一种转向助力电机参数识别方法、系统及车辆与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及一种转向助力电机参数识别方法，具体地，涉及一种基于水循环算法的转向助力电机的参数识别方法及车辆。背景技术：2.作为车辆的主要部分，转向系统是确定主动安全性能的关键要素之一。目前，电动助力转向系统取代了液压助力转向系统，并且由于其结构简单、体积小而在世界范围内收到越来越多的欢迎。电动助力转向系统可以在车辆低速/高速行驶时减小/增加转向力，毫无疑问地，这能够提高车辆的操作稳定性。3.在电动助力转向系统中，助力电机是最重要的组件。由于电动助力转向系统(eps system)与车辆的安全功能密切相关，因此由电动电机施加在转向柱和方向盘上的电动转矩的控制精度至关重要。4.需要提及的是，如果在电机的输入电流i和方向盘的旋转角度θc之间没有精确的数学模型，就不能精确地控制助力电机输出的转矩控制精度。通常情况下，该数学模型被认为是不变的，并且将其用于控制方案的设计当中。然而，实际上，考虑到组件老化问题，该数学模型应为时变模型。总而言之，对于输入电流i和方向盘的旋转角度θc之间的数学模型的实时参数识别方法对于具有eps系统的良好控制性能是至关重要的。5.通常地，用于建立助力电机的输入电流i与方向盘角度θc之间的数学模型的现有方法包括静态模型法、基于最小二乘法的动态模型法以及基于卡尔曼滤波的动态模型法。6.静态模型法是基于简化的机械模型进行手动计算的方法，由于该模型是基于简化的机械模型推导出的，因此不考虑组件的老化。虽然其应用了新的机械组件，模型的精度在可接受范围内，但是由于缺乏考虑助力电机和齿轮的老化影响，因此，该模型的参数精度将会降低。7.基于递推最小二乘法的动态模型识别法通常应用于不考虑老化问题的预推模型，再基于最小二乘法进行识别。然而，该数学模型的参数识别高度依赖于初始值和调整步长，因此，有时会导致不稳定。8.基于卡尔曼滤波的动态模型识别是系统辨识领域中最常见的模型识别方法，但是其结构相当复杂，识别精度很大程度上受系统模型噪声矩阵和测量噪声矩阵的影响，在实际使用过程中存在诸多不便。9.因此，现有的模型参数识别方法均存在不尽人意的部分，实际上，还存在一种新的智能优化算法——水循环算法(water cycle algorithm，wca)，水循环算法是受到自然界中水循环现象的启发而提出的模型参数识别方法，其主要特征在于，在生成初始种群后，对种群中的个体进行分类以初步分级，最优解被划分为大海；然后进行迭代过程，模拟溪流流向河流接着流向大海的运动过程，朝着特定目标进行优化，从而加快了最优解的寻求过程；同时引入水的蒸发作用和降雨作用，重新扩大种群数量，避免陷入局部最优解。因此，水循环算法收敛速度快并且不会轻易陷入局部最优解，而且结构简单，因此计算负荷较小。技术实现要素：10.(一)要解决的技术问题11.本发明的第一目的在于，提供一种识别精度高、收敛速度相对较快的基于水循环算法的转向助力电机参数识别方法，以解决现有识别方法识别精度依赖初始参数、难以应用的技术问题。12.本发明的第二目的在于，提供一种应用了识别精度高、收敛速度相对较高的基于水循环算法的转向助力电机参数识别方法的转向助力电机，以解决现有识别方法识别精度依赖初始参数、难以应用的技术问题。13.(二)技术方案14.为了解决上述技术问题，本发明提供了一种转向助力电机参数识别方法，包括：步骤s1：建立助力电机系统的数学模型，并基于数学模型的运动方程确定识别参数，步骤s2：将运动方程转化为传递函数后进行离散化，以将识别参数转化为最终识别参数；步骤s3：通过水循环算法对最终识别参数进行优化以得到最终识别参数的最优值。15.可选地，助力电机系统包括：助力电机、转向柱、与助力电机相连接的第一传动齿轮、与转向柱相连接的第二传动齿轮、扭矩传感器以及方向盘。16.可选地，识别参数包括助力电机的等效转动惯量、助力电机的等效阻尼、扭转传感器的扭转刚度、助力电机的转矩系数。17.