磨削燒傷聲發射智能監測的研究進展

郭 力 郭君濤 王 藝 王偉程

(湖南大學機械與運載工程學院/國家高效磨削工程技術研究中心, 湖南 長沙 410082)

磨削加工屬于機械加工中的精加工，通常是制造鏈的最后一道工序。磨削加工過程復雜，隨著對加工質量與加工效率的要求日益嚴格，磨削過程中的的監控和檢測變的十分重要。在過去的20年中已經引入了各種技術，如用磨削力、振動、聲發射(acoustic emission, AE)等各種信號來監測磨削過程。

磨削加工中刀具工件局部材料結構會發生改變，發射彈性波，產生聲發射現象。基于這種AE信號在磨削過程產生的機理，AE檢測被認為是最適合于磨削過程的監測技術。在磨削過程中AE信號的發射源主要有：工件的彈塑性變形和裂紋的形成；砂輪磨粒與工件之間的摩擦、彈性接觸；磨粒的掉落和破碎、粘接劑的掉落；砂輪堵塞、切削液噪聲和電氣噪聲等。這些AE信號與磨削加工中砂輪的狀態、工件表面質量、磨削加工參數精密相關，因此可以通過AE信號對磨削加工進行檢測與分析，實現對磨削加工過程的監控和加工質量的評估。研究表明，磨削過程中塑性變形引起的AE信號的主要頻率范圍在100～300 kHz之內，其他噪聲如砂輪堵塞、切削液噪聲主要頻率范圍在100 kHz之下，電氣噪聲的主要頻率范圍在1 000 kHz之上，這些頻率分布特性為研究磨削過程中AE信號提供了良好的條件[1]。

AE檢測技術在磨削加工的應用開始于1984年，加州伯克利分校的Doerfeld教授發現AE信號的RMS(有效值)會隨著砂輪的磨損而增大，其敏感度更勝于磨削力的檢測。在此之后有大量學者和機構對AE檢測在磨削中的應用進行了大量的研究，除了在磨削燒傷中的應用外，在砂輪接觸監控、工件表面粗糙度、砂輪的鈍化和修整等方面也取得了不錯的成果。近些年來，基于AE的磨削在線智能監測系統已經成為了研究的熱點。

1 磨削加工中的AE信號的分析

磨削加工中的聲發射檢測的目的是將傳感器采得的信號進行分析，盡可能完整地找出磨削加工中的有關特征值，并進行提取識別，建立它與聲發射源狀態間的映射關系，從而實現對磨削狀態的識別與監控。磨削加工過程中的聲發射檢測一般有4個過程：AE信號采集、信號處理分析、特征提取、智能識別。AE信號的采集是聲發射檢測中的重要一環,使用信號采集系統實現，聲發射傳感器對聲發射的信號采集至關重要。全波形全數字化多通道聲發射檢測系統，諸如德國VALLEN公司的VS系列，美國PAC公司的SAMOS系統等在實際中得到了廣泛的應用。聲發射信號的分析、特征值提取以及智能識別的方法，在本文中歸納為經典和現代聲發射分析方法兩類。

經典聲發射信號分析方法是簡化波形的特征參數分析，包括計數分析、能量分析、幅度分析以及聲發射信號參數分布分析和關聯分析。參數分析法測量簡單，操作方便，分析結果簡便快捷，在AE實驗與工程應用中應用廣泛。但參數分析法只是針對AE信號波形的某幾個特征進行分析；而AE信號中包含的大量磨削信息沒有分析處理，這制約了其在智能磨削AE信號分析中的應用。

1.1 現代AE信號分析技術

頻譜分析是將采集到的時域AE信號在頻域展開并提取信號特征，分析AE源的信息。頻譜分析技術主要分為以傅里葉分析為主的經典譜分析和以非傅里葉分析為主的現代譜分析。經典譜分析中快速傅里葉變換FFT和離散傅里葉變換DFT是最常用的波形分析方法，但不能反映局部的信號頻率變化，只能有效地分析周期平穩信號或者查看整體的頻率信息。短時傅里葉變換STFT的出現一定程度上解決了這個問題，它采用時域移動的窗函數與功率譜來處理信號，描述AE信號特征值在時頻面上的分布，但窗函數一經選定就不再改變，不適用于對信號的多分辨率分析。

