一种基于MES的刀具磨损检测方法及其系统与流程

一种基于mes的刀具磨损检测方法及其系统
技术领域
1.本发明涉及刀具检测技术领域，具体为一种基于mes的刀具磨损检测方法及其系统。


背景技术：

2.高精度零部件加工主要依赖数控机床。生产航空飞机、航天火箭、船舶、汽车、重型机械等高 精度零部件生产中，数控机床都是不可或缺的设备，其先进性代表着一个国家的工业发展水平。而所 有机床都需要刀具这个耗件。作为切削工具，在加工过程中会经受高温高压、扭曲受力、振动和冲击 等复杂工况，化学反应及外部物理冲击会造成其切削刃随着加工时间的增加而不断磨损。对于不规范 操作或者刀具质量存在问题等外部因素，还会造成崩刀、断刀等危害。
3.以前，依靠工人经验对刀具进行检测是主要的方法。但是，在数控机床加工时代，大批量的加 工环境只能通过计件更换刀具，或者通过计时更换刀具。但是这些方法都有一定的缺陷性，首先，人 工判断的准确性主要依靠工人经验的丰富程度；其次，按计件及计时换刀的方式往往无法充分利用刀 具的使用寿命。如果在寿命远未到达之前更换刀具，会造成企业生产成本的增加，另一方面，更换刀 具不及时又会造成产品质量的下降。


技术实现要素：

4.本发明的目的在于提供一种基于mes的刀具磨损检测方法，以解决上述背景技术中提出的问题: 如果在寿命远未到达之前更换刀具，会造成企业生产成本的增加，如果更换刀具不及时又会造成产品 质量的下降。
5.为实现上述目的，本发明提供如下技术方案。
6.一种基于mes的刀具磨损检测方法，步骤如下：
7.s1：建立刀具磨损信号分析与特征值模块；
8.s2:建立基于强噪声下深度残差收缩网络的刀具磨损状态识别模块，将对深度残差网络进行优化， 在模型中加入软阈值化函数，构建基于软阈值化的深度残差收缩网络，让深度训练模型在处理数据时 自适应去掉信号中的噪声成分，根据对信号加入不同信噪比的噪声，依次建立卷积神经网络、深度残 差网络对比算法，训练不同信噪比噪声信号下的深度训练模型，通过分析不同模型在刀具状态分类任 务中分类的准确性判断模型是否具有去噪的能力；
9.s3:建立多传感器融合下深度残差网络在刀具磨损值监测模块，通过实验分析各类传感器在刀具 监测有的有效性与精确性，其次，利用基于深度神经网络的方法融合多个传感器的特征，以融合特征 再进行深度残差网络模型的构建，对比不同传感器融合后的监测结果，同时对比单一传感器下的监测 结果，以此说明多传感器共同监测刀具磨损值在应用中的有效性。
10.进一步地，其中，所述刀具磨损信号分析与特征值模块包括：
11.了解刀具的属性、磨损方式、磨损形成原因的刀具磨损机理、刀具磨损监测实验和特征值分析；
12.所述刀具磨损机理包括刀具的磨损形式和刀具磨损过程。
13.进一步地，所述刀具的磨损形式为刀具正常磨损的主要有摩擦造成的磨损，高温造成金属相变， 从而改变金属硬度导致刀具磨损；刀具磨损过程为刀具的磨损阶段可大致分为三个磨损阶段：磨损的 早期，中期和晚期；
14.其中，特征值分析包括时域特征分析、域特征分析和时频域特征分析。
15.进一步地，其中，所述基于强噪声下深度残差收缩网络的刀具磨损状态识别模块为基于软阈值 化深度残差收缩网络的刀具磨损状态识别方法；
16.所述基于软阈值化深度残差收缩网络的刀具磨损状态识别方法包括软阈值化、深度残差收缩网 络基本模块和深度残差收缩网络结构。
17.进一步地，其中，所述软阈值化的计算公式如下：
[0018][0019]
公式中sign(x)函数为取符号函数，公式如下：
[0020][0021]
所述深度残差收缩网络基本模块含有两个卷尺层，每次卷积操作输入数据先进行批标准化处理， 后经过激活函数激活后输入卷积层；
[0022]
所述深度残差收缩网络结构，模型以时域、频域、小波包能量组合特征矩阵作为模型的输入。
[0023]
进一步地，所述基于软阈值化深度残差收缩网络的刀具磨损状态识别方法还包括基于强噪声条 件下深度残差收缩网络的刀具磨损状态识别流程。
[0024]
进一步地，所述基于强噪声条件下深度残差收缩网络的刀具磨损状态识别流程的诊断流程如下：
[0025]
数据预处理：通过s2步骤中特征分析提取本发明所需特征；
[0026]
定义深度残差收缩网络超参数：在神经网络测试实验阶段，通过不断实验调整神经网络结构， 根据实验效果及需求调整卷积层的卷积核个数及大小，设置批处理化参数及池化尺寸；
[0027]
深度残差收缩网络的测试：以5折交叉实验的平均测试准确率作为模型的测试结果。
[0028]
进一步地，所述多传感器融合下深度残差网络在刀具磨损值监测模块包括：
[0029]
基于resnet模型的刀具磨损值监测方法：通过resnet模型结构进行检测，同时通过模型中的初 始卷积层和池化层使得数据经过残差块处理完后经过一个全局平均池化操作，后输入回归层进行刀具 磨损值回归分析，回归层使用完全连接的两层神经网络，最后输出刀具磨损监测值。
[0030]
一种基于mes的刀具磨损检测方法的系统，用于上述任意一种所述一种基于mes的刀具磨损检 测方法，所述系统包括刀具磨损检测系统包括数据采集模块、数据预处理与特征提取模块、刀具磨损 状态识别与磨损量预测模块和刀具寿命可视化管理模块；
[0031]
所述数据采集模块包括设备通信配置、数据采集、数据库管理；
[0032]
所述数据预处理与特征提取模块包括数据清洗、特征提取和特征融合
[0033]
所述刀具磨损状态识别与磨损量预测模块包括磨损状态评估和磨损值实时预测
[0034]
所述刀具寿命可视化管理模块包括机床及刀具工作状态、刀具加工时间统计、磨损值预测实时 分析和刀具换刀预警。
[0035]
与现有技术相比，本发明的有益效果是：
[0036]
1、本发明通过对振动传感器、力传感器及声发射传感器进行建模，以刀刃磨损最大值作为监测 目标进行监督训练，通过对三类传感器进行分别建模的分析中，振动传感器及力传感器信号能够很好 的监测刀具的磨损值，监测精度能够到达99％；
[0037]
