一种预测设备动态安全运行状态的方法与流程

1.本发明涉及泵房设备检测领域，特别是涉及一种预测设备动态安全运行状态的方法。


背景技术：

2.水是生命之源，人们的生产生活都离不开水。因此保障用水是保障居民生活的重中之重。自来水通过市政供水管道进入了各家各户，保障了居民的用水。但是市政供水管道往往无法提供足够的水压给高层用户进行供水，随着现代房屋的楼层越来越高，给高层用户供水成为急需解决的问题。
3.建立二次供水泵房是解决高层供水问题的一种手段。二次供水泵房可以通过加压等方式有效补偿市政供水管线压力缺乏，保障寓居、生活在高层人群用水。现在的二次供水泵房的泵组设备缺乏有效的故障监视和预测手段，导致只有在严重故障发生时才能发现，然后进行维修。这样的突发性维修一来因为运维人员没有准备导致维修的效率下降，二来用户没有准备导致用水的不便。


技术实现要素：

4.有鉴于现有技术的上述的一部分缺陷，本发明所要解决的技术问题是提供一种预测设备动态安全运行状态的方法，旨在对泵组设备的运行状态进行预测，提前获得故障进行修理准备，提高修理效率，降低故障带来的用水影响。
5.为实现上述目的，本发明公开了一种预测设备动态安全运行状态的方法，所述方法包括：
6.通过声音采集设备实时采集泵组设备的运行噪音数据；通过振动监测器实时采集所述泵组设备的振动频率数据和振动幅度数据；通过温度传感器实时采集所述泵组设备的运行温度数据；通过流量计实时采集所述泵组设备的进水流量数据和出水流量数据；其中，所述声音采集设备、所述振动监测器、所述温度传感器以及所述流量计设置在所述泵组设备上的预设采集点；
7.对所述噪音数据、所述振动频率数据、所述振动幅度、所述运行温度数据所述进水流量数据以及所述出水流量数据进行分析处理，获得安全运行状态预测结果；
8.根据所述安全运行状态预测结果，判断所述泵组设备在预设时间段内是否需要进行维修；
9.响应于所述泵组设备在所述预设时间段内需要进行维修，生成维修指令发送给服务器终端，以使所述服务器根据维修指令指派运维人员对所述泵组设备进行维修。
10.可选的，所述对所述噪音数据、所述振动频率数据、所述振动幅度以及所述运行温度数据进行分析处理，获得安全运行状态预测结果，包括：
11.将所述噪音数据、所述振动频率数据、所述振动幅度、所述运行温度数据所述进水流量数据以及所述出水流量数据导入第一预测模型，获得第一预测结果；
12.判断所述第一预测结果是否为异常故障输出集合，若是，则判断所述异常故障输出集合中是否存在异常故障满足维修条件；若否，则确定所述第一预测结果为所述安全运行状态预测结果；其中，所述异常故障种类包括：噪声异常故障、振动异常故障、温升异常故障以及性能异常故障；所述噪声异常故障分别为气液混排、气蚀、本体摩擦、异物进入、轴承生锈、轴承干磨、风扇摩擦、流速过大、空气振动以及电磁噪音；所述振动异常故障分别为水泵未固定、共振、动平衡下降、轴弯曲、喘振以及紊流；所述温升异常故障分别为介质过热、小流量运行、机械摩擦、电压过低、接线错误、散热不良、水泵过载以及频繁启停；所述性能异常故障分别为水泵未排气、气蚀、气堵、本体窝气、电机反转、叶轮掉落、系统阻力不符、性能检测点错误、控制器设置错误、转速过低、叶轮装配错误以及叶轮损坏；所述维修条件根据所述异常故障对所述泵组设备的影响大小进行确定；
13.响应于所述异常故障输出集合中不存在所述异常故障满足维修条件，将所述噪音数据、所述振动频率数据、所述振动幅度、所述运行温度数据所述进水流量数据、所述出水流量数据以及所述异常故障输出集合导入第二预测模型，获得所述安全运行状态预测结果；响应于所述异常故障输出集合中存在所述异常故障满足维修条件，将所述第一预测结果确定为所述安全运行状态预测结果。
14.可选的，所述第一预测模型的训练步骤包括：
