权利要求
S1、预处理铅锌矿石，以去除所述铅锌矿石中的杂质，获得矿浆;
S3、根据矿石性质和浮选效果，智能调整浮选机的运行参数;
S4、建立浮选过程的动态仿真模型，结合实时监测数据，利用模型预测控制算法对浮选流程进行实时优化。
2.根据权利要求1所述的铅锌矿优先浮选方法，其特征在于，步骤S1还包括：
S11、对所述铅锌矿石进行粗碎、中碎和细碎;
S12、对所述铅锌矿石进行磨矿，获得矿浆;
S13、将磨好的矿浆的浓度控制在20-40%之间;
S14、将磨好的矿浆的pH值控制在8-10之间。
3.根据权利要求2所述的铅锌矿优先浮选方法，其特征在于，步骤S12还包括对所述矿浆进行分级，将所述矿浆分为粗粒级和细粒级两部分，粗粒级继续磨矿，细粒级则进入下一步的选矿流程。
4.根据权利要求1所述的铅锌矿优先浮选方法，其特征在于，步骤S2中所述铅优先浮选药剂包括黄药、黑药和起泡剂，其质量比为3:2:1。
5.根据权利要求1所述的铅锌矿优先浮选方法，其特征在于，步骤S2中所述智能控制系统包括至少一个传感器，用于检测浮选药剂的浓度和pH值。
6.根据权利要求1所述的铅锌矿优先浮选方法，其特征在于，步骤S3还包括：
S31、对所述铅锌矿石的性质进行分析，确定所述铅锌矿石的矿物种类、矿石粒度分布、所述铅锌矿石表面的润湿性、所述铅锌矿石的表面电位、矿石品位;
S32、所述浮选效果的评估指标包括精矿品位、尾矿品位和回收率;
S33、基于所述浮选效果的评估指标智能调整浮选机运行参数的策略，所述浮选机运行参数包括搅拌速度、充气量、矿浆液位、药剂添加种类和药剂添加量。
7.根据权利要求1所述的铅锌矿优先浮选方法，其特征在于，步骤S4中所述实时监测数据包括使用图像识别技术监测泡沫层的变化。
8.根据权利要求1所述的铅锌矿优先浮选方法，其特征在于，步骤S4还包括：
S41、基于实测数据建立浮选过程的物理模型;
S42、基于所述物理模型确定所述动态仿真模型的参数;
S43、利用模型预测控制算法对浮选流程进行实时优化。
9.根据权利要求8所述的铅锌矿优先浮选方法，其特征在于，步骤S42中所述动态仿真模型的参数包括：矿物颗粒的密度、硬度、表面性质;浮选药剂的吸附速率常数、解吸速率常数、反应平衡常数;矿浆的粘度、密度。
10.根据权利要求8所述的铅锌矿优先浮选方法，其特征在于，步骤S43还包括：
S431、基于所述动态仿真模型，构建用于所述模型预测控制算法的预测模型;
S432、根据浮选生产的目标和要求，设定所述模型预测控制算法的目标函数;
S433、设定所述预测模型中各个参数的阈值范围;
S434、根据当前状态测量值对所述预测模型进行更新，并再次进行预测和优化计算，以适应浮选过程的动态变化和不确定性。
说明书
技术领域
[0001]本发明涉及矿物加工领域，尤其涉及一种铅锌矿优先浮选方法。
背景技术
[0002]随着矿物加工技术的发展，铅锌矿的浮选技术已经相对成熟，但仍存在一些技术挑战。在这一领域，最接近的技术可能包括使用特定的浮选药剂、调整浮选流程参数以及优化浮选设备等。尽管现有的铅锌矿浮选技术已经取得了一定的成果，但仍存在以下问题：1.选择性问题：在浮选过程中，铅和锌矿物的选择性分离仍然是一个挑战，尤其是在复杂的矿石中。2.环境影响：传统的浮选药剂可能对环境造成污染，需要开发更环保的浮选药剂。3.成本效率：提高浮选效率和降低成本是铅锌矿加工行业的重要目标。
[0003]且在铅锌矿浮选过程中矿石性质的变化和浮选过程中其他因素的动态变化造成了现有浮选过程的浮选效率低、选择性差等问题。本发明提供一种铅锌矿优先浮选方法，以解决现有技术中存在的问题。
发明内容
