一种锂电池的充电安全监测预警方法及系统

技术领域

本发明涉及数据处理领域，尤其涉及一种锂电池的充电安全监测预警方法及系统。

背景技术

随着新能源技术的发展锂电池已经成为电池储能的主流产品，而锂金属由于其化学特性非常活泼，在充电过程中极易发生安全事故，严重的还有可能造成爆炸事故。然而，在现有技术中对于锂电池的充电安全监测预警方法仅可以对充电过程中的个别参数进行监测预警，对于电池的实际状态无法准确评估，导致锂电池的充电安全监测预警准确性低滞后性高的问题。

因此，在现有技术中锂电池充电安全预警存在预警准确性低，滞后性高的技术问题。

发明内容

本申请通过提供一种锂电池的充电安全监测预警方法及系统，解决了在现有技术中锂电池充电安全预警存在预警准确性低，滞后性高的技术问题。

本申请提供一种锂电池的充电安全监测预警方法，所述方法包括：通过大数据获取多维度锂电池充电数据流，所述多维度锂电池充电数据流包括电压充电数据流、内阻充电数据流、温度充电数据流；对所述多维度锂电池充电数据流进行数据清洗、整合，获得多维度标准锂电池充电数据流；基于所述多维度标准锂电池充电数据流进行故障参数识别，获得充电故障线索信息；基于所述充电故障线索信息，构建充电安全风险分析模型，所述充电安全风险分析模型包括充电风险等级分析模型、充电风险类型分析模型、充电风险诱因分析模型；利用传感器组对目标锂电池进行充电安全监测，获得充电运行实时数据流；将所述充电运行实时数据流输入至所述充电安全风险分析模型中进行分析，获得锂电池充电风险诊断信息；基于所述锂电池充电风险诊断信息对所述目标锂电池进行风险预警运维。

本申请还提供了一种锂电池的充电安全监测预警系统，所述系统包括：充电数据流获取模块，用于通过大数据获取多维度锂电池充电数据流，所述多维度锂电池充电数据流包括电压充电数据流、内阻充电数据流、温度充电数据流；充电数据流处理模块，用于对所述多维度锂电池充电数据流进行数据清洗、整合，获得多维度标准锂电池充电数据流；充电故障线索获取模块，用于基于所述多维度标准锂电池充电数据流进行故障参数识别，获得充电故障线索信息；风险分析模型构建模块，用于基于所述充电故障线索信息，构建充电安全风险分析模型，所述充电安全风险分析模型包括充电风险等级分析模型、充电风险类型分析模型、充电风险诱因分析模型；实时充电数据流获取模块，用于利用传感器组对目标锂电池进行充电安全监测，获得充电运行实时数据流；风险诊断模块，用于将所述充电运行实时数据流输入至所述充电安全风险分析模型中进行分析，获得锂电池充电风险诊断信息；风险预警模块，用于基于所述锂电池充电风险诊断信息对所述目标锂电池进行风险预警运维。

本申请还提供了一种电子设备，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的一种锂电池的充电安全监测预警方法。

本申请实施例提供一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时,实现本申请实施例提供的一种锂电池的充电安全监测预警方法。

拟通过本申请提出的一种锂电池的充电安全监测预警方法及系统，通过获取充电安全风险分析模型以及获取充电故障线索，对充电运行实时数据流从多个方面进行评估，提高了锂电池充电安全预警的准确性，并且由于监测数据为充电数据流使得充电过程存在的异常可以快速被发现，进一步降低了预警滞后性。解决了现有技术中锂电池充电安全预警存在预警准确性低，滞后性高的技术问题。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。

图1为本申请实施例提供的一种锂电池的充电安全监测预警方法的流程示意图；

图2为本申请实施例提供的一种锂电池的充电安全监测预警方法获得多维度标准锂电池充电数据流的流程示意图；

图3为本申请实施例提供的一种锂电池的充电安全监测预警方法获得充电故障线索信息的流程示意图；

图4为本申请实施例提供的一种锂电池的充电安全监测预警方法的系统的结构示意图；

图5为本发明实施例提供的一种锂电池的充电安全监测预警方法的系统电子设备的结构示意图。

附图标记说明：充电数据流获取模块11，充电数据流处理模块12，充电故障线索获取模块13，风险分析模型构建模块14，实时充电数据流获取模块15，风险诊断模块16，风险预警模块17，处理器31，存储器32，输入装置33，输出装置34。

具体实施方式

实施例一

为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。

除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上，所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。

