基于分布式光纤传感系统的导管架水下应力检测系统的制作方法

1.本技术涉及智能检测领域，且更为具体地，涉及一种基于分布式光纤传感系统的导管架水下应力检测系统。


背景技术：

2.在国家大力推进“碳达峰”和“碳中和”的大背景下，风电、光伏、抽水蓄能行业快速发展。海上风电作为风电产业最重要的组成部分，其发展速度不容小觑，随着海上风电的高速发展，海上风机的大型化发展趋势已是必然。导管架基础作为海上风机基础中最稳重可靠的基础形式之一，在海上风电的发展中占据着不可或缺的地位，而作为连接上部风机塔筒和下部主体的过渡段结构亦是起着承上启下的关键作用。
3.目前，由于导管架平台所处地区大多为高温高盐、环境载荷复杂的海域，需要对海上风电场导管架的受力状况、结构损失、腐蚀状况进行实时监控,以确保导管架平台的安全性。现有的方案在对于海上风电场导管架的受力状况进行监控分析时，大多数是通过传感器获取导管架的受力情况，并基于受力情况来通过相关技术人员的分析以进行人工监测，这会造成人工监测效率低、实时性差等问题，并且易出现人为误差，给导管架的受力情况检测结果带来影响。不仅如此，传统的受力监测方案在部署传感器时，由于水下的环境恶劣，这给传感器的部署带来了困难。
4.因此，期望一种优化的导管架水下应力检测系统，其能够克服传统的人工监测手段的诸多弊端，能更客观地反映实际的风电基础的状况，并且能够实时智能地对于海上风电场导管架的应力分布是否正常进行准确地检测，以保障海上风电导管架的安全性，降低企业后期维修成本。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于分布式光纤传感系统的导管架水下应力检测系统，其通过采用基于深度学习的人工智能检测技术，以通过分布式光纤传感系统提供的应变云图的智能分析来进行导管架的应力分布检测。具体地，通过人工智能算法来提取出所述应变云图中聚焦于所述导管架空间位置上的应力分布特征信息，并基于各个局部位置的应力特征分布来进行整体的全局性关联特征分布提取，以此来提高对于导管架的应力分布检测的精准度。这样，能够智能地对于海上风电场导管架的应力分布是否正常进行准确地检测，以保障海上风电导管架的安全性，降低企业后期维修成本。
6.根据本技术的一个方面，提供了一种基于分布式光纤传感系统的导管架水下应力检测系统，其包括：
7.应变数据采集单元，用于获取由部署于待测导管架的分布式光纤传感系统提供的应变云图；
8.应力分布特征提取单元，用于将所述应变云图通过作为特征提取器的卷积神经网
络模型以得到应变特征图；
9.空间增强单元，用于将所述应变特征图通过空间注意力模块以得到空间增强应变特征图；
10.局部特征展开单元，用于将所述空间增强应变特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个局部区域应变特征向量；
11.上下文编码单元，用于将所述多个局部区域应变特征向量通过基于转换器的上下文编码器以得到分类特征向量；以及
12.应力检测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待测导管架的应力分布是否正常。
13.在上述基于分布式光纤传感系统的导管架水下应力检测系统中，所述应力分布特征提取单元，进一步用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述应变特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述应变云图。
14.在上述基于分布式光纤传感系统的导管架水下应力检测系统中，所述空间增强单元，进一步用于：计算所述应变特征图的沿空间维度的各个特征矩阵的全局均值以得到空间特征向量；将所述空间特征向量输入softmax激活函数以得到空间注意力权重特征向量；以及，以所述空间注意力权重特征向量中各个位置的特征值作为权重分别对所述应变特征图的沿空间维度的各个特征矩阵进行加权以得到所述空间增强应变特征图。
15.在上述基于分布式光纤传感系统的导管架水下应力检测系统中，所述局部特征展开单元，进一步用于将所述空间增强应变特征图的沿通道维度的各个特征矩阵按照行向量或者列向量维度进行展开多个局部区域应变特征向量。
16.在上述基于分布式光纤传感系统的导管架水下应力检测系统中，所述上下文编码单元，包括：上下文关联特征提取子单元，用于将所述多个局部区域应变特征向量通过所述基于转换器的上下文编码器以得到多个上下文语义区域应变特征向量；级联子单元，用于将所述多个上下文语义区域应变特征向量进行级联以得到所述分类特征向量。
17.在上述基于分布式光纤传感系统的导管架水下应力检测系统中，所述上下文关联特征提取子单元，进一步用于：将所述多个局部区域应变特征向量进行一维排列以得到全局区域应变特征向量；计算所述全局区域应变特征向量与所述多个局部区域应变特征向量中各个区域应变特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个局部区域应变特征向量中各个区域应变特征向量进行加权以得到所述多个上下文语义区域应变特征向量。
18.在上述基于分布式光纤传感系统的导管架水下应力检测系统中，所述应力检测结果生成单元，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特
征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成子单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
