一种刀具磨损量和剩余寿命预测的方法，属于机械可靠性技术领域，其实施步骤如下：1、在切削实验平台安装测力仪和加速度传感器，获取反映刀具状态的实时监测数据；2、对采集到的切削力信号和振动信号进行预处理；3、对预处理后的信号进行降噪和特征提取；4、将遗传算法和双隐层Elman神经网络结合，建立一个收敛速度快、预测精度高的改进Elman神经网络预测模型；5、训练预测模型，并利用预测模型同时预测刀具磨损量和剩余寿命，本发明的优点是在刀具加工时实时获取刀具状态信息，保证加工过程的可靠有效运行。
1.一种刀具磨损量和剩余寿命预测的方法，其特征在于：包括以下步骤：步骤1)在切削实验平台安装测力仪和加速度传感器，获取反映刀具状态的实时监测数据，测力仪安装在工作台上，加速度传感器安装在被加工工件上；
步骤2)对采集到的切削力信号和振动信号进行预处理；
步骤3)对预处理后的切削力信号和振动信号进行降噪处理；
步骤4)对降噪处理后的切削力信号和振动信号进行特征值提取；
步骤5)将遗传算法和双隐层Elman神经网络结合，利用遗传算法对网络的权值和阈值进行初始化，建立一个收敛速度快、预测精度高的改进Elman神经网络预测模型；
一、双隐层Elman神经网络的搭建：u(t‑1)为神经网络模型的输入矩阵，x1(t)为第一隐含层的输出，x2(t)为第二隐含层的输出，xc1(t)为第一隐含层对应的承接层输出，xc2(t)为第二隐含层对应的承接层输出，ω1(t)为第一承接层到第一隐含层之间的权值，ω2(t)为输入层到第一隐含层之间的权值，ω3(t)为第一隐含层到第二隐含层之间的权值，ω4(t)为第二承接层到第二隐含层之间的权值，ω5(t)为第二隐含层到输出层之间的权值；f为隐含层的激励函数，g为输出层的激励函数，f和g均选用Sigmoid函数，神经元节点代表的含义和函数表达式如下：输入层：输入经过特征提取后的监测信号数据集，用u(t‑1)表示；
第一隐含层：函数表达式为x1(t)＝f(ω1(xc1(t)+ω2(u(t‑1)))；
第一隐含层对应承接层：承接层函数表达式为xc1(t)＝xc1(t‑1)；
第二隐含层：第二承接层函数表达式为x2(t)＝f(ω4xc1(t)+ω3x1(t‑1))；
第二隐含层对应承接层：函数表达式为xc2(t)＝xc2(t‑1)；
输出层：输出刀具磨损量和剩余寿命预测结果，函数表达式y(t)＝g(ω5x2(t))；
二、利用遗传算法对网络的权值和阈值进行初始化，具体过程如下：
以Elman神经网路的权值、阈值看作种群内部的个体，按照二进制要求完成实数编码；
预测模型的预测结果与期望结果之间的绝对误差和其所对应的适应度值计算公式：其中，n代表网络中的节点个数，yi为Elman神经网络中的第i个节点的期望输出，oi为第i个节点的预测值，k为系数，对于适应度高的个体得以保留至下一代；
按照遗传定理中的选择、交叉、变异的规则实现对个体的重新编码排列，得到高适应度的个体；
选择操作：运用轮盘赌的方法实现对适应度比例的选择，选择概率pi的确定规则：其中，Fi为个体i的适应度值，适应度越小个体越优秀，在完成对个体选择之前会对适应度值求导，N为种群个体数；
交叉操作：交叉操作的实现是对编码的实数进行交叉互换，第k个染色体ak和第l个染色体的交叉规则为：
其中，amax为基因上界，amin为基因下界；同时 r2为随机数，g为迭代次数，Gmax为最大进化次数，r在[0，1]区间内随机取值；
三、将训练数据输入网络采用L‑M算法训练网络修正各权值；
L‑M算法是一种类似于拟牛顿算法的权值修正方法，牛顿法是一种基于泰勒级数的快‑1
速优化算法，迭代公式为：ω(n+1)＝ω(n)‑H (n)g(n)，其中，H代表误差性能函数HessianT
矩阵，而L‑M算法则是在拟牛顿算法的基础上，将Hessian矩阵近似为H＝JJ，梯度可表示成T
l＝Je，且J矩阵修正权值原理依据原则为：T ‑1 T
