一種稀疏緊框架字典學習模型的多故障辨識方法與裝置與流程
2023-04-24 12:46:51 3
本公開涉及故障診斷方法技術領域，具體地講，涉及一種稀疏緊框架字典學習模型的多故障辨識方法與裝置。
背景技術：
機械系統健康監測與評估對於降低其維修成本，避免災難性事故的發生具有重要意義。基于振動信號的健康監測的核心在於快速精準地辨識出信號中故障特徵。然而，由於機械系統的結構的複雜性，零部件的多樣性，使得長期工作於惡劣環境的零部件，如軸承，齒輪等，不可避免地發生局部損傷，同時單一故障的發生和演化過程會導致其它部件的性能隨之產生衰退，從而產生故障的鏈式反應。因此，傳感器採集的振動信號往往包含多特徵信息的耦合和強大的噪聲幹擾。如果在消除噪聲的同時，有效地辨識多源微弱故障，是機械系統健康監測的基礎支撐技術之一。
基於變換域的方法通過將信號變換到另外一個空間，通過提升故障特徵在該空間的能量聚集性，從而有效辨識微弱的故障特徵。目前這類方法主要有4類：頻域分析法，時頻域分析法，小波分析以及稀疏分解。其中前三類方法由於變換基函數固定，靈活性差，因此只對特定的信號具有稀疏表示能力。稀疏分解方法可以根據故障特徵的物理先驗靈活設計基函數，因此可以匹配多樣化的故障特徵，為多故障特徵解耦提供了理論基礎。
稀疏分解的核心在於稀疏表示字典的構造，目前，稀疏表示字典的構造方法可以歸納為如下三類：基於數學模型的稀疏表示字典，基於故障動力學模型的稀疏表示字典以及數據驅動的稀疏表示字典。其中，數據驅動的稀疏表示字典，即字典學習的方法，可以從觀測數據中直接學習出能對特徵信息具有稀疏化能力的基原子，然而其計算複雜度高且存在病態問題，使得該方法在工程應用中受到了極大的限制。
技術實現要素：
為解決上述問題，一方面本公開提出一種稀疏緊框架字典學習模型的多故障辨識方法，該方法在數據驅動的稀疏表示字典的基礎上，引入了緊框架約束，不僅有效降低了計算複雜度，還克服了特徵辨識的病態問題。
一種稀疏緊框架字典學習模型的多故障辨識方法，其特徵在於，所述方法包括下述步驟：
S100、獲取待識別信號在緊框架字典學習模型下的一組緊框架濾波器；
S200、利用所述緊框架濾波器獲取待識別信號的降噪信號；
S300、將所述降噪信號分解到每個緊框架濾波器所在的信號空間中，得到分解信號；
S400、對每個分解信號，計算該信號的各類故障敏感性指標值；
S500、將每類故障敏感性指標值中的最大值所對應的分解信號所在的子空間，作為潛在故障信號子空間，利用緊框架濾波器的重構算子對潛在故障信號子空間進行解耦後得到解耦信號；
S600、辨識所述解耦信號所屬故障類別；
所述緊框架字典學習模型為具有緊框架約束的字典學習模型；
所述故障敏感性指標為包絡譜中每類故障的故障特徵頻率的前三階倍頻的能量佔包絡譜信號總能量的百分比。
另一方面，根據所述方法，本公開還提供了一種基於緊框架字典學習模型的多故障辨識裝置，所述裝置包括下述模塊：
濾波器模塊、降噪模塊、分解模塊、指標計算模塊、解耦模塊以及辨識模塊，其中：
所述濾波器模塊，被配置用於：獲取待識別信號在緊框架字典學習模型下的一組緊框架濾波器；
所述降噪模塊，被配置用於：利用所述緊框架濾波器獲取待識別信號的降噪信號；
所述分解模塊，被配置用於：將所述降噪信號分解到每個緊框架濾波器所在的信號空間中，得到分解信號；
所述指標計算模塊，被配置用於：對每個分解信號，計算該信號的各類故障敏感性指標值；
所述解耦模塊，被配置用於：將每類故障敏感性指標值中的最大值所對應的分解信號，作為潛在故障信號，利用緊框架濾波器的重構算子對潛在故障信號進行解耦後得到解耦信號；
所述辨識模塊，被配置用於：辨識所述解耦信號所屬故障類別。
