基于密度聚類的塔機(jī)結(jié)構(gòu)狀態(tài)診斷方法

王勝春，安 宏，安增輝，李文豪

（山東建筑大學(xué) 機(jī)電工程學(xué)院，濟(jì)南250101）

塔式起重機(jī)（以下簡稱塔機(jī)）是現(xiàn)代基礎(chǔ)建設(shè)過程中非常重要的工程機(jī)械。隨著我國經(jīng)濟(jì)的蓬勃發(fā)展，塔機(jī)使用的數(shù)量快速增加，塔機(jī)事故的發(fā)生率也逐年上升。如何保障塔機(jī)設(shè)備安全施工已經(jīng)成為目前迫切需要解決的問題。

楊輝等[1]設(shè)計(jì)了塔機(jī)的遠(yuǎn)程監(jiān)控系統(tǒng)，實(shí)現(xiàn)了不同區(qū)域內(nèi)吊鉤位置、力矩、吊重、高度和風(fēng)速等多個(gè)參數(shù)的同步監(jiān)測。訾旭昌[2]根據(jù)門座式起重機(jī)的空間姿態(tài)、應(yīng)變和傾角等監(jiān)測參數(shù)開發(fā)了門座式起重機(jī)健康狀態(tài)監(jiān)測系統(tǒng)。周凱笛[3]設(shè)計(jì)開發(fā)了基于工業(yè)嵌入式的結(jié)構(gòu)健康監(jiān)測系統(tǒng)，將其應(yīng)用于正在服役的起重機(jī)械上。上述文獻(xiàn)開發(fā)的監(jiān)測系統(tǒng)可以實(shí)時(shí)掌握起重機(jī)的多個(gè)工作參數(shù)，對起重機(jī)進(jìn)行狀態(tài)監(jiān)測，但對起重機(jī)鋼結(jié)構(gòu)的狀態(tài)無法進(jìn)行診斷。

文獻(xiàn)[4]首先獲取各點(diǎn)的位移變化率，然后利用支持向量機(jī)進(jìn)行分類，對塔機(jī)鋼結(jié)構(gòu)進(jìn)行狀態(tài)判別。文獻(xiàn)[5]采用自由振動(dòng)分析方法對鋼柱和鋼框架結(jié)構(gòu)進(jìn)行了試驗(yàn)和數(shù)值研究。研究發(fā)現(xiàn)，由于裂紋的存在，結(jié)構(gòu)的力學(xué)性能會(huì)發(fā)生變化，從而導(dǎo)致模態(tài)頻率降低。邢哲等[6]以結(jié)構(gòu)損傷前后的頻率平方變化率和標(biāo)準(zhǔn)化位移振型進(jìn)行組合，作為神經(jīng)網(wǎng)絡(luò)的損傷指標(biāo)進(jìn)行學(xué)習(xí)和判斷，研究了網(wǎng)架鋼結(jié)構(gòu)的損傷識(shí)別。張沖等[7]研究了光纖傳感器在起重機(jī)械安全監(jiān)測中的應(yīng)用，記錄了起重機(jī)工作過程中的應(yīng)變曲線。這些方法都可以檢測結(jié)構(gòu)的狀態(tài)，但前提是需要設(shè)置大量傳感器，并且需要損傷狀態(tài)的數(shù)據(jù)進(jìn)行大量學(xué)習(xí)，才可以獲得較好的效果。但是獲得大量真實(shí)的塔機(jī)損傷數(shù)據(jù)是非常難的。塔機(jī)事故不同于其他事故，塔機(jī)事故較多的是重大事故，而這些都限制了上述方法在塔機(jī)結(jié)構(gòu)狀態(tài)診斷中的應(yīng)用。

密度聚類(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)是一種基于密度的聚類算法，這類密度聚類算法一般假定樣本的類別可以通過樣本分布的緊密程度決定。同一類別的樣本，它們之間緊密相連，在該類別任意樣本周圍不遠(yuǎn)處一定有同類別的樣本存在。密度聚類可以對任意形狀的稠密數(shù)據(jù)集進(jìn)行聚類，它根據(jù)數(shù)據(jù)的內(nèi)在聯(lián)系，對數(shù)據(jù)自動(dòng)分類。