可选地，运动方程表示如下：18.jmθc"+bmθc′θc+kmθc＝kaimi＝tm，19.其中，jm表示助力电机的等效转动惯量，θm表示助力电机的转子的旋转角度，bm表示助力电机的等效阻尼，km表示扭矩传感器的扭转刚度，θc表示方向盘的旋转角度，ka表示助力电机的转矩系数，tm表示助力电机的电磁转矩，i表示助力电机的输入电流，im表示第一传动齿轮和第二传动齿轮之间的传动比。20.可选地，基于运动方程得出如下传递函数：21.θc(s)/i(s)＝kaim/(jms2+bms+km)，22.并且将传递函数离散化，得出如下离散函数：：23.θc(k)/i(k)＝a0z2/(a1z2+a2z+a3)，24.其中，a0、a1、a2、a3分别为中间参数，其表示分别如下：25.a0＝kaim；26.a1＝jm/t2+bm/t+km；27.a2＝-(2jm/t2+bm/t)；28.a3＝jm/t2，29.其中，t表示采样时间。30.可选地，将离散函数表示如下，并基于中间参数得出最终识别参数：31.θc(k)＝α1θc(k-1)+α2θc(k-2)+α3i(k)，32.其中，α1、α2、α3分别为最终识别参数，其表示分别如下：33.α1＝-a2/a1；34.α2＝-a3/a1；35.α3＝a0/a1。36.可选地，步骤s3进一步包括：步骤s31：根据最终识别参数设置初始群个体总数、变量数、蒸发条件参数以及算法的最大迭代次数；步骤s32：利用关键方程计算初始种群中所有个体的关键值，并将所有个体按所述关键值大小进行排序分类，得到初始溪流、河流以及大海；步骤s33：计算出与河流或大海连接的溪流数目；步骤s34：溪流流入河流，并更新溪流位置，并判断更新后的溪流的关键值是否小于河流的关键值，如果结果为“是”，则交换溪流与河流的位置，如果结果为“否”，则不做交换；步骤s35：河流流入大海，并更新河流位置，并判断更新后的河流的关键值是否小于大海的关键值，如果结果为“是”，则交换河流与大海的位置，如果结果为“否”，则不做交换；步骤s36：判断是否触发蒸发条件，如果结果为“是”，则进行降雨操作，如果结果为“否”，则直接进行步骤s37；步骤s37：更新蒸发条件参数，并判断是否达到最大迭代次数，如果结果为“是”，则结束算法并返回当前的最优值，如果结果为“否”，则返回步骤s32。37.另一方面，本发明还提供了一种识别转向助力电机参数的识别系统，包括：输入模块，用于接收助力电机输入电流和方向盘的旋转角度；计算模块，基于水循环算法计算转向助力电机的最终识别参数值；以及输出模块，基于最终识别参数值控制转向助力电机的输出转矩。38.再一方面，本发明还提供了一种转向助力电机，转向助力电机在运行时实现根据本发明的实施例的转向助力电机参数识别方法的步骤。39.本发明还提供了一种车辆，根据本发明的转向助力电机。40.(三)有益效果41.本发明提供了一种转向助力电机参数识别方法，包括：步骤s1：建立助力电机系统的数学模型，并基于数学模型的运动方程确定识别参数，步骤s2：将运动方程转化为传递函数后进行离散化，以将识别参数转化为最终识别参数；步骤s3：通过水循环算法对最终识别参数进行优化以得到最终识别参数的最优值。根据本发明的实施例的转向助力电机参数识别方法基于水循环算法来识别车辆转向系统中助力电机数学模型中的各参数，在识别模型期间可以将组件老化问题考虑进去，并且参数识别精度将不受初始值的较大影响，此外，由于其可用于在线校正建模误差，因此可以为转向系统中的助力电机及其相关的到车辆方向盘的传动机构提供更精确的数学模型。附图说明42.结合附图，从以下的详细描述中，将更清楚地理解本公开的上述以及其他目的、特征和其他优点，其中：43.图1是示出根据本发明的实施例的助力电机系统的示意图；44.图2是示出根据本发明的实施例的水循环算法的流程示意图；45.图3是示出根据本发明的实施例的助力电机的最终识别参数的仿真方案示意图；46.图4是示出根据本发明的实施例的最终识别参数识别结果图。具体实施方式47.