史珂銘 鄒益勝 劉永志 丁昆 丁國(guó)富

1.西南交通大學(xué)機(jī)械工程學(xué)院，成都，610031 2.西南交通大學(xué)計(jì)算機(jī)與人工智能學(xué)院，成都，610031

0 引言

刀具磨損是影響工件加工質(zhì)量的重要因素之一，在生產(chǎn)現(xiàn)場(chǎng)的復(fù)雜環(huán)境下，一旦發(fā)生嚴(yán)重的刀具磨損或破損都可能引起連鎖反應(yīng)，導(dǎo)致加工機(jī)床異常停機(jī)以及人員傷害。因此對(duì)銑削刀具進(jìn)行智能狀態(tài)監(jiān)測(cè)具有重要意義[1-2]。

近年來(lái)，深度學(xué)習(xí)因其強(qiáng)大的非線性特征自適應(yīng)提取能力而得以迅猛發(fā)展，一些研究已將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于刀具磨損狀態(tài)辨識(shí)領(lǐng)域[3]。該類智能辨識(shí)方法借助深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性特征表征能力自適應(yīng)提取刀具切削過(guò)程監(jiān)測(cè)信號(hào)中的磨損狀態(tài)隱藏特征，利用反饋優(yōu)化后的分類器智能識(shí)別當(dāng)前刀具磨損狀態(tài)。何彥等[4]利用多傳感器信號(hào)提出了一種基于長(zhǎng)短時(shí)記憶卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損在線監(jiān)測(cè)模型。陳啟鵬等[5]基于深度門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)刀具磨損狀態(tài)。WANG等[6]提出了一種深度置信網(wǎng)絡(luò)的多任務(wù)學(xué)習(xí)方法用于刀具磨損狀態(tài)識(shí)別，其辨識(shí)準(zhǔn)確率達(dá)到了99%。雖然上述方法可以完成狀態(tài)監(jiān)控，但是仍然存在一定的不足：一是在實(shí)際生產(chǎn)環(huán)境下由于生產(chǎn)需要，受到主軸轉(zhuǎn)速、切削深度等工藝條件變化的影響，刀具加工過(guò)程也會(huì)隨之發(fā)生改變，導(dǎo)致監(jiān)測(cè)數(shù)據(jù)的分布不同，進(jìn)而使得利用歷史工藝條件進(jìn)行數(shù)據(jù)訓(xùn)練的辨識(shí)模型在辨識(shí)新的工藝條件下刀具樣本時(shí)準(zhǔn)確率很低甚至失效；二是當(dāng)前海量的監(jiān)測(cè)數(shù)據(jù)仍需要手工標(biāo)記健康狀態(tài)，效率極低，這都將給復(fù)雜環(huán)境下刀具磨損狀態(tài)辨識(shí)帶來(lái)困難。

利用遷移學(xué)習(xí)可以從帶標(biāo)簽的歷史工藝條件數(shù)據(jù)(源域)學(xué)習(xí)分類特征，并將其應(yīng)用到無(wú)標(biāo)注信息的新的工藝條件數(shù)據(jù)(目標(biāo)域)中進(jìn)行分類。遷移學(xué)習(xí)模型在圖像識(shí)別、文本分類等領(lǐng)域的研究已經(jīng)取得了飛躍式發(fā)展[7-10]。雷亞國(guó)等[11]利用深度殘差網(wǎng)絡(luò)提取可遷移故障特征，然后在訓(xùn)練過(guò)程施加領(lǐng)域適配正則項(xiàng)約束進(jìn)行目標(biāo)域數(shù)據(jù)的遷移辨識(shí)。KUREK等[12]利用少部分?jǐn)?shù)據(jù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建鉆頭磨損狀態(tài)遷移辨識(shí)模型。陳仁祥等[13]利用深度特征聯(lián)合適配的方法識(shí)別不同刀具磨損狀態(tài)。WANG等[14]提出了深度對(duì)抗性領(lǐng)域自適應(yīng)網(wǎng)絡(luò)結(jié)合有監(jiān)督實(shí)例的方法優(yōu)化源域特征以學(xué)習(xí)更好的可區(qū)分性特征，提高領(lǐng)域?qū)R能力。ZOU等[15]提出了一種方差約束，以縮小源域特征類內(nèi)距離，擴(kuò)大其類間距離，提高滾動(dòng)軸承故障遷移辨識(shí)的準(zhǔn)確性?；陬I(lǐng)域自適應(yīng)的遷移辨識(shí)模型通過(guò)縮小工藝條件變化引起的特征分布差異來(lái)獲取不同工藝條件下故障公共特征，從而提高辨識(shí)準(zhǔn)確率。