如图1所示，本申请实施例提供了一种锂电池的充电安全监测预警方法，所述方法包括：

S10：通过大数据获取多维度锂电池充电数据流，所述多维度锂电池充电数据流包括电压充电数据流、内阻充电数据流、温度充电数据流；

S20：对所述多维度锂电池充电数据流进行数据清洗、整合，获得多维度标准锂电池充电数据流；

S30：基于所述多维度标准锂电池充电数据流进行故障参数识别，获得充电故障线索信息；

具体的，通过大数据获取多维度锂电池充电数据流，即从锂电池充电过程中获取多个维度的锂电池充电数据，所述多维度锂电池充电数据流包括电压充电数据流即充电过程的电压记录数据、内阻充电数据流即电池充电过程中的内阻记录数据、温度充电数据流即充电过程的电池温度记录数据。对所述多维度锂电池充电数据流进行数据清洗、整合，获得多维度标准锂电池充电数据流。进一步，基于多维度标准锂电池充电数据流进行故障参数识别，识别锂电池充电故障数据流中存在的故障参数特征，获得充电故障线索信息。

如图2所示，本申请实施例提供的方法S20还包括：

S21：基于所述多维度锂电池充电数据流进行缺失数值识别，获得空缺充电数据流；

S22：对所述多维度锂电池充电数据流进行数值界限性分析，获得负阈值充电数据流；

S23：对所述空缺充电数据流和所述负阈值充电数据流进行清洗处理，获得基准锂电池充电数据流；

S24：基于所述基准锂电池充电数据流进行属性标记，获得充电数据流属性信息；

S25：将所述基准锂电池充电数据流按照所述充电数据流属性信息进行整合处理，获得所述多维度标准锂电池充电数据流。

具体的，基于多维度锂电池充电数据流进行缺失数值识别，识别充电数据流中记录时刻存在数据缺失的充电数据流，获得空缺充电数据流。随后，对多维度锂电池充电数据流进行数值界限性分析，其中数值界限为各充电数据的可出现数据阈值界限，如超出可出现数据阈值界限则对应的数据一定会存在异常，例如电压区间范围无法出现负值、内阻也不存在负值等情况。获得负阈值充电数据流，即获取超出可出现数据阈值界限的数据。进一步，对获取的多维度锂电池充电数据流进行空缺充电数据流和所述负阈值充电数据流的清洗处理，将存在问题的数据进行清洗修正，进而得到基准锂电池充电数据流。最后，基于基准锂电池充电数据流进行属性标记，标记基准锂电池充电数据流中电压数据、内阻数据、温度数据等数据类型，获得充电数据流属性信息。最后，将基准锂电池充电数据流按照所述充电数据流属性信息进行整合处理，即对基准锂电池充电数据流中的属性信息进行分组，按照属性信息对数据流进行归类分组，获得所述多维度标准锂电池充电数据流。

本申请实施例提供的方法S20还包括：

S26：对所述空缺充电数据流进行分布关联性评价，获得数据流分布关联性系数；

S27：基于所述数据流分布关联性系数对所述空缺充电数据流进行数据补充，获得完整锂电池充电数据流；

S28：对所述负阈值充电数据流进行规范化处理，获得规范锂电池充电数据流；

S29：基于所述完整锂电池充电数据流和所述规范锂电池充电数据流，获得所述基准锂电池充电数据流。

具体的，对空缺充电数据流进行分布关联性评价，评价空缺充电数据前后分布的多个数据的关联函数，即对前后分布的多个数据进行关联函数拟合，例如成正比或加和函数等，随后获取具体的函数拟合关系，得到分布关联性系数。进一步，基于所述数据流分布关联性系数以及前后分布的多个数据计算空缺充电数据，根据计算获取的空缺充电数据对所述空缺充电数据流进行数据补充，获得完整锂电池充电数据流。对所述负阈值充电数据流进行规范化处理，将负阈值充电数据流中存在异常的数据按照空缺充电数据的填补方式进行规范化处理，获得规范锂电池充电数据流。基于所述完整锂电池充电数据流和所述规范锂电池充电数据流，获得所述基准锂电池充电数据流。