2、本发明采用深度残差收缩网络进行强噪声环境下刀具磨损状态的识别，并通过多个传感器的 融合特征作为训练数据，为了确保深度残差收缩网络能有效的在强噪声环境下识别刀具磨损状态，本 发明除了对原始信号进行建模外，还分分别向原始信号中加入不同信噪比的噪声，制作对照训练集， 以卷积神经网络、深度残差网络作为对比模型，分别用包含不同噪声的特征向量训练这三个模型，对 比统一噪声强度下，各模型的识别准确率；
[0038]
3、本发明采用三种融合对比实验，融合3个振动传感器，3个力传感器及全部7个传感器，通 过实验结果对比分析得出，振动传感器融合特征与力传感器融合特征在刀具磨损监测中的精度相较于 单一振动、力传感器都要高，其次，7个传感器融合特征的监测精度比其他两种融合方式的监测精度 高出20％左右；
[0039]
4、本发明建立基于深度残差网络的刀具磨损状态监测系统，用于实时监测数控机床及其辅助设 备的运行状态，构建基于深度残差网络的刀具磨损量监测，实时监测刀具在加工过程中的磨损值，设 置阈值报警机制，以制造执行系统进行信息交互，确保刀具达到寿命后准确更换刀具。
附图说明
[0040]
图1为本发明刀具磨损实验采集示意图；
[0041]
图2为本发明铣刀磨损最大值示意图；
[0042]
图3为本发明刀具磨损的三个阶段示意图；
[0043]
图4为本发明走刀时传感器信号图；
[0044]
图5为本发明小波分解结构示意图；
[0045]
图6为本发明磨损阶段小波包系数能量特征示意图；
[0046]
图7为本发明深度残差收缩网络基本模块示意图；
[0047]
图8为本发明深度残差收缩网络示意图；
[0048]
图9为本发明5折交叉实验示意图；
[0049]
图10为本发明基本残差块示意图示意图；
[0050]
图11为本发明卷积操作示意图；
[0051]
图12为本发明池化操作示意图；
[0052]
图13为本发明resnet网络结构示意图；
[0053]
图14为本发明模型训练流程图；
[0054]
图15为本发明多传感器特征融合的深度残差网络模型示意图；
[0055]
图16为本发明刀具磨损监测系统架构图；
[0056]
图17为本发明刀具磨损状态监测流程图；
[0057]
图18为本发明刀具磨损监测系统功能框架示意图。
具体实施方式
[0058]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显 然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
[0059]
本发明为一种基于mes的刀具磨损检测方法及其系统。
[0060]
一.刀具磨损信号分析
[0061]
1.分析刀具的磨损形式
[0062]
刀具在加工过程中，因操作失误，或者刀具质量原因，有时会造成非正常的刀具磨损现象，包 括刀具折断、崩刃、变形等情况。由于这种情况下的刀具不能进行加工，因而，在加工过程中一旦发 现非正常磨损现象就得停机更换刀具，因而通过监测加工中的异常工况，也是刀具监测系统不可或缺 的一部分。但是，刀具的正常磨损占据大多数情况。在评估刀具的磨损时，常以刀具前刀面与后刀面 磨损区域均匀带的宽度(vb值)作为刀具的磨损值。本发明以铣床铣刀为研究对象，在铣削过程中， 后刀面与工件接触的面积最大，因而，常以后刀面的vb值作为刀具磨损程度的判断指标。刀具正常 磨损的主要有摩擦造成的磨损，高温造成金属相变，从而改变金属硬度导致刀具磨损等几种形式。
[0063]
2.分析刀具磨损过程
[0064]
数控机床加工刀具在生产过程中主要用于切削金属材料，由于两者硬度都相对较高，所以，在 接触中会摩擦，产生高温、振动等复杂工况。一方面，造成刀刃表面产生变形，凹坑等物理结构损坏； 另一方面，高温等工作环境会造成刀刃表面产生化学反应破坏刀刃表面涂层结构。同时，高温将改变 金属内部结构，造成刀刃的硬度，韧性等特性发生改变。
[0065]
在数控加工中，随着加工工件的增加，刀具的后刀面磨损区域面积不断扩大，磨损值不断增加， 直至刀具磨钝。虽然每个品牌的刀具质量不同，但是材料的磨损趋势是一致的，磨损随着加工时间增 加会越来越大。刀具的磨损阶段可大致分为三个磨损阶段：磨损的早期，中期和晚期。
[0066]
3.进行刀具磨损监测实验
[0067]
本发明实验验证所采用的数据是美国phm2010刀具剩余使用寿命监测竞赛的公开数，试验台信 号采集系统如图1所示。实验进行了六把刀的加工实验，每把刀具走刀315次，每次加工走刀108mm， 铣削完成后使用leicamz12显微镜对3个切削刃后刀面磨损进行测量。实验设备及切削参数如下表所 示。
[0068][0069]
本次实验采集6把铣刀(c1-c6)的全寿命加工数据，其中c1、c4、c6为竞赛测试集，含有刀具 磨损值标签数据。其余三把刀具为竞赛测试数据，不含标签数据。本发明以c1、c4、c6三把刀的全寿 命数据为实验对象。实验的三把铣刀三个刀刃的磨损最大值随铣削的次数进行变化。刀具采集了3个 加速度传感器、3向力传感器及1个声发射(ae)传感器，总共7个传感器信号。采样频率为50hz， 对c1刀具的原始信号进行分析，分别取第1及第200次走刀加工数据作为三个磨损阶段的信号进行 分析，可得出分析的四次走刀的加工数据图，见图2。从图2中三把刀具从最大磨损变化趋势可以看 出，磨损曲线可以大致分为三个阶段。图3给出了c4的三个刀刃磨损变化的阶段。
[0070]
刀具采集了3个加速度传感器、3向力传感器及1个声发射(ae)传感器，总共7个传感器信号。 采样频率为50hz，对c1刀具的原始信号进行分析，分别取第1、100、200及第300次走刀加工数据 作为三个磨损阶段的信号进行分析，分析的四次走刀的加工数据如图4所示。从三个阶段的信号可以 看出，随着刀具走刀次数的增加，传感器数据振幅等出现明显的变化。本发明通过深度训练的自适应 训练能力从传感器数据的变化中，挖掘出刀具退化趋势。
[0071]
4.时域特征分析
[0072]
