基于EEMD-MCNN-GRU的滚动轴承剩余使用寿命预测方法与流程

本发明涉及一种机械装备的故障预测与健康管理领域，具体来说涉及一种基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法。

背景技术：

设备故障预测与健康管理(prognosticshealthmanagement，phm)是设备正常运行维护管理中重要的一部分，剩余使用寿命预测(remainingusefullife，rul)是实现phm的关键技术之一。滚动轴承广泛的应用于各类机械传动部件中，是保证设备可靠运行的关键部件之一，其剩余寿命是衡量滚动轴承性能的重要指标，因此开展滚动轴承寿命预测研究具有重要的意义。设备剩余寿命预测方法发展至今，主要分为失效机理(physics-of-failure，pof)分析和数据驱动(data-driven，dd)这两种方法。

失效机理分析主要通过物理方法研究零部件变形、裂纹和腐蚀等退化现象,由此建立设备的失效机理模型，结合特定设备的经验知识和相关检测方法实现设备的剩余寿命预测。whler早在1847年提出的s-n疲劳寿命曲线开创了疲劳破坏的经典强度理论。后续，griffith通过研究裂纹扩展规律提出了裂纹扩展能量理论，给剩余寿命预测探究提供了新的思路。在21世纪前后对疲劳断裂理论的研究不断完善，而且在考虑到腐蚀的影响后提出了腐蚀寿命预测技术。由于基于失效机理的预测方法虽然能够较为准确的预测设备的剩余使用寿命，但是由于其必须根据特定工况和设备具体分析，此外随着装备复杂性的不断增大失效机理难以获得，因此，此类方法的推广受到了一定的限制。

基于数据驱动的方法可分为统计数据驱动方法、基于浅层的机器学习(machinelearning，ml)的方法和基于深度学习(deeplearning，dl)的方法。统计数据驱动方法中应用较多的方法有基于gamma过程的方法和基于wiener过程的方法。统计数据驱动的寿命预测结果能反映机械产品寿命的一般规律和整体特性，但是在实际工程中，其假设的模型可能会使预测精度受到限制并且需要大量试验和数据的积累作为支撑。

相较于基于机理分析的方法和统计数据驱动方法，用浅层机器学习的方法和深度学习的方法在一定程度上克服机理模型难以建立和假设的随机退化过程带来的限制，而且对输入数据的要求也较为宽泛，可以更加全面的考虑退化因素。在通过ml进行剩余寿命预测的过程中无需过多的先验知识，可实现在线监测，得到预测结果。

浅层机器学习的方法被应用到寿命预测中也取得了一定的发展。浅层机器学习中以支持向量机(supportvectormachine，svm)为主。svm首次提出是被用来解决ml的分类和回归问题，适用于分析小样本和多维化数据。发表于《.energies》2017,11(1)中的《emainingusefullifeestimationofaircraftenginesusingamodifiedsimilarityandsupportingvectormachine(svm)approach》使用svm和改进的相似性理论相结合应用于航空发动机的剩余寿命预测。但是svm存在一些如随着样本的增大，线性增加，出现过拟合、计算时间增加等固有缺陷，所以发表于《mechanicalsystems&signalprocessing》2012,31(8)中的《combiningrelevancevectormachinesandexponentialregressionforbearingresiduallifeestimation》使用了能较为有效克服过拟合问题的相关向量机(relevancevectormachine,rvm)和指数回归的方法结合预测推力轴承的剩余寿命。发表于《计算机集成制造系统》2018,24(11)中的《基于支持向量数据描述的剩余寿命预测方法》使用支持向量描述(supportvectordatadescription，svdd)的超球面与测试样本点的距离计算退化指数，并实现了轴承剩余寿命的预测。

