一种飞机燃油泵故障智能诊断方法、装置和存储介质

1.本发明属于飞机燃油系统的故障诊断技术领域，尤其涉及一种飞机燃油泵故障智能诊断方法、装置和存储介质。


背景技术：

2.随着民用飞机普及，其安全性一直是被重点关注的因素。由于飞机结构复杂，故障具有隐蔽性，人为检修并不是一个高效可靠的方法，故各种各样的故障检测方法被提出。飞机燃油泵为飞机提供动力需求，其是否正常工作是飞机能否安全飞行的关键。因此，燃油泵的故障识别是确保飞机安全运行的关键方法之一。
3.故障诊断主要是对系统部件进行状态分析。如果系统中的某个参数脱离了所设置的正常范围，就认为系统出现了故障，故障可能会影响飞机性能，对飞机的安全性造成威胁。故障诊断就是通过对系统的重要参数进行实时监测，对系统出现的故障进行定位并在此基础上分析故障出现的原因。
4.传统的故障诊断技术依赖于解析模型或通过分析系统所采集信号对故障进行识别。基于模型的故障诊断方法作为最早出现的故障诊断方法，通过深入了解系统结构细节实现实时故障诊断，然而系统模型难以获得，建模误差较大等问题限制了其发展。基于信号的故障诊断方法基于对信号的处理分析，因其实现简单、表现直观等特点得到了广泛应用，但存在对潜在故障诊断效果不理想的缺点。
5.智能诊断技术是在计算机和人工智能的基础上发展起来的，是一门集数学、物理、通讯技术、信息处理、模式识别和人工智能等多学科于一体的综合性技术，他的出现为提高现代复杂工程技术系统的可靠性开辟了一条新的途径。智能诊断技术主要有专家系统、神经网络、支持向量机、深度学习等方法。
6.飞行过程中分布在飞机中的传感器产生的飞行数据包含有大量有用的信息，这些数据信息可以被收集起来进行分析，挖掘出内部隐含的信息，以此来监测系统的运行状况。目前对泵的故障诊断数据多采用泵收集的振动信号，选用实际飞行数据进行燃油泵故障诊断的研究较少，有待进一步开展研究。


技术实现要素：

7.发明目的：飞机燃油泵为飞机提供动力需求，其是否正常工作是飞机能否安全飞行的关键，燃油泵的故障识别是确保飞机安全运行的关键方法之一；针对这一问题，本发明设计了一种可以对飞机燃油泵进行故障定位与诊断的方法；本方法通过利用采集到的飞机燃油系统关键部位的压力信号结合深度学习算法中常用的卷积神经网络对飞机燃油泵进行故障识别和定位，在检测到燃油泵出现故障时应及时进行维修更换，以免造成更大的损失。
8.本发明具体提供一种飞机燃油泵故障智能诊断方法，包括以下步骤：
9.步骤1，进行故障数据的采集；
10.步骤2，对采集到的故障数据进行预处理，将预处理后的故障数据划分为训练集和测试集；
11.步骤3，构建基于卷积神经网络(convolutional neural network，cnn)的故障诊断模型；
12.步骤4，将训练集输入故障诊断模型中进行训练，训练过程中引入灰狼优化算法(grey wolf optimizer,gwo)进行超参数寻优；
13.步骤5，将测试集输入至训练好的故障诊断模型中，测试实际对燃油泵的故障诊断效果。
14.步骤1中，通过采集飞机燃油泵及发动机周围传感器数据获取故障数据，通过分析燃油泵故障现象与机理，确定故障数据的组成为七维特征，七维特征分别是四个交流泵出口压力故障数据、直流燃油泵出口压力故障数据、两个发动机进口油压故障数据；数据定义的故障类型有7种，分别是左一燃油泵失效、左二燃油泵失效、左一左二燃油泵均失效、右一燃油泵失效、右二燃油泵失效、右一右二燃油泵均失效、燃油泵均正常，分别采集每种故障类型的样本7164个。运用本发明方法生成的模型具有数据针对性，针对相似或相同机理的故障类型所采集的数据该方法仍适用，只是生成的模型参数不同，但对于机理不同的故障，适用性不能保证；目前在飞的飞机最多仅两边分别有两个发动机，因此无法对更多燃油泵进行验证，但本方法仍对更多的燃油泵的情况具有参考意义。
15.步骤2包括：
16.步骤2-1，采用最大值最小值归一化方法对故障数据进行归一化处理，转化公式如下：
[0017][0018]
