矿石中伴生贵金属的回收率的预测方法及其应用与流程

1.本发明涉及矿物加工技术领域，具体而言，涉及矿石中伴生贵金属的回收率的预测方法及其应用。


背景技术：

2.大多数的铜矿石中都伴生有一定量的有价金属元素金和银，其具有一定的综合回收价值，能够为矿山企业带来相应的经济效益。但是，在进行矿石工艺矿物学研究的时候，均以主要有价元素铜为研究目标来开展研究工作，重点关注影响铜的回收指标的因素，而对其中伴生的特别是低品位的金、银关注很少。
3.尤其是前些年，工艺矿物学的研究工作基本靠技术人员人工来完成，采用光学显微镜由人工进行测量，由于伴生金以及伴生银的含量低，难度大，工作量大，数据少，人工很难对其进行大量的有效的统计，因此，对铜矿中伴生的低品位金以及低品位银的研究就相对较少。
4.并且，由于缺乏有限的测试手段，无法准确掌握矿石中金、银矿物的嵌布特征、粒度等关键信息，就不能对影响其回收的因素进行分析研究，因此，也就没有有效的方法对金、银回收率进行准确的预测。
5.有鉴于此，特提出本发明。


技术实现要素：

6.本发明的第一目的在于提供一种矿石中伴生贵金属的回收率的预测方法，该预测方法能够有效预测出待预测矿石中伴生金以及伴生银进入铜精矿中的金和/或银的回收率，并且准确率较高，误差较小。
7.本发明的第二目的在于提供所述的矿石中伴生贵金属的回收率的预测方法在选矿中的应用。
8.为了实现本发明的上述目的，特采用以下技术方案：本发明提供了一种矿石中伴生贵金属（伴生金和/或伴生银）的回收率的预测方法，包括以下步骤：（a）、对含有贵金属矿物（金矿物和/或银矿物）的待预测矿石进行检测和统计，得到每颗所述贵金属矿物的微观形貌、每颗所述贵金属矿物中的贵金属含量（金含量和/或银含量）和每颗所述贵金属矿物的面积。
9.（b）、根据步骤（a）中所述检测和统计的结果，将所述待预测矿石中的所述贵金属矿物按照分布特征和连生关系进行划分（分类），然后计算得到每一类所述贵金属矿物中的贵金属含量（金含量和/或银含量）。
10.（c）、根据步骤（b）中所述计算的结果，得到与黄铜矿相关类别的各类所述贵金属矿物中的贵金属含量占所述待预测矿石中的总贵金属含量的质量百分比的总和，即为所述待预测矿石中伴生贵金属进入铜精矿中的贵金属的回收率的预测值。
11.其中，所述贵金属矿物包括金矿物和/或银矿物，所述贵金属包括金和/或银。
12.本发明所提供的预测方法，通过对矿石中伴生贵金属矿物进行大量的测量和统计，并分析、计算出不同类型贵金属矿物中金和/或银的占有率，实现了贵金属矿物的不同分布特征的定量化，进而可实现对铜矿石中伴生金和/或伴生银的回收率进行预测。解决了现有技术中没有铜矿中伴生金和/或伴生银的回收率的预测方法的问题。
13.并且，该预测方法的准确率较高，误差较小。
14.优选地，步骤（a）中，所述待预测矿石包括铜矿石，具体包括含有金矿物的铜矿石和/或含有银矿物的铜矿石。
15.优选地，步骤（a）中，所述检测采用矿物自动分析仪进行。
16.本发明运用矿物自动分析仪对矿石中的贵金属矿物（金矿物和/或银矿物）的相关参数进行统计，解决了人工无法大量统计测量金、银矿物的问题。
17.并且，采用矿物自动分析仪进行大量的检测和统计，能够提高预测的准确率，减小误差。
18.优选地，所述的矿石中伴生贵金属的回收率的预测方法包括以下特征（1）至（3）中的至少一种：（1）所述矿物自动分析仪的电压为15kv~20kv；包括但不限于15kv、16kv、17kv、18kv、19kv、20kv中的任意一者的点值或任意两者之间的范围值。
19.（2）所述矿物自动分析仪的电流为1.5na~2.0na；包括但不限于1.5na、1.6na、1.7na、1.8na、1.9na、2.0na中的任意一者的点值或任意两者之间的范围值。
