技术领域
[0001] 本发明涉及煤矿井巷开采技术领域，尤其涉及一种基于声光电多源数据融合的煤矿井巷综合开采方法及系统。
相关背景技术
[0002] 本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
[0003] 传统的煤矿开采方法在灾害预警方面，对于灾害的监测预警多基于施工人员经验，在井巷掘进中缺乏对多源灾害监测数据的综合分析，预警准确率低，导致煤矿防灾措施实施针对性差；在煤岩识别方面，由于井下环境复杂，例如大功率设备产生的电磁场、各种设备产生的强振动和噪声等，基于单一技术原理的煤岩识别技术获取到的识别结果准确性不足，难以满足实际工况下的应用需求；在煤矿优选方面，主要方式是将煤矸直接从井下运输至地面选煤厂进行集中分选，没有在井下原位实现原煤种类特性的初步筛分，难以在后续集中分选中对不同特性的原煤采用最佳匹配的分选方法，从而提高实际选煤效率。
[0004] 综上，传统的煤矿开采方法无法实现在开采过程中既能安全规避潜在的风险灾害，又能实现煤岩的准确判识，更能进行煤炭的实时分选，无法保证煤矿钻、掘、采、分整个工序的连续性和有效衔接。
具体实施方式
[0021] 应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
[0022] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0023] 实施例一在一个或多个实施方式中，公开了一种基于声光电多源数据融合的煤矿井巷综合开采方法，包括：
S101：实时获取钻杆钻进过程中的钻进参数、钻头钻进反馈的微震数据、钻入式接收线圈的瞬变电磁数据以及瓦斯浓度监测数据，基于获取的数据判断钻进过程是否存在安全风险。
[0024] 本实施例中，钻掘一体化掘进机上配置有钻杆、切割头两种工作装置，在钻杆装置工作过程中，通过掘进机上搭载的四种数据获取模块，获取钻杆钻进的详细技术参数数据、钻头钻进反馈的微震数据、钻入式接收线圈的瞬变电磁数据以及随钻瓦斯浓度监测装置的实时数据；通过上述数据的逐一分析，进行煤矿井巷掘进安全性的实时判定，如有安全风险警告则停止掘进，如无安全风险则继续掘进。
[0025] 具体地，煤矿建设以及生产过程中，井巷施工经历钻孔探测‑掘进开挖两个主要步骤，为了尽量减少钻孔探测对于施工的影响，本发明基于声光电等数据的综合利用，实现对前方隐匿灾害的综合探测。
[0026] 本实施例中，在煤矿井巷钻掘一体化掘进机进行地质导向性钻进时，通过钻掘一体化掘进机上搭载的各种传感器，实时获取各等间距钻杆钻进过程中的扭矩、转速、摩擦力等钻进技术参数。
[0027] 利用预先构建的煤矿井巷岩石钻进参数数据库来训练钻进参数‑岩石物理性质反演模型，煤矿井巷岩石钻进参数数据库中存储有不同的钻进参数组合（扭矩、转速、摩擦力等数据的组合）及其对应的岩石物理性质数据；实际探测过程中，基于获取的钻进技术参数数据，通过反演模型来初步推断前方的地层岩石物理性质，达到岩石物理性质随钻可感的效果。
[0028] 通过地层岩石物理性质可以判断岩石的抗压抗剪强度，如果抗压抗剪强度小于某一设定的阈值，则说明钻进过程中存在安全风险。
[0029] 本实施例中，通过钻掘一体化掘进机上搭载的钻头微震数据接收分析模块，在钻杆钻进的过程中，可以通过高频地震检波器实时获取钻头与岩石接触面产生并传导至岩石裂隙结构所返回的地震波信号数据，基于时序信号处理方法，对数据进行降噪处理，由于地震波信号里的波速大小、反射系数、波形特征与岩石结构的完整性、均匀性有关，一般来说岩石结构越完整、越均匀，其波速越大、反射系数越高、波形特征越复杂，通过分析波速、反射系数以及波形特征的异常表征，即波速的突然变化、反射系数的异常分布以及波形的失真散射等，可以进一步分析前方地层的岩石结构信息。
