一种基于S域紧致奇异值分解的PD源滤波方法与流程

一种基于s域紧致奇异值分解的pd源滤波方法
技术领域
1.本发明属于高电压与绝缘技术领域，更具体地，涉及一种基于s域紧致奇异值分解的pd源滤波方法。


背景技术：

2.局部放电(partial discharge,pd)是导致变电站电力设备绝缘缺损的主要现象之一，严重的绝缘劣化会导致设备的绝缘失效。为了保障电力设备的安全稳定运行，对变电站电力设备进行局部放电检测、定位以及诊断是十分必要的。但是现场检测环境往往非常复杂，不可避免的会存在各种背景噪声。加之通信设备的影响，例如广播电视移动终端等影响，会导致pd源信号中加入大量定频干扰信息。这些干扰都会给pd源的信号检测与特征提取带来困难。因此，研究复杂环境中的pd源滤波方法是十分必要的。
3.为了滤除pd源中的周期窄带干扰噪声，存在基于经验模态分解(empirical mode decomposition,emd)的自适应滤波算法，将emd与自适应滤波算法相结合并应用于单频窄带干扰的滤除当中。也有为了提高emd算法的运算效率，提出对emd算法进行并行分析，将能量参数与熵作为特征参数应用于pd信号的滤波当中。但该滤波方法考虑的是非平稳信号的滤除。为了进行电缆pd故障诊断，提出了基于小波变换与奇异值分解的特征提取方法，通过对小波变换后的信号进行奇异值分解提取pd故障有用信息，最终成功应用于电缆故障诊断。
4.针对现场pd测试白噪声污染的问题，提出了一种基于波动的白噪声自适应抑制方法。该方法在时域上利用信号的波动特性实现噪声的抑制，同时通过阈值窗消除了冗余噪声对pd信号的影响。针对噪声干扰，存在基于s变换的多源pd信号检测方法，将不同传感器获取的pd源信号进行s变换，提取pd源有用特征与随机森林相结合，最终用于pd源空间定位。但该方法的s时频窗口不可调节。当下针对pd信号中干扰噪声的常用方法包括自适应滤波处理算法、emd及其改进滤波方法、小波变换滤波方法等滤波方法。这些方法在一定的应用范围之内能够对pd信号实现不同程度的特征提取能力。但一般滤波方法是针对白噪声干扰滤除，或者针对单一定频信号的滤除。针对pd源存在多种噪声污染问题，很少有特效的滤波方法。
5.目前针对染噪pd源的滤波方法存在滤除噪声种类单一，滤波效果有待提高。


技术实现要素：

6.针对现有技术的pd源同时存在多种噪声信号难以滤除的问题，本发明提出了一种基于s域紧致奇异值分解的pd源滤波方法，可以适用于复杂染噪的pd源滤波。
7.为实现上述目的，本发明提供了一种基于s域紧致奇异值分解的pd源滤波方法，包括：
8.s1：获取局部放电信号pd，其中，获取局部放电信号pd的方式包括：通过局部放电模拟器模拟出局部放电信号pd，或通过发生局部放电现场，利用特高频天线接收局部放电
信号pd；
9.s2：在s变换的基础上，引入调节因子α与β对s变换进行改造，获取自适应s变换；
10.s3：利用自适应s变换对获取的pd源信号进行自适应s变换，获取pd源信号的时频谱；
11.s4：使用时频网格搜索法自适应选取调节因子α与β，自适应的滤除定频信号，获取系数矩阵；
12.s5：对系数矩阵进行紧致奇异值分解，获取特征值；
13.s6：利用拟合插值求导法获取最优奇异值参数，自适应的滤除噪声信号；
14.s7：通过自适应s逆变换，得到pd源时域波形pd
′
；
15.s8：对特征提取后的结果pd
′
进行综合性能评价分析。
16.在一些可选的实施方案中，所述通过局部放电模拟器模拟出局部放电信号pd，包括：
17.利用双指数衰减振荡脉冲信号p模拟理想局部放电信号，其中，a为脉冲信号的强度，τ1与τ2均表示衰减常数，f
c
表示振荡频率；
18.在p信号中添加周期定频干扰信号p1和白噪声干扰信号p2，进而将p与p1和p2三种信号进行叠加获取模拟pd信号x(t)，其中，x(t)＝p p1 p2。