19.在上述基于分布式光纤传感系统的导管架水下应力检测系统中，还包括用于对所述作为特征提取器的卷积神经网络模型、所述空间注意力模块、所述基于转换器的上下文编码器和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练应变云图，以及，所述待测导管架的应力分布是否正常的真实值；训练应力分布特征提取单元，用于将所述训练应变云图通过所述作为特征提取器的卷积神经网络模型以得到训练应变特征图；训练空间增强单元，用于将所述训练应变特征图通过所述空间注意力模块以得到训练空间增强应变特征图；训练局部特征展开单元，用于将所述训练空间增强应变特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个训练局部区域应变特征向量；训练上下文编码单元，用于将所述多个训练局部区域应变特征向量通过所述基于转换器的上下文编码器以得到训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述作为特征提取器的卷积神经网络模型、所述空间注意力模块、所述基于转换器的上下文编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数作为加权权重对所述训练分类特征向量进行加权迭代。
20.在上述基于分布式光纤传感系统的导管架水下应力检测系统中，所述在所述训练的每一轮迭代中，以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数作为所述分类器的标签值；
21.其中，所述公式为：
[0022][0023]
v是所述分类特征向量，m是所述分类器对所述分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，d(
·
,
·
)表示向量之间的距离，||
·
||2表示向量的二范数，且α和β是权重超参数，exp(
·
)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
[0024]
根据本技术的另一方面，提供了一种基于分布式光纤传感系统的导管架水下应力检测方法，其包括：
[0025]
应变数据采集步骤：获取由部署于待测导管架的分布式光纤传感系统提供的应变云图；
[0026]
应力分布特征提取步骤：将所述应变云图通过作为特征提取器的卷积神经网络模型以得到应变特征图；
[0027]
空间增强步骤：将所述应变特征图通过空间注意力模块以得到空间增强应变特征图；
[0028]
局部特征展开步骤：将所述空间增强应变特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个局部区域应变特征向量；
[0029]
上下文编码步骤：将所述多个局部区域应变特征向量通过基于转换器的上下文编码器以得到分类特征向量；以及
[0030]
应力检测结果生成步骤：将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待测导管架的应力分布是否正常。
[0031]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于分布式光纤传感系统的导管架水下应力检测方法。
[0032]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于分布式光纤传感系统的导管架水下应力检测方法。
[0033]
与现有技术相比，本技术提供的一种基于分布式光纤传感系统的导管架水下应力检测系统，其通过采用基于深度学习的人工智能检测技术，以通过分布式光纤传感系统提供的应变云图的智能分析来进行导管架的应力分布检测。具体地，通过人工智能算法来提取出所述应变云图中聚焦于所述导管架空间位置上的应力分布特征信息，并基于各个局部位置的应力特征分布来进行整体的全局性关联特征分布提取，以此来提高对于导管架的应力分布检测的精准度。这样，能够智能地对于海上风电场导管架的应力分布是否正常进行准确地检测，以保障海上风电导管架的安全性，降低企业后期维修成本。
附图说明
[0034]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0035]
图1为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统的应用场景图；
[0036]
图2为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统的框图；
[0037]
图3为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统的框图；
[0038]
图4为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统的系统架构图；
[0039]
图5为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统中卷积神经网络编码的流程图；
[0040]
图6为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统中空间增强过程的流程图；
[0041]
图7为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统中上下文编码过程的流程图；
[0042]
图8为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统中训练模块的系统架构图；
[0043]
图9为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测方法的流程图；
[0044]
图10为根据本技术实施例的电子设备的框图。
具体实施方式
[0045]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0046]
场景概述
[0047]
