建立曲轴轴承磨损程度预测模型及预测方法和相关装置与流程

1.本发明涉及柴油机，尤其是涉及建立曲轴轴承磨损程度预测模型及预测方法和相关装置。


背景技术：

2.柴油机是众多车辆的动力来源，柴油机故障，会对车上人员带来安全隐患，因其结构复杂，传统机械故障诊断方法需要大量人力物力，需要对机械进行拆解甚至造成部件损坏，而基于振动信号的故障诊断方法可以避免此类问题，实现无拆解检测，节约大量成本。因此基于振动信号的故障诊断方法成为近年来许多学者研究的热点。
3.chen y等，利用快速傅立叶变换(fast fourier transform，fft)对振动信号进行分析和处理，但其特征具有易聚集特性，不能很好的识别，需要人为介入；张玲玲等，采用小波包-ar谱对变速器轴承故障进行特征提取，但该方法有小波基的选取困难缺陷；cheng j等，利用经验模态分解(empirical mode decomposition，emd)对振动信号分解，但emd会出现模态混淆现象；xia,w等，利用自适应小波和集合经验模态分解(ensemble empirical mode decomposition,eemd)分解信号用故障树分析喷油提前角度的大小，但由于实际运算有限，不能很好的消除已添加的白噪声的影响，会引起重构误差，虽然补充的集合经验模态分解方法(complemen-tary ensemble empirical mode decompo-sition,ceemd)，可以很好的消除白噪声对信号的影响但会出现伪分量，郑近德等，利用改进的集合经验模态分解meemd(cpemd)可以减轻此类问题，但会出现参数较多，稳定性差问题，可以使用改进的集合经验模态分解和最小二乘支持向量机(lssvm)对风电功率进行超短期预测，但此算法的拟合精度和采样点数成正比，需要较多数据。


技术实现要素：

4.有鉴于此，本发明提供一种建立曲轴轴承磨损程度预测模型及预测方法和相关装置。
5.为解决上述问题，本发明提供的技术方案如下：
6.第一方面，本发明提供一种建立曲轴轴承磨损程度预测模型的方法，包括下述步骤：
7.s11：获取由工业加速度传感器采集的柴油机振动信号x(t)；
8.s12：对获得的振动信号x(t)进行小波阈值去噪，选择阈值为无偏似然估阈值的软阈值法进行处理，得到处理后的振动信号x
′
(t)；
9.s13：利用模拟退火算法优化改进的集合经验模态分解进行分解，奇异值分解法对处理后的振动信号x
′
(t)进行特征提取并保存到特征集中；
10.s14：将特征集作为长短期记忆人工神经网络模型的输入，使用模拟退火算法对长短期记忆人工神经网络模型进行优化，生成曲轴轴承磨损程度预测模型。
11.进一步的，所述步骤s13包括以下步骤：
12.s131：改进的集合经验模态分解处理振动信号x
′
(t)；
13.s132：模拟退火算法优化改进的集合经验模态分解对处理后的振动信号x
′
(t)；
14.s133：使用奇异值分解法对处理后的振动信号x
′
(t)进行特征提取；
15.s134：将分解得到的特征保存到特征集中。
16.第二方面，本发明提供一种曲轴轴承磨损程度预测方法，包括以下步骤：
17.s21：获取由工业加速度传感器采集的柴油机振动信号x(t)；
18.s22：将所述柴油机振动信号x(t)输入曲轴轴承磨损程度预测模型，输出曲轴轴承磨损程度的预测结果，所述曲轴轴承磨损程度预测模型是根据权利要求1-2任一项所述的建立曲轴轴承磨损程度预测模型的方法建立的。
19.第三方面，本发明提供一种建立曲轴轴承磨损程度预测模型的装置，所述装置包括：
20.获取单元，用于获取由工业加速度传感器采集得到的柴油机振动信号x(t)；
21.处理单元，用于对获得的振动信号x(t)进行小波阈值去噪，选择阈值为无偏似然估阈值的软阈值法进行处理，得到处理后的振动信号x
′
(t)；
22.提取单元，用于利用模拟退火算法优化改进的集合经验模态分解进行分解，奇异值分解法对处理后的振动信号x
