工程動態信號的精密測試與智能評估方法

沈 松， 劉進明， 鄢 明， 王治敏

（北京東方振動和噪聲技術研究所 北京，100085）

引 言

動態測試技術主要用于對動態信號進行測試和分析，獲取動態信號的頻率、幅值及相位等特征參量。傳統上動態信號分析儀主要是對音頻范圍內的動態信號進行測試分析，該頻率范圍通常在0~100 kHz 以內，常見的信號有地震、結構振動、動態應變、機械振動、轉速、噪聲和沖擊等。動態信號測試不同于溫度、壓力等靜態信號的精密測量，由于影響因素較多，一般較少討論其測量的精密程度，當前使用的相關計量檢定規程僅在5%~10%的精度［1］。隨著工業技術的迅速發展，在諸如港珠澳大橋、絕對重力測量以及大量國防工程項目中，這樣的精度已經無法滿足需求。隨著計算機技術和軟件算法的發展，精密的動態信號測量技術已經成為現實。

對于一般的動態信號測量方法，傳感器和模數轉換（analog to digital conversion， 簡稱ADC）的精度是影響測試精度的首要關鍵因素。本研究在不考慮硬件精度的前提下，主要討論通過測試技術和信號處理算法來實現精密測量的方法。實現動態信號的精密測量需要從系統進行考慮［2］，但是目前多數研究都集中在頻率、幅值的校正上［3-14］，對阻尼的研究較少［15-20］，更鮮有考慮測試系統的整體動態系統特性。

對信號精密測量的最終目的還是用于信號識別和狀態評估，不同于測量的精密化，評估則是相對“模糊”的。例如，傳統上設定閾值判斷設備運行健康狀態的手段經常是不合理的。在傳統機理研究與信號處理的基礎上，結合人工智能方法進行識別與評估已經成為重要的研究方向，目前雖然已有大量相關文獻，但都處于簡單應用階段，并且工程中的有效樣本數量太少，這是阻礙其應用的一個重要問題。針對此問題，本研究分析總結了筆者在實際中已經成功應用的幾種實用方法。

1 基本參量的精密計算

1.1 動態基本參量

一般動態系統可表示為

其中：a，b，c分別為微分項、線性項和積分項的系數，對于動力學系統分別對應加速度、速度和位移。

其運動為多個簡諧運動的組合，每個簡諧運動表示為

其中：A為振幅；n為阻尼系數，n=ξω，ξ為阻尼比；ω為圓頻率，ω=2πf，f為頻率；φ為初相位。

式（2）為某一個簡諧運動的時間歷程，其中的變量共同組成了動態系統的4 個基本參量。由式（2）可見，動態信號關心的并不是運動位移波形上的每一個數據點大小，而是反映動態特性的頻率（周期特性）、振幅（幅度特性）、相位（時間差特性）及阻尼（運動衰減損耗特性）等指標量［2］。

1.2 無阻尼信號的頻率、幅值和相位的精密計算

對于采樣頻率為fs的N點的動態信號波形x(n)，通常使用快速傅里葉變換（fast Fourier transform， 簡稱FFT）獲得離散頻譜曲線G(m)后，根據頻譜中的譜峰獲得多個頻率成分的頻率、幅值和相位。計算誤差的根源來自于有限長樣本的截斷和頻譜泄露，如圖1 所示為一個單頻正弦信號在離散頻譜上由于FFT 頻譜泄露導致的誤差，正弦信號的頻率為f，離散頻譜的頻率間隔為?f=fs/N，記fk=k?f。當f=(k+α)Δf，f∈(fk，fk+1)時，則會產生泄露誤差［3］。

圖1 FFT 頻譜泄露導致的誤差Fig.1 The error because of leakage of FFT spectrum

對于頻率而言，讀取譜峰位置的頻率fk=k?f，其最大誤差為±0.5?f；對于幅值而言，最大誤差可達-36.2%［3］。加窗是最常用的幅值修正手段，例如hanning 窗可將幅值誤差減小至-15.3%，平頂窗可將幅值誤差減小至-1%以內，但是加窗的同時卻更加模糊了頻譜中的頻率成分，相位的誤差也會隨之增加。以上是對信號中僅包含單個頻率成分的分析，工程信號中常常包含多個頻率成分，傳統上使用細化快速傅里葉變換（zoom fast Fourier transform ，簡稱ZoomFFT）等分析方法，但是這些方法需要更多的數據來實現，所以并不適合實際工程中的應用。對于非密集頻率的情況，目前主要通過兩類途徑，在不增加數據長度的條件下來獲取精確的頻率幅值等參量。

