PMLSM伺服控制系统位置与速度估计方法及装置与流程
本发明涉及电机控制技术领域，尤其是涉及一种pmlsm伺服控制系统位置与速度估计方法及装置。
背景技术：
永磁直线同步电机伺服控制系统中，需要根据电机磁极的角度进行矢量变换，以确定svpwm(spacevectorpulsewidthmodulation，空间矢量脉宽调制)模块控制信号，从而实现矢量控制；另一方面，为了实现高精度、快响应的pmlsm(permanentmagnetlinearsynchronousmotor，永磁直线同步电动机)伺服控制系统，还必须获得动子位置以及速度实时反馈值，以形成闭环控制。因此，在永磁直线同步电机无传感器伺服控制系统中，如何通过估计来获得动子的位置与速度实时信号就显得格外重要。
在永磁直线同步电机伺服控制系统等强耦合性、非线性系统中，扩展卡尔曼滤波算法(ekf)应用得最为广泛。对于pmlsm伺服控制系统，通过迭代与实时校正，该算法可以有效的抑制干扰信号以及测量噪声，所得到的估计值与实际的值的偏差在很小的范围内；另一方面，扩展卡尔曼滤波算法的应用不需要对电机进行物理改造，即电机是否具有明显凸极性，对扩展卡尔曼滤波算法的使用没任何影响。但是扩展卡尔曼滤波法对电机参数的变化较为敏感，而pmlsm在低速状态运行时电阻容易受到温度变化的影响，存在低速时扩展卡尔曼卡滤波算法估计值不精确的问题。
针对上述扩展卡尔曼滤波法对pmlsm低速状态运行时估计值不精确的问题，目前尚未提出有效的解决方案。
技术实现要素：
有鉴于此，本发明的目的在于提供一种pmlsm伺服控制系统位置与速度估计方法及装置，以提高低速状态下扩展卡尔曼滤波法的估计结果的精确性。
第一方面，本发明实施例提供了一种pmlsm伺服控制系统位置与速度估计方法，包括：在pmlsm伺服控制系统的状态变量中加入绕组电阻因子；将pmlsm伺服控制系统的状态方程进行离散线性化得到的离散线性化模型；根据离散线性化模型进行扩展卡尔曼滤波法估计位置与速度。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，
在pmlsm伺服控制系统的状态变量中加入绕组电阻因子的步骤，包括：
在系统状态向量中添加电阻分量x＝[iαiβvxr]t；
获得pmlsm伺服控制系统的状态空间模型为：
其中，ω(t)和σ(t)分别为计入的过程噪声和测量噪声，非线性矩阵为：
系统的输入矩阵b为：
系统的输出矩阵h为：
iα和iβ为α-β坐标系下的相电流；uα和uβ为α-β坐标系下的相电压；r为直线电机绕组电阻；l为直线电机相电感；v为电机动子速度；x为电机动子直线位移；τ为磁极间距；ke为反电势常数；m为动子质量；kf为推力常数；b为阻尼系数。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，将pmlsm伺服控制系统的状态方程进行离散线性化得到的离散线性化模型的步骤，包括：定义系统的雅克比矩阵如下：
根据雅克比矩阵和一阶欧拉积分对状态空间模型进行离散化处理得到离散线性化模型：
其中，φ(k)≈i+f(x(k))·ts，g＝b·ts，f为系统的雅克比矩阵，i为单位矩阵，ts为采样周期，ω(k)为过程噪声，σ(k)为测量噪声。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，根据离散线性化模型进行扩展卡尔曼滤波法估计位置与速度的步骤，包括：设置初始系统状态向量以及方差矩阵；利用上一个时刻(k-1)的最优估计值
更新卡尔曼增益矩阵：
