基于駕駛意圖云模型識(shí)別的混合動(dòng)力汽車(chē)A-ECMS的構(gòu)建

鄧 濤，羅遠(yuǎn)平

（1. 重慶交通大學(xué) 機(jī)電與車(chē)輛工程學(xué)院，重慶 400074，中國(guó)；2. 重慶交通大學(xué) 航空學(xué)院，重慶 400074，中國(guó)）

能量管理策略是混合動(dòng)力汽車(chē)(hybrid electric vehicle, HEV)的關(guān)鍵技術(shù)，其主要分為兩類(lèi)，一類(lèi)是以工程經(jīng)驗(yàn)為依據(jù)的規(guī)則控制策略，另一類(lèi)是以不同目標(biāo)為優(yōu)化對(duì)象的優(yōu)化控制策略[1]。基于規(guī)則的控制策略[2]比較簡(jiǎn)單，實(shí)用性強(qiáng)，但規(guī)則制定主要依靠人的經(jīng)驗(yàn)，控制效果往往差強(qiáng)人意?；趦?yōu)化的控制策略如動(dòng)態(tài)規(guī)劃[3]、極小值原理[4]、模型預(yù)測(cè)控制[5]等需要提前預(yù)知整個(gè)行駛工況，以便對(duì)整個(gè)行駛工況的轉(zhuǎn)矩分配進(jìn)行優(yōu)化，獲得全局最優(yōu)解。因而這類(lèi)控制策略計(jì)算量大，難以用于實(shí)際。而以瞬時(shí)轉(zhuǎn)矩分配為優(yōu)化對(duì)象的等效燃油消耗最小策略(equivalent consumption minimization strategy, ECMS)[6]通過(guò)構(gòu)造一個(gè)等效因子將電能等效為燃油，并以最小等效燃油消耗為目標(biāo)得到瞬時(shí)的最優(yōu)轉(zhuǎn)矩分配方案，不僅可以獲得接近于全局最優(yōu)的控制效果，而且也減少了計(jì)算量，是最有可能運(yùn)用于實(shí)際的優(yōu)化控制策略。等效因子對(duì)工況及其敏感，因此ECMS需要實(shí)時(shí)調(diào)節(jié)等效因子來(lái)提高其普適性。等效因子的調(diào)節(jié)一般可分為3類(lèi)[7]：基于工況預(yù)測(cè)調(diào)節(jié)[8]、基于充電狀態(tài)（state of charge，SOC）反饋調(diào)節(jié)[9]、基于駕駛模式識(shí)別調(diào)節(jié)[10]。由于實(shí)際運(yùn)行工況復(fù)雜多變，很難有算法能對(duì)未來(lái)工況實(shí)現(xiàn)精準(zhǔn)預(yù)測(cè)，這也就限制了基于工況預(yù)測(cè)調(diào)節(jié)等效因子的實(shí)用性。而基于SOC反饋調(diào)節(jié)會(huì)使SOC波動(dòng)頻率增大，會(huì)導(dǎo)致電池壽命減少。

駕駛模式識(shí)別是指識(shí)別具有相似統(tǒng)計(jì)性質(zhì)的行駛工況[11]，統(tǒng)計(jì)變量不同，對(duì)駕駛模式定義也不同。若以油門(mén)踏板開(kāi)度及其變化率等駕駛員操作數(shù)據(jù)作為統(tǒng)計(jì)變量，則駕駛模式被定義為駕駛意圖，是駕駛員發(fā)揮主觀能動(dòng)性對(duì)實(shí)際狀況做出正確預(yù)判的體現(xiàn)。已有研究成果表明能量管理和轉(zhuǎn)矩分配要符合駕駛員意圖[12-13]。

