1、    基于聚類分析法對(duì)我國高速鐵路網(wǎng)供電系統(tǒng)缺陷進(jìn)行空間分布研究    王明輝摘 要：高速鐵路網(wǎng)的主要供電設(shè)備接觸網(wǎng)，是沿鋼軌上空呈“之”字形架設(shè)的特殊輸電系統(tǒng)。對(duì)高速電氣化鐵路接觸網(wǎng)，缺陷的檢測(cè)顯得是十分重要，隨著檢測(cè)設(shè)備的不斷更新，缺陷檢測(cè)準(zhǔn)確度逐漸提高，數(shù)據(jù)量越來越大，研究缺陷檢測(cè)數(shù)據(jù)顯得尤為重要。本文主要利用數(shù)據(jù)挖掘技術(shù)中的聚類分析法，將缺陷數(shù)據(jù)按照線路分布的密集程度進(jìn)行聚類，然后將聚類結(jié)果進(jìn)行可視化，并且通過分析聚類結(jié)果數(shù)據(jù)，給出合理可行的缺陷預(yù)警方案和線路檢修建議。為了驗(yàn)證方案的可行性，選取沈陽鐵路局的部分缺陷檢測(cè)數(shù)據(jù)作為本次方案的測(cè)試樣本

2、。經(jīng)過數(shù)據(jù)預(yù)處理和方案測(cè)試發(fā)現(xiàn)：吊弦類缺陷聚類高發(fā)區(qū)域占比約為78%，一二級(jí)燃弧類缺陷聚類高發(fā)區(qū)域占比約為71%，高發(fā)時(shí)段為4-9月。實(shí)驗(yàn)結(jié)果表明不同類型的缺陷熱點(diǎn)區(qū)域分布的時(shí)段與區(qū)域不同。關(guān)鍵詞：接觸網(wǎng);缺陷;數(shù)據(jù)挖掘;聚類分析法：bt：adoi：10.19311/ki.1672-3198.2020.19.0930 引言作為鐵路運(yùn)輸牽引供電系統(tǒng)的重要組成部分的接觸網(wǎng)，其動(dòng)態(tài)設(shè)備質(zhì)量情況直接影響到牽引供電的質(zhì)量，對(duì)接觸網(wǎng)運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)是保證鐵路安全運(yùn)輸?shù)闹匾侄巍Ｈ缃瘢佑|網(wǎng)動(dòng)態(tài)監(jiān)測(cè)設(shè)備（6c系統(tǒng)）能夠完成接觸網(wǎng)的各項(xiàng)數(shù)據(jù)檢測(cè)，所有基礎(chǔ)數(shù)據(jù)和報(bào)警數(shù)據(jù)均被收集入庫長期存放，隨著時(shí)間的推移，數(shù)

3、據(jù)庫中的檢測(cè)基礎(chǔ)數(shù)據(jù)和缺陷數(shù)據(jù)越來越多，但對(duì)數(shù)據(jù)資源的利用率不是很高。目前，國內(nèi)主流方向都是關(guān)于如何提高線路設(shè)備缺陷識(shí)別或者機(jī)車運(yùn)行異常檢測(cè)準(zhǔn)確度作研究和測(cè)試，設(shè)計(jì)出了針對(duì)不同零部件的缺陷識(shí)別方法，效果顯著。隨著大數(shù)據(jù)時(shí)代的到來，為了讓現(xiàn)有的檢測(cè)數(shù)據(jù)的作用不再局限于傳統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)層面，本文利用數(shù)據(jù)挖掘技術(shù)對(duì)燃弧、吊弦缺陷進(jìn)行了深入研究。數(shù)據(jù)挖掘作為當(dāng)今智能系統(tǒng)理論技術(shù)的重要組成部分，它包括了人工智能、神經(jīng)網(wǎng)絡(luò)、模式識(shí)別、數(shù)理統(tǒng)計(jì)等先進(jìn)技術(shù)，從大量數(shù)據(jù)中通過相關(guān)算法搜索隱藏于其中的有價(jià)值和隱秘信息的過程。本文就是通過數(shù)據(jù)挖掘技術(shù)從大量接觸網(wǎng)的檢測(cè)數(shù)據(jù)中尋找數(shù)據(jù)間的特性，全方位分析檢測(cè)的數(shù)據(jù)，做出