小波變換WT繼承了STFT的局部化思想，同時又克服了窗函數不隨頻率變化的局限，可以在時域和頻域同時表征信號局部特征，非常適合分析含有瞬態特征的聲發射信號。將小波分解系數的均值、方差、小波系數局部極大值、小波分解部分的相關系數、功率等作為特征值的小波分析技術廣泛應用于各類工程領域。實際加工中，磨削中的聲發射信號是一種非周期性非平穩信號，因此利用WT技術可以很好的對其進行分析。

希爾伯特黃變換(Hillbert-Huang Transform，HHT)是一種較新的信號時頻分析技術，特點是基于信號局部特征，適用于分析實際應用中的非線性非平穩磨削AE信號[2]。

模態聲發射MAE是利用Lamb板波理論中聲發射波的特點，將特定的物理過程和狀態與聲發射波形相聯系[3]。它易于識別與分離AE源信號，具有準確的定位與較好的去噪能力，有良好的應用前景。但模態分析對探測裝置的要求較高且對諸多環境因素十分敏感，因此模態分析的處理方法仍處于實驗室研究階段。

1.2 模式識別技術

模式識別技術通過找出適合提供樣本特征值的分類器，并對其余的樣本進行識別和分類。當前在磨削聲發射檢測技術中的模式識別方法主要有統計特征法，人工神經網絡模式識別和支持向量機等多種識別手段。

統計特征法是從已知類別的樣本特征中選取有助于分類的特征，分類學習不同類別的統計特征值，按照貝葉斯最小誤差準則設計出決策超平面，然后通過這個決策平面方程對未知樣本對應的特征值進行提取和分析，從而實現樣本模式的分類[4]。

支持向量機SVM就是以統計學習理論與結構風險最小原理為基礎，在訓練樣本識別誤差最小的前提下，盡可能提高其分類能力[5]。SVM擅長于解決小樣本，非線性以及高緯模式識別等問題，并在文本識別，生物信息等方面都有了成功的應用。最小二乘支持向量機LS-SVM具有比SVM運算快的優點。

模擬人腦對復雜信息的處理機制的模型稱為人工神經網絡ANN，簡稱神經網絡。在輸入與輸出值之間沒有明顯線性關系或者明確數學模型表示時，神經網絡通過對系統輸入輸出樣本訓練學習，在兩者之間建立合適的映射關系。它具有很強的自適應、自學習以及容錯能力，廣泛應用于系統辨識、過程控制、系統故障診斷等領域。傳統的神經網絡如BP算法等在磨削過程中的聲發射信號分析處理的應用中已經取得了巨大的成果[11]。

2006年，Hinton等人提出了深度學習的概念，大型記憶存儲檢索(LAMSTAR)神經網絡可以更加接近人大腦的工作過程，已經成功地應用了一個LAMSTAR網絡的AE信號全陶瓷軸承故障診斷[6]。深度學習神經網絡擅長大規模數據的快速分析處理，將用于磨削加工中的AE信號在線監測中。

2 磨削燒傷的聲發射監測

磨削燒傷是磨削過程中工件表層組織在瞬態高溫作用下發生變化，在部分加工表面出現氧化變色，造成材料性質變差的現象。磨削燒傷十分復雜，包括了金相組織變化，磨削力和力比變化，顯微硬度變化，殘余應力變化等多種表現形式。傳統的磨削燒傷的檢測方法是針對不同的情況，選擇不同的判別方法。常見的判別方法有表面顏色法、金相判別法、顯微硬度法、酸洗法和渦流檢測法等。但這些方法都需要檢測被磨削表面才能判別燒傷是否發生，無法實現磨削燒傷的智能在線間接監測。

