核電站智能故障預(yù)警與診斷方案研究

王夢(mèng)月,李鳴謙,萬(wàn) 欣

(1.中國(guó)核電工程有限公司，北京 100080；2.華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，北京 102200)

0 引言

電站需要監(jiān)視的參數(shù)多達(dá)上萬(wàn)點(diǎn)，報(bào)警信號(hào)之間的潛在關(guān)聯(lián)復(fù)雜，固定閾值報(bào)警的限值范圍難以覆蓋所有情況，機(jī)組在正常運(yùn)行和故障運(yùn)行中的特征難以被分辨，運(yùn)行人員判斷難度大[1]。尤其是在大范圍異常工況時(shí)，幾十甚至上百個(gè)報(bào)警同時(shí)出現(xiàn)，即使熟練的進(jìn)行人員也難以及時(shí)、準(zhǔn)確地識(shí)別報(bào)警的擾動(dòng)源。目前，核電站全廠分布式控制系統(tǒng)(distributed control system,DCS)的報(bào)警功能只是將參數(shù)的超限信息羅列出來(lái)，缺乏主動(dòng)分析診斷的能力，通常仍需由運(yùn)行人員按照運(yùn)行規(guī)程或報(bào)警卡，根據(jù)報(bào)警、參數(shù)偏差、安全動(dòng)作等信息作綜合分析后，才能確認(rèn)故障原因并采取相應(yīng)措施。其工作量大、難度高、實(shí)時(shí)性差，存在由于運(yùn)行人員操作不當(dāng)或操作不及時(shí)而導(dǎo)致設(shè)備損壞，甚至引發(fā)事故產(chǎn)生與擴(kuò)大的風(fēng)險(xiǎn)。因此，亟需引入先進(jìn)的預(yù)警和診斷技術(shù)，為運(yùn)行人員提供更加快速、完備的故障處理判據(jù)。

現(xiàn)代工業(yè)的過(guò)程控制中廣泛應(yīng)用的智能預(yù)警和診斷技術(shù)，可以實(shí)現(xiàn)對(duì)生產(chǎn)過(guò)程中關(guān)鍵對(duì)象的狀態(tài)變化進(jìn)行連續(xù)監(jiān)測(cè)。當(dāng)故障或事故發(fā)生時(shí)，該技術(shù)可以自動(dòng)報(bào)警并判斷發(fā)生何種故障，快速定位擾動(dòng)源，使運(yùn)行人員能夠及時(shí)、準(zhǔn)確地采取合理、有效的措施，從而排除故障或避免事故。

對(duì)于不同行業(yè)、不同對(duì)象、不同故障類(lèi)型，由于特性和判據(jù)不盡相同，預(yù)警和診斷的方法也不同。設(shè)備級(jí)的故障診斷研究成果包括基于神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等技術(shù)的傳感器故障診斷[2]、機(jī)械設(shè)備故障診斷[3-4]等。系統(tǒng)級(jí)的故障診斷理論和方法研究成果包括基于深度學(xué)習(xí)、故障樹(shù)等技術(shù)的控制系統(tǒng)故障診斷[5]、事故預(yù)測(cè)及故障診斷方法[1]、決策支持系統(tǒng)[6]等。其中，針對(duì)核電站相關(guān)的故障診斷技術(shù)還在探索階段，尚未成熟應(yīng)用。

本文對(duì)核電站故障預(yù)警和診斷的具體功能需求展開(kāi)分析，結(jié)合核電站監(jiān)控對(duì)象的特征以及不同智能算法的特點(diǎn)和應(yīng)用場(chǎng)景，提出了適用于核電站的智能故障預(yù)警與診斷方案。

1 核電站故障預(yù)警和診斷功能需求

根據(jù)不同的故障診斷判據(jù)和人員及人工智能認(rèn)知方式劃分，本文將針對(duì)以下三種情況對(duì)核電站的故障預(yù)警和診斷進(jìn)行功能需求分析。