[0030] 通过岩石结构信息可以得出不同位置的岩石结构是否完整、是否存在裂隙，达到岩体裂隙情况随钻可知的效果。如果钻头钻进反馈的地震波信号数据显示前方岩体较为破碎（具体的破碎程度可以根据实际需要进行设定），则说明钻进过程中存在安全风险。
[0031] 本实施例中，结合图3，当钻孔钻进完毕时，相应的钻杆撤出，搭载有微型电磁接发线圈模块、发射电路、接收电路和总控电路的非金属杆伸入钻孔之中，当其以固定速率探入时，其上搭载有微型发射线圈的环形部件同步旋转，接收线圈固定于非金属杆上；其中发射电路包含产生交变电流的振荡器、功率放大器等元件，用于向发射线圈提供特定频率和功率的电流，接收电路包含放大器、滤波器、检波器等元件，用于对接收线圈感应到的微弱信号进行处理和提取，总控电路用于控制整个装置的动力响应及数据传输。具体的电路都是现有结构，不再详述。
[0032] 装置工作时，发射线圈施加以脉冲电流向周边岩体及未知区域发送一次磁场，接收线圈接收到一次磁场遇到导电介质产生的二次磁场，由于不同介质的电阻率存在差异，当遇到含水区域时，测量到的二次磁场电阻值较低，通过分析这些电阻异常值所在的空间位置并进行三维成像，可以确定其含水区域的具体位置和范围，进而实现了水源探测，达到隐匿水害随钻可探的效果。
[0033] 由于隧道围岩岩体是高阻体，而含水区域是低阻体，在较高电阻值中出现了低阻值，便是电阻异常值，说明存在含水区域；如果前方设定范围（比如10‑20m立体空间范围）内存在隐匿水源，则说明钻进过程中存在安全风险。
[0034] 本实施例中，钻掘一体化掘进机各钻杆末端上搭载小型光学甲烷检测模块，利用光干涉原理测定随钻进过程溢出的甲烷和二氧化碳等气体的浓度，实时监测瓦斯浓度值，当瓦斯浓度达到安全阈值时及时报警，达到瓦斯灾害随钻可避的效果。
[0035] 如果瓦斯浓度监测数据显示随钻溢出的瓦斯浓度达到安全阈值，则说明钻进过程中存在安全风险。
[0036] 本实施例利用钻进过程中的钻进参数、钻头钻进反馈的微震数据、钻入式接收线圈的瞬变电磁数据以及瓦斯浓度监测数据，分别得到岩石物理性质、岩石结构信息、所含水源情况和瓦斯浓度情况，上述四种数据中任一项出现了异常，则判断钻进过程是否存在安全风险。
[0037] 本实施例综合声光电等数据对前方风险进行探测，通过实时获取钻杆钻进过程中的钻进参数来反演岩石抗压抗剪强度、通过钻头钻进反馈的地震波信号数据来推断岩体结构完整性、通过钻入式接收线圈的瞬变电磁数据来划定水源等低阻体的区域，以及通过瓦斯浓度监测数据来判断瓦斯爆炸的风险大小，从而基于获取的声光电多元数据实现岩石塌方、隐匿水害、瓦斯爆炸等灾害的综合识别，解决单一数据识别灾害类型较少的缺点，保证煤矿井巷掘进全过程的安全可靠。
[0038] S102：安全钻进设定距离后，开始采煤工作，获取采煤过程中截割头的截齿温度，利用煤岩识别模型，得到煤岩的初步识别结果。
[0039] 本实施例中，通过步骤S101保障了煤矿井巷开采中掘进阶段的安全进行，煤矿井巷掘进一段距离后，整个开采工作流程进入到采煤阶段，当综合采煤机放置到井巷工作面进行掘进作业时，为了尽可能提高煤炭的产出率和减少设备磨损，利用红外热成像实时对煤岩进行识别。
[0040] 具体地，煤矿井巷安全开采一定距离后，综采工作面的采煤机开始工作，其上搭载有红外热成像识别模块的截割头进行截割作业。红外热成像识别模块为现有技术，采用了高灵敏度、被动式红外线，测量当采煤机接触到不同的地质物质诸如：煤层、砂岩、页岩之类所产生的温度的变化，同时截齿附近不同地质层表面的温度，可测出小到0.1℃的温差。