當磨削燒傷產生并惡化時磨削AE信號的會相應的發生變化，因此磨削燒傷的在線監測可以通過檢測AE信號的變化來實現。早在1989年日本學者Eda H 等人[7]研究了在磨削精細陶瓷過程中產生的磨削裂紋是否可以通過監測AE信號檢測到的問題，通過對比是否產生裂紋時的AE信號發現了以下現象：當有磨削裂紋產生時，能檢測到1.0～1.2 MHz的AE信號，不產生磨削裂紋時，檢測不到這個頻段的AE信號。然后Eda H等[8]論述了聲發射信號監測燒傷的可行性。他們根據磨削中采集的AE信號頻譜的變化，將信號分為通過10 kHz高通濾波器的信號B與通過100～30 kHz帶通濾波器的信號A兩路,發現磨削燒傷程度與兩路信號的比率A/B有很好的對應關系，磨削燒傷的在線監測可以利用這種關系來實現。Qiang liu等[9]利用小波包變換提取磨削中AE信號的特征值，并用模糊模式識別優化特征并識別磨削燒傷，成功將聲發射技術用于磨削燒傷的監測中。之后Qiang liu等[10]通過磨削實驗確定了CMSX4材料的臨界燒傷溫度，首次用激光照射模擬方法加熱工件，將磨削中熱誘導的AE信號與其他AE信號區分開來，利用小波包變換提取熱誘導AE信號特征值，發現高溫下熱膨脹AE信號的能量分布主要集中在高頻波段，當溫度下降時，能量轉移到低頻帶，這為AE檢測在磨削燒傷中的應用奠定了基礎。Xun Chen等[11]通過單顆磨粒劃痕試驗、拉伸試驗和激光照射的一系列試驗，將磨削過程中的聲發射信號的機械特性和熱特性分離開來，針對磨削過程中磨削燒傷的聲發射特征較弱容易被其他聲源合并的問題，通過一系列的實驗并利用WPT小波包變換成功提取出代表溫度的AE特征，發現機械誘發信號的輻射能量集中在100～550 kHz之間，磨削溫度低時，AE能量集中在低頻段即500 kHz左右，當磨削溫度上升到可能導致磨削燒傷的高溫時，熱AE信號的能量將向高頻帶750 kHz顯著移動。James Marcus Griffin等[12]針對磨削燒傷和磨削過程中的顫振問題，對STFT提取的AE特征值，采用遺傳算法進行了多重分類，將磨削燒傷和顫振有效地識別出來。考慮到磨削燒傷的主要原因是砂輪的磨損，監測磨削熱行為可以反應砂輪的磨損程度，Xun Chen等[13]進行了熱聲發射特征監測砂輪磨損性能的可行性研究，發現不論是激光或者磨削的熱源誘導的熱聲發射信號都具有類似的特征。用激光照射實驗訓練的人工神經網絡用于監測磨削過程中砂輪的磨損，可以有效減少訓練神經網絡的磨削實驗次數，節省了成本。Arif Mohammed[14]通過用STFT提取激光照射試驗中的AE信號特征值，訓練出了可識別高溫和低溫AE數據的人工神經網絡，并用于高溫合金Inconel718材料的磨削燒傷識別，達到了71%的分類精度，表明激光照射試驗中的AE信號特征可用于磨削燒傷的監測。楊振生[15]對磨削燒傷中的的AE信號分析檢測，分析了磨削過程中AE信號，發現了燒傷中AE信號高頻峰值高于低頻峰值，與正常加工過程相反。然后提出基于AE信號“頻譜矩心”的磨削燒傷恒特征值的表達方式。然后楊振生等[16]用Hilbert-Huang變換的時間頻率分析方法來處理AE和振動信號時，發現燒傷發生時固有模態特征值IMF的前三個組分的邊際譜幅值和第四、第五個IMF分量的邊際譜頻率增大，并將這兩個特征值作為磨削燒傷檢測的指標。Chen Xun等[17]通過單顆磨粒磨削等磨削機理的研究發現了聲發射監測磨削效率的理論依據并解釋了磨削中的聲發射可以監測磨削熱性能的原因。

由于磨削過程中影響因素復雜多變且收集到的AE信號的數據規模過大，提取反映磨削燒傷的AE特征值以及排除其他的干擾因素一直是磨削燒傷聲發射檢測的難點。目前采用激光模擬磨削燒傷，并運用時頻域特征分析法分離和提取該過程中磨削燒傷特征值取得了良好效果。

3 AE監測在磨削其他方面的應用

大量的研究表明，當砂輪與工件接觸時AE信號會發生明顯變化，提取合適的閾值可作為精密磨削加工對刀的信號。潘永成[18]通過比較Cr12鋼粗修砂輪時的Aerms值與特定閾值比較，判斷Cr12鋼與砂輪是否接觸。郭力等[19]發現高效深磨中AE信號與磨削力信號的密切關系，可以用其特征值表征磨削力。利用聲發射技術監測砂輪與工件的接觸狀態，可以準確判斷，并防止碰撞，提高加工效率與加工安全性。當前，我們團隊采用小波包分析陶瓷磨削AE信號，發現磨削接觸時小波信號會有明顯的變化，在陶瓷磨削接觸的監測方面取得了成果。