4、歸納性的推理，從中挖掘出潛在的模式，爭取為鐵路局的檢修計(jì)劃提供切實(shí)可行的建議。首先，本文對(duì)檢測(cè)的原始數(shù)據(jù)進(jìn)行預(yù)處理，為數(shù)據(jù)挖掘過程做好前提準(zhǔn)備;然后，利用聚類算法模型把預(yù)處理后的數(shù)據(jù)進(jìn)行分析計(jì)算;最后，將聚類結(jié)果進(jìn)行可視化，并給出預(yù)警方案。1 高速鐵路網(wǎng)供電系統(tǒng)缺陷檢測(cè)現(xiàn)狀隨著我國國民經(jīng)濟(jì)的日益發(fā)展，我國在新的歷史背景下提出了新時(shí)代交通強(qiáng)國戰(zhàn)略，國家提出2020-2035基本建成交通強(qiáng)國，2035-2050全面建成交通強(qiáng)國，高速鐵路作為公共交通中的重要組成部分，也面臨著新的規(guī)劃建設(shè)任務(wù);我國規(guī)劃在2030年，高鐵線網(wǎng)由原來的四橫四縱形成八橫八縱，整個(gè)高鐵路網(wǎng)達(dá)到4.5萬公里。但隨著高鐵線網(wǎng)的高

5、速度高密度運(yùn)行的同時(shí)，接觸網(wǎng)的安全可靠運(yùn)行是整個(gè)電氣化鐵路安全可靠運(yùn)行的關(guān)鍵。當(dāng)前國內(nèi)接觸網(wǎng)的檢修模式采取周期修與狀態(tài)修相結(jié)合的方式組織作業(yè)，其作業(yè)主體仍以車間及工班為最小作業(yè)單元。該種作業(yè)模式安全風(fēng)險(xiǎn)點(diǎn)多、作業(yè)效率低、占用人力物力資源大、個(gè)人素質(zhì)要求高、作業(yè)效果差強(qiáng)人意，已經(jīng)不能滿足鐵路快速發(fā)展的需要。目前，接觸網(wǎng)檢測(cè)監(jiān)測(cè)數(shù)據(jù)主要是通過對(duì)各個(gè)檢測(cè)參數(shù)的閾值判斷，發(fā)現(xiàn)相關(guān)接觸網(wǎng)等設(shè)備的局部缺陷，通過相關(guān)平臺(tái)反饋給用戶進(jìn)行后續(xù)工作，所以，對(duì)于檢測(cè)數(shù)據(jù)的利用率還是很低。如何利用并發(fā)揮好已有設(shè)備檢測(cè)數(shù)據(jù)的價(jià)值，成為整個(gè)鐵路行業(yè)的主題。且隨著高速鐵路施工質(zhì)量的逐步提高，眾多高速鐵路接觸網(wǎng)只能檢測(cè)出少量

6、或局部的有效缺陷。在鐵路維修作業(yè)中過度依賴人工操作，如果對(duì)維護(hù)區(qū)域沒有主次之分，那么對(duì)于整個(gè)線路檢修計(jì)劃來說，必定會(huì)耗費(fèi)很多人力物力等資源。因此，如何利用好現(xiàn)有的海量缺陷檢測(cè)數(shù)據(jù)，實(shí)現(xiàn)接觸網(wǎng)熱點(diǎn)缺陷區(qū)域預(yù)測(cè)，從而節(jié)約檢修成本是本次的研究重點(diǎn)。2012年，田國保利用數(shù)據(jù)挖掘技術(shù)及回歸分析找到了接觸網(wǎng)動(dòng)態(tài)參數(shù)間的關(guān)系，通過實(shí)踐找了設(shè)備運(yùn)行的規(guī)律。2 基于聚類分析的算法實(shí)現(xiàn)原理數(shù)據(jù)挖掘又稱為數(shù)據(jù)庫中的知識(shí)發(fā)現(xiàn)（knowledge discover in database，kdd），是目前人工智能和數(shù)據(jù)庫領(lǐng)域研究的熱點(diǎn)問題，所謂數(shù)據(jù)挖掘是指從數(shù)據(jù)庫的大量數(shù)據(jù)中揭示出隱含的、先前未知的且具有潛在價(jià)值的信

