基于二次卡尔曼滤波的无人机IMU传感器故障检测方法与流程

基于二次卡尔曼滤波的无人机imu传感器故障检测方法
技术领域
1.本发明涉及无人机安全性和可靠性技术，具体地说是一种基于二次卡尔曼滤波的无人机imu传感器故障检测方法。


背景技术：

2.近年来，无人机在搜索和救援、航拍、农业、测绘等应用方面发展迅速。在无人机的使用过程中，无人机的每个部件都不可避免地会出现故障。实际中，无人机通常配备低成本、轻量化的微机电系统惯性测量单元（inertial measurement unit, imu），包括三轴陀螺仪、加速度计和磁力计。这些传感器在大多数无人机导航和控制应用中起着至关重要的作用。然而，微机电系统的机械部件和电子元件通常会经历一个逐渐退化的过程（例如，微电阻的值可能会缓慢变化），imu容易因部件损坏、振动和温度影响而发生故障。如果故障没有被及时检测到，将直接影响无人机的整机安全性和可靠性。因此，故障检测具有重要的研究意义和价值，并且故障检测是提高安全性和可靠性的第一道防线。
3.传感器故障可分为突变故障和缓变故障。突变故障通常可以建模为阶跃信号，而缓变故障（缓慢发展）如传感器的漂移，可以用斜坡信号来表示。传感器漂移指传感器输出和过程变量实际值之间的差值随时间线性偏离的情况。利用传感器的冗余信息执行检测功能是任何传感器故障检测的基础。针对不同类型的冗余信息，不同的检测方法被开发。例如，硬件冗余和解析冗余。硬件冗余基于多个物理惯性测量单元。这种方法的缺点是成本高、增加维护和占用空间等。然而，解析冗余方法不会增加硬件成本。解析冗余从系统中的其他相关测量值分析估计传感器的输出。基于解析冗余的故障检测方法可大致分为基于数据驱动的方法和基于模型的方法。在基于模型的故障检测方法中，粒子滤波是一种用于无人机imu传感器故障检测和隔离的方法。然而，与卡尔曼滤波相比，粒子滤波具有更高的计算复杂度。h∞也是一种常用的故障检测方法，与基于状态空间方程的卡尔曼滤波器不同，h∞滤波器基于传递函数。与卡尔曼滤波相比，h∞滤波不需要假设噪声的统计特性。然而，h∞滤波器不能保证估计误差的方差最小或在有限范围内。与基于模型的故障检测方法相比，数据驱动的故障检测方法需要大量的数据集，例如机器学习。在实际的使用中，处理大量的数据集，计算时间长，并且该类方法不具有可解释性。
4.卡尔曼滤波在无人机传感器故障检测中的应用研究包括卡尔曼滤波的应用、卡尔曼滤波扩展算法的研究与应用、自适应卡尔曼滤波算法的研究与应用以及卡尔曼滤波与其他方法相结合的应用。卡尔曼滤波器扩展算法包括扩展卡尔曼滤波器、无迹卡尔曼滤波器、容积卡尔曼滤波器和联邦卡尔曼滤波器。扩展卡尔曼滤波器通过线性算法的逐步扩展来解决非线性问题；无迹卡尔曼滤波器主要基于无迹变换，其中需要协方差矩阵的平方根；容积卡尔曼滤波器使用三次容积规则，数值计算非线性贝叶斯滤波器中任何非线性函数与高斯密度乘积的积分。无论采用何种方法，都需要准确了解过程噪声和测量噪声的先验统计特性。在实际无人机测试中，过程噪声和测量噪声的先验统计未知或不准确。虽然过程噪声和测量噪声的先验统计信息是准确已知的，但在实际操作环境中，系统受到内部和外部不确
定因素的影响，过程噪声和测量噪声的统计特征很容易改变，具有很强的时变特征。基于此，为了使卡尔曼滤波器估计的更准确，通常可以在卡尔曼滤波器中增加了噪声估计模块。因此，自适应卡尔曼滤波算法不需要精确的噪声先验统计，并且具有适应噪声变化的能力。一种具有自适应性和鲁棒性的基于变分贝叶斯的无迹卡尔曼滤波器被提出，其中变分贝叶斯近似的思想是最小化真实分布和近似之间的kullback-leibler（kl）差异。与变分贝叶斯近似不同，sage-husa自适应卡尔曼滤波器不需要考虑概率密度。它还可以对噪声统计特性进行实时估计。然而，该方法不能保证测量噪声协方差矩阵的正定性和过程噪声协方差矩阵的半正定性，容易发散。
5.在一种针对无人机传感器/执行器故障的主动容错飞行控制系统中，卡尔曼滤波器被用于检测传感器/执行器故障，然后基于鲁棒两级卡尔曼滤波器的故障隔离方案隔离传感器和执行器故障。在一种基于两级卡尔曼滤波器的风速和无人机运动参数估计算法中，在第一阶段，借助全球定位系统和动态压力测量，使用风速估计算法估计风速。其中，扩展卡尔曼滤波方法被应用于无人机系统的传感器故障检测。在第二阶段，为了估计无人机的状态参数，在第一阶段卡尔曼滤波器中估计的风速被使用。