式中，x
normalization
是归一化后的输出值，x是指构成故障数据的七维特征中任一的一维特征，max(x)和min(x)分别是特征x在所有故障数据上的最大值和最小值，；
[0019]
步骤2-2，采用滑动窗口方法将故障数据切分为等长度的二维数据；
[0020]
步骤2-3，对故障数据进行小波阈值去噪；
[0021]
步骤2-4，对经过步骤2-1～步骤2-3处理后的故障数据划分为训练集和测试集，具体划分方法为将每种故障类型的数据样本进行打乱，并按3：1比例划分，3/4数据为训练集，1/4数据为测试集，以保证训练集与测试集中均包含有7种故障类型。
[0022]
步骤2-3包括：
[0023]
步骤2-3-1，根据信号的特征和光滑程度确定小波基函数和分解层数，利用mallat算法对含噪信号进行小波分解，得到小波系数：
[0024]
步骤2-3-2，确定阈值和阈值函数，利用阈值去除小波高频系数中低于阈值的部分，阈值的选取通常有无偏风险估计阈值(rigrsure规则)、通用阈值(sqtwolog原则)、启发式阈值(heursure原则)和极大极小阈值(minimaxi)四种。本发明选用极大极小阈值，该方法是一种较为保守的方法，能够从构成复杂的信号中提取微弱的信号，常用的阈值函数有硬阈值和软阈值两种；
[0025]
步骤2-3-3，对处理过后的高频系数和未经处理的低频系数进行小波逆变换，是小波分解的逆过程，即利用mallat算法对信号进行重构，得到去除噪声后的信号。
[0026]
步骤2-3-1包括：对于任意函数，按空间组合展开得到：
[0027][0028][0029]
其中，f(t)为按空间组合展开后的函数形式，t为时间函数的采集时间，为展开后得到的尺度空间时间函数，ψ
j,k
(t)为展开后得到的小波空间时间函数，j为设定的分解尺度，i表示当前分解尺度所对应的小波空间，k表示当前分解尺度所对应的尺度空间，c
j,k
为尺度系数，d
j,k
为小波系数，利用mallat算法计算c
j,k
，d
j,k
：
[0030][0031][0032]
其中，m＝2k+n，n为傅里叶变化点数；c
j-1,m
为j-1小波空间、m尺度空间所对应的尺度系数；在已知滤波器系数h0、h1和初始序列c
0,m
，能够得到所有的小波系数和尺度系数。
[0033]
步骤2-3-2中，所述阈值函数采用如下软阈值函数：
[0034][0035]
其中为经过阈值函数处理过后得到的小波系数，ω
j,k
为小波系数，sgn(ω
j,k
)为经过阶跃函数处理后的小波系数，阶跃函数返回原小波系数的正负号，μ为设定阈值，该设定阈值根据步骤2-3-2的阈值选取规则确定。
[0036]
步骤3包括：
[0037]
步骤3-1，确定基于卷积神经网络的故障诊断模型的输入输出：对训练集中的数据进行截取，输入样本长度为x1个采样点，样本长度一般通过模型训练确定，不同数据的样本长度可以不同，一般x1取值为32，得到故障诊断模型的输入样本形状为x1*7，即输入样本长度为x1维度为7，故障诊断模型的输出为7种不同的燃油系统状态，则网络的输出节点为7个；
[0038]
步骤3-2，选择激活函数：
[0039]
对于卷积层，采用relu函数作为激活函数，定义为：
[0040][0041]
其中，x为数据经过卷积层的卷积计算得到的输出，y为经过relu函数计算过后的输出；
[0042]
对于全连接层选择tanh函数作为全连接层的激活函数，定义为：
[0043][0044]
其中，exp(x)表示e的x次方，y为全连接层经过tanh激活函数得到的输出。
[0045]
步骤3-3，建立基于卷积神经网络的故障诊断模型的结构：包括3个卷积层、3个池化层、3个归一化层、一个全连接层、一个输出层和一个dropout层，其中卷积层卷积核大小均为5
×
5；池化层均采用最大池化操作，核大小设置为2
×
2，步长为2；全连接层的神经元数目为80，输出层设置7个神经元输出不同的燃油系统状态；