kk＝pk|k-1ht[hpk|k-1ht+r]-1
结合k时刻输出向量的测量值yk，对系统的状态向量进行测量更新，得到最优估计
计算k时刻最优估计
pk|k＝[i-kkh]pk|k-1；
对k+1时刻的系统状态向量进行最优估计。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，还包括：估计pmlsm伺服控制系统的初始位置。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，估计pmlsm伺服控制系统的初始位置的步骤，包括：向pmlsm电机分别施加多个相同幅值不同相位的电压脉冲信号，并检测电机三相绕组的电流；根据电流进行矢量变换得到直轴电流；根据直轴电流的最大值对应的电压脉冲信号的方向角度确定动子的初始位置。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，pmlsm伺服控制系统的初始位置的步骤，包括：施加12个方向电压脉冲矢量并计算直轴电流，确定直轴与a相绕组轴线之间的夹角θ1；分别施加θ1+7.5°、θ1和θ1-7.5°三个方向的电压脉冲矢量并计算直轴电流，并确定θ2；分别施加θ2-3.75°、θ2以及θ2+3.75°三个方向的电压脉冲矢量并计算直轴电流，并确定θ3；分别施加θ3-1.875°、θ3和θ3+1.875°)三个方向的电压脉冲矢量并计算直轴电流，并确定θ4；根据θ4确定动子的初始位置。
第二方面，本发明实施例还提供一种pmlsm伺服控制系统位置与速度估计装置，包括：电阻因子添加模块，用于在pmlsm伺服控制系统的状态变量中加入绕组电阻因子；离散线性化模块，用于将pmlsm伺服控制系统的状态方程进行离散线性化得到的离散线性化模型；估计模块，用于根据离散线性化模型进行扩展卡尔曼滤波法估计位置与速度。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，电阻因子添加模块还用于：
在系统状态向量中添加电阻分量x＝[iαiβvxr]t；
获得pmlsm伺服控制系统的状态空间模型为：
其中，ω(t)和σ(t)分别为计入的过程噪声和测量噪声，非线性矩阵为：
系统的输入矩阵b为：
系统的输出矩阵h为：
iα和iβ为α-β坐标系下的相电流；uα和uβ为α-β坐标系下的相电压；r为直线电机绕组电阻；l为直线电机相电感；v为电机动子速度；x为电机动子直线位移；τ为磁极间距；ke为反电势常数；m为动子质量；kf为推力常数；b为阻尼系数。
结合第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第二种可能的实施方式，其中，离散线性化模块还用于：定义系统的雅克比矩阵如下：
根据雅克比矩阵和一阶欧拉积分对状态空间模型进行离散化处理得到离散线性化模型：
其中，φ(k)≈i+f(x(k))·ts，g＝b·ts，f为系统的雅克比矩阵，i为单位矩阵，ts为采样周期，ω(k)为过程噪声，σ(k)为测量噪声。
本发明实施例带来了以下有益效果：为了在全速范围内精确地估计出动子的位置与速度，本发明实施例提供的pmlsm伺服控制系统位置与速度估计方法及装置，利用了一种状态增广的扩展卡尔曼滤波法(aekf)，该估计算法可对系统状态以及绕组电阻进行同时估计，有效解决了因绕组电阻变化而导致估计不精准的问题。
