本發(fā)明涉及一種用于監(jiān)視具有活動(dòng)部分的裝置的設(shè)備，所述具有活動(dòng)部分的裝置尤其是旋轉(zhuǎn)裝置。此外，本發(fā)明涉及一種用于監(jiān)視具有活動(dòng)部分的裝置的方法，所述具有活動(dòng)部分的裝置尤其是旋轉(zhuǎn)裝置。最后，本發(fā)明涉及一種計(jì)算機(jī)程序產(chǎn)品。

背景技術(shù)：

振動(dòng)分析是用于對(duì)具有活動(dòng)部分的裝置（諸如馬達(dá)、發(fā)動(dòng)機(jī)、其它可旋轉(zhuǎn)裝置等）進(jìn)行狀況監(jiān)視（conditionmonitoring）的廣泛使用的技術(shù)。振動(dòng)分析被用來(lái)確定裝置的錯(cuò)誤狀態(tài)以便獲得關(guān)于裝置對(duì)于其所確定的操作的可用性的信息。

用于旋轉(zhuǎn)機(jī)械系統(tǒng)或裝置的故障預(yù)防所最常使用的技術(shù)相應(yīng)地基于溫度監(jiān)視、油碎屑（oildebris）監(jiān)視或振動(dòng)監(jiān)視。振動(dòng)分析相應(yīng)地提供了故障預(yù)防技術(shù)或監(jiān)視的廣泛可能性，其允許在故障發(fā)展的早期階段檢測(cè)故障。在一些情況下，其允許識(shí)別特定問(wèn)題或根本原因。

然而，如果裝置的變化是由于在其機(jī)械條件方面提供了修改而出現(xiàn)的，則這影響裝置的振動(dòng)特征（vibrationsignature）。因此，將要提供改變以便允許進(jìn)一步監(jiān)視該裝置。

當(dāng)裝置被用于尤其重要的基礎(chǔ)設(shè)施系統(tǒng)（諸如在石油生產(chǎn)、自來(lái)水供應(yīng)系統(tǒng)、廢水清理（wastedwaterremoval）等）中時(shí)，對(duì)裝置進(jìn)行監(jiān)視是尤其重要的。此類裝置常常在嚴(yán)酷條件下和/或24小時(shí)體制（24-hour-regime）中使用。因此，此類裝置通常形成昂貴且體積大的部件，尤其是當(dāng)它們是城市、地區(qū)等的基礎(chǔ)設(shè)施的一部分時(shí)。此類裝置的故障通常是重要的并且是成本密集型（cost-intensive）的事故。此類裝置的故障可能突然發(fā)生或者伴隨裝置特性隨時(shí)間的劣化而緩慢地發(fā)生。

技術(shù)實(shí)現(xiàn)要素：

因此，本發(fā)明的目的是改善裝置的錯(cuò)誤檢測(cè)。

由根據(jù)權(quán)利要求1所述的設(shè)備以及根據(jù)另一獨(dú)立權(quán)利要求9所述的方法以及根據(jù)另一獨(dú)立權(quán)利要求10所述的計(jì)算機(jī)程序產(chǎn)品來(lái)實(shí)現(xiàn)該目的。

在相應(yīng)的從屬權(quán)利要求中闡述了本發(fā)明的方面的至少一些示例性實(shí)施例的另外的方面。

根據(jù)第一設(shè)備相關(guān)的方面，尤其提出的是，所述設(shè)備包括控制模塊，控制模塊被配置成：接收裝置的經(jīng)測(cè)量的振動(dòng)信號(hào)，經(jīng)測(cè)量的振動(dòng)信號(hào)由與裝置相連接的傳感器提供；提供經(jīng)測(cè)量的振動(dòng)信號(hào)的譜線；對(duì)譜線進(jìn)行預(yù)處理，以便確定基頻（basefrequency）和邊頻（sidefrequency），其中，基頻是峰值功率對(duì)應(yīng)于裝置的本征頻率（eigenfrequency）或故障頻率的頻率，并且其中，邊頻對(duì)應(yīng)于其他頻率；通過(guò)對(duì)基頻和邊頻分開應(yīng)用單值分類（one-classclassification）來(lái)處理基頻和邊頻；將單值分類的結(jié)果組合，由此獲得表示置信水平的分類信號(hào)；以及基于分類信號(hào)來(lái)輸出決策支持信號(hào)，該決策支持信號(hào)指示被監(jiān)視的裝置的錯(cuò)誤狀態(tài)。

根據(jù)第二方法相關(guān)的方面，尤其是提出的是，所述方法包括如下步驟：接收裝置的經(jīng)測(cè)量的振動(dòng)信號(hào)，經(jīng)測(cè)量的振動(dòng)信號(hào)由與裝置相連接的傳感器提供；提供經(jīng)測(cè)量的振動(dòng)信號(hào)的譜線，對(duì)譜線進(jìn)行預(yù)處理，以便確定基頻和邊頻，其中，基頻是峰值功率對(duì)應(yīng)于裝置的本征頻率或故障頻率的頻率，并且其中，邊頻對(duì)應(yīng)于另外的頻率；通過(guò)對(duì)基頻和邊頻分開應(yīng)用單值分類來(lái)處理基頻和邊頻；將單值分類的結(jié)果組合，由此獲得表示置信水平的分類信號(hào)；以及基于分類信號(hào)來(lái)輸出決策支持信號(hào)，該決策支持信號(hào)指示被監(jiān)視的裝置的錯(cuò)誤狀態(tài)。

根據(jù)本發(fā)明的第三方面，提供了一個(gè)或多個(gè)計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品包括用于處理裝置的程序，所述計(jì)算機(jī)程序產(chǎn)品包括程序的軟件代碼部分以便當(dāng)程序在處理裝置上運(yùn)行時(shí)執(zhí)行根據(jù)本發(fā)明的方法的步驟。計(jì)算機(jī)程序產(chǎn)品還包括計(jì)算機(jī)可執(zhí)行部件，計(jì)算機(jī)可執(zhí)行部件當(dāng)程序在計(jì)算機(jī)上運(yùn)行時(shí)被配置成執(zhí)行如上文提到的相應(yīng)方法。上面的一個(gè)計(jì)算機(jī)程序產(chǎn)品/多個(gè)計(jì)算機(jī)程序產(chǎn)品可以具體體現(xiàn)為計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