[0046]
归一化层被加在每一个卷积层之后，dropout层在全连接层后，按照一定概率随机丢弃神经元，一般取0.5；
[0047]
其中卷积层与池化层之间加入了归一化层；
[0048]
步骤3-4，设定参数优化算法为adagrad算法，adagrad算法在参数更新过程中差值δθ
t
的计算公式为：
[0049][0050]
式中，α为初始学习率，g
t
为第t次迭代时的梯度，g
t
为每个参数梯度平方的累计值，
⊙
表示按元素乘机，ε为常数；
[0051]
步骤3-5，对算法进行改进，即根据模型训练过程中出现的效果对算法进行改进，在训练过程中模型存在过拟合现象，即模型过度学习数据特征使得模型获取到了错误的特征从而导致模型精度的下降，为抑制过拟合，在故障诊断模型中加入dropout层。
[0052]
步骤4包括：灰狼优化算法中将狼群分为四种不同的等级，等级从高到低依次为α狼、β狼、δ狼以及ω狼，算法通过模拟狼群狩猎行为寻找适应度最高的α狼位置确定最优解，狩猎行为包括包围行为、捕猎行为和攻击行为三个阶段；
[0053]
执行如下步骤：
[0054]
步骤4-1，确定故障诊断模型需要优化的超参数类型及范围，对灰狼优化算法进行参数初始化；需要优化的超参数有6个，分别是：三层卷积层的卷积核数目k1、k2、k3、初始学习率η、批次大小batch和dropout层丢弃率σ，将6个超参数组成一个集合代表灰狼个体的6维空间的位置坐标，灰狼个体的坐标表示为x＝[x1,x2,x3,x4,x5,x6]
t
，x1,x2,x3,x4,x5,x6依次表示需要优化的6个超参数，t为矩阵转置，寻求超参数最优组合即为寻找灰狼群体中适应度最高的α狼的位置信息；
[0055]
步骤4-2，输入训练集，对故障诊断模型开始训练，计算各个灰狼个体适应度函数，选用均方根误差作为适应度函数，灰狼优化算法优化的目的是使均方根误差最小；
[0056]
步骤4-3，选取三个最佳适应度值的解，将它们依次赋值给α狼、β狼和δ狼，进一步更新该狼群中剩余灰狼的位置；
[0057]
步骤4-4，进入循环，即重复步骤4-2～步骤4-3，当循环达到阈值，阈值一般根据经验取30.50等数值，跳出循环，将α狼的位置即最优解赋值给对应的超参数。
[0058]
另一方面，本发明还提供了一种飞机燃油泵故障智能诊断装置，包括：
[0059]
数据采集模块，用于进行故障数据的采集；
[0060]
数据预处理模块，用于对采集到的故障数据进行预处理，将预处理后的故障数据
划分为训练集和测试集；
[0061]
模型构建模块，用于构建基于卷积神经网络的故障诊断模型；
[0062]
模型训练模块，用于将训练集输入故障诊断模型中进行训练，训练过程中引入灰狼优化算法进行超参数寻优；
[0063]
模型测试模块，用于将测试集输入至训练好的故障诊断模型中，测试实际对燃油泵的故障诊断效果。
[0064]
另一方面，本发明还提供了一种存储介质，存储有计算机程序或指令，当所述计算机程序或指令被运行时，实现所述的方法。
[0065]
与现有技术相比，本发明所具有的优点和有益效果包括：
[0066]
1、本发明采用实际采集到的飞机试飞数据作为输入和辨识目标，在预处理阶段引入了小波阈值去噪有效去除了原始信号中的冗余噪声，提高了故障识别率。
[0067]
2、本发明通过建立一种灰狼优化算法优化的卷积神经网络对飞机燃油泵进行故障诊断，故障识别率高，可以应用至实际燃油系统燃油泵故障诊断中，进行燃油泵故障定位与诊断。
附图说明
[0068]
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
[0069]
图1是本发明方法流程图。
[0070]
图2是小波阈值去噪基本流程图。
[0071]
图3是去噪效果对比图。
[0072]
图4是卷积神经网络结构图。
[0073]
图5是故障诊断模型构建步骤。
[0074]
图6是故障诊断模型的混淆矩阵。
具体实施方式
