一种设备材料球化程度预测方法及系统与流程

1.本发明涉及设备材料性能监测技术领域，特别是涉及一种设备材料球化程度预测方法及系统。


背景技术：

2.球化是指碳钢、合金钢等钢材在长期高温(440℃～760℃)运行过程中，珠光体中渗碳体形态由片层状结构逐渐转变成球状的过程。材料球化是指碳钢、合金钢等钢材在长期高温(440℃～760℃)运行过程中，珠光体中渗碳体形态由片层状结构逐渐转变成球状的过程，这是一种常见于电站锅炉等高温设备的材料劣化损伤。通常，材料球化受温度和应力的影响，会在一定程度上加速蠕变损伤速度，造成设备及其高温部件的力学性能降低，从而引发设备变形、爆管开裂等严重事故。球化等级作为设备球化的重要评估指标，对确定设备安全性具有重要意义。此外，通过将材料球化等级预测结果与蠕变损伤情况相结合，可对设备风险进行评估，从而建立相应的防护措施。
3.材料球化是一种常见于电站锅炉等高温设备的材料劣化损伤，会造成设备力学性能降低，从而引发设备变形、爆管开裂等严重事故。球化等级作为设备球化的重要评估指标，对确定设备安全性具有重要意义。
4.目前，工程上多采用与常用钢的球化标准金相图谱进行人工比对的方法来进行等级评定。国内外学者们也为此开展了一系列基于分形维数、灰度共生矩阵、非线性超声检测等方法的球化等级判定研究。相较于金相检测、微观图像识别等操作复杂且不利于大面积应用的分析方法，以人工神经网络(artificialneuralnetwork，ann)、支持向量机(supportvectormachine，svm)为代表的数据预测模型在医疗健康评估、故障诊断、腐蚀损伤预测等多个领域的成功应用，为球化等级预测研究提供了新思路。但是现有设备材料的数据由于少数类样本的存在，无法获得高精度的模型以实现设备材料的球化程度的精确预测。


技术实现要素：

5.有鉴于此，本发明提供了一种设备材料球化程度预测方法及系统，以克服设备材料的数据由于少数类样本的存在，无法获得高精度的模型以实现设备材料的球化程度的精确预测的技术缺陷，实现设备材料的球化程度的精确预测。
6.为实现上述目的，本发明提供了如下方案：
7.一种设备材料球化程度预测方法，所述预测方法包括如下步骤：
8.获取球化程度已知的设备材料参数，构建数据样本集；
9.采用borderline-smote算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集；
10.构建用于设备材料球化程度预测的svm模型；
11.基于扩充后的数据样本集，采用差分进化算法，确定svm模型的超参数，获得超参
数确定后的svm模型；
12.基于所述扩充后的数据样本集对超参数确定后的svm模型进行训练，获得训练后的svm模型；
13.基于训练后的svm模型进行设备材料球化程度的预测。
14.可选的，所述采用borderline-smote算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集，具体包括：
15.分别根据每个少数类样本与所述数据样本集中除了所述少数类样本之外的所有样本的欧式距离，确定每个所述少数类样本的多个近邻样本；
16.确定每个所述少数类样本的多个近邻样本中属于多数类样本的个数，分别作为每个所述少数类样本的边界判断指标；
17.将边界判断指标在预设范围内的少数类样本设置边界样本；
18.分别根据每个所述边界样本，利用公式x
new
＝x+λ
×
(x
i-x)#(1)，生成新的少数类样本；
19.其中，x为边界样本，xi为边界样本的第i个近邻样本，x
new
为新的少数类样本；
20.将生成的所有的新的少数类样本添加至所述数据样本集中，获得扩充后的数据样本集。
21.可选的，所述采用borderline-smote算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集，之后还包括：
22.将扩充后的数据样本集中的每个样本进行归一化处理。