技术实现要素：

6.针对现有的无人机状态估计中的故障检测率低、传感器故障幅值小、同时受噪声和反馈控制的影响难检测的特性等问题，本发明提出一种基于二次卡尔曼滤波的无人机imu传感器故障检测方法，首先，需要建立无人机的运动学和动力学模型。然后对模型进行线性化和离散化，以进行后续的二次卡尔曼滤波。在该方法中，第一个卡尔曼滤波器用于去噪，第二个卡尔曼滤波器用于去趋势，并计算残差进行检测。值得一提的是，第二个卡尔曼滤波器是一个改进的sage-husa自适应卡尔曼滤波器，它可以自动估计测量数据的噪声方差r。该方法首次被提出并应用于无人机。在仿真平台中，俯仰角速度中被注入故障，以模拟imu传感器故障。仿真结果证实了该方法在imu传感器突发故障和缓变故障检测中的有效性。结果表明，二次卡尔曼滤波的故障检测率高于常规的卡尔曼滤波。此外，该方法还为无人机容错控制提供了重要信息和基础。本发明的主要创新点如下：（1）提出了一种基于二次卡尔曼滤波的无人机传感器故障检测方法，该方法是在去噪和去趋势框架下设计的。第一个卡尔曼滤波器用于去噪，第二个卡尔曼滤波器用于去趋势，并计算残差进行检测。这是第一种使用该技术检测无人机传感器故障的方法。（2） 在第二个卡尔曼滤波器中，提出了一种改进的sage-husa自适应卡尔曼滤波器，该滤波器可以自动估计测量数据的噪声方差r。与传统的卡尔曼滤波相比，该方法具有自适应、避免发散和高检测率的优点。
7.本发明的目的通过如下的技术方案来实现：一种基于二次卡尔曼滤波的无人机imu传感器故障检测方法，包括以下步骤：步骤一：建立无人机的运动学和动力学模型，得到无人机的状态空间方程；步骤二：将所述无人机的状态空间方程进行线性化和离散化，得到线性化和离散化后的状态空间方程；步骤三：基于线性化和离散化后的状态空间方程，采用卡尔曼滤波对imu传感器正常情况下采集到的信号进行去噪，得到去噪后的imu传感器信号；步骤四：基于线性化和离散化后的状态空间方程，再次采用卡尔曼滤波对去噪后
的imu传感器信号进行滤波，将二次卡尔曼滤波输出的信号用于去趋势；步骤五：计算去噪后的imu传感器信号和二次卡尔曼滤波器imu传感器信号先验估计的差值，所述差值符合高斯分布，取所述差值的标准方差的整数倍作为imu传感器故障检测阈值；步骤六：将在线采集的imu传感器信号重复步骤三和步骤四，计算在线采集的imu传感器信号的残差，当在线采集的imu传感器信号的残差大于等于所述imu传感器故障检测阈值时，表明imu传感器存在故障；否则，imu传感器正常。
8.进一步地，所述步骤二得到的线性化和离散化后的状态空间方程为：地，所述步骤二得到的线性化和离散化后的状态空间方程为：其中，x(k+1)为无人机的状态变量，w(k)为过程噪声，v(k)为测量噪声；a为状态转移矩阵，b为输入矩阵；c是输出矩阵，c表示测量值向量z(k)和状态变量x(k)之间的关系；z(k)表示从无人机传感器获得的k时刻的测量值向量；所述步骤三中，一次卡尔曼滤波的状态变量后验估计为其中，表示无人机状态变量在k时刻的一次卡尔曼滤波后验估计，表示无人机状态变量在k+1时刻的一次卡尔曼滤波先验估计；k1(k)表示在k时刻的一次卡尔曼滤波卡尔曼增益：p1(k+1|k)表示状态变量在k+1时刻一次卡尔曼滤波先验估计的状态误差协方差矩阵；r表示测量噪声v(k)的协方差矩阵。
9.进一步地，所述步骤四中，第二次卡尔曼滤波的状态变量后验估计进一步地，所述步骤四中，第二次卡尔曼滤波的状态变量后验估计其中，e(k+1)是二次卡尔曼滤波的新息，表示无人机状态变量在k时刻的二次卡尔曼滤波后验估计，表示无人机状态变量在k+1时刻的二次卡尔曼滤波先验估计；k2(k)为在k时刻的二次卡尔曼滤波卡尔曼增益：p2(k+1|k)表示状态变量在k+1时刻二次卡尔曼滤波先验估计的状态误差协方差矩阵。
10.进一步地，在二次卡尔曼滤波器中，采用改进的sage-husa自适应卡尔曼滤波方法来自动估计测量噪声方差r，即，r的估计过程如下：来自动估计测量噪声方差r，即，r的估计过程如下：其中，b是遗忘因子。