考慮診斷的方法，可確定時(shí)域方法、頻域方法以及時(shí)-頻域方法?？梢詫⒉煌姆椒ńM合以便增強(qiáng)振動(dòng)分析。

所述設(shè)備是如下裝置，所述裝置優(yōu)選地包括殼體，其中，殼體包括電子硬件部件以便提供設(shè)備的所意圖的操作。然而，還可以由在其上運(yùn)行某一程序的處理裝置（尤其是計(jì)算機(jī)）來(lái)提供所述設(shè)備，以便提供設(shè)備的所意圖的操作。然而，設(shè)備可以是處理裝置和硬件部件的組合。此外，設(shè)備還可以是硅片（siliconchip），硅片具有集成在其上的硬件部件和/或處理裝置。

控制模塊優(yōu)選地是設(shè)備的一部分，其自身包括電子硬件電路和/或處理裝置。優(yōu)選地，控制模塊與設(shè)備相集成。然而，其還可以是設(shè)備的單獨(dú)部件。尤其是，控制模塊可以是硅片，最優(yōu)選地，其可以是提供設(shè)備的硅片的一部分。

控制模塊被配置成接收經(jīng)測(cè)量的振動(dòng)信號(hào)，經(jīng)測(cè)量的振動(dòng)信號(hào)由相應(yīng)的傳感器供應(yīng)，尤其是振動(dòng)傳感器，傳感器與裝置相連接。因此，傳感器可以相應(yīng)地與控制模塊和/或設(shè)備通信。出于此目的，所述通信可以是有線通信線路、無(wú)線通信線路或其組合。

控制模塊被配置成提供如從傳感器接收的經(jīng)測(cè)量的振動(dòng)信號(hào)的譜線。該譜線可通過(guò)在數(shù)字信號(hào)處理的情況下提供相應(yīng)計(jì)算來(lái)獲得。然而，其還可通過(guò)使用適合的電路而基于模擬信號(hào)處理。優(yōu)選地，通過(guò)執(zhí)行傅立葉變換而得到譜線。然而，還可以應(yīng)用其它適合的變換，例如拉普拉斯變換、z變換等。優(yōu)選地，所述變換適于將要檢測(cè)的故障、裝置、振動(dòng)信號(hào)等。

控制模塊還被配置成對(duì)譜線進(jìn)行預(yù)處理，以便確定基頻和邊頻。出于該目的，譜線經(jīng)受一些操作，使得可確定峰值功率對(duì)應(yīng)于裝置的本征頻率或故障頻率的頻率。這些頻率被分配給基頻。其它頻率被分配給邊頻。

接下來(lái)，控制模塊被配置成通過(guò)對(duì)基頻和邊頻分開應(yīng)用單值分類來(lái)處理基頻和邊頻。因此，基頻和邊頻被控制模塊分開操作。單值分類可基于合適的算法，諸如支持向量機(jī)（supportvectormachine）等。

然后，前面所提到的單值分類的結(jié)果被控制模塊組合，使得獲得表示置信度水平的分類信號(hào)。基于該分類信號(hào)，控制模塊被配置成輸出決策支持信號(hào)，該決策支持信號(hào)指示被監(jiān)視的裝置的錯(cuò)誤狀態(tài)。因此，根據(jù)本發(fā)明的設(shè)備允許對(duì)裝置是否有故障作出恰當(dāng)決策。此外，優(yōu)選地，本發(fā)明允許預(yù)測(cè)裝置的故障，使得可規(guī)劃對(duì)裝置的維護(hù)，以便避免裝置的完全關(guān)機(jī)。這對(duì)于在基礎(chǔ)設(shè)施系統(tǒng)中操作的裝置而言會(huì)是重要的。

在一定程度上，可以用純波形分析來(lái)分析從傳感器供應(yīng)的經(jīng)測(cè)量的振動(dòng)信號(hào)。這絕不是完成分析的最容易方式，然而其可以在大體上完成。

此外，譜分析可基于在使用總體水平測(cè)量結(jié)果（measurement）之前的信號(hào)調(diào)節(jié)。在該情況下，僅考慮具有某一頻帶的測(cè)量信號(hào)中的分量。在該情況下，可在某些分量及它們的諧波的振幅和相位之間的關(guān)系中找到診斷信息。

另外地，可提供包絡(luò)分析以便相應(yīng)地對(duì)針對(duì)機(jī)械或裝置的調(diào)查進(jìn)行診斷，其中，故障對(duì)機(jī)械的特征頻率具有振幅調(diào)制（modulating）效果。示例包括齒輪箱、渦輪機(jī)、感應(yīng)馬達(dá)（inductionmotor）等中的故障。包絡(luò)分析是用于診斷局部故障的工具，所述局部故障諸如滾動(dòng)元件軸承（rollingelementbearing）中的開裂和剝落。包絡(luò)檢波（envelopedetection）或振幅解調(diào)是從調(diào)幅信號(hào)提取調(diào)制信號(hào)的技術(shù)。結(jié)果是隨時(shí)間推移的調(diào)制信號(hào)。當(dāng)該信號(hào)在時(shí)域中或者可以使其經(jīng)受后續(xù)頻率分析時(shí)，可以相應(yīng)地研究或解讀該信號(hào)。優(yōu)選地，包絡(luò)分析基于調(diào)制信號(hào)的快速傅立葉變換頻率譜線。

并且，可提供倒譜分析（cepstrumanalysis）。來(lái)自旋轉(zhuǎn)機(jī)器的譜線可能是相當(dāng)復(fù)雜的，包括來(lái)自旋轉(zhuǎn)部分的諧波的若干集合，并且可以是來(lái)自各種調(diào)制的邊帶（sideband）的若干集合。倒譜是用于檢測(cè)頻率譜線中的周期性的工具。倒譜分析將譜線轉(zhuǎn)換回到時(shí)域特征（signature），其相對(duì)于該譜線中公共的頻率間隔的周期而言具有峰值。這些峰值可以被用于在原始譜線中找到軸承磨損峰值。倒譜中的顯著峰值對(duì)應(yīng)于可能的基本軸承頻率。

使用倒譜分析來(lái)檢測(cè)圍繞著一個(gè)或許多載波頻率以相等間距間隔的邊帶。此類邊帶的存在在齒輪箱振動(dòng)信號(hào)的分析中是令人感興趣的，因?yàn)樵S多故障或錯(cuò)誤相應(yīng)趨向于導(dǎo)致由齒嚙合引起的對(duì)振動(dòng)模式的調(diào)制（modulation），并且該調(diào)制（振幅或頻率調(diào)制）產(chǎn)生頻率譜線中的邊帶。例如，邊帶聚集在齒嚙合頻率及其諧波周圍，在調(diào)制頻率的倍數(shù)處間隔，并且這些調(diào)制頻率的確定可相應(yīng)在故障或錯(cuò)誤的診斷中是非常有用的。