1.2.1 基于頻譜校正的方法

利用頻譜中真實信號頻率兩邊的2 條或多條譜線進行內插或比值計算［4-7］，得到更加接近于真實信號的頻率和幅值，以式（3）所示的能量重心法［8-9］為代表，該類方法計算簡單，多用于頻率校正，但是可修正的程度有限，并且對于不同的窗函數需要分別推導公式［3］。

1.2.2 基于離散傅里葉變換的方法

該方法利用離散傅里葉變換（discrete Fourier transform， 簡稱DFT）來消除FFT 的泄露誤差，以FFT/FT 方法為代表［10-11］，首先，采用FFT 進行全景頻譜計算，確定某個頻率成分f∈[fk-1，fk]之后，在該范圍內進行頻率細化，假設細化倍數為Z，則細化后的頻率間隔為?f′=?f/Z；其次，對如式（4）所示的細化后各點頻率f1序列進行式（5）所示的DFT計算；最后，搜索其中幅值最大的頻率點作為最終結果。

FFT/FT 方法可以獲得任意精度的頻率、幅值和相位結果，只需不斷加大Z即可，而付出的代價就是計算量隨之增加。但是實際上，對于頻率f1序列的計算并不需要逐個計算，可以使用各種優化搜索方法，例如結合1.2.1 節的內插或比值方法就可以極大加快搜索進度，基于該思想的方法［12］可以達到實時計算的速度，對仿真數據的計算誤差達到10-15量級，可應用于采集儀器硬件精度的提升［13］。

1.3 有阻尼信號的阻尼、頻率和幅值的精密計算

阻尼的精密測量相對更加困難，首先應設計合理有效的測量方法，得到信號的時域衰減曲線或高頻率分辨率的共振頻譜曲線，再通過信號處理來提高阻尼比的計算精度。

1.3.1 時域方法

式（2）所示的有阻尼單自由度自由振動響應曲線是一個振幅按指數曲線衰減的正弦信號，因此定義 的 阻 尼 系 數n、阻尼比ξ和 對 數 衰 減 率δ計 算［14］如下

其中：Ak，Ak+1為相鄰波峰和波谷的幅值。

如果設計一個試驗能獲得結構自由衰減的響應曲線，就可以直接按照式（6）進行阻尼的計算。較為有效的試驗方法為自然松弛法，該方法預先對結構施加靜力，使結構處于某一階彎曲振型的變形狀態，然后突然釋放，則結構將按該階振型進行自由衰減運動，測量響應的波形并讀取相鄰譜峰的幅值即可準確計算出該階振動的阻尼系數。

在實際工程測量中，自然松弛后的自由振動常常夾帶有其他階的微弱振動而導致測量誤差。針對此，文獻［15］分析了兩自由度系統的自由衰減參數，文獻［16］采用Laplace 小波分解等方法，而更加實用的方法則如式（7）所示

該方法通過Hilbert 變換計算信號的包絡線曲線E(t)，然后按照指數衰減函數Ae-nt進行擬合，得到準確的阻尼系數n，使用包絡線擬合計算的阻尼如圖2 所示。

圖2 使用包絡線擬合計算的阻尼Fig.2 Damping calculate by envelop fitting

1.3.2 頻域方法

時域法雖然簡單可靠，但其試驗方法常常難以實現，工程中更多使用半功率帶寬法。利用功率譜中 某 個 共 振 峰 的 半 功 率 帶 寬 直 接 按ξ=(f2-f1)/2f計算阻尼比［17］，其中f1和f2為半功率頻率點。

使用半功率帶寬法，離散頻譜的頻率分辨率?f可能會對計算誤差產生明顯的影響，對于低頻小阻尼情形，?f相對較大，則可能產生百分之幾百的誤差［18］。使用INV 阻尼計方法［18］復原的精確頻譜如圖3 所示，建議在計算之后利用式（8）所示的準則，根據數據計算點數N判斷是否能夠保證計算精度［19］。