7、息的過程。而時(shí)空聚類算法分析主要是從具有時(shí)間和位置信息的數(shù)據(jù)庫中發(fā)現(xiàn)具有相似特征的時(shí)空實(shí)體（即時(shí)空簇），也是基于傳統(tǒng)的聚類分析從空間域到時(shí)空域的進(jìn)一步擴(kuò)展。目前，時(shí)空聚類在全球氣候變化、公共衛(wèi)生安全、地震檢測(cè)分析以及犯罪熱點(diǎn)分析等領(lǐng)域具有重要應(yīng)用價(jià)值，有助于更好地發(fā)現(xiàn)和分析地理現(xiàn)象發(fā)展變化的趨勢(shì)、規(guī)律與本質(zhì)特征。現(xiàn)有的時(shí)空聚類方法主要包括時(shí)空掃描統(tǒng)計(jì)方法、基于密度的方法以及基于時(shí)空距離的方法。本文主要采用st-dbscan時(shí)空聚類算法實(shí)現(xiàn)高速鐵路網(wǎng)供電系統(tǒng)熱點(diǎn)缺陷區(qū)域信息挖掘。st-dbscan算法中有三個(gè)參數(shù)：minpts、eps、delta_t。其中minpts表示形成簇的最小點(diǎn)個(gè)數(shù)，ep

8、s表示形成簇的時(shí)空點(diǎn)距離，delta_t表示形成簇的最大時(shí)間。st-dbscan算法的基本思想是：通過循環(huán)判斷時(shí)空核心對(duì)象c以eps為半徑，delta_t時(shí)間差內(nèi)點(diǎn)的個(gè)數(shù)是否大于等于minpts，如果大于則形成簇，反之則對(duì)下一個(gè)時(shí)空對(duì)象進(jìn)行聚類，直到所有的時(shí)空對(duì)象都?xì)w在某個(gè)簇中，或被標(biāo)記為時(shí)空孤立點(diǎn)，則聚類結(jié)束。利用st-dbscan算法模型進(jìn)行線路缺陷高危爆發(fā)區(qū)域信息挖掘的過程中，涉及三個(gè)重要的閾值參數(shù)，即空間距離閾值sptial_threshold、時(shí)間距離閾值temporal_threshold和時(shí)空對(duì)象量閾值minpts，這三個(gè)參數(shù)主要根據(jù)實(shí)際業(yè)務(wù)需求進(jìn)行篩選設(shè)置。2.1 模型閾值設(shè)定

9、規(guī)則該模型將線路上“已確認(rèn)”的缺陷作為時(shí)空對(duì)象，然后通過繪制距離頻數(shù)柱狀圖來查找時(shí)間與空間閾值，方便設(shè)定盡可能滿足需求的閾值，具體步驟如下：步驟1：計(jì)算缺陷時(shí)空對(duì)象事務(wù)集中兩兩時(shí)空對(duì)象在時(shí)間維度（或空間維度）下的時(shí)間（或空間）距離大小值。步驟2：計(jì)算上步所得的各個(gè)距離大小值出現(xiàn)的頻數(shù)。步驟3：將上步所得的頻數(shù)值對(duì)應(yīng)縱坐標(biāo)，距離大小值對(duì)應(yīng)橫坐標(biāo)，繪制出時(shí)空對(duì)象距離頻數(shù)柱狀圖，找出柱狀圖中最大距離頻數(shù)值所對(duì)應(yīng)的點(diǎn)，該點(diǎn)的時(shí)間（或空間）距離大小值便可作為該維度下的閾值，即時(shí)間閾值temporal_threshold（或空間閾值sptial_threshold）。步驟4：計(jì)算時(shí)空對(duì)象量閾值minpts