在上述基于領(lǐng)域自適應(yīng)的特征遷移模型中，僅考慮了對(duì)源域數(shù)據(jù)施加約束來(lái)提高不同類別樣本之間的類間距離以及同類樣本的類內(nèi)聚集程度，從而提升故障特征分布對(duì)齊能力，忽略了目標(biāo)域故障特征的分布特性，導(dǎo)致遷移辨識(shí)準(zhǔn)確率較低。針對(duì)此，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的刀具磨損跨工藝條件遷移辨識(shí)模型——多類域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)(multi class domain adaptive convolutional neural network，MCDACNN)，首先構(gòu)建領(lǐng)域共享卷積神經(jīng)網(wǎng)絡(luò)對(duì)原始振動(dòng)信號(hào)提取故障特征，利用最大均值差異[16](maximum mean discrepancy，MMD)測(cè)量并縮小源域特征和目標(biāo)域特征的整體分布差異；然后分別對(duì)源域特征與目標(biāo)域特征概率矩陣增加類間-類內(nèi)距離約束(inter-class-intra-class distance constraint，IDC)、最大化核范數(shù)的正則化策略，縮小源域與目標(biāo)域可遷移特征的類內(nèi)距離、擴(kuò)大類間距離，進(jìn)一步提高不同工藝條件下特征領(lǐng)域適配的能力；最后通過(guò)實(shí)驗(yàn)驗(yàn)證了所提出模型的有效性。

1 基于遷移學(xué)習(xí)的模型建立

1.1 多類域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)跨工藝條件遷移辨識(shí)模型

本文構(gòu)建了一種多類域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)跨工藝條件遷移辨識(shí)模型，其結(jié)構(gòu)如圖1所示，主要由特征提取模塊、領(lǐng)域自適應(yīng)模塊和分類模塊三部分組成。

圖1 多類域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)跨工藝條件遷移辨識(shí)模型

(1)特征提取模塊。該模塊由兩個(gè)卷積層、兩個(gè)最大池化層和一個(gè)全局平均池化層構(gòu)成。通過(guò)全局平均池化對(duì)提取的故障特征進(jìn)行降維，能有效降低模型參數(shù)規(guī)模和樣本內(nèi)沖擊特征的時(shí)移影響。

(2)領(lǐng)域自適應(yīng)模塊。該模塊首先利用最大均值差異縮小源域特征和目標(biāo)域特征之間的整體分布差異；然后，對(duì)源域和目標(biāo)域分別采用類間-類內(nèi)距離約束和最大化核范數(shù)以改善源域和目標(biāo)域樣本間的特征距離關(guān)系，從而提高模型對(duì)不同工藝條件下同類刀具磨損狀態(tài)數(shù)據(jù)之間的分布適應(yīng)能力；最后，通過(guò)綜合損失函數(shù)，基于反向傳播算法優(yōu)化特征提取模塊的權(quán)重參數(shù)，以提取出源域和目標(biāo)域樣本的公共特征，實(shí)現(xiàn)不同工藝條件下刀具磨損特征之間的更高準(zhǔn)度分布適配。

(3)分類模塊。由一個(gè)全連接層映射降維特征，然后通過(guò)softmax層得到全連接層輸出特征概率矩陣，源域樣本真實(shí)標(biāo)簽矩陣與源域樣本的預(yù)測(cè)類別概率矩陣通過(guò)交叉熵?fù)p失函數(shù)反向傳播優(yōu)化模型。

1.2 特征提取模塊

MCDACNN模型的特征提取模塊利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建。源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)共享特征提取模塊訓(xùn)練參數(shù)，以1條樣本為例，特征提取模塊參數(shù)如表1所示。