23.可选的，所述基于扩充后的数据样本集，采用差分进化算法，确定svm模型的超参数，获得超参数确定后的svm模型，具体包括：
24.将svm模型中的参数作为基因，初始化种群，并将初始化后的种群设置为当前种群；
25.以svm模型的10折交叉验证结果作为适应度指标，基于扩充后的数据样本集，确定当前种群的最优个体；
26.判断是否满足终止条件，获得判断结果；
27.若所述判断结果表示否，则利用公式对当前种群中的个体进行变异，获得变异个体；其中，均为当前种群中的三个个体，表示第i个变异个体，f表示差分缩放因子；
28.根据每个变异个体，利用公式进行交叉，获得交叉个体；其中，表示当前种群中的第i个个体的交叉个体的第j个基因，表示当前种群中的第i个个体的变异个体的第j个基因，表示当前种群中的第i个个体的第j个基因，cr表示交叉概率；
29.根据每个个体的交叉个体，利用公式选取下一代种群的个体；其中，表示下一代种群中的第i个个体，表示当前种群中的第i个个体的交叉个体，表示当前种群中第i个个体，和分别表示当前种群中第i个个体和第i个个体的交叉个体的适应度指标；
30.将下一代种群设置为当前种群，返回步骤“以svm模型的10折交叉验证结果作为适应度指标，基于扩充后的数据样本集，确定当前种群的最优个体”；
31.若所述判断结果表示是，则输出当前种群的最优个体。
32.一种设备材料球化程度预测系统，所述预测系统包括：
33.数据样本集构建模块，用于获取球化程度已知的设备材料参数，构建数据样本集；
34.样本扩充模块，用于采用borderline-smote算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集；
35.svm模型构建模块，用于构建用于设备材料球化程度预测的svm模型；
36.svm模型的超参数确定模块，用于基于扩充后的数据样本集，采用差分进化算法，确定svm模型的超参数，获得超参数确定后的svm模型；
37.svm模型训练模块，用于基于所述扩充后的数据样本集对超参数确定后的svm模型进行训练，获得训练后的svm模型；
38.球化程度预测模块，用于基于训练后的svm模型进行设备材料球化程度的预测。
39.可选的，所述样本扩充模块，具体包括：
40.近邻样本选取子模块，用于分别根据每个少数类样本与所述数据样本集中除了所述少数类样本之外的所有样本的欧式距离，确定每个所述少数类样本的多个近邻样本；
41.边界判断指标确定子模块，用于确定每个所述少数类样本的多个近邻样本中属于多数类样本的个数，分别作为每个所述少数类样本的边界判断指标；
42.边界样本确定子模块，用于将边界判断指标在预设范围内的少数类样本设置边界样本；
43.少数类样本生成子模块，用于分别根据每个所述边界样本，利用公式x
new
＝x+λ
×
(x
i-x)，生成新的少数类样本；其中，x为边界样本，xi为边界样本的第i个近邻样本，x
new
为新的少数类样本；
44.样本集扩充子模块，用于将生成的所有的新的少数类样本添加至所述数据样本集中，获得扩充后的数据样本集。
45.可选的，所述预测系统还包括：
46.归一化模块，用于将扩充后的数据样本集中的每个样本进行归一化处理。
47.可选的，所述svm模型的超参数确定模块，具体包括：
48.初始化子模块，用于将svm模型中的参数作为基因，初始化种群，并将初始化后的种群设置为当前种群；
49.最优个体选取子模块，用于以svm模型的10折交叉验证结果作为适应度指标，基于
扩充后的数据样本集，确定当前种群的最优个体；
50.判断子模块，用于判断是否满足终止条件，获得判断结果；
51.变异子模块，用于若所述判断结果表示否，则利用公式变异子模块，用于若所述判断结果表示否，则利用公式对当前种群中的个体进行变异，获得变异个体；其中，均为当前种群中的三个个体，表示第i个变异个体，f表示差分缩放因子；
52.交叉子模块，用于根据每个变异个体，利用公式进行交叉，获得交叉个体；其中，表示当前种群中的第i个个体的交叉个体的第j个基因，表示当前种群中的第i个个体的变异个体的第j个基因，表示当前种群中的第i个个体的第j个基因，cr表示交叉概率；