本文提出一種基于時(shí)間序列分析和密度聚類相結(jié)合的塔機(jī)結(jié)構(gòu)安全狀態(tài)診斷方法。首先建立QTZ315 塔機(jī)（起重力矩為3 150 kN·m 的塔式起重機(jī)）的有限元模型，驗(yàn)證模型的有效性，提取塔機(jī)結(jié)構(gòu)在起升動(dòng)載荷下的動(dòng)態(tài)位移。然后對塔機(jī)的動(dòng)態(tài)位移進(jìn)行時(shí)間序列分析，提取通過自回歸模型提取數(shù)據(jù)的殘差的方差和位移均值作為塔機(jī)狀態(tài)的特征值。通過完好工況的特征值求解密度聚類的自適應(yīng)半徑r，解決了該密度聚類算法半徑r需要按照經(jīng)驗(yàn)設(shè)定的問題。將歸一化的特征值進(jìn)行自動(dòng)聚類分析，實(shí)現(xiàn)了塔機(jī)結(jié)構(gòu)狀態(tài)的自動(dòng)診斷。最后通過單肢實(shí)驗(yàn)對該方法進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1 塔機(jī)模型建立與驗(yàn)證

在有限元軟件中，塔機(jī)鋼結(jié)構(gòu)的主肢、水平腹桿、斜腹桿、上弦桿和下弦桿等構(gòu)件均用梁單元Beam188模擬，塔機(jī)拉桿用桿單元Link180模擬。

（1）對研究問題影響不大的結(jié)構(gòu)進(jìn)行適當(dāng)?shù)暮喕簩⑸现ё拖轮ё葘?shí)體采用梁單元加固等效處理。將塔機(jī)平衡重、變幅機(jī)構(gòu)等質(zhì)量集中的塔機(jī)附件，用質(zhì)量單元Mass21等效處理[8]。

（2）對邊界條件的處理：起重臂和平衡臂與回轉(zhuǎn)塔身之間通過銷軸鏈接，在ANSYS有限元模型中采用耦合處理，僅釋放銷軸轉(zhuǎn)動(dòng)方向的自由度，塔身底部的基礎(chǔ)節(jié)用地基螺栓將其固定在地面上，在模型中約束底部4個(gè)節(jié)點(diǎn)的所有自由度。

該QTZ315 塔機(jī)所有的桿件在ANSYS 中的材料屬性根據(jù)實(shí)際情況和塔機(jī)型式檢測報(bào)告[9]設(shè)定為：彈性模量為210 GPa、泊松比為0.3、密度為7 800 kg/m3。為了在構(gòu)建模型的時(shí)候，容易建立模型和方便后續(xù)操作，該模型以塔身豎直方向?yàn)閅方向，以起重臂方向?yàn)閄方向，在水平面內(nèi)以垂直X方向向外的方向?yàn)閆方向。模型結(jié)構(gòu)如圖1 所示。具體的損傷位置如圖2所示。圓圈內(nèi)標(biāo)號(hào)為L2的單元為損傷單元，損傷單元占單個(gè)標(biāo)準(zhǔn)節(jié)主肢長度的5%。通過塔機(jī)型式檢測報(bào)告驗(yàn)證模型的有效性。

圖1 模型結(jié)構(gòu)圖

圖2 損傷處放大圖

該QTZ315塔機(jī)的技術(shù)參數(shù)為：起升高度48 m；起重臂最大工作幅度70 m；起重臂最大工作幅度處額定起重量3 440 kg；塔機(jī)最大額定起重量16 000 kg；起升速度0.525 m/s；吊重在3.6 s 末離地。根據(jù)文獻(xiàn)8 中的方法計(jì)算額定起升激勵(lì)載荷，施加到幅度70 m 處，設(shè)置載荷步和阻尼，利用完全法對塔機(jī)模型進(jìn)行瞬態(tài)動(dòng)力學(xué)分析。

本文主要研究的是塔身鋼結(jié)構(gòu)的損傷，在模型分析中用彈性模量E的消減模擬結(jié)構(gòu)損傷。模擬損傷的位置見圖1，損傷單元位于塔身平衡臂側(cè)第二標(biāo)準(zhǔn)節(jié)頂端，圖2為該區(qū)域放大圖。針對以下3種塔機(jī)結(jié)構(gòu)損傷狀態(tài)進(jìn)行研究：

