一种催化剂运行智能管理系统和管理方法与流程

1.本发明属于催化剂使用阶段的管理系统，具体涉及一种催化剂运行智能管理系统和管理方法。


背景技术：

2.目前工业行业对催化剂的性能管理和优化主要集中在研发、生产制造环节中，对于催化剂的使用和维护过程几乎没有成体系的管理手段，催化剂管理没有在线实时管理的系统，在连续生产过程中，仅仅依靠熟练工作人员凭经验进行管理和调整，且不同的人对催化剂的使用、维护以及管理的方法不尽相同，想实现催化剂安全、稳定、健康的运行是有较大难度，如催化剂破碎、烧结、污堵、中毒、失活等危害时有发生。现有管理手段无法对催化剂运行性能有效感知，缺少催化剂使用维护以及使用工况优化的有效依据，更加难以做到催化剂的工况优化和使用寿命预测。
3.据统计，约有90％以上的工业反应过程使用催化剂，如化工、石化、生化、环保等。催化剂的使用几乎都处于关键工艺路线上，催化剂的性能直接影响生产的稳定、安全、产品产量、产品质量、能耗和物料消耗。
4.行业内暂无利用生产大数据，对催化剂性能进行实时分析、评价、“体检”、优化，并且可以及时预警劣化危害，并给出有效调整决策的催化剂运行智能管理系统。
5.目前大数据为工业赋能多数停留在平台、中台等面上的应用，少有聚焦到行业内点的大数据工业应用已解决具体的问题。催化剂运行智能管理系统概念属于业内首次提出，关于催化剂智能管控的类似软件尚未面世。