根据L‑M算法的原理可知，当μ＝0时，L‑M算法可以退化成拟牛顿算法；当μ很大的时候近似于步长较小的梯度下；同时，由于矩阵J的计算比牛顿矩阵计算更为简便，可以提升模型的学习效率；
步骤6、利用训练的改进型Elman神经网络预测模型输入测试数据预测刀具的磨损量和剩余寿命。
2.根据权利要求1所述一种刀具磨损量和剩余寿命预测的方法，其特征在于：所述步骤
2)中运用奈奎斯特采样定理对采集到的切削力信号和振动信号进行降采样预处理；并按照监测信号所对应的磨损状态进行划分，便于后续信号处理。
3.根据权利要求1所述一种刀具磨损量和剩余寿命预测的方法，其特征在于：所述步骤
3)中运用盲源分离中的快速独立成分分析法对采集到的信号进行降噪处理，具体步骤如下：
301)对获取的监测信号数据集X进行中心化处理，使得数据集的均值为0；
302)将中心化后的数据集进行白化处理，得到新的数据集Z；
304)根据迭代公式 实现对向量的迭代，其中，E为均值计算，g为非线性函数，通常取得g＝tan(a1y)，a1为常数，范围为[1，2]，一般取1；
306)循环304)，直至Wp收敛，若Wp收敛或满足最大迭代次数，则说明对输入的X实现了分离，并将分离后所得的源信号输出。
4.根据权利要求1所述一种刀具磨损量和剩余寿命预测的方法，其特征在于：所述步骤
4)中运用小波包频带能量分析法对降噪后监测信号进行特征值提取，通过对监测信号进行小波包分解和重构，实现对信号的频带分解，同时，依据小波包能量守恒公式，得到重构后各频段信号的能量占比，选取能量高的频段进行提取，可以保留富含特征信息的信号频段，具体内容包括：
401)将按照FastICA方法进行降噪处理后的振动信号和切削力信号进行均值处理；
402)确定合理的分解尺度和合理的小波基，由于dbN小波是一种具有较好的正交性的紧支撑性小波，在信号重构过程中具有优势，同时考虑到小波的正交性、支撑大小和消失矩阵数目后，确定采用db6，并进行4层小波包分解和重构；
403)根据小波包重构信号的平方来计算各频带能量值，构造能量向量；
404)将402)所得的各频段重构信号与其对应的能量特征进行分析，选取能量占比较大的信号频带，作为监测信号的特征值。
一种刀具磨损量和剩余寿命预测的方法
技术领域
[0001] 本发明属于机械可靠性技术领域，具体涉及了一种刀具磨损量和剩余寿命预测的方法。
背景技术
[0002] 刀具作为切削加工的执行者，切削加工过程中刀具的实时状态直接影响零件加工质量、加工精度和加工效率，甚至会引起整个机械加工系统发生严重障碍，导致巨大的经济
损失。常规的数控加工技术由于缺乏刀具状态的实时感知，加工时只是按照给定的工件几
何轮廓、加工参数、刀具路径进行加工，没有把刀具状态变化量纳入考虑的范畴内，因而不
能根据加工过程中刀具状态的变化及时做出预警，无法指导加工过程中工艺参数的调整，
直接影响了加工过程的可靠性，同时也难以保证零件的最终加工质量。
[0003] 实现刀具切削过程智能化的新原理、新方法和新系统逐渐成为了切削研究的热点。应用现代传感器技术、计算机技术和信号处理等技术进行刀具加工状态在线监测是提
高切削加工精度、保证产品质量和降低产品制造成本，进而实现切削加工智能化的有效方
法之一，具有重要的理论意义与实用价值。
[0004] 刀具状态监测方法可分为直接法和间接法。直接法是通过直接测量刀具的几何形状变化、表面状况、破裂状况和磨损程度进而监测刀具状态的方法。间接法是通过在切削过
程中测量能较强反映刀具状态的物理参量信号，进而建立一个监测信号与刀具状态之间的
映射关系来预测刀具状态的方法。直接法虽然能够准确获取刀具的状态信息，但是不能对
刀具突变进行实时监测，很难反映切削加工过程的动态特性，而且停机检测会极大降低工
作效率。与直接法相比，间接检测法可以在切削过程中实时的对刀具状态进行在线监测，能
反映切削加工过程的动态特性，提高加工效率。现有的刀具间接监测法大部分都是基于某
一种参量信号建立映射关系实现的，而单一信息是很难保证预测精度的。测量两种或两种
