基于BP神經(jīng)網(wǎng)絡(luò)的某防空導(dǎo)彈發(fā)射機構(gòu)故障分析

(1.中國人民解放軍66294部隊，北京 100042; 2.中國人民解放軍陸軍裝備部信息保障室三室，北京 100042)

0 引言

在武器裝備維修與技術(shù)保障領(lǐng)域中，普遍存在故障模式復(fù)雜、分析定位繁瑣等問題。以陸軍某型便攜式防空導(dǎo)彈為例，通過FMEA分析可知，故障現(xiàn)象與故障模式大量交錯，尤其對于電氣性能故障，現(xiàn)象與模式一對多、多對一的情況非常普遍。目前，對于裝備在維修過程中的故障分析及定位，仍然以人工為主，人的經(jīng)驗水平對分析和定位的準(zhǔn)確性影響很大。遇到經(jīng)驗不足的維修人員，無法準(zhǔn)確定位故障部位，只能以分步代換的方法進行故障排除，導(dǎo)致工作效率低下、資源大量浪費。

目前，隨著人工智能的發(fā)展進步，人工神經(jīng)網(wǎng)絡(luò)等方法大量應(yīng)用在模式識別、自動控制、測試估計等多個領(lǐng)域。本文針對上述問題，以某型便攜防空導(dǎo)彈發(fā)射機構(gòu)為典型研究對象，以近五年的維修歷史數(shù)據(jù)制作了訓(xùn)練和測試數(shù)據(jù)集，引入BP神經(jīng)網(wǎng)絡(luò)算法進行故障分析及定位，探討神經(jīng)網(wǎng)絡(luò)在裝備故障分析中的應(yīng)用。

1 BP神經(jīng)網(wǎng)絡(luò)及Python簡介

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network)是一種按誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，其基本思想是利用梯度搜索，使網(wǎng)絡(luò)的實際輸出和期望輸出的誤差均方差最小。

基本的BP網(wǎng)絡(luò)包括信號的前向傳播和誤差的反向傳播兩個過程。在信號前向傳播過程中，輸入信號通過中間層作用于輸出層，經(jīng)過非線性變換，產(chǎn)生輸出信號，若實際輸出與期望輸出不相符，則轉(zhuǎn)入誤差反向傳播過程，逐層獲取誤差信號以更新每個節(jié)點的聯(lián)接強度以及閾值，以上即為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。經(jīng)過大量樣本的多次迭代，傳播矩陣被不斷修正，各節(jié)點間的權(quán)值進一步趨于合理，最終對數(shù)據(jù)歸類的準(zhǔn)確率也不斷提高[1]。在訓(xùn)練結(jié)束后，以最終確定的各節(jié)點權(quán)值構(gòu)建完整網(wǎng)絡(luò)。

1.2 Python

Python是一種解釋型、面向?qū)ο?、動態(tài)數(shù)據(jù)類型的高級程序設(shè)計語言，由于其簡潔、易讀的特性，有著大規(guī)模的用戶群體。同時，Python支持眾多開源的科學(xué)計算庫，如著名的OpenCV、VTK等等，得益于此，Python大量應(yīng)用于科學(xué)計算以及人工智能領(lǐng)域[2]。

2 某型便攜防空導(dǎo)彈發(fā)射機構(gòu)故障分析算法實現(xiàn)

2.1 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)

2.1.1 地面設(shè)備的主要電氣組成及性能參數(shù)

該型地面設(shè)備內(nèi)部主要由3塊線路板組成，根據(jù)具體功能，可分為主要有以下9個功能模塊：

1)供電電路:對系統(tǒng)主電源進行變換，為裝備各部分提供二次電源。常見的故障模式主要是二次電源失效，所表現(xiàn)出的現(xiàn)象主要為相關(guān)部分的電源最大消耗電流以及穩(wěn)定工作電流異常，出現(xiàn)故障后會對全局造成影響。

2)單片機核心及外圍接口電路:系統(tǒng)的核心部分，接收各類外部信號，計算導(dǎo)彈發(fā)射條件，輸出各種控制指令，出現(xiàn)故障后會對全局造成影響。

