本发明涉及一种控制装置和机器学习装置。
背景技术：
针对控制设置在工厂环境中的机床、注射成型机、机器人等制造机械的控制装置，组合使用包含控制装置的内部数据的测定数据进行机器学习的机器学习器，并利用通过基于包含控制装置的内部数据的测定数据的各种推论来进行机械控制的功能。在组合到控制装置的机器学习器中，进行基于能够通过控制装置取得的数据的学习、推论等。
例如，在日本特开2017-68566号公报中，公开了以下的技术：在考虑到机床的热位移的影响而修正该刀具的刀尖位置的控制装置中，观测工件的加工误差量和机床的运转率这双方作为状态数据，根据观测到的状态数据而优化刀具校正的频度。另外，在日本特开2017-45300号公报中，公开了以下的技术：观测机床所具备的各传感器的检测值作为状态数据，根据观测到的状态数据将该机床的加工条件调整为不会发生振动、刀具磨损/刀具折损的最优的加工条件。
制造装置动作的工厂的环境是很多制造机械动作的严酷环境，因此这些数据有可能包含噪声等异常值。在控制制造装置的控制装置所具备的机器学习器进行学习时，在输入数据包含噪声等异常值的情况下，作为机器学习器的学习结果的学习模型会产生问题，即使推论时的输入数据正确，输出异常值的可能性也很高。
另外，在机器学习的学习中，使用输入数据决定学习模型的参数，但概率性地能够求出它，理论上并没有保障，因此即使在根据正常的输入数据进行推论的情况下，也有可能输出异常的推论数据。
进而，在控制制造装置的控制装置所具备的机器学习器进行推论时，有可能由于在作为基础的输入数据中包含噪声等异常值的原因，而输出异常的推论数据，或者在输出的推论数据自身中混入噪声等异常值。
技术实现要素：
因此，本发明的目的在于提供一种控制装置和机器学习装置，其能够抑制基于在工厂环境中产生的噪声等的异常值的影响。
本发明的控制装置通过导入在输入侧和输出侧的至少任意一方具备检测、修正乃至重新取得异常值的安全电路的机器学习装置，来解决上述问题。
另外，本发明的一方式是一种控制装置，其对制造机械进行控制，该控制装置具备：机器学习装置，其学习作为环境的与制造机械相关的状态，上述机器学习装置具备：状态观测部，其取得包含上述制造机械的内部数据和外部数据的至少一方的输入数据；输入安全电路，其检测出上述输入数据中的异常，并输出安全的输入数据；机器学习部，其执行基于上述安全的输入数据的学习模型的学习和使用了学习模型的推论，输出作为推论结果的推论数据；输出安全电路，其检测出上述推论数据中的异常，并输出安全的推论数据；输出部，其输出基于上述安全的推论数据的输出数据。
本发明的另一方式是一种控制装置，其对制造机械进行控制，该控制装置具备：机器学习装置，其学习作为环境的与制造机械相关的状态，上述机器学习装置具备：状态观测部，其取得包含上述制造机械的内部数据和外部数据的至少一方的输入数据；输入安全电路，其检测出上述输入数据中的异常，输出安全的输入数据；机器学习部，其根据上述安全的输入数据执行使用了学习模型的推论，输出作为推论结果的推论数据；输出部，其输出基于上述推论数据的输出数据。
本发明的另一方式是一种控制装置，其对制造机械进行控制，该控制装置具备：机器学习装置，其学习作为环境的与制造机械相关的状态，上述机器学习装置具备：状态观测部，其取得包含上述制造机械的内部数据和外部数据的至少一方的输入数据；机器学习部，其根据上述输入数据执行利用了学习模型的推论，输出作为推论结果的推论数据；输出安全电路，其检测上述推论数据中的异常，并输出安全的推论数据；输出部，其输出基于上述安全的推论数据的输出数据。
本发明的另一方式是一种控制装置，其对制造机械进行控制，该控制装置具备：机器学习装置，其学习作为环境的与制造机械相关的状态，上述机器学习装置具备：状态观测部，其取得包含上述制造机械的内部数据和外部数据的至少一方的输入数据；输入安全电路，其检测出上述输入数据中的异常，输出安全的输入数据；机器学习部，其执行基于上述安全的输入数据的学习模型的学习。