如前背景技术所言，传统的对于海上风电场导管架的受力监测方案大多数是通过传感器获取导管架的受力情况，并基于受力情况来通过相关技术人员的分析以进行人工监测，这会造成人工监测效率低、实时性差等问题，并且易出现人为误差，给导管架的受力情况检测结果带来影响。不仅如此，传统的受力监测方案在部署传感器时，由于水下的环境恶劣，这给传感器的部署带来了困难。因此，期望一种优化的导管架水下应力检测系统。
[0048]
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0049]
近年来，深度学习以及神经网络的发展为导管架的水下应力检测提供了新的解决思路和方案。
[0050]
相应地，考虑到传统的对于海上风电场导管架水下应力检测方案对于人员操作技能要求较高、产生的效费比低、智能化水平低，并且对于传感器的部署较为困难，进而降低了对于导管架的应力分布的检测准确性。同时，还考虑到与依赖于在预定点处测量的离散传感器的传统传感器不同，分布式探测不依赖于制造的传感器，而是利用光纤。光纤本身是传感元件，在光路中没有任何附加的传感器。由于光纤是传感器，因此它也是一种经济高效的方法，即使在最恶劣和最不寻常的环境中也可以轻松部署。
[0051]
基于此，在本技术的技术方案中，采用基于深度学习的人工智能检测技术，以通过分布式光纤传感系统提供的应变云图的智能分析来进行导管架的应力分布检测。具体地，通过人工智能算法来提取出所述应变云图中聚焦于所述导管架空间位置上的应力分布特征信息，并基于各个局部位置的应力特征分布来进行整体的全局性关联特征分布提取，以此来提高对于导管架的应力分布检测的精准度。这样，能够智能地对于海上风电场导管架的应力分布是否正常进行准确地检测，以保障海上风电导管架的安全性，降低企业后期维修成本。
[0052]
具体的，在本技术的技术方案中，首先，通过部署于待测导管架的分布式光纤传感系统提供应变云图。应可以理解，所述应变云图为有限元软件里面生成的机构在给定外力作用下表现出来的各部分应力大小和分布的云图，其能够很好地反映出所述待测导管架的应力分布情况。接着，再将所述应变云图通过在图像的隐含特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型中进行处理，以提取出所述应变云图中关于所述待测导管架的隐含特征分布信息，从而得到应变特征图。
[0053]
然后，考虑到在对于所述待测导管架的应力分布进行检测时，应更关注于所述待测导管架的空间位置上的应力分布情况，因此，在进行所述待测导管架的隐含特征提取时应聚焦于其在空间上的应力分布特征信息。具体地，在本技术的技术方案中，将所述应变特
征图通过空间注意力模块以得到空间增强应变特征图。应可以理解，所述空间注意力所提取到的图像特征反映了所述应变云图中关于导管架的应力分布信息在空间维度上的特征差异权重，用来抑制或强化不同空间位置的特征。
[0054]
进一步地，由于在对于所述待测导管架的应力分布是否正常进行检测判断时，所述待测导管架上的各个局部区域的应力之间具有着相互的影响，也就是说，所述待测导管架上的各个局部区域的应力特征在高维空间中具有着关联性的特征分布信息，因此，为了能够充分地提取出所述导管架上的应力分布特征信息，以此来进行应力分布是否正常的准确检测，需要进一步提取其在空间上的应力分布的全局性关联特征信息。具体地，在本技术的技术方案中，进一步将所述空间增强应变特征图的沿通道维度的各个特征矩阵按行或列展开为特征向量，以得到具有所述待测导管架的多个局部区域空间隐含特征的多个局部区域应变特征向量。
[0055]
接着，再将所述多个局部区域应变特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述导管架在空间位置上的各个局部区域的应力分布隐含特征基于全局的关联性特征分布信息，从而得到分类特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个局部区域应变特征向量中各个局部区域应变特征向量进行基于全局的上下文语义编码以得到以所述多个局部区域应变特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述分类特征向量。应可以理解，在本技术的技术方案中，通过所述基于转换器的编码器可以捕捉所述导管架在空间位置上的各个局部区域的应力分布隐含特征相对于所述导管架整体的应力分布隐含特征的上下文语义关联特征表示。
[0056]
然后，进一步再将所述分类特征向量通过分类器以得到用于表示待测导管架的应力分布是否正常的分类结果。这样，能够智能地对于海上风电场导管架的应力分布是否正常进行准确地检测，以保障海上风电导管架的安全性，降低企业后期维修成本。
[0057]
特别地，在本技术的技术方案中，将所述多个局部区域应变特征向量通过基于转换器的上下文编码器得到所述分类特征向量时，是将所述多个局部区域应变特征向量通过基于转换器的上下文编码器得到的多个上下文局部区域应变特征向量直接级联以得到所述分类特征向量时，因此，即使所述基于转换器的上下文编码器能够提取所述多个局部区域应变特征向量之间的关联关系以提升所述多个上下文局部区域应变特征向量之间的特征语义分布的相关性，但在直接级联特征向量的情况下，由于所述多个上下文局部区域应变特征向量之间的显式关联性较低，仍然会使得所述分类特征向量的整体分布具有较强的离散性，使得分类器的训练困难，尤其是分类器的标签值的收敛困难。
[0058]
因此，优选地使用软标签学习来代替常用的硬标签学习，具体地，在每次迭代时，计算所述分类特征向量的基于跨分类器软相似性的自由标签优化因数作为所述分类器的标签值；
[0059]
其中，所述公式为：
[0060][0061]
v是所述分类特征向量，m是所述分类器对所述分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，d(
·
,
·
)表示向量之间的距离，||