但駕駛意圖是采用自然語(yǔ)言進(jìn)行描述的定性概念，往往具有一定的不確定性（隨機(jī)性和模糊性），而采集的識(shí)別參數(shù)都是定量數(shù)據(jù)。因此，需要將這些定量數(shù)據(jù)與定性概念相互映射。于是，有人提出以模糊數(shù)學(xué)來(lái)解決這一問(wèn)題?；旌蟿?dòng)力電動(dòng)汽車(chē)如高建平等[14]對(duì)駕駛風(fēng)格及加速意圖進(jìn)行模糊識(shí)別，再將識(shí)別的駕駛風(fēng)格和加速意圖識(shí)別作為輸入，模糊輸出轉(zhuǎn)矩修正系數(shù)k對(duì)需求轉(zhuǎn)矩進(jìn)行修正；孫瀚文等[15]采用模糊控制器識(shí)別駕駛員操作意圖，結(jié)合行駛工況對(duì)SOC 進(jìn)行動(dòng)態(tài)控制，合理選擇電動(dòng)汽車(chē)(electrical vehicle, EV) 或者混合動(dòng)力電動(dòng)汽車(chē)(hybrid electric vehicle, HEV)模式切換點(diǎn)的方法，取得了較好的節(jié)油效果。

模糊識(shí)別雖能較好將定量數(shù)據(jù)轉(zhuǎn)換為定性的駕駛意圖，但其隸屬度函數(shù)的確定嚴(yán)重依賴(lài)專(zhuān)家經(jīng)驗(yàn)，具有很強(qiáng)的主觀性，而云模型在模糊數(shù)學(xué)基礎(chǔ)上增加了對(duì)隸屬度的隨機(jī)性描述，突破了單一隸屬度的限制，能更好地實(shí)現(xiàn)定性概念和定量數(shù)據(jù)的相互轉(zhuǎn)換[16-17]。

因此，本文采用云模型識(shí)別駕駛員意圖，并以此來(lái)調(diào)節(jié)等效因子，制定基于駕駛員意圖識(shí)別(driver intention recognition，DIR)的自適應(yīng)等效燃油消耗最小策略(adaptive-ECMS, A-ECMS)，以期達(dá)到優(yōu)化SOC軌跡、降低燃油消耗的目的。

1 駕駛意圖云模型識(shí)別

1.1 云模型簡(jiǎn)介

云模型的3個(gè)數(shù)字特征分別為期望Ex、熵En、超熵He[16]。

1.1.1 正向云發(fā)生器

正向云發(fā)生器（forward cloud generator, FCG）是指定性概念向定量數(shù)值的轉(zhuǎn)換算法，即由云模型的3個(gè)數(shù)字特征產(chǎn)生統(tǒng)計(jì)變量論域上的數(shù)值，示意圖如圖1所示。

其具體步驟如下：

1) 生成一個(gè)正態(tài)隨機(jī)數(shù)En′i，En′I～N(En, He2)；

2) 對(duì)一個(gè)給定數(shù)值xi，計(jì)算其對(duì)該模型隸屬度

3) 完成一次定性概念到定量數(shù)值的轉(zhuǎn)換，(xi，μi)稱(chēng)為云模型中的一個(gè)云滴；

1.1.2 逆向云發(fā)生器

逆向云發(fā)生器 (backward cloud generator, BCG)是正向云發(fā)生器的反過(guò)程，示意圖如圖2所示。

其具體步驟如下：

1) 對(duì)一組樣本{x1，x2，x3，…，xn}，計(jì)算其平均值則期望Ex= x；

2) 計(jì)算上述樣本方差；

上述云發(fā)生器均為一維云發(fā)生器算法，類(lèi)似于正態(tài)分布，其也可推廣至二維，三維甚至更高維數(shù)的云發(fā)生器算法。

1.2 駕駛意圖識(shí)別

1.2.1 駕駛意圖分類(lèi)

駕駛意圖可采用速度、加速度、加速踏板開(kāi)度及其變化率進(jìn)行識(shí)別。駕駛意圖的分類(lèi)編號(hào)如圖3所示。

1.2.2 駕駛意圖云模型識(shí)別

通過(guò)云模型對(duì)駕駛意圖進(jìn)行識(shí)別，首先需要產(chǎn)生各意圖下相應(yīng)的云模型特征參數(shù)。按照逆向云發(fā)生器具體步驟，采集各個(gè)工況下的駕駛意圖識(shí)別參數(shù)。駕駛意圖一般采用踏板開(kāi)度及其變化率進(jìn)行識(shí)別[13]，但考慮到正常駕駛時(shí)，駕駛員產(chǎn)生的駕駛意圖在一部分程度上也取決于車(chē)輛行駛狀態(tài)（如車(chē)速，加速度）；因此本文采用加速踏板開(kāi)度α及其變化率α'、制動(dòng)踏板開(kāi)度β及其變化率β'，車(chē)速v、加速度a作為駕駛意圖識(shí)別參數(shù)。此外，由于工況數(shù)量眾多，可采用K-means聚類(lèi)算法對(duì)工況進(jìn)行聚類(lèi)，選取各個(gè)類(lèi)別最具代表性的工況進(jìn)行研究[18]。