與現有技術相比，由於本公開方法引入緊框架約束，使得本公開方法中的字典具有了下述緊框架的優良性質：
(1)由於緊框架濾波器可以通過卷積運算實現信號分解，大大降低了計算複雜度，即數據驅動的稀疏表示字典方法的計算複雜度為O(SMN2)，加入緊框架約束後降低為O(rllog(l))；其中，S為信號的塊數，M為字典原子的維數，r為緊框架濾波器的個數，l為原始信號的長度；
(2)由於緊框架字典具有完備性，將待識別信號分解到多個信號子空間中，有效保留了待識別信號中的所有特徵，避免微弱故障特徵的漏檢。
由於本公開方法中的字典具有上述優良性質，使得本公開方法避免了計算時的病態問題。
同時，在重構解耦信號時，直接通過計算故障敏感性指標值就可以判斷出潛在故障信號，不需要人為的對每個分解信號進行分析篩選，使得故障辨識簡單有效，對機械系統的核心組件維護和檢修計劃的安排調整給出指導性建議。
本公開裝置根據所述方法實現，同樣具有上述有益效果。
附圖說明
圖1是本公開一個實施例中關於方法流程圖的一種示意圖；
圖2是本公開一個實施例中關於待識別信號時域波形圖的示意圖；
圖3是本公開一個實施例中關於待識別信號頻譜圖的示意圖；
圖4是本公開一個實施例中關於待識別信號包絡譜圖的示意圖；
圖5是本公開一個實施例中關於軸承外圈故障最優子空間信號的包絡譜示意圖；
圖6是本公開一個實施例中關於軸承內圈故障最優子空間信號的包絡譜示意圖；
圖7是本公開一個實施例中關於軸承滾動體故障最優子空間信號的包絡譜示意圖；
圖8是本公開一個實施例中關於軸承保持架故障最優子空間信號的包絡譜示意圖。
具體實施方式
在一個基礎實施例中，提供了一種基於緊框架字典學習模型的多故障辨識方法，所述方法包括下述步驟：
S100、獲取待識別信號在緊框架字典學習模型下的一組緊框架濾波器；
S200、利用所述緊框架濾波器獲取待識別信號的降噪信號；
S300、將所述降噪信號分解到每個緊框架濾波器所在的信號空間中，得到分解信號；
S400、對每個分解信號，計算該信號的各類故障敏感性指標值；
S500、將每類故障敏感性指標值中的最大值所對應的分解信號所在的子空間，作為潛在故障信號子空間，利用緊框架濾波器的重構算子對潛在故障信號子空間進行解耦後得到解耦信號；
S600、辨識所述解耦信號所屬故障類別；
所述緊框架字典學習模型為具有緊框架約束的字典學習模型；
所述故障敏感性指標為包絡譜中每類故障的故障特徵頻率的前三階倍頻的能量佔包絡譜信號總能量的百分比。
在本實施例中，由於緊框架濾波器可以通過卷積運算實現信號分解，大大降低了計算複雜度，即數據驅動的稀疏表示字典方法的計算複雜度為O(SMN2)，加入緊框架約束後降低為O(rllog(l))；其中，S為信號的塊數，M為字典原子的維數，r為緊框架濾波器的個數，l為原始信號的長度。由於緊框架字典具有完備性，將待識別信號分解到多個信號子空間中，可以有效保留了待識別信號中的所有特徵，避免微弱故障特徵的漏檢。由於上述優良性質，避免了計算時的病態問題。
同時，在重構解耦信號時，由於可以直接通過計算故障敏感性指標值就可以判斷出潛在故障信號，不需要人為的對每個分解信號進行分析篩選，使得故障辨識簡單有效，對機械系統的核心組件維護和檢修計劃的安排調整給出指導性建議。
優選地，給出了所述緊框架字典學習模型的表達式，具體如下：
表達式：
約束條件：ΩTΩ＝I
式中：
y為待識別信號；
Ω為緊框架字典；
為卷積運算符號；
為構成緊框架字典的一組濾波器；
Si為第i個濾波器；
r為濾波器個數，且r不小於故障類別數目；
α為振動信號y在字典Ω下的稀疏表示係數；
λ1為正則化參數。
所述緊框架字典學習模型的設計依據機械系統的運行工況和可能的故障模式，確定緊框架濾波器的子空間個數。