3.1 砂輪鈍化的監測

砂輪磨損是磨削過程中的常態，隨著砂輪的磨損AE信號的強度會不斷增強。PaweSutowski和Krzysztof Nadolny[20]通過對磨削過程中的AE信號波形進行相似性對比分析，來確定不同力引起的磨粒脫落對應的不同波類型，基于這種方法提出了一種新的砂輪鈍化檢測的方法。D. F. G. Moia[21]等人對AE信號通過神經網絡進行深度學習，將砂輪狀況分為鋒利和鈍化，在減少時間、成本和磨料過度磨損方面取得了很好的成果。Jeffrey Badger等[22]對磨削砂輪修整中砂輪主軸功率與AE信號強度之間的關系進行了分析，并提出了一種量化修整效率和砂輪鋒利度的參數。Wenderson Nascimento Lopes等[23]利用計數率統計的方法對磨削加工中的AE信號進行分析，從而識別砂輪鈍化情況。Mauricio Eiji Nakai等[24]人研究了金剛石刀具磨削陶瓷時的磨損時，用不同磨削深度下的聲發射和切削功率信號訓練四種神經網絡組成的智能系統，自動獲得最佳的估計模型，從而識別磨損狀態。T.Warren Liao等[25]人通過收集磨削過程中的AE信號，通過自回歸建模或離散小波分解提取特征參數，通過三種不同的特征選擇方法找出最佳特征子集，包括兩個基于蟻群優化的基于不同搜索策略的特征選擇方法、順序前向浮動選擇法，用于砂輪狀態監測。楊振聲[5]提出了一種基于小波和支持向量機的砂輪磨損監測系統，對磨削加工中AE信號進行小波分析處理提取系數，結果輸入使用SVM算法構造的分類系統中，實驗結果表明在一些分類中精度能達到99%以上。

3.2 磨削表面粗糙度的監測

使用聲發射技術能實現加工中磨削過程的在線檢查，可以及時發現加工惡化，降低廢品率。長春理工大學石建等[26]提出，首先利用小波分析的方法提取磨削AE信號的特征參數，輸入到砂輪磨損狀態識別模型BP神經網絡中，然后將砂輪磨損狀態、砂輪線速度、工件進給速度、磨削深度、磨削力比輸入到BP神經網絡，通過這些輸入來訓練BP神經網絡，建立了磨削表面粗糙度在線監測模型。郭力等[27]利用BP神經網絡從AE信號的特征值中提取了QT700-2材料表面粗糙度的信息并達到了較高的精度。Everaldo Araújo Dias等[28]通過實驗對磨削加工中的AE信號與粗糙度進行對比，發現較低的修整速度產生了低的AE信號，而且還產生了較低的表面粗糙度值。認為聲發射檢測是檢測表面粗糙度的一種較好的方法，確定了較低的AE信號會產生較好的表面粗糙度。陳冰等[29]發現超精密非球面磨削加工中的AE信號經過濾波和增強后發現可以對加工中的一些狀態比如砂輪空程與加工定性監測，雖然由于噪聲干擾沒能將與表面粗糙度的AE特征提取出來，但這確是聲發射監測在超精密非球面磨削加工中的有益探索。

4 智能磨削系統

自德國的工業4.0發表后，智能制造的概念出現在人們的視線之中。當前中國提出的《中國制造2025》的一個主攻方向也是“智能制造”，而智能檢測是智能磨削領域的關鍵技術。