时域信号表示信号幅值随着时间域的变化而变化的信号。所谓时域特征就是对时域信号统计其 信号数据变化的幅值、方差等。时域信号可以分为两种：无量纲和有量纲。有量纲的时域信号包括最 大值和最小值，均方根值等等。因为有量纲的时域信号抗干扰能力较弱，因此，提取信号的无量纲特 征有助于提高信号的平稳性。无量纲的时域特征有峰值因子，裕度因子等。有量纲及无量纲的时域特 征表达公式如下所示。
[0073]
(1)峰值：表示信号中振幅的最大值。
[0074]
x
max
＝max(|xi|)
[0075]
(2)峰峰值：描述周期信号最大与最小值的差
[0076]
x
p-p
＝x
max-x
min
[0077]
(3)均方根值：监测信号中的平均能量
[0078][0079]
(4)偏度：表示信号的非对称程度
[0080][0081]
(5)峭度：表示峰值的概率分布
[0082][0083]
(6)波形因子：主要面试信号中波形的变化趋势
[0084][0085]
(7)峰值因子：主要对信号的波形进行测量
[0086][0087]
(8)脉冲因子：描述信号对脉冲的敏感程度
[0088][0089]
(9)裕度因子：表达信号的冲击程度
[0090][0091]
式中：xi表示输入信号，n表示信号长度，μ表示信号均值，σ表示信号方差
[0092]
5.频域特征分析
[0093]
频域特征分析主要是将信号频谱图提取为频域信号特征。振动信号、力信号等振幅随着时间的 变化而连续变化，这类信号都可以表示为不同频率的正弦信号的合成，通过分析信号中含有的频率种 类、振幅等特征，等价与真实的时域信号的同时简化的信号的复杂程度。
[0094]
(1)频域幅值平均值
[0095][0096]
(2)频率方差
[0097][0098]
(3)频率幅值方差
[0099][0100]
(4)频域幅值偏度指标
[0101][0102]
(5)频域幅值峭度指标
[0103][0104]
频域特征作通过提取冗杂时域信号中包含的信号频率，通过提取复杂信号中独特的信息大幅度 的降低了信号的复杂程度，同时，不同信号表现出的频域特征不同，因而可以通过不同的频域特征识 别出设备的故障、状态及剩余寿命等。
[0105]
6.时频域特征分析
[0106]
傅里叶变换提取的频域特征不能完整的表示原始时域信号特征，我们还想知道各个频率特征随 着时间变化的情况，各个时刻的瞬时频率及其幅值，时频域分析可以有效的解决这个问题。短时傅立 叶变换，小波变换和小波包变换是常用的时频域分析技术。短时傅里叶变换就是在傅里叶变化的基础 上把信号切片，依次分析不同片段的频率特征，这时，我们就能够表示出不同时间段出现的频率特征。 但是如何确定切信号片段的窗函数大小没有一个标准的确定方式，因而，此方法有一定的局限性。为 了解决短时傅里叶也无法解决的问题，提出来小波变换。傅里叶变换计算当前原始信号与三角函数的 相关性，从而计算出原始信号中包含的频率成分。小波变换则以小波基作为处理原始信号的基函数。 小波变换又可分为连续与离散的小波变换，其二者公式依次如下：
[0107]
连续小波变换：
[0108][0109]
离散小波变换：
[0110][0111]
式中，a表示尺度因子，τ表示平移因子。
[0112]
工程中采集的信号往往是非平稳信号，为了准确识别信号中频率特征随时间变化的关系，常采 用小波分解和小波包分解的方式处理非平稳信号。小波分解以高低通滤波器把信号的高频部分和低频 部分分开。以s代表低频信号，d代表高频信号，根据需求还可对低频部分再分解。小波分解，能够 得到一系列小波系数。小波分解只对低频信号分解，所以小波变换能够很好的表征低频信号的主要特 征，但是对于地震信号等非平稳信息不能很好的表示大量的高频细节特征。小波分解的的过程如图5 所示。
[0113]
本发明采用的传感器类型除了振动及声发射传感器这类主要集中在低频的信号外，还包含力传 感器。在力传感器中，信号特征不论在低频还是高频都有信号特征分布，因此，本发明采用小波包分 解的方式处理各传感器采集的信号。小波包分解和小波分解之间的区别在于，它还会分解信号的高频 部分。本发明使用“db2”小波包基函数分解三层小波包系数。本发明对c1刀具第150次加工的所有 传感器数据进行三层小波包分解。从各传感器信号在高低频的小波包分解系数中，了解各类传感器监 测刀具磨损时信号的表现形式。可得出第150次走刀各传感器信号的分解情况。经过小波包分解后能 够明显的发现，信号中的高频、低频的成分完全分开了。并且从声发射信号的小波分解图中，还能明 显发现信号的特征主要集中在低频区域。通过小波分解，能够更好的分析出信号中的频率特征。为了 降低数据的纬度，加速模型测试，提取最后一层的8个小波分解系数s(i,j)的能量特征，其公式如下所 示：
[0114]ei
＝||s(i，j)||2[0115]
对刀具磨损的三个阶段进行分析，在力传感器上的能量特征表现如图6所示。从小波包分解系 数及能量特征图中可以发现振动传感和声发射传感器的有效信息主要集中在低频。而力传感器的特征 在高、低频段都有，但是仍然主要集中在低频区域，且其小波包系数呈现明显的幅值变化。通过采集 7个传感器的第三次小波包分解系数能量，组成一个能量特征矩阵，为后续模型训练做准备。
[0116]
二.基于深度残差收缩网络的刀具磨损状态识别
[0117]
1.软阈值化
[0118]
在传统的信号降噪中，软阈值化函数最为常用。软阈值化函数将信号数据中绝对值小于阈值t 范围内的输入信号设置为零，在范围之外的也向着零靠拢。在软阈值化函数中，需要设置降噪的范围 参数t，其取值大小在处理信号时将直接影响降噪程度。软阈值化公式如下所示：
[0119][0120]
公式中sign(x)函数为取符号函数，公式如下
[0121][0122]
2.深度残差收缩网络基本模块
[0123]
具体请参阅图7。和深度残差网络一样，深度残差收缩网络也是由许多基本模块堆叠而成的。在 软阈值化中，阈值t的设置是一个经验问题，如何有效的设置阈值是保证磨损