53.个体选取子模块，用于根据每个个体的交叉个体，利用公式个体选取子模块，用于根据每个个体的交叉个体，利用公式选取下一代种群的个体；其中，表示下一代种群中的第i个个体，表示当前种群中的第i个个体的交叉个体，表示当前种群中第i个个体，和分别表示当前种群中第i个个体和第i个个体的交叉个体的适应度指标；
54.迭代调用子模块，用于将下一代种群设置为当前种群，调用最优个体选取子模块；
55.输出子模块，用于若所述判断结果表示是，则输出当前种群的最优个体。
56.根据本发明提供的具体实施例，本发明公开了以下技术效果：
57.本发明公开一种设备材料球化程度预测方法，所述预测方法包括如下步骤：获取球化程度已知的设备材料参数，构建数据样本集；采用borderline-smote算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集；构建用于设备材料球化程度预测的svm模型；基于扩充后的数据样本集，采用差分进化算法，确定svm模型的超参数，获得超参数确定后的svm模型；基于所述扩充后的数据样本集对超参数确定后的svm模型进行训练，获得训练后的svm模型；基于训练后的svm模型进行设备材料球化程度的预测。本发明首先基于borderline-smote算法对少数类样本进行扩充，然后通过差分进化算法确定svm模型的超参数，提高模型预测精度，本发明克服了设备材料的数据由于少数类样本的存在，无法获得高精度的模型以实现设备材料的球化程度的精确预测的技术缺陷，实现了设备材料的球化程度的精确预测。
附图说明
58.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
59.图1为本发明实施例1提供的一种设备材料球化程度预测方法的流程图；
60.图2为本发明实施例1提供的一种设备材料球化程度预测方法的原理图；
61.图3为本发明实施例3提供的非均衡调节前后的样本分布图；
62.图4为本发明实施例3提供的数据平衡前后球化等级预测的混淆矩阵示意图；其中图4(a)为数据平衡前球化等级预测的混淆矩阵示意图，图4(b)为数据平衡后球化等级预测的混淆矩阵示意图；
63.图5为本发明实施例3提供的各分类模型与评估值的趋势对比图。
具体实施方式
64.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。
65.本发明的目的是提供一种设备材料球化程度预测方法及系统，以克服设备材料的数据由于少数类样本的存在，无法获得高精度的模型以实现设备材料的球化程度的精确预测的技术缺陷，实现设备材料的球化程度的精确预测。
66.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
67.其中，svm善于处理小样本、高维数据集的非线性问题且泛化能力较强等特点，恰好适用于数据量少、各参数关系复杂的设备球化检测数据集。而超参数的选取对svm模型性能以及预测结果的影响至关重要。
68.故本技术针对设备球化等级的分类预测问题，建立基于svm的多分类预测模型，通过应用borderline-smote算法进行过采样调节解决球化检测数据集中存在的样本不平衡问题，并采用差分进化算法(differential evolution，de)确定svm模型所需的最优参数，最终得到分类准确率更高、球化识别能力更好的de-svm球化等级预测模型。
69.实施例1
70.如图1和2所示，本发明提供一种设备材料球化程度预测方法，所述预测方法包括如下步骤：
71.步骤101，获取球化程度已知的设备材料参数，构建数据样本集。
72.步骤102，采用borderline-smote算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集。
73.统计各等级数据样本的分布，应用borderline-smote算法对原始数据集中的少数类样本(通常将样本数量过少的类别称为“少数类”，样本数量多的类别称为“多数类”)进行过采样，使少数类样本和多数类样本比例趋于一致，具体流程如下：