如图3所示，本申请实施例提供的方法S30还包括：

S31：搭建充电故障识别支持向量机；

S32：将所述多维度标准锂电池充电数据流输入至所述充电故障识别支持向量机进行识别，获得充电故障识别数据流；

S33：对所述充电故障识别数据流进行提取分类，获得充电故障分类要素信息；

S34：基于所述充电故障分类要素信息对所述充电故障识别数据流进行特征梳理，获得所述充电故障线索信息。

具体的，基于获取的多维度锂电池充电数据流，搭建充电故障识别支持向量机。将所述多维度标准锂电池充电数据流输入至所述充电故障识别支持向量机进行识别，获得充电故障识别数据流。随后，对获取的充电故障识别数据流，根据数据流内部数据的分布情况进行自动提取分类，提取充电故障识别数据流中的分类要素，其中分类要素为进行自动提取分类的聚类特征，如包含的特定数据，固定数值等，得到充电故障分类要素信息。最后，基于所述充电故障分类要素信息对所述充电故障识别数据流进行特征梳理，筛选其中正常数据流具备的要素，此时获取的充电故障线索信息在一定程度上体现充电故障识别数据流的故障特征，获得所述充电故障线索信息。

本申请实施例提供的方法S31还包括：

S312：按照预定比例对所述多维度锂电池充电数据流进行数据划分，获得充电数据训练样本和充电数据测试样本；

S313：根据所述充电数据训练样本和充电数据测试样本，获得训练样本特征标签和测试样本特征标签；

S314：将所述充电数据训练样本和所述训练样本特征标签作为训练数据，构建基础充电故障识别支持向量机；

S315：基于所述充电数据测试样本和测试样本特征标签对所述基础充电故障识别支持向量机进行验证，确定所述充电故障识别支持向量机。

具体的，在构建充电故障识别支持向量机时，按照预定比例对所述多维度锂电池充电数据流进行数据划分，将多维度锂电池充电数据流划分为充电数据训练样本和充电数据测试样本，获得充电数据训练样本和充电数据测试样本。根据获取的充电数据训练样本和充电数据测试样本进行人工充电数据流故障标识，获得训练样本特征标签和测试样本特征标签。将所述充电数据训练样本和所述训练样本特征标签作为训练数据，构建基础充电故障识别支持向量机。在构建支持向量机时，对未经训练的支持向量机进行监督训练，基于所述充电数据测试样本和测试样本特征标签对所述基础充电故障识别支持向量机进行验证，直至支持向量机在输入充电数据测试样本后可以输出的结果可以满足预定准确率时完成对支持向量机的训练，进而获取所述充电故障识别支持向量机。

S40：基于所述充电故障线索信息，构建充电安全风险分析模型，所述充电安全风险分析模型包括充电风险等级分析模型、充电风险类型分析模型、充电风险诱因分析模型；

S50：利用传感器组对目标锂电池进行充电安全监测，获得充电运行实时数据流；

S60：将所述充电运行实时数据流输入至所述充电安全风险分析模型中进行分析，获得锂电池充电风险诊断信息；

S70：基于所述锂电池充电风险诊断信息对所述目标锂电池进行风险预警运维。

具体的，基于充电故障线索信息，构建充电安全风险分析模型，所述充电安全风险分析模型包括充电风险等级分析模型、充电风险类型分析模型、充电风险诱因分析模型。其中充电风险等级分析模型通过对充电数据的充电故障线索数量进行获取，根据充电故障线索数量确定对应的充电风险等级，充电故障线索数量越多对应的充电风险等级越高，反之则充电风险等级越低。充电风险类型分析模型用于获取充电数据的充电故障线索类别，根据充电故障线索类别匹配具体的风险类型，得到充电风险类型。在获取充电风险类型之前通过大数据获取充电故障线索对应的风险类型，并构建充电故障线索-风险类型数据库，在数据库中存储充电故障线索对应的风险类型。其中充电风险诱因分析模型用于对充电故障线索进行成因匹配，根据充电故障线索类别匹配对应风险诱因即造成充电故障线索的原因，得到充电风险诱因。在获取充电风险诱因之前通过大数据获取充电故障线索对应的风险诱因，并构建充电故障线索-风险诱因数据库，在数据库中存储充电故障线索对应的风险诱因。通过充电风险类型分析模型、充电风险诱因分析模型匹配对应充电数据的具体风险类型以及风险诱因。

进一步，利用传感器组对目标锂电池进行充电安全监测，获得充电运行实时数据流。将所述充电运行实时数据流输入至所述充电安全风险分析模型中进行分析，获得锂电池充电风险诊断信息。在锂电池充电风险诊断信息中包含具体的风险等级、风险诱因、风险类型。最后，基于所述锂电池充电风险诊断信息中包含的具体信息，对所述目标锂电池进行风险预警运维，便于用户可以及时获取目标锂电池的存在的风险等级以及造成风险的类别等数据。通过获取充电安全风险分析模型以及获取充电故障线索，对充电运行实时数据流从多个方面进行评估，提高了锂电池充电安全预警的准确性，通过获取充电数据流使得充电过程存在的异常可以快速被发现，进一步降低了预警滞后性。