去噪的保证，阈值设置 过大或者过小，都会影响在状态识别中的效果。因此在深度参收缩网络中，通过单独设置一条全连接 神经网络的支路进行阈值的自适应训练，从而自动调整每个深度残差收缩模块的阈值。深度残差收缩 网络在其基本模块中含有两个卷尺层，每次卷积操作输入数据先进行批标准化处理，后经过激活函数 激活后输入卷积层。在神经网络结构设计中，每层各有16个卷积核。对输入特征矩阵采用全零填充后 以1
×
2卷积核对特征矩阵进行滤波特征提取，每次卷积后移动2步进行下一次卷积操作。卷积完成后 输入两层全连接训练特征矩阵中的阈值。最后利用训练到的阈值，对两层卷积后的特征矩阵进行软阈 值化处理，去除噪声。输出的去噪特征矩阵采用均值池化后输出。同时，对于深度残差网络的跨层连 接的优点，在深度残差收缩网络基本模块也保留了，确保模型的测试速度。
[0124]
3.深度残差收缩网络结构
[0125]
本发明所采用的深度残差收缩网络模型结构如图8所示。
[0126]
模型以时域、频域、小波包能量组合特征矩阵作为模型的输入。输入数据先经过一个卷积层处 理特征，后输入一个基本深度残差收缩模块，后输出经过批标准化处理、激活函数激活、全局均值池 化后输入3层全连接分类层进行刀具磨损状态识别。
[0127]
4.基于强噪声条件下深度残差收缩网络的刀具磨损状态识别流程
[0128]
基于深度残差收缩网络的刀具磨损状态识别方法，具体诊断流程如下：
[0129]
(1)数据预处理。采用上述中的特征预处理方法提取本发明所需特征。通过提取尽可能多的特 征进行模型测试，在选择提取的特征种类时，不需要依靠经验知识选择，把所有特征在纵向上组合成 一个组合特征矩阵，直接输入神经网络模型进行测试，让神经网络自适应的训练特征中的有用信息。
[0130]
(2)定义深度残差收缩网络超参数。本发明采用深度残差收缩网络结构如图8所示，在神经网 络测试实验阶段，通过不断实验调整神经网络结构，根据实验效果及需求调整卷积层的卷积核个数及 大小，设置批处理化参数及池化尺寸。经过不断实验调整，发现经过特征工程后的测试数据量急剧缩 小，且信号中的特征相对明显，因而，不需要过于复杂的神经网络结构即可得到很好的效果。以系数 为0.0001的l2正则化方法防止过拟合。选用训练率为0.001的adam优化模型参数。
[0131]
(3)深度残差收缩网络的测试。
[0132]
本发明以5折交叉实验的平均测试准确率作为模型的测试结果。把所有样本数据划分成一个个 小批次，每批次数据设置为8。每个批次样本测试完后再反向更新模型中各层的参数。当所有批次数 据测试完成时再进行下一轮的测试，总共测试100轮。当模型测试完成，测试符合要求后保存模型， 为后续发明所需要的使用做准备。
[0133]
5折交叉验证如图9所示。
[0134]
实验验证数据为phm2010竞赛刀具数据。为了验证深度残差收缩网络的降噪能力，以含有高强 度噪声的信号进行见建模，如果模型识别能力没有下降，则可以验证模型的去噪能力。将3db，5db， 7db和9db的信噪比(signal-to-noise，snr)的噪声分别添加到信号中。噪声信号公式如下所示。
[0135][0136]
式中：x为原始信号，n为噪声信号，可以推到出：
[0137][0138]
式中：n为原始信号的长度。最终经过对噪声信号进行放大可以得到如下噪声信号。
[0139][0140]
通过对三把刀具后刀面磨损值变化的观察，把磨损值vb低于90
×
10-3mm的磨损值视为初期磨 损阶段、高于90
×
10-3mm而低于130
×
10-3mm的磨损状态为正常磨损阶段，高于130
×
10-3mm的 磨损状态为急剧磨损阶段。把刀具磨损状态分为3类，进行深度残差收缩网络分类训练。
[0141]
实验结果对比:
[0142]
本发明将对比通过对比不同的模型以验证深度残差收缩网络的去噪效果。本发明构建了包含不 同信噪比噪声的信号，通过与上述的特征预处理，把不同噪声条件下的信号分别测试卷积神经网络 (cnn)、深度残差网络(resnet)及本发明的深度残差收缩网络(drsn)。通过对比分析不同神经 网络在不同噪声环境下的分类准确率，以判断本发明所采用的深度残差收缩网络的自适应去噪能力。 为了确保模型的鲁棒性，采用5折交叉实验拆分不同的测试集与测试集，计算5次模型分类测试中正 确率的平均值作为模型好坏的评价指标。不同信噪比噪声环境下的平均正确率如下表所示。
[0143][0144]
可以看出，在不同的信噪比噪声环境下，深度残差收缩网络测试平均正确率基本都维持在98.8％ 左右，而深度残差网络与卷积神经网络随着噪声的变化都产生了一定程度的波动，测试平均准确率随 着信噪比的增加有一定的下滑趋势。从5折交叉实验每次的测试结果中可以看出，随着信号中信噪比 的增加，卷积神经网络、深度残差网络测试正确率的变化幅度较大。但是对于深度残差收缩网络，不 管是第几次更换测试数据，其分类的正确率基本上维持在同一个水平。由此，可以得出，深度残差网 络能够有效的过滤掉信号中的噪声成分，对不同的测试集表现出较为准确、稳定的分类效果。由此， 可以看出，针对强噪声环境下，采用深度残差收缩网络能够在一定程度上取到自适应去噪的效果，增 加了深度神经网络的鲁棒性，有助于深度神经网络的落地应用。
[0145]
三.多传感器融合下深度残差网络的刀具磨损量监测
[0146]
1.深度残差网络
[0147]
以卷积神经网络为基础，在多层卷积神经网络之间增加一条跨层的恒等映射，模型可以根据任 务的难度，模型在测试过程中可以自动选择更新参数的路径。由于增加了一
条恒等映射的路径，所以 模型在反向传播更新参数的时候可以选择最优路径进行更新参数，加快了模型的测试速度。模型由包 含卷积层和跨层连接的残差块堆砌而成，在卷积层之间增加了批量标准化、全局池化等操作优化模型 测试速度。
[0148]
1.1.基本残差块
[0149]
深度残差网络基本残差块如图10所示。
[0150]