74.确定近邻个数：计算每个少数类样本x与全体样本的欧式距离，根据分布情况确定
样本x的k个近邻，通常默认k＝5；
75.识别边界样本：假定k个近邻中有t个多数类样本(0≤t≤k)：
76.当t＝k时，判定样本x为噪声样本；
77.当时，判定样本x为边界样本，将x归类至danger集合中；
78.当时，判定样本x为安全样本。
79.合成少数样本：找到的集合danger中的样本x的k个少数类近邻，随机选择其中一个近邻xi，根据公式(1)，合成新的少数类样本x
new
，其中λ为0到1的随机数。
80.x
new
＝x+λ
×
(x
i-x)
ꢀꢀꢀꢀ
(1)
81.本发明合成少数类样本是为了调节每个类别样本的比例，平衡数据集，避免样本不平衡导致后续模型无法对少数类样本进行预测。经过调节后每个类别都能被成功识别。另外，经过调节后样本比例趋于一致后将不存在多数和少数的区分，仅通过数据集划分处理。
82.(2)归一化处理：根据公式(2)对非平衡调节后得到所有样本数据进行归一化处理，使数值映射到区间[0,1]之间。
[0083][0084]
(3)数据集划分：按照8:2的比例，随机抽取平衡数据集中20％的数据作为测试集用于模型最终的验证，其余80％数据作为训练集用于后续的模型优化训练。
[0085]
步骤103，构建用于设备材料球化程度预测的svm模型。
[0086]
步骤104，基于扩充后的数据样本集，采用差分进化算法，确定svm模型的超参数，获得超参数确定后的svm模型。
[0087]
将划分得到的训练集数据应用de算法对svm模型中的c和gamma两个重要参数进行寻优。de算法旨在通过模拟种群个体的基因遗传进化过程得到最优解，其中包括变异、交叉和选择过程，而每个个体都采用向量形式表示(即xi＝{x
i1
，x
i2
，
…
，x
id
}，其中i＝1，2，
…
，n代表种群规模数量，d为个体属性维数)，向量内数值依次代表要求解的参数，其进化流程如下。
[0088]
(1)种群初始化：设置部分de算法的控制参数，假定种群规模n为50，由于需要优化的变量个数为2，因此对应个体属性维数d＝2，故个体向量表达形式为xi＝{x
i1
，x
i2
}，在本次求解过程中x
i1
，x
i2
分别对应c和gamma的值，差分缩放因子f＝0.5，交叉概率cr为0.3，每个个体的取值范围[umin,umax]，即c和gamma对应取值边界均为[0.01,100]。
[0089]
首先，在搜索空间范围内随机生成50个初始种群个体每个个体都是一个d维向量，每一维取值如下：
[0090]
x
ij
＝u
min
+λ(u
max-u
min
)
ꢀꢀꢀꢀ
(3)
[0091]
其中，i＝1，2，
…
，n，j＝1，2，
…
，d，λ为0到1的随机数。
[0092]
(2)初始种群评价，即计算初始种群中每个个体的适应度值。适应度值是评价种群中个体的优劣程度的指标，主要根据所求问题的适应度函数计算得出。本技术主要采用svm模型10折交叉验证结果作为适应度指标，即将上一步得到的训练集数据随机等分为10份，
轮流取9份训练模型，1份验证模型，最后取10次测试的平均准确率进行评价，所得平均准确率越高则表明种群个体越好，经过评价得到初始种群的最优个体，用于后续的条件判定或个体选择过程。
[0093]
(3)判断是否满足终止条件。本技术设定的终止条件为种群迭代100次，若达到最大迭代次数(也可以依据实际情况设定其他的终止条件，如计算的个体适应度值达到设定阈值，但本次研究未涉及)则终止进化，将得到的最优个体作为最优解输出，由此得到最优参数c和gamma；若没有满足条件，则继续下一步的迭代进化过程。
[0094]
(4)个体变异过程。经过初始化评价后，该算法将在当前迭代次数下(即当前迭代次数g＝0)根据公式(4)的差分策略使每个个体突变得到对应的变异个体
[0095][0096]
其中，i≠r1≠r2≠r3，均为当前迭代次数下的三个随机个体，f为差分缩放因子，用于控制两个个体向量偏差对突变个体的影响。