·
||2表示向量的二范
数，且α和β是权重超参数，exp(
·
)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
[0062]
这里，所述基于跨分类器软相似性的自由标签优化因数通过在以硬标签值计算特征向量的分类概率之前来对所述分类特征向量和分类器对于其的权重矩阵进行双向聚簇，来通过所述分类特征向量与所述权重矩阵的跨分类器的软相似性模拟基于分类器权重矩阵的伪类别，从而以软相似性学习来避免了硬标签学习带来的分类量化损失，实现了更关注于分类器的内在权重结构的自由标签优化，从而优化了分类器的标签值的训练，提升了分类器的训练速度。这样，能够智能地对于海上风电场导管架的应力分布是否正常进行准确地检测，以保障海上风电导管架的安全性，降低企业后期维修成本。
[0063]
基于此，本技术提出了一种基于分布式光纤传感系统的导管架水下应力检测系统，其包括：应变数据采集单元，用于获取由部署于待测导管架的分布式光纤传感系统提供的应变云图；应力分布特征提取单元，用于将所述应变云图通过作为特征提取器的卷积神经网络模型以得到应变特征图；空间增强单元，用于将所述应变特征图通过空间注意力模块以得到空间增强应变特征图；局部特征展开单元，用于将所述空间增强应变特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个局部区域应变特征向量；上下文编码单元，用于将所述多个局部区域应变特征向量通过基于转换器的上下文编码器以得到分类特征向量；以及，应力检测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待测导管架的应力分布是否正常。
[0064]
图1为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统的应用场景图。如图1所示，在该应用场景中，通过由部署于待测导管架的分布式光纤传感系统(例如，如图1中所示意的s1)获取应变云图。接着，将上述图像输入至部署有用于基于分布式光纤传感系统的导管架水下应力检测算法的服务器(例如，图1中的s2)中，其中，所述服务器能够以所述基于分布式光纤传感系统的导管架水下应力检测算法对上述图像进行处理，以生成用于表示待测导管架的应力分布是否正常的分类结果。
[0065]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0066]
示例性系统
[0067]
图2为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统的框图。如图2所示，根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统300包括推断模块，其中，所述推断模块包括：应变数据采集单元310；应力分布特征提取单元320；空间增强单元330；局部特征展开单元340；上下文编码单元350；以及，应力检测结果生成单元360。
[0068]
其中，所述应变数据采集单元310，用于获取由部署于待测导管架的分布式光纤传感系统提供的应变云图；所述应力分布特征提取单元320，用于将所述应变云图通过作为特征提取器的卷积神经网络模型以得到应变特征图；所述空间增强单元330，用于将所述应变特征图通过空间注意力模块以得到空间增强应变特征图；所述局部特征展开单元340，用于将所述空间增强应变特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个局部区域应变特征向量；所述上下文编码单元350，用于将所述多个局部区域应变特征向量通过基于转换器的上下文编码器以得到分类特征向量；以及，所述应力检测结果生成单元
360，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待测导管架的应力分布是否正常。
[0069]
图4为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统的系统架构图。如图4所示，在所述基于分布式光纤传感系统的导管架水下应力检测系统300的系统架构中，在推断过程中，首先通过所述应变数据采集单元310获取由部署于待测导管架的分布式光纤传感系统提供的应变云图；接着，所述应力分布特征提取单元320将所述应变数据采集单元310获取的应变云图通过作为特征提取器的卷积神经网络模型以得到应变特征图；所述空间增强单元330将所述应力分布特征提取单元320得到的应变特征图通过空间注意力模块以得到空间增强应变特征图；然后，所述局部特征展开单元340将所述空间增强单元330得到的空间增强应变特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个局部区域应变特征向量；所述上下文编码单元350将所述局部特征展开单元340得到的多个局部区域应变特征向量通过基于转换器的上下文编码器以得到分类特征向量；进而，所述应力检测结果生成单元360将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待测导管架的应力分布是否正常。
[0070]
具体地，在所述基于分布式光纤传感系统的导管架水下应力检测系统300的运行过程中，所述应变数据采集单元310，用于获取由部署于待测导管架的分布式光纤传感系统提供的应变云图。考虑到传统的对于海上风电场导管架水下应力检测方案对于人员操作技能要求较高、产生的效费比低、智能化水平低，并且对于传感器的部署较为困难，进而降低了对于导管架的应力分布的检测准确性。同时，还考虑到与依赖于在预定点处测量的离散传感器的传统传感器不同，分布式探测不依赖于制造的传感器，而是利用光纤。光纤本身是传感元件，在光路中没有任何附加的传感器。由于光纤是传感器，因此它也是一种经济高效的方法，即使在最恶劣和最不寻常的环境中也可以轻松部署，因此，在本技术的技术方案中，以通过分布式光纤传感系统提供的应变云图的智能分析来进行导管架的应力分布检测，在本技术的一个具体示例中，可通过部署于待测导管架的分布式光纤传感系统提供应变云图。
