一种电弧焊接质量评估方法、装置及存储介质与流程

1.本发明涉及电弧焊接技术领域，特别涉及一种电弧焊接质量评估方法、装置及存储介质。


背景技术：

2.电弧焊接广泛应用在工业生产中，焊接过程为将要焊接的金属作为一极，焊条作为另一极，两极接近时产生电弧，利用电弧放电所产生的热量将焊条与工件互相熔化并在冷凝后形成焊缝，从而获得牢固接头。
3.目前，为了检测出工件的电弧焊接质量，采用人眼观察或机器视觉图像分析，对工件进行质量评估，但是，人眼观察的工作效率低而且精度低，机器视觉图像分析耗时长，工作效率低；而且需要在焊接完成后，才能从工件的外观来评估焊接质量，不能实时评估焊接质量。


技术实现要素：

4.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
5.本技术提供了一种电弧焊接质量评估方法、装置及存储介质，能够提高工作效率和实时评估焊接质量。
6.本技术解决其技术问题的解决方案是：
7.第一方面，本技术实施例提供了一种电弧焊接质量评估方法，应用于电弧焊接系统，所述方法包括：获取焊接电流信号和焊接电压信号；根据符号近似聚合算法和距离算法，由所述焊接电流信号和所述焊接电压信号得到电压电流距离数据；将所述电压电流距离数据输入评估模型，得到焊接质量评估标签；其中，所述评估模型通过训练样本数据训练得到，所述训练样本数据包含有训练样本电压电流距离数据和训练样本焊接质量预设评估标签。
8.进一步，所述根据符号近似聚合算法和距离算法，由所述焊接电流信号和所述焊接电压信号得到电压电流距离数据这一步骤，包括以下步骤：根据符号近似聚合算法，由所述焊接电流信号得到第一符号字符串数据，并且由所述焊接电压信号得到第二符号字符串数据；根据距离算法，由所述第一符号字符串数据和所述第二符号字符串数据计算得到电压电流距离数据。
9.进一步，所述根据符号近似聚合算法，由所述焊接电流信号得到第一符号字符串数据，并且由所述焊接电压信号得到第二符号字符串数据这一步骤，包括以下步骤：对所述焊接电流信号和所述焊接电压信号分别进行正则化处理；根据基于paa的降维算法，由所述正则化处理后的焊接电流信号得到第一字符串数据，并且由所述正则化处理后的焊接电压信号得到第二字符串数据；对所述第一字符串数据进行基于正态分布的离散化处理得到第一符号字符串数据，并且对所述第二字符串数据进行基于正态分布的离散化处理得到第二
符号字符串数据。
10.进一步，所述基于paa的降维算法如下：
[0011][0012]
其中，q
j
为时间序列q的第j个元素，为分段近似聚合的第i个元素，c
j
为时间序列c的第j个元素，为分段近似聚合的第i个元素，n为时间序列q和时间序列c的时间点个数，w为时间序列q和时间序列c的paa段数，为压缩率；其中，所述时间序列q为正则化处理后的焊接电流信号，所述分段近似聚合为第一符号字符串数据，所述时间序列c为正则化处理后的焊接电压信号，所述分段近似聚合为第二符号字符串数据。
[0013]
进一步，所述对所述第一字符串数据进行基于正态分布的离散化处理得到第一符号字符串数据，并且对所述第二字符串数据进行基于正态分布的离散化处理得到第二符号字符串数据这一步骤，包括以下步骤：根据预设的断点查找表，确定区间数量和所述区间数量对应的断点列表；根据所述区间数量和断点列表，确定映射关系；根据所述映射关系，由所述第一字符串数据确定第一符号字符串数据，并且由所述第二字符串数据确定第二符号字符串数据；其中，所述映射关系如下：其中，为符号字符串的第i个元素，为分段近似聚合的第i个元素，为符号字符串的第i个元素，为分段近似聚合的第i个元素，alpha
j
为预设字母表的第j个元素，所述预设字母表的元素数量与所述区间数量α相等，iff指充要条件，β
j
为所述断点列表β的第j个元素，β0＝
‑
∞，β
α
＝∞；其中，所述分段近似聚合为第一字符串数据，所述符号字符串为第一符号字符串数据，所述分段近似聚合为第二字符串数据，所述符号字符串为第二符号字符串数据。
[0014]
进一步，所述距离算法如下：
[0015][0016]
其中，为电压电流距离数据，为第一符号字符串数据，为第二符号字符串数据，n为时间序列q和时间序列c的时间点个数，w为时间序列q和时间序列c的paa段数，为压缩率，为符号字符串的第i个元素，为符号字符串的第i个元素，距离子函数的值由预设的断点查找表确定；其中，所述时间序列q为正则化处理后的焊接电流信号，所述符号字符串为第一符号字符串数据，所述时间序列c为正则化处理后的焊接电压信号，所述符号字符串为第二符号字符串数据。
[0017]
进一步，所述获取焊接电流信号和焊接电压信号这一步骤之前，包括以下步骤：获