[0097]
(5)个体交叉过程。随后，将当前种群个体与变异个体按照公式(5)进行信息交换生成交叉个体
[0098][0099]
(6)个体选择过程。基于贪婪策略，将当前迭代次数下的种群个体和新生成的交叉个体的适应度值进行比较，根据公式(6)选择适应度更好的个体作为下一代种群个体其中f表示适应度函数。
[0100][0101]
原始种群的每个个体经过步骤(4)～(6)三个阶段进化，建立形成新一代种群，迭代次数g＝g+1，随后返回步骤(3)进行新一轮的判断和迭代进化过程，直至满足初始设定的终止条件，输出最终迭代得到的最优个体对应的超参数值。
[0102]
步骤105，基于所述扩充后的数据样本集对超参数确定后的svm模型进行训练，获得训练后的svm模型。
[0103]
将优化后得到的最佳参数代入原始svm模型，并输入测试集进行验证，最终得到训练后的svm模型。
[0104]
步骤106，基于训练后的svm模型进行设备材料球化程度的预测。
[0105]
实施例2
[0106]
本发明还提供一种设备材料球化程度预测系统，所述预测系统包括：
[0107]
数据样本集构建模块，用于获取球化程度已知的设备材料参数，构建数据样本集。
[0108]
样本扩充模块，用于采用borderline-smote算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩
充后的数据样本集。
[0109]
所述样本扩充模块，具体包括：近邻样本选取子模块，用于分别根据每个少数类样本与所述数据样本集中除了所述少数类样本之外的所有样本的欧式距离，边界判断指标确定子模块，用于确定每个所述少数类样本的多个近邻样本中属于多数类样本的个数，分别作为每个所述少数类样本的边界判断指标；边界样本确定子模块，用于将边界判断指标在预设范围内的少数类样本设置边界样本；少数类样本生成子模块，用于分别根据每个所述边界样本，利用公式x
new
＝x+λ
×
(x
i-x)，生成新的少数类样本；其中，x为边界样本，xi为边界样本的第i个近邻样本，x
new
为新的少数类样本；样本集扩充子模块，用于将生成的所有的新的少数类样本添加至所述数据样本集中，获得扩充后的数据样本集。
[0110]
所述预测系统还包括：归一化模块，用于将扩充后的数据样本集中的每个样本进行归一化处理。
[0111]
svm模型构建模块，用于构建用于设备材料球化程度预测的svm模型。
[0112]
svm模型的超参数确定模块，用于基于扩充后的数据样本集，采用差分进化算法，确定svm模型的超参数，获得超参数确定后的svm模型。
[0113]
所述svm模型的超参数确定模块，具体包括：初始化子模块，用于将svm模型中的参数作为基因，初始化种群，并将初始化后的种群设置为当前种群；最优个体选取子模块，用于以svm模型的10折交叉验证结果作为适应度指标，基于扩充后的数据样本集，确定当前种群的最优个体；判断子模块，用于判断是否满足终止条件，获得判断结果；变异子模块，用于若所述判断结果表示否，则利用公式对当前种群中的个体进行变异，获得变异个体；其中，均为当前种群中的三个个体，表示第i个变异个体，f表示差分缩放因子；交叉子模块，用于根据每个变异个体，利用公式进行交叉，获得交叉个体；其中，表示当前种群中的第i个个体的交叉个体的第j个基因，表示当前种群中的第i个个体的变异个体的第j个基因，表示当前种群中的第i个个体的第j个基因，cr表示交叉概率；个体选取子模块，用于根据每个个体的交叉个体，利用公式选取下一代种群的个体；其中，表示下一代种群中的第i个个体，表示当前种群中的第i个个体的交叉个体，表示当前种群中第i个个体，和分别表示当前种群中第i个个体和第i个个体的交叉个体的适应度指标；迭代调用子模块，用于将下一代种群设置为当前种群，调用最优个体选取子模块；输出子模块，用于若所述判断结果表示是，则输出当前种群的最优个体
[0114]
svm模型训练模块，用于基于所述扩充后的数据样本集对超参数确定后的svm模型进行训练，获得训练后的svm模型。