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，所描述的实施例是本发明的一部分实施例，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的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。48.在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。49.一方面，根据本发明的实施例的转向助力电机参数识别方法可以包括：步骤s1：建立助力电机系统的数学模型，并基于数学模型的运动方程确定识别参数，步骤s2：将运动方程转化为传递函数后进行离散化，以将识别参数转化为最终识别参数；步骤s3：通过水循环算法对最终识别参数进行优化以得到最终识别参数的最优值。50.具体地，图1示出了根据本发明的实施例的助力电机系统的示意图，助力电机系统包括：助力电机(直流电机)、转向柱、与助力电机相连接的第一传动齿轮以及与转向柱相连接的第二传动齿轮、扭矩传感器以及方向盘。当驾驶员进行转向时，助力电机提供额外的扭矩。51.在步骤s1中，基于助力电机系统建立数学模型，并将其运动方程表示如下：52.jmθc"+bmθc′θc+kmθc＝kaimi＝tmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)53.其中，jm表示助力电机的等效转动惯量，θm表示助力电机的转子的旋转角度，bm表示助力电机的等效阻尼，km表示扭矩传感器的扭转刚度，θc表示方向盘的旋转角度，ka表示助力电机的转矩系数，tm表示助力电机的电磁转矩，i表示助力电机的输入电流，im表示第一传动齿轮和第二传动齿轮之间的传动比。54.基于所述式(1)，可得出如下传递函数：55.θc(s)/i(s)＝kaim/(jms2+bms+km)ꢀꢀꢀꢀꢀꢀꢀꢀ(2)56.在步骤s2中，通过零阶保持器，对式(2)可以进行离散化处理，离散化后的表达式如下：57.θc(k)/i(k)＝a0z2/(a1z2+a2z+a3)ꢀꢀꢀꢀꢀꢀꢀꢀꢀ(3)58.其中，a0、a1、a2、a3分别为中间参数，其表示分别如下：59.a0＝kaim；a1＝um/t2+bm/t+km；a2＝-(2jm/t2+bm/t)；a3＝jm/t2，其中，t表示对所述离散化系统的采样时间。60.将式(3)进行变换，得出如下表达式：61.θc(k)＝α1θc(k-1)+α2θc(k-2)+α3i(k)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(4)62.其中，α1、α2、α3分别为最终识别参数，其表示分别如下：63.α1＝-a2/a1；α2＝-a3/a1；α3＝a0/a1，64.因此，可通过上述步骤s1和步骤s2，可识别基于助力电机的各项参数的最终识别参数。65.可知，对最终识别参数的识别越准确，助力电机数学模型越趋近于助力电机的实际启动情况。66.因此，需要一种收敛速度较快、可以在较大程度上避免局部最优解的算法，而水循环算法刚好具有以上两个关键特征，因此在本发明的实施例中采用水循环算法来进行对最终识别参数的辨识。67.水循环算法受到自然界中水循环现象的启发，是一种元启发式算法。在自然界中水基本以固态、液态和气态的形式在地表、大海和大气中不停的转化，江河湖海中的水通过蒸发作用进入大气层中，然后遇冷形成云并在一定条件下形成降雨，落在地面，其中一部分渗透到地下形成地下水并与地表水相互转化，一部分被植物吸收并再次蒸发进入大气层，其他部分则形成地表水以最终流入大海。水循环算法模拟了自然界中通过降雨形成溪流、以及溪流和河流流入大海的过程。68.以下，对步骤s3中通过水循环算法得到最终识别参数的最优值的方法进行详细说明。69.