智能磨削系統能在磨削加工中在線監測加工質量，進而實時調整加工參數，實現對磨削過程的自動控制。在當前的智能磨削系統中，基于如AE傳感器、力傳感器、加速度傳感器等多傳感器融合的智能在線監測系統是最關鍵的一部分。通過例如模式識別、神經網絡以及模糊理論等對多傳感器采集的信號進行分析處理，從而實現對磨削加工的狀態進行判斷與識別。鞏亞東,呂洋等[30]人提出了多傳感器融合系統結構，將如圖1所示系統分為信號層、模型層和融合層。聲發射、功率、力等信號通過信號層處理傳到模型層建立各種的過程模型，融合層基于前面的處理結果采用神經網絡對特征數據進行融合。王起碩[31]通過LabVIEW和MATLAB，用AE傳感器、激光測微儀、功率計以及多分量測力儀開發了一套多傳感器融合系統，實現了磨削過程的在線檢測。Niranjan Subrahmanya等人[32]基于expert knowledge/literature review的實驗方法設計一個磨削實驗，利用ESS來消除對AE傳感器、加速度傳感器和功率傳感器信號中不相關的特征參數，從而留下一小部分保證精度的特征值。這種方法可以開發簡單的基于可視化的模型以供工業中的使用。

通過智能磨削系統可以實時獲得磨削狀態信息，對磨削接觸、工件表面粗糙度、磨削燒傷、磨削裂紋、砂輪鈍化等監控和判別，并反饋到控制系統中，根據反饋信息對加工程序和參數進行調整，平衡磨削質量與磨削成本，從而達到最佳效果。以聲發射技術為主多傳感器智能磨削系統可以極大地提高磨削過程中的智能化與自動化。

5 結語

雖然對AE信號的分析方法也有多種多樣，提取AE信號中重要的特征參數仍然還是一個難點。基于磨削加工中海量AE信號與當前設備計算能力的限制，磨削智能AE在線檢測方面的應用還是一種在實驗室或者有限的條件下的應用。

當前，磨削加工中的聲發射檢測技術的發展方向主要在于通過對磨削加工中的聲發射信號進行在線檢測分析，從而確定磨削過程中的工件燒傷、裂紋、表面質量和刀具磨損狀態等參數，實現磨削加工中智能在線監測，是磨削加工智能化和自動化的關鍵技術，能大幅降低成本，提高加工質量。除此之外，對聲發射發生機理的研究和新的快速高效的信號處理技術的開發與應用也是一個十分重要且有難度的方向。同時，磨削聲發射計算機仿真模擬也是研究智能磨削監測的一個很有意義的突破口。

未來聲發射技術在磨削過程中的應用也將趨向于與多種傳感器技術相結合，借助計算機匯總磨削過程中的各種信號，進行AE信號的綜合處理分析，從而對磨削過程作出全面準確的判斷，為磨削加工過程的工藝控制提供智能決策依據。

[1]Kim H Y, Kim S R,Ahn J H, et al. Process monitoring of centerless grinding using acoustic emission[J]. Journal of Materials Processing Tech,2001,111(1):273-278.

[2]孫惠斌,牛偉龍,王俊陽.基于希爾伯特黃變換的刀具磨損特征提取[J].振動與沖擊,2015,34(4):158-164.

[3]耿榮生,沈功田,劉時風.模態聲發射基本理論[J].無損檢測,2002(7):302-306.

[4]沈功田．聲發射檢測技術及應用[M]．北京：科學出版社，2015.

[5]Yang Z, Yu Z. Grinding wheel wear monitoring based on wavelet analysis and support vector machine[J]. International Journal of Advanced Manufacturing Technology, 2012, 62(1-4):107-121.

[6]Yoon J M, He D,Qiu B. Full ceramic bearing fault diagnosis using LAMSTAR neural network[C]// Prognostics and Health Management. IEEE, 2013:1-9.

[7]Eda H,Kishi K, Xia S, et al. In process Detection of Grinding Cracks in Fine Ceramics by the Use of Acoustic Emissions[J]. Transactions of the Japan Society of Mechanical Engineers C, 1989, 55(511):797-801.

[8]Eda H,Kishi K, Usui N, et al. In-process Detection of Grinding Burn by Means of Utilizing Acoustic Emission[J]. Journal of the Japan Society of Precision Engineering, 1984, 49:1257-1262.

[9]Liu Q, Chen X,Gindy N. Fuzzy pattern recognition of AE signals for grinding burn[J]. International Journal of Machine Tools & Manufacture, 2005, 45(7-8):811-818.

[10]Liu Q， Chen X, Gindy N. Investigation of acoustic emission signals under a simulative environment of grinding burn. International Journal of Machine Tools and Manufacture, 2006, 46 (3-4): 284-292.