进一步，为了获取电机初始磁极位置以使电机正常启动，本发明通过施加一系列电压脉冲信号，并检测对应d轴电流值，以此来确定初始磁极角度，该方法的理论估计精度为：±0.9375°；而对于在pmlsm无位置传感器伺服控制系统中负载扰动较大、系统参数摄动以及估计信号不确定等问题，本发明在该系统速度环中设计了一种增量式模糊pid控制器，以提升系统整体的抗扰动能力以及鲁棒性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种pmlsm伺服控制系统位置与速度估计方法的流程示意图；
图2为本发明实施例提供的pmlsm系统离散线性化框图；
图3为本发明实施例提供的电流与磁链关系示意图；
图4为本发明实施例提供的电压脉冲矢量图；
图5为本发明实施例提供的pmlsm无传感器伺服控制系统原理框图；
图6为本发明实施例提供的一种pmlsm伺服控制系统位置与速度估计装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
扩展卡尔曼滤波法(ekf)将卡尔曼滤波法的应用范围延伸到了非线性领域，现有的离散非线性系统的模型为：
xk+1＝f(xk)+γkωk(1)
yk＝f(xk+1)+σk+1(2)
在以上两个式子中，xk为系统的状态向量；yk为系统输出向量；γk为系统噪声驱动矩阵；ωk为系统噪声矩阵，且与系统状态无关；σk为系统测量噪声矩阵，并且独立于系统噪声以及时间；
在此基础上，可以假设ωk和σk是期望为零的whitegaussiannoise随机变量序列，且ωk和σk线性独立，那么相应系统过程噪声以及观测噪声的covariancematrix(协方差阵)各自为qk与rk，其中这两个方差矩阵是非负定矩阵。如用数学表达式对以上性质进行描述的话，可得到：
在上式中：
对于扩展卡尔曼滤波算法，在此定义几个相关的矩阵，它们分别是：卡尔曼滤波增益矩阵kk；为接下来预测均方误差的协方差矩阵pk+1|k，其中，下表k+1|k代表由时刻tk的状态对时刻tk+1的状态进行预测；fk是状态转移矩阵，hk是系统测量矩阵，他们均为线性化后的雅克比(jacobi)矩阵。由此，对非线性系统(1)、(2)进行改写，可以得到线性化后的离散线性系统模型：
xk+1＝fk+1|kxk+γωk+ψk(4)
yk+1＝hk+1xk+1+zk+1+σk+1(5)
其中：
通过以上的分析，再结合卡尔曼滤波算法实现原理，可得到ekf(扩展卡尔曼滤波法)的实现步骤：
(1)系统状态以及协方差预估计：
(2)卡尔曼滤波增益更新：
(3)系统状态更新：
pk+1|k+1＝[i-kk+1hk+1]pk+1|k(10)
通过以上三个步骤可以看出，扩展卡尔曼滤波法(ekf)就是一套递推滤波(估计)算法；它通过系统状态转移的规律以及观测到的信息来得到系统状态的最优估计。其中，初始的系统状态以及协方差矩阵分别为：
扩展卡尔曼滤波法通过在非线性系统函数上运用taylorseries，并取其结果的前n项(一般取n＝3)，从而就能获取其线性化函数。因为此线性化模型只是一个近似的模型，故由公式(6)～(10)估计出的系统状态以及协方差矩阵不再是最优估计(它们近似等于条件均值和方差)，因此只有在
为便于对本实施例进行理解，首先对本发明实施例所公开的一种pmlsm伺服控制系统位置与速度估计方法进行详细介绍。
实施例1
本发明实施例1提供了一种pmlsm伺服控制系统位置与速度估计方法，图1是本发明一种pmlsm伺服控制系统位置与速度估计方法的流程示意图，包括如下步骤：
步骤s11，在pmlsm伺服控制系统的状态变量中加入绕组电阻因子。
具体地，上述步骤包括：在系统状态向量中添加电阻分量x＝[iαiβvxr]t；
获得pmlsm伺服控制系统的状态空间模型为：