图中bn，relu表示批标准化处理及激活函数。通过跨层连接的方式，保证测试速度的同时保证 模型的训练能力及分类效果。残差网络中，输入作为x，经过一系列卷积层的参数更新，当模型已经 能够得到比较好的输出结果h(x)时，模型将不再更新残差部分f(x)的参数，让输入x直接通过恒等映 射路径输出结果，让模型处于最优状态。由此，深度残差网络不用担心因为网络层数的增加而导致模 型测试难度的加大，同时提高了模型识别的准确率。
[0151]
1.2.卷积层
[0152]
参阅图11，卷积层通过一个滤波器对输入矩阵进行局部特征提取再组合，能得到一个更加高维 抽象的特征。卷积核的工作主要分为局部连接和全局权重参数共享。局部连接意味着卷积内核一次仅 训练局部特征。全局权值共享表示对于输入的特征矩阵，卷积核的参数是不变的，这种方式可以有效 的减少参数的数据量。每层特征，只需要一个卷积核即可实现特征的提取。本发明把输入特征合并成 一个特征向量，使用大小为1
×
3的64个卷积核，我们从特征向量中顺序提取局部特征，并将移动步 长设置为2。对输入特征向量进行全0填充，保证输入矩阵与输出矩阵大小统一。卷积操作后经过批 标准化处理及激活函数激活后再进行卷积操作。
[0153]
1.3.激活函数
[0154]
激活函数是所有神经网络不可或缺的一部分，数据经过一层层卷积运算，将会拟合出一个线性 映射函数，但是深度训练的任务往往是非线性的，因此引入激活函数是保证深度神经网络拟合非线性 映射函数的能力。线性整流器单元(relu)，sigmoid和tanh函数是更常见的激活函数。
[0155]
relu激活函数如图所示，将小于0的输入特征置0，大于0的特征保持不变。其公式如下所示：
[0156][0157]
式中，y为relu函数的输出，x表示函数的输入。
[0158]
relu激活函数能有效的避免反向传播中更新参数时的梯度消失和梯度爆炸。因而，残差块结构 中的激活函数选择以relu。
[0159]
tanh激活函数表达式如下所示：
[0160][0161]
式中，xtanh表示激活函数的输入，ytanh表示输出。
[0162]
从图中可以看出，输出y的取值范围在-1到1之间变化，可以有效的保证特征数据在传输的过 程中不断缩小，加速测试收敛过程。
[0163]
sigmoid激活函数可表示为：
[0164][0165]
式中，xsigmoid表示输入，ysigmoid表示输出。输出y的取值在0到1之间变化。
[0166]
1.4.批量标准化
[0167]
深度训练模型测试的过程中，可以视为模型在调节模型各节点参数的过程，每次反向传播的过 程就是更新参数的过程。随着测试数据的增多，更新参数的频率加快，会增加计算机算力的要求。为 此，常采用小批量数据更新参数的策略，一个批次的数据前向传播完成后计算评价损失误差，再更新 参数。但是，小批次特征数据之间的分布往往是不同的，这一现象称为内部协方差漂移，模型为了适 应数据分布的变化，不得不实时更新权值参数以适应数据分布的变化，从而导致测试速度的下降。为 了解决这个问题，引入批量标准化的方法，将小批量特征数据间的分布归一化。批量标准化方法嵌入 到残差块中，可以调节卷积层之间数据的分布问题，加快模型的测试速度。批量标准化将输入归一为 均值为0，标准差为1的分布范围。批量标准化的公式如下所示：
[0168][0169][0170][0171]ys
＝γzs β
[0172]
式中，xs表示一个小批次中第s个数据，nbatch表示一个小批次所含样本数量，ε是无限小数， ys是输出特征。γ和β是反向传播过程中需要优化的参数，让模型自适应的寻找最优分布。
[0173]
1.5.池化与全局均值池化
[0174]
输入数据经过卷积层，激活函数激活后得到一个更加高维，更加抽象的特征矩阵，但是卷积操 作为了能够充分提取数据的特征，一般不进行下采样处理。为了对特征矩阵进行降维处理，可以通过 池化操作来实现。通过提取一个范围内的有效特征，达到减小特征矩阵。最大池化和平均池化是两种 主要池化方法。最大池计算该区域中的最大值，而平均池计算核心范围内所有数据的平均值。池化操 作如图12所示。
[0175]
全局均值池化是把每一个输出通道的特征矩阵计算平均值再组合成新的特征矩阵。深度残差网 络在模型最后的残差块后加入全局平均池化，是解决同一刀具状态在信号特征上表现不同的问题，保 证磨损在回归监测中的准确性。全局平均池化可表示为：
[0176][0177]
式中：xgap和ygap表示在全局均值池化操作中输入和输出特征图，iro与ico指的是输入的长 和宽，ich表示通道数。
[0178]
2.基于resnet模型的刀具磨损值监测方法
[0179]
本发明所采用的resnet模型结构如图13所示
[0180]
该模型由初始卷积层和池化层，七个基本残差块以及两个完全连接的层组成。初始卷积层卷积 内核大小设置为1
×
2，移动步长大小为2，采用全零填充，本层采用64个卷积核对输入特征矩阵进 行高纬特征提取。批量标准化处理之后，激活函数非线性地激活和执行池操作。池化层采用最大池化， 移动步长大小为2。池化操作可以减小特征矩阵的尺寸，提高模型的容错率。残差块分成两部分，第 一部分包含3个残差块，卷积核的大小为1
×
3，卷积核的数目为64，移动步长为1。第二部分包含四 个残差块，卷积内核的大小、移动步长都不变，卷积核个数为32。当数据经过7个残差块处理完后经 过一个全局平均池化操作，后输入回归层进行刀具磨损值回归分析。回归层使用完全连接的两层神经 网络，最后输出刀具磨损监测值。
[0181]
2.1.resnet模型的超参数设置
[0182]
为神经网络设置合理的超参数是保证模型能够稳定收敛的前提。本发明经过多次试验，最终选 择adam作为测试神经网络的优化函数，对权值参数更新的初始训练率设置为0.001。为了加快测试的 速度，以每个8个样本数据作为一个小批次进行测试，当一个小批次数据前向传播完成再更新一次参 数。经过500次反复迭代进行模型测试，最终实现模型收敛。由于深度残差网络结构简单，因此，模 型中不再采用正则化或者dropout等方法处理权值参数。
[0183]
2.2.resnet模型的评价指标
[0184]