以上能较强反映刀具状态的物理参量信号，通过多传感器信息融合技术对刀具状态进行估
计与预测可以很好地解决这一问题。
发明内容
[0005] 本发明目的是提供一种可以同时实现刀具磨损状态和剩余寿命预测的方法，以切削力信号和振动信号为监测信号，运用快速独立成分分析法实现信号降噪，运用小波包频
带能量分析法实现信号的特征提取，基于多传感器信息融合技术思想，建立一个改进Elman
神经网络的预测模型，可提高刀具磨损状态和剩余寿命预测精度，有效地克服现有技术中
存在的缺点。
[0006] 本发明包括以下实施步骤：
[0007] 步骤1)、在切削实验平台安装测力仪和加速度传感器，获取反映刀具状态的实时监测数据；测力仪安装在工作台上，加速度传感器安装在被加工工件上。
[0008] 步骤2)、对采集到的切削力信号和振动信号进行预处理；
[0009] 步骤3)、对预处理后的切削力信号和振动信号进行降噪处理；
[0010] 步骤4)、对降噪处理后的切削力信号和振动信号进行特征值提取；
[0011] 步骤5、将遗传算法和双隐层Elman神经网络结合，利用遗传算法对网络的权值和阈值进行初始化，建立一个收敛速度快、预测精度高的改进Elman神经网络预测模型。
[0012] 一、双隐层Elman神经网络的搭建：
[0013] u(t‑1)为神经网络模型的输入矩阵，x1(t)为第一隐含层的输出，x2(t)为第二隐含层的输出， xc1(t)为第一隐含层对应的承接层输出，xc2(t)为第二隐含层对应的承接层输
出，ω1(t)为第一承接层到第一隐含层之间的权值，ω2(t)为输入层到第一隐含层之间的权
值，ω3(t)为第一隐含层到第二隐含层之间的权值，ω4(t)为第二承接层到第二隐含层之间
的权值，ω5(t)为第二隐含层到输出层之间的权值；f为隐含层的激励函数，g为输出层的激
励函数，f和g均选用 Sigmoid函数。神经元节点代表的含义和函数表达式如下：
[0014] 输入层：输入经过特征提取后的监测信号数据集，用u(t‑1)表示；
[0015] 第一隐含层：函数表达式为x1(t)＝f(ω1(xc1(t)+ω2(u(t‑1)))；
[0016] 第一隐含层对应承接层：承接层函数表达式为xc1(t)＝xc1(t‑1)；
[0017] 第二隐含层：第二承接层函数表达式为x2(t)＝f(ω4xc1(t)+ω3x1(t‑1))；
[0018] 第二隐含层对应承接层：函数表达式为xc2(t)＝xc2(t‑1)；
[0019] 输出层：输出刀具磨损量和剩余寿命预测结果，函数表达式y(t)＝g(ω5x2(t))。
[0020] 二、利用遗传算法对网络的权值和阈值进行初始化，具体过程如下：
[0021] 1、种群初始化：
[0022] 以Elman神经网路的权值、阈值看作种群内部的个体，按照二进制要求完成实数编码；
[0023] 2、确定适应度函数：
[0024] 预测模型的预测结果与期望结果之间的绝对误差和其所对应的适应度值计算公式：
[0025] 其中，n代表网络中的节点个数，yi为Elman神经网络中的第i个节点的期望输出，oi为第i个节点的预测值，k为系数。对于适应度高的个体得以保留至下一代。
[0026] 3、遗传操作阶段：
[0027] 按照遗传定理中的选择、交叉、变异的规则实现对个体的重新编码排列，得到高适应度的个体。
[0028] 选择操作：运用轮盘赌的方法实现对适应度比例的选择，选择概率pi的确定规则：
[0029] 其中，Fi为个体i的适应度值，适应度越小个体越优秀，在完成对个体选择之前会对适应度值求导，N为种群个体数。
[0030] 交叉操作：交叉操作的实现是对编码的实数进行交叉互换，第k个染色体ak和第l个染色体的交叉规则为：
[0031] 其中，b为[0，1]间随机取值。
[0032] 变异操作：对随机个体进行变异的原则为：
[0033] ；
[0034] 其中，amax为基因上界，amin为基因下界；同时 r2为随机数，g 为迭代次数，Gmax为最大进化次数，r在[0，1]区间内随机取值。