圖3 使用INV 阻尼計方法復原的精確頻譜Fig.3 Recover precise spectrum by INV damping meter method

當有條件設計共振掃頻試驗時，應通過共振峰附近的慢掃頻試驗獲取較高頻率分辨率的頻譜，以提高阻尼比的計算精度，否則只能通過信號處理的方法來實現。文獻［19］提出的ZOOMBDFT 方法是利用FFT/FT 的思想，文獻［20］則采用對不同時間偏移位置分別進行FFT 計算來獲取幅值衰減率，進而計算阻尼比。兩種方法均獲得較好的結果，但在計算過程中都未充分考慮衰減曲線的DFT 計算誤差，并且細化倍數和偏移時間的選擇也會直接影響計算精度。

基于功率譜精確計算阻尼比的INV 阻尼計方法［21］是通過推導出式（2）的響應在離散功率譜的各條譜線上的幅值，然后通過譜峰附近若干條譜線的測試數據進行擬合，直接獲取阻尼、頻率等結果。如圖1 中 令α=(f-fk)Δf，ε=n/Δf，有ω=2π(k+α)Δf，則式（2）表示的時間歷程曲線經過采樣頻率fs的離散采樣后的N點時間序列可寫為

該時間序列在離散功率譜的第k條譜線上的幅值可以通過傅里葉級數進行計算

將式（9）代入式（10）后經過推導和簡化，可以得到第k條及附近若干條譜線的功率譜幅值公式為

讀取實測功率譜在k點附近若干點的幅值，利用式（11）進行擬合計算，即可獲得ε，α和A，從而計算精確的阻尼比、頻率和幅值。INV 阻尼計方法使用簡單、計算快捷，而且符合阻尼衰減振動的模型，因而可以獲得很高的精度［18］。當得到阻尼比之后，利用式（11）令m為任意的小數，則可以反推出精確的頻譜曲線。例如圖3 為使用INV 阻尼計方法復原的精確頻譜，其使用10.24 kHz 采樣頻率對信號200×e-0.01×202.5×2πtcos (202.5×2πt) 采 集1 024 點波形，圖中顯示了FFT 頻譜和利用式（11）反推的精確頻譜的差異，使用這兩個頻譜計算的阻尼比誤差分別為123.7%和0.5%。

阻尼測量還有很多種情況，其中有兩種比較重要的特殊情形：①對于無法自支撐的材料需要按《GB/T 18258—2000 阻尼材料阻尼性能測試方法》標準，將其附加在金屬片上進行共振掃頻試驗再進行換算；②對于地基基礎等阻尼比大于20%以上的情形，可以利用阻尼頻率在振動加速度和速度之間的顯著差異進行雙峰法計算［22］。對于土木建筑類的大型復雜結構，其任何一點振動響應的阻尼比都不能代表整體振動阻尼，需要通過對結構模態測試和擬合計算才能獲得較為準確的頻率和阻尼［23］。幾種常用頻譜校正方法的比較如表1 所示，其中：“√”表示可用；“—”表示不可用。

表1 幾種常用頻譜校正方法的比較Tab.1 Comparison of several popular correction methods

2 系統動態特性的擴展與改善

除了硬件精度和算法誤差外，測試系統的動態特性也是影響測量精度的重要方面。系統動態性能主要依靠相關芯片和硬件電路的性能指標，其中動態范圍、頻響性能及微積分轉換等特性還可以通過測試方法和算法來進行改進和提高。

2.1 系統頻響特性的畸變反演和范圍擴展

動態信號測試系統尤其是傳感器都具有一定的可用頻響范圍，超出此頻率范圍的信號也可能被測量，但是幅值和相位將產生畸變。圖4 為一種國內普遍應用的941 型振動傳感器頻響曲線。圖5 為列車經過橋梁時，使用不同傳感器測量的動撓度信號，其中：實際曲線為位移計測量的結果，接近于真實曲線；測量曲線為振動傳感器測量的結果，由于在低頻的幅值和相位變化而產生了嚴重的畸變。

圖4 傳感器頻響曲線Fig.4 The frequency response of a sensor

圖5 橋梁動撓度信號測量結果Fig.5 Measurement signal of bridge dynamic deflection

傳函反演［24］是能有效完成信號畸變實時修正的方法，可以擴展系統的可用頻率范圍。測試系統的頻響特性為頻率的傳遞函數Ha(f)，物理信號x(t)經過該系統后得到了產生幅值和相位畸變的離散數字序列?(n)，此時可以再設計一個傳遞函數為Hd(f)=1/Ha(f)的數字系統，?(n)經過該數字系統即可得到復原的信號x(n)，實現畸變校正的目的。