[0071]
具体地，在所述基于分布式光纤传感系统的导管架水下应力检测系统300的运行过程中，所述应力分布特征提取单元320，用于将所述应变云图通过作为特征提取器的卷积神经网络模型以得到应变特征图。应可以理解，所述应变云图为有限元软件里面生成的机构在给定外力作用下表现出来的各部分应力大小和分布的云图，其能够很好地反映出所述待测导管架的应力分布情况。接着，再将所述应变云图通过在图像的隐含特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型中进行处理，以提取出所述应变云图中关于所述待测导管架的隐含特征分布信息，从而得到应变特征图。在一个具体示例中，所述第一卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理，其中，卷积神经网络的第一层的输入数据为所述应变云图，卷积神经网络的最后一层的输出数据为所述应变特征图。
[0072]
图5为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统
中卷积神经网络编码的流程图。如图5所示，在所述卷积神经网络编码过程中，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：s210，对输入数据进行卷积处理以得到卷积特征图；s220，对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，s230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述应变特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述应变云图。
[0073]
具体地，在所述基于分布式光纤传感系统的导管架水下应力检测系统300的运行过程中，所述空间增强单元330，用于将所述应变特征图通过空间注意力模块以得到空间增强应变特征图。考虑到在对于所述待测导管架的应力分布进行检测时，应更关注于所述待测导管架的空间位置上的应力分布情况，因此，在进行所述待测导管架的隐含特征提取时应聚焦于其在空间上的应力分布特征信息。具体地，在本技术的技术方案中，将所述应变特征图通过空间注意力模块以得到空间增强应变特征图。应可以理解，所述空间注意力所提取到的图像特征反映了所述应变云图中关于导管架的应力分布信息在空间维度上的特征差异权重，用来抑制或强化不同空间位置的特征。更具体地，所述将所述应变特征图通过空间注意力模块以得到空间增强应变特征图，包括：计算所述应变特征图的沿空间维度的各个特征矩阵的全局均值以得到空间特征向量，将所述空间特征向量输入softmax激活函数以得到空间注意力权重特征向量；进而，以所述空间注意力权重特征向量中各个位置的特征值作为权重分别对所述应变特征图的沿空间维度的各个特征矩阵进行加权以得到所述空间增强应变特征图。
[0074]
图6为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统中空间增强过程的流程图。如图6所示，在所述空间增强过程中，包括：s310，计算所述应变特征图的沿空间维度的各个特征矩阵的全局均值以得到空间特征向量；s320，将所述空间特征向量输入softmax激活函数以得到空间注意力权重特征向量；以及，s330，以所述空间注意力权重特征向量中各个位置的特征值作为权重分别对所述应变特征图的沿空间维度的各个特征矩阵进行加权以得到所述空间增强应变特征图。
[0075]
具体地，在所述基于分布式光纤传感系统的导管架水下应力检测系统300的运行过程中，所述局部特征展开单元340，用于将所述空间增强应变特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个局部区域应变特征向量。应可以理解，由于在对于所述待测导管架的应力分布是否正常进行检测判断时，所述待测导管架上的各个局部区域的应力之间具有着相互的影响，也就是说，所述待测导管架上的各个局部区域的应力特征在高维空间中具有着关联性的特征分布信息，因此，为了能够充分地提取出所述导管架上的应力分布特征信息，以此来进行应力分布是否正常的准确检测，需要进一步提取其在空间上的应力分布的全局性关联特征信息。具体地，在本技术的技术方案中，进一步将所述空间增强应变特征图的沿通道维度的各个特征矩阵按行或列展开为特征向量，以得到具有所述待测导管架的多个局部区域空间隐含特征的多个局部区域应变特征向量。在本技术的一个具体示例中，可将所述空间增强应变特征图的沿通道维度的各个特征矩阵按照行向量或者列向量维度进行展开多个局部区域应变特征向量。
[0076]
具体地，在所述基于分布式光纤传感系统的导管架水下应力检测系统300的运行过程中，所述上下文编码单元350，用于将所述多个局部区域应变特征向量通过基于转换器
的上下文编码器以得到分类特征向量。也就是，将所述多个局部区域应变特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述导管架在空间位置上的各个局部区域的应力分布隐含特征基于全局的关联性特征分布信息，从而得到分类特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个局部区域应变特征向量中各个局部区域应变特征向量进行基于全局的上下文语义编码以得到以所述多个局部区域应变特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述分类特征向量。应可以理解，在本技术的技术方案中，通过所述基于转换器的编码器可以捕捉所述导管架在空间位置上的各个局部区域的应力分布隐含特征相对于所述导管架整体的应力分布隐含特征的上下文语义关联特征表示。更具体地，将所述多个局部区域应变特征向量通过所述基于转换器的上下文编码器以得到多个上下文语义区域应变特征向量；以及，将所述多个上下文语义区域应变特征向量进行级联以得到所述分类特征向量。在一个具示例中，以如下公式来融合所述多个上下文语义区域应变特征向量以得到分类特征向量；其中，所述公式为：vc＝concat[v1，v2，...vn]，其中v1，v2，...vn表示所述多个上下文语义区域应变特征向量，concat[