10、，計(jì)算公式如下：2.2 算法實(shí)現(xiàn)過程具體實(shí)現(xiàn)步驟如下：步驟1：從基礎(chǔ)數(shù)據(jù)庫中獲取目標(biāo)數(shù)據(jù)，數(shù)據(jù)必須含有參數(shù)經(jīng)度x，緯度y，時(shí)間t，由此構(gòu)成滿足條件的時(shí)空對(duì)象數(shù)據(jù)，每條完整的基礎(chǔ)數(shù)據(jù)記為一個(gè)時(shí)空對(duì)象點(diǎn)ci=idi，xi，yi，ti，i（1in）表示時(shí)空對(duì)象序號(hào)，從而組成對(duì)象集合dc。步驟2：選取任意對(duì)象點(diǎn)ci，（cidc），判讀其是否屬于現(xiàn)有簇中，如果該點(diǎn)已有歸屬簇，則選取下一個(gè)對(duì)象點(diǎn)ci+1，否則進(jìn)行下一步操作。步驟3：判斷對(duì)象點(diǎn)ci是否為時(shí)空核心對(duì)象，是核心對(duì)象則進(jìn)行下一步操作，否則就返回步驟2，重新選擇新的對(duì)象點(diǎn)。步驟4：搜索時(shí)空核心對(duì)象點(diǎn)ci的所有時(shí)空相鄰對(duì)象點(diǎn)ei，如果ei不屬于任何已

11、經(jīng)存在的簇，那么就將ei放入新簇中，反之ei已有歸屬簇則不進(jìn)行操作。步驟5：判斷步驟4中放入的對(duì)象點(diǎn)ei是否為新簇中的時(shí)空核心對(duì)象，如果不是核心對(duì)象，則將其標(biāo)記為邊緣時(shí)空對(duì)象不再進(jìn)行下步操作，如果是核心對(duì)象則重復(fù)步驟4。步驟6：重復(fù)上述步驟2到步驟5的操作，直到dc中所有對(duì)象都屬于某個(gè)簇，或?yàn)闀r(shí)空孤立點(diǎn)截止。步驟7：將上述得到的所有簇標(biāo)簽存放到新建數(shù)據(jù)的對(duì)應(yīng)字段中，方便后續(xù)的結(jié)果分析。3 基于聚類分析的熱點(diǎn)缺陷區(qū)域研究目前，鐵路供電系統(tǒng)中的各種檢測(cè)監(jiān)測(cè)設(shè)備對(duì)接觸網(wǎng)的運(yùn)行狀態(tài)實(shí)現(xiàn)了全線路實(shí)時(shí)監(jiān)測(cè)、精確定位、缺陷報(bào)警監(jiān)控、數(shù)據(jù)集中的存儲(chǔ)、信息共享等功能，而相關(guān)配套的智能分析系統(tǒng)可以通過綜合各種數(shù)據(jù)

12、，比如（車型、導(dǎo)高值、拉出值、線路、區(qū)站、行別、經(jīng)緯度、時(shí)間、缺陷類型、缺陷級(jí)別等），實(shí)現(xiàn)供電設(shè)備缺陷的智能識(shí)別和預(yù)警。隨著設(shè)備不斷采集數(shù)據(jù)和系統(tǒng)結(jié)果計(jì)算，使得現(xiàn)在積累了大量有關(guān)接觸網(wǎng)缺陷相關(guān)的線路基礎(chǔ)數(shù)據(jù)，亟待深入挖掘有用信息，讓基礎(chǔ)數(shù)據(jù)變得更有價(jià)值。線路上缺陷的發(fā)生，在時(shí)間和位置上存在一定的規(guī)律性，為了挖掘缺陷在時(shí)空上的特性，本文利用時(shí)空聚類方法設(shè)計(jì)出的高速鐵路網(wǎng)供電系統(tǒng)發(fā)生缺陷的熱點(diǎn)區(qū)域分析的時(shí)空模型，該模型可以展現(xiàn)線路整體時(shí)間段內(nèi)（年、月）缺陷熱點(diǎn)爆發(fā)趨勢(shì)，根據(jù)趨勢(shì)提出預(yù)警方案，對(duì)第二年的工作鐵路的檢修計(jì)劃有一定的指導(dǎo)意義。此次挖掘主要實(shí)現(xiàn)方案如圖1。（1）數(shù)據(jù)清洗。由于基礎(chǔ)數(shù)據(jù)庫中的