′
(t)进行特征提取并保存到特征集中。
23.生成单元，用于将特征集中的振动信号特征作为长短期记忆人工神经网络模型的输入，使用模拟退火算法对长短期记忆人工神经网络模型进行优化，生成曲轴轴承磨损程度预测模型。
24.进一步的，所述提取单元包括：
25.第一分解单元，用于改进的集合经验模态分解处理振动信号x
′
(t)；
26.第二分解单元，用于模拟退火算法优化改进的集合经验模态分解对处理后的振动信号x
′
(t)；
27.提取子单元，用于使用奇异值分解法对处理后的振动信号x
′
(t)进行特征提取；
28.保存单元，用于将分解得到的特征保存到特征集中。
29.第四方面，本发明提供一种曲轴轴承磨损程度预测装置，所述装置包括：
30.振动信号获取单元，用于获取由工业加速度传感器采集的柴油机振动信号x(t)；
31.预测结果输出单元，用于将由工业加速度传感器采集的柴油机振动信号x(t)输入曲轴轴承磨损程度预测模型，输出曲轴轴承磨损程度预测结果，所述曲轴轴承磨损程度预测模型是根据权利要求1-2任一项的建立曲轴轴承磨损程度预测模型的方法建立的。
32.第五方面，本发明提供一种终端设备，所述终端设备包括：
33.处理器以及存储器；
34.所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
35.所述处理器，用于调用存储器中的指令执行权利要求1-2任意一项所述的建立曲轴轴承磨损程度预测模型的方法。
36.第六方面，本发明提供一种终端设备，所述终端设备包括：
37.处理器以及存储器；
38.所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
39.所述处理器，用于调用存储器中的指令执行权利要求3所述的一种曲轴轴承磨损
程度预测方法。
40.由此可见，本发明具有如下的优点和有益效果：
41.本发明采用将奇异值分解与模拟退火算法优化改进的集合经验模态分解相结合提取信号的特征，使用模拟退火算法优化长短期记忆人工神经网络对故障进行预测。使用多种分解方法对柴油机曲轴轴承振动信号进行分解，分析各项指标，选取最优分解方法，并使用模拟退火算法优化再分解，通过奇异值分解方法对数据进行特征提取，并作为神经网络模块的特征集。长短期记忆人工神经网络适用于多分类问题，适合对曲轴轴承的磨损程度进行预测。此外利用模拟退火算法找寻长短期记忆人工神经网络的最优参数，能有效提高系统的预测准确率。
42.模拟退火算法优化的改进的集合经验模态分解sa-cpemd可以改善cpemd参数过多，稳定性差的问题；
43.cpemd可以减小eemd、ceemd加入过多噪声，出现伪分量问题；
44.emd出现的模态混淆现象，cpemd可以更好的消除此现象，使重构误差更小，完备性更好。
45.2)svd奇异值分解具备良好的稳定性，sa-cpemd-svd，可以很好的对振动信号进行特征提取。
46.3)lstm长短期人工神经网络可以处理任意长度的输入，还适用于多输出问题，适用于对曲轴轴承磨损程度进行预测。
47.4)sa-lstm模拟退火算法优化的长短期人工神经网络提高原有长短期人工神经网络模型的预测准确率。
附图说明
48.下面结合附图和实施例对本发明作进一步详述：
49.图1为建立曲轴轴承磨损程度预测模型的方法流程图；
50.图2为lstm结构图；
51.图3为使用模拟退火算法对长短期记忆人工神经网络进行优化流程图：
52.图4为曲轴轴承磨损程度预测方法流程图；
53.图5为建立曲轴轴承磨损程度预测模型的装置的结构图；
54.图6为曲轴轴承磨损程度预测装置的结构图。
具体实施方式
55.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。
56.实施例1
57.如图1所示，本实施例一种建立曲轴轴承磨损程度预测模型的方法，以柴油机为例，包括下述步骤：