15.向所述第一预测模型导入第一训练集进行训练，以使所述第一预测模型获得异常故障与运行参数之间的关系；所述第一训练集包括至少三条第一训练数据，所述第一训练数据包括：第一运行参数输入以及第一异常故障输出；所述第一运行参数输入包括：第一数据时间戳、第一训练噪音子数据、第一训练振动频率子数据、第一训练振动幅度子数据、第一训练运行温度子数据、第一训练进水流量子数据以及第一训练出水流量子数据；可选的所述第一异常故障的种类至少为两种且数量至少为一个；
16.对所述第一预测模型进行测试，响应于所述第一预测模型测试的准确率达到标准，判断所述第一预测模型完成训练。
17.可选的，所述第二预测模型的训练步骤包括：
18.对第一训练集进行筛选，获得在一条所述第一训练数据中包至少两个所述第一异常故障的第一训练数据作为第二训练数据，并投放入第二训练集；
19.对所述第二训练集内的所述第二训练数据进行数据扩充；所述数据扩充包括：向所述第二训练数据中添加第二运行参数输入；其中，所述第二运行参数输入是对所述第二训练数据中的所述第一运行参数输入进行回溯获得的，所述第二运行参数输入对应的所述第一异常故障数目少于所述第一运行参数输入对应的所述第一异常故障数目且不为零；
20.将所述第二运行参数输入和第一运行参数输入共同对应的所述第一异常故障确定为在前故障，将所述第一运行参数输入对应且所述第二运行参数不对应的所述第一异常故障确定为在后故障；
21.向所述第二预测模型导入所述第二训练集，以使所述第二预测模型获得所述第二运行参数输入、所述在前故障以及所述在后故障之间的关系；
22.对所述第二预测模型进行测试，响应于所述第二预测模型测试的准确率达到标准，判断所述第一预测模型完成训练。
23.可选的，在通过振动监测器实时采集所述泵组设备的振动频率数据和振动幅度数
据之后，所述方法还包括：
24.对所述振动频率数据和所述振动幅度数据进行傅里叶变换，将叠加在一起的所述振动频率数据拆分成多个单独的振动频率数据。
25.可选的，在通过声音采集设备实时采集泵组设备的运行噪音数据之后，所述方法还包括：
26.对所述噪声数据进行傅里叶变换，将叠加在一起的所述噪声数据拆分成多个单独的噪声数据。
27.可选的，所述方法还包括：
28.通过设置在所述泵组设备进水口内壁四周的压力传感器采集水对进水口内壁各个方向的压力；
29.根据水对所述进水口内壁各个方向的压力是否一致，对振动异常故障进行判断；
30.响应于水对所述进水口内壁各个方向的压力一致，判断为泵组设备异常故障；响应于水对所述进水口内壁各个方向的压力不一致，判断为水压不均异常故障。
31.可选的，所述方法还包括：
32.采集所述泵组设备的进水口振动频率、设备中心振动频率以及出水口振动频率对振动异常故障进行判断；
33.响应于进水口振动频率、设备中心振动频率以及出水口振动频率依次减弱，判断由所述水压不均引发的振动异常；响应于振动频率有所述设备中心向所述进水口和所述出水口两侧依次减弱，判断由所述设备故障引发的振动异常。
34.本发明的有益效果：1、本发明采集泵组设备的运行噪音数据、振动频率数据、振动幅度数据、运行温度数据、进水流量数据以及出水流量数据；对噪音数据、振动频率数据、振动幅度、运行温度数据进水流量数据以及出水流量数据进行分析处理，获得安全运行状态预测结果；根据安全运行状态预测结果，判断泵组设备在预设时间段内是否需要进行维修；响应于泵组设备在预设时间段内需要进行维修，生成维修指令发送给服务器终端，以使服务器根据维修指令指派运维人员对泵组设备进行维修。本发明根据泵组设备在出现故障之前其运行状态参数(如噪音、振动频率、温度等)会出现变化，进而实时采集泵组设备的运行状态参数，并根据这些运行状态参数预测泵组设备的故障出现时间，这样可以提前做好修理准备，提高修理效率，降低泵组设备故障带来的用水影响。