[0075]
本发明涉及了一种基于小波阈值去噪和灰狼优化卷积神经网络的飞机燃油泵故障诊断方法，方法实施流程图如图1所示。该算法实施的具体流程主要包含以下步骤。
[0076]
1.数据采集
[0077]
通过在燃油系统燃油泵、发动机等关键位置添加压力传感器，采集燃油泵不同故障情况下的压力值构成数据样本。每种故障形式样本7164个。所有故障形式样本均被分为训练样本和测试样本。
[0078]
2.数据归一化
[0079]
数据集具有多个特征，且特征之间的量纲量级有所不同，这会增加神经网络的训练难度，使得训练难以进行或无法达到最优效果。为保证每个特征数据能够被分类器同等对待，提高训练效率，需要对数据进行归一化处理。归一化方法是指将数据特征转换为相同尺度的方法，采用最大值最小值归一化方法(min-max normalization)对数据进行归一化处理。最大值最小值方法的具体转化公式如下：
[0080][0081]
式中，max(x)和min(x)分别是特征x在所有样本上的最大值和最小值。
[0082]
3.数据截取
[0083]
采用滑动窗口方法将数据切分为等长度的二维数据，即通过指定窗口大小截取数据，根据经验窗口大小一般取8的倍数即8、16、32、64
…
，并依据训练效果最终确定窗口大小，每次截取相同长度的数据，重新组成输入卷积神经网络的数据集。
[0084]
4.数据小波阈值去噪
[0085]
使用小波阈值去噪去除数据中过多的噪声，过度的噪声会掩盖原始数据中的有效特征，故障诊断模型可能会将部分无效噪声判定为特征，从而造成过拟合现象。为了让模型更好的学习到有用的特征，需要对原始数据进行降噪处理。小波阈值去噪可以对数据进行降噪处理，将原始噪声从含有噪声的信号中分离出来。通常认为，信号经过小波分解后，噪声的小波系数会小于信号的小波系数，故选取合适的阈值将大于阈值的小波系数予以保留，小于阈值的则认为是噪声产生的予以去除，以此达到去噪的目的。在去噪处理过程中，需要确定一系列参数，例如小波基函数的类型，分解层数，阈值和阈值函数。不同的小波基函数在去噪过程中所产生的效果是不一样的，常用的小波基函数有haar、daubechies、symlets等。分解层数是由信号的频率特性决定的。过多的分解层数可能会丢失部分原始信号，过少的分解层数又会导致噪声不能完全滤除。小波阈值去噪基本流程图如图2所示。具体实施步骤如下：
[0086]
1)根据信号的特征及光滑程度确定小波基函数及分解层数，利用mallat算法对含噪信号进行小波分解，得到小波系数。
[0087]
对于任意函数，按空间组合展开得到：
[0088][0089]
式中：
[0090][0091]cj,k
称为尺度系数，d
j,k
称为小波系数。mallat算法则是由c
j-1,k
快速计算c
j,k
，d
j,k
的方法，经过算法推导得到：
[0092][0093][0094]
由上式可知，已知滤波器系数h0、h1和初始序列c
0,m
，能够得到所有的小波系数和尺度系数。
[0095]
由于信号本身各不相同，不同的数据所适用的小波基函数也有所不同。为选出合适的小波基，选用daubechies、symlets两种小波系对原始数据进行去噪处理，每种小波系
选用了多种不同阶数，采用信噪比snr和均方根误差rmse两种评价标准进行了去噪效果对比。不同小波系不同阶数所对应的去噪效果如表1所示。
[0096]
表1
[0097][0098]
db9均方根误差更小，信噪比更大，因此db9小波去噪效果最好。
[0099]
不同的分解层数也会对去噪效果产生影响，经验表明分解层数越低，对信号的去噪效果就越好，故采用工程中常用的三层分解。
[0100]
2)确定阈值以及阈值函数，利用阈值对小波高频系数中低于阈值的部分进行去除，使处理后的小波系数能够最大程度地接近纯净信号。
[0101]