本发明的另一方式是一种机器学习装置，其学习作为环境的与制造机械相关的状态，该机器学习装置具备：状态观测部，其取得包含上述制造机械的内部数据和外部数据的至少一方的输入数据；输入安全电路，其检测出上述输入数据中的异常，并输出安全的输入数据；机器学习部，其执行基于上述安全的输入数据的学习模型的学习和利用了学习模型的推论，输出作为推论结果的推论数据；输出安全电路，其检测出上述推论数据中的异常，并输出安全的推论数据；输出部，其输出基于上述安全的推论数据的输出数据。
本发明的另一方式是一种机器学习装置，其学习作为环境的与制造机械相关的状态，该机器学习装置具备：状态观测部，其取得包含上述制造机械的内部数据和外部数据的至少一方的输入数据；输入安全电路，其检测出上述输入数据中的异常，并输出安全的输入数据；机器学习部，其根据上述安全的输入数据执行利用了学习模型的推论，输出作为推论结果的推论数据；输出部，其输出基于上述推论数据的输出数据。
本发明的另一方式是一种机器学习装置，其学习作为环境的与制造机械相关的状态，该机器学习装置具备：状态观测部，其取得包含上述制造机械的内部数据和外部数据的至少一方的输入数据；机器学习部，其根据上述输入数据执行使用了学习模型的推论，输出作为推论结果的推论数据；输出安全电路，其检测出上述推论数据中的异常，输出安全的推论数据；输出部，其输出基于上述安全的推论数据的输出数据。
本发明的另一方式是一种机器学习装置，其学习作为环境的与制造机械相关的状态，该机器学习装置具备：状态观测部，其取得包含上述制造机械的内部数据和外部数据的至少一方的输入数据；输入安全电路，其检测出上述输入数据中的异常，输出安全的输入数据；机器学习部，其执行基于上述安全的输入数据的学习模型的学习。
根据本发明，通过在向机器学习器输入数据时检测/修正/重新取得异常值，能够直接使用正常的数据，能够将异常值的影响抑制为最小限。另外，通过从学习数据中排除异常值，能够得到高精度的学习结果。进而，通过在输出时检测/修正异常值，能够确实地防止明显不符合意图的输出，即使学习不充分、是异常的，也能够安全地使用机器学习的结果，即使在机器学习装置内等在内部发生异常，也能够防止异常值的输出。
附图说明
通过参照附图的以下的实施例的说明，能够了解本发明的上述以及其他目的和特征。
图1是表示一个实施方式的控制装置的主要部分的概要硬件结构图。
图2是一个实施方式的控制装置的概要功能框图。
图3是一个实施方式的控制装置所具备的机器学习装置执行的处理的流程图。
图4是表示控制装置的变形例子的图。
图5是表示控制装置的另一个变形例子的图。
具体实施方式
以下，表示用于实现本发明的控制装置的结构例子。
图1是表示第一实施方式的控制装置的主要部分的概要硬件结构图。在本实施方式中，示出了将机器学习装置100组入到控制加工工件的制造机械(未图示)的控制装置1中，但例如也可以作为单元计算机、主计算机、云服务器等设置在工厂的制造系统所具备的计算机的一部分来实现机器学习装置100。
本实施方式的控制装置1所具备的cpu11是整体地控制控制装置1的处理器。cpu11经由总线20读出存储在rom12中的系统/程序，依照该系统/程序控制控制装置1整体。在ram13中，暂时存储临时的计算数据、显示数据、由操作者经由未图示的输入部输入的各种数据等。
非易失性存储器14例如构成为被未图示的电池备份等而即使控制装置1的电源切断也保持存储状态的存储器。在非易失性存储器14中，存储有经由接口15读入的程序、经由后述的显示器/mdi单元70输入的程序等。可以在利用时将存储在非易失性存储器14中的程序展开到ram13中。另外，在rom12中，预先写入有控制装置1的动作所需要的各种系统/程序(包含用于控制与机器学习装置100的交换的系统/程序)。
接口15是用于连接控制装置1与适配器等外部设备72的接口。从外部设备72侧读入程序、各种参数等。另外，能够经由外部设备72将在控制装置1内编辑后的程序、各种参数等存储到外部存储单元。pmc(可编程机床控制器:programmablemachinecontroller)16根据内置于控制装置1的时序程序，经由i/o单元17向制造机械的周边装置(例如，刀具更换用的机械手这样的致动器)输出信号并进行控制。另外，接受配备于制造机械本体的操作盘的各种开关等的信号，在进行了必要的信号处理后，传递给cpu11。