此外，在旋轉(zhuǎn)機(jī)械或裝置的速度變化的情況下可相應(yīng)優(yōu)選地應(yīng)用階次分析（orderanalysis）。傅立葉變換過(guò)程（尤其是快速傅立葉變換過(guò)程）將時(shí)域數(shù)據(jù)變換到頻域，從而創(chuàng)建譜線。在時(shí)域中相應(yīng)是周期性或重復(fù)性的信號(hào)在頻域中表現(xiàn)為峰值。在階次分析中，傅立葉變換過(guò)程將轉(zhuǎn)數(shù)域（revolutiondomain）數(shù)據(jù)變換成階次譜線（orderspectrum）。在轉(zhuǎn)數(shù)域中是周期性的信號(hào)在階次域中表現(xiàn)為峰值。例如，如果振動(dòng)峰值在同一軸位置處每轉(zhuǎn)發(fā)生兩次，則在階次譜線中的第二階次處發(fā)生出現(xiàn)峰值。

此外，可提供模式識(shí)別方法。該方法旨在相應(yīng)基于先驗(yàn)知識(shí)或從模式提取的統(tǒng)計(jì)信息的分類或模式。將要分類的模式通常是測(cè)量結(jié)果或觀察結(jié)果的群組，在適當(dāng)?shù)亩嗑S空間中定義了點(diǎn)。

優(yōu)選地，完整模式識(shí)別系統(tǒng)包括收集將要被分類或描述的觀察結(jié)果的傳感器、從觀察結(jié)果來(lái)計(jì)算數(shù)值或符號(hào)信息的特征提取機(jī)構(gòu)以及依賴于所提取的特征而進(jìn)行分類或描述觀察結(jié)果的實(shí)際工作的分類或描述方案（scheme）。分類或描述方案通?；谝驯环诸惢蛎枋龅囊唤M模式的可用性。這組模式被稱為訓(xùn)練集（trainingset），并且得到的學(xué)習(xí)策略被表征為監(jiān)督式學(xué)習(xí)（supervisedlearning）。

根據(jù)先驗(yàn)知識(shí)的可用性，可以考慮兩個(gè)基本方法。第一，考慮如下情況：當(dāng)不存在相應(yīng)關(guān)于特定故障或錯(cuò)誤的知識(shí)且相關(guān)模式不可用且只有對(duì)應(yīng)于正常行為的數(shù)據(jù)是可用的。第二，當(dāng)故障相關(guān)模式是已知的時(shí)候，因此可以相對(duì)于那些已知故障將系統(tǒng)的狀況分類。在使用第一方法來(lái)識(shí)別故障的存在并在后來(lái)執(zhí)行故障類型的診斷/分類的情況下，可將兩個(gè)前面所提到的方法視為一個(gè)系統(tǒng)的一部分。

此外，根據(jù)本發(fā)明提供單側(cè)分類（one-sideclassification）。單側(cè)分類的一個(gè)思想在于：在狀況監(jiān)視和故障分析的領(lǐng)域中，可收集的真實(shí)工業(yè)數(shù)據(jù)通常對(duì)應(yīng)于裝置的操作的正常狀況，而壞數(shù)據(jù)收集是昂貴的，并且故障建模并不始終是可用的。以作為“好”數(shù)據(jù)的真實(shí)工業(yè)數(shù)據(jù)來(lái)訓(xùn)練分類器，使得分類器可學(xué)習(xí)系統(tǒng)的行為，并且然后當(dāng)檢測(cè)到與此正常狀態(tài)的偏差時(shí)產(chǎn)生警報(bào)。

另外地，可將門限（threshold）設(shè)置使用于異常行為檢測(cè)。然而，門限設(shè)置同樣地要求關(guān)于裝置和過(guò)程性質(zhì)的專家的一定知識(shí)和經(jīng)驗(yàn)以便使得能夠正確地設(shè)定門限。門限設(shè)置可通過(guò)定義用于經(jīng)測(cè)量的信號(hào)或用于那些信號(hào)的特征的下限和/或上限來(lái)被應(yīng)用在時(shí)域中。例如，總體振動(dòng)水平不應(yīng)高于門限值，這是為什么系統(tǒng)如果超過(guò)門限值則產(chǎn)生警報(bào)的原因。

此外，可使用神經(jīng)云概念。將該技術(shù)應(yīng)用于振動(dòng)分析領(lǐng)域。神經(jīng)模糊方法的應(yīng)用是使得專家狀況監(jiān)視系統(tǒng)更加智能的嘗試并且在保持監(jiān)視成本合理的情況下能夠面對(duì)復(fù)雜的現(xiàn)實(shí)世界問(wèn)題。在下面提出的概念導(dǎo)致用于單側(cè)分類的高效數(shù)據(jù)封裝（dataencapsulating）方法。

主要思想在于：一些特定缺陷產(chǎn)生可以從例如作為裝置的軸承或齒輪箱參數(shù)來(lái)計(jì)算的頻率上的振幅的顯著增加。通過(guò)監(jiān)視圍繞這些頻率提供的頻帶內(nèi)的振幅，專家可以決策這種情況是相應(yīng)對(duì)應(yīng)于裝置的正常狀態(tài)還是對(duì)應(yīng)于故障狀態(tài)或錯(cuò)誤狀態(tài)。開發(fā)了一種評(píng)估方法，其旨在在沒(méi)有關(guān)于裝置的內(nèi)部結(jié)構(gòu)及其系統(tǒng)環(huán)境的先驗(yàn)知識(shí)的情況下來(lái)相應(yīng)執(zhí)行對(duì)裝置或旋轉(zhuǎn)機(jī)械的診斷。這種評(píng)估方法能夠解讀例如振動(dòng)數(shù)據(jù)以便將被用于它們的訓(xùn)練的正常情況與分配給錯(cuò)誤狀態(tài)的臨界和異常情況區(qū)別開。神經(jīng)模糊建模的應(yīng)用能夠檢測(cè)從標(biāo)準(zhǔn)行為的改變。針對(duì)該特定應(yīng)用，將許多譜線（尤其是針對(duì)處于正常狀態(tài)的系統(tǒng)而測(cè)量的傅立葉譜線）用于封裝表面（nc）創(chuàng)建。在已結(jié)束訓(xùn)練階段之后，通過(guò)計(jì)算其置信度值來(lái)將前面所提到的方法用于狀態(tài)的分類。