①依靠報(bào)警快速判斷的故障。對(duì)于喪失電源、喪失熱阱、喪失壓縮空氣、放射性屏障破裂等事故，通常可以通過(guò)某一個(gè)或某幾個(gè)報(bào)警信號(hào)直接判斷該事故是否發(fā)生。當(dāng)報(bào)警觸發(fā)時(shí)，仍需要運(yùn)行人員根據(jù)報(bào)警卡逐項(xiàng)排查才能確定事故原因。對(duì)于此類(lèi)事故，需要利用人工智能技術(shù)輔助運(yùn)行人員快速、準(zhǔn)確地進(jìn)行故障診斷。

②儀表通道故障。通常可以根據(jù)同一參數(shù)冗余測(cè)點(diǎn)之間的數(shù)值關(guān)系判斷儀表是否故障，并用冗余儀表的測(cè)量值代替故障儀表的測(cè)量值。但受經(jīng)濟(jì)性和安裝布置等因素限制，并不是所有參數(shù)都具備設(shè)置冗余測(cè)點(diǎn)的條件。對(duì)于冗余程度不足的測(cè)點(diǎn)，需要利用人工智能技術(shù)為其構(gòu)建冗余測(cè)量模型，以實(shí)現(xiàn)儀表通道故障預(yù)警。

③需綜合分析判斷的故障。在核電站緊急停堆或安注信號(hào)觸發(fā)后，機(jī)組的熱工水力模型會(huì)產(chǎn)生較大波動(dòng)，相關(guān)參數(shù)的變化規(guī)律復(fù)雜且互相關(guān)聯(lián)。此時(shí)，無(wú)法直接通過(guò)報(bào)警信號(hào)判斷事故，需要結(jié)合由事故所引起的多個(gè)參數(shù)的變化量及其變化趨勢(shì)，經(jīng)運(yùn)行人員綜合分析后，才能對(duì)事故作出判斷。如蒸汽管道/給水管道破裂、蒸汽發(fā)生器傳熱管破裂、一回路冷卻劑喪失、喪失全部給水等。對(duì)于此類(lèi)事故，需要利用人工智能技術(shù)為其建立故障預(yù)警模型，從而實(shí)現(xiàn)故障預(yù)警功能。

2 核電站故障預(yù)警和診斷總體方案

核電站智能故障預(yù)警和診斷總體方案涉及的核心算法主要有卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)、堆疊自編碼(stacked auto-encoder,SAE)網(wǎng)絡(luò)、故障樹(shù)分析(fault tree analysis,FTA)等。核電站智能故障預(yù)警和診斷總體方案如圖1所示。

圖1 總體方案Fig.1 General scheme

2.1 故障預(yù)警

故障預(yù)警是指依靠報(bào)警信號(hào)和其他參數(shù)綜合分析，在事故發(fā)生不明顯、影響范圍小、程度輕的初期發(fā)出故障警報(bào)，以避免事故的發(fā)生。核電站物理對(duì)象往往是非線性、強(qiáng)耦合、隨機(jī)性極強(qiáng)的，因此基于模型的預(yù)警技術(shù)在實(shí)際應(yīng)用中受到限制。隨著計(jì)算機(jī)技術(shù)和智能儀表的發(fā)展和應(yīng)用，核電站生產(chǎn)過(guò)程中的重要參數(shù)能夠以更高的采樣頻率、更高的精度被獲取。大量存儲(chǔ)的歷史運(yùn)行數(shù)據(jù)中蘊(yùn)含了系統(tǒng)不同狀態(tài)下的特性，因此可采用基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)警技術(shù)。