13、數(shù)據(jù)存在字段為空，存儲(chǔ)內(nèi)容格式不統(tǒng)一、經(jīng)緯度不準(zhǔn)等問題，需要將這些數(shù)據(jù)進(jìn)行清洗，保證目標(biāo)數(shù)據(jù)的完整性。（2）數(shù)據(jù)處理。對(duì)清洗后的數(shù)據(jù)進(jìn)行處理，調(diào)準(zhǔn)經(jīng)緯度，對(duì)時(shí)間項(xiàng)進(jìn)行格式轉(zhuǎn)化，篩選出模型計(jì)算需要的有用字段，組成新的數(shù)據(jù)集。（3）分析計(jì)算。首先，計(jì)算出模型的空間閾值（以米為單位）、時(shí)間閾值（以天為單位），以及調(diào)整minpts的值。然后，調(diào)用st-dbscan算法模型進(jìn)行數(shù)據(jù)挖掘計(jì)算。最后，聚類結(jié)果中cluster值為“-1”表示離散點(diǎn)，非“-1”表示缺陷熱點(diǎn)。（4）結(jié)果可視化。將所有聚類結(jié)果，根據(jù)類別利用三維圖像可視化展示。（5）根據(jù)該線路熱點(diǎn)區(qū)域聚類分布情況，給出缺陷的預(yù)警方案。4 運(yùn)行檢測(cè)實(shí)

14、驗(yàn)結(jié)果要滿足時(shí)空聚類條件，需要選取缺陷較為密集的位置進(jìn)行挖掘，稀疏類的缺陷無法進(jìn)行時(shí)空分析。本次實(shí)驗(yàn)樣本主要選取2019年以前沈陽鐵路局管理區(qū)域內(nèi)的燃弧類、吊弦類一二類缺陷數(shù)據(jù)。4.1 燃弧類缺陷結(jié)果分析本次實(shí)驗(yàn)測(cè)試選取了2019年沈陽鐵路局-秦沈線-錦州供電段內(nèi)6000條列車上行一二類燃弧缺陷數(shù)據(jù)作為模型演示樣本，經(jīng)過數(shù)據(jù)清洗剩余5102條有限缺陷數(shù)據(jù)，由于不同區(qū)站上燃弧缺陷聚類結(jié)果顯著，分布范圍較廣（見表1），為了表示不同區(qū)站上缺陷熱點(diǎn)分布情況，因此本次將用不同顏色的點(diǎn)進(jìn)行可視化，演示結(jié)果如圖2所示。圖2中黑色點(diǎn)表示缺陷熱點(diǎn)分散點(diǎn)，其它顏色點(diǎn)的集群表示缺陷的熱點(diǎn)簇。從時(shí)間維度分析，燃弧類缺

15、陷高發(fā)段主要出現(xiàn)在4-9月份（詳情見表2）。以盤錦北站-錦州南站區(qū)站上的分布情況為例，進(jìn)行聚類結(jié)果分析：圖中x坐標(biāo)軸為地理緯度，y為經(jīng)度，z為時(shí)間軸（分為12個(gè)月）。盤錦北站-錦州南站區(qū)站燃弧缺陷熱點(diǎn)聚集區(qū)為：圖2中黃-a區(qū)域（1-2月份）、黃-b區(qū)域（4-9月份）、黃-c區(qū)域（10-12月份）、黃-d區(qū)域（10月份）。該區(qū)段上燃弧缺陷較少發(fā)生區(qū)域?yàn)椋?月份。4.2 吊弦類缺陷結(jié)果分析為了測(cè)試不同線路熱點(diǎn)區(qū)域缺陷分布情況，實(shí)驗(yàn)選取了2019年以前沈陽鐵路局2000條吊弦數(shù)據(jù)作為模型演示樣本，經(jīng)過數(shù)據(jù)清洗剩余1958條有效缺陷數(shù)據(jù)，為了區(qū)分不同線路缺陷高發(fā)區(qū)，用不同顏色的點(diǎn)表示不同線路缺陷的熱點(diǎn)

16、高發(fā)區(qū)（見表3），演示結(jié)果如圖4所示。圖4中黑色點(diǎn)表示缺陷熱點(diǎn)分散點(diǎn)，紅色集群表示丹大快速線上的缺陷熱點(diǎn)簇，橘色集群表示秦沈線上的缺陷熱點(diǎn)簇，粉色集群表示長琿城際上的缺陷熱點(diǎn)簇，綠色點(diǎn)集群表示沈丹客專線上的缺陷熱點(diǎn)簇，灰色表示其他線上的熱點(diǎn)簇。以長琿城際的分布情況為例，進(jìn)行聚類結(jié)果分析：長琿城際線上吊弦缺陷熱點(diǎn)聚集區(qū)為：圖5中黃-a區(qū)域（1-3月份）、黃-b區(qū)域（2-5月份）、黃-c區(qū)域（5-8月份）、黃-d區(qū)域（11-12月份）。該線路上吊弦缺陷較少發(fā)生區(qū)域?yàn)椋耗G-a區(qū)域（2-5月份）、墨綠-b區(qū)域（10-12月份）。4.3 缺陷預(yù)警方案此次缺陷熱點(diǎn)預(yù)警方案主要針對(duì)樣本數(shù)據(jù)，對(duì)來年發(fā)生相關(guān)