在现代工业中监测设备运行时可采集各种类型的大量信号数据，传统的浅层机器学习要依靠专家先验知识进行特征提取，泛化性能差。深度学习的模型可以映射更为复杂的非线性关系，具有强大的特征提取能力。因此深度学习作为更加智能的方式为剩余寿命预测开拓了新方向。深度学习中经典的深度神经网络(deepneuralnetwork,dnn)的方法、卷积神经网络(convolutionalneuralnetwork,cnn)、深度置信网络(deepbeliefnetwork,dbn)]以及递归神经网络(recurrentneuralnetwork,rnn)等都被应用于剩余寿命的预测。发表于《山东大学学报(工学版)》2017，47(5)中的《基于深度学习的缓变故障早期诊断及寿命预测》用dnn进行特征提取，然后进行pca降维得到退化曲线并以此进行寿命预测。发表于《计算机集成制造系统》2019,25(07)中的《基于autoencoder-blstm的涡扇发动机剩余寿命预测》将cnn用于特征提取并直接进行了寿命预测，该文将轴承的全生命周期的振动数据进行傅里叶变换，将频域特征作为cnn的输入预测结果有效，证明了cnn在特征提取中的能力。因此，发表于《ieeeaccess》2018:1-1中的《predictionofbearingremainingusefullifewithdeepconvolutionneuralnetwork》将cnn用于特征提取并直接进行了轴承rul预测，其将轴承的全生命周期的振动信号进行傅里叶变换，再将频域特征作为cnn的输入且预测结果有效。dbn是一种半监督的深度学习算法，能通过预训练能减少训练时间，并且能有效克服随机初始化权值造成的局部最优问题。由于rnn及其改进结构能够有效处理时序问题，所以发表于《reliabilityengineering&systemsafety》2019,185中的《gatedrecurrentunitbasedrecurrentneuralnetworkforremainingusefullifepredictionofnonlineardeteriorationprocess》通过门控制循环单元神经网络(gatedrecurrentunit，gru)对航空发动机的剩余寿命进行了预测。发表于《计算机集成制造系统》2019,25(07)中的《基于autoencoder-blstm的涡扇发动机剩余寿命预测》通过结合自编码器和双向长短时记忆神经网络(bidirectionallongshort-termmemory，blstm)实现了对航空发动机寿命的预测。通过上述研究可知，深度学习在剩余寿命预测中，成效显著、应用前景较广阔。但以往的研究中，大多数只是在单一的时间尺度上对样本数据进行特征提取，这将这导致特征的提取不完全。

技术实现要素：

本发明所要解决的技术问题是：提供一种能有效解决现有的滚动轴承剩余使用寿命预测研究中存在的特征提取不完备、预测模型鲁棒性不强、预测精度较低问题的基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法。

为解决上述技术问题，本发明所采用的技术方案为：一种基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法，包括以下步骤：

s1：基于eemd的滚动轴承退化特征数据集构建

收集滚动轴承从开始使用到发生故障的全生命周期振动数据，然后按其采样周期，将采用集合经验模态分解eemd将原始振动数据分解为多个限制带宽的不同频段的imf分量，如式(1)所表示，构建轴承振动信号在不同时间尺度上的退化特征，选择反映轴承退化趋势的至少前六个imf分量作为样本，以此构建各个滚动轴承的退化特征数据集；

式中，x(t)为原始信号，n为分解的imfs数量，imfi(t)为第i个固有模式函数，r(t)为余量；

s2：退化特征数据集预处理

s21：对所有输入预测模型的退化特征数据集用式(2)进行归一化，将数据压缩在[0,1]之间；

式中，xi,j表示数据集中第i个imf分量的第j个数据点，和表示第i个imf分量的最小值和最大值；表示对xi,j归一化后的值；

s22：对归一化后的数据进行分割处理以满足预测模型的输入要求；

特征集的长度为n，将特征集中的数据按照一次采样所采数据点的个数确定为分割步长l，即一次eemd分解的长度；数据集的特征纬度为n，则模型的输入维度为(n-l，l，n)的三维张量；

s23：将退化特征数据集划分为训练集和测试集，将训练数据作为整个网络模型的输入；

s3：mcnn-gru预测模型的搭建

s31：预测模型的多尺度卷积神经网络mcnn特征提取模块搭建；

预测模型的多尺度特征提取模块包含卷积层，池化层和连接层；

首先，由若干个包含不同尺寸卷积核的一维卷积神经网络1d-cnn组成多尺度卷积层，同时在不同尺度上进行全局的特征提取，其中每个1d-cnn连接一个平均池化层，用以缩减特征；其次，在连接层将多尺度卷积层提取的特征进行合并，以便输入后续网络结构；最后，通过1d-cnn和最大池化操作完成提取特征；

s32：gru时序预测模块搭建

将提取的特征输入gru预测模块进行时间序列预测，再通过全连接层输出寿命预测结果：gru网络模型的xt，ht分别表示t时刻的gru网络的输入和输出，其中ht由下列公式迭代计算：

zt＝σ(whzht-1+wxzxt+bz)(6)

rt＝σ(whrht-1+wxrxt+br)(7)

ht＝tanh(rt*whhht-1+wxhxt+bh)(8)