在基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)警技術(shù)中，淺層的機(jī)器學(xué)習(xí)算法，如支持向量機(jī)、K近鄰算法以及反向傳播神經(jīng)網(wǎng)絡(luò)在小樣本數(shù)據(jù)、單一工況的故障預(yù)警實(shí)踐中有較好的表現(xiàn)[2-3]。然而，在面對(duì)大數(shù)據(jù)樣本、噪聲信號(hào)覆蓋力強(qiáng)、變工況等復(fù)雜情況時(shí)，淺層網(wǎng)絡(luò)的特征提取能力不足，預(yù)警的精度難以達(dá)到較高水平[4]。深度學(xué)習(xí)算法在這方面則更具優(yōu)勢(shì)，如CNN和SAE網(wǎng)絡(luò)。CNN在二維圖像識(shí)別領(lǐng)域體現(xiàn)出優(yōu)秀的自學(xué)習(xí)能力和特征提取能力，有應(yīng)用于故障預(yù)警的潛力。CNN在船舶微小故障研究[4]、電機(jī)軸承振動(dòng)信號(hào)故障診斷[7]中已有較好應(yīng)用。SAE網(wǎng)絡(luò)作為一種無(wú)監(jiān)督學(xué)習(xí)算法，對(duì)數(shù)據(jù)的要求更低。現(xiàn)場(chǎng)數(shù)據(jù)往往是無(wú)標(biāo)簽的。SAE網(wǎng)絡(luò)能充分挖掘這些數(shù)據(jù)的深度特征，在缺乏故障樣本的預(yù)警方面體現(xiàn)出明顯優(yōu)勢(shì)[8]。SAE網(wǎng)絡(luò)自學(xué)習(xí)輸入數(shù)據(jù)的特征，使輸出盡可能接近輸入，也就是SAE網(wǎng)絡(luò)能夠提取輸入信息中的本質(zhì)特征。在缺乏故障數(shù)據(jù)的情況下，使用SAE網(wǎng)絡(luò)模型學(xué)習(xí)正常特征也是一種預(yù)警思路。因此，本文選用CNN和SAE網(wǎng)絡(luò)進(jìn)行故障預(yù)警，對(duì)于難以用智能算法建模的故障采用結(jié)合趨勢(shì)分析的閾值預(yù)警的方法。對(duì)于儀表通道故障，本文采用冗余值比較算法實(shí)現(xiàn)故障預(yù)警，在冗余度不足的情況下優(yōu)先采用SAE網(wǎng)絡(luò)構(gòu)建冗余測(cè)量模型。

2.2 故障診斷

故障診斷技術(shù)[5,9]包括基于解析模型、基于信號(hào)處理與基于人工智能三類(lèi)。基于解析模型的方法(如基于觀測(cè)器、基于濾波器、等價(jià)空間和集員估計(jì)等)與故障預(yù)警所面臨的困境相似，其建模精度難以滿足需求。基于信號(hào)處理的方法(如小波分析和經(jīng)驗(yàn)?zāi)B(tài)分解等)具有易于實(shí)現(xiàn)、動(dòng)態(tài)實(shí)時(shí)性好的優(yōu)點(diǎn)，但對(duì)潛在的故障診斷準(zhǔn)確性不高。此外，在數(shù)據(jù)量巨大的情況下，基于信號(hào)處理的方法工作量大、診斷效率不高。基于人工智能的方法可分為基于知識(shí)、神經(jīng)網(wǎng)絡(luò)、定型模型和數(shù)據(jù)挖掘。其中，基于知識(shí)和神經(jīng)網(wǎng)絡(luò)是人工智能故障診斷技術(shù)的重要分支。其基本思路分別是：將待診斷領(lǐng)域長(zhǎng)期的實(shí)踐經(jīng)驗(yàn)和大量故障信息轉(zhuǎn)化為計(jì)算機(jī)適用的規(guī)則知識(shí)庫(kù)，模仿專家的推理方式設(shè)置推理規(guī)則，結(jié)合實(shí)時(shí)數(shù)據(jù)與生成的規(guī)則知識(shí)庫(kù)進(jìn)行分析和推理，推算出故障的原因、程度和位置等；使用歷史數(shù)據(jù)訓(xùn)練分類(lèi)器，通過(guò)對(duì)比實(shí)際值與分類(lèi)結(jié)果之間的差異特性檢測(cè)故障。由于核電站安全程度高、故障數(shù)據(jù)樣本不充足，若使用神經(jīng)網(wǎng)絡(luò)可能會(huì)面臨數(shù)據(jù)分布不平衡的問(wèn)題，導(dǎo)致模型性能難以得到保證。基于知識(shí)的診斷方法更加穩(wěn)定、可靠，可以將核電站已有的診斷規(guī)程、專家經(jīng)驗(yàn)等轉(zhuǎn)化為計(jì)算機(jī)能識(shí)別的語(yǔ)言，建立智能化、自動(dòng)化的故障診斷知識(shí)庫(kù)。因此，本文選用基于知識(shí)的FTA[6]來(lái)實(shí)現(xiàn)故障診斷。