本申请实施例提供的方法S70还包括：

S71：通过气体采集装置对所述目标锂电池进行气体采样，获得电池充电气体样品；

S72：对所述电池充电气体样品进行组成分析，获得充电特征气体成分；

S73：通过压力传感器获取电池压差信息，根据电池压差信息，确定特征气体浓度信息；

S74：基于所述充电特征气体成分和所述特征气体浓度信息进行风险预测，获得充电失控风险系数；

S75：基于所述充电失控风险系数对所述锂电池充电风险诊断信息进行补充修正。

具体的，通过气体采集装置对所述目标锂电池进行气体采样，获得电池充电气体样品。对所述电池充电气体样品进行组成分析，获得充电特征气体成分。通过压力传感器获取电池压差信息即获取电池内部各部位的产生的压力差，由于电池多为密封，当存在气体逸散时则会在对应部位产生一定的压力，根据电池压差信息，确定特征气体浓度信息。其中气体浓度信息与电池压差信息成正比，电池压差越高对应的气体浓度越高，具体的比例数据可以根据实际的试验结果进行获取。基于所述充电特征气体成分和所述特征气体浓度信息进行风险预测，获得充电失控风险系数。基于所述充电失控风险系数对所述锂电池充电风险诊断信息进行补充修正，即根据获取的充电失控风险系数对充电风险诊断信息中的风险等级进行修正。设置充电失控风险系数层级，当充电失控风险系数大于某一层级的阈值时则对应的风险等级升高一级。

本申请实施例提供的方法S70还包括：

S76：构建特征气体多级风险预警策略；

S77：基于所述特征气体多级风险预警策略对所述充电特征气体成分进行划分，获得锂电池气体风险层级；

S78：对所述充电特征气体成分和所述特征气体浓度信息进行曲线拟合，生成锂电池特征气体过充曲线，

S79：基于所述锂电池气体风险层级对所述锂电池特征气体过充曲线的斜率进行风险增益，获得所述充电失控风险系数。

具体的，构建特征气体多级风险预警策略，由于锂电池热失控各阶段反应现象与气体的质量浓度变化存在联系，基于所述特征气体多级风险预警策略对所述充电特征气体成分进行划分，获得锂电池气体风险层级。按照充电气体进程可将氢气、CO、二氧化碳气体作为一级预警，HCl、HF作为二级预警。随后，对所述充电特征气体成分和所述特征气体浓度信息进行曲线拟合，生成锂电池特征气体过充曲线，通过监测气体质量浓度变化进行曲线拟合。最后，基于所述锂电池气体风险层级对所述锂电池特征气体过充曲线的斜率进行风险增益，获得所述充电失控风险系数，即将气体预警等级与斜率的乘积，作为充电失控风险系数。

本发明实施例所提供的技术方案，通过大数据获取多维度锂电池充电数据流，所述多维度锂电池充电数据流包括电压充电数据流、内阻充电数据流、温度充电数据流。对所述多维度锂电池充电数据流进行数据清洗、整合，获得多维度标准锂电池充电数据流。基于所述多维度标准锂电池充电数据流进行故障参数识别，获得充电故障线索信息。基于所述充电故障线索信息，构建充电安全风险分析模型，所述充电安全风险分析模型包括充电风险等级分析模型、充电风险类型分析模型、充电风险诱因分析模型。利用传感器组对目标锂电池进行充电安全监测，获得充电运行实时数据流。将所述充电运行实时数据流输入至所述充电安全风险分析模型中进行分析，获得锂电池充电风险诊断信息。基于所述锂电池充电风险诊断信息对所述目标锂电池进行风险预警运维。通过获取充电安全风险分析模型以及获取充电故障线索，对充电运行实时数据流从多个方面进行评估，提高了锂电池充电安全预警的准确性，并且由于监测数据为充电数据流使得充电过程存在的异常可以快速被发现，进一步降低了预警滞后性。解决了现有技术中锂电池充电安全预警存在预警准确性低，滞后性高的技术问题。

实施例二

基于与前述实施例中一种锂电池的充电安全监测预警方法同样发明构思，本发明还提供了一种锂电池的充电安全监测预警方法的系统，系统可以由硬件和/或软件的方式来实现，一般可集成于电子设备中,用于执行本发明任意实施例所提供的方法。如图4所示，所述系统包括：