傳函反演的實現方法如圖6 所示，首先，對模擬系統（主要是傳感器）的Ha(f)進行精確標定；其次，使用無限脈沖響應法（infinite impulse response 簡稱IIR）、窗函數等方法設計具有Hd(f)傳遞特性的數字系統［25］，讓ADC 之后的數據經過該數字系統，即可獲得反演后的真實信號波形。

圖6 傳函反演的實現方法Fig.6 Implementation of transfer function reversion

當傳感器對某個頻率范圍的信號衰減到輸出小于本身噪聲水平時，或者對某個頻率范圍的信號達到共振時，該頻率范圍的Ha(f)實際上是無法標定的，也就無法實現反演。

2.2 微積分轉換的全程計算方法

在振動測量中，有加速度、速度和位移3 個基本形式，三者之間的關系為微積分關系，工程中經常需要在這3 種形式之間相互轉換?；谔菪畏ɑ蛐疗丈ǖ鹊膫鹘y微積分運算方法，在對長時間的連續振動信號進行微積分計算時，具有難以克服的缺點。其中：積分操作易受信號基線和低頻漂移的影響，導致積分后波形基線的大幅波動；微分操作易受信號局部噪聲的影響，導致微分后波形噪聲放大。對于二次微積分計算，則波動更加嚴重，實際工程中一般都加設高通或低通模擬濾波，但是這樣一方面會丟掉被濾波的信號，另一方面濾波后波形存在非線性相位的畸變。

全程加速度-速度-位移變換（acceleration elocity displacement，簡稱AVD）方法采用了與傳函反演類似的思路，設計一個具有微積分頻響特性的數字信號系統即可，如式（11）中Hj(f)為一次積分的頻響函數，Hw(f)為一次微分的頻響函數，A(f)為幅頻特性，P(f)為相頻特性。同樣的，可以類似寫出二次微積分的頻響函數，即

圖7 為某跨海大橋的振動加速度實測波形，時間長度大約為40 s。圖8 為梯形法和全程法積分后的速度波形，顯然梯形法的結果具有非常強的低頻振蕩，是不真實的。該方法還應用于港珠澳大橋的隧道沉管姿態監測和對接，該項目需要在海底使用高精度加速度傳感器經過2 次積分獲取沉管的位移時間歷程。常規的高通濾波后積分方法存在以下問題而無法使用：①高通濾波會丟失低頻成分；②IIR濾波器的非線性相位特點導致實際波形產生變化。因此，基于全程算法的積分是最終實現2.5 mm 對接誤差的水下沉管姿態監測部分的關鍵技術之一。

2.3 基于雙核采集的動態范圍提升

動態測試系統的動態范圍是一個非常重要的指標，體現了幅值方面的測量能力，可反映在一次測量下（量程不變的情況下）同時可測幅值最大信號和最小信號的比，即在保證信號中大幅度變化的測量量程時，對疊加在其上面的微弱幅度變化的測量能力。其中，可測最大信號受量程的限制，而可測最小信號受本底噪聲的影響，因此ADC 的位數是決定動態范圍的首要因素。一般在設計動態測量儀器時，對每路信號的采集都直接使用一個ADC 轉換器的輸出結果作為采集后的數字信號，因此在單一量程下的可測量范圍總低于ADC 的理論動態范圍。

基于雙核采集儀的設計思想則突破了這種慣性思維，該方法對每路信號的采集同時使用2 個24 位ADC 轉換器進行轉換，并在硬件中通過數字信號處理器（digital signal processing，簡稱DSP）或現場可編程門陣列（field programmable gate array，簡稱FPGA）對其進行重新組合［26-27］，其實現框圖如圖9 所示。一般24 位ADC 測試儀器的動態范圍在110~130 dB，而采用雙核采集的測試儀器的動態范圍則可以達到160 dB，理論上在同一量程下可以同時滿足幅度變化達108倍的不同信號的測量。