3)起轉(zhuǎn)控制電路:控制導(dǎo)引頭陀螺部分起轉(zhuǎn)與停止，常見的故障模式主要是導(dǎo)引頭起轉(zhuǎn)失敗或轉(zhuǎn)速異常，表現(xiàn)出的現(xiàn)象主要為導(dǎo)引頭不起轉(zhuǎn)、起轉(zhuǎn)斷開時間或斷開頻率異常，出現(xiàn)故障后會對全局造成影響。

4)聲音信號控制電路:控制輸出聲音信號，主要用于在截獲目標(biāo)以及分析目標(biāo)角速度時給出聲音指示，故障模式和現(xiàn)象比較簡單，主要是有聲(正常)/無聲(異常)，出現(xiàn)故障后不會對系統(tǒng)主體功能產(chǎn)生影響。

5)光信號控制電路:和聲音信號控制電路類似，主要用于在截獲目標(biāo)以及分析目標(biāo)角速度時給出燈光指示，故障模式和現(xiàn)象比較簡單，主要是有光(正常)/無光(異常)，出現(xiàn)故障后不會對系統(tǒng)主體功能產(chǎn)生影響。

6)解鎖電路:控制導(dǎo)引頭陀螺部分偏移的鎖定以及解鎖，常見的故障模式主要是導(dǎo)引頭陀螺部分不解鎖，無法正常跟蹤目標(biāo)，表現(xiàn)出的故障現(xiàn)象主要是對目標(biāo)角飛行狀態(tài)分析異常，無法給出正確的發(fā)射條件。其故障現(xiàn)象不直觀，需要依據(jù)發(fā)射條件以及分析時間等多個量綜合判斷，該部分出現(xiàn)故障后會對全局造成影響。

7)電源轉(zhuǎn)換電路:在導(dǎo)彈進入發(fā)射程序后，激活彈上電源，同時將工作電源從地面電源轉(zhuǎn)換為彈上電源，常見的故障模式主要是彈上電源無法激活以及電源轉(zhuǎn)換失敗，表現(xiàn)出的故障現(xiàn)象主要是導(dǎo)彈起飛后姿態(tài)異常。其故障現(xiàn)象不直觀，需要根據(jù)測試結(jié)果綜合判斷，該部分出現(xiàn)故障后會對全局造成影響。

8)氣源激活電路:與電源轉(zhuǎn)換電路類似，主要是激活彈上致冷氣源。

9)點火電路:用于輸出導(dǎo)彈發(fā)動機點火信號，常見的故障模式和現(xiàn)象主要是導(dǎo)彈進入發(fā)射程序后發(fā)射失敗，該部分出現(xiàn)故障后會對全局造成影響。

10)IFF電路:敵我識別功能電路，主要用于對目標(biāo)進行敵我識別，在判定目標(biāo)為友機時，及時停止發(fā)射程序。主要的故障模式和現(xiàn)象是無法進行敵我判定，該部分出現(xiàn)故障后不會影響系統(tǒng)主體功能。

對應(yīng)各功能模塊電路，主要的電氣性能測試項目表1所列。

表1 發(fā)射機構(gòu)主要電氣性能測試項目

2.1.2 神經(jīng)網(wǎng)絡(luò)模型

發(fā)射機構(gòu)故障分析相對簡單，為減少計算量及計算時間，在構(gòu)建神經(jīng)網(wǎng)絡(luò)時采用常見的3層架構(gòu)，即除輸入層及輸出層外，只建立1層中間層。

對于每層的節(jié)點數(shù)，根據(jù)以下規(guī)則確定：

1)輸入層節(jié)點數(shù)由發(fā)射機構(gòu)需要測試的性能參數(shù)決定，即14個節(jié)點；

2)輸出層節(jié)點數(shù)由需要定位故障的發(fā)射機構(gòu)功能模塊電路數(shù)量確定，即9個節(jié)點；

確定了以上參數(shù)，在程序中建立neuralNetwork類，該類主要對輸入層、中間層、輸出層的節(jié)點數(shù)量和各層間的權(quán)重矩陣以及梯度下降算法的學(xué)習(xí)率進行初始化，其代碼如下：

classneuralNetwork:

初始化

def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):

根據(jù)初始化參數(shù)設(shè)置輸入、隱藏、輸出節(jié)點數(shù)量

self.inodes = inputnodes

self.hnodes = hiddennodes

self.onodes = outputnodes

設(shè)置學(xué)習(xí)率

self.lr = learningrate

以隨機正態(tài)分布的方式確定兩個權(quán)重矩陣

self.wih = numpy.random.normal(0.0, pow(self.hnodes,

0.5),(self.hnodes,self.inodes))

self.who = numpy.random.normal(0.0, pow(self.onodes,

-0.5),(self.onodes,self.hnodes))

以lambda表達式的方式引用Sigmoid函數(shù)，expit()即為S函數(shù)

self.activation_function = lambda x: scipy.special.expit(x)

2.2 信號的前饋

在信號前饋過程中，重點需要關(guān)注由每個節(jié)點的權(quán)重組成的權(quán)重矩陣以及信號在中間層傳播時應(yīng)用的激活函數(shù)。在本項目中，權(quán)重矩陣的初始化以隨機數(shù)的方式生成。同時，如果沒有激活函數(shù)，每一層的輸出和輸入都為線性關(guān)系，無論中間有多少層，都沒有意義[2]。在激活函數(shù)的選擇上，采用了類似階躍函數(shù)但比階躍函數(shù)更加平滑、更接近現(xiàn)實的S函數(shù)(Sigmoid Function)：

(1)

在本神經(jīng)網(wǎng)絡(luò)中，中間層的輸入信號符合：

(2)

式中，I為輸入矩陣，Wih為輸入層和中間層之間的權(quán)重矩陣。

中間層的輸出為：

(3)

輸出層的信號符合：

(4)

式中，I為輸入矩陣，Wih、Who分別為輸入層至中間層以及中間層至輸出層的權(quán)重矩陣，Xh為中間層輸出矩陣，Xo為輸出層輸出矩陣)

2.3 誤差反向傳播以及權(quán)重的更新

誤差的反向傳播過程可以用矩陣乘法表示：

(5)

考慮到神經(jīng)網(wǎng)絡(luò)的規(guī)模，在權(quán)重更新過程中采用了梯度下降法，該方法計算效率高，但存在兩個風(fēng)險。一是有可能停止于局部極小值而不是全局最小值，導(dǎo)致分類不準(zhǔn)確；二是超調(diào)越過最小值，系統(tǒng)不斷振蕩，導(dǎo)致無法有效收斂。為了盡量減少上述風(fēng)險，需要選擇適當(dāng)?shù)恼`差函數(shù)。在網(wǎng)絡(luò)中，對于第k個節(jié)點，確定誤差函數(shù)為：

ek=(tk-ok)2

(6)

選擇這一誤差函數(shù)，主要基于兩點原因[4]：

1)使用該函數(shù)，可以比較方便的計算出梯度下降的斜率；

2)誤差函數(shù)平滑連續(xù)，不會出現(xiàn)下降過程中突然跳躍的情況；

3)誤差越接近最小值，梯度越小，超調(diào)風(fēng)險相應(yīng)減小。

相應(yīng)的，在該處的斜率為：?e/?w。

設(shè)輸入層某一節(jié)點為i，中間層某一節(jié)點為j，輸出層某一節(jié)點為k，期望值為t，實際輸出值為o。則對于任意j-k鏈路，可計算斜率為：

(7)

由于t為常數(shù)，則有：

(8)

最終，中間層與輸出層間誤差函數(shù)斜率為：

(1-sigmoid(∑jWj,k·oj))·oj

(9)

輸入層與中間層誤差函數(shù)斜率為：

(1-sigmoid(∑jWj,k·oj))·oj

(10)

最終的權(quán)重更新函數(shù)為：

(11)

式中，α為學(xué)習(xí)率。在梯度下降算法中，學(xué)習(xí)率決定了參數(shù)每次更新的幅度，即下降過程中每一步的步長。

誤差計算與權(quán)重更新源代碼如下：

計算誤差

output_errors = targets - final_outputs

hidden_errors = numpy.dot(self.who.T, output_errors)