2、本发明将噪音数据、振动频率数据、振动幅度、运行温度数据进水流量数据以及出水流量数据导入第一预测模型，获得第一预测结果；判断第一预测结果是否为异常故障输出集合，若是，则判断异常故障输出集合中是否存在异常故障满足维修条件；若否，则确定第一预测结果为安全运行状态预测结果；响应于异常故障输出集合中不存在异常故障满足维修条件，将噪音数据、振动频率数据、振动幅度、运行温度数据进水流量数据、出水流量数据以及异常故障输出集合导入第二预测模型，获得安全运行状态预测结果；响应于异常故障输出集合中存在异常故障满足维修条件，将第一预测结果确定为安全运行状态预测结果。本发明通过第一预测模型和第二预测模型可以对故障进行精准判断，并根据故障大小(是否满足维修条件)确定是否进行维修，保障了泵组设备可以正常工作，同时避免了一些无关紧要的小故障带来的修理指令，减少了人工负担。3、本发明的第一预测模型通过导入第一训练集进行训练，保证了第一预测模型可以准确的根据运行参数输入，预测异常故障。4、本发明的第二预测模型通过导入第
二训练集进行训练，使训练后的第二预测模型可以根据在前故障和在前故障对应的运行参数，获得在后故障。本发明通过第二预测模型可以有效预测小故障作为诱因引发的大故障，进行提前获得大故障进行修理准备。4、本发明通过对噪声数据、振动频率数据以及振动幅度数据进行傅里叶比那换，通过将时域转化为频域，获得各个部分(泵组设备的各个部分、外界、流水)的单独数据，可以更好的对故障种类进行确定。综上，本发明通过泵组设备运行状态参数，提前获得故障进行修理准备，提高修理效率，降低故障带来的用水影响。
附图说明
35.图1是本发明一具体实施例提供的一种预测设备动态安全运行状态的方法的流程示意图；
36.图2是本发明一具体实施例提供的第一预测模型训练的流程示意图；
37.图3是本发明一具体实施例提供的第二预测模型训练的流程示意图。
具体实施方式
38.本发明公开了一种预测设备动态安全运行状态的方法，本领域技术人员可以借鉴本文内容，适当改进技术细节实现。特别需要指出的是，所有类似的替换和改动对本领域技术人员来说是显而易见的，它们都被视为包括在本发明。本发明的方法及应用已经通过较佳实施例进行了描述，相关人员明显能在不脱离本发明内容、精神和范围内对本文所述的方法和应用进行改动或适当变更与组合，来实现和应用本发明技术。
39.经申请人研究发现：泵组设备的故障与泵组运行参数(噪音数据、振动频率数据、振动幅度、运行温度数据进水流量数据以及出水流量数据)息息相关。泵组的故障不是突然出现的，而是慢慢累积导致的。因此，在故障出现前的一段时间，泵组运行参数相较于正常时会发生改变。通过泵组运行参数来预测泵组的故障是可行的。
40.因此，本发明实施例公开了一种预测设备动态安全运行状态的方法，如图1所示，该方法包括：
41.步骤s101：通过声音采集设备实时采集泵组设备的运行噪音数据；通过振动监测器实时采集泵组设备的振动频率数据和振动幅度数据；通过温度传感器实时采集泵组设备的运行温度数据；通过流量计实时采集泵组设备的进水流量数据和出水流量数据。
42.其中，声音采集设备、振动监测器、温度传感器以及流量计设置在泵组设备上的预设采集点。
43.可选的，各个泵组设备至少对应一个声音采集设备、一个振动监测器、一个温度传感器，需要进水的泵组设备至少对应一个流量计。声音采集设备设置在距离设备较近且不容易受外界声音干扰的地方，温度传感器尽量避免被阳光直射，振动传感器需要将感应振动的部分贴近泵组设备。
44.需要说明的是，声音采集设备设置有收声器用于专门采集泵组设备的噪音。
45.可选的，在通过振动监测器实时采集泵组设备的振动频率数据和振动幅度数据之后，方法还包括：
46.对振动频率数据和振动幅度数据进行傅里叶变换，将叠加在一起的振动频率数据拆分成多个单独的振动频率数据。
