基于HHT和SVM的纖維拉伸斷裂聲發射信號的特征提取及分類研究

申炎仃，林蘭天，張陸佳，高 琮，曹晚霞

(上海工程技術大學服裝學院，上海 201620)

?

基于HHT和SVM的纖維拉伸斷裂聲發射信號的特征提取及分類研究

申炎仃，林蘭天，張陸佳，高 琮，曹晚霞

(上海工程技術大學服裝學院，上海 201620)

為了研究纖維拉伸斷裂聲發射信號的特征提取及分類方法，采用聲發射技術采集了芳綸1313和阻燃黏膠2種纖維的拉伸斷裂的聲發射信號。通過小波變換，對采集的2種纖維的聲發射信號進行消噪預處理以去除部分噪聲，應用希爾伯特-黃變換對2種纖維去噪后的信號進行特征頻率的提取，運用最小二乘支持向量機(LSSVM)對2種纖維的特征頻率進行分類識別。結果表明：小波去噪方法可以去除信號的部分噪聲；希爾伯特時頻譜可以一定程度上反映2種纖維材料在時間維度上的斷裂情況，邊際譜上可以提取2種纖維材料聲發射信號的特征頻率；LSSVM能夠對2種纖維材料拉伸斷裂的特征頻率分類識別，芳綸1313的識別率為40%，阻燃黏膠的識別率為80%，總的識別率為60%。

纖維檢測技術；HHT；SVM；特征頻率；聲發射技術；拉伸斷裂

關于紗線拉伸斷裂機理的研究多集中在對紗線的力學分析上，研究者多通過模型假設來簡化紗線和織物結構，構建紗線或織物的拉伸性能預測模型，這種方法使預測精度受限。

聲發射(acoustic emission，AE)也稱為應力波發射，指材料局部因能量的快速釋放而發出瞬態彈性波的現象。聲發射技術是借助聲發射檢測系統對聲發射信號進行采集、記錄、分析并對聲發射源的強度、位置、發生條件等性質進行評價的一種技術[1]。聲發射檢測方法具有信號響應時間短、信息量大、可實時顯示、檢測設備安裝操作簡便等優勢[2]，近幾十年來發展迅速，已被廣泛應用于諸多領域。

信號特征提取是從信號中獲取信息的過程，其方法是信號處理的研究重點[3]。材料拉伸斷裂的聲發射信號是一種非線性、非平穩的時域信號，希爾伯特-黃變換(HHT)具有較高的解析分辨率，適用于這類信號的處理，在材料拉伸斷裂研究中的應用在迅速擴大[4-6]。

采用聲發射技術采集了2種纖維的纖維束拉伸的聲發射信號，通過小波對信號去噪、HHT對去噪后的信號提取特征、SVM對特征分類，為多組分混紡紗中各組分纖維的斷裂過程分析作準備。

1 實驗設計

1.1 實驗材料與儀器

圖1 纖維拉伸聲發射信號采集平臺簡圖Fig.1 Platform diagram of AE signal’s acquisition of fibers’ drawing

實驗材料：芳綸1313絲束和阻燃黏膠絲束。

實驗儀器組成：纖維拉伸聲發射信號采集平臺由YG065C型電子織物強力機、PVDF傳感器、數據采集儀和計算機構成，見圖1。

1.2 實驗方案

1.2.1 實驗方法

PVDF傳感器背面貼3M軟磁鐵， 以信號傳輸線與信號采集卡、信號采集軟件相連；傳感器以一套夾持裝置懸空置于強力機上下夾頭中間位置，且與強力機上下夾頭處于同一平面。 實驗樣本兩端夾持于強力機上下夾頭之上，微調傳感器的前后位置，使之與樣本纖維表面保持輕微接觸。取一薄鐵片(尺寸與傳感器相匹配)涂上適量的凡士林，貼在樣本正面，使樣本纖維與傳感器充分接觸。