·
,
·
]表示级联函数，vc表示所述分类特征向量。
[0077]
图7为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统中上下文编码过程的流程图。如图7所示，在所述上下文编码过程中，包括：s410，将所述多个局部区域应变特征向量进行一维排列以得到全局区域应变特征向量；s420，计算所述全局区域应变特征向量与所述多个局部区域应变特征向量中各个区域应变特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；s430，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；s440，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；s450，分别以所述多个概率值中各个概率值作为权重对所述多个局部区域应变特征向量中各个区域应变特征向量进行加权以得到所述多个上下文语义区域应变特征向量。
[0078]
具体地，在所述基于分布式光纤传感系统的导管架水下应力检测系统300的运行过程中，所述应力检测结果生成单元360，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待测导管架的应力分布是否正常。也就是，将所述分类特征向量通过分类器以得到用于表示待测导管架的应力分布是否正常的分类结果。这样，能够智能地对于海上风电场导管架的应力分布是否正常进行准确地检测，以保障海上风电导管架的安全性，降低企业后期维修成本。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的softmax层。在一个具体的示例中，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的softmax层，即，使用所述softmax分类函数对所述编码分类特征向量进行分类处理以得到用于表示待测导管架的应力分布是否正常的分类结果。更具体地，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。更具体地，所述将所述分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：
[0079]
o＝softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为分类特征向量。
[0080]
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述作为特征提取器的卷积神经网络模型、所述空间注意力模块、所述基于转换器的上下文编码器和所述分类器进行训练。也就是说，在本技术的基于分布式光纤传感系统的导管架水下应力检测系统中，还包括训练模块，用于对所述作为特征提取器的卷积神经网络模型、所述空间注意力模块、所述基于转换器的上下文编码器和所述分类器进行训练。
[0081]
图3为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统的框图。如图3所示，根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统300，还包括训练模块400，所述训练模块包括：训练数据获取单元410；训练应力分布特征提取单元420；训练空间增强单元430；训练局部特征展开单元440；训练上下文编码单元450；分类损失单元460；以及，训练单元470。
[0082]
其中，所述训练数据获取单元410，用于获取训练应变云图，以及，所述待测导管架的应力分布是否正常的真实值；所述训练应力分布特征提取单元420，用于将所述训练应变云图通过所述作为特征提取器的卷积神经网络模型以得到训练应变特征图；所述训练空间增强单元430，用于将所述训练应变特征图通过所述空间注意力模块以得到训练空间增强应变特征图；所述训练局部特征展开单元440，用于将所述训练空间增强应变特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个训练局部区域应变特征向量；所述训练上下文编码单元450，用于将所述多个训练局部区域应变特征向量通过所述基于转换器的上下文编码器以得到训练分类特征向量；所述分类损失单元460，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；所述训练单元470，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述作为特征提取器的卷积神经网络模型、所述空间注意力模块、所述基于转换器的上下文编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数作为加权权重对所述训练分类特征向量进行加权迭代。
[0083]
