一种基于多源信息深度融合的旋转机械故障自动识别方法

1.本发明属于旋转机械智能故障诊断领域，具体涉及一种基于多源信息深度融合的旋转机械故障自动识别方法。


背景技术：

2.从机械智能故障诊断的角度而言，采集带标签的源域故障数据集相对容易，采集与源域标签类别相同的异常振动信号作为目标域数据集较为困难，这是由于旋转机械设备的工作环境恶劣且多变，使得故障类别愈发多样化，导致目标域的类别通常无法确定。当目标域故障类别比源域故障类别更多时，需要将从源域样本学习到的知识应用于类别更多的目标域中，即此时两域的类别空间分布不同，标签空间相同的假设将不再有效，目标域中的新故障样本对领域迁移产生影响，导致负迁移，限制了智能诊断网络在旋转机械故障诊断中的应用。
3.因此本发明从工业应用实际出发，首先利用不同相似机械设备或者相同机械设备不同运行工况下，容易机械设备故障样本信息，构建多源域的数据集，同时获取另一个相似机械设备或者相同机械设备不同运行工况下的无标签故障样本，构建目标域样本集，由于构建的大型源域数据故障类别来源广泛，因此较容易获得大多数常见的故障类型，而目标域样本则容易存在新的故障类型，因此本发明，首先构建了具有多标签对抗分类器的新型深度神经网络结构，用于对已知类和未知类进行判别；同时引入的域适配技术，有效迁移源域诊断知识到目标域任务，最后对目标域样本中的新故障类型，对网络域适配造成的干扰，进一步引入了一种新颖的加权学习机制进行对抗训练，有效实现共享类别的域匹配，实现对已知和未知类故障的自动诊断。
4.李永波等在中国公开发明专利“一种工业齿轮箱多源信息融合故障诊断方法”中采用cnn对训练集的红外图像特征进行提取，通过cnn-bilstm对训练集中的振动信号特征进行提取，并进行特征层融合；构建分类器，最终对齿轮箱故障进行诊断。但该方法只适用于训练数据和测试数据来自同一分布下的齿轮箱故障诊断问题，同时只能对已知类故障进行诊断，无法对新故障进行识别。


技术实现要素：

5.为了解决现有技术存在的问题，本发明设计了一种基于多源信息深度融合的旋转机械故障自动识别方法，构建了具有特征提取器、多标签对抗分类器，标签信息先验学习器和非对抗领域判别器的新颖结构，并引入了多源域和单目标域适配学习方案，结合对抗迁移、加权学习等，有效实现机械设备已知故障诊断和未知故障判别。
6.为了实现前述发明目的，本发明提供的一种基于多源信息深度融合的旋转机械故障自动识别方法，包括以下步骤：
7.步骤1：数据集采集与构建，分别采集多个不同机械设备或者不同运行工况下的振动加速度信号，并通过对获取的时域信号进行截断来构成样本，基于不同的故障类别进行
标注，从而获得包含不同运行设备或运行工况下的多源域样本数据集为源域的数目，数据集由源域数据xs及其对应标签ys构成。在另外的机械设备或者运行工况下获取目标域样本数据集{x
t
}，其由不带标签的目标域数据x
t
构成。
8.步骤2：构建多源信息深度融合网络，包括：特征提取器gf，多标签对抗分类器gc，标签信息先验学习器gy，非对抗领域判别器gd。针对输入数据为一维信号的特点，构建的特征提取器gf、标签信息先验学习器gy、非对抗领域判别器gd与多标签对抗分类器gc都采用适合一维信号输入的深度神经网络结构。
9.步骤3：利用步骤1构建的多源域数据集gc，多标签对抗分类器gc采用传统的监督学习方法，通过反向传播算法和梯度下降法对网络结构参数进行联合优化训练。
10.步骤4：在对抗学习阶段，标签信息先验学习器gy对带标签的多源域数据xs和无标签的目标域数据x
t
，进行学习，从而有效嵌入标签信息先验知识到深度网络，所获取的特征，进一步输入到非对抗领域判别器gd，通过对两个域样本的概率输出差异性，获得对应的权重函数；并利用两个域的数据和权重函数，对特征提取器gf和多标签对抗分类器gc进行端到端的加权训练。
11.步骤5：在测试阶段，将目标域测试样本，输入到已经训练好的特征提取器gf中提取对应的高维特征，并将特征进一步输入到已经训练好的多标签对抗分类器gc进行测试，多标签对抗分类器可以自动识别输入样本是已知类故障和未知类故障的概率值，进而输出对应的诊断结果。