1.2.2 實驗條件

溫度為t=(25±2) ℃，相對濕度為(65±2)%。實驗前將試驗樣本置于標準條件下放置24 h，以使樣本達到平衡回潮率。

1.2.3 參數設置

電子織物強力機：選擇定速拉伸功能，拉伸速度為250 mm/min，拉伸隔距為70 mm，每組試驗次數為10次。

數據采集軟件參數：采樣頻率為10 MHz/s，采樣點數為2×106個，采樣啟動閾值為10 mV。

1.3 實驗過程

為保證纖維拉伸聲發射信號的準確采集，分別在空載(即不夾持樣本)的情況下和夾持樣本的情況下進行拉伸，發現有明顯針尖狀的信號為纖維拉伸的聲發射信號。

對2種纖維絲束分別標記為A,B，每種纖維絲束各進行10次定速拉伸，采集的信號分別記為A-1到A-10，B-1到B-10。

2 聲發射信號的預處理

對芳綸1313絲束和黏膠絲束進行拉伸實驗，采集到的聲發射信號中夾雜有大量的噪聲。為更準確地對纖維拉伸的聲發射信號進行分析，必須對采集到的信號進行降噪處理。本研究采用小波降噪，影響小波降噪效果的是小波基和分解層數，常用的小波基為sym小波基和dbN小波基。采用的小波的分解層數過少可能導致去除噪聲不干凈，影響后續的進一步處理；采用的分解層數過多則可能導致將部分特征信號作為噪聲處理的結果。合適的分解層數為5～11。

本研究選擇小波包閾值降噪方法，選擇sym6小波基，小波層數選擇為5層。以Matlab為平臺編制小波降噪程序，對2種纖維絲束拉伸的聲發射信號進行降噪處理，小波降噪前后的對比圖見圖2和圖3。

圖2 芳綸1313絲束拉伸的聲發射的原始信號和降噪后信號Fig.2 Original signals and de-noised signals of AE signals of fibers tow’s drawing of Aramid 1313

圖3 黏膠絲束拉伸聲發射的原始信號和降噪后的信號Fig.3 Original signals and de-noised signals of AE signals of fibers tow’s drawing of viscose

由圖2和圖3可見，經小波降噪后，纖維束拉伸斷裂的聲發射信號中噪聲雜刺明顯少了，曲線平滑了許多，表明小波降噪有效果。

3 基于HHT的纖維拉伸斷裂聲發射信號的特征提取

3.1 信號的截取

采集到的聲發射信號數據長度為2×106，其中纖維斷裂的聲發射信號只占很少部分，大部分噪聲信號(小波去噪僅去掉了一部分噪聲)的存在會一定程度上干擾后續的特征提取，同時會增加處理時間，因此可以對采集到的信號進行截取，對有效信號進行分析。

在確定斷裂區信號的數據長度時，以Matlab軟件為平臺編制相關程序，讀取信號數據并繪制圖形。通過分析發現，不僅不同種類的纖維，纖維斷裂信號的時域長度不同，即使同種纖維，不同樣本的纖維斷裂信號的時域長度也有差異。經對2種纖維束的樣本信號進行統計，發現一般纖維束斷裂信號中數據點數最多不超過6 000點，故確定纖維斷裂時域信號截取長度包含的采集點數為6 000點。

在確定截取信號起始點和終止點時，一方面考慮到截取的信號應包含纖維集中斷裂時刻，其前后附近蘊含的纖維斷裂信息量最豐富；另一方面考慮到纖維在斷裂之前，由于被拉伸的纖維已經發生了結構性的變化，也含有特征信息，故確定截取的信號的區間以纖維斷裂峰值點為中心左右各取3 000點。2種纖維的拉伸斷裂聲發射信號如圖4和圖5所示。

圖4 芳綸1313的截取信號Fig.4 Intercept signals of Aramid 1313

圖5 黏膠的截取信號Fig.5 Intercept signals of viscose

3.2 HHT

時域內特征不明顯的振動信號往往在頻域內會出現明顯的特征，因此振動信號特征提取多從頻域內進行。振動信號特征提取在頻域內一般將信號分解為多個分量并計算每一個分量的特征值，以提取原始信號的特征。常用的信號分解方法包括傅里葉變換、希爾伯特-黃變換等[7]。混紡紗拉伸過程中其組分纖維的聲發射信號可以用特征頻譜表征[8]，即頻率可以表征纖維的信號特征。本研究采用HHT方法。該方法的主要步驟有2個：首先對信號進行經驗模態分解(empirical mode decomposition, 簡稱EMD)，得到有限個本征模態函數(intrinsic mode function, 簡稱IMF)；然后對分解得到的各個IMF分量進行希爾伯特變換，得出時頻平面上的能量分布譜圖，進而進行時頻譜分析[9-10]。