阈值的选取通常有无偏风险估计阈值(rigrsure规则)、通用阈值(sqtwolog原则)、启发式阈值(heursure原则)和极大极小阈值(minimaxi)四种。本发明选用极大极小阈值，该方法是一种较为保守的方法，能够从构成复杂的信号中提取微弱的信号。
[0102]
常用的阈值函数有硬阈值和软阈值两种。硬阈值函数表达式为：
[0103][0104]
软阈值函数表达式为：
[0105][0106]
两种阈值函数在绝对值较小系数的处理方法上相同，均是将其置零；在对待较大的系数方面，硬阈值函数是将其保留，软阈值函数则是对系数进行收缩。硬阈值函数得到的去噪后的信号不够光滑，连贯性也参差不齐，但其可以很好地保留去噪信号的特征。软阈值函数得到的去除噪声后的信号相对较光滑，信号也具有连贯性。本发明中希望信号能够足够平滑，因此选用软阈值函数。
[0107]
3)对处理过后的高频系数和未经处理的低频系数进行小波逆变换，得到去除噪声后的信号完成小波阈值去噪。
[0108]
采用db9小波基、分解层数为三层、极大极小阈值和软阈值函数的小波去噪方法对
数据进行去噪。以左一燃油泵出口压力数据为例，去噪效果对比如图3所示。
[0109]
5.构建故障诊断模型
[0110]
本发明选用卷积神经网络进行故障诊断模型搭建，卷积神经网络结构图如图4所示。故障诊断模型的构建是对模型输入输出、模型结构以及参数优化算法等进行合理选择，其构建步骤如图5所示。
[0111]
在确定了智能算法之后，需要根据相应算法的特点确定网络的输入和输出。数据样本由7维特征数据组成(四个交流泵出口压力、直流燃油泵出口压力、两发动机进口油压)，对训练集中的数据进行截取，输入样本长度为32个采样点，得到的输入样本形状为32*7。网络的输出为7种不同的燃油系统状态，因此网络的输出节点为7个。
[0112]
激活函数能够使神经元实现非线性输出，神经网络复杂功能实现依赖于激活函数，对激活函数的选择应格外慎重。在卷积神经网络中，仅有卷积层和全连接层需要激活函数，池化层无需激活函数。
[0113]
卷积层最常用的激活函数是relu函数，其定义为：
[0114][0115]
relu函数的计算简单高效，且稀疏性更好。由式(8)可以看出relu函数在x》0时的导数为1，且具有左饱和特性，在参数优化过程中，可以缓解梯度消失问题，提高收敛速度。
[0116]
选择tanh函数作为全连接层的激活函数，其定义为：
[0117][0118]
tanh激活函数的曲线走势与sigmoid函数大致一致。实际应用过程中，效果相比于sigmoid函数更佳。tanh函数在特征间差别较大时使用可以达到进一步扩大差别的效果，将其应用于网络结构最后的全连接层能够达到更好的分类效果。
[0119]
结构设计是模型设计最重要的部分，模型的复杂程度直接关系到对燃油系统故障诊断效果的好坏。本发明设计的燃油系统故障诊断模型包含有12层功能层，包括3个卷积层、3个池化层、3个归一化层、一个全连接层、一个输出层和一个dropout层。其中卷积层卷积核大小均为5
×
5，卷积层的核数目未确定。池化层均采用最大池化操作，核大小设置为2
×
2，步长为2。全连接层的神经元数目为80，输出层设置7个神经元输出7种类型。
[0120]
归一化层(bn层)被加在每一个卷积层之后，对卷积层的输出进行规范化，保证之后神经元的输入值的分布保持均值为0方差为1的标准正态分布。bn层能够有效解决反向传播过程中的梯度消失问题，使得学习收敛速度加快从而大大提高训练速度。并在全连接层后加入了dropout层，按照一定概率随机丢弃神经元，减少中间特征的数量来减少冗余，从而提高模型的泛化功能。
[0121]
神经网络参数训练过程中使用的梯度下降算法难以达到全局最优且训练时间长效率低，需要选择相应的改进算法来进行参数优化。本发明选择adagrad算法，该算法在参数导数较大时会调低其学习率，在参数导数较小时适当调高学习率，整体而言学习率是逐渐缩小的。adagrad算法在参数更新过程中差值的计算公式为：
[0122][0123]
式中，α为初始学习率，g
t
为第t次迭代时的梯度，g