譜線的峰值可以產(chǎn)生取決于對(duì)應(yīng)置信度水平的不同水平的警報(bào)。如果在譜線中存在重大變化，則置信度水平從100%減小至0%。借助于相應(yīng)設(shè)定適當(dāng)?shù)木瘓?bào)水平或門限值，可估計(jì)情況是對(duì)應(yīng)于不嚴(yán)重（良好）、嚴(yán)重（提醒）以及極其嚴(yán)重（警報(bào)狀態(tài)）。其表示在估計(jì)系統(tǒng)剩余壽命并防止停機(jī)的任務(wù)中優(yōu)選地相應(yīng)支持人類操作員或?qū)＜业哪Ｐ?。此外，如果nc被安裝為以分鐘級(jí)的頻率執(zhí)行周期性測(cè)量的在線監(jiān)視系統(tǒng)，則可在幾周或幾個(gè)月期間跟隨置信度值的演進(jìn)。這代表了對(duì)于實(shí)時(shí)診斷系統(tǒng)的概念而言的重要一步，因?yàn)殚_發(fā)的評(píng)估方法使得能夠檢測(cè)系統(tǒng)效果，并且還能夠相應(yīng)高效地診斷系統(tǒng)健康或裝置健康。

聚類是支持模式識(shí)別任務(wù)的補(bǔ)充性工具。在特定實(shí)施例中，可將測(cè)量空間關(guān)于系統(tǒng)狀態(tài)進(jìn)行聚類，并且稍后通過(guò)檢查新的測(cè)量點(diǎn)是否屬于某些聚類，使得可估計(jì)系統(tǒng)的未知狀態(tài)。

k-近鄰（k-nearestneighbours）的算法（k-nn）是聚類方法。該方法允許在特征空間中基于最靠近的訓(xùn)練示例將對(duì)象分類。k-nn是一種類型的即時(shí)學(xué)習(xí)（instant-basedlearning）或懶惰學(xué)習(xí)（lazylearning），其中，僅僅在本地對(duì)函數(shù)進(jìn)行近似，并且直到分類所有計(jì)算是不同的。

訓(xùn)練示例是多維特征空間中的向量，每個(gè)具有類別標(biāo)簽。算法的訓(xùn)練面僅由訓(xùn)練樣本的類別標(biāo)簽和特征向量的存儲(chǔ)組成。

在分類面中，k是用戶定義常數(shù)，并且通過(guò)分配在最接近于查詢點(diǎn)的k個(gè)訓(xùn)練樣本之間最頻繁的標(biāo)簽來(lái)將無(wú)標(biāo)簽分類。而且，可通過(guò)分配標(biāo)簽來(lái)將查詢或測(cè)試點(diǎn)分類。根據(jù)一實(shí)施例，使用歐幾里德距離（euclideandistance）作為測(cè)度（metric）距離。然而，如果是諸如文本（text）分類，則相應(yīng)使用諸如重疊測(cè)度或漢明距離（hammingdistance）的測(cè)度。在模糊聚類中，每個(gè)點(diǎn)在一定程度上屬于聚類（如在模糊邏輯中）而不是完全屬于僅一個(gè)典型聚類。因此，聚類的邊緣上的點(diǎn)與在該聚類中心上的點(diǎn)相比可以以較低的程度屬于一個(gè)聚類。針對(duì)每個(gè)點(diǎn)x，系數(shù)給定作為k-th聚類uk(x)的一部分的程度。優(yōu)選地，用于任何給定x的那些系數(shù)的和優(yōu)選地被定義成是1。

使用聚類方法來(lái)通過(guò)基于所選過(guò)程參數(shù)（例如由rpm值）或負(fù)載特性的聚類化將裝置操作的體制（regimes）分離。針對(duì)每個(gè)所選聚類、體制或參考狀態(tài)的集合，訓(xùn)練單側(cè)分類實(shí)例以在給定體制或操作模式下相應(yīng)識(shí)別裝備或裝置的異常行為的出現(xiàn)。因此，可以以高度的準(zhǔn)確性來(lái)實(shí)現(xiàn)異常行為檢測(cè)。

在相應(yīng)觀察了機(jī)器或裝置的異常行為之后，可執(zhí)行對(duì)故障根本原因的更詳細(xì)的分析。這可通過(guò)使用專家系統(tǒng)來(lái)完成，該專家系統(tǒng)是允許使用有效地形式化的專家知識(shí)的一組方法。基于規(guī)則的專家系統(tǒng)是用以檢測(cè)裝置（尤其是旋轉(zhuǎn)裝置）的故障并將其分類的方法。

通過(guò)將頻域中的門限設(shè)置方法和與特定故障模式有關(guān)的專家知識(shí)進(jìn)行組合，這可被用于旋轉(zhuǎn)裝置故障分析。

因此，本發(fā)明提供了通過(guò)使用裝置的振動(dòng)來(lái)對(duì)裝置（尤其是旋轉(zhuǎn)裝置）進(jìn)行容易的監(jiān)視。

本發(fā)明方法是基于分析由安裝在裝置上的傳感器提供的譜線。該譜線優(yōu)選地是完整變換譜線。在正常體制中，空間頻率與邊頻之間的依賴關(guān)系是穩(wěn)定的，而在異常體制中，該依賴關(guān)系將會(huì)被打破。被打破的依賴關(guān)系可例如由本征振動(dòng)的較高功率或者由邊頻的較高功率（其可以對(duì)應(yīng)于故障行為）而導(dǎo)致。優(yōu)選地，用神經(jīng)單值分類器（尤其是神經(jīng)云（nc））來(lái)近似該依賴關(guān)系。

然而，將預(yù)先學(xué)習(xí)單值分類器?？扇缦聢?zhí)行神經(jīng)云的應(yīng)用：

-關(guān)于正常數(shù)據(jù)訓(xùn)練單值分類器

-測(cè)試單值分類器。

根據(jù)本發(fā)明概念，該方法允許改善與裝置的錯(cuò)誤狀態(tài)有關(guān)的決策。

根據(jù)示例性實(shí)施例，控制模塊被配置成在預(yù)處理期間降低振動(dòng)變換（vibrationtransform）的噪聲水平。這增強(qiáng)了確定基頻和邊頻時(shí)的準(zhǔn)確度。