其中，ω(t)和σ(t)分别为计入的过程噪声和测量噪声，非线性矩阵为：
系统的输入矩阵b为：
系统的输出矩阵h为：
iα和iβ为α-β坐标系下的相电流；uα和uβ为α-β坐标系下的相电压；r为直线电机绕组电阻；l为直线电机相电感；v为电机动子速度；x为电机动子直线位移；τ为磁极间距；ke为反电势常数；m为动子质量；kf为推力常数；b为阻尼系数。
步骤s12，将pmlsm伺服控制系统的状态方程进行离散线性化得到的离散线性化模型。
其中，进行离散线性化包括以下步骤：
定义系统的雅克比矩阵如下：
根据雅克比矩阵和一阶欧拉积分对状态空间模型进行离散化处理得到离散线性化模型：
其中，φ(k)≈i+f(x(k))·ts，g＝b·ts，f为系统的雅克比矩阵，i为单位矩阵，ts为采样周期，ω(k)为过程噪声，σ(k)为测量噪声。
步骤s13，根据离散线性化模型进行扩展卡尔曼滤波法估计位置与速度。
本实施例提供的上述方法，利用扩展卡尔曼滤波法，在状态向量中加入绕组电阻因子形成了状态增广的扩展卡曼滤波法算法(aekf)，估计pmlsm动子位置及速度，可以降低直线电机在低速运行时电阻参数容易受到温度变化的影响，从而提高算法估计精度。
以下详述pmlsm伺服控制系统状态方程的线性化与离散化过程。
联合永磁直线同步电机伺服控制系统α-β坐标系下的电流方程与运动方程为：
根据以上四个方程，可以定义系统的状态向量为：x＝[iαiβvx]t，系统的输入向量为：u＝[uαuβ]t，则pmlsm伺服控制系统的状态空间模型为：
式中，非线性系统矩阵为：
系统的输入矩阵和输出矩阵分别为：
在式(17)-(19)中，iα和iβ为α-β坐标系下的相电流；uα和uβ为α-β坐标系下的相电压；r为直线电机绕组电阻；l为直线电机相电感；v为电机动子速度；x为电机动子直线位移；τ为磁极间距；ke为反电势常数；m为动子质量；kf为推力常数；b为阻尼系数。
通过以上分析，为了解决低速时电机相电阻容易受温度变化影响的问题，在系统状态向量中添加电阻分量x＝[iαiβvxr]t，从而可对三相绕阻以及其他分量(位置/速度)进行同步预测。这里由于电阻的变化率比较缓慢，故可以假设其变化率为零，即dr/dt＝0。现对式(16)进行重写：
其中，ω(t)和σ(t)分别为计入的过程噪声和测量噪声
式(20)中，非线性系统矩阵为：
系统的输入矩阵b为：
系统的输出矩阵h为：
为了在pmlsm伺服控制系统模型上使用状态增广的扩展卡尔曼滤波法(aekf)，必须对式(20)进行线性化以及离散化处理。这里首先定义系统的雅克比矩阵(jacobi)。
在此基础上，假设采样周期为ts，当采样周期足够小的时候，可以认为采样间隔内的控制信号近似不变。因此采用一阶欧拉积分对式(20)进行离散化处理。
结合上述系统的雅克比矩阵以及一阶欧拉积分技术，最终可得到永磁直线同步电机伺服控制系统的离散线性化模型：
在该pmlsm控制系统的离散线性化模型(25)中，φ(k)≈i+f(x(k))·ts，g＝b·ts，其中f为系统的雅克比矩阵，i为单位矩阵，ts为采样周期；另一方面，上式同样计入了过程噪声ω(k)以及测量噪声σ(k)，以适应aekf估计算法的要求，这里假设它们均是期望值为零的高斯白噪声向量，已知其协方差矩阵为q、r，并且ω(k)与σ(k)线性独立。基于以上离散线性化过程和得到的离散线性化模型，图2示出了pmlsm系统离散线性化框图，其中示出了离散线性化模型中各物理量之间的关系。
以下具体介绍状态增广的扩展卡尔曼滤波估计算法(aekf)。结合前述的ekf估计算法步骤以及式(20)-式(25)，可以得到永磁直线同步电机状态增广的扩展卡尔曼滤波估计算法的步骤：