[0041] 基于红外辐射原理，红外热成像识别模块实时监测采煤机截割头对井巷煤岩混合层进行截割时截齿的温度变化情况，截割过程的初始阶段由于截割头与煤岩混合层没有完全接触，会发生截齿的不稳定跳动，因此截齿的温度上升变化不明显，此时需要联合传送带后段的可见‑近红外反射光谱检测模块进行协同分析，从而判断截割头当前是否处于煤岩分界面；识别是否处于煤岩分界面的目的是为了让截割头向煤炭层移动，使其尽可能处于煤炭层，提高采煤效率的同时减少煤岩混合样品的出现概率。
[0042] 当截割过程进入稳定阶段时，采煤机截割头的截齿在中进入温度稳定变化阶段时，依据煤岩中岩石含量越高，截割头的截齿平均温度相应增高的经验规律，基于预先在实验室内不同煤岩混合比例下测得的大量截齿温度数据样本，从而训练得到煤岩识别模型，该模型能够根据输入的截齿温度数据判断出样品所含的煤岩比例，由此作出煤岩类型的识别；因此在实际识别中，实时利用红外热成像识别模块记录截割作业中截齿温度数据，将其作为输入数据输入至识别模型中，得到初步的煤岩识别结果。
[0043] 具体的，煤岩识别模型的数据集是实验室内不同煤岩混合比例下分别测得的大量截齿温度数据的平均值，煤岩样品以100:0, 99:1，98:2，…，2:98，1:99，0:100的变化规律进行混合，每种混合比例下通过测得1000次截齿温度来计算出该比例下的温度平均值，将不同混合比例下的煤岩样品和相应温度平均值形成模型数据集；同时数据集数据按8：2的比例分成训练集和验证集，采用常见的神经网络回归及分类算法建立煤岩识别模型，回归算法基于已建立的训练集对模型训练，通过验证集不断优化模型，实现在模型中输入截齿温度数据来预测样品中的煤岩比例，同时分类算法将预测结果中煤炭占比90%以上的样品划分为煤炭、岩石占比90%以上的样品划分为岩石，从而实现煤岩类型的识别。
[0044] S103：获取输送过程中煤岩样品的反射光谱，通过机器学习得到煤岩的二次识别结果；本实施例中，与采煤机相连的传送带近端处搭载有可见‑近红外反射光谱检测模块，可以对传送带上的煤岩样品进行光谱分析；可见‑近红外反射光谱检测模块采用现有技术实现；通过可见‑近红外反射光谱模块，可以对传送带上中经过红外热成像初步识别的煤岩样品进行反射光谱识别；结合图2，在特定波段处，如1400nm附近、1900nm 附近、2200nm附近，岩石光谱呈现明显的吸收谷现象，而煤炭光谱曲线则始终平缓，两者在这些波段上具有显著差异，因此预先选取这些具有显著差异的特征波段建立煤岩的标准可见‑近红外光谱库；煤岩的标准可见‑近红外光谱库中存储的数据格式是以波长‑反射率为横纵坐标的数值对，该数值对的横坐标区间便是煤炭与岩石可见‑近红外反射光谱曲线中，具有显著差异的特征波段所在的波长区间；将波长‑反射率绘制成折线图便是常见的可见‑近红外反射光谱曲线形式。
[0045] 同时，反射光谱模块对测得的传送带上的煤岩样品反射光谱进行数据预处理，提取其中的特征波段，采用模块中内置的机器学习算法，将提取的煤岩样品反射光谱特征波段与标准光谱库中的波段进行相似性比对分析，从而得到煤岩的二次识别结果；其中，机器学习算法采用现有已知的方法。