此外，根據(jù)另一示例性實(shí)施例，控制模塊被配置成在預(yù)處理期間對(duì)振動(dòng)變換應(yīng)用門限值。這種方法進(jìn)一步改善確定基頻和邊頻的準(zhǔn)確度。

用以改善根據(jù)另一示例性實(shí)施例的本發(fā)明的一個(gè)方法是將控制模塊配置成分開確定基頻和邊頻的各自的功率的和。這對(duì)于準(zhǔn)備處理并提供與分類相聯(lián)系的神經(jīng)模糊方法的后續(xù)步驟是有用的。

根據(jù)又一示例性實(shí)施例，控制模塊被配置成在處理期間考慮基頻與邊頻之間的依賴關(guān)系。這允許增強(qiáng)關(guān)于分類的處理步驟的質(zhì)量。

優(yōu)選地，控制模塊還包括神經(jīng)云以便提供單值分類。因此，進(jìn)行處理可基于已存在的手段，從而可容易地實(shí)現(xiàn)本發(fā)明。

根據(jù)另一示例性實(shí)施例，控制模塊被配置成基于在無(wú)錯(cuò)誤操作期間從振動(dòng)信號(hào)接收的數(shù)據(jù)來(lái)訓(xùn)練單值分類。這允許容易地訓(xùn)練單值分類以識(shí)別裝置的正常操作狀態(tài)。

根據(jù)又一實(shí)施例，控制模塊被配置成使用支持向量機(jī)以便提供單值分類。支持向量機(jī)是算法，其可被容易地應(yīng)用以實(shí)現(xiàn)本發(fā)明。

附圖說(shuō)明

通過(guò)結(jié)合附圖來(lái)考慮至少一個(gè)示例性實(shí)施例的下面的詳細(xì)描述，可容易地理解本發(fā)明的教導(dǎo)并且將會(huì)明白至少一些附加特定細(xì)節(jié)，所述附圖示意性地示出了應(yīng)用于監(jiān)視具有活動(dòng)部分的裝置的本發(fā)明。

在附圖中：

圖1示意性地示出了一示圖，該示圖繪出了在其軸承處具有內(nèi)圈損壞的旋轉(zhuǎn)機(jī)器的振動(dòng)信號(hào)；

圖2示意性地在左側(cè)示圖中示出了基于根據(jù)圖1的信號(hào)的fft的譜分析，而在右側(cè)示圖中應(yīng)用了包絡(luò)分析；

圖3示意性地示出了三個(gè)示圖，其中，上方示圖示出了振動(dòng)信號(hào)的譜線，中間示圖示出了根據(jù)上方示圖的包絡(luò)譜線，而下方示圖示出了在軸承沒(méi)有故障的情況下的包絡(luò)譜線；

圖4示意性地示出了兩個(gè)示圖，其中，上方示圖示出了振動(dòng)信號(hào)的譜線，并且其中，下方示圖示出了上方示圖的相應(yīng)譜線；

圖5示意性地示出了表示軸承的時(shí)間系列（timeseries）的示圖；

圖6示意性地示出了一示圖，該示圖示出了根據(jù)圖5的時(shí)間系列的階次譜線；

圖7示意性地示出了一示圖，該示圖繪出了譜線的用于提供警報(bào)和提醒的門限設(shè)置；

圖8示意性地示出了兩個(gè)示圖，其中，左側(cè)示圖示出了譜數(shù)據(jù)密度等高線，而右側(cè)示圖示出了對(duì)應(yīng)的3維表面；

圖9示意性地示出了根據(jù)本發(fā)明的操作；

圖10示意性地示出了磨機(jī)（mill）的譜線的基頻和邊頻功率的示圖；

圖11示出了一示圖，該示圖示出了基于正常行為的置信度（confidence）值的根據(jù)本發(fā)明的處理的操作；以及

圖12示意性地示出了一框圖，該框圖繪出了徑向基函數(shù)（rbf）網(wǎng)絡(luò)方法。

具體實(shí)施方式

圖1示例性地示出了表示波形的示圖，該波形圖示出表現(xiàn)軸承內(nèi)圈（race）損壞的振動(dòng)信號(hào)12，振動(dòng)信號(hào)12以軸頻來(lái)調(diào)制。軸承20是在附圖中未進(jìn)一步繪出的將要被監(jiān)視的旋轉(zhuǎn)裝置的一部分。檢測(cè)旋轉(zhuǎn)裝備存在損壞所使用的信號(hào)測(cè)度和統(tǒng)計(jì)參數(shù)如下：

峰值水平被簡(jiǎn)單地定義為最大和最小振動(dòng)水平之間的差的一半：

信號(hào)的均方根（rms）值是信號(hào)的標(biāo)準(zhǔn)化（normalized）二階統(tǒng)計(jì)矩（statisticalmoment）。對(duì)于離散信號(hào)，其被定義為：

信號(hào)的rms通常被用于描述時(shí)變信號(hào)的穩(wěn)態(tài)（steady-state）。測(cè)量寬頻帶上的總體振動(dòng)水平是最基本的振動(dòng)監(jiān)視技術(shù)。經(jīng)測(cè)量的振動(dòng)水平隨時(shí)間被趨勢(shì)化以相應(yīng)地作為機(jī)器狀況或裝置狀況的指標(biāo)。通常，考慮總體振動(dòng)水平峰值或rms值，不過(guò)，在考慮總體振動(dòng)水平峰值或rms值時(shí)，rms值在一些情況下是更優(yōu)選的，以便避免例如統(tǒng)計(jì)上不顯著的噪聲（insignificantnoise）的影響。應(yīng)提到的是，總體振動(dòng)水平的分析對(duì)于相對(duì)簡(jiǎn)單的機(jī)器而言可以指示故障，但是總體振動(dòng)水平的分析將不會(huì)提供任何診斷信息。此外，將只有在故障引起總體振動(dòng)水平的顯著增加之后才會(huì)檢測(cè)到該故障，并且因此對(duì)于復(fù)雜的機(jī)器故障而言可能檢測(cè)不到?？紤]特定故障類型，可看到的是，信號(hào)的形狀可以是比總體振動(dòng)水平更好的損壞指標(biāo)。例如，產(chǎn)生短期脈沖的故障（諸如軸承故障或局部齒輪齒（geartooth）故障）或許將不會(huì)顯著地影響總體振動(dòng)水平，但是可導(dǎo)致信號(hào)的形狀的顯著變化。波峰因數(shù)（crestfactor）和峰度（kurtosis）常常被用作信號(hào)波形的形狀的無(wú)量綱度量（measure）。

