自适应控制的镍铌合金熔炼设备多参数调整方法及系统

摘要

本发明涉及合金熔炼技术领域，本发明公开了自适应控制的镍铌合金熔炼设备多参数调整方法及系统，包括收集控制参数训练数据和合金杂质系数训练数据；训练出第二机器学习模型和第三机器学习模型；获取镍铌合金熔炼设备的真空度测量值、搅拌速率测量值和温度的测量校正数值，以及获取合金杂质系数特征数据和控制参数特征数据；基于合金杂质系数特征数据和第三机器学习模型，获得实时合金杂质系数值；基于控制参数特征数据、实时合金杂质系数值以及第二机器学习模型，获得预测控制参数数据；将预测控制参数数据与真空度测量、搅拌速率测量值和的差值作为参数调整数据，根据参数调整数据进行自适应控制；本发明能实现多参数的优化调控。

权利要求

1.自适应控制的镍铌合金熔炼设备多参数调整方法，其特征在于，所述方法包括：

收集镍铌合金熔炼设备的控制参数训练数据，以及收集镍铌合金熔炼设备内镍铌合金的合金杂质系数训练数据；所述控制参数包括温度、真空度和搅拌速率；

基于控制参数训练数据，训练出用于反馈预测控制参数的第二机器学习模型；以及基于合金杂质系数训练数据，训练出用于反馈合金杂质系数的第三机器学习模型；

所述训练出用于反馈预测控制参数的第二机器学习模型，包括：

将每组控制参数特征数据组合为第二特征向量的形式，所有第二特征向量的元素作为第二机器学习模型的输入，所述第二机器学习模型以对每组控制参数特征数据预测的温度值、真空度值和搅拌速率值作为输出，以每组控制参数特征数据对应的实际的温度值、真空度值和搅拌速率值为预测目标，以最小化所有预测的温度值、真空度值和搅拌速率值的第二预测准确度之和作为训练目标；其中，第二预测准确度的计算公式为：，其中， 为每组控制参数特征数据的编号， 为第二预测准确

度， 为第 组控制参数特征数据对应的预测的控制参数特征数据， 为第 组控制参数特征数据对应的实际的温度值、真空度值和搅拌速率值；对第二机器学习模型进行训练，直至第二预测准确度之和达到收敛时停止训练；

所述训练出用于反馈合金杂质系数的第三机器学习模型，包括：

将每组合金杂质系数特征数据组合为第三特征向量的形式，所有第三特征向量的元素作为第三机器学习模型的输入，所述第三机器学习模型以对每组合金杂质系数特征数据预测的合金杂质系数值作为输出，以每组合金杂质系数特征数据对应的实际的合金杂质系数值作为预测目标，以最小化所有预测的合金杂质系数值的第三预测准确度之和作为训练目标；其中，第三预测准确度的计算公式为：  ，其中， 为每组合金杂质系数特征数据的编号， 为第三预测准确度， 为第 组合金杂质系数特征数据对应的预测的合金杂质系数值， 为第 组合金杂质系数特征数据对应的实际的合金杂质系数值；对第三机器学习模型进行训练，直至第三预测准确度之和达到收敛时停止训练；

获取镍铌合金熔炼设备的真空度测量值、搅拌速率测量值和温度的测量校正数值，以及实时获取熔炼设备中镍铌合金的合金杂质系数特征数据和镍铌合金熔炼设备的控制参数特征数据；

基于合金杂质系数特征数据和用于反馈合金杂质系数的第三机器学习模型，获得实时合金杂质系数值；

基于镍铌合金熔炼设备的控制参数特征数据、实时合金杂质系数值以及第二机器学习模型，获得预测控制参数数据；

分别计算预测控制参数数据与真空度测量、搅拌速率测量值和的差值，将预测控制参数数据与真空度测量、搅拌速率测量值和的差值作为参数调整数据，根据参数调整数据对镍铌合金熔炼设备进行自适应控制。

2.根据权利要求1所述的自适应控制的镍铌合金熔炼设备多参数调整方法，其特征在于，所述控制参数特征数据包括镍铌合金原材料的成分、镍铌合金原材料的配比、原材料的熔点均值、炉内各个气氛含量、炉内各个预划分区域的环境温度均值和合金杂质系数值；

所述合金杂质系数训练数据包括在实验环境中收集的若干组合金杂质系数特征数据及其对应的合金杂质系数值；其中，所述合金杂质系数特征数据包括镍铌合金的电导率、磁导率、透光率和光反射率。

3.根据权利要求2所述的自适应控制的镍铌合金熔炼设备多参数调整方法，其特征在于，所述温度的测量校正数值的获取逻辑如下：获取镍铌合金熔炼设备的温度的实际测量值，以及获取影响因素数据；

将所述温度的实际测量值和影响因素数据组合为第一特征向量的形式，将第一特征向量输入预构建的第一机器学习模型中，获得镍铌合金熔炼设备的温度的测量校正数值；

其中，所述第一机器学习模型根据影响因素训练数据训练得到，所述影响因素训练数据包括影响因素特征数据及其对应的温度的测量校正数值；所述影响因素特征数据包括温度的实际测量值和影响因素数据；所述影响因素数据包括炉外湿度以及红外线测温仪与镍铌合金熔炼设备的设置距离；

预构建的第一机器学习模型的生成逻辑如下：

将每组影响因素特征数据组合为第一特征向量的形式，所有第一特征向量的元素作为第一机器学习模型的输入，所述第一机器学习模型以对每组影响因素特征数据预测的测量校正数值作为输出，以每组影响因素特征数据对应的实际的测量校正数值作为预测目标，以最小化所有预测的测量校正数值的第一预测准确度之和作为训练目标；其中，第一预测准确度的计算公式为：  ，其中， 为每组影响因素特征数据的编号，为第一预测准确度， 为第 组影响因素特征数据对应的预测的测量校正数值，为第 组影响因素特征数据对应的实际的测量校正数值；对第一机器学习模型进行训练，直至第一预测准确度之和达到收敛时停止训练。