[0046] 本实施例中，在截割过程的初始阶段，基于二次识别结果，可以判断截割头是否处于煤岩分界面，具体过程如下：当截割初始阶段截割下的煤岩样品刚输送到可见‑近红外反射光谱模块进行测试时，获得该批煤岩的二次识别结果，假设二次识别结果为煤炭时记为M、识别结果为岩石时记为R，而该批煤岩识别结果为煤炭并记为M1，此时将结果进行存储；随着传送带的转动，获得后续批次煤岩的二次识别结果，假设识别结果为岩石并记为R1；当检测批次逐渐增多时，煤岩二次识别结果形成了数据集合，比如：C={M1, R1,M2, M3, R2, … ,Mp, Rq}，通过分析集合中M类和R类数据的占比，当两者占比相等，或者均在50%左右范围小幅变化时，判断截割头处于煤岩分界面；具体的小幅变化范围可以根据实际需要进行设置，比如，变化范围上下不超过5%。如果处于煤岩分界面，则让截割头向煤炭层移动，提高开采效率和煤炭质量。
[0047] 需要说明的是，某批次煤岩指的是设定时间间隔内传送带上的煤样样品。
[0048] S104：对煤岩的初步识别结果和二次识别结果进行联合分析，得到最终的煤岩识别结果。
[0049] 本实施例中，对煤岩的初步识别结果和二次识别结果进行联合分析，具体为：S1041：选取F1分数作为性能评价指标，分别对用于进行初步识别的煤岩识别模型和用于进行二次识别的机器学习模型进行F1分数指标评价；
S1042：基于煤岩识别模型的F1分数评价值E1和机器学习模型的F1分数评价值E2，确定初步识别结果和二次识别结果的权重；
本实施例中，根据指标来评估两种模型的性能，性能指标大的赋予大权重，指标小的赋予小权重；具体的，可以通过计算两个模型在该性能指标上的相对比重R1和R2，， ，将R1与R2作为权重 和 从而赋予初步识别结果和二次识别
结果的权重。
[0050] S1043：基于所述权重计算每一种识别类别的得分：；
其中，k是识别类别，为煤炭或岩石；m是模型的个数；x是样本； 是第i个模型对样本x的预测结果； 是指示函数，表示若 识别为类别k，则函数返回值
1，否则返回值0； 是第i个模型的权重；
S1044：选择得分高的类别作为最终的煤岩识别结果；比如：
煤岩识别模型的识别结果为煤炭（M），权重为0.4，机器学习模型的识别结果为岩石（R），权重为0.6，则k=M时的得分Y值计算为0.4*1+0.6*0=0.4，K= R时的Y值计算为0.4*0+
0.6*1=0.6，则最终识别结果为岩石（R）。
[0051] 本实施例通过对煤岩的初步识别结果和二次识别结果进行联合分析，联合了红外热成像和可见‑近红外反射光谱的快速高效、精确分析的优势，实现煤岩类型的有效识别。
[0052] S105：基于最终的煤岩识别结果对煤炭和岩石样品进行分发传送，对煤炭样品进行元素测试；基于元素测试结果，利用煤质指标的预测模型，得到灰分、发热量、挥发分和硫分的定量检测结果，基于定量检测结果确定煤炭类型，进而实现对不同类型煤炭的分选。
[0053] 在本实施例中，根据煤岩的识别结果，通过煤岩的自动分发装置自动将煤炭与岩石分别分发至两条不同传送带上，并标记为煤炭传送带和岩石传送带，以便进行后续的煤炭分选；其中自动分发装置内配有图像识别模块、煤炭定位传感器、控制模块和分拣模块；具体来说将煤岩样品的图像与对应的识别结果传送到图像识别模块中，对进入检测的样品进行图像识别，匹配对应的类别标签“煤炭”和“岩石”，将匹配结果输入到控制模块；传送带样品输送至分拣模块，此时控制模块通过传感器确定样品的精确位置，同时根据匹配结果，控制模块触发分拣模块中的机械推送器，将“煤炭”标签和“岩石”标签的样品分别移送到煤炭传送的和岩石传送带轨道上。
[0054] 其中，图像识别、位置识别以及分拣模块的根据控制指令进行分拣的过程均是可以通过现有技术实现的，具体过程不再详述。
[0055] 本实施例中，与采煤机相连的传送带远端处搭载的LIBS&XRF联合测试模块，对经过识别的煤炭样品进行元素等成分的实时分析测试，基于光谱分析结果实现煤炭的原位“α”形循环分选。