更新權(quán)重

self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)), numpy.transpose(hidden_outputs))

self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)), numpy.transpose(inputs))

以隨機正態(tài)分布的方式確定兩個權(quán)重矩陣

self.wih = numpy.random.normal(0.0, pow(self.hnodes,

-0.5),(self.hnodes,self.inodes))

self.who = numpy.random.normal(0.0, pow(self.onodes,

-0.5),(self.onodes,self.hnodes))

2.4 數(shù)據(jù)預(yù)處理

考慮到激活函數(shù)以及整個神經(jīng)網(wǎng)絡(luò)的使用范圍，需要輸入數(shù)據(jù)進行預(yù)處理。由于網(wǎng)絡(luò)特征所限，輸入數(shù)據(jù)必須在0.0～1.0范圍內(nèi)，因此需要對輸入數(shù)據(jù)進行歸一化。同時，當(dāng)輸入數(shù)據(jù)為0時，權(quán)重更新函數(shù)會輸出0，導(dǎo)致網(wǎng)絡(luò)喪失學(xué)習(xí)能力，因此在遇到輸入為0時，需要加入一個微量的偏移0.001。特別的，對于聲音信號、光信號這類只存在正常和異常(非0即1)兩種狀態(tài)的測試結(jié)果數(shù)據(jù)，為了使網(wǎng)絡(luò)能正常進行判斷，同樣需要加入微量偏移，使其正常狀態(tài)輸出0.99、異常狀態(tài)輸出0.001。

2.5 對網(wǎng)絡(luò)進行訓(xùn)練

為了使神經(jīng)網(wǎng)絡(luò)能正常工作，需要對其進行訓(xùn)練。訓(xùn)練數(shù)據(jù)由歷史測試數(shù)據(jù)經(jīng)預(yù)處理后綜合而成，共15位，其中第2～15位為測試數(shù)據(jù)，第1位為故障判定結(jié)果。部分訓(xùn)練數(shù)據(jù)如圖1所示。

圖1 部分訓(xùn)練數(shù)據(jù)

網(wǎng)絡(luò)訓(xùn)練的實現(xiàn)過程中，需要先將輸入矩陣轉(zhuǎn)化為二維數(shù)組，之后通過激活函數(shù)，進行正向計算，在計算完成后，根據(jù)與目標(biāo)的誤差，反向更新權(quán)重矩陣，完整方法代碼如下[5-7]：

def train(self, inputs_list, targets_list):

將輸入轉(zhuǎn)換成2D數(shù)組

inputs = numpy.array(inputs_list, ndmin =2).T

targets = numpy.array(targets_list, ndmin =2).T

hidden_inputs = numpy.dot(self.wih, inputs)

hidden_outputs = self.activation_function(hidden_inputs)

final_inputs = numpy.dot(self.who, hidden_outputs)

final_outputs = self.activation_function(final_inputs)

計算誤差

output_errors = targets - final_outputs

hidden_errors = numpy.dot(self.who.T, output_errors)

更新權(quán)重

self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0

- final_outputs)), numpy.transpose(hidden_outputs))

self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0

- hidden_outputs)), numpy.transpose(inputs))

2.6 測試實現(xiàn)

利用訓(xùn)練數(shù)據(jù)集以及測試數(shù)據(jù)集對訓(xùn)練完畢的網(wǎng)絡(luò)進行訓(xùn)練、測試。收集五年的歷史測試數(shù)據(jù)，其中80%用于制作訓(xùn)練數(shù)據(jù)集，剩余20%用于制作測試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集總量為520條，測試數(shù)據(jù)集總量為130條。在學(xué)習(xí)率為0.2、中間層節(jié)點數(shù)量為11的條件下，得到預(yù)測準(zhǔn)確率約為94.7%，程序總執(zhí)行時間約為8.18秒。