t
为每个参数梯度平方的累计值，
⊙
表示按元素乘机，ε为一个非常小的常数。
[0124]
6.故障诊断模型训练
[0125]
卷积神经网络训练过程中需要对超参数进行调试，人为调试超参数需要一定程度的工程经验，且超参数众多需要消耗大量时间，在模型训练阶段引入灰狼优化算法，该优化算法可以通过训练寻找到最优的超参数组合方式。
[0126]
灰狼优化算法中将狼群分为四种不同的等级，等级从高到低依次为α狼、β狼、δ狼以及ω狼。算法通过模拟狼群狩猎行为寻找适应度最高的α狼位置确定最优解，狩猎行为包括包围行为、捕猎行为和攻击行为三个阶段。
[0127]
需要调试的超参数有三层卷积层的卷积核数目k1、k2、k3，初始学习率η、批次大小batch以及dropout层丢弃率σ。将这6个超参数组成一个集合代表灰狼个体的6维空间的位置坐标，灰狼个体的坐标可表示为x＝[x1,x2,x3,x4,x5,x6]
t
，寻求超参数最优组合即为寻找灰狼群体中适应度最高的α狼的位置信息。
[0128]
基于灰狼优化卷积神经网络的故障诊断模型训练具体步骤为：
[0129]
1)确定故障诊断模型需要优化的超参数类型及范围，并对灰狼优化算法进行参数初始化。
[0130]
2)输入训练集，对网络开始训练，计算各个灰狼个体适应度函数，本文选用均方根误差作为适应度函数，灰狼优化算法优化的目的是使均方根误差最小。
[0131]
3)选取三个最佳适应度值的解，将其依次赋值给α狼、β狼和δ狼。进一步更新其他灰狼的位置。
[0132]
4)进入循环，当循环达到阈值，跳出循环，将α狼的位置即最优解赋值给对应的超参数。
[0133]
5)对优化过的网络进行训练，最后输入测试集获取故障诊断模型的诊断结果。
[0134]
7.故障诊断模型效果评估
[0135]
用测试集对得到的故障诊断模型进行效果评估，本故障诊断模型对燃油泵故障分类的混淆矩阵如图6所示。可见本发明所提出的方法的可以很好的对不同燃油泵故障种类进行识别，将本发明所提出方法与常用的几种算法进行对比，对比结果如表2所示，结合对燃油系统故障的识别精度和故障的识别时间对比，本文所提出的方法故障诊断率达到85.12％，优于其他两种算法，训练时间也具有一定优势，利用本发明所构建的故障诊断模型能够更好地实现对该燃油系统故障诊断。
[0136]
表2
[0137]
[0138][0139]
本实施例还提供了一种飞机燃油泵故障智能诊断装置，包括：
[0140]
数据采集模块，用于进行故障数据的采集；
[0141]
数据预处理模块，用于对采集到的故障数据进行预处理，将预处理后的故障数据划分为训练集和测试集；
[0142]
模型构建模块，用于构建基于卷积神经网络的故障诊断模型；
[0143]
模型训练模块，用于将训练集输入故障诊断模型中进行训练，训练过程中引入灰狼优化算法进行超参数寻优；
[0144]
模型测试模块，用于将测试集输入至训练好的故障诊断模型中，测试实际对燃油泵的故障诊断效果。
[0145]
本实施例还提供了一种存储介质，存储有计算机程序或指令，当所述计算机程序或指令被运行时，实现所述的方法。
[0146]
如上所述，根据本技术实施例的装置，可以实现在各种终端设备中，例如分布式计算系统的服务器。在一个示例中，根据本技术实施例的装置可以作为一个软件模块和/或硬件模块而集成到所述终端设备中。例如，该装置可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该装置同样可以是该终端设备的众多硬件模块之一。
[0147]
替换地，在另一示例中，该装置与终端设备也可以是分立的终端设备，并且该装置可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0148]
本发明提供了一种飞机燃油泵故障智能诊断方法、装置和存储介质，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。