表1 特征提取模塊參數(shù)

卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的無(wú)監(jiān)督特征學(xué)習(xí)能力，能降低人工提取特征的錯(cuò)誤率。卷積神經(jīng)網(wǎng)絡(luò)以卷積層與池化層交替連接提取特征。利用卷積核對(duì)輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算：

(1)

池化層主要是對(duì)卷積層提取的特征降維，提高模型魯棒性，池化層通常連接在卷積層后。池化的方式一般有最大池化與均值池化。文中構(gòu)建的網(wǎng)絡(luò)模型采取最大池化操作：

(2)

為防止MCDACNN模型出現(xiàn)過(guò)擬合，采取L2正則化控制模型復(fù)雜度，L2正則化損失函數(shù)如下：

(3)

式中，w為網(wǎng)絡(luò)模型的權(quán)重系數(shù)向量矩陣。

1.3 分類模塊

分類模塊采用一層全連接層和softmax層構(gòu)成，全連接層由4個(gè)神經(jīng)元組成。利用softmax層分別得到源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)的各類別概率輸出。然后，源域特征的類別概率向量和源域真實(shí)標(biāo)簽通過(guò)交叉熵?fù)p失函數(shù)反向優(yōu)化模型，交叉熵?fù)p失函數(shù)的表達(dá)式如下：

(4)

1.4 領(lǐng)域自適應(yīng)模塊

目前許多基于特征遷移的跨工藝條件辨識(shí)模型都基本側(cè)重于縮小源域和目標(biāo)域樣本之間的整體分布差異，MMD作為一種衡量整體分布差異的非參數(shù)距離度量指標(biāo)被廣泛用于基于領(lǐng)域自適應(yīng)的辨識(shí)模型中?；贛MD的領(lǐng)域自適應(yīng)的損失函數(shù)

(5)

特征分布自適應(yīng)主要是為了使源域與目標(biāo)域中相同狀態(tài)樣本之間更好地分布對(duì)齊，分布對(duì)齊能力對(duì)準(zhǔn)確辨識(shí)不同工藝條件刀具樣本狀態(tài)有重要影響。為縮小不同工藝條件下同一類磨損狀態(tài)樣本之間的分布差異，采用IDC和最大化核范數(shù)分別改善源域特征和目標(biāo)域特征的距離關(guān)系。

利用源域數(shù)據(jù)有標(biāo)簽的條件，提出了一種IDC優(yōu)化源域特征判別性，旨在提高不同狀態(tài)樣本類間距離、增加同類狀態(tài)樣本聚集程度，提升遷移辨識(shí)特征分布對(duì)齊能力，進(jìn)一步提高刀具磨損狀態(tài)遷移辨識(shí)準(zhǔn)確率。IDC的計(jì)算公式如下：

(6)

(7)

(8)

在遷移任務(wù)中，目標(biāo)域缺失標(biāo)簽，所以IDC對(duì)目標(biāo)域樣本不適用，導(dǎo)致目標(biāo)域分類邊界附近數(shù)據(jù)存在混淆。為了同時(shí)提取具有高判別性的目標(biāo)域特征，減少數(shù)據(jù)對(duì)標(biāo)簽的依賴，提出最大化目標(biāo)域樣本分類概率矩陣的核范數(shù)。核范數(shù)等價(jià)于矩陣奇異值之和，結(jié)合文獻(xiàn)[17]可知，核范數(shù)推廣至故障辨識(shí)領(lǐng)域具有以下的分類特性：核范數(shù)與樣本分類混淆程度成反比，最大化核范數(shù)即降低分類邊界的混淆程度，提高特征的可區(qū)分性。最大化核范數(shù)的計(jì)算公式為

LN=max(sum(svd(Pt)))

(9)

式中，Pt為目標(biāo)域分類概率矩陣向量；svd(·)表示求矩陣的奇異值。

1.5 算法及流程

MCDACNN模型的優(yōu)化目標(biāo)主要由四部分組成：源域樣本的分類損失函數(shù)、源域與目標(biāo)域分布距離度量損失函數(shù)、分別增強(qiáng)源域和目標(biāo)域特征判別性的類間-類內(nèi)距離約束和最大化核范數(shù)、防止模型過(guò)擬合的L2正則化項(xiàng)。模型的具體訓(xùn)練過(guò)程如下。