取训练样本数据，所述训练样本数据包含有训练样本电压电流距离数据和训练样本焊接质量预设评估标签；将所述训练样本数据输入待训练的机器学习模型进行训练，得到训练后的机器学习模型；获取测试集样本数据，所述测试集样本数据中的每条测试样本数据包含有测试样本电压电流距离数据和测试样本焊接质量预设评估标签；将所述测试样本电压电流距离数据输入训练后的机器学习模型，得到预测的测试样本焊接质量预设评估标签；若所述预测的测试样本焊接质量预设评估标签与相应的所述测试样本焊接质量预设评估标签相同，记录相应的测试样本数据为有效样本数据；计算所述有效样本数据占所述测试样本数据的比例，得到质量评估精度；若质量评估精度超过预设精度值，将训练后的机器学习模型识别为评估模型。
[0018]
第二方面，本技术提供了一种电弧焊接质量评估装置，应用于电弧焊接系统，所述装置包括：获取模块，用于获取焊接电流信号和焊接电压信号；预处理模块，用于根据符号近似聚合算法和距离算法，由所述焊接电流信号和所述焊接电压信号得到电压电流距离数据；评估模块，用于将所述电压电流距离数据输入评估模型，得到焊接质量评估标签；其中，所述评估模型通过训练样本数据训练得到，所述训练样本数据包含有训练样本电压电流距离数据和训练样本焊接质量预设评估标签。
[0019]
第三方面，本技术实施例还提供了一种终端，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的一种电弧焊接质量评估方法。
[0020]
第四方面，本技术提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如第一方面所述的一种电弧焊接质量评估方法。
[0021]
第五方面，本技术还提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如第一方面所述的一种电弧焊接质量评估方法。
[0022]
本技术实施例中提供的一个或多个技术方案，至少具有如下有益效果：实时获取焊接过程中的焊接电流信号和焊接电压信号，利用符号近似聚合算法，分别对焊接电流信号和焊接电压信号进行降维处理，进一步计算出电压信号电压电流距离数据，并输入训练后的评估模型，能够快速得到相应的焊接质量评估标签，根据本技术实施例提供的方案，通过分析电压信号电压电流距离数据，能够有效评估出电弧焊接质量，符号近似聚合算法能够有效减少数据分析量，提高工作效率，评估模型的精度高，而且能够实时评估焊接质量。
[0023]
本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0024]
附图用来提供对本技术技术方案的进一步理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本技术的技术方案，并不构成对本技术技术方案的限制。
[0025]
图1是本技术一个实施例提供的电弧焊接质量评估方法的流程图；
[0026]
图2是图1中步骤s120的具体方法流程图；
[0027]
图3是图2中步骤s210的具体方法流程图；
[0028]
图4是图3中步骤s330的具体方法流程图；
[0029]
图5是图1中步骤s110之前的具体方法流程图；
[0030]
图6是本技术另一个实施例提供的电弧焊接质量评估装置的装置图；
[0031]
图7是本技术另一个实施例提供的终端的装置图；
[0032]
图8是图3中步骤s320中基于paa的降维算法处理的图像示意图；
[0033]
图9是图3中步骤s330中基于正态分布的离散化处理的图像示意图。
具体实施方式
[0034]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
[0035]
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0036]
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发明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发明实施例的目的，不是旨在限制本发明。
[0037]
本技术提供了一种电弧焊接质量评估方法、装置及存储介质，该电弧焊接质量评估方法包括：获取焊接电流信号和焊接电压信号；根据符号近似聚合算法和距离算法，由所述焊接电流信号和所述焊接电压信号得到电压电流距离数据；将所述电压电流距离数据输入评估模型，得到焊接质量评估标签；其中，所述评估模型通过训练样本数据训练得到，所述训练样本数据包含有训练样本电压电流距离数据和训练样本焊接质量预设评估标签。根据本技术实施例提供的方案，通过分析电压信号电压电流距离数据，能够有效评估出电弧焊接质量，符号近似聚合算法能够有效减少数据分析量，提高工作效率，评估模型的精度高，而且能够实时评估焊接质量。