20.（3）所述矿物自动分析仪的像素线扫描速度为5pxl/ms~6pxl/ms，包括但不限于5.0pxl/ms、5.1pxl/ms、5.2pxl/ms、5.3pxl/ms、5.4pxl/ms、5.5pxl/ms、5.6pxl/ms、5.7pxl/ms、5.8pxl/ms、5.9pxl/ms、6.0pxl/ms中的任意一者的点值或任意两者之间的范围值。
21.优选地，所述的矿石中伴生贵金属的回收率的预测方法包括以下特征（1）至（4）中的至少一种；（1）所述矿物自动分析仪的测试倍率为350倍~500倍；包括但不限于360倍、370倍、380倍、390倍、400倍、410倍、420倍、430倍、440倍、450倍、460倍、470倍、480倍、490倍、500倍中的任意一者的点值或任意两者之间的范围值。
22.（2）所述矿物自动分析仪的最低灰度为100~150；包括但不限于100、105、110、115、120、125、130、135、140、145、150中的任意一者的点值或任意两者之间的范围值。
23.（3）所述矿物自动分析仪的最高灰度为200~255；包括但不限于200、205、210、215、220、225、230、235、240、245、250、255中的任意一者的点值或任意两者之间的范围值。
24.（4）所述矿物自动分析仪的最小颗粒面积为1μm~2μm，包括但不限于1.0μm、1.1μm、1.2μm、1.3μm、1.4μm、1.5μm、1.6μm、1.7μm、1.8μm、1.9μm、2μm中的任意一者的点值或任意两者之间的范围值。
25.所述矿物自动分析仪采用上述参数时，有利于减小贵金属（金和/或银）回收率的预测误差。
26.优选地，根据所述矿物自动分析仪所检测得到的每颗贵金属矿物（金矿物和/或银矿物）的能谱值，获得步骤（a）中所述每颗所述贵金属矿物中的贵金属（金和/或银）的含量。
27.优选地，步骤（b）中，所述贵金属矿物按照所述分布特征进行划分包括裂隙贵金
属、粒间贵金属和包裹贵金属。
28.具体地，所述银矿物按照所述分布特征进行划分包括裂隙银、粒间银和包裹银。所述金矿物按照所述分布特征进行划分包括裂隙金、粒间金和包裹金。
29.其中，裂隙贵金属是指分布在其他矿物裂隙中的贵金属矿物。
30.粒间贵金属是指分布在其他矿物之间的贵金属矿物。
31.包裹贵金属是指被其他矿物包裹的贵金属矿物。
32.其中，所述裂隙贵金属按照所述连生关系进行划分包括黄铁矿裂隙贵金属，黄铜矿裂隙贵金属，磁黄铁矿裂隙贵金属，以及，脉石裂隙贵金属。
33.具体地，所述裂隙银按照所述连生关系进行划分包括黄铁矿裂隙银，黄铜矿裂隙银，磁黄铁矿裂隙银，以及，脉石裂隙银。所述裂隙金按照所述连生关系进行划分包括黄铁矿裂隙金，黄铜矿裂隙金，磁黄铁矿裂隙金，以及，脉石裂隙金。
34.所述粒间贵金属按照所述连生关系进行划分包括黄铁矿粒间贵金属，黄铜矿粒间贵金属，黄铜矿与脉石粒间贵金属，脉石粒间贵金属，磁黄铁矿粒间贵金属，磁黄铁矿与脉石粒间贵金属，以及，黄铁矿与脉石粒间贵金属。
35.具体地，所述粒间银按照所述连生关系进行划分包括黄铁矿粒间银，黄铜矿粒间银，黄铜矿与脉石粒间银，脉石粒间银，磁黄铁矿粒间银，磁黄铁矿与脉石粒间银，以及，黄铁矿与脉石粒间银。所述粒间金按照所述连生关系进行划分包括黄铁矿粒间金，黄铜矿粒间金，黄铜矿与脉石粒间金，脉石粒间金，磁黄铁矿粒间金，磁黄铁矿与脉石粒间金，以及，黄铁矿与脉石粒间金。
36.所述包裹贵金属按照所述连生关系进行划分包括黄铜矿包裹贵金属，黄铁矿包裹贵金属，以及，脉石包裹贵金属。
37.具体地，所述包裹银按照所述连生关系进行划分包括黄铜矿包裹银，黄铁矿包裹银，以及，脉石包裹银。所述包裹金按照所述连生关系进行划分包括黄铜矿包裹金，黄铁矿包裹金，以及，脉石包裹金。
38.在所述按照分布特征和连生关系进行划分的过程中，结合矿物自动分析仪所检测得到的贵金属矿物的微观形貌以及贵金属矿物的能谱值，先按照分布特征对贵金属矿物进行分类，然后再按照连生关系对其进行进一步地细分分类。