(3)結(jié)合式(3)～式(6)和式(9)，構(gòu)成MCDACNN模型目標(biāo)綜合損失函數(shù)L：

L=min(Lc+αLMMD+τLd+ηLN+L2)

(4)利用Adam優(yōu)化算法反向傳播優(yōu)化參數(shù)集θ，直至模型收斂。

MCDACNN模型訓(xùn)練所需超參數(shù)見(jiàn)表2。

表2 模型超參數(shù)列表

2 實(shí)驗(yàn)與分析

2.1 數(shù)據(jù)集描述

本文使用的刀具監(jiān)測(cè)數(shù)據(jù)采集自成都某企業(yè)車間THM6380IV五軸數(shù)控加工中心，實(shí)驗(yàn)所切削的工件材料為40鋼，每次走刀行程為420 mm，用于切削工件的刀具為SWT數(shù)控磨制超硬3齒直柄立銑刀(16×16×32×92)、應(yīng)用東華振動(dòng)采集儀采集主軸振動(dòng)信號(hào)，實(shí)驗(yàn)設(shè)備布置如圖2所示，振動(dòng)傳感器布置于主軸上。

圖2 實(shí)驗(yàn)設(shè)備布置

刀具試驗(yàn)臺(tái)采集振動(dòng)信號(hào)的加速度傳感器的采樣頻率為10 kHz，依據(jù)刀具后刀面磨損量將刀具健康狀態(tài)分為4類[18]，見(jiàn)表3。

表3 刀具磨損狀態(tài)劃分

在切削加工過(guò)程中，每走刀一次，使用工業(yè)顯微鏡測(cè)量刀具后刀面磨損量VB值，測(cè)量結(jié)果如圖3所示。

(a)初期磨損VB=0.028 mm (b)正常磨損VB=0.161 mm

在不同工藝條件下采集主軸振動(dòng)信號(hào)，具體參數(shù)見(jiàn)表4。最終整個(gè)實(shí)驗(yàn)數(shù)據(jù)集包含3種工藝條件數(shù)據(jù)，每種工藝條件下包含4種健康狀態(tài)樣本，每種健康狀態(tài)包含1500條樣本，樣本長(zhǎng)度取1200，每個(gè)樣本都進(jìn)行標(biāo)準(zhǔn)化處理。將3種不同工藝條件數(shù)據(jù)集中的樣本按照7∶3的比例劃分為訓(xùn)練集和測(cè)試集，即訓(xùn)練集4200個(gè)樣本，測(cè)試集1800個(gè)樣本。標(biāo)準(zhǔn)化處理公式如下：

表4 工藝條件參數(shù)

(10)

2.2 實(shí)驗(yàn)結(jié)果與分析

為分析本文提出的MCDACNN方法對(duì)不同工藝條件下刀具磨損狀態(tài)遷移辨識(shí)的性能，設(shè)置6組交叉驗(yàn)證實(shí)驗(yàn)。每次實(shí)驗(yàn)均重復(fù)進(jìn)行10次，取10次實(shí)驗(yàn)結(jié)果準(zhǔn)確率最大值的平均值以保證模型辨識(shí)準(zhǔn)確率的穩(wěn)定性。設(shè)置以下幾組對(duì)比實(shí)驗(yàn)用于驗(yàn)證MCDACNN方法的有效性：卷積神經(jīng)網(wǎng)絡(luò)結(jié)合最大均值差異的領(lǐng)域自適應(yīng)方法(CNN-MMD)；在CNN-MMD方法基礎(chǔ)上使用IDC提取源域判別性高的特征(CNN-MMD-IDC)；文獻(xiàn)[14]深度對(duì)抗性領(lǐng)域適應(yīng)網(wǎng)絡(luò)(deep adversarial domain adaptation network，DADAN)；文獻(xiàn)[19]多領(lǐng)域適應(yīng)方法(deep convolutional transfer learning network，DCTLN)。遷移辨識(shí)結(jié)果如表5所示。