(1)初始系统状态向量以及方差矩阵的设置：设置系统初始状态向量x和误差协方差矩阵p的初值分别为
(2)预估计：利用上一个时刻(k-1)的最优估计值
上式中，fk-1为系统的雅克比矩阵(jacobi)。
(3)对卡尔曼增益矩阵进行更新(t＝k)：
kk＝pk|k-1ht[hpk|k-1ht+r]-1(28)
(4)系统状态更新：结合k时刻输出向量的测量值yk，对系统的状态向量进行测量更新，从而得到最优估计
pk|k＝[i-kkh]pk|k-1(30)
(5)跳转到步骤(2)重复依次执行，对k+1时刻的系统状态向量进行最优估计。
系统的状态向量初始值即为
如上所述，对pmlsm伺服控制系统进行高性能的矢量控制，必须知道动子的初始位置，以实现磁场定向、励磁和绕组电流推力分量的解耦。本实施例利用一种给电机施加电压脉冲向量的方法，以此来估计电机动子的初始位置。上述方法还包括：估计pmlsm伺服控制系统的初始位置。具体通过以下步骤实现：(1)向pmlsm电机分别施加多个相同幅值不同相位的电压脉冲信号，并检测电机三相绕组的电流；(2)根据电流进行矢量变换得到直轴电流；(3)根据直轴电流的最大值对应的电压脉冲信号的方向角度确定动子的初始位置。
利用施加电压脉冲向量的方法从而检测动子位置是基于电机饱和效应原理，参见图3所示电流与磁链关系示意图：(1)若d(直轴)电流的方向朝n极靠近时，电机的铁心会接近饱和，当铁心趋向饱和时则会产生磁链δψ+所需的激励电流δi+；(2)若d(直轴)电流的方向与n极远离时，电机的铁心趋向于未饱和，这种情况下则会产生磁链δψ-所需的激励电流δi-，其中，δi+>δi-。
因此，通过上述电流与磁链的关系，可以知道当电机的铁心接近饱和时，电感δψ+/δi+小于电机铁心趋向未饱和时的电感δψ-/δi-。另一方面，当直轴与n极重合时，电机铁心的饱和度最高，相应的电感也最小。若以电机动子的位置为基准，则绕组电感与绕组电流在幅值上正好成反比关系，即在电机启动前给其施加一系列电压矢量，如果某一位置的绕组电感较小，则该位置的直轴电流便会较大，反之亦然。通过上述对应关系，从外部给电机施加一定的电压脉冲信号，对其d轴(直轴)的电流响应进行检测，就可以获得电机动子的初始位置。
为了估计电机静止时动子的初始位置，给电机分别施加一系列的电压脉冲信号，它们拥有相同幅值，但不同相位。然后检测电机三相绕组的电流ia、ib、ic，并对其进行矢量变换，最后得到直轴电流(id)，若此时id为最大值，则其对应的电压脉冲信号方向角度即是直轴与a相绕组轴线之间的夹角(动子的初始位置)，由此便可以检测出电机静止时动子的位置。
为了实施的简便易行，减少施加电压脉冲信号的次数以及提高估算精度，相应步骤如下：(1)参见图4所示的电压脉冲矢量图，按1-12的顺序分别施加12个方向电压脉冲信号，以确定直轴位于该图中的那一个扇区。这一步之后，角度估计误差就会在正负15°范围以内。在此基础上，运用二分法再一次施加电压脉冲信号，逐渐接近角度的精确值。(2)在第一步中得到θ1的基础上，分别施加θ1+7.5°、θ1和θ1-7.5°三个方向的电压脉冲矢量，然后分别检测得到的直轴电流，以确定最大的id。实施这步之后，角度估计误差就会缩小在正负7.5°范围以内。(3)第三步的步骤和第二步一样，在得到θ2的基础上，分别施加θ2-3.75°、θ2以及θ2+3.75°三个方向的电压脉冲矢量。通过后续检测电流、确定id最大值，最后估计误差进一步缩小在正负3.75°范围内。(4)在这一步中，依然参考第(2)、(3)步，通过施加三个方向的电压矢量(θ3-1.875°、θ3和θ3+1.875°)，并检测电流以及确定最大值，最后得出θ4。第四步中的误差理论上在正负0.9375°范围内。