参照图2，步骤s3可以进一步包括：步骤s31：根据最终识别参数设置初始群个体总数npop、变量数nvar、蒸发条件参数dmax以及算法的最大迭代次数；步骤s32：利用关键方程计算初始种群中所有个体的关键值，并将所有个体按关键值大小进行排序分类，得到初始溪流、河流以及大海；步骤s33：计算出与河流或大海连接的溪流数目nsn；步骤s34：溪流流入河流，并更新溪流位置，并判断更新后的溪流的关键值是否小于河流的关键值，如果结果为“是”，则交换溪流与河流的位置，如果结果为“否”，则直接进行步骤s35；步骤s35：河流流入大海，并更新河流位置，并判断更新后的河流的关键值是否小于大海的关键值，如果结果为“是”，则交换河流与大海的位置，如果结果为“否”，则直接进行步骤s36；步骤s36：判断是否触发蒸发条件，如果结果为“是”，则进行降雨操作，如果结果为“否”，则直接进行步骤s37；步骤s37：更新蒸发条件参数，并判断是否达到最大迭代次数，如果结果为“是”，则结束算法并返回当前的最优值，如果结果为“否”，则返回步骤s32。70.具体地，在步骤s31中，首先，设置种群的初始参数，包括个体中的变量nvar、初始种群个体总数npop、以及算法的最大迭代次数，并且根据设定的参数生成初始群，表现为npop×nvar的矩阵。71.具体地，由于降雨可以形成溪流和河流，则可以认定在降雨过程中，降雨中的雨滴是种群中未分级的个体，即未分类为溪流、河流或大海。一个雨滴可以作为单个解，那么在nvar维变量的优化问题中，雨滴应当如下限定为一组向量：72.raindrop＝[x1，x2，...，xnvar][0073]开始进行优化算法，随机生成一个种群，种群数为npop，对该种群进行降雨，则雨滴的数量应为npop，从而使种群形成如下的大小为npop×nvar的矩阵：[0074][0075]其中“total population”代指种群的总群体，由数量为npop的雨滴raindrop所组成。[0076]接下来，在步骤s32中，利用关键方程计算初始种群中所有个体的关键值ci，并将所有个体按所述关键值大小进行排序分类，得到初始溪流、河流以及大海。具体地，关键方程如下所示：[0077][0078]由于溪流或河流最终会流向大海，因此可以选择关键方程值最好，即关键值最小的个体作为大海，将关键值较好或者表现为关键值相对较小的个体选择为河流，而将剩下的个体划分为溪流。显而易见的是，在种群中，具有最小值的代表大海的个体的数量为1。规定种群中划分为大海与河流的个体数量总和为nsr，则河流的数量应为nsr-1，相应地，溪流的数量nstreams应等于npop-nsr。因此，可以将上述矩阵转化成如下矩阵：[0079][0080]其中“total population”代指种群的总群体，由相应数量的大海、河流及溪流构成，并且因此可以表示为相应变量的大小为npop×nvar的矩阵。[0081]接下来，在步骤s33中，在降雨形成溪流和河流后，考虑河流或大海汇聚溪流的能力。因此，在水循环算法中考虑到，如果特定河流或大海的流量越大，则认为流入该特定河流或大海的溪流数量越多，即，河流或大海的关键值越好，越接近全局最优解，流入该河流或大海的溪流数量越多，关键值越差，越远离全局最优解，流入的溪流数量越少，具体地，通过下述表达式计算出与河流或大海连接的溪流数目：[0082][0083]其中，nsn是指流入特定河流或大海的溪流数量，nstreams是指溪流的数量。[0084]进一步地，在对种群中的溪流、河流、大海分类分级后，需要考虑溪流流入河流或大海的运动过程，溪流或河流会从一个位置流向下一个新的位置。因此，在水循环算法中，考虑代表溪流和河流的个体的解期望更新位置，以搜索到代表河流或大海的更优解，即逐渐接近河流或大海，因此这种溪流或河流的随机位置更新是期望发生在当前溪流或河流位置与更优的河流或大海位置之间。因此，通过如下步骤进行溪流、河流以及大海的位置更新及关键值的比较。[0085]在步骤s34中，溪流流入河流，并更新溪流位置，并判断更新后的溪流的关键值是否小于河流的关键值，如果结果为“是”，则交换溪流与河流的位置并进行步骤s35；如果结果为“否”，则直接进行步骤s35，其中，流入河流的溪流位置更新根据下来表达式来进行：[0086][0087]其中，i为迭代次数，rand为0到1之间均匀分布的随机数，以表示位置更新的随机性，分别表示当前溪流及河流的位置，表示更新后的溪流的位置。