4.根据权利要求3所述的自适应控制的镍铌合金熔炼设备多参数调整方法，其特征在于，所述温度的测量校正数值的获取，包括：通过红外线测温仪获取r%湿度下镍铌合金熔炼设备的温度的实际测量值；将r%湿度下镍铌合金熔炼设备的温度的实际测量值作为第一温度测量值，得到M个第一温度测量值，M为大于零正整数；

在同一条件下，提取设定标准湿度下镍铌合金熔炼设备的温度值，将设定标准湿度下镍铌合金熔炼设备的温度值作为第二温度测量值；

计算每个第一温度测量值与第二温度测量值的差值，将每个第一温度测量值与第二温度测量值的差值作为温度的实际测量值。

5.根据权利要求4所述的自适应控制的镍铌合金熔炼设备多参数调整方法，其特征在于，所述温度的测量校正数值的获取，包括：通过红外线测温仪获取G距离下镍铌合金熔炼设备的温度的实际测量值；将G距离下镍铌合金熔炼设备的温度的实际测量值作为第三温度测量值，得到N个第三温度测量值，N为大于零的正整数；

在同一条件下，提取设定标准距离下镍铌合金熔炼设备的温度值，将设定标准湿度下镍铌合金熔炼设备的温度值作为第四温度测量值；

计算每个第三温度测量值与第四温度测量值的差值，将每个第三温度测量值与第四温度测量值的差值作为温度的实际测量值。

6.自适应控制的镍铌合金熔炼设备多参数调整系统，其特征在于，包括：

数据收集模块，用于收集镍铌合金熔炼设备的控制参数训练数据，以及收集镍铌合金熔炼设备内镍铌合金的合金杂质系数训练数据；所述控制参数包括温度、真空度和搅拌速率；

模型训练模块，用于基于控制参数训练数据，训练出用于反馈预测控制参数的第二机器学习模型；以及基于合金杂质系数训练数据，训练出用于反馈合金杂质系数的第三机器学习模型；

所述训练出用于反馈预测控制参数的第二机器学习模型，包括：

将每组控制参数特征数据组合为第二特征向量的形式，所有第二特征向量的元素作为第二机器学习模型的输入，所述第二机器学习模型以对每组控制参数特征数据预测的温度值、真空度值和搅拌速率值作为输出，以每组控制参数特征数据对应的实际的温度值、真空度值和搅拌速率值为预测目标，以最小化所有预测的温度值、真空度值和搅拌速率值的第二预测准确度之和作为训练目标；其中，第二预测准确度的计算公式为：，其中， 为每组控制参数特征数据的编号， 为第二预测准确

度， 为第 组控制参数特征数据对应的预测的控制参数特征数据， 为第 组控制参数特征数据对应的实际的温度值、真空度值和搅拌速率值；对第二机器学习模型进行训练，直至第二预测准确度之和达到收敛时停止训练；

所述训练出用于反馈合金杂质系数的第三机器学习模型，包括：

将每组合金杂质系数特征数据组合为第三特征向量的形式，所有第三特征向量的元素作为第三机器学习模型的输入，所述第三机器学习模型以对每组合金杂质系数特征数据预测的合金杂质系数值作为输出，以每组合金杂质系数特征数据对应的实际的合金杂质系数值作为预测目标，以最小化所有预测的合金杂质系数值的第三预测准确度之和作为训练目标；其中，第三预测准确度的计算公式为：  ，其中， 为每组合金杂质系数特征数据的编号， 为第三预测准确度， 为第 组合金杂质系数特征数据对应的预测的合金杂质系数值， 为第 组合金杂质系数特征数据对应的实际的合金杂质系数值；对第三机器学习模型进行训练，直至第三预测准确度之和达到收敛时停止训练；

特征数据获取模块，用于获取镍铌合金熔炼设备的真空度测量值、搅拌速率测量值和温度的测量校正数值，以及实时获取熔炼设备中镍铌合金的合金杂质系数特征数据和镍铌合金熔炼设备的控制参数特征数据；

第一参数获取模块，用于基于合金杂质系数特征数据和用于反馈合金杂质系数的第三机器学习模型，获得实时合金杂质系数值；

第二参数获取模块，用于基于镍铌合金熔炼设备的控制参数特征数据、实时合金杂质系数值以及第二机器学习模型，获得预测控制参数数据；

调整控制模块，用于分别计算预测控制参数数据与真空度测量、搅拌速率测量值和的差值，将预测控制参数数据与真空度测量、搅拌速率测量值和的差值作为参数调整数据，根据参数调整数据对镍铌合金熔炼设备进行自适应控制。

7.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述自适应控制的镍铌合金熔炼设备多参数调整方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一项所述自适应控制的镍铌合金熔炼设备多参数调整方法。

说明书

自适应控制的镍铌合金熔炼设备多参数调整方法及系统

技术领域

[0001] 本发明涉及合金熔炼技术领域，更具体地说，本发明涉及自适应控制的镍铌合金熔炼设备多参数调整方法及系统。

背景技术

[0002] 镍铌合金是一种重要的合金材料，广泛应用于航空、航天、能源、化工等领域；在镍铌合金的生产过程中，对于真空熔炼炉的控制至关重要，以确保所生产的合金具有所需的化学成分、机械性能和热性能；然而，现有真空熔炼炉的控制方法在应对不同生产条件和原材料变化时存在一定的局限性；传统真空熔炼炉通常采用固定参数的控制系统，难以应对工艺波动、原材料变化和生产环境的多样性；这导致了熔炼过程中的能源浪费、产品质量波动和不稳定的生产效率；因此，需要一种更灵活和自适应的真空熔炼炉控制方法，以优化镍铌合金熔炼过程。