根據(jù)文獻(xiàn)[18]對(duì)工況進(jìn)行聚類(lèi)分析，得到的代表性工況分別為城市道路循環(huán)工況(urban dynamometer driving schedule, UDDS)、美國(guó)激烈駕駛工況(US06)、新歐洲駕駛周期(new european driving cycle, NEDC)、聯(lián)邦測(cè)試程序(federal test procedure, FTP)、紐約城市工況(New York city cycle, NYCC)和高速路燃油經(jīng)濟(jì)性測(cè)試工況(highway fuel economy test，HWFET)。利用SimuLink軟件建立起混合動(dòng)力汽車(chē)前向仿真模型在這些工況下仿真，以1s為采樣間隔，實(shí)時(shí)采集駕駛意圖識(shí)別參數(shù)。在前向仿真模型中，駕駛員模型采用比例積分微分(proportion integration differentiation, PID)控制輸出加速踏板開(kāi)度信號(hào)，示意圖如圖4所示。

加速踏板開(kāi)度計(jì)算公式為：

式中：Treq為需求轉(zhuǎn)矩，Temax、Tmmax分別為當(dāng)前轉(zhuǎn)速下發(fā)動(dòng)機(jī)和電機(jī)所能輸出的最大轉(zhuǎn)矩，Tbr_max為車(chē)輛能提供的最大制動(dòng)轉(zhuǎn)矩。

將采集的數(shù)據(jù)用K-means聚類(lèi)，劃分意圖類(lèi)別。但在對(duì)數(shù)據(jù)進(jìn)行駕駛意圖聚類(lèi)時(shí)，由于車(chē)速值相對(duì)于踏板開(kāi)度值比較大，造成聚類(lèi)結(jié)果對(duì)車(chē)速比較敏感，從而無(wú)法對(duì)駕駛意圖進(jìn)行正確分類(lèi)，因而在對(duì)駕駛意圖進(jìn)行聚類(lèi)之前需對(duì)采集的數(shù)據(jù)歸一化處理。本文中采用研究對(duì)象車(chē)輛設(shè)計(jì)的最高車(chē)速vmax作為歸一化工具，歸一化后的車(chē)速為

定義聚類(lèi)得到的各類(lèi)意圖樣本

其中：I代表各類(lèi)意圖，ni為第i類(lèi)樣本點(diǎn)數(shù)量，j為不同駕駛意圖識(shí)別參數(shù)編號(hào)。采用逆向云發(fā)生器BCG便可產(chǎn)生相應(yīng)的云模型特征參數(shù)：

采用正向云發(fā)生器算法識(shí)別駕駛意圖，對(duì)實(shí)時(shí)輸出的意圖識(shí)別參數(shù)歸一化后計(jì)算其隸屬度ui，由于正向云發(fā)生器中熵是按照正態(tài)分布隨機(jī)產(chǎn)生的，使得隸屬度ui不穩(wěn)定。此時(shí)應(yīng)該多次生成隸屬度并計(jì)算其平均值，得到一個(gè)具有穩(wěn)定傾向的ui，即

選取最大隸屬度對(duì)應(yīng)的意圖作為識(shí)別結(jié)果，可得到實(shí)時(shí)駕駛意圖識(shí)別的駕駛意圖編號(hào)為

2 基于駕駛意圖云模型識(shí)別的A-ECMS

能量管理主要有3個(gè)要素：需求轉(zhuǎn)矩、模式切換以及扭矩分配。在前向仿真模型中需求轉(zhuǎn)矩可由駕駛員模型計(jì)算得出，而模式切換和扭矩分配主要由控制策略實(shí)現(xiàn)?；隈{駛意圖云模型識(shí)別的A-ECMS策略根據(jù)駕駛意圖調(diào)整等效因子，使得ECMS策略能適應(yīng)不同工況，從而實(shí)現(xiàn)最佳轉(zhuǎn)矩分配和工作模式的選擇。