[0088]在此，步骤s34还可以包括步骤s341：溪流流入大海，并更新溪流位置，并判断更新后的溪流的关键值是否小于大海的关键值，如果结果为“是”，则交换溪流与大海的位置，如果结果为“否”，则不作交换，其中，流入大海的溪流位置更新根据下来表达式来进行：[0089][0090]其中，i为迭代次数，rand为0到1之间均匀分布的随机数，以表示位置更新的随机性，分别表示当前溪流及大海的位置，表示更新后的溪流的位置。[0091]接下来，在步骤s35中，河流流入大海，并更新河流位置，并判断更新后的河流的关键值是否小于大海的关键值，如果结果为“是”，则交换河流与大海的位置并进行步骤s36；如果结果为“否”，则直接进行步骤s36，其中，流入大海的河流位置更新根据下来表达式来进行：[0092][0093]其中，i为迭代次数，rand为0到1之间均匀分布的随机数，以表示位置更新的随机性，分别表示当前河流及大海的位置，表示更新后的溪流的位置。[0094]在此需要指出的是，在上述步骤s34至s35中，如果位置更新后，溪流的关键值优于(即小于)与其相连的河流的关键值，则交换溪流与河流的位置。显而易见的是，在溪流成为新的河流后，先前与原河流连通的其他溪流同样应当流入该新的河流中。同理，如果流入大海的河流或溪流的位置优于该大海的位置，则交换大海与河流或溪流的位置。以上述方式，水循环算法通过不断进行迭代更新来搜索最优解。[0095]在溪流或河流更新位置流入大海的过程中，存在水的蒸发作用，这使得地表水重新进入大气层并在一定条件下转化成降雨。相应地，在水循环算法中，引入了再次蒸发和降雨的过程。实际上，在水循环算法中，如果收敛速度过快，则很容易陷入局部最优解，因此为了避免这种情况，需要在一定条件下强制生成新的个体，使得该优化算法的整体搜索范围再次变大，个体增多，以进一步寻找可能更优的解。[0096]具体地，如果认为在优化算法的搜索空间中，各个个体的解过于接近，会导致算法的迭代过程中收敛速度过快，则在这该空间中引入新的个体。也就是说，在水循环算法中，如果认为河流与大海、或者溪流与大海之间的距离过近，则触发河流或溪流的蒸发条件并进行降雨。[0097]在此，蒸发条件可以是河流与大海、或溪流与大海的距离判定阈值设定为dmax，判定阈值dmax越大，河流或溪流距离大海相对较大时就会进行蒸发和降雨。由于算法不停地进行迭代，即河流和溪流距离大海越来越近，因此需要判定阈值dmax随着迭代的增加而相应地减小，以避免算法的搜索强度不适宜地仍然保持相对较高的水平，导致算法的收敛速度过慢，因此如下随着迭代的进行逐渐减小dmax。[0098]根据上述说明，在步骤s36中判断是否触发了蒸发条件，其根据河流与大海之间的距离或者溪流与大海之间的距离是否小于距离判定阈值dmax来进行判断，如果结果为“是”，则根据下述表达式进行降雨操作：[0099][0100]其中，表示新生成的雨滴，lb为待求解变量的下限，ub为待求解变量的上限，rand为从0到1均匀分布的随机数。[0101]接下来，在步骤s37中更新上述的蒸发条件参数，即更新距离判定阈值，其更新根据下述表达式进行：[0102][0103]其中，为当前的距离判定阈值，为更新后的距离判定阈值，max iteration为最大迭代次数。[0104]在更新蒸发条件参数后，判断是否达到最大迭代次数，如果结果为“是”，则结束算法并返回当前的最优值，如果结果为“否”，则返回步骤s32，在新生成的种群中继续进行算法的迭代优化。可选地，在根据本发明的实施例中，距离判定阈值为0.05；最大迭代次数为300。[0105]根据以上说明的水循环算法原理，可以得知，水循环算法通过溪流或河流的位置更新来逐级地寻求全局最优解，同时通过蒸发和降雨过程防止算法过快收敛而陷入局部最优解，因此，这种优化算法可以准确快速地进行对待求解变量辨识。[0106]以下，说明基于水循环算法的助力电机的数学模型参数识别过程。