[0038]
首先，对本技术中涉及的若干名词进行解析：
[0039]
电弧焊：是利用电弧作为热源的熔焊方法。其基本原理是利用电弧是在大电流(10至200a)以及低电压(10至50v)条件下通过一电离气体时放电所产生的热量，来熔化焊条与工件使其在冷凝后形成焊缝。
[0040]
机器学习：是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。
[0041]
分段聚合近似法(piecewise aggregate approximation，paa)：是一种时间序列数据的降维方法。相比于离散傅里叶变换、离散小波变换、奇异值分解等降维方法，分段聚合近似法操作比较简便。
[0042]
欧氏距离：指欧几里得距离，是欧几里得空间中两点间“普通”(即直线)距离。
[0043]
符号近似聚合算法(symbolic aggregate approximation，sax)：是一种把时间序
列进行符号化表示的方法。
[0044]
下面结合附图，对本技术实施例作进一步阐述。
[0045]
参照图1，图1是本技术一个实施例提供的一种电弧焊接质量评估方法，应用于电弧焊接系统，所述方法包括但不限于有步骤s110、步骤s120和步骤s130。
[0046]
步骤s110，获取焊接电流信号和焊接电压信号；
[0047]
可以理解的是，电弧焊接系统进行焊接时，实时获取焊接过程中的焊接电流信号和焊接电压信号，为后续的处理提供数据。
[0048]
步骤s120，根据符号近似聚合算法和距离算法，由所述焊接电流信号和所述焊接电压信号得到电压电流距离数据；
[0049]
可以理解的是，符号近似聚合算法能够对焊接电流信号和所述焊接电压信号进行降维处理，能够减少数据分析量，提高工作效率，距离算法能够得出。
[0050]
步骤s130，将所述电压电流距离数据输入评估模型，得到焊接质量评估标签；
[0051]
其中，所述评估模型通过训练样本数据训练得到，所述训练样本数据包含有训练样本电压电流距离数据和训练样本焊接质量预设评估标签。
[0052]
可以理解的是，实时获取焊接过程中的焊接电流信号和焊接电压信号，利用符号近似聚合算法，分别对焊接电流信号和焊接电压信号进行降维处理；利用距离算法，对降维后的焊接电流信号和焊接电压信号进行距离计算，得到电压信号电压电流距离数据，在不同的焊接条件下，电压信号电压电流距离数据会出现差异，焊接条件能够作为焊接质量评估的判断标准，因此，可设定焊接质量评估标签包括但不限于：良好焊接条件、无保护气体焊接条件和工件生锈焊接条件，其中，良好焊接条件的焊接质量评估最优；将电压信号电压电流距离数据输入训练后的评估模型，评估模型是通过训练样本电压电流距离数据和训练样本焊接质量预设评估标签训练得到的，因此能够快速得到相应的焊接质量评估标签；根据本技术实施例提供的方案，通过分析电压信号电压电流距离数据，能够有效评估出电弧焊接质量，符号近似聚合算法能够有效减少数据分析量，提高工作效率，评估模型的精度高；而且能够实时评估焊接质量，因为在焊接过程中，实时获取焊接电流信号和焊接电压信号，相对于焊接完成后才能评估焊接质量，保证实时性。
[0053]
另外，参照图2，在一实施例中，步骤s120具体包括但不限于有以下步骤：
[0054]
步骤s210，根据符号近似聚合算法，由所述焊接电流信号得到第一符号字符串数据，并且由所述焊接电压信号得到第二符号字符串数据；
[0055]
可以理解的是，利用符号近似聚合算法，分别对焊接电流信号和焊接电压信号进行降维处理，从而得到第一符号字符串数据和第二符号字符串数据，方便后续的数据处理。
[0056]
步骤s220，根据距离算法，由所述第一符号字符串数据和所述第二符号字符串数据计算得到电压电流距离数据。
[0057]
可以理解的是，计算出电压电流距离数据，能够提高后续的机器学习模型的训练效率。
[0058]
另外，参照图3，在一实施例中，步骤s210具体包括但不限于有以下步骤：
[0059]
步骤s310，对所述焊接电流信号和所述焊接电压信号分别进行正则化处理；
[0060]
可以理解的是，对数据进行正则化处理，能够减少泛化误差，使算法生成的解是唯一的。
[0061]
步骤s320，根据基于paa的降维算法，由所述正则化处理后的焊接电流信号得到第一字符串数据，并且由所述正则化处理后的焊接电压信号得到第二字符串数据；
[0062]
步骤s330，对所述第一字符串数据进行基于正态分布的离散化处理得到第一符号字符串数据，并且对所述第二字符串数据进行基于正态分布的离散化处理得到第二符号字符串数据。
[0063]
可以理解的是，焊接电流信号和焊接电压信号均为时间序列数据，先将正则化处理后的时间序列数据转换为paa特征表示，再将paa数据转换为符号字符串数据，为后续的数据分析提高较大的方便。