17、缺陷的時(shí)間-地理位置預(yù)警：首先，將設(shè)備缺陷預(yù)警分為三級(jí)：一級(jí)預(yù)警為缺陷較密集狀態(tài)，即熱點(diǎn)趨勢(shì);二級(jí)預(yù)警為缺陷密度平均狀態(tài);三級(jí)預(yù)警為缺陷較稀疏狀態(tài)。然后，根據(jù)不同的時(shí)間段，給用戶推送針對(duì)不同區(qū)域的預(yù)警信息及方案，情況如下：（1）一級(jí)預(yù)警：在熱點(diǎn)時(shí)間段內(nèi)提示用戶，對(duì)各熱點(diǎn)區(qū)域增加日常檢修頻數(shù)，預(yù)防設(shè)備損壞。（2）二級(jí)預(yù)警：在缺陷平均時(shí)間、區(qū)域內(nèi)提示用戶，進(jìn)行正常的日常檢修。（3）三級(jí)預(yù)警：在缺陷較少時(shí)間、區(qū)域內(nèi)提示用戶，減少日常檢修頻數(shù)，降低人工成本，提高檢修效率。5 結(jié)論為了提高現(xiàn)有缺陷檢測(cè)數(shù)據(jù)的利用率，提高線路檢測(cè)數(shù)據(jù)的利用率，本文提出了一種基于聚類算法分析的高速鐵路供電系統(tǒng)接觸網(wǎng)缺陷熱點(diǎn)區(qū)

18、域分布的挖掘模型方案，這種方案將利用時(shí)間、空間、線路發(fā)生的缺陷三種參數(shù)作為聚類的核心參數(shù)進(jìn)行分析計(jì)算，得出線路的缺陷熱點(diǎn)區(qū)域分布圖，然后結(jié)合聚類結(jié)果分析給出比較合理的預(yù)警方案。所得預(yù)警方案在實(shí)際檢修中有較強(qiáng)的指導(dǎo)意義。參考文獻(xiàn)1王璟，張于峰.高速鐵路牽引供電系統(tǒng)健康管理及故障預(yù)警體系j.中國高新科技，2019，（14）：81-83.2史冬雪.6c系統(tǒng)保障高鐵供電設(shè)備安全j.世界軌道交通，2012，（9）：22-23.3陳海波.高速鐵路接觸網(wǎng)檢測(cè)技術(shù)分析j.建材與裝飾，2018，（4）：278-279.4王達(dá)，崔蕊.數(shù)據(jù)平滑技術(shù)綜述j.電腦知識(shí)與技術(shù)，2009，5（17）：4507-4509.5邵峰晶.數(shù)據(jù)挖掘原理與算法m.北京：水利水電出版社，2003.6韋勝，高湛.中國高鐵網(wǎng)絡(luò)空間分布格局及其發(fā)展變化研究c.2018年中國城市交通規(guī)劃年會(huì)論文集，2018：579-591.7王藝錚.談中國高鐵的發(fā)展j.智富時(shí)代，2019，（3）：40-40.8程學(xué)慶，李月，楊濤，等.高速鐵路供電系統(tǒng)安全風(fēng)險(xiǎn)研究j.鐵道科學(xué)與工程學(xué)報(bào)，2016，13（2）：233-237.9田國保.基于數(shù)據(jù)挖掘的接觸網(wǎng)檢測(cè)數(shù)據(jù)處理方法研究j.科技創(chuàng)新與應(yīng)用，2012，（13）：81-82.10唐建波，鄧敏，劉啟亮.時(shí)空事件聚類分析方法研究j.地理信息世界，2013，20（1）：38-45.11thaku