在回归监测模型中，评估模型的监测性能，作为模型的评估指标，主要是绝对均值 (meanabslutlyerror,mae)，均方根误差(rootmeansquarderror,rmse)，r2等。如下式：
[0185][0186][0187][0188][0189][0190][0191]
式中：yi表示真实刀具磨损值,表示模型监测值，yi表示监测值的平均。ssr表示归回平方和， sse表示残差平方和，sst表示总离差平方和。
[0192]
2.3.刀具磨损值监测流程
[0193]
(1)数据预处理。
[0194]
实验数据选用phm2010刀具竞赛数据。采用所提取的特征成分作为每个域的特征，并把传感器 不同域的特征向量组合成一个联合特征向量。由于不同特征的计算方式不同，量纲也不同，为了降低 数据之间的差异、减小量纲的影响，避免模型测试中偏向于训练数值大的特征造成模型无法准确训练 信号的各项特征。首先，您需要规范化数据。常用的归一化算法包括最大和最小归一化，它们可以将 原始输入信号缩放或压缩到特定的缩放比例，而无需更改原始输入信号的形状。均值方差归一化，将 特征归一化为均匀均值和方差的范围。本发明按最大最小化的标准化方法把特征向量缩放到(-1～1) 的范围，最大最小标准化公式如下所示。
[0195][0196]
式中，x表示输入数据，xmax与xmin表示输入数据中的最大与最小值，x*表示最大最小归一化 后的数据。
[0197]
(2)深度残差网络测试
[0198]
合并c1、c4、c6总共3把刀的特征向量制作数据集，共945组。把铣刀的3个刀刃中磨损最大 值作为监督训练测试中的标签数据。采用监督训练的测试方式对该模型执行反向传播以优化诸如权重 和偏移量的参数。优化算法使用adam算法，损失函数使用绝对均值(mae)。对模型进行分批次测 试，更新权值与偏置值。每8个特征向量完成前向传播后计算一次损失误差，经过多次试验，500轮 测试测试时损失函数基本能够收敛到最小值。
[0199]
(3)模型测试。
[0200]
把测试好的模型进行保存，计算监测值和真实值之间的均方根均方根误差(rmse)，绝对均方 误差(mae)和r方(r2)作为模型好坏的度量。如图14。
[0201]
3.基于多传感器融合特征与resnet模型的刀具磨损量监测
[0202]
本次实验数据采集了数控铣床工作台上振动传感器、力传感器及一个声发射传感器的x轴、y轴、 z轴三个方向信号，总共采集7路传感器信息。
[0203]
3.1.基于单一传感器下resnet模型的刀具磨损值监测对比试验
[0204]
在实际应用中，我们往往对于传感器的选型无从下手，对不同的对象选择合适的传感器进行监 测，往往需要很强的理论知识与经验支撑。同时，不同的传感器价格不同，为了工程经济性，选择一 款价格便宜，功能满足要求的传感器将有实际工程意义。为了探索在数控铣床中刀具监测的传感器选 型问题，本次实验先以单一传感器信号进行刀具磨损量的监测，探寻不同传感器采集的信号对于刀具 磨损监测的精确程度。实验将会对7个传感器一一进行实验，找出能够有效、精确的监测刀具磨损值 的传感器，为工程应用提供一定的实验支撑。
[0205]
为了方便对比分析各传感器在刀具磨损监测中的效果，统计单一传感器测试模型的测试评价指 标如下表所示。
[0206][0207]
可以看出，振动传感器信号的监测结果较为准确，力传感器监测精度次之，声发射信号监测结 果为三者中最差。因此，从以上结果可以得出结论，对刀具的磨损状态监测，选择振动和力传感器监 测最佳。
[0208]
3.2基于多传感器特征融合的方法及resnet模型的构建
[0209]
本发明采用深度训练的方法自动提取各传感器特征再进行融合。
[0210]
在深度训练中，神经网络可以简单的看做输入层，特征提取层，分类层或者回归层。在卷积神 经网络中，每次卷积提取的特征再组合最终输入到分类器或者回归层中进行分类和监测。
[0211]
本发明将采用基于深度训练理论的特征融合算法。基于融合特征的resnet模型结构如图15所 示。
[0212]
基于卷积神经网络的特征融合过程中，分7个通道对7个传感器特征分别进行卷积操作。每个 通道以8个1
×
2卷积核，每次移动2步进行独立特征提取。通过卷积核的特征提取能力分别提取不 同传感器的特征，提取的特征通过组合特征向量的方式融合特征。把各传感器经过卷积核提取的特征 在横向上合并，增加特征描述的信息量。另外一种特征融合方式是在把特征矩阵在纵向上合并，从而 增加特征矩阵的通道数，也就是说描述信号本身的特征数(通道数)增加了，而每一特征下的信息是 没有增加。因此，本发明把特征图在横向上进行特征融合。
[0213]
3.3基于多传感器融合特征与resnet模型的刀具磨损值监测
[0214]
为了保证能够精准把控刀具切削过程中信号特征，确保每个传感器采集的细微特征都能都有效 的保留，有必要进行多传感器特征融合下刀具磨损量监测的研究。通过对各传感器特征的融合，能够 有效的捕捉加工过程中刀具磨损的程度在信号中表现的细微变化，从而确保监测的刀具磨损值更加的 精确。
[0215]
本实验以phm2010刀具数据为对象，数据中包含3个振动传感器信息、3个力传感器信息及一 个声发射信息。在前文特征工程中，分别采集了每个传感器的时域特征、频域特征及小波包系数能量 特征，把各传感器在时域、频域及时频域的特征组合形成每个传感器特征矩阵。本发明以融合特征作 为监督训练模型测试的对象。融合7个传感器特征，组成一个多源融合特征矩阵，以融合特征矩阵进 行模型的测试，同时，为了对比融合特征之间的差异，构建振动传感器融合特征、力传感器融合特征 进行对比试验。对比分析多源传感器融合特征、振动传感器融合特征、力传感器融合特征及单一传感 器特征在刀具磨损监测中的效果。
[0216]
对各融合特征的测试模型进行测试，对比评价指标如下表所示。
[0217][0218]
3.4.基于不同信息源下resnet模型的刀具磨损值监测结果对比分析
[0219]