19.在一些可选的实施方案中，所述自适应s变换为：其中，τ是时移因子，f＝1/a，a称为尺度因子，α为高斯窗拉伸因子，β为频率尺度拉伸因子。
20.在一些可选的实施方案中，步骤s3包括：
21.s3.1：在离散情况下将s(τ,f)表示为：s
t
(m,n)＝t
(mn)1
x[0] t
(mn)2
x[1]
…
t
(mn)(n
‑
1)
x[n
‑
1]，其中，t
(mn)p
表示自适应离散s变换pd信号x[p]所对应的线性变换系数，m与n为常量，n为总采样点数，p＝0,1,2,...,n
‑
1；
[0022]
s3.2：由将s
t
(m,n)中的元素转换成矩阵t
(mn)p
与矩阵x[p]的乘积，由此获取pd源信号的时频谱，其中，s
mn
为s
t
[m,n]矩阵的第m行以及第n列对应的元素。
[0023]
在一些可选的实施方案中，步骤s4包括：
[0024]
s4.1：时频调节因子α所对应的区域设定为β所对应的区域设定为φ，α与β所对应的空间域用r表示；
[0025]
s4.2：当β∈φ时，利用自适应s变换对pd源进行定频信号滤除，获取逆变换后的信号x
′
α,β
(p)；
[0026]
s4.3：由x
′
α,β
(p)＝s
α,β
(x(p))确定滤波后的信号x
′
α,β
(p)与滤波前的pd信号x(p)
之间的变换关系；
[0027]
s4.4：由均方根误差表示pd信号特征提取前后的误差大小，其中，x
f
(p)表示理想pd源信号，p表示采样点，在滤波前后rmse与调节因子α,β存在对应关系；
[0028]
s4.5：将发生pd特征提取前后的rmse进行网格编码，离散化网格模型由g个网格点构成，其中则网格中的rmse大小表示为rmse＝f(x
′
α,β
(p),x
f
(p))，f表示求取rmse的函数；
[0029]
s4.6：寻找网格中rmse的最小值点作为特征提取的最优点，最小rmse所对应的α与β为特征提取效果最佳值，从而获取由t
(mn)p
组成的系数矩阵t
(mn)
。
[0030]
在一些可选的实施方案中，步骤s5包括：
[0031]
对系数矩阵t
(mn)
进行紧致奇异值分解，其中，v
r
＝[υ1,υ2,
…
,υ
r
]∈m
m
×
r
，w
r
＝[w1,w2,
…
,w
r
]∈m
n
×
r
，r为奇异值个数，σ表示奇异值，υ表示v
r
的列向量，w表示w
r
的列向量，m表示正交矩阵，i表示奇异值参数，求和项关于frobenius内积是相互正交的。
[0032]
在一些可选的实施方案中，步骤s6包括：
[0033]
s6.1：观测数据为(r
i
,σ
i
)，目标是寻找一个最为简单的函数关系式σ＝f(r)代替原观测数据，m次代数关系式表示为：表示；
[0034]
s6.2：求解出中的系数a
j
(j＝0,1,2,
…
,m)，将步骤s6.1中的观测数据(r
i
,σ
i
)代入求解n个方程；
[0035]
s6.3：将由多项式位于r
i
的解与观测函数σ
i
之间的差称为剩余项r
i
，由此获取n个误差方程式：
[0036]
s6.4：依据最小二乘拟合准则，n对数据(r
i
,σ
i
)求解系数a
j
的最优解是使得剩余项r
i
的平方和最小，通过求解；
[0037]
s6.5：在求极小值时，使得为极小值的a0,a1,
…
,a
m
各参数需满足
[0038]
s6.6：利用求解出m 1个未知数a
j
，其中j＝0,1,2,
…
,m，
[0039]
s6.7：将步骤s6.6中的a
j
代入步骤s6.2中的中，获取拟合曲线多项式表达式
[0040]
s6.8：对步骤s6.7得到的拟合曲线多项式进行求导获取最优奇异值参数∑
λ
，自适应的滤除噪声信号。
[0041]
在一些可选的实施方案中，步骤s6.8包括：
[0042]
s6.8.1：利用h
′
(r)＝dσ
i
/dr
i
求取奇异值拟合曲线一阶导数曲线；
[0043]
s6.8.2：利用h
″
(r)＝d2σ
i
/dr
i2