[0003] 目前，现有合金熔炼设备的控制方法及系统通常倾向于针对合金加料量进行设计，例如授权公开号为CN107179703B的中国专利公开了炼钢合金投入量控制方法，此类方法虽通过合理配比提高了产品质量，但无法优化真空熔炼炉的参数调控过程；虽存在少量对于真空熔炼炉自身参数的调节方法，例如申请公开号为CN116329497A的中国专利公开了一种相控阵列超声的金属熔体控制系统、方法及设备，，但对上述方法以及现有技术进行研究和实际应用发现，上述方法以及现有技术至少存在以下部分缺陷：

[0004] （1）控制参数单一，真空熔炼炉的自动化水平相对较低，无法针对温度、真空度和搅拌速度等进行多参数的优化调控；

[0005] （2）缺乏对于外界影响因素的考虑，无法针对控制参数进行数值修正，从而无法在保证及提高镍铌合金生成效率的基础上，进一步降低镍铌合金中的杂质含量，难以有效地保证镍铌合金的生产加工纯度和质量。

发明内容

[0006] 为了克服现有技术的上述缺陷，本发明的实施例提供自适应控制的镍铌合金熔炼设备多参数调整方法及系统。

[0007] 为实现上述目的，本发明提供如下技术方案：

[0008] 自适应控制的镍铌合金熔炼设备多参数调整方法，所述方法包括：

[0009] 收集镍铌合金熔炼设备的控制参数训练数据，以及收集镍铌合金熔炼设备内镍铌合金的合金杂质系数训练数据；所述控制参数包括温度、真空度和搅拌速率；

[0010] 基于控制参数训练数据，训练出用于反馈预测控制参数的第二机器学习模型；以及基于合金杂质系数训练数据，训练出用于反馈合金杂质系数的第三机器学习模型；

[0011] 获取镍铌合金熔炼设备的真空度测量值、搅拌速率测量值和温度的测量校正数值，以及实时获取熔炼设备中镍铌合金的合金杂质系数特征数据和镍铌合金熔炼设备的控制参数特征数据；

[0012] 基于合金杂质系数特征数据和用于反馈合金杂质系数的第三机器学习模型，获得实时合金杂质系数值；

[0013] 基于镍铌合金熔炼设备的控制参数特征数据、实时合金杂质系数值以及第二机器学习模型，获得预测控制参数数据；

[0014] 分别计算预测控制参数数据与真空度测量、搅拌速率测量值和的差值，将预测控制参数数据与真空度测量、搅拌速率测量值和的差值作为参数调整数据，根据参数调整数据对镍铌合金熔炼设备进行自适应控制。

[0015] 进一步地，所述控制参数特征数据包括镍铌合金原材料的成分、镍铌合金原材料的配比、原材料的熔点均值、炉内各个气氛含量、炉内各个预划分区域的环境温度均值和合金杂质系数值；

[0016] 所述合金杂质系数训练数据包括在实验环境中收集的若干组合金杂质系数特征数据及其对应的合金杂质系数值；其中，所述合金杂质系数特征数据包括镍铌合金的电导率、磁导率、透光率和光反射率。

[0017] 进一步地，所述训练出用于反馈预测控制参数的第二机器学习模型，包括：

[0018] 将每组控制参数特征数据组合为第二特征向量的形式，所有第二特征向量的元素作为第二机器学习模型的输入，所述第二机器学习模型以对每组控制参数特征数据预测的温度值、真空度值和搅拌速率值作为输出，以每组控制参数特征数据对应的实际的温度值、真空度值和搅拌速率值为预测目标，以最小化所有预测的温度值、真空度值和搅拌速率值的第二预测准确度之和作为训练目标；其中，第二预测准确度的计算公式为：，其中，为每组控制参数特征数据的编号， 为第二预测准确度，
为第 组控制参数特征数据对应的预测的控制参数特征数据， 为第 组控制参数特征数据对应的实际的温度值、真空度值和搅拌速率值；对第二机器学习模型进行训练，直至第二预测准确度之和达到收敛时停止训练。

[0019] 进一步地，训练出用于反馈合金杂质系数的第三机器学习模型，包括：

[0020] 将每组合金杂质系数特征数据组合为第三特征向量的形式，所有第三特征向量的元素作为第三机器学习模型的输入，所述第三机器学习模型以对每组合金杂质系数特征数据预测的合金杂质系数值作为输出，以每组合金杂质系数特征数据对应的实际的合金杂质系数值作为预测目标，以最小化所有预测的合金杂质系数值的第三预测准确度之和作为训练目标；其中，第三预测准确度的计算公式为：  ，其中， 为每组合金杂质系数特征数据的编号， 为第三预测准确度， 为第 组合金杂质系数特征数据对应的预测的合金杂质系数值， 为第 组合金杂质系数特征数据对应的实际的合金杂质系数值；对第三机器学习模型进行训练，直至第三预测准确度之和达到收敛时停止训练。

[0021] 进一步地，所述温度的测量校正数值的获取逻辑如下：

[0022] 获取镍铌合金熔炼设备的温度的实际测量值，以及获取影响因素数据；

[0023] 将温度的实际测量值和影响因素数据组合为第一特征向量的形式，将第一特征向量输入预构建的第一机器学习模型中，获得镍铌合金熔炼设备的温度的测量校正数值；

[0024] 其中，所述第一机器学习模型根据影响因素训练数据训练得到，所述影响因素训练数据包括影响因素特征数据及其对应的温度的测量校正数值；所述影响因素特征数据包括温度的实际测量值和影响因素数据；所述影响因素数据包括炉外湿度以及红外线测温仪与镍铌合金熔炼设备的设置距离。