12.本发明可以对来自不同运行工况下的多源数据进行融合，同时通过构建新颖的多源信息深度融合网络，利用新颖的加权学习机制进行对抗训练，有效实现已知类和新故障的自动识别。
13.进一步地，步骤1中，多源域数据来自于相似的旋转机械设备或者相同机械设备但是不同运行工况下的正常和故障样本，都是有标签样本，目标域数据从相似机械设备或者相同机械设备不同运行工况下获取的数据，是无标签样本，两域的数据特征，由于装备或者运行工况不同，导致呈现不同的数据分布，即p(xs)≠q(x
t
)；且两域的类别空间不同cs≠c
t
，并且定义，两者共享的公共类标签集为c＝cs∩c
t
，目标域享有的私有标签集为c
t
＝c
t
\c。
14.进一步地，步骤2中所构建的特征提取器gf和多标签对抗分类器gc可采用一维卷积神经网络结构、深度自编码网络、深度置信网络或者长短时记忆神经网络等深度网络结构，其特征输出采用具有比正常源域标签类别还多一个节点的多标签softmax输出器，其表达式为：
[0015][0016]
其中k为源域样本类别数；需要明确的是，该多标签softmax分类器不同于传统的softmax分类器，其输出节点对应于源域样本的类别k；本发明所构建的多标签对抗分类器，其输出节点是源域样本类别数目基础上多一个节点，即k 1；因此可以确保网络可以有效的对已知故障和新故障进行区分。
[0017]
标签信息先验学习器gy可以采用深度神经网络结构，其激活函数采用了
leaksoftmax，使得网络能有效利用样本的标签信息，其表达式为：
[0018][0019]
其中o是输出矢量；非对抗领域判别器gd是在标签信息先验学习器gy的输出基础上，进一步对源域和目标域样本进行判别，其激活函数是原有标签信息先验学习器gy多个类别输出的总和，表达为：
[0020][0021]
其中gd(gf(x))指明了一个样本属于第k类的概率值；本发明的非对抗领域判别器不同于传统的非对抗领域判别器，其核心在于在特征提取器提取特征后，进一步引入了标签信息先验学习器，所学习的特征是包含了源域标签类别的特征，进一步的其输出值时并不同于传统的采用softmax函数或者sigmoid函数输出一个概率值，本发明输出的是该样本预测为第k时，所有概率值的和。
[0022]
进一步地，步骤3基于特征提取器gf和多标签对抗分类器gc，构建分类损失函数可表述为：
[0023][0024]
式中，lg表示标准的交叉熵损失函数，ys表示标签样本。区别与传统的深度神经网络加softmax激活函数输出的学习方式，本分类损失，在前线监督训练过程中，只有第k个节点被激活，并且参与更新网络的样本集，而第k 1只有在执行对抗训练的时候才会被激活。
[0025]
进一步地，步骤4中，如果直接对特征提取器gf和多标签对抗分类器gc进行对抗训练时，则网络会需要设定一个固定的阈值，划分成已知类样本和异常类样本，缺乏自适应性，因此，需设计对应的权重函数，其计算为：
[0026][0027]
其权重函数可以理解为，当获得了一个大的概率值，表明该目标域样本有很大的概率被分配到源域和目标域的公共类标签集中，当获得一个小的概率值时，表明该样本有较大的概率被分配到目标域享有的私有标签集，因而该权重可以用来度量未知标签目标域样本与源域样本的相似程度；
[0028]
因此，在此基础上，需进一步构建特征提取器gf和多标签对抗分类器gc的加权对抗学习方案，具体如下；
[0029][0030]
需要指出的是，本发明中，所构建的加权对抗学习网络，不同于传统的加权对抗学习网络，对一个只有两类别输出的网络进行加权对抗，本发明的新颖性在于直接对具有多
标签分类结构的多标签对抗分类器进行对抗，对抗过程中，所有前k已知类的样本输出都是作为源域，而所有第k 1类样本的输出都是作为目标域，两者通过加权对抗训练进行判别学习，有效减少两域共享特征的分布差异，同时有效区分出目标域故障样本。
[0031]
此外，需要对非对抗领域判别器gd是在标签信息先验学习器gy进行同步的优化，其优化函数可以构建为：