58.s11：在研究对象柴油机的指定测试点放置工业加速度传感器，获取由工业加速度
传感器采集的采集柴油机振动信号x(t)，将采集到的信号作为系统的原始信号；在本实施例中是将工业加速度传感器放置于油底与缸体结合处3缸左右位置，通过加装强力磁座吸合于测试部位表面。
59.s12：由于外界存在噪声的干扰，对获得的振动信号x(t)进行小波阈值去噪，选择阈值为无偏似然估阈值的软阈值法进行处理，得到处理后的振动信号x
′
(t)。
60.s13：利用模拟退火算法优化改进的集合经验模态分解进行分解，奇异值分解法对处理后的振动信号x
′
(t)进行特征提取并保存到特征集中；
61.s14：将特征集作为长短期记忆人工神经网络模型的输入，使用模拟退火算法对长短期记忆人工神经网络模型进行优化，生成基于模拟退火算法优化的长短期记忆人工神经网络(sa-lstm)模型，该基于模拟退火算法优化的长短期记忆人工神经网络(sa-lstm)模型即为曲轴轴承磨损程度预测模型。
62.其中，所述步骤s13包括以下步骤：
63.s131：改进的集合经验模态分解处理振动信号x
′
(t)；
64.以第一条振动信号x
′1(t)为例，首先使用补充的集合经验模态分解(ceemd)对振动信号x
′1(t)，进行分解，t为序列长度，包括以下步骤：
65.将随机等长、给定标准差、符号相反的白噪声并添加到振动信号中：得到其中，为第u1次添加白噪声后的信号；使用emd算法分解以第一次添加的正白噪声后的信号为例：i＝1，h0＝r
i-1
(t)，j＝1。
66.得到第i个本征模态函数，包括以下步骤：
67.(a).找出中间变量过渡作用h
j-1
(t)的局部极值点；
68.(b).对h
j-1
(t)的极大值和极小值点分别进行三次样条函数插值，形成上下包络线；
69.(c).计算上下包络线的平均值m
j-1
(t)；
70.(d)令hj(t)＝h
j-1
(t)-m
j-1
(t)；
71.(e)若hj(t)是本征模态函数，则imfi(t)＝hj(t)；否则，j＝j 1，转到(a)步骤。
72.令ri(t)＝r
i-1
(t)-imfi(t)。
73.如果ri(t)极值点数仍然多于2个，则i＝i 1，转到继续找本征模态函数步骤；否则，分解结束，最后得到的ri(t)是残余分量。rn(t)残余分量一般以r表示，如x＝imf1 imf2
…
imfn r。算法最后可得： imfn r。算法最后可得：得到预设个数的本征模态函数分量和余项。
74.以此类推将使用经验模态分解法进行分解得到的第j1个本征模态函数分量分别为和余项分量分别为和对各本征模态函数分量和余项求和并求其均值得：
75.为
最终得到的第j1个本征模态函数；r为分解后的余项分量。k为添加正白噪声的个数，其中添加的负白噪声数等于添加的正白噪声数。
76.依次检测的排列熵值，以第一条信号第一个本征模态函数为例，考虑长度为n时间序列对其进行空间重构，得到如下时间序列：
[0077][0078]
…
[0079][0080]
…
[0081][0082]
其中：m是嵌入维数，λ是时间延迟。
[0083]
将imf(i
*
)的m个向量：)的m个向量：按照升序重新排列，即按照升序重新排列，即
[0084]
若存在则按j
*
的值的大小来排列，即当j
*w1
《j
*w2
时，有：时，有：
[0085]
所以，任意一个向量imf(i
*
)都可以得到一组符号序列：s(g)＝[j1,j2,
…
,jm]，共有m！种不同的排列，对应地共有k种符号序列出现的概率p1,p2,
…
,pk,其中：其中ng为出现g式一样排列的次数，k为去除重复排列后的种类总数(k≤m)，对应时间序列的排列熵可以按照shannon熵的形式定义为：
[0086][0087]
当pg＝1/m！时，hp(m)达到最大值ln(m！)，通过ln(m！)将排列熵hp(m)进行标准化处理，即：hp＝hp(m)/ln(m！)为的排列熵值。