显示器/mdi单元70是具备显示器、键盘等的手动数据输入装置，接口18接受来自显示器/mdi单元70的键盘的指令、数据，传递给cpu11。接口19与具备在手动地驱动各轴时使用的手动脉冲发生器等的操作盘71连接。
用于控制制造机械所具备的轴的轴控制电路30接受来自cpu11的轴的移动指令量，向伺服放大器40输出轴的指令。伺服放大器40接受该指令，驱动使制造机械所具备的轴移动的伺服电动机50。轴的伺服电动机50内置有位置/速度检测器，向轴控制电路30反馈来自该位置/速度检测器的位置/速度反馈信号，进行位置/速度的反馈控制。
此外，在图1的硬件结构图中，仅示出一个轴控制电路30、伺服放大器40、伺服电动机50，但实际上准备了与成为控制对象的制造机械所具备的轴对应的数目。
主轴控制电路60接受对制造机械的主轴旋转指令，向主轴放大器61输出主轴速度信号。主轴放大器61接受该主轴速度信号，按照所指示的转速使制造机械的主轴电动机62旋转，驱动刀具。
主轴电动机62与位置编码器63结合，位置编码器63与主轴的旋转同步地输出反馈脉冲，该反馈脉冲被cpu11读取。
接口21是用于连接控制装置1与机器学习装置100的接口。机器学习装置100具备统一地控制机器学习装置100整体的处理器101、存储了系统/程序等的rom102、用于进行机器学习的各处理中的临时存储的ram103、以及用于学习模型等的存储的非易失性存储器104。机器学习装置100能够观测能够经由接口21由控制装置1取得的各信息(例如从cpu11向轴控制电路30输出的轴的移动指令量、位置指令值、从伺服电动机50得到的位置/速度反馈值等)。另外，控制装置1根据从机器学习装置100输出的值，例如进行成为控制对象的制造机械的热位移校正等。
图2是表示本发明的一个实施方式的控制装置的主要部分的概要功能框图。通过由图1所示的控制装置1所具备的cpu11以及机器学习装置100的处理器101执行各个系统/程序，控制控制装置1和机器学习装置100的各部的动作，来实现图2所示的各功能模块。构成本实施方式的控制装置1的控制装置1具备数据取得部2、控制部3。
数据取得部2是从成为机器学习装置100的环境的制造机械、工厂取得包含表示该环境的内部数据、以及外部数据的至少一方的数据的功能单元。数据取得部2例如取得驱动被控制装置1控制的制造机械的驱动各部的伺服电动机50、主轴电动机62的电流值、通过在制造机械的各部中具备的传感器等检测出的温度、振动等的检测值等数据。
控制部3是根据对控制装置1设定的参数、存储在非易失性存储器14中的程序(未图示)、从机器学习装置100输出的推论值来控制制造机械等的功能单元。控制部3例如进行轴控制电路30、伺服放大器40对伺服电动机50的控制、主轴控制电路60、主轴放大器61对主轴电动机62的控制、对显示器/mdi单元70的显示控制等。
另一方面，构成本实施方式的控制装置1的机器学习装置100具备状态观测部110、输入安全电路120、机器学习部130、输出安全电路140、输出部150，另外，机器学习部130具备学习部132、推论部134、学习模型136。
状态观测部110是根据由数据取得部2取得的数据观测表示环境的状态的状态数据、标签(lable)数据、判定数据等输入数据的功能单元。状态观测部110所观测的输入数据在学习部132的学习和推论部134的推论中被利用，且根据学习模型136的构造而不同。例如，在学习模型136是所谓的无监督学习用的学习模型的情况下，状态观测部110观测用于学习部132的学习和推论部134的推论的状态数据作为输入数据。另外，例如在学习模型136是所谓监督学习用的学习模型的情况下，状态观测部110为了学习部132的学习而观测状态数据和标签作为输入数据，为了推论部134的推论而观测状态数据作为输入数据。另外，例如在学习模型136是所谓强化学习用的学习模型的情况下，状态观测部110为了学习部132的学习而观测状态数据和判定数据作为输入数据，为了推论部134的推论而观测状态数据作为输入数据。