[0032][0033][0034]
其中指明类别k是否是源域样本对应的类别。需要指明的是，本发明构建的标签信息先验学习器gy，其训练过程，并不是采用传统的交叉熵损失函数，而是采用了新颖的二分类交叉熵损失函数，相比传统交叉熵损失函数只能softmax函数进行更新优化，所构建的二分类交叉熵损失函数既可以适用于softmax函数的激活函数输出网络，也适用于sigmoid激活函数的输出网络优化；
[0035]
进一步地，步骤5在于，在网络测试阶段，只需要保留已经训练好的特征提取器gf和多标签对抗分类器gc，用于对目标域样本进行，多标签对抗分类器gc可以直接输出每个样本所属类别判定，从而实现已知故障和新故障的诊断。
[0036]
与现有技术相比，本发明的有益效果是：
[0037]
1、本发明构建了一种新颖的多源信息深度融合的旋转机械故障自动识别方法，相比传统方法只能利用单源域故障样本数据集，本方法可同时利用相似机械设备的故障数据集，也可以利用相同机械设备不同运行工况下的故障数据集，构建包含不同条件下的多源域数据集，有效拓展了数据集的来源，同时作为网络的输入，有效克服了单源域下因为故障样本和类别数据不足，导致的误匹配和负迁移问题。
[0038]
2、本发明构建了设计了一种新颖的深度神经网络加多标签对抗分类器结构，所提方法一方面可以容易嵌入不同的深度神经网络结构，如一维卷积神经网络，深度置信网络，稀疏自编码网络，长短时记忆神经网络等，同时在分类器端，通过引入新颖的多节点机制，只需要一个分类器，就可以有效实现已知类和未知类的故障诊断。
[0039]
3、本发明构建了一种新颖的加权学习机制，所提方法，通过构建了一种包含标签信息先验学习器和非对抗领域判别器的结构，通过嵌入源域标签先验信息到深度特征中，进一步构建非对抗领域判别器结构和对应的加权学习机制，用于深度网络的加权，有效的克服了现有方法，判别新故障样本，需要依托人工经验，或者网格搜索方法，认为搜索和设定固定的阈值。本方法通过引入权重函数，可以自适应学习多标签对抗分类器中属于源域还是属于目标域样本的概率，具有更强的鲁棒性和适应性。
附图说明
[0040]
图1是本发明方法的故障诊断流程图。
[0041]
图2是本发明方法的特征提取器g的结构示意图。
[0042]
图3是本发明方法的深度对抗迁移网络的网络框架示意图。
[0043]
图4是本方法和其他方法在12种迁移任务下的故障诊断精度对比示意图。
具体实施方式
[0044]
为了使本发明的技术方案和目的更加的清楚明白，下面结合附图和具体实施步骤对本发明进行详细说明，应当理解，此处所描述的具体实施步骤只用于更好的阐述本发明的应用，但本发明的实施方式所涉及到的技术特征不限于此。
[0045]
请参阅图1，本发明提供的一种基于多源信息深度融合的旋转机械故障自动识别方法，,该方法包括步骤：
[0046]
步骤1：分别采集多个不同机械设备或者不同运行工况下的振动加速度信号，进行fft变换，并通过对获取的时域信号进行截断来构成样本，进行归一化处理后基于不同的故障类别进行标注，从而获得包含不同运行设备或运行工况下的多源域样本数据集为源域的数目，多源域样本数据集由源域数据xs及其对应标签ys构成。在另外的机械设备或者运行工况下获取无标签的故障样本，构建目标域数据，目标域样本数据集{x
t
}，其由不带标签的目标域数据x
t
构成。
[0047]
在本发明的其中一些实施例中，步骤1中，多源域数据来自于相似的旋转机械设备或者相同机械设备但是不同运行工况下的正常和故障样本，都是有标签样本，目标域数据从相似机械设备或者相同机械设备不同运行工况下获取的数据，是无标签样本，两域的数据特征，由于装备或者运行工况不同，导致呈现不同的数据分布，即p(xs)≠q(x
t
)；且两域的类别空间不同cs≠c
t
，两者共享的公共类标签集为c＝cs∩c
t
，目标域享有的私有标签集为
[0048]