[0004]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
[0005]为了克服上述缺陷，本发明的目的是提供一种铅锌矿优先浮选方法，通过智能化控制和动态仿真模型优化，提高铅锌矿石的浮选效率和选择性，解决现有技术中浮选效率低、选择性差的问题，以提高铅锌矿石的回收率和经济效益。
[0006]根据本发明的一方面，提供了一种铅锌矿优先浮选方法，其特征在于，包括以下步骤：
[0007]S1、预处理铅锌矿石，以去除铅锌矿石中的杂质，获得矿浆;
[0008]S2、向矿浆中加入铅优先浮选药剂，得到铅精矿和锌精矿，利用智能控制系统调节浮选药剂的添加量和添加时间;
[0009]S3、根据矿石性质和浮选效果，智能调整浮选机的运行参数;
[0010]S4、建立浮选过程的动态仿真模型，结合实时监测数据，利用模型预测控制算法对浮选流程进行实时优化。
[0011]在一实施例中，步骤S1还包括：
[0012]S11、对铅锌矿石进行粗碎、中碎和细碎;
[0013]S12、对铅锌矿石进行磨矿，获得矿浆;
[0014]S13、将磨好的矿浆的浓度控制在20-40%之间;
[0015]S14、将磨好的矿浆的pH值控制在8-10之间。
[0016]在一实施例中，步骤S12还包括对所述矿浆进行分级，将所述矿浆分为粗粒级和细粒级两部分，粗粒级继续磨矿，细粒级则进入下一步的选矿流程。
[0017]在一实施例中，步骤S2中铅优先浮选药剂包括黄药、黑药和起泡剂，其质量比为3:2:1。
[0018]在一实施例中，步骤S2中智能控制系统包括至少一个传感器，用于检测浮选药剂的浓度和pH值。
[0019]在一实施例中，步骤S3还包括：
[0020]S31、对铅锌矿石的性质进行分析，确定铅锌矿石的矿物种类、矿石粒度分布、铅锌矿石表面的润湿性、铅锌矿石的表面电位、矿石品位;
[0021]S32、浮选效果的评估指标包括精矿品位、尾矿品位和回收率;
[0022]S33、基于浮选效果的评估指标智能调整浮选机运行参数的策略，浮选机运行参数包括搅拌速度、充气量、矿浆液位、药剂添加种类和药剂添加量。
[0023]在一实施例中，步骤S4中实时监测数据包括使用图像识别技术监测泡沫层的变化。
[0024]在一实施例中，步骤S4还包括：
[0025]S41、基于实测数据建立浮选过程的物理模型;
[0026]S42、基于物理模型确定动态仿真模型的参数;
[0027]S43、利用模型预测控制算法对浮选流程进行实时优化。
[0028]在一实施例中，步骤S42中动态仿真模型的参数包括：矿物颗粒的密度、硬度、表面性质;浮选药剂的吸附速率常数、解吸速率常数、反应平衡常数;矿浆的粘度、密度。
[0029]在一实施例中，步骤S43还包括：
[0030]S431、基于动态仿真模型，构建用于模型预测控制算法的预测模型;
[0031]S432、根据浮选生产的目标和要求，设定模型预测控制算法的目标函数;
[0032]S433、设定预测模型中各个参数的阈值范围;
[0033]S434、根据当前状态测量值对预测模型进行更新，并再次进行预测和优化计算，以适应浮选过程的动态变化和不确定性。
[0034]本发明的有益效果是：1.通过预处理步骤，有效去除铅锌矿石中的杂质，提高了矿石的浮选效率。2.智能控制系统的应用，使得浮选药剂的添加更加精确，提高了铅锌矿石的浮选选择性。3.动态仿真模型和模型预测控制算法的使用，实现了浮选过程的实时优化，提高了铅锌矿石的回收率和经济效益。4.通过实时监测和优化，减少了浮选过程中的能耗和药剂消耗，降低了生产成本，同时减少了环境污染。
附图说明
[0035]在结合以下附图阅读本发明公开的实施例的详细描述之后，更能够更好地理解本发明的上述特征和优点。