3.2.1 EEMD分解

EMD是HHT的核心部分。傳統EMD分解無法解決模態混疊問題，引入了正態分布白噪聲輔助分析方法的集合經驗模態分解(ensemble empirical mode decomposition,簡稱EEMD)算法具有很好的抗混分解能力[11]。

以Matlab軟件為平臺編制相關程序，對截取的信號進行EEMD分解，2種纖維的拉伸斷裂聲發射信號EEMD后的結果如圖6和圖7所示。

圖6 芳綸1313截取信號的EEMD圖Fig.6 EEMD picture of intercept signals of Aramid 1313

圖7 黏膠截取信號的EEMD圖Fig.7 EEMD picture of intercept signals of viscose

3.2.2 希爾伯特時頻譜

通過EMD，將信號分解成IMF的和，對每個IMF進行希爾伯特變換就可以獲得有意義的瞬時頻率，從而給出頻率隨時間變化的精確表達，采集的信號最終被表示為時頻平面上的能量分布，此稱為Hilbert譜，進而還可以得到邊際譜[9]。

對EEMD分解后的IMF求解瞬時頻率，可得到2種纖維拉伸斷裂聲發射信號的時頻譜。時頻譜可以表示為時間、頻率、能量三維數據構成的二維平面圖，橫坐標表示時間，縱坐標表示對應時刻的信號頻率，能量在譜圖上表現為顏色(赤橙黃綠青，對應能量由高到低，顏色越深能量越高)。由于纖維的斷裂特征表現在高能量段，故而重點關注紅色部位的頻率。分析2種纖維的時頻譜發現，對不同的纖維材料，在時頻譜兩端的頻帶上，總是存在一些相同的頻率，這是由EMD端點效應造成的虛假頻率，因此選擇從邊際譜上進行特征頻率的提取。希爾伯特時頻譜可以一定程度上反映纖維在時間維度上的斷裂情況，為后續特征頻率集合的求取提供參考。

3.2.3 邊際譜

如果把Hilbert譜對時間t進行積分，則可以得到邊際譜，其物理意義為邊際譜的幅值，表示信號在某一頻率在各個時刻的幅值之和[12]。和Fourier頻譜相比，Fourier頻譜的幅值只能反映頻率在信號中實際存在的可能性，而邊際譜的幅值則能真實反映頻率在信號中是否存在。

王醇濤等[13]進行了基于HHT邊際譜與SVM的柴油機故障診斷方法研究，以邊際譜的最大峰值和最大峰值頻率作為特征向量，用SVM分類器對柴油機的工作狀態和故障類型進行識別，發現該方法即使在小樣本情況下也能準確有效地識別柴油機氣門間隙變化和斷油故障。

賈春花[14]進行了基于HHT的果蠅振翅鳴聲特征提取及分類研究，針對鳴聲信號的邊際譜不同頻段上幅值分布的不同，提取了兩個不同品系果蠅振翅鳴聲信號的邊際譜幅值特征，運用BP神經網絡分類2個不同品系果蠅振翅鳴聲，識別率達86%以上。

以Matlab為平臺編制了邊際譜的相關程序，對EEMD后的IMF分量合成求邊際譜，芳綸1313和阻燃黏膠拉伸的聲發射信號的邊際譜如圖8和圖9所示。

圖8 芳綸1313的邊際譜Fig.8 Marginal spectrum of aramid 1313

圖9 黏膠的邊際譜Fig.9 Marginal spectrum of viscose

由圖8和圖9可見，芳綸1313和阻燃黏膠的邊際譜上，特征峰并不唯一，以邊際譜的最大峰值和最大峰值頻率作為特征向量及SVM分類器的輸入不合理，應考慮多個特征峰以及幅值的變化趨勢。因此，對某樣本纖維邊際譜上的幅值從大到小排序，取前90%的幅值對應的頻率作為該樣本的頻率集合，記作S1。纖維斷裂的頻率應在50 Hz～5 MHz(由課題組之前的研究可知)，記作S2。由圖10、圖11可見，由于EMD端點效應的存在產生了一些虛假頻率，經分析，多個樣本的希爾伯特時頻譜上虛假頻率多在1 MHz以下，故1 MHz以下的頻率記作S3。對S1，S2和S3求交集，可得該樣本的特征頻率集f。