波峰因數(shù)被定義為信號(hào)的峰值和rms值的比：

使用波峰因數(shù)作為信號(hào)的脈沖（impulsiveness）性質(zhì)的度量。其在存在未頻繁到足以影響rms水平的離散脈沖的情況下將會(huì)增加。偏斜度（skewness）和峰度分別是信號(hào)的3階和4階統(tǒng)計(jì)矩

其中，μ3是關(guān)于均值的三階矩，δ是標(biāo)準(zhǔn)差（standarddeviation），x是樣本均值。

1

，其中，μ4是關(guān)于均值的四階矩，δ是標(biāo)準(zhǔn)差。

那些度量被用于有效地檢測(cè)信號(hào)統(tǒng)計(jì)分布的變化。應(yīng)提到的是，獨(dú)立于振動(dòng)水平的實(shí)際量值的參數(shù)提供已發(fā)生顯著變化的早期指示，該顯著變化通常在缺陷發(fā)展的初始階段出現(xiàn)。

通過(guò)使用測(cè)量數(shù)據(jù)的在先濾波，可顯著地改善使用上面所提到的參數(shù)中的一些的頻帶分析。借助于數(shù)據(jù)濾波，可將振動(dòng)信號(hào)12劃分成若干頻帶。這種方法背后的思想在于：在一些情況下，故障可能不導(dǎo)致總體振動(dòng)信號(hào)12的顯著變化，例如由具有較高能量的非故障相關(guān)的振動(dòng)占主導(dǎo)，但是其可以在未受到那些非故障振動(dòng)如此多的影響的頻帶內(nèi)變得能夠識(shí)別。

在疲勞分析中可采用循環(huán)計(jì)數(shù)法。循環(huán)計(jì)數(shù)可以被用于通過(guò)提供各種大小的循環(huán)發(fā)生的次數(shù)來(lái)概括無(wú)規(guī)律的負(fù)載相對(duì)于時(shí)間的歷史。循環(huán)的定義隨循環(huán)計(jì)數(shù)的方法而改變。這些實(shí)踐覆蓋用于通過(guò)各種方法獲得循環(huán)計(jì)數(shù)的過(guò)程，包括穿級(jí)計(jì)數(shù)（level-crossingcounting）、峰值計(jì)數(shù)（peakcounting）、簡(jiǎn)單-范圍計(jì)數(shù)（simple-rangecounting）、程對(duì)計(jì)數(shù)（range-paircounting）以及雨流計(jì)數(shù)（rainflowcounting）。可針對(duì)力、應(yīng)力、應(yīng)變、轉(zhuǎn)矩、加速度、撓度或感興趣的其它負(fù)載參數(shù)的時(shí)間歷史進(jìn)行循環(huán)計(jì)數(shù)。

時(shí)域分析方法的優(yōu)點(diǎn)在于使用和實(shí)施的簡(jiǎn)單性。它們可用作用于監(jiān)視相對(duì)簡(jiǎn)單的機(jī)器部件的有成本效益的方法，所述相對(duì)簡(jiǎn)單的機(jī)器部件是相對(duì)廉價(jià)且能夠容易地替換的，諸如小型泵或發(fā)電機(jī)?？墒褂脮r(shí)域信號(hào)度量來(lái)檢測(cè)這些部件的即使故障（imminentfailure），從而允許在部件或完整機(jī)器發(fā)生總體損壞之前執(zhí)行所需要的維護(hù)過(guò)程。然而，對(duì)于更加昂貴或更復(fù)雜的機(jī)器而言，在早期階段檢測(cè)損壞并更精確地識(shí)別故障的根本原因是更加重要的。

圖2示出了基于在先信號(hào)調(diào)節(jié)的譜分析。在該情況下，僅考慮在某一頻帶內(nèi)的測(cè)量信號(hào)12中的分量。這里，可在某些分量及它們的諧波的振幅與面（face）之間的關(guān)系中找到診斷信息。

離散傅立葉變換（dft）將值的序列分解成不同頻率的分量。

并且快速傅立葉變換（fft）是用以計(jì)算dft及其逆的高效算法。fft允許計(jì)算信號(hào)譜線并將譜線的形狀與例如針對(duì)新機(jī)器在先記錄的形狀或已知缺陷相關(guān)的形狀相比較。頻率分析技術(shù)可被用在機(jī)器的狀況監(jiān)視和診斷兩者中并且也可被用于停機(jī)保護(hù)。

圖3示出了關(guān)于包絡(luò)分析的示圖。其可被用于進(jìn)行振幅解調(diào)，也就是說(shuō)，進(jìn)行對(duì)調(diào)制信號(hào)的譜和時(shí)間表達(dá)的檢波，并可被用于識(shí)別旋轉(zhuǎn)機(jī)械20中的脈沖事件的發(fā)生。

這種方法的優(yōu)點(diǎn)在于如下事實(shí)：感興趣的信號(hào)的特征優(yōu)選地只有在缺陷或錯(cuò)誤相應(yīng)出現(xiàn)的情況下才出現(xiàn)，因此不需要系統(tǒng)適于通過(guò)作出且比較若干周期性測(cè)量來(lái)檢測(cè)可能的缺陷。通過(guò)不是絕對(duì)值而是相對(duì)值的單個(gè)振動(dòng)測(cè)量來(lái)檢測(cè)感興趣的信號(hào)特征，因此本方法對(duì)測(cè)量精度的敏感性小。其允許覆蓋例如對(duì)于滾動(dòng)元件軸承的安裝和操作的約10個(gè)不同缺陷類型、軸頸軸承（journalbearing）、齒輪、泵葉輪以及具有摩擦元件的許多其它單元的許多類型的缺陷的檢測(cè)和識(shí)別，并且可對(duì)它們中的每個(gè)提供長(zhǎng)期狀況預(yù)測(cè)。

圖4示意性地示出了關(guān)于倒譜分析（cepstrumanalysis）的兩個(gè)示圖。例如，邊帶（sideband）聚集在齒輪箱的齒嚙合頻率及其諧波周圍，在調(diào)制頻率的倍數(shù)處間隔，并且這些調(diào)制頻率的確定可在故障的診斷中是非常有用的。