[0035] 三、将训练数据输入网络采用L‑M(Levenberg‑Marquardt)算法训练网络修正各权值。
[0036] L‑M算法是一种类似于拟牛顿算法的权值修正方法，牛顿法是一种基于泰勒级数‑1
的快速优化算法，迭代公式为：ω(n+1)＝ω(n)‑H (n)g(n)。其中，H代表误差性能函数
T
Hessian 矩阵，而L‑M算法则是在拟牛顿算法的基础上，将Hessian矩阵近似为H＝JJ，梯度
T T ‑1 T
可表示成l＝Je，且J矩阵修正权值原理依据原则为：ω(t+1)＝ω(n)‑[JJ+μI] Je；
[0037] 根据L‑M算法的原理可知，当μ＝0时，L‑M算法可以退化成拟牛顿算法；当μ很大的时候近似于步长较小的梯度下；同时，由于矩阵J的计算比牛顿矩阵计算更为简便，可以提
升模型的学习效率。
[0038] 步骤6、利用训练的改进型Elman神经网络预测模型输入测试数据预测刀具的磨损量和剩余寿命。
[0039] 进一步的，步骤2)中运用奈奎斯特采样定理(定理要求实际采样频率fs至少大于等于被测信号最高频率fN的2倍)对采集到的切削力信号和振动信号进行降采样预处理。
[0040] 进一步的，步骤3)中运用盲源分离中的快速独立成分分析法(即Fast ICA法)对采集到的信号进行降噪处理。具体步骤如下：
[0041] 301)对获取的监测信号数据集X进行中心化处理，使得数据集的均值为0；
[0042] 302)将中心化后的数据集进行白化处理，得到新的数据集Z；
[0043] 303)随机产生初始化向量设定为Wp；
[0044] 304)根据迭代公式 实现对向量的迭代，其中，E 为均值计算，g为非线性函数，通常取得g＝tan(a1y)，a1为常数，范围为[1，2]，一般取
1；
[0045] 305)通过令 实现对Wp的标准化；
[0046] 306)循环304)，直至Wp收敛，若Wp收敛或满足最大迭代次数，则说明对输入的X实现了分离，并将分离后所得的源信号输出。
[0047] 经过对信号的独立成分分析后，得到的监测信号中所含噪音得到抑制，实现了对切削力信号和振动信号的降噪。
[0048] 进一步的，步骤4)中运用小波包频带能量分析法对降噪后监测信号进行特征值提取，通过对监测信号进行小波包分解和重构，实现对信号的频带分解。同时，依据小波包能
量守恒公式，得到重构后各频段信号的能量占比，选取能量高的频段进行提取，可以保留富
含特征信息的信号频段。具体内容包括：
[0049] 401)将按照Fast ICA方法进行降噪处理后的振动信号和切削力信号进行均值处理；
[0050] 402)确定合理的分解尺度和合理的小波基。由于dbN小波是一种具有较好的正交性的紧支撑性小波，在信号重构过程中具有优势，同时考虑到小波的正交性、支撑大小和消
失矩阵数目后，确定采用db6，并进行4层小波包分解和重构；
[0051] 403)根据小波包重构信号的平方来计算各频带能量值，构造能量向量；
[0052] 404)将402)所得的各频段重构信号与其对应的能量特征进行分析，选取能量占比较大的信号频带，作为监测信号的特征值。
[0053] 本发明基于多传感器信息融合技术，提出一种改进型Elman神经网络刀具磨损量和剩余寿命预测方法，将遗传算法和双隐层Elman神经网络结合，利用遗传算法对网络的权
值和阈值进行初始化，能够提高整个模型的预测精度。将本发明应用到刀具磨损量和剩余
寿命预测中，使用样本数据训练得到预测模型，应用到测试数据上表现出了良好的预测效
果，本发明提出的基于改进型Elman神经网络的刀具磨损量和剩余寿命预测方法，在收敛
性、误差精度、训练速度等方面均优于传统的Elman神经网络预测方法。
附图说明
[0054] 图1为本发明实施例中刀具实时磨损量和剩余寿命预测方法流程图；
[0055] 图2为本发明实例中机床信号采集实验工作台的模拟框图；
[0056] 图3为本发明实例中采集的原三向切削力信号；
[0057] 图4为本发明实例中奈奎斯特降采样后的三向切削力信号；