[0036]图1是根据本发明的一个方面绘示的一实施例中铅锌矿优先浮选方法的流程示意图;
[0037]图2是根据本发明的一个方面绘示的一实施例中铅锌矿优先浮选方法的部分流程示意图;
[0038]图3是根据本发明的一个方面绘示的一实施例中铅锌矿优先浮选方法的部分流程示意图;
[0039]图4是根据本发明的一个方面绘示的一实施例中铅锌矿优先浮选方法的部分流程示意图;
[0040]图5是根据本发明的一个方面绘示的一实施例中铅锌矿优先浮选方法的部分流程示意图。
具体实施方式
[0041]给出以下描述以使得本领域技术人员能够实施和使用本发明并将其结合到具体应用背景中。各种变型、以及在不同应用中的各种使用对于本领域技术人员将是容易显见的，并且本文定义的一般性原理可适用于较宽范围的实施例。由此，本发明并不限于本文中给出的实施例，而是应被授予与本文中公开的原理和新颖性特征相一致的最广义的范围。
[0042]在以下详细描述中，阐述了许多特定细节以提供对本发明的更透彻理解。然而，对于本领域技术人员显而易见的是，本发明的实践可不必局限于这些具体细节。换言之，公知的结构和器件以框图形式示出而没有详细显示，以避免模糊本发明。
[0043]除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。
[0044]注意，在使用到的情况下，标志左、右、前、后、顶、底、正、反、顺时针和逆时针仅仅是出于方便的目的所使用的，而并不暗示任何具体的固定方向。事实上，它们被用于反映对象的各个部分之间的相对位置和/或方向。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0045]在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”、“跨接”应做广义理解，例如，可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0046]注意，在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
[0047]以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
[0048]根据本发明的一个方面，提供一种，图1示出了一实施例中铅锌矿优先浮选方法的流程示意图，铅锌矿优先浮选方法包括如图1所示的步骤S1～S4。
[0049]其中，步骤S1为：预处理铅锌矿石，以去除铅锌矿石中的杂质，获得矿浆。
[0050]可以理解，图2示出了一实施例中铅锌矿优先浮选方法的部分流程示意图，步骤S1还包括如图2所示的步骤S11～S14。
[0051]其中，步骤S11为：对铅锌矿石进行粗碎、中碎和细碎。
[0052]先对铅锌矿石进行粗碎，通过挤压和破碎矿石将粒度在150-1000mm的铅锌矿石破碎到100-300mm之间。将粗碎后的矿石进一步破碎到更细的粒度，可以根据需要的产品粒度进行选择。进一步的，可以使用颚式破碎机对铅锌矿石进行粗碎。
[0053]在铅锌矿石处理中，中碎的矿石粒度可达到30-100mm。进一步的，可以使用圆锥破碎机进行中碎。
[0054]最后将矿石粒度磨细到0.074-0.4mm，这个粒度范围有利于后续的浮选等选矿工艺。进一步的，可以使用球磨机进行细碎。
[0055]步骤S12为：对铅锌矿石进行磨矿，获得矿浆。
[0056]可以理解，在对铅锌矿石进行磨矿之前可以对铅锌矿石进行洗矿，对于铅锌矿石，尤其是那些露天开采的矿石，表面常常附着大量的黏土杂质，这些杂质会影响后续的选矿效果，洗矿可以去除矿石表面的黏土、淤泥等杂质。