（1）塔機(jī)結(jié)構(gòu)完好（工況1）；

（2）塔身平衡臂側(cè)第二標(biāo)準(zhǔn)節(jié)頂端的損傷單元損傷80%，即彈性模量消減80%（工況2）；

（3）塔身平衡臂側(cè)第二標(biāo)準(zhǔn)節(jié)頂端的損傷單元損傷60%，即彈性模量消減60%（工況3）；

（4）塔身平衡臂側(cè)第二標(biāo)準(zhǔn)節(jié)頂端的損傷單元損傷50%，即彈性模量消減50%（工況4）。

利用ANSYS的后處理模塊，提取回轉(zhuǎn)平臺(tái)與損傷主肢同側(cè)的主肢上的節(jié)點(diǎn)1532 號(hào)的動(dòng)態(tài)位移信息，對其進(jìn)行狀態(tài)分析。

2 特征提取

2.1 模型建立與特征提取

自回歸模型（Autoregressive Model，AR模型）是現(xiàn)在常用的時(shí)間序列模型之一。利用AR 模型對塔機(jī)的動(dòng)態(tài)數(shù)據(jù)進(jìn)行損傷特征提取。首先將采集到的塔機(jī)結(jié)構(gòu)的動(dòng)態(tài)位移信號(hào)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，記錄為時(shí)間序列{Xt} ，根據(jù)完好狀態(tài)下的數(shù)據(jù)建立自回歸模型AR(p)為：

式中：p為自回歸模型的階次；

ai為自回歸參數(shù)；

εt為模型的殘差。

步驟1：應(yīng)用貝葉斯信息準(zhǔn)則（Bayesian Information Criterion，簡稱BIC 準(zhǔn)則）和Burg 遞推法估計(jì)出模型的階次和模型參數(shù)。

步驟2：將多組數(shù)據(jù)得到的參數(shù)取均值，得到各個(gè)參數(shù)的均值，利用參數(shù)的均值建立AR模型。

步驟3：再利用待檢狀態(tài)的數(shù)據(jù)去擬合步驟2建立的AR模型，獲取各組數(shù)據(jù)的殘差的方差。

如果結(jié)構(gòu)狀態(tài)不變，那么模型將適用于當(dāng)前數(shù)據(jù)，殘差應(yīng)該在較小的范圍內(nèi)。如果結(jié)構(gòu)出現(xiàn)損傷，模型就會(huì)出現(xiàn)偏差，那么在系數(shù)不變的情況下，所有結(jié)構(gòu)上的變化全部累積到AR 模型的殘差之中，偏差應(yīng)該加大。因此將殘差的方差設(shè)為特征值之一。

步驟4：為了保留原數(shù)據(jù)的特征，將動(dòng)態(tài)數(shù)據(jù)的均值作為另一特征值，這樣彌補(bǔ)了前期對數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理造成的信息的縮減。

2.2 基于密度的診斷算法

基于密度的聚類（DBSCAN）根據(jù)數(shù)據(jù)點(diǎn)的局部密度來確定類別[10-12]，而不是僅僅通過點(diǎn)與點(diǎn)之間的距離?；诿芏鹊木垲愃惴ǖ幕静襟E如下所示[13-14]：

步驟1：設(shè)定半徑r和閥數(shù)M，計(jì)算數(shù)據(jù)集中每個(gè)點(diǎn)與其他點(diǎn)之間的距離。并判斷該點(diǎn)是否可以成為核心點(diǎn)。同時(shí)給每個(gè)點(diǎn)設(shè)置標(biāo)識(shí)符，表示這些點(diǎn)沒有賦給任何一個(gè)簇。核心點(diǎn)的判定規(guī)則為：在某一點(diǎn)在半徑r距離以內(nèi)的點(diǎn)至少有M個(gè)，則這一點(diǎn)為核心點(diǎn)。

步驟2：從未分配的核心點(diǎn)開始，找出它所有密度連通的點(diǎn)，并分配給其中一個(gè)簇。如果某些邊界點(diǎn)屬于從多個(gè)核心點(diǎn)距離可達(dá)，則把這些邊界點(diǎn)分配給任意的核心點(diǎn)，也可以同時(shí)賦予給所有的簇。邊界點(diǎn)的判定規(guī)則：該點(diǎn)不是核心點(diǎn)，但是它在某個(gè)核心點(diǎn)的半徑r距離以內(nèi)。

