī)起落架零件加工質(zhì)量特征的影響程度， 有效的發(fā)現(xiàn)了質(zhì)量問(wèn)題的所在，明確了上、下工序的責(zé)任。

根據(jù)粗糙集理論獲得的關(guān)鍵條件屬性， 對(duì)樣本進(jìn)行篩選， 以此樣本訓(xùn)練得到的預(yù)測(cè)模型所產(chǎn)生的預(yù)測(cè)結(jié)果滿足精度要求，與篩選前的預(yù)測(cè)結(jié)果也較為一致，說(shuō)明將粗糙集理論與SVM 預(yù)測(cè)相結(jié)合的方法是可行的。

提出的基于粗糙集診斷與支持向量機(jī)相結(jié)合的加工質(zhì)量智能預(yù)測(cè)方法， 不需要對(duì)數(shù)據(jù)附加任何先驗(yàn)知識(shí)，就可以實(shí)現(xiàn)加工質(zhì)量的自動(dòng)診斷和預(yù)測(cè)，具有一定的通用性。