式中，zt，rt分别为更新门和重置门的输出，whz，分别为t-1时刻输出和t时刻输入到更新门的权重矩阵，whr、wxr分别为t-1时刻输出和t时刻输入到重置门的权重矩阵，这两个门输出都经过一个sigmoid激活函数，其值域为[0,1]；ht分别为候选隐藏状态和隐藏状态，它们分别控制上一时刻隐藏状态ht-1中信息的保留和遗忘；whh，wxh分别为t-1时刻输出和t时刻输入到候选隐藏状态的权重矩阵，候选隐藏状态的输出经过一个tanh函数；bz，br和bh表示更新门、重置门和候选隐藏状态的偏置；

s4：mcnn-gru预测模型的训练

s41：初始化网络参数

初始化网络参数：数据分割步长l，特征纬度n，模型网络结构，初始网络权重θ，初始学习率η，指数衰减参数γ，防止0分母错误参数ε，训练次数e，批尺度b；

s42：确定模型的损失函数

模型的损失函数为均方误差(meansquareerror，mse)，训练过程中以mse最小为优化目标：

式中：yi为模型的标签值，oi为模型的实际输出；

s43：对样本设定数据标签

数据标签使用理想寿命退化曲线，即将轴承从初始运行到完全故障的时间作为最终寿命然后每隔一次采样周期递减1构造一维数组，然后使用滚动轴承经验最大寿命，把所有数据集中的数据归一化到[0,1]作为其剩余寿命，这样就对每一个样本设置了对应的标签；

s44：网络权重更新

使用rmsprop算法更新网络权重，算法的更新步骤为：

gt＝γ·gt-1+(1-γ)gt·gt(11)

式中gt表示t时刻的梯度平方和；γ表示指数衰减参数；gt表示t时刻的梯度；θt表示t时刻的参数；η表示学习率；ε是为了避免式(12)分母为0的防止0分母错误参数；

s5：基于移动平均法的预测结果局部波动平滑处理

将测试数据输入训练好的预测模型，得到初步预测结果，采用移动平均法，如式(13)对网络模型的初步预测结果进行平滑处理，去除局部波动对预测性能的影响，获得在滚动轴承全寿命周期上明显的退化趋势：

yt'＝(yt-n+yt-n+1+yt-n+2+…+yt)/(n+1)(13)

式中yt'表示在t时刻平滑之后的值，yt表示其t时刻未平滑的数据。

作为一种优选的方案，所述步骤s4中mcnn-gru模型的具体训练算法过程为：

算法：mcnn-gru模型的训练算法；

输入：经eemd分解的轴承退化振动数据集；

初始化参数：数据分割步长l，特征纬度n，模型网络结构，初始网络权重θ，初始学习率η，指数衰减参数γ，防止0分母错误参数ε，训练次数e，批尺度b；

训练过程：

a、数据标准化

b、数据分割

c、

a)fore∈ndo

b)将标准化后的数据输入mcnn-gru通过向前传播得到输出oi；

c)计算损失函数

d)使用rmsprop算法对网络权重进行更新；

e)endfor

d、输出：训练完成的mcnn-gru模型。

作为一种优选的方案，每一个所述1d-cnn包括输入层、卷积层、池化层、全连接层、输出层；

卷积层：卷积核对输入信号的局部区域进行卷积运算，如式(3)，得到相应的特征，卷积核逐步在输入数据上进行卷积然后将每次卷积的结果依次排列成一个输出向量：

式中，y^l(i,k)表示第l层的第i个卷积核对第k个卷积区域的结果；表示第l层的第i个卷积核的第j个权值；表示第l层的第i个卷积核对第k个卷积区域的卷积对象；表示第l层的第i个卷积核的偏置量；s表示卷积尺寸；