11.进一步地，所述步骤五的残差r(k+1)的计算公式如下：在步骤六中，计算在线采集的imu传感器信号的残差，当在线采集的imu传感器信号的残差大于等于所述imu传感器故障检测阈值时，表明imu传感器存在故障；否则，imu传感器正常。
12.一种基于二次卡尔曼滤波的无人机imu传感器故障检测装置，包括一个或多个处理器，用于实现基于二次卡尔曼滤波的无人机imu传感器故障检测方法。
13.一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现基于二次卡尔曼滤波的无人机imu传感器故障检测方法。
14.本发明的有益效果如下：本发明提出的无人机状态估计中基于二次卡尔曼滤波的imu传感器故障检测方法，综合考虑了无人机传感器故障幅值小、同时受噪声和反馈控制的影响难检测的特性，在原有的基于单次卡尔曼滤波的基础上，额外引入二次卡尔曼滤波，通过一次卡尔曼滤波去噪，二次卡尔曼滤波去趋势，最后通过两次卡尔曼滤波的残差与离线数据训练得到的阈值对比，实现传感器故障发生的检测。且为了实现自适应，二次滤波采用改进的sage-husa自适应卡尔曼滤波器，以避免发散，同时提高预测精度。本发明的方法能够提高无人机传感器故障的检测率，这样可以及时发现传感器的故障，避免传感器故障导致的无人机事故和损失。
附图说明
15.图1基于二次卡尔曼滤波的无人机imu传感器故障检测原理图。
16.图2基于二次卡尔曼滤波的imu俯仰角速度突变故障检测结果图。
17.图3基于二次卡尔曼滤波的imu俯仰角速度缓变故障检测结果图。
18.图4基于一次卡尔曼滤波的imu俯仰角速度突变故障检测结果图。
19.图5基于一次卡尔曼滤波的imu俯仰角速度缓变故障检测结果图。
20.图6为基于二次卡尔曼滤波的无人机imu传感器故障检测系统的示意图。
具体实施方式
21.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
22.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
23.应当理解，尽管在本技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第
一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
24.本发明提出了一种基于二次卡尔曼滤波的无人机故障检测方法，这是一种基于模型的故障检测方法。与其他二次卡尔曼滤波器的定义不同：主要针对测量方程是二次的卡尔曼滤波器。本发明提出的方法是在去噪和去趋势框架下设计的算法而命名的。其中，第一次卡尔曼滤波器用于减少去噪过程中的测量噪声，其中过程噪声和测量噪声的方差是固定值。在去趋势部分，考虑到测量数据已经去噪，在去趋势部分使用改进的sage-husa自适应卡尔曼滤波方法来自动估计测量噪声方差。最后，卡尔曼滤波算法连续作用于测量数据，因此本发明提出的方法称为二次卡尔曼滤波。
25.本发明的用于无人机imu传感器故障检测的二次卡尔曼滤波方法。首先，需要建立无人机的运动学和动力学模型，然后对模型进行线性化和离散化，以进行后续的二次卡尔曼滤波。针对较大信号噪声这种工况，一次卡尔曼滤波用于降噪，二次卡尔曼滤波用于检测。在仿真平台中，将imu俯仰角速度分别注入故障（突变故障和缓变故障）。仿真结果表明，二次卡尔曼滤波的故障检测率高于基于卡尔曼滤波的故障检测方法。
26.一、建立无人机的运动学和动力学模型，得到无人机的状态空间方程；多旋翼无人机飞行控制的刚体模型包括动力学模型和运动学模型。动力学涉及运动和力，与物体的质量和惯性矩有关，多旋翼无人机动力学模型的输入是力和力矩，输出是速度和角速度。最后，平移加速度可通过牛顿第二运动定律获得，角加速度可通过欧拉方程获得。因此，这种建模方法也称为牛顿-欧拉方程，多旋翼无人机的动力学模型如下：其中，ve是地球固定坐标系中的惯性速度，。u是升力，m是多旋翼无人机的质量。r
eb
是从机身坐标系到地球固定坐标系的旋转矩阵，g是重力加速度。该方程表明，多旋翼无人机在地球固定坐标系下，基于牛顿第二运动定律，在推力u和重力的作用下产生的加速度。
27.其中，表示机身坐标系中的角速率，。j
x
、jy和jz是多旋翼无人机绕机身x、y和z轴的惯性矩。是滚动扭矩，是俯仰扭矩，是偏航扭矩，它们都在机身坐标系中。该方程表明，多旋翼无人机在机身坐标系下根据欧拉方程产生的角加速度。