對樣本A-1到A-10，B-1到B-10，分別進行小波降噪、EEMD分解、求邊際譜、求特征頻率集處理，可分別得到芳綸1313和阻燃黏膠的10組特征頻率集，分別記作f1-f10，f11-f20。

4 基于SVM的纖維斷裂特征頻率的智能分類

支持向量機(support vector machine，簡寫為SVM)是在統計學習理論的基礎上發展起來的一種針對分類和回歸問題的新型機器學習方法。它基于結構風險最小化原理，能有效地解決過學習問題，具有良好的推廣性、較好的分類精確性和堅實的理論基礎[15-16]。最小二乘支持向量機是將最小二乘線性系統引入到SVM中，代替傳統的SVM直接采用二次規劃方法解決分類與函數估計問題，簡化了標準支持向量機的計算復雜性，在一定程度上加速了SVM的訓練[17]。選擇不同的核函數，可以構造不同的支持向量機。目前常用的核函數有線性核函數、多項式和函數、徑向基核函數和Sigmoid核函數。徑向基核函數可以處理類標簽和屬性之間的非線性關系，計算難度較小，因此應用較為廣泛[18]。

以Matlab為平臺編制了LSSVM的相關程序，其中核函數選擇徑向基核函數，參數gam=2，sig2=2。纖維拉伸斷裂按纖維種類(芳綸1313和阻燃黏膠)分為2類，即二分類問題。通過訓練樣本建立2個兩類分類器SVM1和SVM2，分類如表1。

支持向量機在對訓練數據進行訓練時，依次經過分類器為SVM1，SVM2，在識別過程中，當SVM1分類器輸出為0，就會自動將特征向量輸入到下一個分類器。

表1 纖維拉伸斷裂分類器的分類結果

選取纖維拉伸的特征頻率集作為特征向量，并對其進行歸一化，對歸一化后的特征向量平均分為2部分：訓練樣本和測試樣本。分別對芳綸1313的特征頻率集f1-f10、阻燃黏膠的特征頻率集f11-f20進行歸一化，結果記作F1-F10，F11-F20。在F1-F10和F11-F20中隨機各抽取5組訓練樣本，分別將兩種纖維的拉伸斷裂情況進行分類。斷裂樣本用1表示，沒有正確識別或者沒有斷裂或者滑移用0表示。共得10組特征向量。

利用測試樣本對建立好的分類器進行測試。該LSSVM分類器的分類效果的評價指標為分類結果和分類識別率。測試結果如表2所示為60%。

由表2可見，所建的分類器對芳綸1313的識別率比阻燃黏膠的低，芳綸1313的識別率為40%，黏膠的識別率為80%。總的識別率為正確分類(即值為1)的樣本數與總的測試樣本數之比為60%。總的識別率不高，可能的原因有：1)實驗材料的原因。采用束纖維拉伸雖然避免了單纖維拉伸離散度大、實驗量大的缺點，但束纖維拉伸的聲發射信號中除了單根纖維的拉伸斷裂信號，還有纖維之間的摩擦等信號，在拉伸時情況比單纖維復雜的多，這可能會造成SVM的識別率低。2)EMD端點效應的原因。SVM對特征的要求比較嚴格，經邊際譜中提取的特征頻率含有因EMD端點效應產生的虛假頻率，可能會造成SVM的識別率低。3)SVM本身的原因。雖然支持向量機擁有眾多優勢，比如具有良好的泛化能力、能夠處理高維數據、具有更嚴格的理論和數學基礎等，然而作為一門新興的學科，仍舊存在很多問題，比如分類的結果受核函數、參數等的影響。本文選擇的是徑向基核函數，參數沒有經過優化，這也是造成識別率低的可能原因。

表2 LS-SVM分類效果的評價指標

5 結 論

本文主要研究了纖維拉伸聲發射信號的特征提取和分類方法，采用小波降噪的方法對2種纖維拉伸的聲發射信號進行了降噪預處理，運用HHT方法對降噪后的信號進行了特征頻率提取，利用LSSVM分類器對2種纖維的特征頻率進行了分類識別，得出如下結論：