47.需要说明的是，傅里叶变换可以将采集的时域数据转化成频域数据，让叠加的各个方面(不同组件、外界环境以及水流)产生的振动拆开，可以更好的获得具体的异常振动故障是在哪。
48.可选的，在通过声音采集设备实时采集泵组设备的运行噪音数据之后，方法还包括：
49.对噪声数据进行傅里叶变换，将叠加在一起的噪声数据拆分成多个单独的噪声数据。
50.需要说明的是，傅里叶变换可以将采集的时域数据转化成频域数据，让叠加的各个方面(不同组件、外界环境以及水流)产生的噪声拆开，可以更好的获得具体的异常噪声故障是在哪。
51.步骤102：对噪音数据、振动频率数据、振动幅度、运行温度数据进水流量数据以及出水流量数据进行分析处理，获得安全运行状态预测结果。
52.需要说明的是，安全运行状态预测结果分为正常运行和异常故障，当安全运行状态预测结果为异常故障时，则安全运行状态预测结果还包括异常故障发生的时间点。
53.步骤s103：根据安全运行状态预测结果，判断泵组设备在预设时间段内是否需要进行维修。
54.当安全运行状态预测结果分为正常运行时，不需要维修。当安全运行状态预测结果为异常故障时，且异常故障不在预设时间段或异常故障不影响泵组设备时，无需在预设时间段内进行维修。
55.需要说明的是，当异常故障不在预设时间段，可以根据接下来采集的运行状态数据获得这一异常故障，直到该异常故障在预设时间段内，后进行维修。这样可以避免频繁维修，导致人力浪费。
56.步骤s104：响应于泵组设备在预设时间段内需要进行维修，生成维修指令发送给服务器终端，以使服务器根据维修指令指派运维人员对泵组设备进行维修。
57.可选的，步骤s102：对噪音数据、振动频率数据、振动幅度以及运行温度数据进行分析处理，获得安全运行状态预测结果，包括：
58.将噪音数据、振动频率数据、振动幅度、运行温度数据进水流量数据以及出水流量数据导入第一预测模型，获得第一预测结果；
59.判断第一预测结果是否为异常故障输出集合，若是，则判断异常故障输出集合中是否存在异常故障满足维修条件；若否，则确定第一预测结果为安全运行状态预测结果；其中，异常故障种类包括：噪声异常故障、振动异常故障、温升异常故障以及性能异常故障；噪声异常故障分别为气液混排、气蚀、本体摩擦、异物进入、轴承生锈、轴承干磨、风扇摩擦、流速过大、空气振动以及电磁噪音；振动异常故障分别为水泵未固定、共振、动平衡下降、轴弯曲、喘振以及紊流；温升异常故障分别为介质过热、小流量运行、机械摩擦、电压过低、接线错误、散热不良、水泵过载以及频繁启停；性能异常故障分别为水泵未排气、气蚀、气堵、本体窝气、电机反转、叶轮掉落、系统阻力不符、性能检测点错误、控制器设置错误、转速过低、叶轮装配错误以及叶轮损坏；维修条件根据异常故障对泵组设备的影响大小进行确定；
60.响应于异常故障输出集合中不存在异常故障满足维修条件，将噪音数据、振动频率数据、振动幅度、运行温度数据进水流量数据、出水流量数据以及异常故障输出集合导入
第二预测模型，获得安全运行状态预测结果；响应于异常故障输出集合中存在异常故障满足维修条件，将第一预测结果确定为安全运行状态预测结果。
61.需要说明的是，本发明实施例的第一预测模型可以根据输入的运行状态参数(噪声、振动等)，对泵组设备的状态进行预测，可以根据运行状态参数与正常时的差异，预测在泵组设备在什么时候会出现故障。第一预测模型用于只根据运行状态参数判断有无故障。具体应用过程中有些小故障会自己恢复或者说不会影响泵组设备的正常工作，因此无需对这些小故障进行及时修理。但是有些小故障却是一些大故障的诱因，例如螺丝脱落导致泵组设备移位，因此本发明实施例的第二预测模型可以根据不需要及时修理的小故障及其对应的运行状态参数，对小故障作为诱因引发的大故障(或其它小故障)进行预测。本发明通过第一预测模型和第二预测模型保证了对故障进行全方面预测，避免对故障预测出现遗漏导致故障无法得到及时修复，影响居民用水。