對(duì)目標(biāo)數(shù)據(jù)樣本做處理后，就可以進(jìn)行數(shù)據(jù)的綜合分析，從而得到電機(jī)下沉的趨勢(shì)。綜合分析的考慮因素和原理如下：

2.1 等效燃油消耗最低（ECMS）策略

ECMS策略下需構(gòu)建實(shí)時(shí)目標(biāo)成本函數(shù)為

式中：m′eqv為等效燃油消耗率；s為等效因子；Pbatt為電池端功率；Qihv為燃油熱值；m′e為發(fā)動(dòng)機(jī)瞬時(shí)燃油消耗率。

當(dāng)前時(shí)刻最優(yōu)轉(zhuǎn)矩分配為

若令ωe為發(fā)動(dòng)機(jī)轉(zhuǎn)速，ωm為電機(jī)轉(zhuǎn)速；則ECMS策略還需同時(shí)滿(mǎn)足以下條件：

在ECMS策略中，等效因子s對(duì)工況極為敏感。若s偏大，控制策略會(huì)偏向于使用燃油，導(dǎo)致油耗增加而使SOC上升；反之，控制策略偏向用電，導(dǎo)致電耗增加而使SOC下降[11]。由于本文研究對(duì)象為并聯(lián)混合動(dòng)力汽車(chē)，需要終了SOC與初始SOC保持一致。因此，可通過(guò)離線仿真找到工況對(duì)應(yīng)的最優(yōu)s值，使得終了SOC與初始SOC保持一致。

2.2 基于駕駛意圖云模型識(shí)別的A-ECMS

該策略的基本思路是在各典型工況下進(jìn)行離線仿真，獲取個(gè)工況下的最佳等效因子以及意圖識(shí)別參數(shù)，再對(duì)意圖識(shí)別參數(shù)進(jìn)行處理后采用逆向云發(fā)生器獲取各類(lèi)意圖的云模型特征參數(shù)，構(gòu)建識(shí)別所需的云模型。在識(shí)別各典型工況意圖后，對(duì)各個(gè)工況下的等效因子進(jìn)行加權(quán)平均，獲取各意圖對(duì)應(yīng)的等效因子，建立基于駕駛意圖的等效因子查詢(xún)表，通過(guò)實(shí)時(shí)識(shí)別駕駛意圖匹配合適的等效因子，控制策略的示意圖如圖5所示。

6種典型工況用ECMS策略離線仿真得到對(duì)應(yīng)工況的最佳等效因子：s_c(1),s_c(2),…,s_c(6)，具體結(jié)果如表1所示。由于等效因子的本質(zhì)是油電轉(zhuǎn)換的平均效率[19]，考慮到某一工況下各意圖對(duì)該工況最優(yōu)等效因子的貢獻(xiàn)不盡相同，故可以采用加權(quán)平均的方式求得各個(gè)意圖對(duì)應(yīng)的等效因子。

表1 各典型工況最佳等效因子

在確定權(quán)重時(shí)，依據(jù)代表工況下各數(shù)據(jù)點(diǎn)對(duì)應(yīng)的意圖得出某一工況下意圖i的時(shí)間占比P_i(k)，考慮到最優(yōu)等效因子是針對(duì)特定工況，是綜合了特定工況下個(gè)時(shí)刻的轉(zhuǎn)矩需求和運(yùn)行時(shí)間，故在采用時(shí)間占比來(lái)確定權(quán)重時(shí)應(yīng)同時(shí)考慮工況長(zhǎng)度。將6個(gè)典型工況并聯(lián)構(gòu)造一個(gè)組合工況，且令T為該工況長(zhǎng)度，則第k個(gè)典型工況與組合工況中的長(zhǎng)度比值為

某一意圖對(duì)應(yīng)的等效因子為

由于停車(chē)時(shí)不管汽車(chē)是處于熄火狀態(tài)還是停車(chē)充電狀態(tài)，等效因子都沒(méi)有作用于能量管理，因而沒(méi)有對(duì)停車(chē)意圖賦予相應(yīng)的等效因子。經(jīng)加權(quán)平均后得到各意圖對(duì)應(yīng)的等效因子查詢(xún)表如表2所示。在識(shí)別駕駛意圖后可通過(guò)查表匹配等效因子，同時(shí)，為了保證SOC能維持穩(wěn)定，引入懲罰函數(shù)對(duì)匹配后的等效因子進(jìn)行修正，從而獲得該意圖下的最優(yōu)轉(zhuǎn)矩分配。