池化层：通过池化算子对卷积结果进行池化操作，以缩减模型大小，提高计算速度及所提取特征的鲁棒性；

全连接层：将池化层的输出映射到对应的标签；该层的正向传播如下式(4)：

式中，为第l层第i个神经元的输出值；为第l层第i个神经元与第l+1层第j个神经元之间的权值；为第l层所有神经元的偏置值；w为对应的节点个数；

用多个不同尺寸卷积核的卷积层同时对原始特征信号进行卷积操作实现多尺度时间上的特征提取，以表征更加完备的特征一个多尺度1d-cnn结构的公式如(5)式，

式中，表示第l层第m个卷积操作的第i个卷积核对第k个卷积区域的结果；表示第l层第m个卷积操作的第i个卷积核；表示第l层第m个卷积操作的卷积核对应的第k个卷积区域；表示第l层第m个卷积操作的第i个卷积核的偏置。

本发明的有益效果是：

(1)eemd被广泛的使用在信号处理和故障诊断中，可以自适应的在不同时间尺度上完成分解，并对故障特征反应较为敏感，本发明利用eemd构建轴承振动信号在不同时间尺度上的退化特征，通过从不同时间尺度上对滚动轴承原始振动数据进行特征提取以提高预测模型的有效性和泛化能力。

(2)为了提取轴承在不同时间尺度上的退化特征，本发明使用多个不同卷积核尺寸的cnn同时对输入数据在不同尺度上并行提取特征，mcnn这种多尺度并行结构能使全局和局部信息同步，对rul预测有显著贡献的特征。

(3)改进模型门控制循环单元神经网络(gru)作为一种可有效解决rnn梯度爆炸和梯度消失问题的变体，被成功地广泛应用于具有时序依赖关系的问题处理中，而且较另一个类似的rnn变体长短期记忆神经网络(longshort-termmemory，lstm)需要更少的参数，可以降低训练时的计算成本。滚动轴承的退化过程具有明显的时序性，因此将gru应用于该问题中将有效的学习特征中的时序信息。因此，结合mcnn与gru构建成同时具有多尺度特征提取和时序关系处理特性的网络模型，可用做剩余寿命预测的多特性预测模型。

附图说明

图1是本发明的实施例的具体流程图。

图2是mcnn-gru网络预测模型结构示意图。

图3是多尺度一维卷积示意图。

图4是实施例所用法国femto-st研究所公开的标准数据集中7个滚动轴承振动时域图。

图5是bearing1-1eemd分解的前六个imf分量。

图6是bearing1-1分解的imf频谱图。

图7是实施例中基于用本发明所提方法对4个测试滚动轴承rul预测的结果。

具体实施方式

下面结合附图，详细描述本发明的具体实施方案。

本发明提出的一种基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法实施例的具体流程图如附图2所示，包括以下步骤：

s1：基于eemd的滚动轴承退化特征数据集构建

收集7个滚动轴承从开始使用到发生故障的全生命周期振动数据，然后按其采样周期，将采用eemd将原始振动数据分解为多个限制带宽的不同频段的imf分量，如式(1)所表示，大幅度降低模态混叠现象产生的数据波动对算法的预测性能所造成的影响。构建轴承振动信号在不同时间尺度上的退化特征，选择反映轴承退化趋势的前六个imf分量作为样本，以此构建各个滚动轴承的退化特征数据集。

式中，x(t)为原始信号，n为分解的imfs数量，imfi(t)为第i个固有模式函数，r(t)为余量。

将每个轴承的振动数据按采样样本进行eemd分解，将7个轴承分解后前六个具有主要信息的imf分量作为退化特征数据集。以bearing1-1分解后的结果为例，对其分解后的前六个具有主要信息的imf分量进行分析，如附图4所示是前六个imf的时域图。从附图4中可以明显地看出imf1和imf2存在一些噪音和冲击成分，imf3和imf4是次高频成分但是噪声明显减少，imf5和imf6的幅值呈现明显逐渐增大趋势，能较好的表征轴承的退化过程。