表5 不同工藝條件下刀具磨損狀態(tài)遷移辨識(shí)結(jié)果

由表5可以看出，CNN-MMD方法的平均辨識(shí)準(zhǔn)確率最低，僅為91.9%。DADAN方法在每次迭代優(yōu)化中考慮了實(shí)例對(duì)之間的距離關(guān)系從而提高了故障樣本的分布對(duì)齊能力，其平均辨識(shí)準(zhǔn)確率為92.5%。CNN-MMD-IDC方法通過(guò)IDC提升源域特征同種磨損狀態(tài)樣本的聚集程度，以達(dá)到更好的分布適配，其平均辨識(shí)準(zhǔn)確率達(dá)到了94.3%，相較于無(wú)距離約束的CNN-MMD準(zhǔn)確率提升2.4%。相較于其他方法，MCDACNN方法具有更高的遷移準(zhǔn)確率96.8%，一方面是因?yàn)镮DC促使源域特征具有更好的分布特性，另一方面是最大化核范數(shù)提高了目標(biāo)域特征的區(qū)分性，因此，兩者同時(shí)提高了模型對(duì)提取特征的分布適配能力，進(jìn)一步提升了模型的遷移辨識(shí)性能。

為了進(jìn)一步對(duì)比分析MCDACNN方法的有效性，利用t-分布隨機(jī)鄰域嵌入算法[20](t-distributed stochastic neighbor embedding，t-SNE)對(duì)CNN-MMD、CNN-MMD-IDC與MCDACNN 3種方法在遷移任務(wù)1→2上進(jìn)行特征可視化處理，結(jié)果如圖4所示。

由圖4a～圖4f可以看出，IDC使得源域不同類別間距離增大，不同類別樣本之間分布更為均衡，且同類樣本之間的聚集程度更高，一定程度上提高了對(duì)目標(biāo)工藝條件數(shù)據(jù)的辨識(shí)準(zhǔn)確率。然而這兩種方法目標(biāo)域特征仍然存在混淆，圖4g～圖4i是本文所提出的MCDACNN方法的特征分布圖，可以看出源域特征與目標(biāo)域特征得到明顯改善，減少了不同類別樣本混淆的情況，提高了源域特征與目標(biāo)域特征的適配能力，結(jié)果表明，同類樣本的分布對(duì)齊能力以及不同類別故障樣本邊界開(kāi)闊性直接影響不同工藝條件下刀具磨損狀態(tài)遷移辨識(shí)準(zhǔn)確率。

(a)源域特征(CNN-MMD) (b)目標(biāo)域特征(CNN-MMD) (c)源域特征和目標(biāo)域特征(CNN-MMD)

為了更直觀表達(dá)出上述3種辨識(shí)方法對(duì)每一種磨損狀態(tài)樣本的分類準(zhǔn)確率，圖5給出了不同辨識(shí)方法對(duì)于遷移任務(wù)1→2的混淆矩陣。

由圖5可以看出，處于急劇磨損狀態(tài)的目標(biāo)域樣本辨識(shí)準(zhǔn)確率較低，CNN-MMD-IDC方法在IDC的作用下對(duì)急劇磨損狀態(tài)樣本的辨識(shí)準(zhǔn)確率僅為88%，而MCDACNN方法對(duì)急劇磨損狀態(tài)樣本的辨識(shí)準(zhǔn)確率達(dá)到了99%，這是由于MCDACNN方法不僅利用IDC改善了源域樣本之間的距離關(guān)系，而且引入了最大化核范數(shù)增強(qiáng)了目標(biāo)域樣本可區(qū)分性，兩種措施分別作用于源域樣本和目標(biāo)域樣本，增強(qiáng)了不同工藝條件下刀具磨損樣本的領(lǐng)域適應(yīng)能力，同時(shí)結(jié)合圖4d～圖4i可以綜合分析出MCDACNN方法有效降低了急劇磨損樣本和失效期樣本的混疊程度，所以MCDACNN方法相較于CNN-MMD-IDC方法，對(duì)急劇磨損階段樣本的辨識(shí)準(zhǔn)確率更高。通過(guò)圖5不同方法的混淆矩陣結(jié)果表明，MCDACNN方法對(duì)4種磨損狀態(tài)的遷移辨識(shí)準(zhǔn)確率都是最高的。