输入安全电路120是以下的功能单元：检测由状态观测部110观测并输入到机器学习部130的输入数据的异常值，在检测到输入数据的异常值时执行检出异常值时的动作，另一方面，在没有检测出输入数据的异常值的情况下，作为安全测量数据向机器学习部130输出该输入数据。输入安全电路120例如也可以记录所取得的输入数据的履历，进行利用了正态分布等的统计方法、使用马哈拉诺比斯距离等距离的方法、聚类、密度比推定等公知的方法的偏离值检测，由此检测出输入数据的异常值。另外，输入安全电路120既可以预先设定输入数据的各个数据项目可取的值的范围，在输入数据的各个数据项目的值脱离了预先设定的范围时判定为检测出异常值，也可以预先记录过去的输入数据，根据过去的输入数据、以及从过去的输入数据的系列观察的情况下的值的变化量等检测出异常值(在检测出不可能的变化量的情况下设为异常值等)，还可以在检测出传感器自身的异常信号、总线通信路径的错误信号等时判定为检测出异常值。进而，也可以构成为使输入安全电路120预先学习输入数据的正常值/异常值的机器学习器，根据该机器学习器对输入数据的检测结果，检测出输入数据的异常值。
输入安全电路120在检测出输入数据的异常值时，执行输入数据的重新取得、输入数据的修正、或输入数据的废弃等预先确定的与输入数据相关的动作。输入安全电路120例如可以在预先确定的预定的条件成立的情况下，执行预先确定的与输入数据相关的动作。作为一个例子，输入安全电路120可以在具有进行输入数据的重新取得的时间富裕的情况下，向状态观测部110(并且数据取得部2)指示输入数据的重新取得。在该情况下，在进行输入数据的重新取得时例如连续预先确定的预定次数地检测出异常值时，输入安全电路120也可以放弃输入数据的重新取得。作为其他的例子，输入安全电路120可以在控制装置1的本次的动作周期中的安全测量数据是必需的情况(在控制装置1的本次的动作周期中，机器学习装置100必须输出安全推论数据的情况等)下，根据过去输入的输入数据，修正检测出异常值的输入数据的数据项目的值，并作为安全测量数据输出修正后的输入数据。在该情况下，输入安全电路120既可以根据在上一个动作周期中输入的输入数据，修正检测出异常值的输入数据的数据项目的值(将数据项目的异常值设为与前一个周期相同的值)，也可以根据过去输入的输入数据的各数据项目的变化倾向等，修正检测出异常值的输入数据的数据项目的值。并且作为其他的例子，输入安全电路120也可以在控制装置1的本次的动作周期中的安全测量数据不是必需的情况下，废弃输入数据。
此外，输入安全电路120在输入数据中检测出异常值时，也可以根据学习部132的学习用的输入数据、推论部134的推论用的输入数据，使上述动作不同。例如，设为对于推论部134，将修正异常值后的输入数据作为安全测量数据而传送，对于学习部132，废弃检测出异常值的输入数据，由此能够使控制装置1的动作自身持续进行，而不进行异常值的学习。
输入安全电路120在检测出输入数据的异常值时，也可以记录该输入数据是异常值的情况。另外，输入安全电路120在检测出输入数据的异常值时，也可以向显示器/mdi单元70等通知检测出异常值的信息。
机器学习部130所具备的学习部132是根据从输入安全电路120输出的安全测量数据执行学习模型136的学习的功能单元。学习部132根据安全测量数据进行与学习模型136的算法对应的学习，由此更新学习模型136。此外，学习部132也可以通过制造商的工作人员、操作者的操作等来切换学习处理的开/关。另外，学习部132并不必须成为在学习模型136的学习完成后机器学习装置100的必需结构。例如，在制造商向顾客出厂控制装置1的情况下，作为机器学习部130只组装推论部134和学习模型136而出厂，由此能够进行顾客在工厂中不进行多余的学习而只利用推论功能的运用。
机器学习部130所具备的推论部134是根据从输入安全电路120输出的安全测量数据进行执行利用了学习模型136的推论处理的学习的功能单元。推论部134将利用了学习模型136的推论处理的结果作为推论数据，向输出安全电路140输出。此外，推论部134也可以通过制造商的工作人员、操作者的操作等而切换推论处理的开/关。另外，在学习模型136的学习的阶段，推论部134并不必须成为机器学习装置100的必需结构。