取bearing1-1退化前、中、后、期的前六个imf分量进行傅里叶变换，其频谱图如附图5所示，a、b、c代表轴承退化的前、中、后三个时期，数字代表第几imf个分量。可以从imf1看出其中的高频成分不断向高频移动，说明其中的冲击和噪音在加剧。imf3在退化开始时出现故障频率。通过分析可以看出，固有模式函数中imf1、imf2主要包含的是高频冲击成分，imf5主要包含的是旋转引起的低频的工频分量。从以上分析可以看出各个阶段的集合经验模式分解是合理的，并且在保留了信号的时域和频域信息的同时表达出了信号的退化特征。

s2：退化特征数据集预处理

s21：对所有输入预测模型的退化特征数据集用式(2)进行归一化，将数据压缩在[0,1]之间，以便得到更好的训练精度。

式中，xi,j表示数据集中第i个imf分量的第j个数据点，和表示第i个imf分量的最小值和最大值。表示对xi,j归一化后的值。

s22：为了满足预测模型的输入要求，对归一化后的数据进行分割处理。

特征集的长度为n，将特征集中的数据按照一次采样所采数据点的个数确定为分割步长l，即一次eemd分解的长度，数据集的特征纬度为n，则模型的输入维度为(n-l，l，n)的三维张量。

s23：将退化特征数据集划分为训练集和测试集，将训练数据作为整个预测网络模型的输入。

bearing1-1、bearing1-2和bearing1-5的eemd分解结果(即退化特征数据集)作为训练集，将bearing1-3、bearing1-4、bearing1-6和bearing1-7的eemd分解结果(即退化特征数据集)作为测试集。这样划分数据集是为了平衡样本数据在轴承突发失效和退化失效两种类型的分布，让预测网络模型能够学习到更加完善的信息。

s3：mcnn-gru预测模型的搭建

mcnn-gru预测模型结构主要可分为基于mcnn特征提取模块，基于gru时间序列预测模块和dense全连接模块。其网络结构如附图6所示，具体描述如下：

s31：预测模型的mcnn特征提取模块搭建。

预测模型的多尺度特征提取模块包含卷积层，池化层和连接层。首先，由若干个包含不同尺寸卷积核的1d-cnn组成多尺度卷积层，同时在不同尺度上进行全局的特征提取，其中每个1d-cnn连接一个平均池化层，用以缩减特征；其次，在连接层将多尺度卷积层提取的特征进行合并，以便输入后续网络结构；最后，通过1d-cnn和最大池化操作完成提取特征。

s32：gru时序预测模块搭建

将提取的特征输入gru预测模块进行时间序列预测，再通过全连接层输出寿命预测结果。

s4：mcnn-gru预测模型的训练

将bearing1-1、bearing1-2和bearing1-5的eemd分解结果(即退化特征数据集)作为训练集，输入mcnn-gru预测模型中得到最优的网络结构参数。

s41：mcnn模型

卷积层：用多个不同尺寸卷积核的卷积层同时对原始特征信号进行卷积操作实现多尺度时间上的特征提取，如式(3)，卷积核逐步在输入数据上进行卷积然后将每次卷积的结果依次排列成一个输出向量，表征更加完备的特征：

式中，表示第l层第m个卷积操作的第i个卷积核对第k个卷积区域的结果；表示第l层第m个卷积操作的第i个卷积核；表示第l层第m个卷积操作的卷积核对应的第k个卷积区域；表示第l层第m个卷积操作的第i个卷积核的偏置。

池化层：通过池化算子对卷积结果进行池化操作，以缩减模型大小，提高计算速度及所提取特征的鲁棒性。

全连接层：将池化层的输出映射到对应的标签。该层的正向传播如式(4)：

式中，为第l层第i个神经元的输出值；为第l层第i个神经元与第l+1层第j个神经元之间的权值；bi^l为第l层所有神经元的偏置值；w为对应的节点个数。

s42：gru时序预测

将提取的特征输入gru预测模块进行时间序列预测，再通过全连接层输出寿命预测结果。gru网络模型的xt，ht分别表示t时刻的gru网络的输入和输出，其中ht由公式(5)—(8)迭代计算：

zt＝σ(whzht-1+wxzxt+bz)(5)

rt＝σ(whrht-1+wxrxt+br)(6)

ht＝tanh(rt*whhht-1+wxhxt+bh)(7)