[0064]
另外，参照图8，在一实施例中，所述基于paa的降维算法如下：
[0065][0066][0067]
其中，q
j
为时间序列q的第j个元素，为分段近似聚合的第i个元素，c
j
为时间序列c的第j个元素，为分段近似聚合的第i个元素，n为时间序列q和时间序列c的时间点个数，w为时间序列q和时间序列c的paa段数，为压缩率；
[0068]
其中，所述时间序列q为正则化处理后的焊接电流信号，所述分段近似聚合为第一符号字符串数据，所述时间序列c为正则化处理后的焊接电压信号，所述分段近似聚合为第二符号字符串数据。
[0069]
可以理解的是，选取一组n和w，通过基于paa的降维算法，能够有效的将时间序列数据转换为paa特征表示。
[0070]
另外，参照图4，在一实施例中，步骤s330具体包括但不限于有以下步骤：
[0071]
步骤s410，根据预设的断点查找表，确定区间数量和所述区间数量对应的断点列表；
[0072]
步骤s420，根据所述区间数量和断点列表，确定映射关系；
[0073]
步骤s430，根据所述映射关系，由所述第一字符串数据确定第一符号字符串数据，并且由所述第二字符串数据确定第二符号字符串数据。
[0074]
具体的，所述映射关系如下：
[0075][0076][0077]
其中，为符号字符串的第i个元素，为分段近似聚合的第i个元素，为符号字符串的第i个元素，为分段近似聚合的第i个元素，alpha
j
为预设字母表的第j个元素，所述预设字母表的元素数量与所述区间数量α相等，iff指充要条件，β
j
为所述断点列表β的第j个元素，β0＝
‑
∞，β
α
＝∞；
[0078]
其中，所述分段近似聚合为第一字符串数据，所述符号字符串为第一符号字符串数据，所述分段近似聚合为第二字符串数据，所述符号字符串为第二符号字符串数据。
[0079]
在具体实践中，区间数量a的数量为3到10的断点查找表如下所示：
[0080]
先确定区间数量α的值，例如，参照图9，取α＝3，则断点列表β包含β1＝
‑
0.43，β2＝0.43，字母表的元素数量与所述区间数量α相等，设定字母表包含a、b和c，判断第一字符串数据和第二字符串数据中的每个元素所在的区间，从而确定每个元素对应的字母，若在区间(
‑
∞，
‑
0.43)中，则若在区间[
‑
0.43，0.43)中，则若在区间[0.43，∞)中，则∞)中，则所有对应的字母串联后，得到第一符号字符串数据，同理，所有对应的字母串联后，得到第二符号字符串数据。
[0081]
另外，在一实施例中，所述距离算法如下：
[0082][0083]
其中，为电压电流距离数据，为第一符号字符串数据，为第二符号字符串数据，n为时间序列q和时间序列c的时间点个数，w为时间序列q和时间序列c的paa段数，为压缩率，为符号字符串的第i个元素，为符号字符串的第i个元素，距离子函数的值由预设的断点查找表确定；
[0084]
其中，所述时间序列q为正则化处理后的焊接电流信号，所述符号字符串为第一符号字符串数据，所述时间序列c为正则化处理后的焊接电压信号，所述符号字符串为第二符号字符串数据。
[0085]
可以理解的是，距离算法与计算欧氏距离的过程类似，先计算第一符号字符串数据和第二符号字符串数据每个元素之间的距离，再将它们平方化，求和，取平方根，最后乘以压缩率的平方根，每个元素之间的距离可由断点查找表确定；例如，在具体实践中，取α＝4，时，通过查表，可得
[0086]
另外，参照图5，在一实施例中，步骤s110之前，具体包括但不限于有以下步骤：
[0087]
步骤s510，获取训练样本数据，所述训练样本数据包含有训练样本电压电流距离数据和训练样本焊接质量预设评估标签；
[0088]
步骤s520，将所述训练样本数据输入待训练的机器学习模型进行训练，得到训练后的机器学习模型；
[0089]
步骤s530，获取测试集样本数据，所述测试集样本数据中的每条测试样本数据包含有测试样本电压电流距离数据和测试样本焊接质量预设评估标签；
[0090]
步骤s540，将所述测试样本电压电流距离数据输入训练后的机器学习模型，得到预测的测试样本焊接质量预设评估标签；
[0091]
步骤s550，若所述预测的测试样本焊接质量预设评估标签与相应的所述测试样本焊接质量预设评估标签相同，记录相应的测试样本数据为有效样本数据；
[0092]
步骤s560，计算所述有效样本数据占所述测试样本数据的比例，得到质量评估精度；
[0093]
步骤s570，若质量评估精度超过预设精度值，将训练后的机器学习模型识别为评估模型。
[0094]
可以理解的是，能够保证评估模型的质量评估精度，从而保证质量评估的有效性。
[0095]