输出安全电路140是以下的功能单元：检测从机器学习部130输出的推论数据的异常值，在检测出推论数据的异常值时，执行检出异常值时的动作，另一方面，在没有检测出推论数据的异常值的情况下，作为安全推论数据向输出部150输出该推论数据。输出安全电路140例如也可以预先记录所取得的推论数据的履历，进行利用了正态分布等的统计方法、使用马哈拉诺比斯距离等距离的方法、聚类、密度比推定等公知的方法的偏离值检测，由此检测推论数据的异常值。另外，输出安全电路140既可以预先设定推论数据的各个数据项目可取的值的范围，在推论数据的各个数据项目的值脱离了预先设定的范围时判定为检测出异常值，也可以预先记录过去的推论数据，根据过去的推论数据、以及从过去的推论数据的系列观察的情况下的值的变化量等检测出异常值(在检测出不可能的变化量的情况下设为异常值等)。进而，也可以构成为使输出安全电路140预先学习推论数据的正常值/异常值的机器学习器，根据该机器学习器对推论数据的检测结果，检测出推论数据的异常值。
输出安全电路140在检测出推论数据的异常值时，执行推论数据的修正、或推论数据的废弃等预先确定的与推论数据相关的动作。输出安全电路140例如可以在预先确定的预定的条件成立的情况下，执行预先确定的与推论数据相关的动作。作为一个例子，输出安全电路140可以在控制装置1的本次的动作周期中的安全推论数据是必需的情况(在控制装置1的本次的动作周期中，机器学习装置100必须输出安全推论数据的情况等)下，根据过去推论出的推论数据，修正检测出异常值的推论数据的数据项目的值，并作为安全推论数据输出修正后的推论数据。在该情况下，输出安全电路140既可以根据在上一个动作周期中推论出的输入数据，修正检测出异常值的推论数据的数据项目的值(将数据项目的异常值设为与前一个周期相同的值)，也可以根据过去推论出的推论数据的各数据项目的变化倾向等，修正检测出异常值的推论数据的数据项目的值。并且作为其他的例子，输出安全电路140也可以在废弃检测出异常值的推论数据的基础上，经由输出部150向控制装置1通知警报。另外，输出安全电路140也可以在检测出推论数据的异常值时，记录该推论数据是异常值的情况。
输出部150是向控制装置的控制部3输出由输出安全电路140输出的安全推论数据的功能单元。输出部150具有根据需要将安全推论数据变换为控制部3能够解释的形式等作为从机器学习装置100向控制装置1的输出接口的作用。
图3是在图2所示的机器学习装置100上执行的处理的概要流程图。在图3所示的流程图中，将各电路的动作定义为：在通过输入安全电路120检测出异常值的情况下，进行输入数据的重新取得或异常值的修正，在通过输出安全电路140检测出异常值的情况下，修正推论数据的异常值，但例如也可以在通过输入安全电路120、输出安全电路140检测出异常值时，输出警报，使控制装置1的动作停止。
[步骤sa01]状态观测部110经由控制装置1观测表示环境的状态的输入数据。
[步骤sa02]输入安全电路120检测在输入数据中是否没有异常值。
在有异常值的情况下，在进行输入数据的重新取得的情况下，将处理转移到步骤sa01，或者在输入数据中有异常值的情况下，在进行异常值的修正的情况下，将处理转移到步骤sa03。另外，在没有从输入数据检测出异常值的情况下，将处理转移到步骤sa04。
[步骤sa03]输入安全电路120修正输入数据的异常值。
[步骤sa04]机器学习部130所具备的推论部134根据从输入安全电路120输出的安全测量数据，进行利用了学习模型136的推论，计算推论数据。
[步骤sa05]输出安全电路140检测在推论数据中是否没有异常值。
在有异常值的情况下，将处理转移到步骤sa06。另外，在没有从推论数据检测出异常值的情况下，将处理转移到步骤sa07。
[步骤sa06]输出安全电路140修正推论数据的异常值。