(a)CNN-MMD

為衡量同類隨機(jī)樣本的離散程度，給出了上述3種方法在目標(biāo)工藝條件下的4種磨損狀態(tài)特征方差統(tǒng)計(jì)柱狀圖，如圖6所示。方差越小代表同種磨損狀態(tài)樣本聚集程度越高。由圖6可以看出，采用MCDACNN方法得到的目標(biāo)域不同磨損狀態(tài)特征的方差均最小。圖6從類內(nèi)距離的角度解釋了MCDACNN方法相較于其他幾種方法取得了更優(yōu)異的遷移辨識(shí)準(zhǔn)確率。此外，為定量分析不同類別間的類間距離，圖7給出了不同方法提取的目標(biāo)域4種磨損狀態(tài)樣本的整體核范數(shù)統(tǒng)計(jì)圖。核范數(shù)通過(guò)類別間混淆程度可以間接表達(dá)類間距離，核范數(shù)越大表示類別間混淆程度越低，類間距離越大。由圖7可知，采用MCDACNN方法獲得的特征整體核范數(shù)最大，為84.025 269，所以采用MCDACNN方法獲得的不同磨損狀態(tài)樣本特征之間的類間距離最大。圖8為不同方法提取的目標(biāo)域4種磨損狀態(tài)樣本特征各自的核范數(shù)統(tǒng)計(jì)圖?？梢钥闯?，MCDACNN方法對(duì)于每一類樣本特征的核范數(shù)均是最小，說(shuō)明該方法所提同類樣本特征的聚集程度最高。結(jié)合圖6、圖7與圖8可以得出，本文方法相較于其他方法類間距離最大，類內(nèi)距離最小，故而遷移辨識(shí)效果最好。綜上可知，MCDACNN方法通過(guò)IDC與最大化核范數(shù)同時(shí)改善了源域與目標(biāo)域可遷移特征的距離關(guān)系，提升了不同工藝條件特征之間的適配能力，對(duì)比實(shí)驗(yàn)證明了本文方法的有效性。

圖6 方差統(tǒng)計(jì)圖

圖7 不同方法整體核范數(shù)統(tǒng)計(jì)圖

圖8 不同方法不同磨損類別樣本核范數(shù)統(tǒng)計(jì)圖

3 結(jié)論

(1)通過(guò)特征可視化結(jié)果可知，類間-類內(nèi)距離約束和最大化核范數(shù)通過(guò)改善樣本距離關(guān)系，能夠同時(shí)提升領(lǐng)域適配能力，實(shí)現(xiàn)不同工藝條件樣本特征高準(zhǔn)度分布對(duì)齊。

(2)相比于其他同類深度遷移學(xué)習(xí)方法，MCDACNN方法對(duì)不同工藝條件下刀具磨損狀態(tài)遷移辨識(shí)具有一定的優(yōu)勢(shì)，平均辨識(shí)準(zhǔn)確率達(dá)到了96.8%。

(3)MCDACNN方法克服了生產(chǎn)現(xiàn)場(chǎng)不同工藝條件帶來(lái)的樣本分布差異影響，實(shí)現(xiàn)了利用一種工藝條件下的標(biāo)記數(shù)據(jù)訓(xùn)練模型而識(shí)別另一種工藝條件下無(wú)標(biāo)簽刀具磨損樣本的狀態(tài)，降低了模型對(duì)有標(biāo)簽數(shù)據(jù)的依賴，因此具有實(shí)際的工程應(yīng)用價(jià)值。

(4)本文在4種工藝參數(shù)改變的跨工藝條件下驗(yàn)證了方法的有效性，實(shí)際加工制造過(guò)程中變化的工況類型還比較多，例如工件材料、刀具類型等，未來(lái)將在更多類型的復(fù)雜工藝條件下驗(yàn)證本文方法的有效性。