優選地，所述步驟S100進一步包括下述步驟：
S101：將待識別信號記作y，對待識別信號y進行分塊截取，每N個點組成一個數據樣本，將每一個樣本作為一個列向量，構成信號矩陣，將所述信號矩陣記作Y；
S102、將循環變量記作j，設置循環變量j的初始值以及最大值，將所述最大值記作L；
S103、使用表示緊框架濾波器組，用該緊框架濾波器組中的每一個緊框架濾波器對信號矩陣進行濾波，得到稀疏表示係數矩陣，將該稀疏表示係數矩陣記作A(j)；
若j為初始值，所述緊框架濾波器組的初始值為從所述信號矩陣中隨機選擇的r個樣本的值；
否則，所述緊框架濾波器組的值為步驟S106計算得到的緊框架字典的值；
S104、用鄰近點優化算法對A(j)做閾值收縮處理，得到
S105、判斷循環變量j是否大於設定的最大值L；若循環變量j大於最大值L，將Ω(L)作為待測信號的緊框架字典，在該字典下的緊框架濾波器作為待測信號的緊框架濾波器，然後退出；
否則，對矩陣乘積進行SVD分解：
S106、利用步驟S105中得到的矩陣Q和U計算緊框架字典Ω(j)：
S107、將循環變量j增加1後，返回步驟S103。
上述步驟通過對待識別信號迭代實施鄰近點優化算法和奇異值分解算法，可以得到構成緊框架字典的一組緊框架濾波器。S102中的最大值L可以根據設備計算能力以及計算精度確定，通常設定為50次。
優選地，所述降噪信號的獲取包括下述步驟：
S201、採用稀疏編碼優化算法獲取待識別信號在所述緊框架濾波器下的稀疏表示係數；
S202、通過閾值收縮技術對步驟S201中的稀疏表示係數，進而消除所述待識別信號的白噪聲得到降噪信號。
根據依據稀疏優化理論，構造基於分析先驗的稀疏編碼優化模型：
約束條件：
式中：α為待測信號y在緊框架稀疏字典Ω(L)下的稀疏表示係數，利用閾值參數λ2(0＜λ2＜1)的鄰近點算子求解式(2)，可實現對待測信號y的降噪，得到降噪的信號x為迭代過程中的變量，其最後一次迭代得到的值即為
優選地，所述步驟S300進一步包括下述步驟：
S301、獲取降噪信號在所述緊框架濾波器下的稀疏表示係數；
S302、獲取所述緊框架濾波器的逆濾波器；
S303、利用步驟S301中的稀疏表示係數和步驟S302中的逆濾波器，將所述降噪信號分解到所述緊框架濾波器所在的信號子空間。
優選地，所述步驟600進一步包括下述步驟：
S601、對各個解耦信號進行Hilbert包絡譜分析，得到幅值-頻率曲線；
S602、對每個幅值-頻率曲線，搜索除轉頻之外的最大的峰值頻率；
S603、若判定所述峰值頻率與故障特徵頻率在設定的解析度誤差範圍內，則表示該故障特徵頻率所對應的零部件發生了故障，從而實現了故障的辨識。
通過設計物理先驗驅動的故障敏感性指標集，可以有效實現多故障特徵的解耦。若根據機械系統的運行工況和可能的故障模式，確定的故障種類數目有C種，則需構造與C種潛在故障相匹配的故障敏感性指標，將故障敏感性指標記作SIk，k＝1，2，…，C。比如確定軸承的故障種類有4種，分別為滾動體故障、保持架故障、內圈故障、外圈局部故障。
所述故障敏感性指標為包絡譜中故障特徵頻率的前三階倍頻的能量佔包絡譜信號總能量的百分比。若緊框架濾波器所在的子空間個數為r個，當k＝1時，對第p個分解信號計算該分解信號的SI1，p值，p＝1，2，…，r。其中，p所對應的子空間即為第1類故障所在的最優故障特徵子空間。以此類推，分別獲得第q類故障所在的最優故障特徵子空間，q＝2，3，…，C。