本发明主要分析不同传感器特征及多传感器融合特征用于刀具磨损量监测的精度。首先分析单 一传感器的监测效果，其次分别按照传感器类型构建振动传感器融合特征、力传感器融合特征及包含 振动、力及声发射的多源传感器融合特征。以各特征集为监督训练的对象进行建模，分析监测效果。
[0220]
首先对振动传感器、力传感器、声发射传感器共计7个传感器数据进行建模分析，可得出，基 于力传感器特征构建的模型监测精度整体上好于振动传感器，而基于声发射传感器特征构建的监测模 型效果最差。
[0221]
其次，振动传感器融合特征，力传感器融合特征，多源传感器融合特征测试深度残差网络模型。 可得出，振动传感器融合特征监测效果优于单一传感器特征，力传感器特征监测精度同样优于单一传 感器特征。可得出，分析不同的融合特征构建的模型监测效果，可以看出，多源传感器融合特征构建 的模型监测效果最好，振动传感器融合特征构建的模型监测效果次之，力传感器融合特征监测的精度 相对较低。
[0222]
综上结果可以看出，融合后的特征测试的模型监测精度都得到了提高，并且多传感器融合特征 由于能够从不同的源获取信息，能够较为全面的收集铣床运行状态，因而能够取得较高的监测精度。 在力传感器与振动传感器的对比中可以发现，振动传感器在刀具监测方面整体好于力传感器。在所有 的实验中，声发射由于传感器单一，且加工环境中噪声过大，造成声发射信息中包含大量的噪音，造 成传感器无法准确表征铣床状态，从而造成基于声发射传感器特征的监测模型监测效果最差。
[0223]
四.刀具磨损状态监测系统设计与实现
[0224]
1.监测系统设计需求分析
[0225]
刀具磨损状态加测系统是对生产环境中数控机床及刀具寿命监测的实际应用。明确刀具磨损状 态监测系统的需求是开发系统的基础，因此，本发明整理刀具磨损状态监测系统需要满足一下基本需 求。
[0226]
多传感器、多通道数据采集与管理。为了获取数控机床在运行中的各种状态，需要对机床进行 全方位的数据采集。通过现场局域网tcp/ip协议连接机床，由机床二次开发接口采集基础电流数据、 刀具坐标数据等信号。所收集的数据被存储在数据库中实时地提供数据和系统开发建模的支持。
[0227]
数据预处理与特征提取模块。为了全面分析当前加工过程刀具的实时状态，本系统将对部分传 感器进行时域、频域与时频域小波包系数特征实时显示与分析。同时，后台数据预处理模块将会对每 次采集的数据进行时域、频域及小波包系数能量特征提取，用于深度训练模型的建模与监测。
[0228]
刀具磨损状态识别与刀具磨损值监测。本发明的主要目的是构建一套基于深度学
习的刀具磨损 状态监测系统。本发明构建的深度残差网络和深度残差收缩网络为基础，对实时采集的数据进行实时 监测，以确定当前刀具的磨损状态及磨损值。同时，将监测结果随同时间一起保存，以备随时查看历 史数据。
[0229]
可视化操作界面。为了能够对所需数据进行查询，本发明将基于pyqt5开发刀具磨损状态监测 系统，能够按照操作者意图提取信息，能够对机床状态信息进行查看及刀具磨损历史数据查询。
[0230]
2.系统总体架构设计
[0231]
2.1.从系统需求出发，监视系统可以大致分为数据收集和存储模块，数据预处理模块和实时监测 模块。刀具监测系统主要依托于生产现场制造执行系统(mes)，mes系统部署在数据中心主机上。 通过tcp/ip通信协议与制造相关设备、视觉检测等辅助设备建立连接，以采样频率50hz采集各设备 及传感器运行数据。如果连接失败，将循环向机床发起连接请求，直到连接为止。如果连接成功，则 数据将定期存储在本地数据库服务器上。
[0232]
刀具磨损状态监测系统主要对数控机床数据及传感器数据进行处理，构建深度训练模型，用于 刀具磨损监测。在系统中，主要与mes进行配合，本模块将设置机床故障与刀具磨钝响应机制，当系 统出现刀具需要换刀时则与mes系统进行信息交互，通知管理人员进行换刀。
[0233]
在实际应用中刀具磨损状态监测系统数据预处理模块从数据库中提取数据进行特征提取与分析， 提取特征实时可视化显示，最后处理好的特征向量直接输入到深度神经网络模型输出刀具磨损监测值 与磨损状态评估并保存模型输出数据，当刀具磨损到一定程度需要更换刀具时，系统则发出更换刀具 请求，实现刀具的更换反馈机制。每次输出的历史数据及换刀时间及时保存，以供查阅。系统总体框 架设计及系统监测流程如图16-图17所示。
[0234]
2.2.系统总体功能设计
[0235]
刀具磨损状态监测系统总体属于制造执行系统中的一个模块，制造执行系统主要管理生产现场 制造的管理与监控，实现数据的采集功能，存储功能。
[0236]
一方面，制造执行系统依托于各设备的信息化下达各项生产任务；另一方面，系统通过各设备 的运行数据监控各个设备，各个工位的生产状态，以高效的保证生产的有序进行。刀具磨损状态监测 系统主要是针对数控机床设备及其刀具的管理模块，首先，要监测数控机床设备的各项运行状态，同 时也要监测刀具的磨损状态。
[0237]
通过对采集机床设备各传感器数据，提取所需要分析的时域、频域或者小波包系数特征，建立 基于数据驱动的深度训练模型，自动识别和监测出当前的磨损状态与刀具磨损值才是刀具监测系统中 最重要的功能。本发明主要功能框架如图18所示；
[0238]
其中，设备通信配置用于将传感器得到的数据向设备中进行输送；数据采集通过刀具内部的传 感器进行采集，并通过数据库对数据进行管理。
[0239]
3.监测系统功能实现
[0240]
万物互联将把每台机械设备的各种运行数据以加工产品数据，产品质量，设备利用率等数据进 行全部采集与监控，实现管理人员无论在何时何地都能准确了解设备运行状态，工厂加工情况，让设 备维护人员可以能够实时监测设备监控状态，确保设备稳定持续运行。
[0241]
除了制造单元，对于整个生产企业而言，还包括库存管理，尺寸质量监测等。刀具磨损状态监 测系统依托以制造执行系统(mes),在制造执行系统中主要管理机床及刀具的寿命分析监测，属于制 造系统中的数据应用层。
[0242]
