一种风电机组变频器状态监测方法、系统及电子设备

测量装置的制造及其应用技术1.本发明涉及工业系统故障检测技术领域，特别是涉及一种风电机组变频器状态监测方法、系统及电子设备。背景技术：2.大型风电机组在节能减排的过程中起着越来越重要的作用，变频器作为大型风电机组的关键设备之一，广泛应用于永磁直驱风电系统与双馈风电系统之中，但由于变频器常常安装在外部环境中，因为温差大，油污侵蚀等原因，变频器的性能等时常遭受损害，这给风电机组的正常运行带来了巨大的隐患。因此开展大型风电机组变频器的状态监测对风电机组的健康状况十分重要。3.当前对风电机组变频器开展状态监测的方法主要有以下几种：4.1、基于机器学习构建风电机组变频器状态监测模型的方法，其中主要分为分类模型与回归模型。分类模型主要指对变频器的故障类型进行诊断，通过决策树、随机森林等方法构建基于已有故障类型的分类方法识别变频器故障并给与一定程度的状态监测。回归模型主要针对变频器的温度，通过支持向量回归、xgboost、lightgbm等方法构建回归模型，使用回归模型的预测值与实际值的残差，通过一定的残差处理方法设置置信区间，对变频器的状态进行监测，并通过残差的变化趋势给予预警。5.2、基于深度神经网络的风电机组变频器状态监测方法。主要指通过深度神经网络例如长短期记忆神经网络、卷积神经网络等建立关于变频器温度的回归模型，通过残差来进行风电机组的变频器状态监测与预警。6.但是上述方法根据模型进行预测的精度不够，造成了分析风电机组的健康状况并不准确。技术实现要素：7.为了克服现有技术的不足，本发明的目的是提供一种风电机组变频器状态监测方法、系统及电子设备。8.为实现上述目的，本发明提供了如下方案：9.一种风电机组变频器状态监测方法，包括：10.获取实际监测数据；11.将所述实际监测数据输入至训练好的状态监测模型中，得到温度预测值；12.基于残差计算和核密度估计方法，根据所述温度预测值和温度实测值确定检测阈值；13.根据检测阈值确定风电机组变频器的运行状态；14.所述状态监测模型的确定方法为：15.构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集；16.基于注意力机制和长短期记忆神经网络构建神经网络模型，并根据所述处理后的数据集对所述神经网络模型进行训练，得到所述状态监测模型。17.优选地，所述特征样本数据集包括风速、风向、叶轮转速、总有功功率、第一相电流、第二相电流、第三相电流、第一线电压、第二线电压、第三线电压、总有功功率、变频器有功功率、变频器无功功率、变频器转矩给定、变频器转矩反馈、变频器线电流、变频器主电压、变频器水冷温度、变频器水冷水压、变频器温度和电能频率。18.优选地，构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集，包括：19.对风电机组变频器故障信息进行采样，得到采样数据集；20.对所述采样数据集进行归一化处理，得到第一数据集；21.采用回归随机森林方法构建随机森林回归模型；所述随机森林回归模型的输入为所述第一数据集，所述随机森林回归模型的输出为变频器温度；22.在所述随机森林回归模型的构建过程中，对所述第一数据集中的每个特征进行评分，得到各个特征的重要性得分；23.根据所述重要性得分确定所述处理后的数据集。24.优选地，所述对所述采样数据集进行归一化处理的计算公式为：[0025][0026]其中，x和分别为所述采样数据集的数据和所述第一数据集的数据，xmax和xmin分别为所述采样数据集的最大值和最小值，ymax和ymin分别为所述采样数据集的目标范围的最大值和最小值，所述目标范围的数值范围为[-1，1]。[0027]优选地，所述神经网络模型包括依次连接的输入层、第一lstm层、第二lstm层、attention层、全连接层和输出层。[0028]优选地，所述根据所述处理后的数据集对所述神经网络模型进行训练，包括：[0029]获取采样前一个小时的变频器温度数据、变频器水冷温度数据和变频器水冷水压数据；[0030]将所述变频器温度数据、所述变频器水冷温度数据和所述变频器水冷水压数据加入至所述处理后的数据集中，得到训练数据集；[0031]根据所述训练数据集对所述神经网络模型进行训练。[0032]优选地，所述基于残差计算和核密度估计方法，根据所述温度预测值和温度实测值确定检测阈值，包括：[0033]根据所述温度预测值确定残差矩阵；[0034]根据所述残差矩阵进行计算，得到均方误差；[0035]根据所述均方误差和所述残差矩阵确定检测指标；[0036]采用所述核密度估计方法对所述检测指标进行计算，得到概率密度函数；[0037]根据所述概率密度函数确定所述检测阈值。