[0025] 进一步地，所述温度的测量校正数值的获取，包括：

[0026] 通过红外线测温仪获取r%湿度下镍铌合金熔炼设备的温度的实际测量值；将r%湿度下镍铌合金熔炼设备的温度的实际测量值作为第一温度测量值，得到M个第一温度测量值，M为大于零正整数；

[0027] 在同一条件下，提取设定标准湿度下镍铌合金熔炼设备的温度值，将设定标准湿度下镍铌合金熔炼设备的温度值作为第二温度测量值；

[0028] 计算每个第一温度测量值与第二温度测量值的差值，将每个第一温度测量值与第二温度测量值的差值作为温度的实际测量值。

[0029] 进一步地，所述温度的测量校正数值的获取，包括：

[0030] 通过红外线测温仪获取G距离下镍铌合金熔炼设备的温度的实际测量值；将G距离下镍铌合金熔炼设备的温度的实际测量值作为第三温度测量值，得到N个第三温度测量值，N为大于零的正整数；

[0031] 在同一条件下，提取设定标准距离下镍铌合金熔炼设备的温度值，将设定标准湿度下镍铌合金熔炼设备的温度值作为第四温度测量值；

[0032] 计算每个第三温度测量值与第四温度测量值的差值，将每个第三温度测量值与第四温度测量值的差值作为温度的实际测量值。

[0033] 自适应控制的镍铌合金熔炼设备多参数调整系统，包括：

[0034] 数据收集模块，用于收集镍铌合金熔炼设备的控制参数训练数据，以及收集镍铌合金熔炼设备内镍铌合金的合金杂质系数训练数据；所述控制参数包括温度、真空度和搅拌速率；

[0035] 模型训练模块，用于基于控制参数训练数据，训练出用于反馈预测控制参数的第二机器学习模型；以及基于合金杂质系数训练数据，训练出用于反馈合金杂质系数的第三机器学习模型；

[0036] 特征数据获取模块，用于获取镍铌合金熔炼设备的真空度测量值、搅拌速率测量值和温度的测量校正数值，以及实时获取熔炼设备中镍铌合金的合金杂质系数特征数据和镍铌合金熔炼设备的控制参数特征数据；

[0037] 第一参数获取模块，用于基于合金杂质系数特征数据和用于反馈合金杂质系数的第三机器学习模型，获得实时合金杂质系数值；

[0038] 第二参数获取模块，用于基于镍铌合金熔炼设备的控制参数特征数据、实时合金杂质系数值以及第二机器学习模型，获得预测控制参数数据；

[0039] 调整控制模块，用于分别计算预测控制参数数据与真空度测量、搅拌速率测量值和的差值，将预测控制参数数据与真空度测量、搅拌速率测量值和的差值作为参数调整数据，根据参数调整数据对镍铌合金熔炼设备进行自适应控制。

[0040] 一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述自适应控制的镍铌合金熔炼设备多参数调整方法。

[0041] 一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述自适应控制的镍铌合金熔炼设备多参数调整方法。

[0042] 相比于现有技术，本发明的有益效果在于：

[0043] 本申请公开了自适应控制的镍铌合金熔炼设备多参数调整方法及系统，首先收集控制参数训练数据和合金杂质系数训练数据；然后训练出第二机器学习模型和第三机器学习模型；接着获取镍铌合金熔炼设备的真空度测量值、搅拌速率测量值和温度的测量校正数值，以及获取合金杂质系数特征数据和控制参数特征数据；之后基于合金杂质系数特征数据和第三机器学习模型，获得实时合金杂质系数值；然后基于控制参数特征数据、实时合金杂质系数值以及第二机器学习模型，获得预测控制参数数据；最后将预测控制参数数据与真空度测量、搅拌速率测量值和的差值作为参数调整数据，根据参数调整数据进行自适应控制；基于上述步骤，本发明能够提升真空熔炼炉的自动化水平，并对温度、真空度和搅拌速度等进行多参数的优化调控；此外，通过接入外界影响因素的考虑，本发明能够对真空熔炼炉的控制参数进行数值修正，从而有利于在保证及提高镍铌合金生成效率的基础上，进一步降低镍铌合金中的杂质含量，并且能够有效地保证镍铌合金的生产加工纯度和质量。

附图说明

[0044] 图1为本发明提供的自适应控制的镍铌合金熔炼设备多参数调整方法的示意图；

[0045] 图2为本发明提供的自适应控制的镍铌合金熔炼设备多参数调整系统的示意图；

[0046] 图3为本发明提供的一种电子设备的结构示意图；

[0047] 图4为本发明提供的一种计算机可读存储介质的结构示意图。

具体实施方式

[0048] 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。

[0049] 实施例1

[0050] 请参阅图1所示，本实施例公开提供了自适应控制的镍铌合金熔炼设备多参数调整方法，所述方法包括：

[0051] S101：收集镍铌合金熔炼设备的控制参数训练数据，以及收集镍铌合金熔炼设备内镍铌合金的合金杂质系数训练数据；所述控制参数包括温度、真空度和搅拌速率；

[0052] 应当了解的是：所述熔炼设备具体为用于生产制造镍铌合金的真空熔炼炉，所述真空熔炼炉至少包括炉体、真空系统、加热系统、坩埚、搅拌系统、气氛控制系统、温度控制系统以及监控与控制系统等组成部分；其中，真空系统通过真空泵和气体处理设备排除炉内的气体，以降低炉内气体的压力，并维持所需的真空度；搅拌系统用于通过机械搅拌器或电磁搅拌器在熔融过程中混合合金原料，以确保均匀性和混合性；温度控制系统用于通过温度传感器、温度控制器和加热元件监测和调节炉内温度，以确保温度在所需的范围内；其中，所述温度传感器具体为红外线测温仪；