步骤2：构建针对旋转机械故障自动识别的多源信息深度融合诊断模型，包括特征提取器、多标签对抗分类器，标签信息先验学习器和非对抗领域判别器，特征提取器gf用于提取输入数据的高维特征，多标签对抗分类器gc，一方面对源域和目标域数据执行对抗训练，另一方面用于对已知类和未知类的故障诊断；标签信息先验学习器gy，通过引入condition-gan的思想，将源域的标签信息通过leaksoftmax函数进行编码，从而在预测阶段，可使得源域数据更接近于1，目标域数据更接近于0；非对抗领域判别器gd，用于对来自源域和目标域的样本进行二分类，其不参与对抗训练。
[0049]
在本发明的其中一些实施例中，针对输入数据为一维信号的特点，构建的特征提取器gf、标签信息先验学习器gy、非对抗领域判别器gd与多标签对抗分类器gc都采用适合一维信号输入的深度神经网络结构。
[0050]
在本发明的其中一些实施例中，步骤2中所构建的特征提取器gf和多标签对抗分类器gc可采用一维卷积神经网络结构、深度自编码网络、深度置信网络和长短时记忆神经网络等任一种深度网络结构。
[0051]
在本发明的其中一些实施例中，其特征提取器gf的特征输出采用具有比源域标签
类别还多一个节点的多标签softmax输出器，其表达式为：
[0052][0053]
其中，p(y＝j|x)表示对输入样本x，softmax预测其故障类别为j的概率，y为预测的故障类别，j为对应的类别标签，x为待预测的样本，oj为多标签对抗分类器的第j个节点输出，om为多标签对抗分类器的第m个节点输出，k为源域样本类别数。
[0054]
需要明确的是，该多标签softmax分类器不同于传统的softmax分类器，其输出节点对应于源域样本的类别k。本发明所构建的多标签对抗分类器gc的输出节点是源域样本类别数目基础上多一个节点，即k 1。因此可以确保网络可以有效的对已知故障和新故障进行区分。
[0055]
在本发明的其中一些实施例中，标签信息先验学习器gy可以采用深度神经网络结构，其激活函数采用leaksoftmax，使得网络能有效利用样本的标签信息，其表达式为：
[0056][0057]
式中，ks代表源域数据的类别数目，o是输出矢量，ok代表leaksoftmax激活函数的第k个节点输出。gy(o)表示leaksoftmax激活函数的输出、exp(o)表示求输出矢量以自然常数e为底的指数值。
[0058]
本发明的非对抗领域判别器不同于传统的非对抗领域判别器，其核心在于在特征提取器提取特征后，进一步引入了标签信息先验学习器，所学习的特征是包含了源域标签类别的特征，进一步的其输出值时并不同于传统的采用softmax函数或者sigmoid函数输出一个概率值，本发明输出的是该样本预测为第k类时，所有概率值的和。
[0059]
则在本发明的其中一些实施例中，非对抗领域判别器gd是在标签信息先验学习器gy的输出基础上，进一步对源域和目标域样本进行判别，其激活函数是原有标签信息先验学习器gy多个类别输出的总和，表达为：
[0060][0061]
式中，gd(gf(x))指明了一个样本属于第k类的概率值，gf(x)代表特征提取器提取的高维特征，代表标签信息先验学习器预测输入样本x为第k类的值输出。
[0062]
步骤3：利用步骤1构建的多源域数据集多标签对抗分类器gc采用传统的监督学习方法，通过反向传播算法和梯度下降法对网络结构参数进行联合优化训练。
[0063]
在训练阶段，通过特征提取器，将源域与目标域数据，映射到高维特征空间中，提取高维特征，利用多标签对抗分类器学习两域的域不变特征，减小两域分布差异。
[0064]
在本发明的其中一些实施例中，步骤3基于特征提取器gf和多标签对抗分类器gc，构建分类损失函数，表述为：
[0065][0066]
式中，eg表示分类损失函数，ns代表源域样本的数目，lg表示标准的交叉熵损失函
数，代表多标签对抗分类器对源域第i个样本的概率输出，代表特征提取器对源域第i个样本提取的高维特征，表示源域第i个样本，代表源域第i个样本的类别标签。
[0067]