28.在刚体运动学模型中，运动学研究了位置、速度、姿态和角速度等变量之间的关
系。多旋翼无人机运动学模型的输入是速度和角速度，相应的输出为位置和姿态。多旋翼无人机的运动学模型如下：其中pe是惯性位置，中。该方程表示地球固定坐标系中位置和速度之间的关系。
29.其中vb是多旋翼无人机相对于机身x、y和z轴的速度，。
30.其中，表示机身坐标系中的欧拉角，。表示角速率与欧拉角速率之间的旋转矩阵。基于以上方程，非线性系统和测量模型如下所示：率之间的旋转矩阵。基于以上方程，非线性系统和测量模型如下所示：率之间的旋转矩阵。基于以上方程，非线性系统和测量模型如下所示：率之间的旋转矩阵。基于以上方程，非线性系统和测量模型如下所示：其中x(t)是状态向量，u(t)是控制输入向量，z(t)是测量数据向量，w(t)是过程噪声，v(t)是测量噪声。
31.二、无人机状态空间方程离散化和线性化由于无人机的运动学和动力学模型组成的状态空间方程是非线性的，为了利用卡尔曼滤波算法，需要先做一下模型的线性化，线性化后的方程如下：尔曼滤波算法，需要先做一下模型的线性化，线性化后的方程如下：线性化之后，进行模型的离散化处理：线性化之后，进行模型的离散化处理：其中，x(k+1)为无人机的状态变量，w(k)为过程噪声，v(k)为测量噪声；a为状态转移矩阵，b为输入矩阵；c是输出矩阵，c表示测量值向量z(k)和状态变量x(k)之间的关系；z(k)表示从无人机传感器获得的k时刻的测量值向量。
32.到目前为止，多旋翼无人机模型的线性化和离散化已经完成。接下来，介绍多旋翼无人机imu传感器的故障检测方法。
33.三、基于线性化和离散化后的状态空间方程，采用卡尔曼滤波对imu传感器正常情况下采集到的信号进行去噪，得到去噪后的imu传感器信号在二次卡尔曼滤波算法中，一次卡尔曼滤波用于去噪，以提高故障检测率。本发明对二次卡尔曼滤波和卡尔曼滤波器进行了实验比较，证明了二次卡尔曼滤波方法设计的优越性。卡尔曼滤波被称为最优线性估计器，它可以最小化均方误差，并可以提供状态变量的
递归计算。基于状态空间方程和测量方程，估计过程如下所示：其中和是一次卡尔曼滤波器估计器中状态变量x1(k)的先验和后验最小均方误差估计。方程表示状态变量x1(k)的一次卡尔曼滤波器先验估计。
34.其中p1(k+1|k)和p1(k)是一次卡尔曼滤波器中相应的先验和后验状态误差协方差。q是系统噪声w(k)的方差。方程表示一次卡尔曼滤波器中先验协方差p1(k+1|k)的计算过程。
35.其中，k1(k)是卡尔曼增益。r是测量噪声v(k)的方差。
36.其中方程表示状态变量x1(k+1)的一次卡尔曼滤波器估计， 是一次卡尔曼滤波器的新息。一次卡尔曼滤波的后验协方差计算公式为：四、二次卡尔曼滤波去趋势根据一次卡尔曼滤波算法的结果输出，使用二次卡尔曼滤波算法进行趋势分析，以获得数据的残差。通过将残差与阈值进行比较来检测传感器故障。类似地，基于状态空间方程和测量方程，估计过程如下：其中和是二次卡尔曼滤波估计器中状态变量x2(k)的先验和后验最小均方误差估计。该方程表示状态变量x2(k)的二次卡尔曼滤波器先验估计。
37.其中p2(k+1|k)和p2(k)是二次卡尔曼滤波器中相应的先验和后验状态误差协方差。q是系统噪声w(k)的方差。该方程表示二次卡尔曼滤波器中先验协方差p2(k+1|k)的计算过程。
38.其中，k2(k)是二次卡尔曼滤波器的卡尔曼增益。r是二次卡尔曼滤波器中的测量噪声v(k)的方差。
39.其中方程表示状态变量的二次卡尔曼滤波器估计，是二次卡尔曼滤波器的新息。以下为二次卡尔曼滤波器的后验协方差：
在二次卡尔曼滤波器中，本发明提出一种改进的sage-husa自适应卡尔曼滤波方法来自动估计测量噪声方差r，r的估计过程如下：法来自动估计测量噪声方差r，r的估计过程如下：其中，b是遗忘因子。
40.以上过程就是二次卡尔曼滤波器的计算过程，其中，二次卡尔曼滤波器的残差r(k+1)计算公式如下：其中是一次卡尔曼滤波器后的滤波数据，是二次卡尔曼滤波后的状态变量的先验估计，c为输出矩阵。