[0053] 具体的，所述控制参数训练数据包括在实验场景中收集的控制参数特征数据及其对应的温度值、真空度值和搅拌速率值；

[0054] 其中，所述控制参数特征数据包括镍铌合金原材料的成分、镍铌合金原材料的配比、原材料的熔点均值、炉内各个气氛含量、炉内各个预划分区域的环境温度均值和合金杂质系数值；

[0055] 需要说明的是：原材料的熔点均值是指原材料中各个成分熔点的平均值，所述原材料中各个成分熔点预存于系统数据库中；所述炉内各个气氛含量中的气氛是指各种惰性气体，所述惰性气体用于实现特定的化学反应、控制合金的成分和质量，或者保护合金免受氧化或其他不良影响；所述惰性气体包括但不限于氩气和氮气等；所述炉内各个预划分区域的环境温度均值是指真空熔炼炉内部每个区域的环境温度值，各个预划分区域根据人为等比例划分得到；

[0056] 具体的，所述合金杂质系数训练数据包括在实验环境中收集的若干组合金杂质系数特征数据及其对应的合金杂质系数值；

[0057] 其中，所述合金杂质系数特征数据包括镍铌合金的电导率、磁导率、透光率和光反射率；

[0058] 需要说明的是：所述电导率和磁导率分别通过电导率仪和磁强计测量得到，所述透光率和光反射率通过光学传感器测量得到；所述合金杂质系数值具体是指镍铌合金的杂质浓度，其根据光谱法、质谱法或色谱法中的任意一种方式测量获取；

[0059] S102：基于控制参数训练数据，训练出用于反馈预测控制参数的第二机器学习模型；以及基于合金杂质系数训练数据，训练出用于反馈合金杂质系数的第三机器学习模型；

[0060] 在实施中，训练出用于反馈预测控制参数的第二机器学习模型，包括：

[0061] 将每组控制参数特征数据组合为第二特征向量的形式，所有第二特征向量的元素作为第二机器学习模型的输入，所述第二机器学习模型以对每组控制参数特征数据预测的温度值、真空度值和搅拌速率值作为输出，以每组控制参数特征数据对应的实际的温度值、真空度值和搅拌速率值为预测目标，以最小化所有预测的温度值、真空度值和搅拌速率值的第二预测准确度之和作为训练目标；其中，第二预测准确度的计算公式为：，其中，为每组控制参数特征数据的编号， 为第二预测准确度，
为第 组控制参数特征数据对应的预测的控制参数特征数据， 为第 组控制参数特征数据对应的实际的温度值、真空度值和搅拌速率值；对第二机器学习模型进行训练，直至第二预测准确度之和达到收敛时停止训练；

[0062] 需要说明的是：所述第二机器学习模型具体为深度神经网络模型或深度信念网络模型中的任意一种；

[0063] 在实施中，训练出用于反馈合金杂质系数的第三机器学习模型，包括：

[0064] 将每组合金杂质系数特征数据组合为第三特征向量的形式，所有第三特征向量的元素作为第三机器学习模型的输入，所述第三机器学习模型以对每组合金杂质系数特征数据预测的合金杂质系数值作为输出，以每组合金杂质系数特征数据对应的实际的合金杂质系数值作为预测目标，以最小化所有预测的合金杂质系数值的第三预测准确度之和作为训练目标；其中，第三预测准确度的计算公式为：  ，其中， 为每组合金杂质系数特征数据的编号， 为第三预测准确度， 为第 组合金杂质系数特征数据对应的预测的合金杂质系数值， 为第 组合金杂质系数特征数据对应的实际的合金杂质系数值；对第三机器学习模型进行训练，直至第三预测准确度之和达到收敛时停止训练；

[0065] 需要说明的是：所述第三机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；

[0066] S103：获取镍铌合金熔炼设备的真空度测量值、搅拌速率测量值和温度的测量校正数值，以及实时获取熔炼设备中镍铌合金的合金杂质系数特征数据和镍铌合金熔炼设备的控制参数特征数据；

[0067] 应当了解的是：镍铌合金熔炼设备的中温度、真空度和搅拌速率等控制参数在调控前由各类传感器设备采集；基于上文可知，温度控制参数通过红外线测温仪采集得到，而红外线测温仪在进行实时的温度测量过程中，由于其安装等于原因，会受到不同程度的外界因素干扰，进而导致温度测量数据产生一点的偏差，而偏差带来的影响也会进一步地影响参数调整数据的准确性，进一步地，易导致镍铌合金熔炼设备在对镍铌合金在加工过程中使镍铌合金产生不同程度的缺陷或杂质，为此，为保证参数调整数据的准确性，需要消除测量偏差所带来的影响；

[0068] 在实施中，温度的测量校正数值的获取逻辑如下：

[0069] 获取镍铌合金熔炼设备的温度的实际测量值，以及获取影响因素数据；

[0070] 将温度的实际测量值和影响因素数据组合为第一特征向量的形式，将第一特征向量输入预构建的第一机器学习模型中，获得镍铌合金熔炼设备的温度的测量校正数值；

[0071] 其中，所述第一机器学习模型根据影响因素训练数据训练得到，所述影响因素训练数据包括影响因素特征数据及其对应的温度的测量校正数值；所述影响因素特征数据包括温度的实际测量值和影响因素数据；

[0072] 具体的，所述影响因素数据包括炉外湿度以及红外线测温仪与镍铌合金熔炼设备的设置距离；其中，所述炉外湿度通过湿度传感器测量得到；

[0073] 在一个具体实施方式中，所述温度的测量校正数值的获取，包括：

[0074] 通过红外线测温仪获取r%湿度下镍铌合金熔炼设备的温度的实际测量值；将r%湿度下镍铌合金熔炼设备的温度的实际测量值作为第一温度测量值，得到M个第一温度测量值，M为大于零正整数；