区别于传统的深度神经网络加softmax激活函数输出的学习方式，只是进行分类的任务；本发明提供的多标签对抗分类器的核心在于将对抗网络和分类器集成到一个网络之中。在采用源域数据进行监督训练过程中，源域数据由于有k类，所以只有前k个节点才有可能会被激活，参与更新网络的参数；而在执行对抗训练的时候，由于同时有源域的k类样本和目标域样本集(作为第k 1类)进行输入，因此，除了前k个节点可能会被激活外，第k 1个节点在执行对抗训练的时候也会被激活。
[0068]
步骤4：在对抗学习阶段，标签信息先验学习器gy对带标签的多源域数据xs和无标签的目标域数据x
t
进行学习，从而有效获得嵌入了标签信息先验知识的深度特征表示，所获取的包含先验信息的特征，进一步输入到非对抗领域判别器gd，通过对两个域样本的概率输出差异性，获得对应的权重函数；并利用两个域的数据和权重函数，对特征提取器gf和多标签对抗分类器gc进行端到端的加权训练。
[0069]
针对源域和目标域类别标签不对齐：目标域包含了新的故障类别，对网络共享类适配的干扰，进一步设计额外信息先验学习器和非对抗领域判别器，构建自适应权重函数，通过对多标签对抗分类器进行加权训练，有效改进故障的分类性能。
[0070]
在本发明的其中一些实施例中，步骤4中，如果直接对特征提取器gf和多标签对抗分类器gc进行对抗训练时，则网络会需要设定一个固定的阈值，划分成已知类样本和异常类样本，缺乏自适应性，因此，本发明设计对应的权重函数，其计算为：
[0071][0072]
式中，代表非对抗领域判别器对目标域第i个样本进行预测获得的概率输出，代表特征提取器对目标域第i个样本提取的高维特征，表示目标域第i个样本。
[0073]
该权重函数可以理解为，当获得了一个大的概率值，表明该目标域样本有很大的概率被分配到源域和目标域的公共类标签集中，当获得一个小的概率值时，表明该样本有较大的概率被分配到目标域享有的私有标签集，因而该权重可以用来度量未知标签目标域样本与源域样本的相似程度。
[0074]
因此，在此基础上，进一步构建特征提取器gf和多标签对抗分类器gc的加权对抗学习方案，具体如下；
[0075][0076]
式中，代表加权的对抗损失函数，n
t
代表目标域样本的数量，代
表对目标域第i个样本进行预测，获得的属于第k 1类的概率值。
[0077]
需要指出的是，本发明中，所构建的加权对抗学习网络，不同于传统的加权对抗学习网络，对一个只有两类别输出的网络进行加权对抗，本发明的新颖性在于首先构建了具有标签信息先验的学习器，来对源域标签信息进行有效利用，辅助非对抗领域判别器训练，避免了单独只使用无标签源域数据和无标签目标域数据进行训练非对抗域判别器，导致的判别信息学习的不足；同时构建了对应的加权函数，自适应度量已知故障和新故障的的差异性，避免了依靠经验，通过人工进行权重阈值选取判断已知类和未知类导致的局限性；进一步的，构建了具有多标签分类结构的多标签对抗分类器，可以直接对源域数据和目标域数据进行联合对抗训练，以及最终的已知故障和新故障检测，有效提升了网络的故障识别性能。对抗过程中，所有前k已知类的样本输出都是作为源域，而所有第k 1类样本的输出都是作为目标域，两者通过加权对抗训练进行判别学习，有效减少两域共享特征的分布差异，同时有效区分出目标域故障样本。
[0078]
此外，需要对非对抗领域判别器gd是在标签信息先验学习器gy进行同步的优化，其优化函数构建为：
[0079][0080][0081]
式中，表示非对抗领域判别器的损失函数，ns表示源域样本的数量，表示非对抗领域判别器对源域对i个样本的概率输出，表示特征提取器对源域第i个样本提取的高维特征，n
t
表示目标域样本的数量，表示标签信息先验学习器的损失函数，表示源域第i个样本对应的属于第k类的标签信息，表示标签信息先验学习器对源域第i个样本获取的第k类的值的输出。
[0082]
需要指明的是，本发明构建的标签信息先验学习器gy，其训练过程并不是采用传统的多分类交叉熵损失函数，而是采用二分类交叉熵损失函数：loss＝-(ylog(y') (1-y)log(1-y'))，其中y'是预测样本属于1的概率，y是对应的样本标签，相比传统交叉熵损失函数只能softmax函数进行更新优化，所构建的二分类交叉熵损失函数既可以适用于softmax函数的激活函数输出网络，也适用于sigmoid激活函数的输出网络优化；最终，网络通过在特征提取器和领域判别器之间插入一个梯度反转层(grl层)，采用端到端的反向传播方式和梯度下降法，对模型参数进行更新。