3 算法優(yōu)化

3.1 調(diào)整學(xué)習(xí)率

在網(wǎng)絡(luò)中，如果學(xué)習(xí)率較小，則訓(xùn)練時間會增加，相應(yīng)達到收斂所需要迭代的次數(shù)就高，反之，雖然效率提高，但有可能超過局部最小值，造成系統(tǒng)振蕩不停，使其無法收斂[8]。對于目前網(wǎng)絡(luò)，經(jīng)過多次實驗，發(fā)現(xiàn)在其他條件不變的情況下，當(dāng)學(xué)習(xí)率低于0.05以下時，預(yù)測準(zhǔn)確率明顯下降，可知網(wǎng)絡(luò)有可能在非全局最小值出現(xiàn)收斂；當(dāng)學(xué)習(xí)率高于0.2時，程序執(zhí)行時間明顯增加，并且預(yù)測準(zhǔn)確率出現(xiàn)下降趨勢，可知網(wǎng)絡(luò)出現(xiàn)超調(diào)振蕩現(xiàn)象，分類效率受到影響；當(dāng)學(xué)習(xí)率高于0.4時，預(yù)測準(zhǔn)確率下降顯著，可知網(wǎng)絡(luò)在部分?jǐn)?shù)據(jù)訓(xùn)練中有可能出現(xiàn)無法收斂的情況；在學(xué)習(xí)率設(shè)置為0.1左右時，得到最佳預(yù)測準(zhǔn)確率約為95.2%，用時約7.36 s。整體結(jié)果如圖2所示。

圖2 不同學(xué)習(xí)率下的準(zhǔn)確率曲線(橫軸為學(xué)習(xí)率，縱軸為準(zhǔn)確率)

3.2 調(diào)整中間層節(jié)點數(shù)量

網(wǎng)絡(luò)中間層是執(zhí)行學(xué)習(xí)過程的主要層次，如果節(jié)點過少，則沒有足夠的空間使網(wǎng)絡(luò)完成學(xué)習(xí)[9]。經(jīng)過實驗，發(fā)現(xiàn)對于目前網(wǎng)絡(luò)，在其他條件不變的情況下，當(dāng)中間層節(jié)點數(shù)量減少為7個時，學(xué)習(xí)率約為70%左右，當(dāng)中間層數(shù)量為100時，預(yù)測準(zhǔn)確率約為95.6%，用時約8.86秒，當(dāng)中間層節(jié)點數(shù)量設(shè)置為200時，得到預(yù)測準(zhǔn)確率約為96.2%，用時約12.41秒。此后，隨著節(jié)點數(shù)量增加，程序執(zhí)行時間增加明顯，但準(zhǔn)確率未發(fā)現(xiàn)明顯提升，結(jié)果如圖3所示。

圖3 不同中間層節(jié)點下的準(zhǔn)確率曲線(橫軸為中間層節(jié)點數(shù)，縱軸為準(zhǔn)確率)

4 實驗結(jié)果分析與運用

通過分析結(jié)果，在最初的網(wǎng)絡(luò)結(jié)構(gòu)中，預(yù)測準(zhǔn)確率約為94.7%；在其他條件不變的情況下，預(yù)測準(zhǔn)確率在學(xué)習(xí)率為0.1左右時達到最高，約95.2%，同時學(xué)習(xí)率過高或過低時，準(zhǔn)確率會出現(xiàn)明顯下降；進一步將中間層節(jié)點增加至200個時，識別準(zhǔn)確率又提升約1%，達到96.2%，而后隨著節(jié)點數(shù)量增加，訓(xùn)練及預(yù)測時間成倍增長，但預(yù)測準(zhǔn)確率并無明顯變化。由此可知，對于簡單的三層BP神經(jīng)網(wǎng)絡(luò)，設(shè)置適當(dāng)?shù)膶W(xué)習(xí)率以及中間層節(jié)點數(shù)量，可以有效提升最終結(jié)果的準(zhǔn)確程度，反之，則有可能面臨梯度消失或超調(diào)的風(fēng)險。同時，在武器裝備的維修及技術(shù)保障工作中，超過95%的準(zhǔn)確率已經(jīng)可以滿足基本的故障分析和定位。

5 對神經(jīng)網(wǎng)絡(luò)進一步改進的探討

5.1 改進激活函數(shù)