[0075] 在同一条件下，提取设定标准湿度下镍铌合金熔炼设备的温度值，将设定标准湿度下镍铌合金熔炼设备的温度值作为第二温度测量值；

[0076] 需要说明的是：本步骤中的同一条件是指测量湿度下和设定标准湿度下镍铌合金熔炼设备中的镍铌合金处于同一状态，包括但不限于镍铌合金质量相同、镍铌合金成分相同和镍铌合金杂质浓度相同等；

[0077] 计算每个第一温度测量值与第二温度测量值的差值，将每个第一温度测量值与第二温度测量值的差值作为温度的实际测量值；

[0078] 在另一个具体实施方式中，所述温度的测量校正数值的获取，还包括：

[0079] 在一个具体实施方式中，所述温度的测量校正数值的获取，包括：

[0080] 通过红外线测温仪获取G距离下镍铌合金熔炼设备的温度的实际测量值；将G距离下镍铌合金熔炼设备的温度的实际测量值作为第三温度测量值，得到N个第三温度测量值，N为大于零的正整数；

[0081] 在同一条件下，提取设定标准距离下镍铌合金熔炼设备的温度值，将设定标准湿度下镍铌合金熔炼设备的温度值作为第四温度测量值；

[0082] 需要说明的是：本步骤中的同一条件是指测量距离下和设定距离湿度下镍铌合金熔炼设备中的镍铌合金处于同一状态，包括但不限于镍铌合金质量相同、镍铌合金成分相同和镍铌合金杂质浓度相同等等；

[0083] 计算每个第三温度测量值与第四温度测量值的差值，将每个第三温度测量值与第四温度测量值的差值作为温度的实际测量值；

[0084] 具体的，预构建的第一机器学习模型的生成逻辑如下：

[0085] 将每组影响因素特征数据组合为第一特征向量的形式，所有第一特征向量的元素作为第一机器学习模型的输入，所述第一机器学习模型以对每组影响因素特征数据预测的测量校正数值作为输出，以每组影响因素特征数据对应的实际的测量校正数值作为预测目标，以最小化所有预测的测量校正数值的第一预测准确度之和作为训练目标；其中，第一预测准确度的计算公式为：  ，其中， 为每组影响因素特征数据的编号，为第一预测准确度， 为第 组影响因素特征数据对应的预测的测量校正数值， 为第 组影响因素特征数据对应的实际的测量校正数值；对第一机器学习模型进行训练，直至第一预测准确度之和达到收敛时停止训练；

[0086] 需要说明的是：所述第一机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；

[0087] S104：基于合金杂质系数特征数据和用于反馈合金杂质系数的第三机器学习模型，获得实时合金杂质系数值；

[0088] 在实施中，所述实时合金杂质系数值的获取逻辑过程如下：

[0089] 将镍铌合金熔炼设备内镍铌合金的合金杂质系数特征数据组合为第三特征向量的形式，并将第三特征向量输入至第三机器学习模型，获得第三机器学习模型预测的实时合金杂质系数值；

[0090] S105：基于镍铌合金熔炼设备的控制参数特征数据、实时合金杂质系数值以及第二机器学习模型，获得预测控制参数数据；

[0091] 在实施中，所述预测控制参数数据的获取逻辑如下：

[0092] 将第三机器学习模型预测的实时合金杂质系数值以及镍铌合金熔炼设备的控制参数特征数据组合为第二特征向量的形式，并将第二特征向量输入至第二机器学习模型，获得第二机器学习模型预测的预测控制参数数据；

[0093] S106：分别计算预测控制参数数据与真空度测量、搅拌速率测量值和的差值，将预测控制参数数据与真空度测量、搅拌速率测量值和的差值作为参数调整数据，根据参数调整数据对镍铌合金熔炼设备进行自适应控制；

[0094] 示例性说明就是：若镍铌合金熔炼的测量校正数值为850摄氏度，而预测控制参数数据中的温度值为865摄氏度，则预测控制参数数据和测量校正数值的差值为+15摄氏度，因此，则将+15摄氏度作为参数调整数据，根据+15摄氏度对镍铌合金熔炼设备进行自适应的升温控制；相反，若镍铌合金熔炼的测量校正数值为865摄氏度，而预测控制参数数据中的温度值为850摄氏度，则预测控制参数数据和测量校正数值的差值为‑15摄氏度，因此，则将‑15摄氏度作为参数调整数据，根据‑15摄氏度对镍铌合金熔炼设备进行自适应的降温控制；同样地，对于真空度和搅拌速率参数的自适应控制也是如此，同理可参照上述关于温度参数的示例过程，对此本实施例不作过多赘述。

[0095] 实施例2

[0096] 请参阅图2所示，本实施例公开提供了自适应控制的镍铌合金熔炼设备多参数调整系统，包括：

[0097] 数据收集模块210，用于收集镍铌合金熔炼设备的控制参数训练数据，以及收集镍铌合金熔炼设备内镍铌合金的合金杂质系数训练数据；所述控制参数包括温度、真空度和搅拌速率；

[0098] 应当了解的是：所述熔炼设备具体为用于生产制造镍铌合金的真空熔炼炉，所述真空熔炼炉至少包括炉体、真空系统、加热系统、坩埚、搅拌系统、气氛控制系统、温度控制系统以及监控与控制系统等组成部分；其中，真空系统通过真空泵和气体处理设备排除炉内的气体，以降低炉内气体的压力，并维持所需的真空度；搅拌系统用于通过机械搅拌器或电磁搅拌器在熔融过程中混合合金原料，以确保均匀性和混合性；温度控制系统用于通过温度传感器、温度控制器和加热元件监测和调节炉内温度，以确保温度在所需的范围内；其中，所述温度传感器具体为红外线测温仪；