3 核電站故障預(yù)警和診斷功能模塊

3.1 故障預(yù)警模塊

針對(duì)前文所述“需綜合分析判斷的故障”，本研究方案設(shè)計(jì)基于SAE網(wǎng)絡(luò)的故障預(yù)警、基于CNN的故障預(yù)警、結(jié)合趨勢(shì)分析的閾值預(yù)警三個(gè)功能模塊。基于SAE網(wǎng)絡(luò)的故障預(yù)警模塊應(yīng)用于缺少故障數(shù)據(jù)的對(duì)象。基于CNN的故障預(yù)警模塊應(yīng)用于故障數(shù)據(jù)充足的對(duì)象。結(jié)合趨勢(shì)分析的閾值預(yù)警用于參數(shù)的閾值預(yù)警。針對(duì)前文所述“儀表通道故障”，本研究方案設(shè)計(jì)儀表通道故障預(yù)警模塊。

3.1.1 基于SAE網(wǎng)絡(luò)的故障預(yù)警模塊

①確定用于SAE網(wǎng)絡(luò)建模的輸入/輸出變量。

核電站各系統(tǒng)一般都具備明確的物理結(jié)構(gòu)，可以根據(jù)各系統(tǒng)的輸入/輸出關(guān)系，確定對(duì)預(yù)警參數(shù)有明顯影響的相關(guān)變量。其中，某些預(yù)警變量的影響因子較多，還可能包含一些冗余量，由其產(chǎn)生的大量歷史數(shù)據(jù)會(huì)增加神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練負(fù)擔(dān)，影響模型精度。因此，本研究方案采用神經(jīng)網(wǎng)絡(luò)靈敏性分析法對(duì)輸入數(shù)據(jù)進(jìn)行篩選，選擇有代表性的典型類(lèi)型數(shù)據(jù)用于SAE網(wǎng)絡(luò)的模型訓(xùn)練。

②歷史數(shù)據(jù)采集及預(yù)處理。

仿真機(jī)模擬運(yùn)行各個(gè)工況，獲得全面覆蓋各工況的正常運(yùn)行數(shù)據(jù)，保證數(shù)據(jù)采集過(guò)程具有足夠的遍歷性。對(duì)所采集的數(shù)據(jù)進(jìn)行離群點(diǎn)剔除、空值位置判斷和缺失值填補(bǔ)(樣條插值法)等數(shù)據(jù)預(yù)處理操作。

③SAE網(wǎng)絡(luò)模型訓(xùn)練。

采集到的樣本被分為訓(xùn)練集和測(cè)試集，以提升模型的泛化性。其中，訓(xùn)練集的樣本用于訓(xùn)練，根據(jù)系統(tǒng)輸入/輸出變量個(gè)數(shù)以及系統(tǒng)復(fù)雜度，調(diào)整深度神經(jīng)網(wǎng)絡(luò)模型的隱藏層層數(shù)、節(jié)點(diǎn)數(shù)、權(quán)重、學(xué)習(xí)率、訓(xùn)練代數(shù)等參數(shù)，通過(guò)前向傳播和反向傳播進(jìn)行反復(fù)訓(xùn)練以優(yōu)化網(wǎng)絡(luò)參數(shù)，直至SAE網(wǎng)絡(luò)訓(xùn)練模型收斂。測(cè)試集的輸入變量被送入訓(xùn)練好的模型中，以比較模型預(yù)測(cè)值與測(cè)試集中的輸出值。當(dāng)誤差滿足要求，則完成訓(xùn)練；否則，重復(fù)模型訓(xùn)練過(guò)程。

④預(yù)警模型測(cè)試。

訓(xùn)練完成后得到的SAE網(wǎng)絡(luò)預(yù)警模型，學(xué)習(xí)到的是各個(gè)工況下相關(guān)變量在正常運(yùn)行狀態(tài)下的特性。將仿真機(jī)中相關(guān)變量的實(shí)時(shí)值作為模型的輸入，并由模型輸出該變量的預(yù)測(cè)值，對(duì)預(yù)測(cè)值與實(shí)際值進(jìn)行相似度分析。若輸入模型的變量處于正常狀態(tài)，則模型預(yù)測(cè)值與實(shí)際值相似度較高，在可信區(qū)間內(nèi)。若輸入模型的變量處于故障狀態(tài)，由于模型并未學(xué)到故障特性，模型預(yù)測(cè)值與實(shí)際值相似度較低。當(dāng)相似度不屬于可信區(qū)間時(shí)，模型發(fā)出故障預(yù)警。