41.五、基于二次卡尔曼滤波的残差检测过程本发明假设残差服从高斯分布。在置信区间内，阈值计算为正常残差标准偏差的整数倍。检测过程如下：评估故障检测方法效果的指标有三个：检测延迟（detection delay dd）、故障检测率（fault detection rate fdr）和虚警率（false alarm rate far）。dd表示故障发生后，故障检测方法检测到故障所需要的时间。fdr表示在检测过程中可以正确检测到的故障样本数的比率。far是指在正常样本中检测到异常的比率。
[0042][0042]42.在以上等式中，dfn是正确检测到的故障数。tfn是故障样本的总数。dan是在正常数据中检测到的异常数。tnn是正常样本的总数。具体算法流程如图1所示。
[0043]
与前述基于二次卡尔曼滤波的无人机imu传感器故障检测方法的实施例相对应，本发明还提供了基于二次卡尔曼滤波的无人机imu传感器故障检测系统的实施例。
[0044]
由图2所示，为基于二次卡尔曼滤波的imu俯仰角速度突变故障检测结果，故障在第30s的时刻注入，将imu俯仰角速度突变故障模拟为阶跃信号，故障信号的振幅为0.175rad（10deg）。检测指标：fdr为98.63%，far为0.60%，dd为0.00s。图3所示为基于二次卡尔曼滤波的imu俯仰角速度缓变故障检测结果，故障在第30s的时刻注入，将imu俯仰角速度缓变故障模拟为斜坡信号，故障变化率为0.0058rad/s（0.3325deg/s），故障信号的最大振幅为0.175rad（10deg）。检测指标：fdr为47.62%，far为2.75%，dd为1.87s。图4为基于一次卡尔曼滤波的imu俯仰角速度突变故障检测结果，故障在第30s的时刻注入，将imu俯仰角速度突变故障模拟为阶跃信号，故障信号的振幅为0.175rad（10deg）。检测指标：fdr为4.80%，
far为0.15%，dd为0.24s。图5所示为基于一次卡尔曼滤波的imu俯仰角速度缓变故障检测结果，故障在第30s的时刻注入，将imu俯仰角速度缓变故障模拟为斜坡信号，故障变化率为0.0058rad/s（0.3325deg/s），故障信号的最大振幅为0.175rad（10deg）。检测指标：fdr为0.70%，far为0.00%，dd为12.41s。通过实验结果对比，证明二次卡尔曼滤波算法有较好的检测性能。
[0045]
参见图6，本发明实施例提供的一种基于二次卡尔曼滤波的无人机imu传感器故障检测系统，包括一个或多个处理器，用于实现上述实施例中的基于二次卡尔曼滤波的无人机imu传感器故障检测方法。
[0046]
本发明基于二次卡尔曼滤波的无人机imu传感器故障检测系统的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，为本发明基于二次卡尔曼滤波的无人机imu传感器故障检测系统所在任意具备数据处理能力的设备的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
[0047]
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
[0048]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0049]
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于二次卡尔曼滤波的无人机imu传感器故障检测方法。
[0050]
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(smartmedia card, smc)、sd卡、闪存卡(flash card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算仉程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储己经输出或者将要输出的数据。
[0051]
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由权利要求指出。
[0052]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。