從數(shù)學(xué)觀點(diǎn)來(lái)看，倒譜通常被定義為功率譜線（powerspectrum）的對(duì)數(shù)的功率譜線。因?yàn)榻^對(duì)標(biāo)定是次要的（假如一致性得以維持）且因?yàn)橥ǔ?huì)用db來(lái)表示對(duì)數(shù)功率譜線，所以在本文中將倒譜的振幅的單位取為（db）2。然而，有時(shí)，還可以將術(shù)語(yǔ)倒譜應(yīng)用于振幅譜線（amplitudespectrum），例如功率譜線的平方根，并且這將通過(guò)具有單位db來(lái)進(jìn)行區(qū)別。

圖5示意性地示出了關(guān)于進(jìn)一步提供階次分析的時(shí)間系列。階次分析被用于解決旋轉(zhuǎn)機(jī)器的速度變化的問(wèn)題。fft過(guò)程將時(shí)域數(shù)據(jù)變換到頻域，從而創(chuàng)建譜線。在時(shí)域中是周期性或重復(fù)性的信號(hào)相應(yīng)在頻域中表現(xiàn)為峰值。在階次分析中，fft將轉(zhuǎn)數(shù)域數(shù)據(jù)變換成階次譜線。在轉(zhuǎn)數(shù)域中是周期性的信號(hào)在階次域（orderdomain）中表現(xiàn)為峰值。例如，如果振動(dòng)峰值在相同軸位置處每轉(zhuǎn)發(fā)生兩次，則在階次譜線中的第二階次處出現(xiàn)峰值。

例如，存在由齒輪箱中的霧齒（misttooth）導(dǎo)致的沖擊。這導(dǎo)致根據(jù)圖6的示圖。齒輪箱輸出軸上的齒的數(shù)目是27。第27、第54和第81階次具有高振幅（參見圖6）。它們對(duì)應(yīng)于嚙合頻率及其二階和三階諧波。為了計(jì)算對(duì)于在以可變速度旋轉(zhuǎn)的機(jī)器處收集的測(cè)量時(shí)間系列的階次譜線，優(yōu)選地要求轉(zhuǎn)速器（tacho）或鍵相位（keyphasor）信號(hào)。在原始信號(hào)的再采樣（其目標(biāo)是對(duì)于每轉(zhuǎn)獲得相等數(shù)目的數(shù)據(jù)樣本）之后，可計(jì)算階次譜線。對(duì)于恒定的旋轉(zhuǎn)速度，階次譜線將會(huì)類似于具有對(duì)應(yīng)于旋轉(zhuǎn)頻率的第1階次的頻率譜線。

圖7示意性地示出了一示圖，其中，繪出了基于譜線14的用于警報(bào)32和提醒34的門限設(shè)置。門限設(shè)置32、34通過(guò)定義用于經(jīng)測(cè)量的信號(hào)的或用于那些信號(hào)的特征的下限和/或上限而應(yīng)用在時(shí)域中。例如總體振動(dòng)水平不能高于給定門限值，并且系統(tǒng)如果檢測(cè)到此類情況則產(chǎn)生警報(bào)。這種方法還可通過(guò)定義在圖7中所示的用于預(yù)定義頻帶的門限的集合而被用于頻域分析。

圖8示意性地在左側(cè)示圖中示出了數(shù)據(jù)密度等高線36并在右側(cè)示圖中示出了對(duì)應(yīng)的3維表面38。譜線14的峰值產(chǎn)生不同水平的警報(bào)，其取決于對(duì)應(yīng)的置信度水平。如果在譜線14中存在重大變化，則置信度水平從100%減小至0%。借助于設(shè)置適當(dāng)?shù)木瘓?bào)水平，系統(tǒng)可以估計(jì)情況是對(duì)應(yīng)于不嚴(yán)重（良好）、嚴(yán)重（提醒）還是極其嚴(yán)重（警報(bào)）。其表示用以在估計(jì)系統(tǒng)的剩余壽命和預(yù)防停機(jī)的任務(wù)中支持人類專家的模型。此外，如果nc被安裝為以分鐘級(jí)的頻率執(zhí)行周期性測(cè)量的在線監(jiān)視系統(tǒng)，則可在幾周或幾個(gè)月期間跟隨置信度值的演進(jìn)。這代表了對(duì)于真實(shí)壽命診斷系統(tǒng)的概念而言的重要一步，因?yàn)樗_發(fā)的評(píng)估方法使得能夠檢測(cè)系統(tǒng)缺陷并還能夠高效地診斷系統(tǒng)健康。

圖9-11示出了本發(fā)明的設(shè)備的操作。將如圖3中繪出的滾動(dòng)元件軸承20視為示例。在軸承20中的局部故障之上相應(yīng)滾動(dòng)的滾子或滾珠產(chǎn)生一系列力沖擊。如果圈的旋轉(zhuǎn)速度是恒定的，則沖擊的重復(fù)率僅僅由軸承20的幾何結(jié)構(gòu)確定。將重復(fù)率表示為軸承頻率并且它們?nèi)缦拢?/p>

-bpfo，外圈故障頻率（ballpassingfrequencyouterrace），局部故障在外圈上

-bpfi，內(nèi)圈故障頻率（ballpassingfrequencyinnerrace），局部故障在內(nèi)圈上

-bff，滾珠故障頻率（ballfaultfrequency）=2*bsf，滾珠自轉(zhuǎn)頻率（ballspinfrequency），局部故障在滾動(dòng)元件上

-ftf，保持器缺陷頻率（fundamentaltrainfrequency），故障在保持架（cage）上或機(jī)械松動(dòng)；

在包括故障軸承20的機(jī)器上測(cè)量的振動(dòng)12的譜線14包括軸承頻率中的一個(gè)或多個(gè)。可使用上面所提到的方法來(lái)提取關(guān)于這些頻率處的峰值的信息。并且該信息將會(huì)是用于專家系統(tǒng)的輸入。專家系統(tǒng)的規(guī)則庫(kù)包括對(duì)于特定軸承所計(jì)算的頻率與對(duì)應(yīng)的故障42之間的聯(lián)系。例如，規(guī)則可以看起來(lái)像“如果在bpfo處存在峰值，則故障42是外圈的磨損”。對(duì)于特定裝備，關(guān)鍵頻率可基于該裝備的部分的幾何結(jié)構(gòu)而預(yù)先計(jì)算。