[0107]图3示出了基于水循环算法识别最终识别参数的仿真方案，根据上述内容可知，根据本发明的实施例所要识别的最终参数为α1、α2、α3。此时，估计值可根据如下计算式计算：[0108][0109][0110]其中，是三个最终识别参数的估计值，指基于计算式(12)计算出的方向盘估计旋转角度，θc(k)指第k次在线识别过程中测得的方向盘旋转角度，θc(k-1)、θc(k-2)分别指上一次(k-1)和上上一次(k-2)在识别过程中测得的方向盘旋转角度，i(k)指第k次识别过程中的助力电机输入电流，e(k)是指方向盘估计旋转角度与实际方向盘旋转角度之间的误差值，当该误差值收敛至零时，表明方向盘估算旋转角度与实际方向盘旋转角度基本一致。[0111]在利用水循环算法进行参数辨识时，将θc(k-1)、θc(k-2)以及i(k)作为输入信号进行输入，水循环算法辨识出三个最终识别参数α1、α2、α3的估计值，并基于此计算估计值然后将该估计值与实际的方向盘旋转角度θc(k)进行比较，进而得到误差值e(k)，将该误差值e(k)同样作为水循环算法的输入，从而使其与助力电机模型的三个输入信号θc(k-1)、θc(k-2)以及i(k)一起用于下一次的最终识别参数α1、α2、α3的识别过程。将上述过程进行重复，直至误差值e(k)收敛至零，此时基于三个最终识别参数计算出的方向盘旋转角度与实际方向盘旋转角度基本一致，可通过上述过程，对三个最终识别参数α1、α2、α3进行良好辨识。此时，关键值的计算式可表示为误差值的平方。[0112]表1示出了根据本发明的实施例的基于mtlab/simulink的仿真示例，系统的仿真参数如表1所示：[0113][表1][0114][0115]在上述仿真过程中，将采样周期t设置为0.1s，并且可基于上述的式(1)至(4)得出实际的最终识别参数值α1＝1.4340、a2＝-0.5466、α3＝0.0481。[0116]图4示出了根据本发明的实施例的最终识别参数识别结果图。根据图4的仿真结果，将应用根据本发明的实施例的基于水循环算法的参数识别方法识别的最终识别参数估计值与实际值进行比较，并表示在表2中：[0117][表2][0118][0119]从表2中可以看出，与实际值相比，所识别的最终识别参α1、α2、α3的平均误差百分比分别为1.02％，4.13％和1.04％，结果的均方差为0.0064、0.0061和0.0039，因此，可证明识别结果非常稳定。即，根据本发明的实施例的基于水循环算法的参数识别方法能够为转向系统提供稳定的识别结果。[0120]另一方面，本发明的实施例还提供了一种识别转向助力电机参数的识别系统，包括：输入模块，用于接收电流和方向盘的旋转角度；计算模块，基于水循环算法计算转向助力电机的最终识别参数值；以及输出模块，基于最终识别参数值控制转向助力电机的输出转矩。[0121]再一方面，本发明的实施例还提供了一种转向助力电机，转向助力电机在运行时实现根据本发明的实施例的转向助力电机参数识别方法的步骤。[0122]本发明的实施例还提供了一种车辆，根据本发明的转向助力电机。[0123]综上所述，本发明提供了一种转向助力电机参数识别方法，包括：步骤s1：建立助力电机系统的数学模型，并基于数学模型的运动方程确定识别参数，步骤s2：将运动方程转化为传递函数后进行离散化，以将识别参数转化为最终识别参数；步骤s3：通过水循环算法对最终识别参数进行优化以得到最终识别参数的最优值。根据本发明的实施例的转向助力电机参数识别方法基于水循环算法来识别车辆转向系统中助力电机数学模型中的各参数，在识别模型期间可以将组件老化问题考虑进去，并且参数识别精度将不受初始值的较大影响，此外，由于其可用于在线校正建模误差，因此可以为转向系统中的助力电机及其相关的到车辆方向盘的传动机构提供更精确的数学模型。[0124]最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。









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!