[0056] 具体地，在标记的煤炭传送带上搭载LIBS&XRF联合测试模块。已经分发后的煤炭经过该传送带进入联合测试模块，分别通过LIBS和XRF进行煤炭全元素及成灰元素的同步快速测试。
[0057] 其中，煤炭的成灰元素是指在煤炭燃烧或气化过程中不挥发、最终转化为灰分（固体残留物）的一类元素，这些元素在煤炭中以矿物质或有机质结合的形式存在，例如硅（Si）、铝（Al）、铁（Fe）、钙（Ca），镁（Mg），钾（K）和钠（Na）等。
[0058] 同步快速测试是指基于煤样的标准LIBS和XRF数据，通过主成分分析方法提取与灰分、发热量、挥发分、硫分有关的有机、无机元素光谱线的主成分，将其降维之后作为输入变量，利用回归算法建立煤质指标的预测模型；然后将测得的光谱数据进行数据预处理，提取其中的关键谱线成分，输入到煤质指标的预测模型中，得到灰分、发热量、挥发分、硫分的定量结果。
[0059] 本实施例煤质指标的预测模型是通过多元线性回归算法建立起元素的光谱谱线主成分信息与标准煤样煤质指标之间的回归关系，分别建立各指标的预测模型；已有研究显示指标中的灰分与煤中的无机元素相关，本实施例选取Si、Ca、Na、Mg、Al、Fe等元素的光谱线作为灰分预测模型的输入变量，得到灰分的定量结果。指标中的发热量与煤中的有机、无机元素都有关，本实施例选取C、H、S、Si、Ca、Na、Mg、Al、Fe等元素的光谱线作为发热量预测模型的输入变量，得到发热量的定量结果。指标中的挥发分选取C、H、S等元素的光谱线作为挥发分预测模型的输入变量，得到挥发分的定量结果。指标中的硫分，选取S元素光谱线以及与S元素光谱线重叠的元素光谱线作为硫分预测模型的输入变量，得到硫分的定量结果。
[0060] 将标准煤样的四类煤质指标的实验室化验值以及对应的关键光谱线数据作为训练、验证数据，构建起煤质指标的预测模型，并通过测试集来进行模型的优化，最后将需要预测的煤炭样品光谱谱线成分数据分别输入到四种预测模型之中，便可以实现灰分、发热量、挥发分和硫分的定量检测。
[0061] 基于定量检测结果，确定煤炭类型，进而实现对不同类型煤炭的分选，具体过程如下：S1051：将灰分、发热量、挥发分和硫分的定量检测结果，输入至训练好的煤炭类型识别模型中，识别得到对应的煤炭类型；
具体的，根据煤炭分类的国家标准，整理包含标准煤炭样品的灰分、发热量、挥发分和硫分的具体定量结果和对应的类别标签，将其形成标本样品数据集，同时将实测煤炭样品的四类指标的定量结果和样品编号形成实测样品数据集；对数据集进行预处理和数据清洗，选择常见的分类算法例如支持向量机（SVM），基于标准样品数据集的数据训练SVM模型，将实测样品数据集的数据输入模型中进行煤炭类别预测。
[0062] S1052：基于设定时间间隔内所有煤炭样品的煤炭类型识别结果，确定不同类型煤炭的占比；一个批次内包含有多个煤炭样品，根据设定批次内的煤炭样品中，所预测出的各类型煤炭在数据集中的占比多少，即确定了不同类型煤炭的占比大小。
[0063] S1053：设置分选器的转速，首先对占比最高的煤炭类型进行筛选；去除占比最高的煤炭类型之后，采用相同的方法对剩余煤炭样品中占比最高的煤炭类型进行筛选；重复上述过程，直至将所有类型的煤炭样品筛选完毕。
[0064] 本实施例中，对不同类型的煤炭进行原位循环分选，具体过程如下：煤炭样品以单层排列的方式平铺在传送带上，当一批样品Sample1输送到分选探测器下时，其内置有煤质指标和煤炭类别的预测模型，基于四类煤质指标的定量结果，进行煤炭类别预测，进而确定该批样品中不同类型的煤炭所占比例。