62.值得一提的是，第一预测结果分别为正常运行和故障异常集合，当为故障异常集合时，集合包括每一个故障的发生时间。在实际场景中，运行状态参数出现异常使并不是说明当前立即出现故障，而是异常慢慢累积导致的故障，就像螺丝松了，渐渐才会脱落，而不是不经历松了的过程直接脱落，而螺丝松了的时候，运行状态参数就会出现异常。
63.可选的，第一预测模型的训练步骤如图2所示，包括：
64.步骤s201:向第一预测模型导入第一训练集进行训练，以使第一预测模型获得异常故障与运行参数之间的关系。
65.第一训练集包括至少三条第一训练数据，第一训练数据包括：第一运行参数输入以及第一异常故障输出；第一运行参数输入包括：第一数据时间戳、第一训练噪音子数据、第一训练振动频率子数据、第一训练振动幅度子数据、第一训练运行温度子数据、第一训练进水流量子数据以及第一训练出水流量子数据；可选的第一异常故障的种类至少为两种且数量至少为一个。
66.步骤s202：对第一预测模型进行测试，响应于第一预测模型测试的准确率达到标准，判断第一预测模型完成训练。
67.需要说明的是，第一数据时间戳为第一训练噪音子数据、第一训练振动频率子数据、第一训练振动幅度子数据、第一训练运行温度子数据、第一训练进水流量子数据以及第一训练出水流量子数据采集的时间点。在该实施例中，导入的第一训练集的第一训练数据是根据时间轴连续进行采集的同一泵组设备的数据，其故障有前有后，可以进行回溯获得其他运行参数输入。
68.可选的，对第一预测模型进行测试，响应于第一预测模型测试的准确率达到标准，判断第一预测模型完成训练，包括：
69.向第一预测模型输入大量状态运行参数，获得这些运行参数对应的异常故障；
70.判断这些预测获得的异常故障是否与原先对应的异常故障是否一致；
71.当一致(准确)率达到标准，判断第一预测模型完成训练。
72.进一步的，第二预测模型的训练步骤如图3所示，包括：
73.步骤s301：对第一训练集进行筛选，获得在一条第一训练数据中包至少两个第一异常故障的第一训练数据作为第二训练数据，并投放入第二训练集。
74.步骤s302：对第二训练集内的第二训练数据进行数据扩充；数据扩充包括：向第二
训练数据中添加第二运行参数输入。
75.其中，第二运行参数输入是对第二训练数据中的第一运行参数输入进行回溯获得的，第二运行参数输入对应的第一异常故障数目少于第一运行参数输入对应的第一异常故障数目且不为零。
76.步骤s303：将第二运行参数输入和第一运行参数输入共同对应的第一异常故障确定为在前故障，将第一运行参数输入对应且第二运行参数不对应的第一异常故障确定为在后故障。
77.需要说明的是，第二运行参数输入是第一运行参数输入回溯获得的，说明第二运行参数输入是第一运行参数输入之前采集的。因此，第二运行参数输入对应的所有第一异常故障第一运行参数输入对应的全有，而第一运行参数输入对应的独有第一异常故障肯定是共有的第一异常故障之后发生的故障。
78.步骤s304：向第二预测模型导入第二训练集，以使第二预测模型获得第二运行参数输入、在前故障以及在后故障之间的关系。
79.步骤s305：对第二预测模型进行测试，响应于第二预测模型测试的准确率达到标准，判断第一预测模型完成训练。
80.需要说明的是，第一预测模型可以有效对诱因故障引发的大故障进行预测，避免无法及时维修带来的损失。
81.可选的，方法还包括：
82.通过设置在泵组设备进水口内壁四周的压力传感器采集水对进水口内壁各个方向的压力；
83.根据水对进水口内壁各个方向的压力是否一致，对振动异常故障进行判断；
84.响应于水对进水口内壁各个方向的压力一致，判断为泵组设备异常故障；响应于水对进水口内壁各个方向的压力不一致，判断为水压不均异常故障。