[步骤sa07]输出部150从机器学习装置100输出没有异常值的推论数据作为基于安全推论数据的输出数据。作为本实施方式的控制装置的应用例子，可以考虑将机器学习装置100用于控制装置1所控制的制造机械的热位移量校正。在该情况下，机器学习装置100所学习的环境是制造机械(机床等)，作为输入数据，观测制造机械的温度、伺服电动机50、主轴电动机62的速度、电流值等作为状态数据，观测从制造机械、加工后的工件等测量出的热位移量作为标签数据，机器学习装置100进行基于这些输入数据的学习。然后，在学习部132充分进行了学习模型136的学习后，将作为状态数据的制造机械的温度、伺服电动机50、主轴电动机62的速度、电流值等作为输入数据，将推论部134使用基于该输入数据的学习模型136进行的推论结果作为热位移量的预测值而输出，根据该热位移量的预测值，控制部3进行热位移校正。
根据上述应用例子，即使在从设置在工厂的环境中的制造机械检测出的检测值中，向输入数据混入了基于噪声等的异常值的情况下，该异常值也会通过输入安全电路120被排除而不会用于学习、推论，另外在通过推论得到的热位移量混入了异常值的情况下，通过该输出安全电路140被排除，能够通过基于错误的热位移量的热位移校正防止加工的失败、刀具的破损等。这样，在上述的应用例子中，能够在防止因异常值造成的加工不良的同时进行基于校正的高精度的加工。特别地，热位移量具有机械的各部的位移量由于热而逐渐变化的倾向，因此容易将突然发生的偏离值检测为异常值，因此能够期待成为输入安全电路120、输出安全电路140的有效的应用。
作为本实施方式的控制装置的其他应用例子，可以考虑将机器学习装置100应用于控制装置1所控制的制造机械的振动或刀具磨损/破损的抑制。在该情况下，机器学习装置100所学习的环境是制造机械(机床等)，作为输入数据，观测机械振动、振动音、刀具磨损/破损状态、加工面的状况等作为状态数据，观测加工速度、振动音的产生、刀具磨损/破损的产生、加工面的质量等作为判定数据，机器学习装置100进行基于这些输入数据的学习。然后，在学习部132充分进行了学习模型136的学习后，将作为状态数据的机械振动、振动音、刀具磨损/破损状态、加工面的状况等作为输入数据，输出推论部134使用基于该输入数据的学习模型136进行适当的加工条件调整行为的推论结果，根据该加工条件调整行为的推论结果，控制部3进行制造机械的加工条件的调整。
根据上述应用例子，在从设置在工厂的环境中的制造机械检测出的检测值中，在输入数据中混入了基于噪声等的异常值的情况下，该异常值也会通过输入安全电路120被排除而不会用于学习、推论，另外在通过推论得到的加工条件的调整中混入了异常值的情况下，通过该输出安全电路140被排除，能够防止由于错误的加工条件的调整造成的加工的失败、刀具的破损等。这样，在上述的应用例子中，能够在防止因异常值造成的加工不良的同时进行基于校正的高精度的加工。
作为本实施方式的控制装置的变形例子，也可以如图4所示那样使用省略了输出安全电路140的机器学习装置100，或如图5所示那样使用省略了输入安全电路120的机器学习装置100。在图4示例的变形例子中，无法排除混入到输出侧的推论数据中的异常，但能够对输入数据的异常值进行适当的应对，因此能够执行基于安全的输入数据的学习模型136的学习，能够某种程度地排除在推论部134的推论结果中混入异常值的可能性。另外，在图5示例的变形例子中，无法排除混入到输入侧的输入数据的异常值，但能够对输出侧的推论数据的异常值进行适当的应对，因此能够确实地抑制混入异常值时的制造机械的误动作。
以上，说明了本发明的实施方式，但本发明并不只限于上述的实施方式的例子，通过施加适当的变更能够以各种形式实施。
例如，机器学习装置100所执行的学习算法、机器学习装置100所执行的运算算法等可以采用普通公知的任意的算法。
在上述实施方式中，说明为控制装置1和机器学习装置100具有不同的cpu(处理器)的装置，但也可以通过控制装置1所具备的cpu11、存储在rom12中的系统/程序来实现机器学习装置100。
另外，机器学习装置100并不必须内置于控制装置1中，只要通过任意的通信手段将控制装置1和机器学习装置100之间连接起来，则也可以分别分离地配置。
以上，说明了本发明的实施方式，但本发明并不限于上述实施方式的例子，通过施加适当的变更，能够以其他形式实施。