[0088]
设置排列熵参考值为0.6，将所得本征函数的排列上值与参考值进行比较。若大于参考值则该本征函数分量为奇异分量，否则为非奇异分量。在得到第一个奇异分量后，对本证模态函数分量重复排列熵值计算步骤，至得到非奇异分量结束。
[0089]
将原有信号x
′1(t)减去所有奇异分量得到剔除奇异分量的新信号x
″1(t)对x
″1(t)进行emd分解，得到最后所需的本征模态函数。
[0090]
s132：模拟退火算法优化改进的集合经验模态分解对处理后的振动信号x
′
(t)；
[0091]
为解决改进的集合经验模态分解(cpemd)参数多稳定性差的问题，使用模拟退火算法(sa)进行优化改进的集合经验模态分解，将集合平均参数n，添加白噪声对数ne，置换熵阶m，排列熵阈值theta0为自变量，均方误差mse，正交性ort，令y＝mse 8
×
ort为指标，利用模拟退火算法找寻y最小值并求出最佳参数。
[0092]
y作为模拟退火算法的目标函数f()，再以将集合平均参数n设为s1，添加白噪声对数ne为s2，置换熵阶m为s3，排列熵阈值theta0为s4，s＝[s1 s2 s3 s4]其算法步骤如下：
[0093]
⑴
初始化：起始温度t0(足够高)，初始解s(迭代开始)，迭代次数l，终止温度t1。
[0094]
⑵
对k＝1，
…
，l做第
⑶
至第
⑹
步。
[0095]
⑶
产生新解s
′
。s
′
＝[s1
’ꢀ
s2
’ꢀ
s3
’ꢀ
s4’]
[0096]
⑷
计算增量δc＝f(s
′
)-f(s)，f()为目标函数。
[0097]
⑸
若δc《0，则接收s
′
作为新的当前解；否则产生一个在[0,1]区间内的随机数ε，并与概率p行比较，若ε＞p，则接收新解，否则保留s。其中k为常数。
[0098]
⑹
看是否满足迭代次数,若不满足则转第
⑶
步；
[0099]
看是否满足目标温度，若不满足则t逐渐减小，且t》t1，然后转第
⑶
步。
[0100]
⑺
得到最优参数及解。
[0101]
s133：使用奇异值分解法对处理后的振动信号x
′
(t)进行特征提取；
[0102]
以一条振动信号为例，使用最佳参数进行cpemd分解后的前5个本征模态函数分量组成初始向量矩阵ee×g，矩阵的秩为r
′
，进行奇异值分解，e＝udw
t
，其中u是e
×
e阶酉矩阵，d是半正定e
×
g阶对角矩阵，而w
t
，即w的共轭转置，是g
×
g阶酉矩阵。，，δr′×r′
＝diag(σ1,σ2,
…
,σr′
)，是矩阵e
t
e的特征值。得到ee×g的奇异值σi(i＝1,2,
…
,r
′
)，得到的特征分量σi作为神经网络的特征集。第n个信号的第i2个特征分量为以第一条特征集为例。,n＝1，,i2＝1,2,
…
6，即特征集的第一条数据为：σ
12
、σ
12
、...、σ
16
，第n条数据为σ
n2
、σ
n2
、...、σ
n6
。
[0103]
s134：将分解得到的特征保存到特征集中。
[0104]
所述步骤s14中，构建长短期记忆人工神经网络lstm并进行训练和测试：
[0105]
如图2所示，为长短期记忆人工神经网络图，将已得到的特征集t(n)分为训练集t1和测试集t2，其中训练集t1的标签为y1，测试集个数为n，测试集t2的标签为y2。构建长短期记忆人工神经网络lstm的基本步骤为：以训练集t1及标签y1为输入，进行训练，输入测试集t2做网络测试，输出预测标签y2′
，设正确个数为n0，令n0＝0，若y
′2(a)-y2(a)＝0(a＝1,2,
…
,n)则n0＝n0 1，循环从1到n为止，由公式其中s为分类预测的准确率。其中长短期记忆人工神经网络的各参数及权值推导如下：
[0106]
设x为神经网络的输入，o为输出，y
′
为训练集的标签。
[0107]
训练神经网络：信号前向传播，误差反向传播，步骤如下：
[0108]