[0058] 图5为本发明实例中采集的原三向振动信号；
[0059] 图6为本发明实例中奈奎斯特降采样后的三向振动信号；
[0060] 图7为本发明实例中初期磨损状态下刀具的切削力信号；
[0061] 图8为本发明实例中正常磨损状态下刀具的切削力信号；
[0062] 图9为本发明实例中严重磨损状态下刀具的切削力信号；
[0063] 图10为本发明实例中初期磨损状态下刀具的振动信号；
[0064] 图11为本发明实例中正常磨损状态下刀具的振动信号；
[0065] 图12为本发明实例中严重磨损状态下刀具的振动信号；
[0066] 图13为本发明实例中初期磨损状态下振动信号的降噪结果；
[0067] 图14为本发明实例中正常磨损状态下振动信号的降噪结果；
[0068] 图15为本发明实例中严重磨损状态下振动信号的降噪结果；
[0069] 图16为本发明实例中初期磨损状态下切削力信号的降噪结果；
[0070] 图17为本发明实例中正常磨损状态下切削力信号的降噪结果；
[0071] 图18为本发明实例中严重磨损状态下切削力信号的降噪结果；
[0072] 图19为本发明实例中初期磨损状态下振动信号的4层小波包分解后重构信号；
[0073] 图20为本发明实例中正常磨损状态下振动信号的4层小波包分解后重构信号；
[0074] 图21为本发明实例中严重磨损状态下振动信号的4层小波包分解后重构信号；
[0075] 图22为本发明实例中初期磨损状态下切削力信号的4层小波包分解后重构信号；
[0076] 图23为本发明实例中正常磨损状态下切削力信号的4层小波包分解后重构信号；
[0077] 图24为本发明实例中严重磨损状态下切削力信号的4层小波包分解后重构信号；
[0078] 图25为本发明实例中改进Elman神经网络结构图；
[0079] 图26为本发明实例中和遗传算法结合的改进Elman神经网络流程图；
[0080] 图27为传统Elman神经网络和本发明中改进的Elman神经网络训练速率对比图；
具体实施方式
[0081] 下面结合附图对本发明实施例做进一步说明：
[0082] 本发明实施例中，基于多传感器信息融合的改进型Elman神经网络刀具磨损量和剩余寿命预测方法，方法流程图如图1所示，包括以下步骤：
[0083] 步骤1)、搭建实验平台，获取反映刀具状态的实时监测数据；
[0084] 工作台搭建如图2所示。本实验振动信号选用IEPE压电式加速度传感器进行采集；切削力信号选用Kistler9225B三向测力仪。振动信号的产生是因为在加工过程中，刀具与
工件接触而产生的，因此加速度传感器安装在了工件上；切削力信号是刀具为实现切削而
对工件进行施力，因而测力仪安装在了工作台上。在实验过程中，采集切削力信号、振动信
号以及刀具全寿命内的后刀面磨损VB变化情况，并记录刀具工作时长。
[0085] 步骤2)，对采集的振动信号和切削力信号进行预处理。
[0086] 将采集的监测信号按照奈奎斯特采样定理进行降采样，定理要求实际采样频率fs至少大于等于被测信号最高频率fN的2倍。为了保证本设计可以在实际工业生产中得以应
用，一般会选择最高频率的6‑10倍。所以，本实验中的实际采样频率为100kHz。切削力信号
的源信号和实际采样信号如图3和图4；振动信号的源信号和实际采样信号如图5和图6。
[0087] ISO国际标准中将刀具磨损的情况划分为三个阶段：初期磨损阶段、正常磨损阶段，以及严重磨损阶段。在对信号进行降噪之前，将监测信号按照磨损状态进行分割，三种
磨损状态下切削力信号变化分别如图7、8和9；振动信号的变化分别如图10、11和12。
[0088] 步骤3)，对预处理后的振动信号和切削力信号进行降噪和特征值提取。
[0089] 预处理后振动信号和切削力信号按照独立成分分析法(FastICA)实现降噪，将预处理后的监测信号输入至FastICA工具箱，输出后的监测信号中环境噪音得到抑制，振动信