步驟3：不屬于任何簇的點(diǎn)作為噪聲點(diǎn)處理。

因?yàn)槊芏染垲惖拇厥歉鶕?jù)數(shù)據(jù)密度自動(dòng)劃分的，所以密度聚類可以處理任意形狀和大小的數(shù)據(jù)集。但是密度聚類的一個(gè)局限在于，它對于半徑r的要求比較高。如果半徑r太大，較密集的簇容易被合并到一起；如果半徑r太小，較稀疏的簇容易被分成多個(gè)簇。目前，半徑r的取值主要是依靠經(jīng)驗(yàn)確定。

因?yàn)樵谒C(jī)損傷識(shí)別過程中，以完好狀況的塔機(jī)數(shù)據(jù)和待測的塔機(jī)數(shù)據(jù)做兩兩對比，所以只要確定可以使完好狀況的塔機(jī)數(shù)據(jù)或者待測工況歸類成一簇的最小半徑r，就可以解決密度聚類的局限。因此本文提出自動(dòng)計(jì)算出自適應(yīng)半徑r的步驟：

步驟1：計(jì)算每個(gè)數(shù)據(jù)點(diǎn)與其他數(shù)據(jù)點(diǎn)之間的距離，從小到大排列每個(gè)點(diǎn)到其他點(diǎn)的距離，選取每個(gè)點(diǎn)與其他點(diǎn)的第M個(gè)距離值；

步驟2：從步驟（1）選取的距離值中，選取最大值rmax，以[0，rmax]為區(qū)間，用區(qū)間消去法，求出最小半徑rmin；

步驟3：利用步驟1～2 求出完好工況和檢測工況的最小半徑rmin，對比各工況的最小半徑rmin，選擇其中較小的為密度聚類的半徑r。

此方法在塔機(jī)損傷識(shí)別中可以解決密度聚類的半徑局限。經(jīng)過多個(gè)數(shù)據(jù)集的檢驗(yàn)，此方法可以使用。

3 仿真結(jié)果分析

用節(jié)點(diǎn)1532號(hào)Z方向的動(dòng)態(tài)位移對塔機(jī)進(jìn)行分析。首先取1532號(hào)的完好工況（工況1）的動(dòng)態(tài)位移10 組，每組數(shù)據(jù)個(gè)數(shù)N取100，用BIC 準(zhǔn)測對AR 模型階次進(jìn)行確定，如圖3所示。

結(jié)果發(fā)現(xiàn)，用BIC 準(zhǔn)則進(jìn)行定階時(shí)，由圖3 可知，BIC 值從p=11 開始，其下降速率減慢，BIC 值逐漸平穩(wěn)。根據(jù)密度聚類分析的特性和BIC準(zhǔn)則中的要求，把該AR 模型的階次設(shè)定為p=11。用完好狀況塔機(jī)的數(shù)據(jù)建立AR(11)模型，按照2.1 節(jié)中步驟求出參數(shù)ai的均值，如表1所示。

表1 完好狀況塔機(jī)（工況1）數(shù)據(jù)的參數(shù)的均值

圖3 定階

利用表1 中的參數(shù)的均值建立檢測AR(11)模型。分別取工況1 和工況2 兩種工況下塔機(jī)的動(dòng)態(tài)位移數(shù)據(jù)，去擬合上述的檢測AR(11)模型，求出兩種工況的殘差的方差和數(shù)據(jù)的均值。把兩種工況的殘差的方差和數(shù)據(jù)均值進(jìn)行標(biāo)準(zhǔn)化處理（歸一化處理），特征值如表2所示，1～10組為工況1的特征值，11～20組為工況2的特征值。

設(shè)定基于密度的聚類方法的M為4，同時(shí)利用表2 的1～10 組數(shù)據(jù)根據(jù)2.2 節(jié)中的步驟，自動(dòng)計(jì)算出自適應(yīng)半徑r為0.023 4。將表2 的數(shù)據(jù)利用DBSCAN 聚類方法進(jìn)行塔機(jī)狀態(tài)自動(dòng)診斷，自動(dòng)判定結(jié)果如圖4所示。