圖9 雙核24 位ADC 采集的實現框圖Fig.9 Data acquisition by dual 24 bit ADC

3 基于測試系統建模的精密測量方法

前面討論的不論是基本參量還是動態特性，都是針對單一環節的方法。如果測試系統比較復雜，則需要分析系統各個環節的誤差，建立包含物理運動和測試誤差的綜合系統模型。由于對不同的測量目標搭建的測試系統各異，本節以絕對重力測量為例，討論基于綜合系統建模的精密測量方法。

絕對重力測量是指在地球某個點位進行重力加速度的精密測量，通常使用的重力加速度為9.8 m/s2，但 是 若 要 達 到μGal 級 的 精 度（1 μGal=10-8m/s2），需要考慮各種精密測量的方法。激光干涉測量是一種常用的方法，其原理是讓一個物體在真空管作自由落體運動，在下落過程中測量各個位置的時間ti和位移zi，按照自由落體運動公式進行擬合計算，得到重力加速度a為

測量系統使用銣原子鐘作為時間基準得到時間ti，使用激光干涉法得到位移zi，最終重力加速度a的誤差大約為mGal 的量級。若要進一步提高到μGal 量級，則需要建立整個測量系統的模型來替代式（13）。

本研究基于中國計量院的NIM-3A 型絕對重力儀，建立的絕對重力測量的微振校正示意圖見圖10。首先，完善物理運動方程，進一步考慮重力的梯度差異，梯度表現在自由落體公式的3 次和4 次項中，增加重力梯度項的自由下落物理模型為

圖10 絕對重力測量的微振校正示意圖Fig.10 Microvibration correction for absolute gravimeter

其中：γ為梯度系數。

其次，考慮電路系統的干擾，主要存在激光調制頻率ωr和市電工頻ωs的干擾。ωr可根據激光系統的參數獲得，ωs一般為50 或60 Hz。這兩部分均為簡諧分量，即

然后，繼續考慮真空管筒體的前若干階自振運動［28］，如前3 階結構振動項為

其中：ωm為筒體結構的第m階固有頻率

最后，進行大地微振的補償，相比于前3 項而言，對測量誤差影響最大的則是來自大地微振引起反射鏡的運動［29］，大地微振屬于隨機振動，不能進行直接計算，而需要通過精密振動測試系統來實時測量。采用雙核160 dB 采集、傳感器傳函反演以及全程AVD 積分后，實現了納米級大地微振的測量精度。將測量的大地微振di加入式（13）中，得到綜合系統模型為

此外，還進行了環境大氣壓、地球潮汐和極移等影響的誤差修正，最終使得測量的不確定度下降到10 μGal以下。圖11為2017年的絕對重力測量的國際比對結果［30］，其中NIM-3A 的實測結果與各國儀器平均值相差僅為1.5 μGal，合成不確定度為5.8 μGal。

圖11 絕對重力測量的國際比對結果Fig.11 International comparison results of absolute gravimeteries

可見，基于系統建模的精密測量方法從測量原理入手，綜合考慮被測對象的物理特性、測量系統誤差、輔助結構影響及環境干擾等因素，結合動態信號的精密計算方法，可獲取非常高的測量精度。

4 基于特征提取與深度學習的動態信號識別與評估

動態信號的測量可以不斷地精密化，但是對信號的識別與評估卻需要智能化。通過對設備產生的振動與噪聲進行機理研究，形成了很多用于信號識別和健康評估的方法。隨著各類設備復雜程度的不斷提高，僅僅通過機理特征去識別的難度越來越大。伴隨著深度學習技術的快速發展，人工智能已經成為信號識別與評估的重要手段，但在工程動態測試領域，卻面臨著有效樣本極少的困難，表現在以下兩個方面：①大量的工程數據不具備規范統一的特點，并且由于測試方法和算法的不足而導致數據中丟失大量的原始信息；②機器故障的偶發特性導致準確標識的故障樣本更少。因此，利用機理研究成果，對信號進行預先的特征化后再進入神經網絡，可以有效減少神經網絡訓練對數據量的需求，但要避免過度信號特征化，防止丟失信號內部不易發現的潛在特征。

4.1 兩種常用的特征化方法

4.1.1 基于信號特征量的機器學習

對于結構組成簡單、故障形式明確的設備，為有效識別其早期和并發故障，可以對信號進行全面的特征量提取。初期無需考慮這些特征量的有效性，在積累一定量的數據之后對其進行降維處理，保留這些特征量中的主成分，最后將降維后的數據進行標準化，并選擇一種聚類算法完成機器學習。