式中，zt，rt分别为更新门和重置门的输出，whz，分别为t-1时刻输出和t时刻输入到更新门的权重矩阵，whr、wxr分别为t-1时刻输出和t时刻输入到重置门的权重矩阵，这两个门输出都经过一个sigmoid激活函数，其值域为[0,1]；ht分别为候选隐藏状态和隐藏状态，它们分别控制上一时刻隐藏状态ht-1中信息的保留和遗忘；whh，wxh分别为t-1时刻输出和t时刻输入到候选隐藏状态的权重矩阵，候选隐藏状态的输出经过一个tanh函数；bz，br和bh表示更新门、重置门和候选隐藏状态的偏置。

s42：初始化网络参数

初始化网络参数：数据分割步长l，特征纬度n，模型网络结构，初始网络权重θ，初始学习率η，指数衰减参数γ，防止0分母错误参数ε，训练次数e，批尺度b。

s43：确定模型的损失函数

模型的损失函数为均方误差(meansquareerror，mse)，训练过程中以mse最小为优化目标。

式中：yi为模型的标签值，oi为模型的实际输出。

s44：对样本设定数据标签

数据标签使用理想寿命退化曲线，即将轴承从初始运行到完全故障的时间作为最终寿命然后每隔一次采样周期递减1构造一维数组，然后使用滚动轴承经验最大寿命2803为最大值，把所有数据集中的数据归一化到[0,1]作为其剩余寿命，这样就对每一个样本设置了对应的标签。

s45：网络权重更新

使用rmsprop算法更新网络权重，算法的更新步骤为：

gt＝γ·gt-1+(1-γ)gt·gt(10)

式中gt表示t时刻的梯度平方和；γ表示指数衰减参数；gt表示t时刻的梯度；θt表示t时刻的参数；η表示学习率；为了避免式(11)分母为0，使用一个很小的正数ε作为修正。rmsprop算法使用指数衰减平均调整历史梯度的比重，能自适应调节学习率，能加速模型快速收敛。

优化后的网络结构模型参数如附表1所示，mcnn模块的第一层由3个拥有不同尺寸卷积核的并行1d-cnn实现，其通道数均为6，卷积核尺寸分别为4、8、16，同时在不同尺度上进行全局的特征提取。其中每个1d-cnn后连接一个尺寸为3平均池化层，用以缩减特征。其次，在concatenate层将提取的特征进行合并，以便输入后续1d-cnn网络结构，进行两次卷积和最大池化操作，第一次卷积操作的卷积核尺寸为16，通道数为8，最大池化尺寸为4，第二次卷积操作的卷积核尺寸为8，通道数为8的卷积层，最大池化尺寸为4。该模块中所有1d-cnn均采用tanh激活函数，完成特征提取操作。将提取的特征连接一个输出8个节点的gru结构，学习其时序关系。最后通过一个输出为1激活函数为sigmoid的dense全连接层得到rul预测结果。

表1网络结构模型参数

s5：基于移动平均法的预测结果局部波动平滑处理

将bearing1-3、bearing1-4、bearing1-6和bearing1-7的eemd分解结果(即退化特征数据集)作为测试集，输入步骤s4得到训练好的mcnn-gru预测模型中，得到初步预测结果。

然后，采用移动平均法，如式(12)，对网络模型的初步预测结果进行平滑处理，去除局部波动对预测性能的影响，获得在滚动轴承全寿命周期上明显的退化趋势。

y't＝(yt-n+yt-n+1+yt-n+2+…+yt)/(n+1)(12)

式中y't表示在t时刻平滑之后的值，yt表示其t时刻未平滑的数据。

得到4个测试集轴承的rul最终预测结果，如附图7所示。

并将本结果与常用的几种方法对比，结果如附表2所示。

表2本发明与其它常用方法的对比结果

将本发明所提出的方法与常用的几种方法：结合自编码器和多层感知机网络模型(autoencoderdnn)、svm、dnn-fsps和传统cnn进行对比分析，结果如附表2所示。由表2所知：(1)通过对比分析本文方法(mcnn-gru)与传统的cnn预测方法，发现本文平均预测误差为0.013，而传统的cnn平均预测误差为0.065，相较于传统cnn，本文所提方法平均预测精度提高了约80％，说明本文所提的多尺度结构在轴承退化特征提取中效果较好；(2)通过与其它模型对比，本文所提方法的平均预测精度得到了明显提升。

上述的实施例仅例示性说明本发明创造的原理及其功效，以及部分运用的实施例，而非用于限制本发明；应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。