在具体实践中，机器学习模型包括高斯混合分类模型(gmm)、卷积神经网络分类模型(cnn)、循环神经网络分类模型(rnn)、深度神经网络分类模型(dnn)、支持向量机(svm)中的至少一种。
[0096]
另外，参照图6，本技术的一个实施例还提供了一种电弧焊接质量评估装置600，应用于电弧焊接系统，所述装置包括但不限于：获取模块610、预处理模块620和评估模块630。
[0097]
其中，获取模块610，用于获取焊接电流信号和焊接电压信号；
[0098]
预处理模块620，用于根据符号近似聚合算法和距离算法，由所述焊接电流信号和所述焊接电压信号得到电压电流距离数据；
[0099]
评估模块630，用于将所述电压电流距离数据输入评估模型，得到焊接质量评估标签。
[0100]
需要说明的是，由于本实施例中的一种电弧焊接质量评估装置600与上述的一种电弧焊接质量评估方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
[0101]
另外，参照图7，本技术的一个实施例还提供了一种终端700，该终端700可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。
[0102]
具体地，该终端700包括：存储器710、处理器720及存储在存储器710上并可在处理器720上运行的计算机程序。
[0103]
处理器720和存储器710可以通过总线或者其他方式连接。
[0104]
需要说明的是，实现上述实施例的电弧焊接质量评估方法所需的非暂态软件程序
以及指令存储在存储器710中，当被处理器720执行时，执行上述实施例中的应用于电弧焊接系统的电弧焊接质量评估方法，例如，执行以上描述的图1中的方法步骤s110至s130，图2中的方法步骤s210至s220，图3中的方法步骤s310至s330，图4中的方法步骤s410至s430，图5中的方法步骤s510至s570。
[0105]
需要说明的是，存储器710作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本技术实施例中的一种电弧焊接质量评估方法对应的程序指令/模块，例如，图6所示的获取模块610、预处理模块620和评估模块630。处理器720通过运行存储在存储器710中的非暂态软件程序、指令以及模块，从而执行一种电弧焊接质量评估装置600的各种功能应用以及数据处理，即实现上述方法实施例的一种电弧焊接质量评估方法。
[0106]
存储器710可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据一种电弧焊接质量评估装置600的使用所创建的数据等。此外，存储器710可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器710可选包括相对于处理器720远程设置的远程存储器，这些远程存储器可以通过网络连接至该终端700。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0107]
所述一个或者多个模块存储在所述存储器710中，当被所述一个或者多个处理器720执行时，执行上述方法实施例中的一种电弧焊接质量评估方法，例如，执行以上描述的图1中的方法步骤s110至s130，图2中的方法步骤s210至s220，图3中的方法步骤s310至s330，图4中的方法步骤s410至s430，图5中的方法步骤s510至s570，实现图6的模块610至630的功能。
[0108]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器720执行，例如，被图7中的一个处理器720执行，可使得上述一个或多个处理器720执行上述方法实施例中的一种电弧焊接质量评估方法，例如，执行以上描述的图1中的方法步骤s110至s130，图2中的方法步骤s210至s220，图3中的方法步骤s310至s330，图4中的方法步骤s410至s430，图5中的方法步骤s510至s570，实现图6的模块610至630的功能。
[0109]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0110]
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(readonly memory,rom)或随机存储记忆体(random access memory,ram)等。
[0111]
以上是对本技术的较佳实施进行了具体说明，但本技术并不局限于上述实施方式，熟悉本领域的技术人员在不违背本技术精神的前提下还可作出种种的等同变形或替
换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。