以某燃氣熱水器的下線檢測為例，首先，熱水器的常見故障表現于風機、電磁閥和燃燒室爆燃等，在生產線上對熱水器的振動噪聲進行在線檢測，并從中提取了120 余種特征量，包括整機不同方位的聲壓和聲品質、風機各階次振動和噪聲、電磁閥開合過程的各種波形統計量以及燃燒相關頻率區段的頻譜值等；其次，通過相關性或者正交性分析來完成降維處理，降維后保留了7 個特征量；最后，選擇K-means 算法，隨機取2 個中心點，并選取大致等量的合格與不合格樣本進行訓練，得到最終的學習模型，即可用于生產線中不合格品的在線識別。

4.1.2 基于譜陣彩圖的深度學習

更多的信號難以簡單地進行若干個特征量的提取，更好的方法是利用深度學習技術［31］。目前，較為成熟的卷積神經網絡（convolutional neural network，簡稱CNN）已經在二維圖像處理中得到廣泛應用，因此利用信號的譜陣生成彩色圖像非常適合于CNN 處 理［32］。2 種 適 合CNN 計 算 的 常 用 譜 圖 如圖12 所示。圖12（a）為飛機經過測量儀器上方時測量的隨時間變化的頻譜譜陣圖，可以看出有兩類特征：①發動機頻率由于多普勒效應而隨時間持續減??；②空氣噪聲隨時間變化由高到低再到高。對于旋轉機械設備的故障識別，一般使用圖12（b）所示的隨轉速變化的轉速-階次譜陣［33］。

圖12 2 種適合CNN 計算的譜圖Fig.12 Two spectrum maps for CNN calculation

4.2 少樣本的解決辦法

4.2.1 樣本增強和遷移學習

樣本增強實際上就是人為生成更多的樣本數據提供給神經網絡進行訓練，簡單的方法是通過計算機程序按照故障機理，疊加一些其他特征和噪聲，生成大量的仿真故障數據。另外，還可以利用現有的樣本數據，將每一個樣本信號分離為故障特征部分和背景噪聲部分，再重新進行交叉組合，產生更多的故障樣本［34］。

遷移學習［35］是利用公有的訓練模型，加入到私有模型中以提高私有模型的準確率，相當于應用了公有模型中樣本數據的訓練效果。一種基于機理信號分析、樣本增強和遷移學習等深度學習的設備在線監測與健康評估流程如圖13 所示。

圖13 一種基于深度學習的設備在線監測與健康評估流程圖Fig.13 A procedure of equipment online monitor and evaluation based on deep learning

4.2.2 自編碼學習

當完全沒有故障樣本時，例如運行中設備一直未發生故障，只能收集到正常數據樣本，此時需要使用無監督學習的方法建立推理模型。在4.1.1 節機器學習情形下使用的K-means 就是數據無監督學習的聚類方法，而對于4.1.2 節深度學習中則需要使用自編碼神經網絡模型，其特點是讓神經網絡的輸出等同于輸入，訓練出的模型隱藏層中包含了編碼和解碼兩部分，即對輸入樣本數據進行編碼再解碼后得到的輸出等同于輸入。該模型用于設備健康的實時監測中，若設備處于正常運行狀態則測量數據輸入給自編碼神經網絡后可輸出原數據，一旦設備發生異常則測量數據輸入后不能輸出原數據，從而可判斷是否發生異常。

5 結束語

本研究主要面向工程振動和噪聲測試，在不考慮硬件芯片和電路精度的前提下，從計算算法和測試方法方面研究了基本參量的精密計算，討論了影響動態系統的一些動態特性，并從工程實用性角度探討了包含基本參量、動態特性和系統建模等方法。隨著硬件儀器的精度提高和信號處理新算法的出現，動態測試進一步向更高精度發展。深度學習技術的發展為動態信號的智能評估提供了可能，針對無標簽樣本的無監督學習模型將成為人工智能的下一個發展重點，如2017 年提出的Transformer 編碼器模型已經在語言理解項目GPT4［36］中取得了巨大成功。隨著人工智能相關技術在工程應用上的深入研究，將解決無負樣本的自學習等問題。