[0057]进一步的，可以采用矿石和水一起进入圆筒洗矿机，随着圆筒的旋转，矿石在水中相互碰撞和摩擦，黏土等杂质被水溶解或冲走。也可以采用槽式洗矿机，通过矿浆在槽内的流动和搅拌，使杂质与矿石分离。槽式洗矿机的优点是洗矿效果好，对于一些难洗的矿石比较适用。
[0058]较优的，步骤S12还包括对所述矿浆进行分级，将所述矿浆分为粗粒级和细粒级两部分，粗粒级继续磨矿，细粒级则进入下一步的选矿流程。分级是为了将破碎后的矿石按照粒度大小进行分级，去除不符合要求的过大或过小的颗粒。在铅锌矿石预处理中，筛分可以保证进入下一道工序的矿石粒度均匀，有利于提高选矿效率。
[0059]步骤S12还可以包括磁选，对于含有少量磁铁矿杂质的铅锌矿石，通过磁选后，磁性杂质的去除率可以达到90%以上，从而提高铅锌矿石的品位。
[0060]可以理解，矿石品位是指矿石中有用成分的含量，在铅锌矿石中即铅和锌的含量。矿石品位是衡量矿石质量和经济价值的重要指标，品位越高，矿石的开采和加工价值通常就越大。
[0061]步骤S13为：将磨好的矿浆的浓度控制在20-40%之间。
[0062]可以理解，将铅锌矿石矿石放入搅拌槽中，加入适量的水和调整剂通过搅拌使矿石均匀分散在水中形成矿浆。使得矿浆的浓度控制在20%-40%之间。调整剂可以为石灰或者碳酸钠。
[0063]步骤S14为：将磨好的矿浆的pH值控制在8-10之间。
[0064]可以用PH计对矿浆的pH值进行精确的测量，将PH计的电极插入矿浆中，确保电极完全浸没并且没有接触到搅拌装置等硬物，以免损坏电极。等待pH计读数稳定后记录数值。在测量前，需要对pH计进行校准，通常使用标准缓冲溶液按照仪器说明书的步骤进行校准。
[0065]当矿浆中的pH值小于8时，添加碱性物质提高矿浆的pH值，当矿浆中的pH值大于10时，添加酸性物质降低矿浆的pH值。其中，碱性物质可以为石灰或者氢氧化钠，酸性物质可以为硫酸或者盐酸。
[0066]过上述预处理步骤，有效去除铅锌矿石中的杂质，提高了矿石的浮选效率。
[0067]步骤S2为：向矿浆中加入铅优先浮选药剂，得到铅精矿和锌精矿，利用智能控制系统调节浮选药剂的添加量和添加时间。
[0068]可以理解，优先浮选药剂包括捕收剂和起泡剂。常用的铅捕收剂有黄药和黑药，黄药在矿浆中能与铅离子形成难溶的金属黄原酸盐，使其表面疏水，从而容易附着在气泡上;黑药的选择性相对较好，对于复杂多金属矿石中铅的浮选有优势。起泡剂能在矿浆中产生稳定的泡沫，使捕收剂包裹的铅矿物颗粒附着在泡沫上，被带到矿浆表面，可以用松醇油。起泡剂的用量和性能直接影响泡沫的稳定性和浮选效果。
[0069]智能控制系统实时监测浮选过程中的各种参数，智能控制系统根据矿浆流量、矿石粒度等因素智能调整粗选药剂添加时间，智能控制系统通过实时监测精选泡沫产品的品位来智能调整药剂添加时间。同时，结合对铅精矿品位和回收率的实时监测，动态地优化药剂添加时间，使得浮选药剂的添加更加精确，提高了铅锌矿石的浮选选择性，确保浮选过程的高效和稳定。
[0070]步骤S3为：根据矿石性质和浮选效果，智能调整浮选机的运行参数。
[0071]可以理解，图3示出了一实施例中铅锌矿优先浮选方法的部分流程示意图，步骤S3还包括如图3所示的步骤S31～S33。
[0072]其中，步骤S31为：对铅锌矿石的性质进行分析，确定铅锌矿石的矿物种类、矿石粒度分布、铅锌矿石表面的润湿性、铅锌矿石的表面电位、矿石品位;
[0073]可以用显微镜鉴定法、X射线衍射分析以及化学分析方法来确定矿物的种类，可以用筛分法或者激光粒度仪法确定矿石的粒度分布，可以用接触角测量法或者浮选试验法确定铅锌矿石表面的润湿性，可以用电泳法或者电位滴定法测量铅锌矿石的表面电位，可以用滴定法、原子吸收光谱法或者X射线荧光光谱法确定矿石的品位。