1)采用聲發射技術可以獲得束纖維拉伸的聲發射信號，運用小波降噪方法可以去除信號的一部分噪聲。

2)經HHT分析表明，時頻譜可以從時間維度上反映纖維斷裂過程中頻率的變化情況，但因EMD的端點效應產生了虛假頻率，參考時頻譜，可以從邊際譜上提取纖維拉伸斷裂的特征頻率。

3)運用LSSVM可以對纖維拉伸斷裂的特征頻率進行分類和識別，芳綸的識別率為40%，黏膠的識別率為80%，總的識別率為60%。這為多組分混紡紗中各組分纖維的斷裂過程分析提供了可行的研究方法。

[1] 許中林, 李國祿, 董天順，等. 聲發射信號分析與處理方法研究進展[J]. 材料導報, 2014, 28(5): 56-60.

XU Zhonglin, LI Guolu, DONG Tianshun , et al. Overview on development of acoustic emission signal analysis technique and processing[J]. Materials Review, 2014, 28(5): 56-60.

[2] 焦陽, 侯潔, 李光海，等. 聲發射信號處理技術及其在滾動軸承檢測中的應用現狀[J]. 河北科技大學學報, 2013, 34(4): 313-317.

JIAO Yang, HOU Jie, LI Guanghai，et al. Acoustic emission signal processing techniques and its applications in rolling bearing test[J].Journal of Hebei University of Science and Technology, 2013, 34(4): 313-317.

[3] 孟慶豐. 信號特征提取方法與應用研究[D]. 西安：西安電子科技大學, 2006.

MENG Qingfeng. Study of Signal Feature Extraction and Applications[D]. Xi’an: Xidian University, 2006.

[4] HUANG N E , SHEN Z , LONG S R , et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society A Mathematical, 1998, 454(1971):903-995.

[5] CHANG C C, HSIAO T C, HSU H Y. Frequency range extension of spectral analysis of pulse rate variability based on Hilbert-Huang transform[J]. Medical & Biological Engineering,2014,52(4):343-351.

[6] 李孟源, 尚振東, 蔡海潮，等. 聲發射檢測及信號處理[M]. 北京: 科學出版社, 2010.

[7] 何廣堅, 邢宗義, 左成，等. 基于EMD與SVM的城軌列車滾動軸承故障診斷方法研究[J]. 鐵路計算機應用, 2015, 24(8):1-4.

HE Guangjian, XING Zongyi, ZUO Cheng , et al. Fault diagnosis method for rolling bearing of metro vehicle based on EMD and SVM [J].Railway Computer Application, 2015, 24(8):1-4.

[8] 王瑾, 林蘭天, 高琮,等. 基于核密度估計方法的滌棉混紡紗拉伸斷裂聲發射信號分析[J]. 河北科技大學學報, 2016, 37(1): 83-87.

WANG Jin, LIN Lantian, GAO Cong, et al. Analysis of acoustic emission signal of polyester/cotton yarns in the moment of tensile fracture by kernel density estimation method[J]. Journal of Hebei University of Science and Technology, 2016, 37 (1): 83-87.

[9] 鐘佑明. 希爾伯特-黃變換局瞬信號分析理論的研究[D].重慶：重慶大學，2002.

ZHONG Youming. Research on the Local-instantaneous Signal Analysis Theory of the Hilbert-Huang Transform[D].Chongqing:Chongqing University,2002.

[10]薛亞靜, 林蘭天, 張福樂. 基于AE技術與HHT的環錠紗拉伸斷裂過程研究[J]. 河北科技大學學報, 2015, 36(1): 73-79.

XUEYajing, LIN Lantian, ZHANG Fule. Research on tensile fracture process of ring-spun yarn based on AE technique and HHT[J]. Journal of Hebei University of Science and Technology, 2015, 36 (1): 73-79.

[11]時世晨, 單佩韋. 基于EEMD的信號處理方法分析和實現[J]. 現代電子技術, 2011，34(1)：88-90.

SHI Shichen, SHAN Peiwei. Signal processing method based on ensemble empirical mode decomposition[J].Modern Electronics Technique, 2011，34(1)：88-90.

[12]鐘佑明, 秦樹人, 湯寶平. 希爾伯特-黃變換中邊際譜的研究[J]. 系統工程與電子技術, 2004,26 (9): 1323-1326.