[0099] 具体的，所述控制参数训练数据包括在实验场景中收集的控制参数特征数据及其对应的温度值、真空度值和搅拌速率值；

[0100] 其中，所述控制参数特征数据包括镍铌合金原材料的成分、镍铌合金原材料的配比、原材料的熔点均值、炉内各个气氛含量、炉内各个预划分区域的环境温度均值和合金杂质系数值；

[0101] 需要说明的是：原材料的熔点均值是指原材料中各个成分熔点的平均值，所述原材料中各个成分熔点预存于系统数据库中；所述炉内各个气氛含量中的气氛是指各种惰性气体，所述惰性气体用于实现特定的化学反应、控制合金的成分和质量，或者保护合金免受氧化或其他不良影响；所述惰性气体包括但不限于氩气和氮气等；所述炉内各个预划分区域的环境温度均值是指真空熔炼炉内部每个区域的环境温度值，各个预划分区域根据人为等比例划分得到；

[0102] 具体的，所述合金杂质系数训练数据包括在实验环境中收集的若干组合金杂质系数特征数据及其对应的合金杂质系数值；

[0103] 其中，所述合金杂质系数特征数据包括镍铌合金的电导率、磁导率、透光率和光反射率；

[0104] 需要说明的是：所述电导率和磁导率分别通过电导率仪和磁强计测量得到，所述透光率和光反射率通过光学传感器测量得到；所述合金杂质系数值具体是指镍铌合金的杂质浓度，其根据光谱法、质谱法或色谱法中的任意一种方式测量获取；

[0105] 模型训练模块220，用于基于控制参数训练数据，训练出用于反馈预测控制参数的第二机器学习模型；以及基于合金杂质系数训练数据，训练出用于反馈合金杂质系数的第三机器学习模型；

[0106] 在实施中，训练出用于反馈预测控制参数的第二机器学习模型，包括：

[0107] 将每组控制参数特征数据组合为第二特征向量的形式，所有第二特征向量的元素作为第二机器学习模型的输入，所述第二机器学习模型以对每组控制参数特征数据预测的温度值、真空度值和搅拌速率值作为输出，以每组控制参数特征数据对应的实际的温度值、真空度值和搅拌速率值为预测目标，以最小化所有预测的温度值、真空度值和搅拌速率值的第二预测准确度之和作为训练目标；其中，第二预测准确度的计算公式为：，其中，为每组控制参数特征数据的编号， 为第二预测准确度，
为第 组控制参数特征数据对应的预测的控制参数特征数据， 为第 组控制参数特征数据对应的实际的温度值、真空度值和搅拌速率值；对第二机器学习模型进行训练，直至第二预测准确度之和达到收敛时停止训练；

[0108] 需要说明的是：所述第二机器学习模型具体为深度神经网络模型或深度信念网络模型中的任意一种；

[0109] 在实施中，训练出用于反馈合金杂质系数的第三机器学习模型，包括：

[0110] 将每组合金杂质系数特征数据组合为第三特征向量的形式，所有第三特征向量的元素作为第三机器学习模型的输入，所述第三机器学习模型以对每组合金杂质系数特征数据预测的合金杂质系数值作为输出，以每组合金杂质系数特征数据对应的实际的合金杂质系数值作为预测目标，以最小化所有预测的合金杂质系数值的第三预测准确度之和作为训练目标；其中，第三预测准确度的计算公式为：  ，其中， 为每组合金杂质系数特征数据的编号， 为第三预测准确度， 为第 组合金杂质系数特征数据对应的预测的合金杂质系数值， 为第 组合金杂质系数特征数据对应的实际的合金杂质系数值；对第三机器学习模型进行训练，直至第三预测准确度之和达到收敛时停止训练；

[0111] 需要说明的是：所述第三机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；

[0112] 特征数据获取模块230，用于获取镍铌合金熔炼设备的真空度测量值、搅拌速率测量值和温度的测量校正数值，以及实时获取熔炼设备中镍铌合金的合金杂质系数特征数据和镍铌合金熔炼设备的控制参数特征数据；

[0113] 应当了解的是：镍铌合金熔炼设备的中温度、真空度和搅拌速率等控制参数在调控前由各类传感器设备采集；基于上文可知，温度控制参数通过红外线测温仪采集得到，而红外线测温仪在进行实时的温度测量过程中，由于其安装等于原因，会受到不同程度的外界因素干扰，进而导致温度测量数据产生一点的偏差，而偏差带来的影响也会进一步地影响参数调整数据的准确性，进一步地，易导致镍铌合金熔炼设备在对镍铌合金在加工过程中使镍铌合金产生不同程度的缺陷或杂质，为此，为保证参数调整数据的准确性，需要消除测量偏差所带来的影响；

[0114] 在实施中，温度的测量校正数值的获取逻辑如下：

[0115] 获取镍铌合金熔炼设备的温度的实际测量值，以及获取影响因素数据；

[0116] 将温度的实际测量值和影响因素数据组合为第一特征向量的形式，将第一特征向量输入预构建的第一机器学习模型中，获得镍铌合金熔炼设备的温度的测量校正数值；

[0117] 其中，所述第一机器学习模型根据影响因素训练数据训练得到，所述影响因素训练数据包括影响因素特征数据及其对应的温度的测量校正数值；所述影响因素特征数据包括温度的实际测量值和影响因素数据；

[0118] 具体的，所述影响因素数据包括炉外湿度以及红外线测温仪与镍铌合金熔炼设备的设置距离；其中，所述炉外湿度通过湿度传感器测量得到；

[0119] 在一个具体实施方式中，所述温度的测量校正数值的获取，包括：

[0120] 通过红外线测温仪获取r%湿度下镍铌合金熔炼设备的温度的实际测量值；将r%湿度下镍铌合金熔炼设备的温度的实际测量值作为第一温度测量值，得到M个第一温度测量值，M为大于零正整数；