表2 各意圖等效因子查詢(xún)表

3 仿真分析

為驗(yàn)證所提出策略的有效性，本文采用更加接近真實(shí)行駛過(guò)程的前向仿真方式進(jìn)行仿真分析。以并聯(lián)式混合動(dòng)力汽車(chē)為研究對(duì)象，在SimuLink中建立整車(chē)前向仿真模型如圖6所示?；旌蟿?dòng)力系統(tǒng)結(jié)構(gòu)如圖7所示，整車(chē)參數(shù)如表3所示。

表3 整車(chē)與動(dòng)力系統(tǒng)參數(shù)表

新歐洲行駛循環(huán)（New European Drive Cycle，NEDC)下汽車(chē)大部分處于平穩(wěn)運(yùn)行，即汽車(chē)處于勻加速或勻速運(yùn)動(dòng)，使得評(píng)判駕駛意圖識(shí)別結(jié)果比較直觀。而且，NEDC工況也是中國(guó)工業(yè)和信息化部進(jìn)行油耗測(cè)試的標(biāo)準(zhǔn)工況。在NEDC工況下進(jìn)行基于駕駛員意圖識(shí)別DIR的A-ECMS仿真分析，得到此工況下的駕駛意圖識(shí)別結(jié)果如圖8所示。

由圖8可知：基于云模型的駕駛意圖識(shí)別能很好的識(shí)別駕駛意圖，如高速巡航與低速續(xù)航。在各個(gè)穩(wěn)定行駛階段，駕駛意圖也能保持不變，說(shuō)明了該識(shí)別算法的穩(wěn)定性。

由于所提出算法在等效因子的選取上采用了基于SOC反饋的懲罰函數(shù)進(jìn)行修正，因此，在NEDC工況下進(jìn)行基于駕駛員意圖識(shí)別DIR和SOC反饋的A-ECMS仿真。對(duì)于后者，選取6個(gè)典型工況的等效因子的平均值作為其初始等效因子。

圖9為2種自適應(yīng)策略的SOC對(duì)比結(jié)果。所提出策略的SOC終值為0.574，100 km油耗為3.73 L，SOC反饋的A-ECMS的SOC終 值 為0.573，100 km油耗為3.78 L。在SOC終值相同的情況下，前者的燃油經(jīng)濟(jì)性提高了1.3%。此外，后者在整個(gè)工況后段有幾處SOC波動(dòng)頻率也明顯大于前者。

為驗(yàn)證復(fù)雜工況下基于駕駛意圖識(shí)別的A-ECMS的有效性，選擇組合后的工況進(jìn)行仿真分析。由于工況數(shù)量眾多，各工況組合數(shù)量更是十分龐大，因此選用代表性工況組合形成的工況進(jìn)行仿真分析，以便驗(yàn)證該策略對(duì)工況的適應(yīng)性。選用隨機(jī)組合工況FTP +HWFET + NEDC + NYCC + UDDS + US06如圖10所示，在該工況下進(jìn)行有DIR的ECMS策略與無(wú)DIR的ECMS策略的仿真，并將仿真結(jié)果進(jìn)行對(duì)比分析。圖11為組合工況下基于DIR的A-ECMS的等效因子變化結(jié)果，圖12為兩種策略的SOC結(jié)果對(duì)比。

可以看出，在510～800、3 240～4 050和5 540～5 800 s這幾個(gè)階段，此時(shí)最高車(chē)速基本維持在40 km/h左右，屬于低速行駛且汽車(chē)啟停頻繁。傳統(tǒng)ECMS策略經(jīng)離線尋優(yōu)得到最優(yōu)等效因子，策略總體偏向用油，使得SOC增長(zhǎng)過(guò)高，沒(méi)有發(fā)揮電機(jī)響應(yīng)快、低速恒轉(zhuǎn)矩的優(yōu)勢(shì)。而基于DIR的A-ECMS策略在意圖識(shí)別與懲罰函數(shù)的雙重作用下，策略偏向于用電，SOC呈下降趨勢(shì)，比較符合理想的車(chē)輛動(dòng)力裝置運(yùn)行特性。