技术实现要素：

6.本发明提供一种催化剂运行智能管理系统和管理方法，有效地解决了的问题。
7.为实现上述目的，本发明采用以下技术方案实现：
8.一种催化剂运行智能管理系统，包括监控感知模块、关联性分析模块、健康管理模块、分析评价模块、性能寻优模块、寿命预测模块，其中：
9.监控感知模块用于获得并监控工业反应过程中催化剂的物性数据、工艺数据、质量和性能数据、催化剂床温，进而实现催化剂运行状态从看见、看清到预见的细节、态势感知；
10.关联性分析模块对接监控感知模块，用于对获得的各数据进行关联性建模，找到关键性能指标的关联因素，并进行流程关联性展示、目标指标关联性分析、多参数关联性分析；
11.健康管理模块对接关联性分析模块，用于通过所接收的关联性分析结果，对历史数据进行模型训练，找到催化剂运行健康指导值和对应阈值，进而从多方位、多角度评价催化剂运行现状和性能状态，从而实现在线健康监测及状态诊断；
12.分析评价预警模块对接健康管理模块，用于通过将各参数实时值与催化剂运行健
康指导值及对应阈值进行比对分析，评价是否有偏离健康的趋势，从而对异常指标进行预警，对催化剂伤害、劣化进行预测和预警；
13.性能寻优模块对接分析评价模块，用于利用健康状态下的样本数据，寻找最优性能及工况；
14.寿命预测模块对接性能寻优模块，用于基于性能状态的变化以及工况的变化，进行剩余寿命和预计使用总寿命预测。
15.作为上述方案的优选，还包括经验知识库模块、综合模块、绩效管理模块；
16.经验知识库模块用于在线自动生成、存储和查阅作业指导操作文件，工艺、物性数据控制区间经验数据文件，事故事件模型数据分析文件以及事件统计分析文件，包括劣化样本库、优化样本库、在线作业指导书、操作方案；
17.综合模块用于综合展示催化剂运行概况，包括各模块的主要综合信息；
18.绩效管理模块用于对当日、当班、月度班组、不同班次的绩效指标进行分析和评价，对操作过程中的参数达标率进行评价，对催化剂运行的平稳率、参数振幅以及性能评价进行综合排名。
19.作为上述方案的优选，所述分析评价模块包括劣化分析单元、主因分析单元、性能评价单元、工况预警单元；
20.劣化分析单元用于对历史数据中的异常指标进行建模，找到劣化样本数据，建立劣化模型，故障模型，同时实时比对、分析以及展示催化剂劣化的程度，影响的因素，劣化的主要因素，提前感知劣化趋势；
21.主因分析单元用于实时自动配备工况，找到对催化剂性能影响的主因进行分析和主次排序，多因子评价，综合反应影响性能主因；
22.性能评价单元用于对当前状态、历史状态、同期状态进行分析评价及对比，推送需要改进的控制参数、调优参数，为操作人员提供决策依据；
23.工况预警单元用于实时预警原料物性、工艺、性能、质量异常参数，预警催化剂本身、运行工况、环境的劣化情况，以及统计和分析问题集中区域和严重程度，实时发现和提醒异常因素。
24.作为上述方案的优选，所述监控感知模块根据各床层的温度测点的值建立催化剂反应器的床层3d模型，模拟催化剂筒体反应器轴向和径向床层的分布和温度场表现，通过对温度点的组合和颜色影射，实现不同温度由不同的颜色代替，进而实现温度场的数字孪生。
25.一种催化剂运行智能管理系统的管理方法，包括以下步骤：
26.s1、监控感知模块从dcs或mes、lims系统中采集至少一个使用周期的历史数据；
27.s2、监控感知模块同时接入系统所需的实时数据，需要加工计算的数据需要进行计算后存入对应的数据库中，便于调用；
28.s3、将上述数据按数据类型和业务类型进行分类，大体分为物性数据、工艺数据、性能数据、环境数据、质量数据、设计数据、计算数据，上述数据中作为监控感知模块的数据源和关联性分析的数据源；
29.s4、关联性分析模块对上述数据进行聚类，并按业务类型利用关联性分析算法进行关联性分析，并按业务规则分出主次、强弱、变换频次；
30.s5、关联性分析结果作为健康管理模块的输入数据源，健康管理模块利用超前预测、预警算法进行建模，并训练模型，模拟催化剂健康态曲线以及其阈值，为预警及劣化分析做判定，建立劣化样本数据，并确定性能影响主因；
31.s6、劣化分析单元以健康态指标作为基准，同时比对催化剂性能状态，得出劣化分析结果，包括单程转率降低，选择率下降；
32.s7、性能寻优模块在健康范围内，根据工况划分的条件不同，通过寻优算法，得出符合当前工况的性能优化方案，形成操作指导方案，实时推送操作人员，同时形成每种细分工况的历史档案，以备操作人员查阅和工程师研究优化；
33.s8、性能评价单元将当前和历史态的性能进行平均，对开车前后、优化前后、辅助活化前后的性能进行比对评价，评价当前性能状态，指导人员进行健康管理和性能优化；
34.s9、寿命预测模块基于性能状态的变化以及工况的变化，利用复合预测模型进行剩余寿命和预计使用总寿命预测，基于当前和历史工况的各模块各种数据作为条件，预测短期内性能的变化，以及催化剂使用期末的性。
35.作为上述方案的优选，业务类型对应业务数据包括进入催化剂床层的物料调整和优化，物料的参数控制、物料参数影响分析；对应物料数据包括新鲜气、循环气、混合气的组分、组成、流量；对应工艺数据包括反应入库温度、反应均温、温升、出口温度、反应压力，若有换热系统，还包括汽包压力，温度，蒸汽流量；对应性能数据包括催化剂的转化率、选择率，产品产率，空速，负荷率。