39.本发明根据所述分布特征和所述连生关系进行分类，分类之后对贵金属含量（银含量和/或金含量）进行统计计算，可更加准确地预测铜矿中伴生贵金属（伴生银和/或伴生金）的回收率。
40.优选地，步骤（b）中，所述每一类所述贵金属矿物中的贵金属含量的所述计算的方法包括：对每一类中的每一颗所述贵金属矿物的面积与其贵金属含量的乘积进行加和。
41.即，先通过计算得到同一类别中的各个贵金属矿物的面积
×
贵金属矿物中的贵金属含量的计算结果，然后将同一类别中的所有所得的计算结果进行求和。各个分类同样采用上述的计算方法，即得到每一分类贵金属矿物中的贵金属含量。
42.例如，先通过计算得到同一类别中的各个银矿物的面积
×
银矿物中的银含量的计算结果，然后将同一类别中的所有所得的计算结果进行求和。各个分类同样采用上述的计算方法，即得到每一分类银矿物中的银含量。
43.和/或，先通过计算得到同一类别中的各个金矿物的面积
×
金矿物中的金含量的
计算结果，然后将同一类别中的所有所得的计算结果进行求和。各个分类同样采用上述的计算方法，即得到每一分类金矿物中的银含量。
44.优选地，步骤（c）中，根据步骤（b）中所述每一类所述贵金属矿物中的贵金属含量的计算结果，得到每一分类所述贵金属矿物中的贵金属含量占所述待预测矿石中的总贵金属含量的质量百分比（计算方法为：每一类贵金属矿物中的贵金属含量/待预测矿石中的总贵金属含量
×
100%，其中，待预测矿石中的总贵金属含量为各个分类贵金属矿物中的贵金属含量的加和），然后将与黄铜矿相关类别的各类所述贵金属矿物中的贵金属含量占所述待预测矿石中的总贵金属含量的质量百分比进行求和，所得到的和即为所述待预测矿石中伴生贵金属进入铜精矿中的贵金属的回收率的预测值。
45.在本发明一些具体的实施方式中，所述与黄铜矿相关类别的贵金属矿物的分类包括黄铜矿裂隙贵金属，黄铜矿粒间贵金属，黄铜矿与脉石粒间贵金属，以及，黄铜矿包裹贵金属中的至少一种。
46.具体地，所述与黄铜矿相关类别的银矿物的分类包括黄铜矿裂隙银，黄铜矿粒间银，黄铜矿与脉石粒间银，以及，黄铜矿包裹银中的至少一种。
47.所述与黄铜矿相关类别的金矿物的分类包括黄铜矿裂隙金，黄铜矿粒间金，黄铜矿与脉石粒间金，以及，黄铜矿包裹金中的至少一种。
48.在本发明一些具体的实施方式中，采用所述矿物自动分析仪进行所述检测的方法包括：先将矿石制成可在所述矿物自动分析上进行分析测试的光片，然后将所述光片置于所述矿物自动分析仪的样品夹具上，设置好测试参数后，对矿石中的贵金属矿物进行检测。
49.在本发明一些具体的实施方式中，所述矿物自动分析仪的型号为amics，该矿物自动分析仪可对矿石样品进行无缝隙的全面扫描，能够对矿石中的贵金属矿物自动的进行大量的测量和统计。
50.因此，本发明利用该矿物自动分析仪能够自动检测和统计矿石中贵金属矿物的嵌布特征、颗粒面积等参数信息。
51.在本发明一些具体的实施方式中，所述矿物自动分析仪采用“bright phases search”模式进行步骤（a）中的所述检测。
52.本发明还提供了如上所述的矿石中伴生贵金属（伴生金和/或伴生银）的回收率的预测方法在选矿中的应用。
53.本发明提供的矿石中伴生贵金属（伴生金和/或伴生银）的回收率的预测方法所得的预测的结果（预测值）与实际生产结果相近，能够对选矿工艺和现场生产就银的综合回收提供有效的指导。
54.与现有技术相比，本发明的有益效果为：（1）本发明提供的矿石中伴生贵金属的回收率的预测方法，能够有效地预测出待预测矿石中伴生贵金属进入铜精矿中的金的回收率和/或银的回收率，并且准确率较高，误差较小。
55.（2）本发明提供的矿石中伴生贵金属的回收率的预测方法，通过采用矿物自动分析仪进行大量检测和统计，在解决人工无法大量统计测量贵金属矿物的问题的同时，还能够减小误差。