[0038]优选地，确定所述检测指标的计算公式为：[0039]hk＝ek-mse；[0040]其中，hk为第k个所述实际监测数据中的所述检测指标，ek为第k个所述实际监测数据中的所述残差矩阵；mse为所述均方误差。[0041]一种风电机组变频器状态监测系统，包括：[0042]获取模块，用于获取实际监测数据；[0043]预测模块，用于将所述实际监测数据输入至训练好的状态监测模型中，得到温度预测值；[0044]阈值确定模块，用于基于残差计算和核密度估计方法，根据所述温度预测值和温度实测值确定检测阈值；[0045]状态确定模块，用于根据检测阈值确定风电机组变频器的运行状态；[0046]预处理模块，用于构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集；[0047]训练模块，用于基于注意力机制和长短期记忆神经网络构建神经网络模型，并根据所述处理后的数据集对所述神经网络模型进行训练，得到所述状态监测模型。[0048]一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述一种风电机组变频器状态监测方法中的步骤。[0049]根据本发明提供的具体实施例，本发明公开了以下技术效果：[0050]本发明提供了一种风电机组变频器状态监测方法、系统及电子设备，方法包括：获取实际监测数据；将所述实际监测数据输入至训练好的状态监测模型中，得到温度预测值；基于残差计算和核密度估计方法，根据所述温度预测值和温度实测值确定检测阈值；根据检测阈值确定风电机组变频器的运行状态；所述状态监测模型的确定方法为：构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集；基于注意力机制和长短期记忆神经网络构建神经网络模型，并根据所述处理后的数据集对所述神经网络模型进行训练，得到所述状态监测模型。本发明利用数据驱动的带注意力机制的长短期记忆神经网络的大型风电机组变频器状态监测方法。使用lstm能够更好的处理时间序列问题，并且注意力机制可以通过训练分析不同输入变量与输出变量的相关性，给予每个变量不同的权重提升拟合效果，提高模型的精度与准确性，从而提高了对风电机组变频器状态监测的精确程度。附图说明[0051]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。[0052]图1为本发明提供的实施例中的监测方法的流程图；[0053]图2为本发明提供的实施例中的变频器状态检测与限值报警流程图；[0054]图3为本发明提供的实施例中的模型在测试集上的表现示意图；[0055]图4为本发明提供的实施例中的神经网络架构示意图；[0056]图5为本发明提供的实施例中的监测系统的模块连接图。具体实施方式[0057]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域普通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。[0058]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。[0059]本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。[0060]本发明的目的是提供一种风电机组变频器状态监测方法、系统及电子设备，能够提高预测模型的精度与准确性，从而提高对风电机组变频器状态监测的精确程度。[0061]为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。[0062]图1为本发明提供的实施例中的监测方法的流程图，如图1所示，本发明提供了一种风电机组变频器状态监测方法，包括：[0063]步骤100：获取实际监测数据；[0064]步骤200：将所述实际监测数据输入至训练好的状态监测模型中，得到温度预测值；[0065]步骤300：基于残差计算和核密度估计方法，根据所述温度预测值和温度实测值确定检测阈值；[0066]步骤400：根据检测阈值确定风电机组变频器的运行状态；[0067]所述步骤200中的状态监测模型的确定方法为：[0068]步骤210：构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集；[0069]步骤220：基于注意力机制和长短期记忆神经网络构建神经网络模型，并根据所述处理后的数据集对所述神经网络模型进行训练，得到所述状态监测模型。