由於解耦信號通過下述步驟獲得：將每類故障敏感性指標值中的最大值所對應的分解信號所在的子空間，作為潛在故障信號子空間，利用緊框架濾波器的重構算子對潛在故障信號子空間進行解耦後得到解耦信號。因此，所述解耦信號的數目與故障的種類相同。若故障的種類為C種，那麼在對各個解耦信號進行包絡譜分析時，得到的最大的峰值頻率有C個，記作i＝1，2，…C。若所述最大的峰值頻率與故障特徵頻率fi，i＝1，2，…C在解析度誤差容許範圍內，則表示相應的零部件發生了故障，實現了C類複合故障的辨識。
下面實施例結合附圖對本公開方法進行闡述。
圖1示意了將所述方法應用於SQI電機軸承多故障辨識的流程圖。該電機的軸承預置有內圈和外圈的局部故障。如圖所示：
S000、利用加速度振動傳感器對軸承座信號進行測量，採集的振動信號y64000×1作為待識別信號。
如圖2、3、4所示，分別為待識別信號y64000×1的時域波形圖、頻譜分析圖以及包絡譜分析譜圖。從圖4中可以看出，原始信號的包絡譜中主要的頻譜成分為轉頻及其倍頻。同時只能辨識出外圈故障和內圈故障的一倍頻成分。將採集到的加速度振動信號，按照如下步驟進行操作：
S100、獲取待識別信號y64000×1在緊框架字典學習模型下的一組緊框架濾波器。
對輸入信號迭代實施鄰近點優化算法和奇異值分解算法，可以學習出構成緊框架字典的一組緊框架濾波器，具體學習步驟如下：
S101、對採集振動信號y64000×1進行分塊，每32個點組成一個數據樣本，將每一個樣本作為一個列向量，構成字典學習的輸入信號矩陣Y32×2909；
S102、設置循環變量j的初始值為1，循環變量的最大值L＝50；
S103、使用表示緊框架濾波器組，用該緊框架濾波器組中的每一個緊框架濾波器對信號矩陣Y32×2909進行濾波，濾波時使用的正則化參數λ1＝0.3，濾波後得到稀疏表示係數矩陣，將該稀疏表示係數矩陣記作A(j)；
若j為初始值1，所述緊框架濾波器組的初始值為從所述信號矩陣中隨機選擇的r個樣本的值；其中，緊框架字典Ω(0)是一個32×32的矩陣，每個緊框架濾波器是一個32×1的列向量；
否則，所述緊框架濾波器組的值為步驟S106計算得到的緊框架字典的值；
S104、用鄰近點優化算法對A(j)做閾值收縮處理，得到
S105、判斷循環變量j是否大於設定的最大值L；若循環變量j大於最大值L，則學習好的緊框架濾波器組學習好的字典則退出；
否則，對矩陣乘積進行SVD分解：
S106、利用步驟S105中得到的矩陣Q和U計算緊框架字典Ω(j)：
S107、將循環變量j增加1後，返回步驟S103。
S200、利用所述緊框架濾波器獲取待識別信號的降噪信號，具體實現如下：
依據稀疏優化理論，構造基於分析先驗的稀疏編碼優化模型：
約束條件：
式中：α6400×32為待測信號y6400×1在緊框架稀疏字典Ω(50)下的稀疏表示係數，利用閾值參數λ2的鄰近點算子求解構造的基於分析先驗的稀疏編碼優化模型，可實現對待測信號y6400×1的降噪，得到降噪的信號在這裡，λ2＝0.4。x6400×1為迭代過程中的變量，其最後一次迭代得到的值即為
S300、將所述降噪信號分解到每個緊框架濾波器所在的信號空間中，得到分解信號。
S301、利用學習好的緊框架濾波器組對降噪信號進行分解，得到32個信號子空間的稀疏表示係數：
S302、獲取緊框架濾波器組的逆濾波器
S303、利用步驟S301中的稀疏表示係數和步驟S302中的逆濾波器，將所述降噪信號分解到所述緊框架濾波器所在的信號子空間。通過下式，可以將所述降噪信號分解到所述緊框架濾波器所在的信號子空間，得到分解信號zi：
S400、對每個分解信號，計算該信號的各類故障敏感性指標值。
事先構造與4類軸承潛在故障相匹配的故障敏感性指標SIi，i＝1，2，…4，分別為包絡譜中4類故障特徵頻率的前三階倍頻的能量佔包絡譜信號總能量的百分比。