[0074]步骤S32为：浮选效果的评估指标包括精矿品位、尾矿品位和回收率;
[0075]精矿品位是指精矿中目标金属(铅或锌)的含量，通常用质量分数(%)来表示，计算方法是将精矿中目标金属的质量除以精矿的总质量，再乘以100%。精矿品位是衡量精矿质量的关键指标。高品位的精矿在后续的冶炼过程中有诸多优势，如可以减少冶炼的处理量、降低能源消耗、提高冶炼效率等。
[0076]尾矿品位是指尾矿中残留的目标金属(铅或锌)的含量，同样用质量分数(%)表示，计算方法是尾矿中目标金属的质量除以尾矿的总质量，再乘以100%。尾矿品位反映了有用矿物在尾矿中的损失情况。尾矿品位越低，说明在浮选过程中有用矿物的回收率越高，资源利用越充分。
[0077]回收率是指精矿中回收的目标金属的质量与原矿中目标金属的质量之比，计算公式为：
[0078]
[0079]回收率是衡量选矿厂选矿效率和资源回收程度的综合指标。高回收率意味着更多的有用矿物从原矿中被回收利用，这在资源日益稀缺的情况下显得尤为重要。
[0080]步骤S33为：基于浮选效果的评估指标智能调整浮选机运行参数的策略，浮选机运行参数包括搅拌速度、充气量、矿浆液位、药剂添加种类和药剂添加量。
[0081]基于精矿品位、尾矿品位以及回收率对当前策略进行调整，智能控制系统可以通过安装在浮选机内的搅拌电机功率传感器和精矿品位在线分析仪来实现自动调节。
[0082]利用安装在浮选机底部的气体流量计和泡沫层稳定性监测装置，智能控制系统可以实时监控充气量和泡沫状态，根据精矿品位反馈信息自动调整充气量。
[0083]智能控制系统通过液位传感器实时监测矿浆液位，结合精矿品位数据，通过调节尾矿排出阀门的开度或补加水阀门的开度来自动控制矿浆液位。
[0084]智能控制系统通过药剂流量传感器和精矿成分在线检测设备，根据精矿品位实时调整药剂添加种类和添加量。
[0085]步骤S4为：建立浮选过程的动态仿真模型，结合实时监测数据，利用模型预测控制算法对浮选流程进行实时优化。
[0086]可以理解，图4示出了一实施例中铅锌矿优先浮选方法的部分流程示意图，步骤S4还包括如图4所示的步骤S41～S43。
[0087]其中，步骤S41为：基于实测数据建立浮选过程的物理模型;
[0088]首先，收集浮选参数，即搅拌速度、充气量、矿浆液位、药剂添加种类和添加量等浮选机运行参数、收集矿石性质数据，即矿石的矿物种类、粒度分布、表面润湿性和表面电位等性质以及收集复选效果数据，即精矿品位、尾矿品位和回收率。然后经过固定周期记录不同时间点的参数值，形成时间序列数据，以捕捉浮选过程中参数的动态变化，用于分析参数变化对浮选效果的影响。
[0089]步骤S42为：基于物理模型确定动态仿真模型的参数;
[0090]基于质量守恒、动量守恒和能量守恒方程，通过实验数据拟合确定有用矿物的浮选动力学参数、药剂作用参数和气泡-矿物相互作用参数。
[0091]步骤S43为：利用模型预测控制算法对浮选流程进行实时优化。
[0092]可以理解，图5示出了一实施例中铅锌矿优先浮选方法的部分流程示意图，步骤S43还包括如图5所示的步骤S431～S434。
[0093]其中，步骤S431为：基于动态仿真模型，构建用于模型预测控制算法的预测模型;
[0094]根据浮选过程的特点，可选择基于状态空间模型的结构，状态空间模型由状态方程和输出方程组成，能够很好地描述系统的动态特性。在浮选过程中，状态变量可以包括矿浆中有用矿物和脉石矿物的浓度、药剂在矿浆中的浓度、气泡的大小和数量分布等;输出变量则是浮选效果指标，即精矿品位、尾矿品位和回收率。