充电数据流获取模块11，用于通过大数据获取多维度锂电池充电数据流，所述多维度锂电池充电数据流包括电压充电数据流、内阻充电数据流、温度充电数据流；

充电数据流处理模块12，用于对所述多维度锂电池充电数据流进行数据清洗、整合，获得多维度标准锂电池充电数据流；

充电故障线索获取模块13，用于基于所述多维度标准锂电池充电数据流进行故障参数识别，获得充电故障线索信息；

风险分析模型构建模块14，用于基于所述充电故障线索信息，构建充电安全风险分析模型，所述充电安全风险分析模型包括充电风险等级分析模型、充电风险类型分析模型、充电风险诱因分析模型；

实时充电数据流获取模块15，用于利用传感器组对目标锂电池进行充电安全监测，获得充电运行实时数据流；

风险诊断模块16，用于将所述充电运行实时数据流输入至所述充电安全风险分析模型中进行分析，获得锂电池充电风险诊断信息；

风险预警模块17，用于基于所述锂电池充电风险诊断信息对所述目标锂电池进行风险预警运维。

进一步地，所述充电数据流处理模块12还用于：

基于所述多维度锂电池充电数据流进行缺失数值识别，获得空缺充电数据流；

对所述多维度锂电池充电数据流进行数值界限性分析，获得负阈值充电数据流；

对所述空缺充电数据流和所述负阈值充电数据流进行清洗处理，获得基准锂电池充电数据流；

基于所述基准锂电池充电数据流进行属性标记，获得充电数据流属性信息；

将所述基准锂电池充电数据流按照所述充电数据流属性信息进行整合处理，获得所述多维度标准锂电池充电数据流。

进一步地，所述充电数据流处理模块12还用于：

对所述空缺充电数据流进行分布关联性评价，获得数据流分布关联性系数；

基于所述数据流分布关联性系数对所述空缺充电数据流进行数据补充，获得完整锂电池充电数据流；

对所述负阈值充电数据流进行规范化处理，获得规范锂电池充电数据流；

基于所述完整锂电池充电数据流和所述规范锂电池充电数据流，获得所述基准锂电池充电数据流。

进一步地，所述充电故障线索获取模块13还用于：

搭建充电故障识别支持向量机；

将所述多维度标准锂电池充电数据流输入至所述充电故障识别支持向量机进行识别，获得充电故障识别数据流；

对所述充电故障识别数据流进行提取分类，获得充电故障分类要素信息；

基于所述充电故障分类要素信息对所述充电故障识别数据流进行特征梳理，获得所述充电故障线索信息。

进一步地，所述充电故障线索获取模块13还用于：

按照预定比例对所述多维度锂电池充电数据流进行数据划分，获得充电数据训练样本和充电数据测试样本；

根据所述充电数据训练样本和充电数据测试样本，获得训练样本特征标签和测试样本特征标签；

将所述充电数据训练样本和所述训练样本特征标签作为训练数据，构建基础充电故障识别支持向量机；

基于所述充电数据测试样本和测试样本特征标签对所述基础充电故障识别支持向量机进行验证，确定所述充电故障识别支持向量机。

进一步地，所述风险预警模块17还用于：

通过气体采集装置对所述目标锂电池进行气体采样，获得电池充电气体样品；

对所述电池充电气体样品进行组成分析，获得充电特征气体成分；

通过压力传感器获取电池压差信息，根据电池压差信息，确定特征气体浓度信息；

基于所述充电特征气体成分和所述特征气体浓度信息进行风险预测，获得充电失控风险系数；

基于所述充电失控风险系数对所述锂电池充电风险诊断信息进行补充修正。

进一步地，所述风险预警模块17还用于：

构建特征气体多级风险预警策略；

基于所述特征气体多级风险预警策略对所述充电特征气体成分进行划分，获得锂电池气体风险层级；

对所述充电特征气体成分和所述特征气体浓度信息进行曲线拟合，生成锂电池特征气体过充曲线，

基于所述锂电池气体风险层级对所述锂电池特征气体过充曲线的斜率进行风险增益，获得所述充电失控风险系数。

所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例三

图5为本发明实施例三提供的电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，该电子设备包括处理器31、存储器32、输入装置33及输出装置34；电子设备中处理器31的数量可以是一个或多个，图5中以一个处理器31为例，电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图5中以通过总线连接为例。

存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种锂电池的充电安全监测预警方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述一种锂电池的充电安全监测预警方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。