求取奇异值拟合曲线二阶导数曲线；
[0044]
s6.8.3：求取s6.8.1与s6.8.2中一阶二阶导数过零交叉点，假定此时r＝λ则得最优奇异值参数为∑
λ
，将r＞λ的剩余奇异值项置零；
[0045]
s6.8.4：利用csvd重构算法还原pd信号的s域系数矩阵信息，即t
(λ)
＝v
λ
∑
λ
w
λ*
，v
λ
＝[υ1,υ2,
…
,υ
λ
]∈m
m
×
λ
，w
λ
＝[w1,w2,
…
,w
λ
]∈m
n
×
λ
。
[0046]
在一些可选的实施方案中，由通过自适应s逆变换得到pd源时域波形pd
′
，其中n＝λ。
[0047]
在一些可选的实施方案中，步骤s8包括：
[0048]
s8.1：当pd信号源为仿真信号时，综合评价参数选取特征提取前后的波形相似参数ncc、信噪比snr、变换趋势参数vtp以及标准均方根误差nrmse中的一种或多种组合作为评价指标；
[0049]
s8.2：当pd信号源为现场实测信号时，综合评价指标选择噪声抑制比ρ
nrr
和/或幅值衰减比ρ
arr
这两个参数作为特征提取评价标准。
[0050]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，可以对复杂染噪的pd信号达到以下明显的效果：利用自适应s变换可以有效滤除复杂染噪pd信号中的定频信号与脉冲干扰信号，引入的调节因子使得s窗口可调。提出的时频域网格搜索方法可以自适应的选取调节因子，使得在滤除定频信号时更加智能化精确化。结合紧致截断奇异值分解技术可以进一步滤除主频信号周围的背景噪声信号，拟合求导法可以准确的寻找到奇异
值参数，自适应的滤除噪声信号。综上所提的基于s域紧致奇异值分解的pd源滤波方法能够自适应的滤除复杂染噪pd信号中的各种噪声信号，具有非常强的自适应性，滤波效果精确有效。
附图说明
[0051]
图1是本发明实施例提供的一种方法流程示意图；
[0052]
图2是本发明实施例提供的一种仿真理想pd信号；
[0053]
图3是本发明实施例提供的一种仿真复杂染噪pd信号；
[0054]
图4是本发明实施例提供的一种pd脉冲信号复杂染噪后s域3d时频谱图；
[0055]
图5是本发明实施例提供的一种仿真pd信号下，复杂染噪pd信号滤除定频信号后3d时域谱；
[0056]
图6是本发明实施例提供的一种仿真pd信号下，奇异值插值拟合曲线求解曲线；
[0057]
图7是本发明实施例提供的一种仿真pd信号下，过零交叉点求解紧致奇异值参数；
[0058]
图8是本发明实施例提供的一种仿真pd信号滤除噪声信号后时域波形图；
[0059]
图9是本发明实施例提供的一种仿真pd信号滤波后的性能评价，其中(a)为pd源信号特征提取后信噪比(snr)；(b)为pd源信号特征提取后波形相似性参数(ncc)；(c)为pd源信号特征提取后变换趋势参数(vtp)；(d)为pd源信号特征提取后标准均方根差(nrmse)。
具体实施方式
[0060]
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，对本发明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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0061]
在本发明实例中，“第一”、“第二”等是用于区别不同的对象，而不是用于描述特定的顺序或先后次序。
[0062]
本发明提出了一种基于s域紧致奇异值分解的pd源滤波方法。该方法通过对s变换进行了改进引入了调节因子，目的在于使得s变换时频谱窗口大小可调节。进而获取pd源时频谱信息。时频网格搜索法自适应选取调节因子α与β，目的在于自适应的滤除定频信号，获取系数矩阵t
(mn)
。有效滤除定频信号中对pd源有用信号的影响。紧致奇异值分解的引入目的在于消除主频信号周围的噪声信号，获取特征值∑