在2 500 ～ 3 300、4 100 ～ 4 400和6 500 ～ 6 900 s這幾個(gè)階段，汽車(chē)處于中高速持續(xù)運(yùn)行，傳統(tǒng)ECMS策略的SOC處于快速下降過(guò)程，這是先前的SOC增長(zhǎng)過(guò)高引起的，ECMS策略在知曉整個(gè)工況的前提下需要控制電能在此處消耗。而基于DIR的A-ECMS策略在這些時(shí)段SOC波動(dòng)幅度不大，不僅有利于延長(zhǎng)電池使用壽命，也很好地發(fā)揮了發(fā)動(dòng)機(jī)中高速高效率的優(yōu)勢(shì)。此外，從整體上看，基于DIR的A-ECMS策略的SOC穩(wěn)定性控制效果要明顯優(yōu)于傳統(tǒng)ECMS。從具體數(shù)值上看，基于DIR的A-ECMS與傳統(tǒng)ECMS的SOC終值分別為0.600 8和0.604 8，兩者相差不大，控制效果相似。

圖13為兩種策略的發(fā)動(dòng)機(jī)和電機(jī)功率分配。在低速工況階段，基于DIR的A-ECMS策略更多的使用電機(jī)驅(qū)動(dòng)，減少了發(fā)動(dòng)機(jī)的啟停次數(shù)，使發(fā)動(dòng)機(jī)的工作時(shí)間更為集中。在中高速工況階段，ECMS策略相較于基于DIR的A-ECMS策略更多的使用電機(jī)功率，進(jìn)一步映證了ECMS策略在中高速工況階段SOC快速下降這一現(xiàn)象。

兩種策略在組合工況下仿真得到的電機(jī)和發(fā)動(dòng)機(jī)的實(shí)施效率對(duì)比如圖14所示。

可以看出：在整個(gè)行駛過(guò)程中，基于DIR的A-ECMS策略控制下的發(fā)動(dòng)機(jī)更多的工作在高效率區(qū)間。而二者的電機(jī)效率相差不大，只是在高轉(zhuǎn)速工況下基于DIR的A-ECMS策略控制的電機(jī)效率較低，這是因?yàn)樵诟咿D(zhuǎn)速工況下電機(jī)與發(fā)動(dòng)機(jī)處于聯(lián)合驅(qū)動(dòng)模式，為使發(fā)動(dòng)機(jī)保持在高工作效率區(qū)間以及避免更多的油電轉(zhuǎn)化，基于DIR的A-ECMS策略將更多的功率分配給了發(fā)動(dòng)機(jī)。在自定義組合工況下，傳統(tǒng)ECMS策略的100 km油耗為3.64 L，基于DIR的A-ECMS策略的100 km油耗為3.62 L，燃油經(jīng)濟(jì)性略有提高。

4 結(jié) 論

1）采用K-means聚類(lèi)算法對(duì)典型工況下的駕駛意圖識(shí)別參數(shù)進(jìn)行無(wú)監(jiān)督學(xué)習(xí)，生成各駕駛意圖的云模型樣本。以樣本為基礎(chǔ)，進(jìn)一步生成意圖識(shí)別云模型，提出駕駛意圖云模型識(shí)別方法。

2）采用加權(quán)平均的方法計(jì)算各意圖下的最優(yōu)等效因子，生成等效因子查詢(xún)表。對(duì)實(shí)時(shí)識(shí)別的駕駛意圖在線匹配等效因子，并以SOC懲罰函數(shù)對(duì)匹配的等效因子進(jìn)行修正，建立基于駕駛意圖識(shí)別的A-ECMS策略，實(shí)現(xiàn)實(shí)時(shí)最優(yōu)轉(zhuǎn)矩分配。

3）分別在NEDC工況與隨機(jī)組合工況下驗(yàn)證基于駕駛意圖識(shí)別的A-ECMS策略的控制效果。仿真結(jié)果表明，在NEDC工況下，燃油經(jīng)濟(jì)性相比于基于SOC反饋的A-ECMS策略提高了1.3%。在隨機(jī)組合工況下也能取的近似于ECMS策略的控制效果且SOC穩(wěn)定性控制效果更好。同時(shí)，該策略使能量管理能符合駕駛意圖，為進(jìn)一步制定個(gè)性化控制策略，提高其對(duì)不同駕駛員的適應(yīng)性奠定了基礎(chǔ)。