1)更新遗忘门输出：f(t)＝σ(w
xf
x
t
w
hfht-1
bf)，其中σ为sigmoid函数；
[0109]
2)更新输入门两部分输出：i(t)＝σ(w
xi
x
t
w
hiht-1
bi)，g
t
＝tanh(w
xg
x
t
w
hght-1
bg)；
[0110]
3)更新细胞状态:c
t
＝c
t-1
⊙ft
g
t
⊙it
；
[0111]
4)更新输出门输出：o(t)＝σ(w
xo
x
t
w
hoht-1
bo)；h
t
＝o
t
⊙
tanh(c
t
)保持短期记忆；
[0112]
5)更新当前时期预测输出：
[0113]
6)误差：
[0114]
前向传播：在t时刻的前向传播公式为：
[0115][0116][0117][0118][0119]ct
＝c
t-1
⊙ft
g
t
⊙it
[0120]mt
＝tanh(c
t
)
[0121]ht
＝o
t
⊙mt
[0122]yt
＝w
yhht
by
[0123]
反向传播公式：j为误差。
[0124]
已知：
[0125]
节点梯度更新：
[0126][0127][0128][0129][0130][0131][0132]
[0133][0134][0135][0136][0137][0138]
参数梯度更新：
[0139][0140][0141][0142][0143][0144][0145][0146][0147][0148]
如图3所示，使用模拟退火算法对长短期记忆人工神经网络模型进行优化：
[0149]
将lstm获得的分类预测准确率作为模拟退火算法的目标函数f()，再以将批次大小设为自变量x1，将隐含层节点数设为目标函数的自变量x2，优化器类型z，s＝[x1 x2 z]其步骤如下：
[0150]
⑴
初始化：起始温度t0(足够高)，初始解s(迭代开始)，迭代次数l，终止温度t1。
[0151]
⑵
对k＝1，
…
，l做第
⑶
至第
⑹
步。
[0152]
⑶
产生新解s
′
。s
′
＝[x1
′
x2
′z′
]。
[0153]
⑷
计算增量δc＝f(s
′
)-f(s)，f()为目标函数。
[0154]
⑸
若δc＞0，则接收s
′
作为新的当前解；否则产生一个在[0,1]区间内的随机数ε，并与概率p行比较，若ε＞p，则接收新解，否则保留s。其中k为常数。
[0155]
⑹
看是否满足迭代次数若不满足则转第
⑶
步；看是否满足目标温度，若不满足则t逐渐减小，且t》t1，然后转第
⑶
步。
[0156]
⑺
得到最优分类预测准确率s。
[0157]
本实施例将参数较多稳定性差的系统进行优化算法寻参调参，找到最优参数，得到最优系统及预测准确率。
[0158]
实施例2
[0159]
如图4所示，本实施例一种曲轴轴承磨损程度预测方法，包括以下步骤：
[0160]
s21：在柴油机的指定位置放置工业加速度传感器，获取柴油机振动信号x(t)加速振动数据；在本实施例中是以车柴油机第4道曲轴轴承为研究对象。选用pcb601a01型icp工业加速度传感器，将其放置于油底与缸体结合处3缸左右位置，通过加装强力磁座吸合于测试部位表面。定义轴承游隙0.05-0.11mm为正常工况，0.11-0.15mm为轻度磨损，0.15-0.20mm为中度磨损,0.20mm以上为重度磨损。采集转速1800r/min正常工况、轻微磨损、中度磨损和严重磨损下的曲轴轴承振动信号，传感器的采样频率为12.8khz，在运行平稳后，每次采样16384个点作为一条数据。
[0161]
s22：将所述柴油机振动信号x(t)输入曲轴轴承磨损程度预测模型，输出曲轴轴承磨损程度的预测结果。
[0162]
采用曲轴轴承磨损程度预测方法对柴油机曲轴轴承磨损程度分类预测的准确率s达到96.875％，比基本lstm网络预测准确率提高了9％以上。此模型可以通过获取得到的振动信号进行曲轴磨损程度预测。
[0163]
实施例3
[0164]