[0070]图2为本发明提供的实施例中的变频器状态检测与限值报警流程图，如图2所示，本实施例中包括四个流程，具体如下：[0071]流程1：获取风力发电厂实际运行的scada数据，得到特征数据集，对数据集进行数据预处理并进行归一化处理，得到归一化之后的数据集；[0072]流程2：构建带注意力机制长短期记忆神经网络的深度神经网络模型，利用归一化之后的数据集对所述的带注意力机制长短期记忆神经网络模型进行训练，得到用于风电机组变频器状态监测的模型；[0073]流程3：将监测数据输入变频器状态监测模型，得到变频器igbt温度预测值，预测值与实际值的差作为残差，通过对残差计算得到变频器状态监测指标；[0074]流程4：对得到的变频器状态监测指标通过核密度估计的方法确定检测指标概率分布，并计算监测阈值。[0075]优选地，所述特征样本数据集包括风速、风向、叶轮转速、总有功功率、第一相电流、第二相电流、第三相电流、第一线电压、第二线电压、第三线电压、总有功功率、变频器有功功率、变频器无功功率、变频器转矩给定、变频器转矩反馈、变频器线电流、变频器主电压、变频器水冷温度、变频器水冷水压、变频器温度和电能频率。[0076]具体的，本实施例中，由于变频器安装在风轮与电网之间，因此变频器的运行不仅与变频器自身的参数有关，还与风轮、发电机、电网的重要参数有关。通过机理分析选择scada中的以下参数作为模型建立的参数。分别为风速、风向、叶轮转速、总有功功率、相电流1、相电流2、相电流3、线电压1、线电压2、线电压3、总有功功率、变频器有功功率、变频器无功功率、变频器转矩给定、变频器转矩反馈、变频器线电流、变频器主电压、变频器水冷温度、变频器水冷水压、变频器igbt温度、电能频率。以变频器igbt温度作为模型输出，以其他参数作为模型输入。[0077]优选地，构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集，包括：[0078]对风电机组变频器故障信息进行采样，得到采样数据集；[0079]对所述采样数据集进行归一化处理，得到第一数据集；[0080]采用回归随机森林方法构建随机森林回归模型；所述随机森林回归模型的输入为所述第一数据集，所述随机森林回归模型的输出为变频器温度；[0081]在所述随机森林回归模型的构建过程中，对所述第一数据集中的每个特征进行评分，得到各个特征的重要性得分；[0082]根据所述重要性得分确定所述处理后的数据集。[0083]优选地，所述对所述采样数据集进行归一化处理的计算公式为：[0084][0085]其中，x和分别为所述采样数据集的数据和所述第一数据集的数据，xmax和xmin分别为所述采样数据集的最大值和最小值，ymax和ymin分别为所述采样数据集的目标范围的最大值和最小值，所述目标范围的数值范围为[-1，1]。[0086]具体的，本实施例的流程1中，对scada中采集的数据进行预处理，具体包括数据归一化、基于随机森林的特征选择和基于自适应滤波的噪声剔除。[0087]利用归一化公式对所述数据集进行归一化，所述归一化公式为：[0088][0089]其中，x和分别对应归一化前后的数据，xmax和xmin分别对应原始数据的最大值和最小值，ymax和ymin分别对应原始数据的目标范围的最大值和最小值，由于激活函数的取值范围为[-1,1]，因此所述的归一化目标值为[-1,1]。[0090]基于随机森林的特征选择首先对待选变量做归一化处理，并将数据集分为训练集与测试集两个部分。之后采用回归随机森林方法以待选变量集做输入，以变频器igbt模块的温度作为输出，进行基于回归随机森林的输入输出建模。在随机森林回归模型的构建过程中会对每一个特征进行基于袋外数据打分。得到的结果作为特征的重要性得分。其中，vi越高表明该特征在随机森林模型建立过程中的重要程度越高，选取vi较高的变量作为特征选择的结果。[0091]基于最速下降法的最小均方误差(lms)算法的迭代公式如下：[0092]e(n)＝d(n)-xt(n)w(n)[0093]w(n+1)＝w(n)+2μe(n)x(n)[0094]其中，w(n)为自适应滤波器在时刻n的权矢量，x(n)为时刻n的输入信号矢量、d(n)为期望输出值v(n)为干扰信号，e(n)是误差信号l是自适应滤波器的长度μ是步长因子lms算法收敛的条件为：0《μ《1/λmax，λmax是自相关矩阵的最大特征值。[0095]优选地，所述神经网络模型包括依次连接的输入层、第一lstm层、第二lstm层、attention层、全连接层和输出层。[0096]本实施例中流程2为构建带注意力机制长短期记忆神经网络的深度神经网络模型；长短期记忆神经网络(long short-term memory，lstm)是一种特殊的循环神经网络(recurrent neural network，rnn)，普遍用来解决长序列数据训练过程中出现的梯度消失和梯度爆炸问题，与普通的rnn相比，lstm能够在较长的序列数据中有更好的表现。