[0065] 随后样品输入到小直径重介旋流器中进行分选操作，此时分选控制器通过调节重介旋流器转速的方式进行优化分选，控制器内部已有通过大量试验下得出的煤炭类型与重介旋流器转速的对照关系集，例如煤炭类型A在转速Va±x%范围内具有最大的分选精度，则当探测器计算出该批样品中煤炭类型A所占比例较高时，控制器将重介旋流器的转速调节至Va±x%范围内，得到煤炭类型A分选精度较大的分选结果；当Sample1的样品分选完毕后，将煤炭类型A保留，对除了类型A之外的煤炭重新加入到下一批样品Sample2中；对下一批样品Sample2，重新输送到LIBS&XRF联合测试模块进行灰分、发热量、挥发分和硫分的定量检测，通过分选探测器进行煤炭的预测以及不同煤炭类型占比的确定，再输送到分选器对占比最大的煤炭类型进行分选；分选完毕后，将剩余煤炭重新加入到下一批样品Sample3中；
以此类推，直到所有类型分选完毕，从而实现煤炭的循环智能优选，提高筛选的精度。
[0066] 本实施例中，一批样品其实就是一定时间间隔内，传送带上的煤炭样品，比如：时刻A至时刻B传送带上的煤炭样品是批次Sample1，则时刻B至时刻C传送带上的煤炭样品是批次Sample2。
[0067] 本实施例基于元素测试结果，利用煤质指标的预测模型，得到灰分、发热量、挥发分和硫分的定量检测结果，从而确定不同类型煤炭的占比，实现原位煤质指标的快速定量检测，为后续煤炭的循环分选提供了分选基础。
[0068] 本实施例通过循环智能优选的方法实现对不同类型煤炭的分选，通过多批次循环投入的方式，可以较为快速准确地识别出不同类型煤炭，降低了误判率，提高了分选效率和质量，同时在井下原位实现了原位分选，为后续选煤厂的进一步精选提供了优化基础。
[0069] 实施例二在一个或多个实施方式中，公开了一种基于声光电多源数据融合的煤矿井巷综合开采系统，包括：
风险判断模块，用于实时获取钻杆钻进过程中的钻进参数、钻头钻进反馈的微震数据、钻入式接收线圈的瞬变电磁数据以及瓦斯浓度监测数据，基于获取的数据判断钻进过程是否存在安全风险；
煤岩初步识别模块，用于安全钻进设定距离后，开始采煤工作，获取采煤过程中截割头的截齿温度，利用煤岩识别模型，得到煤岩的初步识别结果；
煤岩二次识别模块，用于获取输送过程中煤岩样品的反射光谱，通过机器学习得到煤岩的二次识别结果；基于所述二次识别结果判断截割头是否处于煤岩分界面；
煤岩最终识别模块，用于对煤岩的初步识别结果和二次识别结果进行联合分析，得到最终的煤岩识别结果；
煤炭分选模块，用于基于最终的煤岩识别结果对煤炭和岩石样品进行分发传送，对煤炭样品进行元素测试，基于元素测试结果，利用煤质指标的预测模型，得到灰分、发热量、挥发分和硫分的定量检测结果，基于所述定量检测结果确定煤炭类型，进而实现对不同类型煤炭的分选。
[0070] 上述模块的具体实现方式与实施例一中相同，不再详述。
[0071] 实施例三在一个或多个实施方式中，公开了一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行实施例一中所述的基于声光电多源数据融合的煤矿井巷综合开采方法。
[0072] 应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0073] 存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
[0074] 在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
[0075] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