具体实施方式
56.下面将结合具体实施方式对本发明的技术方案进行清楚、完整地描述，但是本领域技术人员将会理解，下列所描述的实施例是本发明一部分实施例，而不是全部的实施例，仅用于说明本发明，而不应视为限制本发明的范围。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。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
57.实施例1本实施例提供了一种铜矿石中低品位伴生银的回收率的预测方法，包括以下步骤：（1）将含有低品位伴生银的铜矿石样品（安徽省某铜矿样品）制备成可在矿物自动分析仪上进行分析测试的光片。将制备完成的光片放置于矿物自动分析仪（型号为amics）的样品夹具上，利用矿物自动分析仪对光片进行检测。所述检测的具体操作条件包括：在电压为20kv、电流为2.0na、像素线扫描速度（scan speed）为5pxl/ms的电镜条件下，选用“bright phases search”模式，测试倍率为400倍，最低灰度（bright grain bse low）为150，最高灰度（bright grain bse high）为255，最小颗粒面积（min search grain size）为1.00μm。
58.通过对总数约500万颗以上的亮矿物颗粒进行检测分析，实现对样品中的银矿物进行自动检测和统计，得到每颗所述银矿物的微观形貌、每颗所述银矿物中的银含量和每颗所述银矿物的面积。
59.（2）将铜矿石样品中的银矿物颗粒按裂隙银、粒间银和包裹银三类进行划分，并将每一类中的银矿物颗粒按其连生关系进行细分，具体如下：裂隙银按其连生关系可分为黄铁矿裂隙银，黄铜矿裂隙银，磁黄铁矿裂隙银，以及，脉石裂隙银；粒间银按其连生关系可分为黄铁矿粒间银，黄铜矿粒间银，黄铜矿与脉石粒间银，脉石粒间银，磁黄铁矿粒间银，磁黄铁矿与脉石粒间银，以及，黄铁矿与脉石粒间银；包裹银按其连生关系可分为黄铜矿包裹银，黄铁矿包裹银，以及，脉石包裹银。
60.（3）对每一分类中的每一颗银矿物的面积与其银含量的乘积进行加和，得到每一分类的银矿物中的银含量。
61.（4）用每一类银矿物中的银含量除以铜矿石样品中的总的银含量，再乘以100%，得到每一分类银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比（简称为银占有率），如下表1所示。
62.表1 铜矿石中的银矿物的银占有率
（5）将与黄铜矿相关类别的各类所述银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比进行求和，即，将表1中黄铜矿裂隙银、黄铜矿粒间银、黄铜矿与脉石粒间银和黄铜矿包裹银的银占有率进行加和：2.11%（黄铜矿裂隙银）+1.98%（黄铜矿粒间银）+5.84%（黄铜矿与脉石粒间银）+16.71%（黄铜矿包裹银）=26.64%。因此，铜矿石中伴生银进入铜精矿中的银的回收率的预测值为26.64%。
63.该铜矿石经过实际选矿试验，最终富集于铜精矿中银的回收率为25.85%。可见，该结果与上述预测方法所得到的结果非常接近（相对误差为3.06%）。因此，本发明所提供的铜矿石中低品位伴生银的回收率的预测方法可为选矿工艺和现场生产就银的综合回收提供有效的指导。
64.实施例2本实施例提供的铜矿石（云南省某铜矿样品）中低品位伴生银的回收率的预测方法包括以下步骤：（1）与实施例1中的步骤（1）基本相同，区别在于，将检测中的电压替换为15kv、电流替换为1.5na，并将像素线扫描速度替换为6pxl/ms。
65.（2）与实施例1中的步骤（2）相同。
66.（3）与实施例1中的步骤（3）相同。