同时lstm中加入了记忆模块，更加善于处理长时间序列的问题，针对基于时间序列采集的变频器igbt模块相关监测参数，通过lstm处理具有较好的效果，本实施例中应用的模型如图4所示。[0097]x＝{x0,x1,x2,…,xt,xt}表示神经网络的输入，t为序列的长度。在一个结构单元中有两个隐状态ht和ct，这两个隐状态构造了记忆门，遗忘门和输出门。ct负责状态的遗忘和记忆，其表达式为：[0098][0099]在上式中，遗忘门为：[0100]ft＝σ(wf·[ht-1,xt]+bf)[0101]其中，σ表示激活函数，wf和bf是遗忘门的线性变换偏置，记忆门中的it和为：[0102]it＝σ(wi·[ht-1,xt]+bi)[0103][0104]其中，wi/c和bi/c是相应的线性变换矩阵和偏置。最终隐状态ht和ct得到:[0105]ht＝ot·tanh(ct)[0106]ot＝σ(wo·[ht-1,xt]+bo)[0107]其中，wo和bo是线性变换矩阵和偏置。[0108]注意力机制在模型训练的过程中能够识别关键信息并给与更高的权重，对于相关性较低的数据给与低权重或忽视非关键信息，并且在训练过程中不断更新权重，因此鲁棒性高，具有较好的模型性能。[0109]添加的注意力机制的计算公式为[0110]ut＝vttanh(ht)[0111][0112]其中，v是可训练的参数，ht是lstm输出的隐状态，是注意力机制加权之后的隐状态。首先对隐状态进行tanh函数激活后再与自身进行加权求和，然后再次用tanh函数激活。在添加了注意力机制后，网络预测的概率分布可以表示为：[0113][0114]其中，ws和bs是连接在隐状态全连接层的线性变换矩阵和偏置。在获得概率分布式以后，选取最大的类别作为模型的分类结果，即：[0115][0116]优选地，所述根据所述处理后的数据集对所述神经网络模型进行训练，包括：[0117]获取采样前一个小时的变频器温度数据、变频器水冷温度数据和变频器水冷水压数据；[0118]将所述变频器温度数据、所述变频器水冷温度数据和所述变频器水冷水压数据加入至所述处理后的数据集中，得到训练数据集；[0119]根据所述训练数据集对所述神经网络模型进行训练。[0120]优选地，所述基于残差计算和核密度估计方法，根据所述温度预测值和温度实测值确定检测阈值，包括：[0121]根据所述温度预测值确定残差矩阵；[0122]根据所述残差矩阵进行计算，得到均方误差；[0123]根据所述均方误差和所述残差矩阵确定检测指标；[0124]采用所述核密度估计方法对所述检测指标进行计算，得到概率密度函数；[0125]根据所述概率密度函数确定所述检测阈值。[0126]优选地，确定所述检测指标的计算公式为：[0127]hk＝ek-mse；[0128]其中，hk为第k个所述实际监测数据中的所述检测指标，ek为第k个所述实际监测数据中的所述残差矩阵；mse为所述均方误差。[0129]具体的，本实施例中流程3为通过检测指标对变频器进行状态监测。[0130]模型建立完成后需要对残差进行处理来达到状态监测的目的，通过对残差矩阵的处理的到检测指标h，并根据监测指标的阈值判断变频器的运行状态，其计算公式如下。[0131]通过模型得到重构数据集由下式得到多变量的残差矩阵其中，m为测试集数据个数。n为输出变量维数，这里为1。[0132]得到残差矩阵e后计算残差矩阵的均方误差。由均方误差以及残差矩阵可根据下式得到检测指标h：[0133]hk＝ek-mse[0134]其中，k表示第k个样本。所述样本为是流程3对数据处理后重构的15维输入数据集。[0135]进一步地，本实施例中流程4为确定检测阈值d，[0136]检测指标h计算完成后，需要根据检测指标h的分布确定检测阈值d。对得到的额监测指标采用核密度估计的方法得到h的概率密度函数，再根据概率密度函数确定监测阈值d。[0137]对于样本核密度估计计算公式如下：[0138][0139]其中，σ是核函数宽带系数，k(·)为核函数。使用高斯核作为其核函数。[0140]最后根据计算得到的概率密度分布，据式下式得到监测阈值d。[0141][0142]其中，α为置信度。[0143]基于上述说明，在此提供一种应用于实际生产的实施例：[0144]本实施例的研究对象选取某大型风电场一台49.5mw的机组数据，具体步骤如下：[0145]步骤一：对该机组数据以采样时间间隔为2min采集风速、风向、叶轮转速、变频器igbt温度等21个相关变量，同时在scada系统中采集到该机组变频器故障信息。采样时间为2020年4月20日到2020年5月10日为期20天，采样点共18000个。将采集到的数据以变频器故障信息为基准分为两部分，一部分为前11天未出现故障信息，视为正常数据，一部分为带有故障信息的数据，作为异常部分，将正常运行的10000条数据按照8:2的比例分为训练集样本与测试集样本，分别输入到at-lstm模型中进行训练与测试。