本文中，選擇S函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。該函數(shù)連續(xù)、并且在整個定義域間單調(diào)，是常見的激活函數(shù)。但是，在實際運用中仍然存在兩個問題，一是S函數(shù)輸出均值不為0，存在偏移現(xiàn)象，在多層神經(jīng)網(wǎng)絡(luò)中，下層的輸入會受到上層輸出的影響；二是對該函數(shù)求導(dǎo)后發(fā)現(xiàn)，在變量x取值非常大或非常小的時候，其斜率會趨近于0，使梯度更新緩慢，有可能導(dǎo)致梯度消失，即如果初始值很大的話，神經(jīng)元會出現(xiàn)飽和現(xiàn)象，整個網(wǎng)絡(luò)學(xué)習(xí)困難。

在人工神經(jīng)網(wǎng)絡(luò)中，常見的激活函數(shù)還可以選擇tanh函數(shù)、ReLU函數(shù)以及Leaky-ReLU函數(shù)。

tanh函數(shù)原型如下：

(12)

與S函數(shù)相比，tanh函數(shù)的最大優(yōu)點是輸出均值為0，但依然存在軟飽和性，對于某些初始值，有梯度消失的風(fēng)險。

ReLU函數(shù)(線性整流函數(shù))是斜坡函數(shù)的變種函數(shù)，原型如下：

f(x)=max(0,x)

(13)

其在x小于0時，存在硬飽和現(xiàn)象，在x大于0時，不存在飽和問題，可以避免梯度消失現(xiàn)象。同時，若梯度過大，會導(dǎo)致“神經(jīng)元死亡”的現(xiàn)象。因此，在使用時需要適當(dāng)控制學(xué)習(xí)率。

Leaky-ReLU函數(shù)是對ReLU函數(shù)的改進，原型如下：

(14)

函數(shù)中，α為一較小常數(shù)，可以比較有效的解決變量小于0時，函數(shù)存在硬飽和區(qū)的問題，是比較理想的激活函數(shù)。同時，無論ReLU或Leaky-ReLU函數(shù)，都存在輸出均值不為0的情況。

5.2 增加中間層數(shù)量

對于輸入與輸出節(jié)點數(shù)量多、對應(yīng)關(guān)系復(fù)雜的系統(tǒng)，適當(dāng)增加中間層數(shù)量，可以提升網(wǎng)絡(luò)預(yù)測準(zhǔn)確率。但是，對于簡單系統(tǒng)，中間層數(shù)量增加不但對改進預(yù)測準(zhǔn)確率貢獻不大，而且還會使分析時間大量增加。

根據(jù)以上兩點，對于以文中提到的某型便攜防空導(dǎo)彈發(fā)射機構(gòu)這類結(jié)構(gòu)較為簡單，故障現(xiàn)象、故障模式以及故障部位對應(yīng)較為單一的裝備，不存在極端的輸入數(shù)據(jù)，選擇單一中間層網(wǎng)絡(luò)并且以S函數(shù)作為激活函數(shù)，在實現(xiàn)中較為簡單，準(zhǔn)確率和網(wǎng)絡(luò)工作效率較高，同時不會出現(xiàn)梯度消失或者偏移量過大的問題。如果將此神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障模式復(fù)雜的大型裝備，則要考慮根據(jù)輸入輸出的復(fù)雜程度，選擇效率高、工作中冗余度大的激活函數(shù)，適當(dāng)設(shè)置中間層數(shù)量，以達到整個網(wǎng)絡(luò)的最優(yōu)配置。

6 結(jié)語

本文以某型便攜防空導(dǎo)彈發(fā)射機構(gòu)為研究平臺，研究了BP神經(jīng)網(wǎng)絡(luò)在裝備故障分析中的應(yīng)用，構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的故障分析方法，并在Python環(huán)境下進行了實現(xiàn)，同時探討了網(wǎng)絡(luò)方法的進一步改進策略。通過實驗驗證，可知該方法具有速度快、應(yīng)用簡單、準(zhǔn)確率高的特點，可以滿足典型目標(biāo)的故障分析及定位，并且可以快速擴展應(yīng)用于其他裝備的技術(shù)保障工作中。