k
。为了消除噪声对主频信号的影响，最优奇异值参数∑
λ
是利用拟合插值求导法获取，自适应的滤除白噪声信号。最终实现了pd源复杂噪声滤除的目的。滤波效果优越，达到了很高的特征提取效果。
[0063]
如图1所示是本发明实施例提供的一种s域紧致奇异值分解的pd源滤波方法的流程示意图，包括以下步骤：
[0064]
s1：获取局部放电信号pd；
[0065]
在本发明实施例中，可以通过局部放电模拟器模拟出局部放电信号pd，或通过发生局部放电现场，利用特高频天线接收局部放电信号pd。
[0066]
s2：在s变换的基础上，引入调节因子α与β对s变换进行改造，获取自适应s变换；
[0067]
s3：利用自适应s变换对获取的pd源信号进行自适应s变换，获取pd源信号的时频
谱；
[0068]
s4：使用时频网格搜索法自适应选取调节因子α与β，自适应的滤除定频信号，获取系数矩阵t
(mn)
；
[0069]
s5：对系数矩阵t
(mn)
进行紧致奇异值分解，获取特征值∑
r
；
[0070]
s6：利用拟合插值求导法获取最优奇异值参数∑
λ
，自适应的滤除噪声信号；
[0071]
s7：通过自适应s逆变换，得到pd源时域波形pd
′
；
[0072]
s8：对特征提取后的结果pd
′
进行综合性能评价分析。
[0073]
在本发明实施例中，通过局部放电模拟器模拟出局部放电信号pd，可以通过以下方式实现：
[0074]
(1.1)利用双指数衰减振荡脉冲信号p模拟理想局部放电信号，可以通过表示，其中，a为脉冲信号的强度，τ1与τ2均表示衰减常数，f
c
表示振荡频率。
[0075]
(1.2)p信号中添加的周期定频干扰信号p1，白噪声干扰信号p2通过数学算法自动生成，白噪声染噪强度通过snr进行表征，其中，p1可以通过p1＝bsin(2πf
c0
t)获取，b表示定频信号的脉冲强度，f
c0
表示周期定频信号的振荡频率，p1不仅仅局限于这一种信号，该信号目的在于模拟实际场景中的广播、移动通信等干扰信号；p2可以通过awgn函数自动生成，且信噪比可调，p2信号表示各种噪声信号，进而可以将p与p1以及p2三种信号进行叠加获取模拟pd信号x(t)，可得x(t)＝p p1 p2。
[0076]
作为一种优选实施方式，如图2所示，本发明实施例提供的一种仿真理想pd信号，通过局部放电模拟器模拟出局部放电信号pd，优选实施步骤如下：
[0077]
初始化中的相关参数：包括脉冲幅值，采样点数，衰减常数，振荡频率；如图2所示，此时设定时间衰减常数τ1与τ2分别设置为2ns与3ns，振荡频率f
c
设置为260mhz。脉冲采样频率设置为5ghz/s。脉冲强度a＝25mv，采样点数为1600。pd放电起始点为p0，pd起始时间为t0＝(p0‑
1)/f
c
。其中p0＝461，t0＝92ns。
[0078]
设置脉冲采样频率，周期噪声振幅，白噪声强度参数；如图3所示是本发明实施例提供的一种仿真复杂染噪pd信号图。此时的采样频率为5ghz，pd信号中添加的周期定频信号振幅为0.7mv，白噪声干扰信号通过数学算法自动生成，白噪声染噪强度通过snr进行表征。
[0079]
在本发明实施例中，在步骤s2中，在s变换的基础上引入调节因子α与β对s变换进行改造，获取自适应s变换，可以通过以下方式实现：
[0080]
对于连续pd信号x(t)进行s变换，具体s变换s
t
(τ,f)为：其中，τ是时移因子，f＝1/a，a称为尺度因子；
[0081]
在s变换的基础上，将高斯窗函数进行了改造，引入两个调节因子α，β，引入调节因子后使得高斯窗可以根据pd信号的特性进行自由调整，调节因子的加入使得s变换后的时频分辨率可以调节，获得自适应s变换，其中，本发明改进后的自适应s变换为：
其中，α定义为高斯窗拉伸因子，β为频率尺度拉伸因子。
[0082]
在本发明实施例中，在步骤s3中，利用自适应s变换对获取的pd源信号进行自适应s变换，获取pd源信号的时频谱，可以通过以下方式实现：