需要注意的是，以上步骤所施加的电压脉冲信号要保证其幅值最大只能为pmlsm正常运行时直流母线电压幅值的1/2，以使电机动子保持静止。在这样的前提下，检测所获得的d轴电流非常小；因此，当两次施加的电压脉冲信号角度相差1°时，判断相应的d轴电流大小就会变得异常困难。所以对于以上步骤，如果继续利用二分法进行后续步骤的计算，对应的估计误差也不会进一步缩小。因此利用这种方法检测动子初始位置，理论上的最大估计精度为：±0.9375°。
结合上述的分析，通过施加电压脉冲信号的方法估计出电机动子初始位置θinitial后，就可以进行磁场定向，使电机顺利启动。
参见图5所示的pmlsm无传感器伺服控制系统原理框图，增加了电压脉冲信号发生器以及初始位置估计模块。其工作过程如下：
(1)首先把开关k1、k2各自切换到电压脉冲信号发生模块及动子初始位置估计模块；
(2)待动子初始位置θinitial获得以后，k1、k2再分别切换至电流控制器后端以及aekf估计模块，并利用aekf估计方法计算出动子位置和速度的反馈信号，使pmlsm无传感伺服控制系统能够正常运行。
为了在全速范围内精确地估计出动子的位置与速度，本发明实施例提供的pmlsm伺服控制系统位置与速度估计方法，利用了一种状态增广的扩展卡尔曼滤波法(aekf)，该估计算法可对系统状态以及绕组电阻进行同时估计，有效解决了因绕组电阻变化而导致估计不精准的问题。
进一步，为了获取电机初始磁极位置以使电机正常启动，本发明通过施加一系列电压脉冲信号，并检测对应d轴电流值，以此来确定初始磁极角度，该方法的理论估计精度为：±0.9375°；而对于在pmlsm无位置传感器伺服控制系统中负载扰动较大、系统参数摄动以及估计信号不确定等问题，本发明在该系统速度环中设计了一种增量式模糊pid控制器，以提升系统整体的抗扰动能力以及鲁棒性。
实施例2
本发明实施例3提供了一种pmlsm伺服控制系统位置与速度估计装置，参见图6所示的pmlsm伺服控制系统位置与速度估计装置的结构示意图，包括：电阻因子添加模块100、离散线性化模块200和估计模块300。
电阻因子添加模块100，用于在pmlsm伺服控制系统的状态变量中加入绕组电阻因子；
离散线性化模块200，用于将pmlsm伺服控制系统的状态方程进行离散线性化得到的离散线性化模型；
估计模块300，用于根据离散线性化模型进行扩展卡尔曼滤波法估计位置与速度。
进一步，电阻因子添加模块100还用于：
在系统状态向量中添加电阻分量x＝[iαiβvxr]t；
获得pmlsm伺服控制系统的状态空间模型为：
其中，ω(t)和σ(t)分别为计入的过程噪声和测量噪声，非线性矩阵为：
系统的输入矩阵b为：
系统的输出矩阵h为：
iα和iβ为α-β坐标系下的相电流；uα和uβ为α-β坐标系下的相电压；r为直线电机绕组电阻；l为直线电机相电感；v为电机动子速度；x为电机动子直线位移；τ为磁极间距；ke为反电势常数；m为动子质量；kf为推力常数；b为阻尼系数。
进一步，离散线性化模块200还用于：
定义系统的雅克比矩阵如下：
根据雅克比矩阵和一阶欧拉积分对状态空间模型进行离散化处理得到离散线性化模型。
本发明实施例提供的pmlsm伺服控制系统位置与速度估计装置，与上述实施例提供的pmlsm伺服控制系统位置与速度估计方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！