[0083]
步骤5：在测试阶段，将目标域测试样本，输入到已经训练好的特征提取器gf中提取对应的高维特征，并将特征进一步输入到已经训练好的多标签对抗分类器gc进行测试，多标签对抗分类器自动识别输入样本是已知类故障和未知类故障的概率值，进而输出对应
的诊断结果。
[0084]
在本发明的其中一些实施例中，本步骤中，在测试阶段，保留已经训练好的特征提取器gf和多标签对抗分类器gc，用于对目标域样本进行故障类别预测，多标签对抗分类器gc可以直接输出每个样本所属类别判定，从而实现已知故障和新故障的诊断。
[0085]
为了对所提的网络模型进行评估，针对不同的齿轮及轴承复合故障状态，采集不同工况下的齿轮数据集进行验证。齿轮箱故障数据采集自汽车传动试验台的五档变速箱，被试齿轮箱为sg135-2汽车变速器。加速度传感器放置于壳体输出轴承座上，设置采样频率为24khz，输入转速分别设定为500rpm,750rpm,1000rpm和1250rpm，输出轴负载情况分别设定为50n.m。齿轮箱故障通过线切割机器进行加工，共设置加工6种不同的健康状况，包括正常，内圈，齿轮磨损，断齿，以及两种复合故障：断齿和轴承内圈故障，齿轮磨损和内圈故障，分别标记类别为1,2,3,4,5,6，同时通过充分组合多个源域数据，单源域到单目标域，以及多源域和单目标域的故障迁移试验，具体诊断任务，如表1所示。
[0086]
表1 齿轮箱试验变量设置
[0087][0088]
为了验证所提方法的有效性和优越性，将所提方法与dacnn、dan、mldan、mcd和datln五种方法进行比较。为了试验的公平性，各诊断方法的特征提取部分都采用相同的结构和参数，网络训练采用300次迭代，利用adam算法对网络进行优化，所有方法都重复5次以消除网络参数初始化和样本随机打乱引入的干扰。最终取5次平均的诊断精度和标准差作为评价指标。
[0089]
对所提方法，与其它五种方法进行对比，在12种迁移任务上进行综合验证，具体结果如图4所示，其中横坐标代表代表了构建的迁移任务，纵坐标代表了5次平均的诊断精度，上面的bar代表了标准差。
[0090]
从结果中可以看出，多源域任务通常比单源域任务更难诊断，这在很大程度上归因于不同域之间存在分布差异。对于传统的da诊断技术，由于对抗性训练技术额外考虑了
特定领域的决策边界，mcd略优于其他三种da诊断技术。同时由于充分利用了多级分布式判别特征，mldan作为dan的扩展在大多数场景下也优于dan。
[0091]
通过综合比较，datln和所提的诊断方法在12个迁移任务上比传统da诊断方法获得了更高的诊断准确率。很容易注意到，对于出现单一故障类别的诊断任务，例如a1和a12，datln和所提的诊断方法可以获得90％以上的诊断准确率。对于出现两类以上的新故障，datln和所提出方法也都可以达到80％以上的准确率，而传统的da诊断方法只有50％-65％左右。尽管传统的da诊断方法可以在跨域共享相同标签空间的诊断任务中轻松获得较高的测试精度。但是对于更具挑战性的多源开放集da任务，这种情况不成立。采用训练好的da诊断方法无法直接解决新出现的故障识别问题。此外，所提出的方法在不同的诊断场景下都能很好地工作，并且在很大程度上优于传统的da诊断方法和datln。具体以迁移任务a1和a6为例，datln只能达到86％和82％的平均准确率，标准差分别为5％和3％，而所提诊断方法可以达到95％和85％的平均准确率。标准偏差也小于datln，这表明所提出方法的有效性和优势。
[0092]
需要说明的是，虽然已经参照实例对本发明实施进行了详细的阐述，但本领域的技术人员容易理解，在不偏离所附权利要求中所阐述的本发明的精神和原则之内所作的任何修改、替换和改进等，均应包含在本发明的保护范围之内。