ZHONG Youming, QIN Shuren, TANG Baoping. Study on the marginal spectrum in Hilbert-Huang transform [J]. Systems Engineering and Electronics, 2004, 26 (9): 1323-1326.

[13]王醇濤, 陸金銘,周海港. 基于HHT邊際譜與SVM的柴油機故障診斷方法研究[J]. 航海工程, 2010,39(3):73-76.

WANG Chuntao, LU Jinming, ZHOU Haigang. Fault diagnosis of diesel engine based on HHT marginal spectrum and SVM method[J]. Ship & Ocean Engineering, 2010,39 (3): 73-76.

[14]賈春花. 基于HHT的果蠅振翅鳴聲特征提取及分類研究[D].西安: 陜西師范大學, 2011.

JIA Chunhua. Research on Feature Extraction and Classification of Vibration Sound of Fruit Wings in the Flying Based on HHT Method[D].Xi’an : Shaanxi Normal University, 2011.

[15]楊雪. 支持向量機多類分類方法的研究[D]. 哈爾濱: 哈爾濱工程大學, 2006.

YANG Xue. Research on Multi-class Classification Support Vector Machine [D]. Harbin: Harbin Engineering University, 2006.

[16]孫德山. 支持向量機分類與回歸方法研究[D]. 長沙: 中南大學, 2004.

SUN Deshan. The Researches on Support Vector Machine Classification and Regression Methods[D]. Changsha: Central South Univer-sity, 2004.

[17]邢永忠. 最小二乘支持向量機的若干問題與應用研究[D]. 南京: 南京理工大學, 2009.

XING Yongzhong. On lssues and Applications of Least Squares Support Vector Machine[D]. Nanjing: Nanjing University of Science and Technology, 2009.

[18]劉東輝, 卞建鵬, 付平,等. 支持向量機最優參數選擇的研究[J]. 河北科技大學學報, 2009, 30(1): 58-61.

LIU Donghui, BIAN Jianpeng, FU Ping, et al. Study on the choice optimum parameters of support vector machine[J]. Journal of Hebei University of Science and Technology, 2009, 30(1): 58-61.

Research on feature extraction and classification of AE signals of fibers' tensile failure based on HHT and SVM

SHEN Yanding, LIN Lantian, ZHANG Lujia, GAO Cong, CAO Wanxia

(Fashion College, Shanghai University of Engineering Science, Shanghai 201620, China)

In order to study the feature extraction and recognition method of fibers' tensile failure, AE technology is used to collect AE signals of fiber bundle's tensile fracture of two kinds of fibers of Aramid 1313 and viscose. A transform called wavelet is used to deal with the signals to reduce noise. A method called Hilbert-Huang transform (HHT) is used to extract characteristic frequencies of the signals after the noise is reduced. And a classification method called Least Squares support vector machines (LSSVM) is used for the classification and recognition of characteristic frequencies of the two kinds of fibers. The results show that wavelet de-noise method can reduce some noise of the signals. Hilbert spectrum can reflect fracture circumstances of the two kinds of fibers in the time dimension to some extent. Characteristic frequencies' extraction can be done from marginal spectrum. The LSSVM can be used for the classification and recognition of characteristic frequencies. The recognition rates of Aramid 1313 and viscose reach 40%, 80% respectively, and the total recognition rate reaches 60%.

fiber detection technology; HHT; SVM; characteristic frequencies; acoustic emission(AE) technology; tensile failure

1008-1542(2016)05-0509-07

10.7535/hbkd.2016yx05013

2016-06-18；

2016-09-06；責任編輯：張 軍

山東沃源新型面料股份有限公司項目(E4-6000-14-0135)

申炎仃(1990—)，女，河南洛陽人，碩士研究生，主要從事紡織品檢測方面的研究。

林蘭天教授。E-mail:llt39@126.com

TS107.2

A

申炎仃，林蘭天，張陸佳，等.基于HHT和SVM的纖維拉伸斷裂聲發射信號的特征提取及分類研究[J].河北科技大學學報,2016,37(5):509-515.

SHEN Yanding, LIN Lantian, ZHANG Lujia, et al.Research on feature extraction and classification of AE signals of fibers' tensile failure based on HHT and SVM[J].Journal of Hebei University of Science and Technology,2016,37(5):509-515.