号三种磨损状态下降噪结果分别如图13、14和15；切削力信号三种磨损状态下降噪结果分
别如图 16、17和18。
[0090] 将降噪后的监测信号按照按照db6小波基进行四层小波包分解并重构，得到按照频段范围分解后的16个频段信号，振动信号的三个磨损状态重构结果如图19、20和21，切削
力信号的三个磨损状态重构结果如图22、23和24。
[0091] 运用小波能量守恒公式确定了监测信号不同磨损范围内的16个频带信号的能量占比，结果如表所示：
[0092]
[0093]
[0094] 由于频带的能量占比越高，说明该频段蕴含的特征信息越多。经过对比分析，可以看出刀具工作时的振动信号在第5和第12频段下的能量均值最高，分别对应的信号频段为
25kHz‑31.25kHz和68.75kHz‑75kHz。切削力信号的特征主要存在于第1，第2和第4频段，分
别对应信号的0‑6.25kHz，6.25kHz‑12.5kHz以及18.75k‑25kHz。保留上述5个频带的信号作
为模型训练的输入数据集。
[0095] 步骤4)，建立基于改进的Elman神经网络的刀具磨损量和剩余寿命预测模型。
[0096] 根据监测信号的特征提取结果，设定预测模型的输入为振动信号的第5(25kHz‑31.25kHz) 和第12(68.75kHz‑75kHz)频段，以及切削力信号的第1(0‑6.25kHz)，第2
(6.25kHz‑12.5kHz) 和第4(18.75k‑25kHz)频段，因此神经网络的输入神经元有5个。为了
实现对刀具磨损量和剩余寿命的同时预测，神经网络的输出层神经元个数为2，分别是磨损
量和剩余寿命。为了提升神经网路的学习能力，神经网络拥有两层隐含层，隐含层神经元个
数的确定依据经验公式： 其中，a代表输入层神经元节点数，b代表输出神经
元个数，k取常数，取值范围是[1，10]。运用经验公式计算可以确定n的取值范围为[3，12]，
然后利用训练样本数据对范围内不同隐含层的网络进行训练，根据训练误差最小具体确定
双隐含层神经元的个数均为8。承接层神经元个数与隐含层一致。学习算法设定为L‑M算法。
Elman神经网络结构如图25。
[0097] 运用遗传算法初始化Elman网络的权值和阈值，将神经网络与Elman神经网络结合，提升预测模型的预测精度。具体实现步骤框图如图26。
[0098] 在训练预测模型之前，设置初始网络学习率为0.01，学习误差为0.0001，迭代次数为10000。
[0099] 输入训练样本，对预测模型进行训练，误差函数et(k)＝Yt(k)‑yt(k)，均方误差函数为 与传统Elman神经网络的均方误差对比结果如图27，由结果可确
定与遗传算法结合的改进Elman神经网络预测模型的学习能力得到明显提升。
[0100] 步骤5，利用遗传算法结合的改进的神经网络预测模型验证对刀具的磨损量和剩余寿命值预测能力。
[0101] 将10组预测样本输入至训练好的预测模型中，可以得到预测模型的预测结果，根据相对误差的计算规则 其中，σ表示数据的实际相对误差，Δ为绝对误差，L
是预测结果所对应的真实值，验证预测模型的预测精度，与传统Elman神经网路的预测对比
结果如下表：
[0102]
[0103] 由误差对比结果可确定，和传统的Elman神经网络预测结果相比，改进后的预测模型预测精度得到了极大的提升。
[0104] 综上所述，本发明基于多传感器信息融合技术，提出一种改进型Elman神经网络刀具磨损量和剩余寿命预测方法，将遗传算法和双隐层Elman神经网络结合，利用遗传算法对
网络的权值和阈值进行初始化，在收敛性、误差精度、训练速度等方面均优于传统的Elman
神经网络预测方法，可以提高刀具磨损量和剩余寿命的预测精度。
[0105] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，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所述权利要求的保护范围为准。