表2 塔機(jī)工況1與工況2狀態(tài)塔機(jī)的特征值

由圖4可知，塔機(jī)正常狀態(tài)的數(shù)據(jù)（工況1）和損傷狀態(tài)的數(shù)據(jù)（工況2）被自動(dòng)診斷分為兩類，正確率為100%，可以實(shí)現(xiàn)塔機(jī)損傷預(yù)警和損傷診斷。同樣用上述步驟對塔機(jī)工況1與工況3狀態(tài)進(jìn)行分析，設(shè)定基于密度的聚類方法的M為4，自動(dòng)計(jì)算出自適應(yīng)半徑r為0.130 9，結(jié)果如圖5所示。

圖4 塔機(jī)工況1和工況2的判別圖

圖5 塔機(jī)工況1和工況3的判別圖

由圖5可知，塔機(jī)正常狀態(tài)的數(shù)據(jù)（工況1）和損傷狀態(tài)的數(shù)據(jù)（工況3）被自動(dòng)診斷分為兩類，正確率為100%，可以實(shí)現(xiàn)塔機(jī)損傷預(yù)警和損傷診斷。對塔機(jī)工況1與工況4狀態(tài)進(jìn)行分析，設(shè)定基于密度的聚類方法的M為4，自動(dòng)計(jì)算出自適應(yīng)半徑r為0.162 1，結(jié)果如圖6所示。

圖6 塔機(jī)工況1和工況4的判別圖

由圖6可知，塔機(jī)正常狀態(tài)的數(shù)據(jù)（工況1）和損傷狀態(tài)的數(shù)據(jù)（工況4）被自動(dòng)診斷分為兩類，正確率為70%。從上述分析可以看出本方法可以對損傷程度50%進(jìn)行損傷識(shí)別，雖然出現(xiàn)了誤判，但是沒有出現(xiàn)錯(cuò)誤預(yù)警。

通過分析可以看出本方法可以比較準(zhǔn)確判斷塔機(jī)的損傷，分析所用的數(shù)據(jù)，只用了從塔機(jī)模型回轉(zhuǎn)平臺(tái)1532 節(jié)點(diǎn)提取的位移數(shù)據(jù)。通過單肢實(shí)驗(yàn)數(shù)據(jù)對此方法進(jìn)行驗(yàn)證。

4 單肢實(shí)驗(yàn)研究分析

為了驗(yàn)證本文方法的有效性，設(shè)計(jì)了塔機(jī)的單肢實(shí)驗(yàn)，用單肢實(shí)驗(yàn)數(shù)據(jù)對上述方法進(jìn)行驗(yàn)證。把型號(hào)為FTZ6010塔機(jī)的兩根標(biāo)準(zhǔn)節(jié)的主弦桿作為實(shí)驗(yàn)對象。兩根主弦桿之間采用M36X3 的高強(qiáng)度螺栓連接。使用液壓缸對實(shí)驗(yàn)構(gòu)件進(jìn)行偏載加載，最大壓力為25 MPa。在實(shí)驗(yàn)中，通過松動(dòng)連接兩根主弦桿之間的高強(qiáng)度螺栓模擬塔機(jī)損傷。振動(dòng)數(shù)據(jù)由安裝在頂端下弦桿上的傾角測量傳感器獲取。實(shí)驗(yàn)臺(tái)設(shè)計(jì)圖和實(shí)物圖如圖7和圖8所示。

圖7 實(shí)驗(yàn)臺(tái)設(shè)計(jì)圖

圖8 試驗(yàn)臺(tái)實(shí)物圖

單肢實(shí)驗(yàn)的過程如下步驟：

步驟1：開始給實(shí)驗(yàn)臺(tái)液壓缸進(jìn)行加壓，主弦桿受拉力的影響，當(dāng)拉力逐漸增加到20 t時(shí)，停止對液壓缸加壓；

步驟2：開始保持液壓缸壓力不變，時(shí)間為30秒；

步驟3：保壓結(jié)束后，液壓缸給系統(tǒng)卸壓到拉力為0；

步驟4：每種工況重復(fù)上述步驟三次。

采用本實(shí)驗(yàn)的兩個(gè)工況進(jìn)行分析，分別是：

工況1（完好工況）：對連接兩根標(biāo)準(zhǔn)節(jié)主弦桿之間的兩個(gè)高強(qiáng)度螺栓分別施加700 N·m 的預(yù)緊力，即螺栓連接狀態(tài)正常。