图8为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统中训练模块的系统架构图。如图8所示，在所述基于分布式光纤传感系统的导管架水下应力检测系统300的系统架构中，在训练过程中，首先通过所述训练数据获取单元410获取训练应变云图，以及，所述待测导管架的应力分布是否正常的真实值；所述训练应力分布特征提取单元420将所述训练数据获取单元410获取的训练应变云图通过所述作为特征提取器的卷积神经网络模型以得到训练应变特征图；接着，所述训练空间增强单元430将所述训练应力分布特征提取单元420提取的训练应变特征图通过所述空间注意力模块以得到训练空间增强应变特征图；所述训练局部特征展开单元440将所述训练空间增强单元430得到的训练空间增强应变特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个训练局部区域应变特征向量；然后，所述训练上下文编码单元450将所述训练局部特征展开单元440得到的多个训练局部区域应变特征向量通过所述基于转换器的上下文编码器以得到训练分类特征向量；所述分类损失单元460将所述训练分类特征向量通过所述分类器以得到分类损失函数值；进而，所述训练单元470基于所述分类损失函数值并通过梯度下降的方向传播来对所述作为特征提取器的卷积神经网络模型、所述空间注意力模块、所述基于转换器
的上下文编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数作为加权权重对所述训练分类特征向量进行加权迭代。
[0084]
特别地，在本技术的技术方案中，将所述多个局部区域应变特征向量通过基于转换器的上下文编码器得到所述分类特征向量时，是将所述多个局部区域应变特征向量通过基于转换器的上下文编码器得到的多个上下文局部区域应变特征向量直接级联以得到所述分类特征向量时，因此，即使所述基于转换器的上下文编码器能够提取所述多个局部区域应变特征向量之间的关联关系以提升所述多个上下文局部区域应变特征向量之间的特征语义分布的相关性，但在直接级联特征向量的情况下，由于所述多个上下文局部区域应变特征向量之间的显式关联性较低，仍然会使得所述分类特征向量的整体分布具有较强的离散性，使得分类器的训练困难，尤其是分类器的标签值的收敛困难。因此，优选地使用软标签学习来代替常用的硬标签学习，具体地，在每次迭代时，计算所述分类特征向量的基于跨分类器软相似性的自由标签优化因数所述分类器的标签值；
[0085]
其中，所述公式为：
[0086][0087]
v是所述分类特征向量，m是所述分类器对所述分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，d(
·
,
·
)表示向量之间的距离，||
·
||2表示向量的二范数，且α和β是权重超参数，exp(
·
)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
[0088]
这里，所述基于跨分类器软相似性的自由标签优化因数通过在以硬标签值计算特征向量的分类概率之前来对所述分类特征向量和分类器对于其的权重矩阵进行双向聚簇，来通过所述分类特征向量与所述权重矩阵的跨分类器的软相似性模拟基于分类器权重矩阵的伪类别，从而以软相似性学习来避免了硬标签学习带来的分类量化损失，实现了更关注于分类器的内在权重结构的自由标签优化，从而优化了分类器的标签值的训练，提升了分类器的训练速度。这样，能够智能地对于海上风电场导管架的应力分布是否正常进行准确地检测，以保障海上风电导管架的安全性，降低企业后期维修成本。
[0089]
综上，根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统300被阐明，其通过采用基于深度学习的人工智能检测技术，以通过分布式光纤传感系统提供的应变云图的智能分析来进行导管架的应力分布检测。具体地，通过人工智能算法来提取出所述应变云图中聚焦于所述导管架空间位置上的应力分布特征信息，并基于各个局部位置的应力特征分布来进行整体的全局性关联特征分布提取，以此来提高对于导管架的应力分布检测的精准度。这样，能够智能地对于海上风电场导管架的应力分布是否正常进行准确地检测，以保障海上风电导管架的安全性，降低企业后期维修成本。
[0090]
如上所述，根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于分布式光纤传感系统的导管架水下应力检测系统300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，该基于分布式光纤传感系统的导管架水下应力检测系统300同样可以是该终端设备的众多硬件模块之一。
[0091]
替换地，在另一示例中，该基于分布式光纤传感系统的导管架水下应力检测系统300与该终端设备也可以是分立的设备，并且该基于分布式光纤传感系统的导管架水下应力检测系统300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。
[0092]
示例性方法
[0093]
图9为根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测方法的流程图。如图9所示，根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测方法，包括步骤：s110，应变数据采集步骤：获取由部署于待测导管架的分布式光纤传感系统提供的应变云图；s120，应力分布特征提取步骤：将所述应变云图通过作为特征提取器的卷积神经网络模型以得到应变特征图；s130，空间增强步骤：将所述应变特征图通过空间注意力模块以得到空间增强应变特征图；s140，局部特征展开步骤：将所述空间增强应变特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个局部区域应变特征向量；s150，上下文编码步骤：将所述多个局部区域应变特征向量通过基于转换器的上下文编码器以得到分类特征向量；以及，s160，应力检测结果生成步骤：将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待测导管架的应力分布是否正常。