如图5所示，本实施例一种建立曲轴轴承磨损程度预测模型的装置，包括：
[0165]
获取单元301，用于获取由工业加速度传感器采集得到的柴油机振动信号x(t)；
[0166]
由于外界存在噪声的干扰，因此，处理单元302，用于对获得的振动信号x(t)进行小波阈值去噪，选择阈值为无偏似然估阈值的软阈值法进行处理，得到处理后的振动信号x
′
(t)；
[0167]
提取单元303，用于利用模拟退火算法优化改进的集合经验模态分解进行分解，奇异值分解法对处理后的振动信号x
′
(t)进行特征提取并保存到特征集中；
[0168]
生成单元304，用于将特征集中的振动信号特征作为长短期记忆人工神经网络模型的输入，使用模拟退火算法对长短期记忆人工神经网络模型进行优化，生成曲轴轴承磨损程度判断模型。
[0169]
所述提取单元303包括：
[0170]
第一分解单元3031，用于改进的集合经验模态分解处理振动信号x
′
(t)；
[0171]
第二分解单元3032，用于模拟退火算法优化改进的集合经验模态分解对处理后的振动信号x
′
(t)；
[0172]
提取子单元3033，用于使用奇异值分解法对处理后的振动信号x
′
(t)进行特征提取；
[0173]
保存单元3034，用于将分解得到的特征保存到特征集中。
[0174]
本实施例装置可以解决改进的集合经验模态分解(cpemd)参数较多、稳定性差的问题。
[0175]
实施例4
[0176]
如图6所示，本实施例一种曲轴轴承磨损程度预测装置，包括：
[0177]
振动信号获取单元401，用于获取由工业加速度传感器采集的柴油机振动信号x(t)；
[0178]
预测结果输出单元402，用于将由工业加速度传感器采集的柴油机振动信号x(t)输入曲轴轴承磨损程度预测模型，输出曲轴轴承磨损程度预测结果。
[0179]
本实施例预测装置对于cpemd抑制了ceemd伪分量。伪分量的产生是由于信号中添加正反白总噪声，虽然进行了分解平均，但计算迭代中不能完全消除，因此引入排列熵hp，为指标来去除这部分残余的白噪声，以降低残余白噪声的影响，sa-cpemd提高了cpemd的稳定性。
[0180]
实施例3、4是从功能模块化的角度对本技术实施例提供的一种建立曲轴轴承磨损程度预测模型的装置和一种曲轴轴承磨损程度预测装置进行了介绍。接下来，从硬件处理的角度对本技术实施例提供的一种建立曲轴轴承磨损程度预测模型的终端设备和一种曲轴轴承磨损程度预测的终端设备进行介绍。
[0181]
实施例5
[0182]
本实施例提供了一种终端设备，所述终端设备，包括：处理器以及存储器；存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；处理器，用于调用存储器中的指令执行本技术实施例提供的建立曲轴轴承磨损程度预测模型的方法。
[0183]
实施例6
[0184]
本实施例提供了一种终端设备，包括：处理器以及存储器；存储器，用于存储程序代码，并将程序代码传输给所述处理器；处理器，用于调用存储器中的指令执行本技术实施例提供的曲轴轴承磨损程度预测方法。
[0185]
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0186]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在
包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0187]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0188]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内作出的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。