工況2（損傷工況）：其中一個(gè)高強(qiáng)度螺栓松開2扣，另一個(gè)高強(qiáng)度螺栓施加和工況1相同的預(yù)緊力，即700 N·m的預(yù)緊力。

實(shí)驗(yàn)數(shù)據(jù)與上述仿真結(jié)果分析的振動(dòng)數(shù)據(jù)的方向相同。對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行損傷識(shí)別分析，首先每個(gè)工況分別選擇9組實(shí)驗(yàn)數(shù)據(jù)，每組選取100個(gè)點(diǎn)。通過BIC準(zhǔn)則對其進(jìn)行定階分析，如圖9所示。

圖9 單肢實(shí)驗(yàn)數(shù)據(jù)定階圖

通過工況1的數(shù)據(jù)建立AR(3)模型，求得該模型的參數(shù)均值，如表3所示。

表3 單肢實(shí)驗(yàn)完好狀況（工況1）數(shù)據(jù)的參數(shù)均值

用上述2.1 節(jié)和2.2 節(jié)的步驟對單肢實(shí)驗(yàn)工況1和工況2進(jìn)行分析。特征值如表4所示1～9組為工況1，10～18組為工況2。設(shè)定密度聚類的M為4，自動(dòng)計(jì)算出自適應(yīng)半徑r為0.048 8，分析結(jié)果如圖10所示。

圖10 單肢數(shù)據(jù)工況1與工況2判別圖

表4 單肢實(shí)驗(yàn)數(shù)據(jù)的工況1和工況2特征值

由圖10 可知，單肢實(shí)驗(yàn)工況1（完好狀態(tài)）數(shù)據(jù)和工況2（損傷工況）數(shù)據(jù)被自動(dòng)診斷分為兩類，正確率為83.3%。通過實(shí)驗(yàn)分析看出，密度聚類可以把損傷特征值根據(jù)計(jì)算的半徑自動(dòng)分成兩類，雖然在單肢實(shí)驗(yàn)工況2 在自動(dòng)診斷中正確率只有83.3%，但是沒有出現(xiàn)錯(cuò)誤預(yù)警，可以判定單肢實(shí)驗(yàn)數(shù)據(jù)工況2出現(xiàn)了損傷。

5 結(jié)語

目前塔機(jī)結(jié)構(gòu)損傷診斷的研究中有的用人工智能進(jìn)行前期訓(xùn)練和后期診斷，有的用大量傳感器進(jìn)行監(jiān)測，本文提出了用單個(gè)傳感器進(jìn)行自動(dòng)診斷的方法。以完好狀態(tài)的塔機(jī)信號(hào)進(jìn)行時(shí)間序列分析，建立AR 模型,求得該模型的參數(shù)均值，用完好狀態(tài)和損傷狀態(tài)的位移數(shù)值擬合模型，用計(jì)算出的殘差和各組數(shù)據(jù)均值作為特征值。自適應(yīng)計(jì)算聚類半徑，進(jìn)行結(jié)構(gòu)狀態(tài)的自動(dòng)診斷。仿真數(shù)據(jù)結(jié)果表明，此方法可以對塔機(jī)模型第二標(biāo)準(zhǔn)節(jié)上端微小單元彈性模型消減50%以上的工況準(zhǔn)確判斷損傷。對單肢實(shí)驗(yàn)結(jié)果分析表明，此方法可以識(shí)別結(jié)構(gòu)狀態(tài)，可以實(shí)現(xiàn)塔機(jī)完好狀態(tài)和結(jié)構(gòu)損傷狀態(tài)的智能判別。本文方法克服了塔機(jī)損傷數(shù)據(jù)難以獲取，因而難以用人工智能進(jìn)行訓(xùn)練的難題，僅需完好工況的塔機(jī)數(shù)據(jù)就可以完成塔機(jī)的結(jié)構(gòu)狀態(tài)診斷，且只需要非常少的傳感器即可實(shí)現(xiàn)。