[0115]
球化程度预测模块，用于基于训练后的svm模型进行设备材料球化程度的预测。
[0116]
实施例3
[0117]
为了说明本发明的技术效果本发明实施例2提供了如下具体的实施方式。
[0118]
本发明以12cr1mov钢的珠光体球化为例，通过收集各发电厂12cr1mov钢构件的历史检测数据并根据珠光体球化的严重程度及其对设备的影响情况，选取球化等级为4～5级的样品共计115组数据进行验证。数据参数包括设备累计运行时间(8.9
×
104～31.2
×
104h)、工作压力(8.83～9.82mpa)、工作温度(510～550℃)、材料硬度(94～168hb)以及球化等级(4级、4.5级和5级)。
[0119]
基于dl/t 773-2016火电厂用12crlmov钢球化评级标准以及gb/t 30580-2014电站锅炉主要承压部件寿命评估技术导则等相关标准，得出以下风险评估准则，如表1所示。
[0120]
表1材料球化风险评估划分表
[0121]
[0122]
主要选取混淆矩阵、准确率(accuracy，acc)以及kappa系数三项指标来对模型的预测结果进行评估。其中，混淆矩阵可以清晰展示模型对各标签数据的分类识别情况，同时对数据集的不平衡现象进行判定。准确率可以直观反映各类数据样本被正确分类的情况。kappa系数则用来表征模型预测结果与实际值的一致性问题，该系数取值范围为[-1,1]，通常系数值越高代表模型实现的分类性能越好。
[0123]
根据原始数据样本各等级的统计分布进行非平衡调节预处理，结果如图3所示，原始数据集样本的球化等级(即4.0级:4.5级:5.0级)比例约为1:2.5:1，经过调节后各类别数据达到平衡分布。
[0124]
为验证不平衡数据集对模型预测结果的影响，对比了经过borderline-smote算法过采样前后原始svm模型的预测情况，结果如图4和表2所示。
[0125]
表2经过borderline-smote平衡处理前后svm模型评估结果(未使用de算法)
[0126][0127]
图4表明数据样本调节后，各类样本数据均能得到有效识别。由表2可知经过数据平衡处理后，数据集的准确率和kappa系数均得到明显改善，kappa系数甚至提升近一倍，表明borderline-smote过采样对数据样本识别的有效性，但模型的精度还有待提高。
[0128]
为进一步改善模型分类预测精度，应用de算法对svm模型中的c和gamma两个重要的超参数进行优化，并将de算法与遗传算法(genetic algorithm，ga)、粒子群优化算法(particle swarm optimization，pso)、人工鱼群算法(artificial fish swarms algorithm，afsa)等常见的智能优化算法进行对比。所有优化算法均采用模型经过十折交叉验证的准确率平均值作为优化评估指标，各模型种群规模均为50，迭代次数为100次，最终优化对应的预测结果如图5和表3所示。
[0129]
表3各优化算法调参后的svm模型评估结果
[0130][0131]
[0132]
由表2可得，经过各类优化算法调参后各模型的数据预测精度均有显著提，准确率均可达到70％以上，其中，de-svm模型的性能最好，训练集和测试集的准确率分别提高了约26％和29％，kappa系数可达到0.756，表现出较好的分类预测水平。
[0133]
综上所述，本技术基于svm算法，应用borderline-smote算法解决球化等级数据集的样本不平衡问题，并采用de智能优化算法调参，建立的de-svm模型能够对材料球化等级状态进行有效预测，其准确率可达到83.8％，表现出较好的球化等级识别能力，能够为设备球化损伤情况的快速诊断预测提供一定技术支撑。
[0134]
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。
[0135]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。