[0146]步骤二：数据预处理。数据质量通常对所构建模型的性能至关重要。数据处理后的统一数据格式，使后续的模型训练更易于操作。对数据进行以下预处理:数据归一化、基于随机森林的特征选择和基于自适应滤波的噪声剔除。[0147]根据基于随机森林的特征选择方法，选择变频器水冷温度、叶轮转速、变频器水冷水压、变频器转矩反馈、相电流1、2、3、线电压2、3、变频器线电流、变频器转矩给定12个变量作为模型的输入变量。考虑到以变频器igbt模块温度作为输出，其影响因素主要是热能的传递和损失，主要受环境量如变频器水冷温度、水冷水压，气动量如电流电压等，机械量如转矩，发电机转速等影响。因此，基于随机森林的特征选择与基于机理分析的结果相对应，验证了随机森林方法的效果，同时解释了特征选择的物理意义。[0148]对scada系统中所采集到的风速、变频器水冷温度等数据在传输与存储的过程中产生的随机噪声进行自适应滤波，结果表明自适应滤波有效的消除了数据采集过程中的随机噪声且对数据进行了平滑处理，处理后的数据毛刺减少与原数据变化趋势一致，因此处理后的数据可用来直接进行模型训练。[0149]步骤三：模型训练。考虑到lstm在处理时间序列问题时具有较好的表现，输入变量中加入较多与时间序列相关的数据能够有更好的训练效果，因此，在模型的输入变量处理时，除通过特征提取选择出的12个输入变量外，加入了对应采样点前一个小时的变频器igbt温度、变频器水冷温度、变频器水冷水压3个变量，组成15维数据输入。本实施例为了充分发挥lstm网络对时序数据处理的优势，将每一个采样点前一个小时的变频器温度数据、变频器水冷温度数据和变频器水冷水压数据加入数据集中。同时，具有较多的输入变量时，注意力机制可以通过训练分析不同输入变量与输出变量的相关性，给予每个变量不同的权重提升拟合效果，提高模型的精度与准确性。[0150]步骤四：残差分析。通过正常样本集建立at-lstm模型后，得到了变频器igbt温度监测模型，若模型建立的输入变量位于正常工况，则模型的预测值与实测值之间具有较小的残差，模型能够较好的拟合输出。当输入变量偏离正常工况时，基于正常样本建立的模型不能很好的拟合输出，因此此时残差会增大且明显区别正常数据样本下的残差。[0151]步骤五：实验结果分析。实验结果表明由at-lstm得到的模型评价指标优于回归随机森林以及xgboost得到的模型，且检测指标h超出阈值的部分与故障信息中的故障数据时间对应。如图3所示，模型在测试集上的效果较好，由此可以得出，at-lstm方法成功的识别出了故障信息中的故障且均能提前做出判断，因此，基于带注意力机制长短记忆神经网络的风电机组变频器故障预警方法能够准确的对变频器实施状态监测并能够在故障出现前及时给予预警信息。因此，at-lstm算法的风电机组变频器igbt温度监测方法是有效的。[0152]图5为本发明提供的实施例中的监测系统的模块连接图，如图5所示，本实施例还提供了一种风电机组变频器状态监测系统，包括：[0153]获取模块，用于获取实际监测数据；[0154]预测模块，用于将所述实际监测数据输入至训练好的状态监测模型中，得到温度预测值；[0155]阈值确定模块，用于基于残差计算和核密度估计方法，根据所述温度预测值和温度实测值确定检测阈值；[0156]状态确定模块，用于根据检测阈值确定风电机组变频器的运行状态；[0157]预处理模块，用于构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集；[0158]训练模块，用于基于注意力机制和长短期记忆神经网络构建神经网络模型，并根据所述处理后的数据集对所述神经网络模型进行训练，得到所述状态监测模型。[0159]本实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述一种风电机组变频器状态监测方法中的步骤。[0160]本发明的有益效果如下：[0161]本发明利用数据驱动的带注意力机制的长短期记忆神经网络的大型风电机组变频器状态监测方法。使用lstm能够更好的处理时间序列问题，并且注意力机制可以通过训练分析不同输入变量与输出变量的相关性，给予每个变量不同的权重提升拟合效果，提高模型的精度与准确性，且通过阈值的设定判别大型风电机组变频器的运行状态优劣，可以减小因变频器损坏或老化对发电过程电能质量的损害。[0162]本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。[0163]本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!