S500、將每類故障敏感性指標值中的最大值所對應的分解信號所對應的子空間，作為潛在故障信號子空間，利用緊框架濾波器的重構算子對潛在故障信號進行解耦後得到解耦信號。
以SIi最大為優化指標，分別計算r(r≥C)個子空間信號的包絡譜的SIi值，最大SIi值所對應的子空間即為第i類故障所在的最優故障特徵子空間。令i＝1，2，3，4，依次優選出4類故障各自所在的最優故障特徵子空間i＝1，2，3，4。
重構出4個故障特徵子空間的時域信號i＝1，2，3，4，從而實現4類故障信號的解耦，得到4類解耦信號。
S600、辨識所述解耦信號所屬故障類別。
對重構出的4個特徵子空間信號進行包絡解調分析，分別如圖5，6，7，8所示。其中圖5為外圈故障特徵的最優子空間信號的包絡譜，可以清晰辨識出外圈故障特徵頻率的1倍頻(BPFO)，2倍頻(BPFOx2)以及3倍頻(BPFOx3)成分，且除了轉頻外最大頻率成分外圈故障特徵頻率的1倍頻(BPFO)，由此驗證了電機軸承的外圈故障；圖6為內圈故障特徵的最優子空間信號的包絡譜，可以清晰辨識出內圈故障特徵頻率的1倍頻(BPFI)，2倍頻(BPFIx2)以及3倍頻(BPFIx3)成分，同時各階內圈故障特徵頻率都存在轉頻為間隔的邊頻帶，且最大頻率成分為BPFI，由此驗證了電機軸承的內圈故障；圖7為軸承滾動體故障特徵的最優子空間信號的包絡譜，然而，滾動體故障特徵頻率的各階次成分都極為微弱，除了轉頻外最大頻率成分與軸承故障特徵頻率不相關，說明滾動體並未發生故障；圖8為保持架故障特徵的最優子空間信號的包絡譜，除了轉頻外最大頻率成分為保持架特徵頻率的2倍頻成分。預示保持架存在早期微弱故障。
在整個計算過程中，本公開方法對採集的振動信號y6400×1進行分析，從該振動信號中學習出32個緊框架濾波器，每個濾波器的長度為32，迭代50次用時0.1022s。對相同振動信號y6400×1，使用傳統字典學習方法(KSVD)，學習出相同大小的字典，迭代50次用時192.8760s。由此可以看出，本公開方法可以大大降低傳統字典學習算法的複雜度，滿足工程分析的時效性需求。
在一個實施例中，本公開還提供了一種基於緊框架字典學習模型的多故障辨識裝置，所述裝置包括下述模塊：
濾波器模塊、降噪模塊、分解模塊、指標計算模塊、解耦模塊以及辨識模塊，其中：
所述濾波器模塊，被配置用於：獲取待識別信號在緊框架字典學習模型下的一組緊框架濾波器；
所述降噪模塊，被配置用於：利用所述緊框架濾波器獲取待識別信號的降噪信號；
所述分解模塊，被配置用於：將所述降噪信號分解到每個緊框架濾波器所在的信號空間中，得到分解信號；
所述指標計算模塊，被配置用於：對每個分解信號，計算該信號的各類故障敏感性指標值；
所述解耦模塊，被配置用於：將每類故障敏感性指標值中的最大值所對應的分解信號所對應的子空間，作為潛在故障信號子空間，利用緊框架濾波器的重構算子對潛在故障信號進行解耦後得到解耦信號；
所述辨識模塊，被配置用於：辨識所述解耦信號所屬故障類別。
優選地，所述濾波器模塊中的緊框架字典學習模型的表達式，採用下式：
表達式：
約束條件：ΩTΩ＝I
式中：
y為待識別信號；
Ω為緊框架字典；
為卷積運算符號；
為構成緊框架字典的一組濾波器；
Si為第i個濾波器；
r為濾波器個數，且r不小於故障類別數目；
α為振動信號y在字典Ω下的稀疏表示係數；
λ為正則化參數。
優選的，所述濾波器模塊包括下述單元：
信號矩陣構成單元、設置單元、濾波單元、稀疏表示係數矩陣單元、退出單元、SVD分解單元、緊框架字典計算單元、循環變量處理單元，其中：
所述信號矩陣構成單元，被配置用於：輸入待識別信號，輸出信號矩陣；
所述設置單元，被配置用於：設置循環變量的初始值，以及設定循環變量的最大值，將初始值輸出給所述濾波單元，將最大值輸出給所述退出單元；