67.（4）用每一类银矿物中的银含量除以铜矿石样品中的总的银含量，再乘以100%，得到每一分类银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比（简称为银占有率），如下表2所示。
68.表2 铜矿石中的银矿物的银占有率（5）将与黄铜矿相关类别的各类所述银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比进行求和，5.43%+9.51%+12.39%+31.26%=58.59%。因此，铜矿石中伴生银进入铜精矿中的银的回收率的预测值为58.59%。
69.该铜矿石经过实际选矿试验，最终富集于铜精矿中银的回收率为56.35%。可见，该结果与上述预测方法所得到的结果非常接近（相对误差为3.98%）。
70.实施例3本实施例提供的铜矿石（江西省某铜矿样品）中低品位伴生银的回收率的预测方法包括以下步骤：（1）与实施例1中的步骤（1）基本相同，区别在于：将检测中的测试倍率替换为500倍，最低灰度替换为120，最高灰度替换为200，以及，将最小颗粒面积替换为2.00μm。
71.（2）与实施例1中的步骤（2）相同。
72.（3）与实施例1中的步骤（3）相同。
73.（4）用每一类银矿物中的银含量除以铜矿石样品中的总的银含量，再乘以100%，得到每一分类银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比（简称为银占有率），如下表3所示。
74.表3 铜矿石中的银矿物的银占有率
（5）将与黄铜矿相关类别的各类所述银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比进行求和，17.41%+6.38%+12.53%+29.69%=66.01%。因此，铜矿石中伴生银进入铜精矿中的银的回收率的预测值为66.01%。
75.该铜矿石经过实际选矿试验，最终富集于铜精矿中银的回收率为64.23%。可见，该结果与上述预测方法所得到的结果非常接近（相对误差为2.77%）。
76.实施例4本实施例提供了一种铜矿石中低品位伴生金的回收率的预测方法，包括以下步骤：（1）将含有低品位伴生金的铜矿石样品（安徽省某铜矿样品）制备成可在矿物自动分析仪上进行分析测试的光片。将制备完成的光片放置于矿物自动分析仪（型号为amics）的样品夹具上，利用矿物自动分析仪对光片进行检测。所述检测的具体操作条件包括：在电压为20kv、电流为2.0na、像素线扫描速度（scan speed）为5pxl/ms的电镜条件下，选用“bright phases search”模式，测试倍率为400倍，最低灰度（bright grain bse low）为150，最高灰度（bright grain bse high）为255，最小颗粒面积（min search grain size）为1.00μm。
77.通过对总数约500万颗以上的亮矿物颗粒进行检测分析，实现对样品中的金矿物进行自动检测和统计，得到每颗所述金矿物的微观形貌、每颗所述金矿物中的金含量和每颗所述金矿物的面积。
78.（2）将铜矿石样品中的金矿物颗粒按裂隙金、粒间金和包裹金三类进行划分，并将
每一类中的金矿物颗粒按其连生关系进行细分，具体如下：裂隙金按其连生关系可分为黄铁矿裂隙金，黄铜矿裂隙金，磁黄铁矿裂隙金，以及，脉石裂隙金；粒间金按其连生关系可分为黄铁矿粒间金，黄铜矿粒间金，黄铜矿与脉石粒间金，脉石粒间金，磁黄铁矿粒间金，磁黄铁矿与脉石粒间金，以及，黄铁矿与脉石粒间金；包裹金按其连生关系可分为黄铜矿包裹金，黄铁矿包裹金，以及，脉石包裹金。
79.（3）对每一分类中的每一颗金矿物的面积与其金含量的乘积进行加和，得到每一分类的金矿物中的金含量。
80.（4）用每一类金矿物中的金含量除以铜矿石样品中的总的金含量，再乘以100%，得到每一分类金矿物中的金含量占所述待预测矿石中的总金含量的质量百分比（简称为金占有率），如下表4所示。