[0083]
在离散情况下将s(τ,f)表示为：s
t
(m,n)＝t
(mn)1
x[0] t
(mn)2
x[1]
…
t
(mn)(n
‑
1)
x[n
‑
1]，其中，t
(mn)p
表示自适应离散s变换pd信号x[p]所对应的线性变换系数，且t
(mn)p
是通过快速傅立叶计算方法求得，m与n为常量，n为总采样点数，p＝0,1,2,...,n
‑
1；
[0084]
在自适应s变换当中，线性变换系数与m，n联系紧密，线性变换系数对应于一个关于m与n的二维矩阵，矩阵t
(mn)p
代表线性变换系数所对应的m
×
n行p列的一个变换元素，因此，可以将s
t
(m,n)＝t
(mn)1
x[0] t
(mn)2
x[1]
…
t
(mn)(n
‑
1)
x[n
‑
1]写成如下形式：
[0085][0086]
其中，s
mn
为s
t
[m,n]矩阵的第m行以及第n列对应的元素，m的取值范围是1,..,m，n的取值范围是1,..,n，n的大小与总采样点数相同，由s
t
(m,n)可知，s矩阵的元素可以转换成矩阵t
(mn)p
与矩阵x[p]的乘积，由此获取pd源信号的时频谱，所得时s域频谱如图4所示。
[0087]
在本发明实施例中，在步骤s4中，使用时频网格搜索法自适应选取调节因子α与β，自适应的滤除定频信号，获取由t
(mn)p
组成的系数矩阵t
(mn)
，可以通过以下方式实现：
[0088]
s4.1：时频调节因子α所对应的区域设定为β所对应的区域设定为φ，α与β所对应的空间域用r表示；
[0089]
s4.2：当β∈φ时，利用自适应s变换对pd源进行定频信号滤除，获取逆变换后的信号x
′
α,β
(p)；
[0090]
s4.3：滤波后的信号x
′
α,β
(p)与滤波前的pd信号x(p)可以表示成公式x
′
α,β
(p)＝sα,β(x(p))变换关系；
[0091]
s4.4：pd信号特征提取前后的误差大小可以通过均方根误差表示，其中，x
f
(p)表示理想pd源信号，p表示采样点，在滤波前后rmse与调节因子α,β存在对应关系；
[0092]
s4.5：将发生pd特征提取前后的rmse进行网格编码，离散化网格模型由g个网格点构成，其中则网格中的rmse大小可以表示为rmse＝f(x
′
α,β
(p),x
f
(p))，特征提取后的波形与理想波形误差越小，则说明特征提取效果越好，f表示求取rmse的函数；
[0093]
s4.6：寻找网格中rmse的最小值点作为特征提取的最优点，最小rmse所对应的α与β为特征提取效果最佳值，从而获取系数矩阵t
(mn)
，所得滤除定频信号的s域时频谱如图5所示。
[0094]
在本发明实施例中，在步骤s5中，对系数矩阵t
(mn)
进行紧致奇异值分解，获取特征值∑
r
，可以通过以下方式实现：
[0095]
对系数矩阵t
(mn)
进行紧致奇异值分解，其中，v
r
＝[υ1,υ2,
…
,υ
r
]∈m
m
×
r
，w
r
＝[w1,w2,
…
,w
r
]∈m
n
×
r
，r为奇异值个数，σ表示奇异值，υ表示v
r
的列向量，w表示w
r
的列向量，m表示正交矩阵，i表示奇异值参数，求和项关于frobenius内积是相互正交的，满足公式：<σ
i
υ
i
w
i*
,σ
j
υ
j
w
j*
>
f
＝tr(σ
i
σ
j
w
j
υ
j*
υ
i
w
i*
)＝σ
i
σ
j
δ
ij
trw
j
w
i*
＝σ
i
σ
j
δ
ij
trw
i*
w
j
＝σ
i
σ
j
δ
ij
，i,j＝1,2,
…
,r。
[0096]
在本发明实施例中，在步骤s6中，利用拟合插值求导法获取最优奇异值参数∑
λ
，自适应的滤除噪声信号，可以通过以下方式实现：
[0097]
s6.1：t
(mn)
的紧致奇异值分解为观测数据为(r
i
,σ
i