85.需要说明的是，有些振动异常发生在泵组设备内部很难判断是泵组设备出现故障还是进水压力不一导致的振动。因此本发明实施例利用压力传感器检测进水压力进而确定振动异常的原因，这样的设置可以精准快速定位故障从而进行维修。
86.可选的，方法还包括：
87.采集泵组设备的进水口振动频率、设备中心振动频率以及出水口振动频率对振动异常故障进行判断；
88.响应于进水口振动频率、设备中心振动频率以及出水口振动频率依次减弱，判断由水压不均引发的振动异常；响应于振动频率有设备中心向进水口和出水口两侧依次减弱，判断由设备故障引发的振动异常。
89.需要说明的是，有些振动异常发生在泵组设备内部很难判断是泵组设备出现故障还是进水压力不一导致的振动。因此本发明实施例利用当进水压力不一导致振动时，振动会从进水口逐渐传播到出水口依次减弱；而泵组设备本身故障时，则振动由泵组向两侧的进水口和出水口扩散依次减弱，这两个特性进行判断，可以精准定位故障发生位置。
90.本发明实施例采集泵组设备的运行噪音数据、振动频率数据、振动幅度数据、运行温度数据、进水流量数据以及出水流量数据；对噪音数据、振动频率数据、振动幅度、运行温度数据进水流量数据以及出水流量数据进行分析处理，获得安全运行状态预测结果；根据
安全运行状态预测结果，判断泵组设备在预设时间段内是否需要进行维修；响应于泵组设备在预设时间段内需要进行维修，生成维修指令发送给服务器终端，以使服务器根据维修指令指派运维人员对泵组设备进行维修。本发明实施例根据泵组设备在出现故障之前其运行状态参数(如噪音、振动频率、温度等)会出现变化，进而实时采集泵组设备的运行状态参数，并根据这些运行状态参数预测泵组设备的故障出现时间，这样可以提前做好修理准备，提高修理效率，降低泵组设备故障带来的用水影响。本发明实施例将噪音数据、振动频率数据、振动幅度、运行温度数据进水流量数据以及出水流量数据导入第一预测模型，获得第一预测结果；判断第一预测结果是否为异常故障输出集合，若是，则判断异常故障输出集合中是否存在异常故障满足维修条件；若否，则确定第一预测结果为安全运行状态预测结果；响应于异常故障输出集合中不存在异常故障满足维修条件，将噪音数据、振动频率数据、振动幅度、运行温度数据进水流量数据、出水流量数据以及异常故障输出集合导入第二预测模型，获得安全运行状态预测结果；响应于异常故障输出集合中存在异常故障满足维修条件，将第一预测结果确定为安全运行状态预测结果。
91.本发明实施例通过第一预测模型和第二预测模型可以对故障进行精准判断，并根据故障大小(是否满足维修条件)确定是否进行维修，保障了泵组设备可以正常工作，同时避免了一些无关紧要的小故障带来的修理指令，减少了人工负担。本发明实施例的第一预测模型通过导入第一训练集进行训练，保证了第一预测模型可以准确的根据运行参数输入，预测异常故障。本发明实施例的第二预测模型通过导入第二训练集进行训练，使训练后的第二预测模型可以根据在前故障和在前故障对应的运行参数，获得在后故障。本发明实施例通过第二预测模型可以有效预测小故障作为诱因引发的大故障，进行提前获得大故障进行修理准备。
92.本发明实施例通过对噪声数据、振动频率数据以及振动幅度数据进行傅里叶比那换，通过将时域转化为频域，获得各个部分(泵组设备的各个部分、外界、流水)的单独数据，可以更好的对故障种类进行确定。
93.综上，本发明实施例通过泵组设备运行状态参数，提前获得故障进行修理准备，提高修理效率，降低故障带来的用水影响。
94.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
95.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
96.以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。