81.表4 铜矿石中的金矿物的金占有率（5）将与黄铜矿相关类别的各类所述金矿物中的金含量占所述待预测矿石中的总金含量的质量百分比进行求和，即，将表4中黄铜矿裂隙金、黄铜矿粒间金、黄铜矿与脉石粒间金和黄铜矿包裹金的金占有率进行加和：0.99%（黄铜矿裂隙金）+5.29%（黄铜矿粒间金）+4.91%（黄铜矿与脉石粒间金）+36.11%（黄铜矿包裹金）=47.30%。因此，铜矿石中伴生金进入铜精矿中的金的回收率的预测值为47.30%。
82.该铜矿石经过实际选矿试验，最终富集于铜精矿中金的回收率为45.82%。可见，该结果与上述预测方法所得到的结果非常接近（相对误差为3.23%）。因此，本发明所提供的铜矿石中低品位伴生金的回收率的预测方法可为选矿工艺和现场生产就金的综合回收提供
有效的指导。
83.实施例5本实施例提供的铜矿石（江西省某铜矿样品）中低品位伴生金的回收率的预测方法包括以下步骤：（1）与实施例4中的步骤（1）基本相同，区别在于，将检测中的电压替换为15kv、电流替换为1.5na，并将像素线扫描速度替换为6pxl/ms。
84.（2）与实施例4中的步骤（2）相同。
85.（3）与实施例4中的步骤（3）相同。
86.（4）用每一类金矿物中的金含量除以铜矿石样品中的总的金含量，再乘以100%，得到每一分类金矿物中的金含量占所述待预测矿石中的总金含量的质量百分比（简称为金占有率），如下表5所示。
87.表5 铜矿石中的金矿物的金占有率（5）将与黄铜矿相关类别的各类所述金矿物中的金含量占所述待预测矿石中的总金含量的质量百分比进行求和，10.52%+2.36%+1.76%+14.46%=29.10%。因此，铜矿石中伴生金进入铜精矿中的金的回收率的预测值为29.10%。
88.该铜矿石经过实际选矿试验，最终富集于铜精矿中金的回收率为27.89%。可见，该结果与上述预测方法所得到的结果非常接近（相对误差为4.34%）。
89.对比例1本对比例提供的铜矿石（安徽省某铜矿样品）中低品位伴生银的回收率的预测方
法与实施例1基本相同，区别在于：步骤（1）中，检测的具体操作条件不同，本对比例中的条件为：在电压为30kv、电流为3.0na、像素线扫描速度为3pxl/ms的电镜条件下，选用“bright phases search”模式，测试倍率为400倍，最低灰度为100，最高灰度为250，最小颗粒面积为3.00μm。
90.经计算，该铜矿石中伴生银进入铜精矿中的银的回收率的预测值为28.35%。
91.该铜矿石经过实际选矿试验，最终富集于铜精矿中银的回收率为25.85%。可见，该结果与上述预测方法所得到的结果相差较大（相对误差为9.67%）。
92.对比例2本对比例提供的铜矿石（安徽省某铜矿样品）中低品位伴生金的回收率的预测方法与实施例4基本相同，区别在于：步骤（1）中，检测的具体操作条件不同，本对比例中的条件为：在电压为30kv、电流为3.0na、像素线扫描速度为3pxl/ms的电镜条件下，选用“bright phases search”模式，测试倍率为400倍，最低灰度为100，最高灰度为250，最小颗粒面积为3.00μm。
93.经计算，该铜矿石中伴生金进入铜精矿中的金的回收率的预测值为49.25%。
94.该铜矿石经过实际选矿试验，最终富集于铜精矿中金的回收率为45.82%。可见，该结果与上述预测方法所得到的结果相差较大（相对误差为7.49%）。
95.尽管已用具体实施例来说明和描述了本发明，然而应意识到，以上各实施例仅用以说明本发明的技术方案，而非对其限制；本领域的普通技术人员应当理解：在不背离本发明的精神和范围的情况下，可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围；因此，这意味着在所附权利要求中包括属于本发明范围内的所有这些替换和修改。