)，目标是寻找一个最为简单的函数关系式σ＝f(r)代替原观测数据，m次代数关系式可以利用公式表示；
[0098]
s6.2：求解出公式中的系数a
j
(j＝0,1,2,
…
,m)，将步骤s6.1中的观测数据(r
i
,σ
i
)代入求解n个方程；
[0099]
s6.3：将由多项式位于r
i
的解与观测函数σ
i
之间的差称为剩余项r
i
，由此可以获取n个误差方程式：
[0100]
s6.4：依据最小二乘拟合准则，n对数据(r
i
,σ
i
)求解系数a
j
的最优解是使得剩余项r
i
的平方和最小，可以通过公式求解；
[0101]
s6.5：在求公式极小值时，使得为极小值的a0,a1,
…
,a
m
各参数需满足公式
[0102]
s6.6：利用公式：求解出m 1个未知数a
j
，其中j＝0,1,2,
…
,m，
[0103]
s6.7：将步骤s6.6中的a
j
代入步骤s6.2中的中，即可获取拟合曲线多项式表达式拟合曲线如图6所示，同时与三种拟合算法做了对比，所提的插值拟合方法最为稳定，波动性最小；
[0104]
s6.8：对步骤s6.7得到的拟合曲线多项式进行求导获取最优奇异值参数∑
λ
，自适应的滤除噪声信号。
[0105]
在本发明实施例中，在步骤s6.8中，拟合曲线求导得到过零交叉点具体步骤包括：
[0106]
s6.8.1：利用公式h
′
(r)＝dσ
i
/dr
i
求取奇异值拟合曲线一阶导数曲线；
[0107]
s6.8.2：利用公式h
″
(r)＝d2σ
i
/dr
i2
求取奇异值拟合曲线二阶导数曲线；
[0108]
s6.8.3：求取s6.8.1与s6.8.2中一阶二阶导数过零交叉点，假定此时r＝λ则得最优奇异值参数为∑
λ
，将r＞λ的剩余奇异值项置零；
[0109]
s6.8.4：利用csvd重构算法还原pd信号的s域系数矩阵信息，即t
(λ)
＝v
λ
∑
λ
w
λ
*，v
λ
＝[υ1,υ2,
…
,υ
λ
]∈m
m
×
λ
，w
λ
＝[w1,w2,
…
,w
λ
]∈m
n
×
λ
。如图7给出了仿真pd信号下，过零交叉点求解紧致奇异值参数。
[0110]
在本发明实施例中，在步骤s7中，通过自适应s逆变换，得到pd源时域波形pd
′
，可以通过以下方式实现：
[0111]
自适应s逆变换通过公式求解，其中n＝λ，图8是本发明实施例提供的一种仿真pd信号滤除噪声信号后时域波形图。
[0112]
在本发明实施例中，在步骤s8中，对特征提取后的结果pd
′
进行综合性能评价分析，可以通过以下方式实现：
[0113]
s8.1：当pd信号源为仿真信号时，综合评价参数选取特征提取前后的波形相似参数ncc、信噪比snr、变换趋势参数vtp以及标准均方根误差nrmse作为评价指标；
[0114]
s8.2：当pd信号源为现场实测信号时综合评价指标则选择噪声抑制比ρ
nrr
以及幅值衰减比ρ
arr
这两个参数作为特征提取评价标准。如图9是本发明实施例提供的一种仿真pd信号滤波后的性能评价，其中(a)为pd源信号特征提取后信噪比(snr)；(b)为pd源信号特征提取后波形相似性参数(ncc)；(c)为pd源信号特征提取后变换趋势参数(vtp)；(d)为pd源信号特征提取后标准均方根差(nrmse)。
[0115]
本发明在s变换的基础上，引入调节因子α与β对s变换进行改造，获取自适应s变换；利用自适应s变换对接收的pd源信号进行自适应s变换，获取pd源信号的时频谱，有效滤
除定频信号与脉冲信号。同时结合紧致截断奇异值分解方法，可有效滤除高斯白噪声对pd信号的影响。最终达到对复杂噪声滤除的目的，综合性能大幅度提高，滤波效果具有较高的参数性能。
[0116]
需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
[0117]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。