[11]Chen Xun. Mechanical and thermal behaviours of grinding acoustic emission.[J]. International Journal of Manufacturing Technology & Management, 2007, 12(1-3):184-199.

[12]Griffin J M, Chen X. Multiple classification of the acoustic emission signals extracted during burn and chatter anomalies using genetic programming[J]. International Journal of Advanced Manufacturing Technology, 2009, 45(11-12):1152-1168.

[13]Chen X, Mohamed A,Folkes J. Grinding monitoring through thermal acoustic emission signatures[J]. Advanced Materials Research, 2011, 325:287-293.

[14]Arif Mohammed, Janet Folkes, Xun Chen. Detection of grinding temperatures using laser irradiation and acoustic emission sensing technique[J]. Advanced Manufacturing Processes, 2012, 27(4):395-400.

[15]楊振生. 面向磨削燒傷問題的間接監測技術研究[D]. 杭州：浙江大學, 2013.

[16]Zhensheng Yang, Zhonghua Yu, Chao Xie, et al. Application of Hilbert-Huang transform to acoustic emission signal for burn feature extraction in surface grinding process[J]. Measurement,2014, 47(1):14-21.

[17]Chen X,?p?z T T. Effect of different parameters on grinding efficiency and its monitoring by acoustic emission[J]. 2016, 4(1):190-208.

[18]潘永成. 金剛石砂輪精密修整及其聲發射在線監測技術研究[D].哈爾濱：哈爾濱工業大學, 2014.

[19]郭力,杜厚斌,鄧喻.硬質合金PA30高速深磨過程中聲發射信號特征的變化研究[J].金剛石與磨料磨具工程,2017,37(3):35-39.

[20]Sutowski P, Nadolny K. The identification of abrasive grains in the decohesion process by acoustic emission signal patterns[J]. International Journal of Advanced Manufacturing Technology, 2016, 87(1-4):1-14.

[21]Moia D F G, Thomazella I H, Aguiar P R, et al. Tool condition monitoring of aluminum oxide grinding wheel in dressing operation using acoustic emission and neural networks[J]. Journal of the Brazilian Society of Mechanical Sciences & Engineering, 2015, 37(2):627-640.

[22]Badger J, Murphy S, O'Donnell G E. Acoustic emission in dressing of grinding wheels: AE intensity, dressing energy, and quantification of dressing sharpness and increase in diamond wear-flat size[J]. International Journal of Machine Tools & Manufacture, 2017.

[23]Lopes W N, Ferreira F I, Alexandre F A, et al. Digital signal processing of acoustic emission signals using power spectral density and counts statistic applied to single-point dressing operation[J].Iet Science Measurement & Technology, 2017, 11(5):631-636.

[24]Nakai M E, Aguiar P R, Jr H G, et al. Evaluation of neural models applied to the estimation of tool wear in the grinding of advanced ceramics[J]. Expert Systems with Applications, 2015, 42(20):7026-7035.

[25]Liao T W. Feature extraction and selection from acoustic emission signals with an application in grinding wheel condition monitoring[J]. Engineering Applications of Artificial Intelligence, 2010, 23(1):74-84.

[26]石建. 基于聲發射技術磨削表面粗糙度在線檢測研究[D].長春：長春理工大學, 2014.

[27]郭力,李波.高速深切磨削曲軸材料QT700-2表面粗糙度的在線監測[J].精密制造與自動化,2013(4):19-21, 26.

[28]Dias E A, Pereira F B,Filho S L M R, et al. Monitoring of through-feed centreless grinding processes with acoustic emission signals[J]. Measurement, 2016, 94:71-79.

[29]陳冰,李時春,鄧朝暉,等.基于旋轉聲發射的非球面超精密磨削在線監測研究[J]. 兵器材料科學與工程，2018，41(1)：8-12.

[30]鞏亞東, 呂洋, 王宛山,等. 基于多傳感器融合的磨削砂輪鈍化的智能監測[J]. 東北大學學報, 2003, 24(3):248-251.

[31]王起碩. 基于多傳感器融合的微晶剛玉砂輪磨削性能在線檢測系統的研究[D]. 濟南：山東大學, 2017.

[32]Subrahmanya N, Shin Y C. Automated Sensor Selection and Fusion for Monitoring and Diagnostics of Plunge Grinding[J]. Journal of Manufacturing Science & Engineering, 2008, 130(3):876-877.