3.1.2 基于CNN的故障預(yù)警模塊

①確定用于CNN建模的輸入/輸出變量。

針對(duì)不同的系統(tǒng)，在建立故障預(yù)警模型前需要根據(jù)實(shí)際情況確定模型的輸入變量。本研究方案主要借助專家經(jīng)驗(yàn)及相關(guān)性理論，選擇有代表性的典型參數(shù)作為故障預(yù)警模型的輸入變量。

②歷史數(shù)據(jù)采集及預(yù)處理。

歷史數(shù)據(jù)采集及預(yù)處理流程同3.1.1節(jié)。

③CNN模型訓(xùn)練。

本文基于仿真機(jī)模擬機(jī)組運(yùn)行過(guò)程產(chǎn)生的正常工況和故障工況數(shù)據(jù)，依據(jù)故障敏感性選取相關(guān)參數(shù)作為故障預(yù)警模型的輸入，采用端到端的一維CNN[7]構(gòu)建故障預(yù)警模型。該模型能夠?qū)?shù)據(jù)預(yù)處理、特征提取和故障識(shí)別三大功能整合到一個(gè)模型中，支持多傳感器、多通道的輸入數(shù)據(jù)。

采集到的數(shù)據(jù)被劃分為訓(xùn)練集和測(cè)試集，以提高模型的泛化性。其中，訓(xùn)練集的樣本用于訓(xùn)練網(wǎng)絡(luò)模型，根據(jù)系統(tǒng)輸入/輸出變量的個(gè)數(shù)及系統(tǒng)復(fù)雜度，調(diào)整CNN模型的卷積核尺寸、數(shù)目、權(quán)值、學(xué)習(xí)率、丟棄率、訓(xùn)練代數(shù)等參數(shù)來(lái)訓(xùn)練模型，直至模型收斂。將測(cè)試集數(shù)據(jù)輸入到訓(xùn)練好的模型中，直到模型收斂時(shí)完成訓(xùn)練；否則，重復(fù)模型訓(xùn)練過(guò)程。

④預(yù)警模型測(cè)試。

CNN預(yù)警模型訓(xùn)練完成后，將輸入變量實(shí)時(shí)值輸入模型，預(yù)警模型判斷系統(tǒng)的實(shí)時(shí)狀態(tài)，直接輸出預(yù)警結(jié)果。

3.1.3 結(jié)合趨勢(shì)分析的閾值預(yù)警模塊

仿真機(jī)模擬運(yùn)行各個(gè)工況，采集各工況下的運(yùn)行數(shù)據(jù)，歷史數(shù)據(jù)采集及預(yù)處理流程同3.1.1節(jié)。根據(jù)不同類(lèi)型的報(bào)警閾值，如正常值、上限值、下限值，結(jié)合趨勢(shì)分析結(jié)果，如上升、下降、持平或周期變化，判斷當(dāng)前參數(shù)是否有越過(guò)報(bào)警閾值的趨勢(shì)，并輸出預(yù)警結(jié)果。

3.1.4 儀表通道故障預(yù)警模塊

冗余程度不同的測(cè)點(diǎn)采用不同的方法進(jìn)行故障預(yù)警。對(duì)于單一儀表的測(cè)點(diǎn)，本研究方案采用SAE網(wǎng)絡(luò)建模的方法計(jì)算出預(yù)測(cè)值，將預(yù)測(cè)值與實(shí)際值進(jìn)行相似度分析。對(duì)于雙冗余測(cè)點(diǎn)，本研究方案采用SAE網(wǎng)絡(luò)建模構(gòu)造第三個(gè)冗余儀表值，再進(jìn)行冗余值比較。對(duì)于多冗余測(cè)點(diǎn)，本研究方案直接通過(guò)冗余值比較完成故障預(yù)警。