圖9示出了由本發(fā)明的設(shè)備提供的任務(wù)。所述設(shè)備（尤其是控制模塊10）接收滾動(dòng)元件軸承20的經(jīng)測(cè)量的振動(dòng)信號(hào)12，振動(dòng)信號(hào)12由與軸承20相連接的相應(yīng)的傳感器來(lái)提供。振動(dòng)信號(hào)12源自于磨機(jī)（未示出）。所述設(shè)備的控制模塊10通過(guò)應(yīng)用振動(dòng)信號(hào)12的快速傅立葉變換將振動(dòng)信號(hào)12變換成譜線14。然后，所接收的譜線14被預(yù)處理以便確定基頻16和邊頻18。基頻16是峰值功率對(duì)應(yīng)于裝置20的本征頻率（eigenfrequency）或故障頻率的頻率。邊頻18對(duì)應(yīng)于另外的頻率。

在本實(shí)施例中，控制模塊10提供降噪并應(yīng)用門限，其中，超過(guò)門限的頻率相關(guān)值被識(shí)別為基頻16。所有另外的頻率被確定為邊頻18。接下來(lái)，將單值分類（one-classclassification）22的結(jié)果組合由此獲得表示置信度水平的分類信號(hào)24。這是通過(guò)使用神經(jīng)模糊方法（neutal-fuzzyapproach）實(shí)現(xiàn)的。如在圖9中可看到的，在這點(diǎn)上，3維高斯鐘（gaussianbell）40，其中，定位在鐘40內(nèi)的分類信號(hào)24表示無(wú)錯(cuò)誤狀態(tài)，其中，在鐘40外的分類信號(hào)24表示裝置20的錯(cuò)誤狀態(tài)（圖9）?？刂颇K10然后基于分類信號(hào)24而輸出決策支持信號(hào)，該信號(hào)指示所監(jiān)視的裝置20的錯(cuò)誤狀態(tài)。決策支持在圖9的右側(cè)部分中，具有0與1之間的置信度值。

圖10示出了從遭受fft的磨機(jī)的振動(dòng)信號(hào)12接收的譜線14的基頻16和邊頻18的功率。圖11示意性地示出了正常行為的置信度值的示圖。在左側(cè)部分中，指示有訓(xùn)練階段44，其中，中間和右側(cè)部分指的是測(cè)試階段46。如可從圖11看到的，識(shí)別出兩個(gè)警報(bào)情況48、50，其中，第三部分52尚未被決策，因?yàn)樾枰嘈畔ⅰ?/p>

關(guān)于圖12進(jìn)一步詳述了單值分類22的操作。目前，使用神經(jīng)云30分類算法作為支持向量機(jī)（supportvectormachine）。隸屬函數(shù)的估計(jì)優(yōu)選地由兩個(gè)步驟組成：第一，由高級(jí)k均值（akm）聚類算法（clusteringalgorithm）進(jìn)行聚類，并且第二，由徑向基函數(shù)（rbf）網(wǎng)絡(luò)方法對(duì)聚類進(jìn)行近似（參見圖12）。akm是對(duì)k均值算法的修改，akm具有對(duì)于給定最大數(shù)目的聚類（質(zhì)心（centroid））的聚類最優(yōu)數(shù)目的適應(yīng)性計(jì)算。

akm本身優(yōu)選地由以下步驟組成：

?設(shè)定k質(zhì)心的初始數(shù)目以及最大限和最小限

?調(diào)用k均值算法以對(duì)k質(zhì)心進(jìn)行定位

?根據(jù)下面的前提插入或擦除質(zhì)心：

?如果數(shù)據(jù)的距離超過(guò)與最近質(zhì)心的某一距離，則生成新的質(zhì)心

?如果任何聚類由小于某一數(shù)目的數(shù)據(jù)組成，則去除對(duì)應(yīng)的質(zhì)心

?如果一些質(zhì)心之間的距離小于某一值，則將那些聚類組合成一個(gè)

?循環(huán)至步驟2，除非達(dá)到了計(jì)數(shù)（epoch）的某一的數(shù)目，或者質(zhì)心數(shù)目及它們的坐標(biāo)已變得穩(wěn)定。

akm算法的輸出是聚類的中心，聚類的中心表示與正常行為有關(guān)的歷史數(shù)據(jù)。這被用作訓(xùn)練集合（trainingset）。最終，已經(jīng)從輸入數(shù)據(jù)提取出聚類的中心，使用超曲面（隸屬函數(shù)）來(lái)封裝數(shù)據(jù)。出于此目的，使用高斯分布（高斯鐘）56

其中，m是高斯鐘56的中心，σ是高斯鐘56的寬度，x是輸入數(shù)據(jù)。

中心akm聚類被分配給對(duì)應(yīng)高斯鐘56的中心，如從圖12關(guān)于li可看到的。計(jì)算所有高斯鐘56的和以便獲得隸屬函數(shù)。在這些鐘56重疊的情況下，高斯鐘56的和優(yōu)選地應(yīng)為一個(gè)單位（unit）。接下來(lái)，應(yīng)用標(biāo)準(zhǔn)化54以使得由神經(jīng)云30計(jì)算的置信度值p^c在0至1之間的界限中（參見圖12）。

神經(jīng)云30封裝用于給定訓(xùn)練時(shí)段的所選參數(shù)的所有先前歷史。在訓(xùn)練之后，神經(jīng)云30計(jì)算用于軸承20的每個(gè)新狀態(tài)的置信度值，從而描述正常行為的置信度值。

根據(jù)本發(fā)明，一維神經(jīng)云30構(gòu)造用于熱機(jī)械疲勞（tf）模擬的模型誤差的隸屬函數(shù)，并且提供在0與1之間的置信度值的模糊輸出。

如果期望的話，本文中所討論的不同功能和實(shí)施例可以按照不同或偏離的順序和/或當(dāng)前相互以各種方式來(lái)執(zhí)行。此外，如果期望的話，上面所描述的功能和/或?qū)嵤├械囊粋€(gè)或多個(gè)可以是可選的或者可以被組合，優(yōu)選地以任意方式。

雖然在獨(dú)立權(quán)利要求中闡述了本發(fā)明的各種方面，但本發(fā)明的其它方面包括來(lái)自所描述的實(shí)施例和/或從屬權(quán)利要求的特征與獨(dú)立權(quán)利要求的特征的其它組合，而不僅僅包括在權(quán)利要求中明確地闡述的組合。

在本文中還注意到的是，雖然上面描述了本發(fā)明的示例性實(shí)施例，但不應(yīng)將此描述視為對(duì)范圍進(jìn)行限制。相反地，在不偏離如在所附權(quán)利要求中定義的本發(fā)明的范圍的情況下可以作出若干改變和修改。