所述濾波單元，被配置用於：接收循環變量，根據所述循環變量的值選擇緊框架濾波器對所述信號矩陣進行濾波，輸出稀疏表示矩陣和循環變量；
若所述循環變量的值為初始值，則所述緊框架濾波器的初始值為所述信號矩陣中隨機選擇若干樣本的值，所述樣本的個數和所述緊框架濾波器的個數相同；
否則，所述緊框架濾波器組的值為所述緊框架字典計算單元計算得到的緊框架字典下的值；
所述稀疏表示係數矩陣單元，被配置用於：輸入稀疏表示矩陣，利用鄰近點優化算法對所述稀疏表示矩陣做閾值處理，輸出經過處理的稀疏表示矩陣；
所述退出單元，被配置用於：接收循環變量和所述最大值；若循環變量大於最大值，則退出；否則，轉向所述SVD分解單元；
所述SVD分解單元，被配置用於：對所述信號矩陣與所述稀疏表示係數矩陣單元輸出的稀疏表示係數矩陣的乘積進行SVD分解；若所述信號矩陣記作Y，所述稀疏表示係數矩陣單元輸出的稀疏表示係數矩陣記作則有將分解後的矩陣Q和U輸出；
所述緊框架字典計算單元，被配置用於：利用所述退出單元得到的矩陣Q和U根據下式計算緊框架字典Ω(j)：
所述循環變量處理單元，被配置用於：使循環變量j增加1，並將循環變量的值輸出給所述濾波單元。
優選地，所述降噪模塊包括下述單元：
稀疏編碼優化單元、白噪聲消除單元，其中：
所述稀疏編碼優化單元，被配置用於：採用稀疏編碼優化算法獲取待識別信號在所述緊框架濾波器下的稀疏表示係數；
所述白噪聲消除單元，被配置用於：通過閾值收縮技術對所述稀疏編碼優化單元得到的稀疏表示係數，進而消除所述待識別信號的白噪聲得到降噪信號。
優選地，所述分解模塊包括下述單元：
降噪信號稀疏表示係數獲取單元、逆濾波器單元，其中：
所述降噪信號稀疏表示係數獲取單元，被配置用於：輸入降噪信號，輸出降噪信號的稀疏表示係數；
所述逆濾波器單元為緊框架濾波器的逆濾波器，輸入降噪信號的稀疏表示係數，經逆濾波器處理後被分解到所述緊框架濾波器所在的信號子空間中，並輸出各分解信號。
優選地，所述解耦模塊包括下述單元：
包絡譜分析單元，判斷單元，其中：
所述包絡譜分析單元，被配置用於：輸入各個解耦信號，輸出各個解耦信號除轉頻之外的最大的峰值頻率；
所述判斷單元，被配置用於：輸入所述包絡譜分析單元輸出的峰值頻率，結合已有的故障特徵頻率和設定的解析度誤差，判斷並輸出發生故障的零部件。
通過以上的實施方式的描述，所屬領域的技術人員可以清楚地了解到本公開方法及裝置可藉助軟體加必需的通用硬體的方式來實現，當然也可以通過專用硬體包括專用集成電路、專用CPU、專用存儲器、專用元器件等來實現。一般情況下，凡由電腦程式完成的功能都可以很容易地用相應的硬體來實現，而且，用來實現同一功能的具體硬體結構也可以是多種多樣的，例如模擬電路、數字電路或專用電路等。但是，對本公開而言更多情況下，軟體程序實現是更佳的實施方式。基於這樣的理解，本公開的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在可讀取的存儲介質中，如計算機的軟盤，U盤、移動硬碟、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光碟等，包括若干指令用以使得一臺計算機設備(可以是個人計算機，伺服器，或者網絡設備等)執行本公開各個實施例所述的方法。
以上對本公開進行了詳細介紹，本文中應用了具體個例對本公開的原理及實施方式進行了闡述，以上實施例的說明只是用於幫助理解本公開的方法及其核心思想；同時，對於本領域技術人員，依據本公開的思想，在具體實施方式及應用範圍上均會有改變之處，綜上所述，本說明書內容不應理解為對本公開的限制。