本发明刀具磨损状态监测系统依托于重庆交通大学智能制造大数据工程研究中心的cnc及工业 机器人视觉检测系统等设备进行开发。主要的通过数据采集，实现设备管理与控制。同时，打通数控 机床刀具管理系统与制造执行系统之间的通信。让基于数据驱动的刀具磨损监测能够实时的与mes系 统进行数据交互，发送刀具磨损预警信息，确保生产安全、可靠运行。
[0243]
3.1数控机床状态监测
[0244]
未来的发展方向一定是朝着设备信息化、智能化创新。以物联网技术赋能传统数控机床设备， 实现信息的透明化是一切信息化、智能化的前提。实现设备远程运维将变成常态。传统的工业生产中， 物理实体设备相对独立，设备与设备之间没有信息互通，各机械设备只是被电力驱动运行着重复加工。 但是设备的运行状态无从观察，造成在设备维护与保养中无法指定合理的保养策略。对于加工环境复 杂，设备不停歇运转的设备更是无法进行精准有效的养护，往往会由于很多不可控的原因造成设备的 损坏与停机，对企业的生产工作造成经济上的损失。
[0245]
因此，基于cnc数控机床机加工工业生产线的开发，将对所有参与加工的机械设备进行数据采 集与监测，包括加工cnc机床，及上下料机器人。监测主轴负载电机加工过程中的电流变化，加工刀 具，主轴转速变化曲线及进给速度等机床在加工过程中的各项数据，掌握机床运行的健康状态，确保 机床运行中不发生故障停机，断刀、崩刀等极端情况。
[0246]
3.2实时运行数据与特征数据分析
[0247]
数控机床采集的数据实时显示时由于其处于实时更新状态，因而，我们只能看到一个时间范围 内的数据曲线变化，应该有必要构建一个完整的加工数据信号分析功能。在传统的机械设备故障诊断 中，主要依靠监测故障特征，不断总结经验，识别常见的故障类型。因此，通过对采集的机床运行数 据及传感器数据进行特征提取分析，通过分析运行的特征曲线变化，明显的刀具缺陷将会得到及时的 发现，同时也能够有效与深度训练模型进行互相印证。
[0248]
3.3刀具磨损状态的识别与磨损值的监测
[0249]
本发明的主要目的是构建基于数据驱动的刀具磨损状态识别与刀具磨损值监测方法的应用。定 期触发刀具磨损值监测，提取加工过程中采集的信号，输入深度训练监测模块，先经过信号预处理， 再输入测试好的模型，将模型识别的刀具状态及监测的刀具磨损磨损值实时的显示在可视化界面上， 同时，当刀具达到一定的磨损程度，则发出警告及换刀信息，确保加工刀具的最佳工作状态。
[0250]
本发明通过传感器数据数据驱动的深度训练建模方法，实现对刀具磨损状态的准确识别及对磨 损量的精确监测，因而，本发明开发的刀具磨损状态监测系统以前文的深度残差网络及深度残差收缩 网络为核心，通过对采集的负载电流数据等进行建模，实现刀具的磨损状态识别及磨损量实时监测。 由于数控车床有别与数控铣床，难以找到有效的传感器布置位置，因此，本发明构建模型将以车床加 工过程中产生的负载电流等做为测试数据。
[0251]
综上，本发明：
[0252]
(1)首先，分析在刀具磨损监测中，什么类型的传感器信号能够最好的表征刀具磨损特征。本 发明分别对振动传感器、力传感器及声发射传感器进行建模，以刀刃磨损最大值作为监测目标进行监 督训练，通过对三类传感器进行分别建模的分析中，振动传感器及力传感器信号能够很好的监测刀具 的磨损值，监测精度能够到达99％，声发射信号虽然能监测磨损值的变化趋势，但是由于误差较大， 在刀具磨损监测中，单一的声发射传感器实用性不高。
[0253]
(2)其次，考虑到刀具加工环境复杂，采集的信号中含有大量不同信噪比的噪声，为了确保深 度训练磨损在强噪声环境下任然能够取到较好的识别效果，本发明采用深度残差收缩网络进行强噪声 环境下刀具磨损状态的识别。因为多传感器信息融合监测的优势，本发明采用多个传感器的融合特征 作为训练数据，为了确保深度残差收缩网络能有效的在强噪声环境下识别刀具磨损状态，本发明除了 对原始信号进行建模外，还分分别向原始信号中加入不同信噪比的噪声，制作对照训练集。以卷积神 经网络、深度残差网络作为对比模型，分别用包含不同噪声的特征向量训练这三个模型，对比统一噪 声强度下，各模型的识别准确率。通过实验对比发现，随着噪声强度的增加，卷积神经网络及深度残 差网络都出现不同程度波动及下降趋势。但是深度残差收缩网络在各噪声信号中的识别准确率依旧保 持在98.8％左右。
[0254]
(3)最后，由于刀具的磨损值变化细微，为了提高精确提高模型监测精度，对多个传感器信息 进行融合，以融合信息训练深度残差网络模型。本发明采用三种融合对比实验，融合3个振动传感器， 3个力传感器及全部7个传感器，通过实验结果对比分析得出，振动传感器融合特征与力传感器融合 特征在刀具磨损监测中的精度相较于单一振动、力传感器都要高，其次，7个传感器融合特征的监测 精度比其他两种融合方式的监测精度高出20％左右。
[0255]
基于以上研究，本发明建立基于深度残差网络的刀具磨损状态监测方法，用于实时监测数控机 床及其辅助设备的运行状态。构建基于深度残差网络的刀具磨损量监测，实时监测刀具在加工过程中 的磨损值，设置阈值报警机制，以制造执行进行信息交互，确保刀具达到寿命后准确更换刀具。
[0256]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合 该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在 本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、 结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0257]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离 本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由 所附权利要求及其等同物限定。