[0094]
在一个示例中，在上述基于分布式光纤传感系统的导管架水下应力检测方法中，所述步骤s120，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述应变特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述应变云图。
[0095]
在一个示例中，在上述基于分布式光纤传感系统的导管架水下应力检测方法中，所述步骤s130，包括：计算所述应变特征图的沿空间维度的各个特征矩阵的全局均值以得到空间特征向量；将所述空间特征向量输入softmax激活函数以得到空间注意力权重特征向量；以及，以所述空间注意力权重特征向量中各个位置的特征值作为权重分别对所述应变特征图的沿空间维度的各个特征矩阵进行加权以得到所述空间增强应变特征图。
[0096]
在一个示例中，在上述基于分布式光纤传感系统的导管架水下应力检测方法中，所述步骤s140，包括：将所述空间增强应变特征图的沿通道维度的各个特征矩阵按照行向量或者列向量维度进行展开多个局部区域应变特征向量。
[0097]
在一个示例中，在上述基于分布式光纤传感系统的导管架水下应力检测方法中，所述步骤s150，包括：将所述多个局部区域应变特征向量通过所述基于转换器的上下文编码器以得到多个上下文语义区域应变特征向量；以及，将所述多个上下文语义区域应变特征向量进行级联以得到所述分类特征向量。更具体地，所述将所述多个局部区域应变特征向量通过所述基于转换器的上下文编码器以得到多个上下文语义区域应变特征向量，包括：将所述多个局部区域应变特征向量进行一维排列以得到全局区域应变特征向量；计算所述全局区域应变特征向量与所述多个局部区域应变特征向量中各个区域应变特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵
中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个局部区域应变特征向量中各个区域应变特征向量进行加权以得到所述多个上下文语义区域应变特征向量。
[0098]
在一个示例中，在上述基于分布式光纤传感系统的导管架水下应力检测方法中，所述步骤s160，包括：使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0099]
综上，根据本技术实施例的基于分布式光纤传感系统的导管架水下应力检测方法被阐明，其通过采用基于深度学习的人工智能检测技术，以通过分布式光纤传感系统提供的应变云图的智能分析来进行导管架的应力分布检测。具体地，通过人工智能算法来提取出所述应变云图中聚焦于所述导管架空间位置上的应力分布特征信息，并基于各个局部位置的应力特征分布来进行整体的全局性关联特征分布提取，以此来提高对于导管架的应力分布检测的精准度。这样，能够智能地对于海上风电场导管架的应力分布是否正常进行准确地检测，以保障海上风电导管架的安全性，降低企业后期维修成本。
[0100]
示例性电子设备
[0101]
下面，参考图10来描述根据本技术实施例的电子设备。
[0102]
图10图示了根据本技术实施例的电子设备的框图。
[0103]
如图10所示，电子设备10包括一个或多个处理器11和存储器12。
[0104]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0105]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的基于分布式光纤传感系统的导管架水下应力检测系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征向量等各种内容。
[0106]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0107]
该输入装置13可以包括例如键盘、鼠标等等。
[0108]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0109]
当然，为了简化，图10中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0110]
示例性计算机程序产品和计算机可读存储介质
[0111]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的基于分布式光纤传感系统的导管架水下应力检测方法中的功能中的步骤。
[0112]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0113]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的基于分布式光纤传感系统的导管架水下应力检测方法中的功能中的步骤。
[0114]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0115]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0116]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0117]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0118]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0119]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。