[0121] 在同一条件下，提取设定标准湿度下镍铌合金熔炼设备的温度值，将设定标准湿度下镍铌合金熔炼设备的温度值作为第二温度测量值；

[0122] 需要说明的是：本步骤中的同一条件是指测量湿度下和设定标准湿度下镍铌合金熔炼设备中的镍铌合金处于同一状态，包括但不限于镍铌合金质量相同、镍铌合金成分相同和镍铌合金杂质浓度相同等；

[0123] 计算每个第一温度测量值与第二温度测量值的差值，将每个第一温度测量值与第二温度测量值的差值作为温度的实际测量值；

[0124] 在另一个具体实施方式中，所述温度的测量校正数值的获取，还包括：

[0125] 在一个具体实施方式中，所述温度的测量校正数值的获取，包括：

[0126] 通过红外线测温仪获取G距离下镍铌合金熔炼设备的温度的实际测量值；将G距离下镍铌合金熔炼设备的温度的实际测量值作为第三温度测量值，得到N个第三温度测量值，N为大于零的正整数；

[0127] 在同一条件下，提取设定标准距离下镍铌合金熔炼设备的温度值，将设定标准湿度下镍铌合金熔炼设备的温度值作为第四温度测量值；

[0128] 需要说明的是：本步骤中的同一条件是指测量距离下和设定距离湿度下镍铌合金熔炼设备中的镍铌合金处于同一状态，包括但不限于镍铌合金质量相同、镍铌合金成分相同和镍铌合金杂质浓度相同等等；

[0129] 计算每个第三温度测量值与第四温度测量值的差值，将每个第三温度测量值与第四温度测量值的差值作为温度的实际测量值；

[0130] 具体的，预构建的第一机器学习模型的生成逻辑如下：

[0131] 将每组影响因素特征数据组合为第一特征向量的形式，所有第一特征向量的元素作为第一机器学习模型的输入，所述第一机器学习模型以对每组影响因素特征数据预测的测量校正数值作为输出，以每组影响因素特征数据对应的实际的测量校正数值作为预测目标，以最小化所有预测的测量校正数值的第一预测准确度之和作为训练目标；其中，第一预测准确度的计算公式为：  ，其中， 为每组影响因素特征数据的编号，为第一预测准确度， 为第 组影响因素特征数据对应的预测的测量校正数值， 为第 组影响因素特征数据对应的实际的测量校正数值；对第一机器学习模型进行训练，直至第一预测准确度之和达到收敛时停止训练；

[0132] 需要说明的是：所述第一机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；

[0133] 第一参数获取模块240，用于基于合金杂质系数特征数据和用于反馈合金杂质系数的第三机器学习模型，获得实时合金杂质系数值；

[0134] 在实施中，所述实时合金杂质系数值的获取逻辑过程如下：

[0135] 将镍铌合金熔炼设备内镍铌合金的合金杂质系数特征数据组合为第三特征向量的形式，并将第三特征向量输入至第三机器学习模型，获得第三机器学习模型预测的实时合金杂质系数值；

[0136] 第二参数获取模块250，用于基于镍铌合金熔炼设备的控制参数特征数据、实时合金杂质系数值以及第二机器学习模型，获得预测控制参数数据；

[0137] 在实施中，所述预测控制参数数据的获取逻辑如下：

[0138] 将第三机器学习模型预测的实时合金杂质系数值以及镍铌合金熔炼设备的控制参数特征数据组合为第二特征向量的形式，并将第二特征向量输入至第二机器学习模型，获得第二机器学习模型预测的预测控制参数数据；

[0139] 调整控制模块260，用于分别计算预测控制参数数据与真空度测量、搅拌速率测量值和的差值，将预测控制参数数据与真空度测量、搅拌速率测量值和的差值作为参数调整数据，根据参数调整数据对镍铌合金熔炼设备进行自适应控制；

[0140] 示例性说明就是：若镍铌合金熔炼的测量校正数值为850摄氏度，而预测控制参数数据中的温度值为865摄氏度，则预测控制参数数据和测量校正数值的差值为+15摄氏度，因此，则将+15摄氏度作为参数调整数据，根据+15摄氏度对镍铌合金熔炼设备进行自适应的升温控制；相反，若镍铌合金熔炼的测量校正数值为865摄氏度，而预测控制参数数据中的温度值为850摄氏度，则预测控制参数数据和测量校正数值的差值为‑15摄氏度，因此，则将‑15摄氏度作为参数调整数据，根据‑15摄氏度对镍铌合金熔炼设备进行自适应的降温控制；同样地，对于真空度和搅拌速率参数的自适应控制也是如此，同理可参照上述关于温度参数的示例过程，对此本实施例不作过多赘述。

[0141] 实施例3

[0142] 请参阅图3所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述自适应控制的镍铌合金熔炼设备多参数调整方法。

[0143] 由于本实施例所介绍的电子设备为实施本申请实施例中自适应控制的镍铌合金熔炼设备多参数调整方法所采用的电子设备，故而基于本申请实施例中所介绍的自适应控制的镍铌合金熔炼设备多参数调整方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中自适应控制的镍铌合金熔炼设备多参数调整方法所采用的电子设备，都属于本申请所欲保护的范围。

[0144] 实施例4

[0145] 请参阅图4所示，本实施例公开提供了一种计算机可读存储介质，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述自适应控制的镍铌合金熔炼设备多参数调整方法。

[0146] 上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。

[0147] 上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）或者半导体介质。半导体介质可以是固态硬盘。

[0148] 本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

[0149] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0150] 在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一 种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

[0151] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0152] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

[0153] 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，任何熟悉本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。

[0154] 最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。