[0095]根据浮选过程的实际操作周期和数据采集频率，确定预测模型的时间尺度，采用合适的离散化方法，如欧拉法或龙格-库塔法，将连续的动态仿真模型转化为离散的预测模型。
[0096]使用之前收集的浮选过程实测数据来估计预测模型中的参数，考虑模型不确定性的参数估计方法，由于浮选过程存在各种不确定性因素，如矿石性质的波动、设备性能的变化等，在参数估计过程中需要考虑这些不确定性。可以采用贝叶斯估计方法，将参数视为具有先验概率分布的随机变量，结合实测数据更新参数的概率分布，得到更准确的参数估计。
[0097]步骤S432为：根据浮选生产的目标和要求，设定模型预测控制算法的目标函数;
[0098]目标函数的构成要素为：精矿品位相关项、回收率相关项以及成本相关项。
[0099]设定铅精矿品位为C11，锌精矿品位为C12，目标精矿品位分别为C21和C22。构建与精矿品位相关的目标函数项:J1=ω1[(C11-C21)2+(C12-C22)2]。ω1是权重系数，用于调整精矿品位在目标函数中的重要性。这个项的目的是使精矿品位尽可能接近目标品位，通过最小化该项，促使浮选过程朝着提高精矿品位的方向进行。
[0100]设铅回收率为R11，锌回收率为R12，目标回收率分别为R21和R22。构建回收率相关的目标函数项:J2=ω2[(R11-R21)2+(R12-R22)2]。ω2是权重系数。该项的作用是鼓励提高有用矿物的回收率，使浮选过程在提高精矿品位的同时，也能有效回收矿石中的铅和锌。
[0101]考虑药剂成本、能源成本和设备维护成本。设药剂成本为M1，能源成本为M2，设备维护成本为M3，目标是最小化总成本。可以构建成本相关的目标函数项：J3=ω3(M1+M2+M3)。其中ω3是权重系数，通过合理控制浮选机运行参数，如药剂添加量、搅拌速度和充气量等，可以降低这些成本。
[0102]综合上述各项，将精矿品位、回收率和成本作为三个独立的目标函数J1、J2和J3，然后通过多目标优化算法来寻找一组非劣解，即一组在不同目标之间权衡后相对较优的浮选机运行参数组合。这种方法能够更全面地考虑浮选生产的多个目标之间的复杂关系，为生产决策提供更多的选择。
[0103]步骤S433为：设定预测模型中各个参数的阈值范围;
[0104]步骤S434为：根据当前状态测量值对预测模型进行更新，并再次进行预测和优化计算，以适应浮选过程的动态变化和不确定性。
[0105]依据新采集到的当前状态测量值，对预测模型中涉及的关键参数进行重新评估。由于浮选过程存在矿石性质波动、设备性能变化等不确定性，在更新参数时充分考虑这些因素。
[0106]将整理好的最新实时数据以及重新估计和调整后的模型参数输入到更新后的预测模型中。确保各数据和参数对应正确的变量位置，使预测模型能够基于当前准确的信息进行计算。利用更新后的预测模型，按照其设定的状态方程和输出方程，对未来一段时间内的浮选效果进行预测。同时，持续监测调整后的浮选过程情况，重复上述更新、预测和优化的流程，形成闭环控制，不断适应浮选过程的动态变化和不确定性，确保浮选生产始终朝着高效、优质的目标发展。
[0107]本发明通过动态仿真模型和模型预测控制算法的使用，实现了浮选过程的实时优化，提高了铅锌矿石的回收率和经济效益。
[0108]提供之前的描述是为了使本领域中的任何技术人员均能够实践本文中所描述的各种方面。但是应该理解，本发明的保护范围应当以所附权利要求书为准，而不应被限定于以上所解说实施例的具体结构和组件。本领域技术人员在本发明的精神和范围内，可以对各实施例进行各种变动和修改，这些变动和修改也落在本发明的保护范围之内。
说明书附图(5)