①基于冗余值比較的儀表通道故障預(yù)警。

對(duì)于含有三個(gè)及以上儀表的多冗余測(cè)點(diǎn)，由仿真機(jī)模擬各個(gè)工況運(yùn)行，采集多冗余儀表的檢測(cè)數(shù)據(jù)，采用冗余值比較算法對(duì)比各儀表的信號(hào)周期與信號(hào)幅值。當(dāng)某一儀表所測(cè)得的信號(hào)與其他儀表所測(cè)得信號(hào)在周期或幅值上的差異超過(guò)報(bào)警閾值時(shí)，預(yù)警模型發(fā)出報(bào)警，以實(shí)現(xiàn)儀表通道的故障預(yù)警。

②基于SAE網(wǎng)絡(luò)的儀表通道故障預(yù)警。

對(duì)于單一儀表的參數(shù)X，結(jié)合工藝流程和專家知識(shí)，篩選出A、B、…、N這幾個(gè)與X相關(guān)性強(qiáng)的參數(shù)作為輸入，按照3.1.1節(jié)所介紹的方法建立SAE網(wǎng)絡(luò)預(yù)警模型并進(jìn)行訓(xùn)練。將仿真機(jī)中的實(shí)時(shí)數(shù)據(jù)送入SAE網(wǎng)絡(luò)預(yù)警模型，將模型輸出的預(yù)測(cè)值與實(shí)際值進(jìn)行相似度分析。當(dāng)相似度不屬于可信區(qū)間時(shí)，預(yù)警模型發(fā)出報(bào)警信號(hào)，實(shí)現(xiàn)儀表通道的故障預(yù)警。

對(duì)于雙冗余的儀表，通過(guò)人為構(gòu)建第三個(gè)冗余儀表進(jìn)行冗余值比較，完成儀表通道的故障預(yù)警。構(gòu)建冗余儀表的方式與處理單一儀表測(cè)點(diǎn)的方法類(lèi)似，對(duì)于參數(shù)X，結(jié)合工藝流程和專家知識(shí)，篩選出A、B、…、N這幾個(gè)與X1、X2相關(guān)性強(qiáng)的參數(shù)作為輸入，建立SAE預(yù)警模型。模型訓(xùn)練好之后，能計(jì)算出參數(shù)X1、X2的預(yù)測(cè)值X與X1、X2構(gòu)成冗余，并進(jìn)行冗余值比較。當(dāng)三者之中的任一數(shù)值在周期或幅值上的差異超過(guò)報(bào)警閾值時(shí)則發(fā)出報(bào)警，實(shí)現(xiàn)儀表通道的故障預(yù)警。

3.2 故障診斷模塊

針對(duì)前文所述的依靠報(bào)警快速判斷的故障，本研究方案設(shè)計(jì)故障診斷模塊。將核電站的報(bào)警邏輯、操作規(guī)程、運(yùn)行經(jīng)驗(yàn)等信息進(jìn)行篩選分析后形成專家知識(shí)庫(kù)，將其中的專家知識(shí)用程序語(yǔ)言描述，梳理相關(guān)邏輯關(guān)系并轉(zhuǎn)換為故障樹(shù)模型。故障診斷模塊采用樹(shù)搜索的方法，根據(jù)觸發(fā)的故障歷史數(shù)據(jù)，按照故障樹(shù)模式逐層搜索故障原因，確定故障根源[10]，并顯示故障處理方法，從而輔助決策。

4 結(jié)論

本文根據(jù)核電站故障預(yù)警和診斷的功能需求，針對(duì)不同的應(yīng)用場(chǎng)景，設(shè)計(jì)了基于SAE網(wǎng)絡(luò)的故障預(yù)警模塊、基于CNN的故障預(yù)警模塊、結(jié)合趨勢(shì)分析的閾值預(yù)警模塊、儀表通道故障預(yù)警模塊和故障診斷模塊這五個(gè)功能模塊，并提出了各功能模塊的詳細(xì)設(shè)計(jì)方案。本方案為核電站智能故障預(yù)警和診斷系統(tǒng)的開(kāi)發(fā)提供技術(shù)支持，將推進(jìn)核電行業(yè)的智能化發(fā)展。后續(xù)將按照本文提出的方案，基于核電站仿真平臺(tái)完成系統(tǒng)開(kāi)發(fā)并投入測(cè)試，進(jìn)一步對(duì)本方案進(jìn)行驗(yàn)證和完善。