36.作为上述方案的优选，业务规则为针对输入参数就会分析其影响防范；针对过程数据就会分析其影响主因和影响范围；针对结果数据就会分析其影响主因。
37.作为上述方案的优选，超前预测、预警算法具体为：
38.首先将催化剂相关历史数据对应的状态点都映射到一个数据状态空间中，这些状态点都代表着催化剂对象的正常工作状态，以其中的边界点构造一个外接的数据范围空间，作为初级的催化剂对象模型，并根据生成模型的尺度要求，在数据空间内部定位而设置关联参照点，以将催化剂动态模型的内部数据空间划分足够细致，经过状态点之间关联相似性的计算，催化剂动态模型数据边界点和内部的关联相似参照点共同构成一个精确的催化剂过程对象的动态状态模型，即催化剂状态的数据空间动态模型；
39.然后系统根据相似性来求取催化剂对象状态点与历史相同工况状态之间的相似度值，并通过一组相似度值生产相似度曲线，反映催化剂整体状态的安全变化情况；当系统接收到现场催化剂采集的实时数据时，判断催化剂当前状态在数据动态模型中的位置，得到催化剂当前状态和模型各状态间的距离，从而进一步确定催化剂当前状态和历史状态的相似度，利用相似度和模型内部各个参照点的坐标，生成催化剂当前运行状态与历史状态之间的相似值，同时对催化剂每个测点生成当前状态的期望值；
40.最后当催化剂在实际运行过程中，发生偏离历史状态安全运行工况时，系统自动触发潜在的劣化超前预警，同时系统自动给出引起催化剂状态变化的关联测点排序，并对早期潜在的故障进行自动的关联分析；
41.超前劣化预警的自动关联分析支持两种模式：一种是典型劣化的关联规则定义，即预警与定义好的典型劣化规则进行自动关联；一种是典型故障的数据模型分析，即预警发生时，系统自动计算催化剂与各典型故障模式间的相似度，并进行排序。
42.作为上述方案的优选，寻优过程具体为：接入物性、工艺数据，通过机理公式获得性能数据，对上述数据的历史数据进行数据清洗、聚类、分类、细化工况，对每个工况进行性能数据与对应物性和工艺数据进行匹配，甄选出规则内性能良好的数据，匹配对应工况内物性数据和工艺数据，并按照一定数据偏离度，选定工况内物性和工艺数据，再通过设计数据、工艺卡数据以及健康管理模块健康数据进行验证，匹配率达到98％以上的数据，作为寻优方案数据推送。
43.作为上述方案的优选，复合预测模型是基于两种及以上的预测算法模型，并用设计参数作为验证，自动匹配最相似的预测结果进行推送，预测算法模型包括多元线性回归模型、随机森林模型。
44.由于具有上述结构，本发明的有益效果在于：
45.本发明通过监控感知实现了从看见、看清到预见的细节、态势感知，反应域的数字孪生，可视化展现温度场与性能的关系，提供决策依据；通过关联性分析快速锁定影响因素，划定影响范围，判断主次因，区分优先级，提供决策依据，实时评价性能、预测变化和预警劣化，减少伤害，保持健康稳定运行；在健康运行的基础上，寻找最优工况并进行使用寿命预测，推送操作方案，指导生产，提供数据查询、分析功能，便于技术研究、沉淀和经验传承，辅助指导生产排产、维护、更换计划制定。简而言之，有以下几个方面的效益：
46.降本：提高原料的转化率和目标产品选择性，提升产品产率和质量，提升生产绩效；
47.节能：合理匹配循环比，减少过度循环能源浪费；
48.环保：提升单程转化率，降低能耗，提升原料利用率，降低尾气排放；
49.创新：“it+ot”深度创新性结合，发掘业务痛点，以“数据+业务”的方式，提供价值解决方案。
附图说明
50.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
51.图1为本发明一种催化剂运行智能管理系统的功能示意图；
52.图2为本发明一种催化剂运行智能管理系统的管理方法中的功能数据流程示意图；
53.图3为本发明一种催化剂运行智能管理系统的管理方法的实施流程图。
具体实施方式
54.下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有作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。
55.如图1所示，本实施例提供一种催化剂运行智能管理系统，是基于大数据技术研发出的催化剂全生命周期管理系统。该系统通过对物性、工艺、性能、质量、环境、运营等关联数据的汇聚、治理、统计与分析，利用算法，建立数据模型，形成综合首页、监控感知、绩效管理、工况预警、健康管理、性能评价、劣化分析、主因分析、工况寻优、性能(寿命)预测、辅助
活化、辅助开停车、经验共享、日常管理等核心功能，实现催化剂的辅助操作、健康管理、优化工艺、降低危害、优化活性、提高产率的目的，利用挖掘大数据价值手段，提升企业决策水平，降低生产运营成本，提高企业盈利能力。该系统包括监控感知模块、关联性分析模块、健康管理模块、分析评价模块、性能寻优模块、寿命预测模块、经验知识库模块、综合模块、绩效管理模块。其中：
56.监控感知模块用于获得并监控工业反应过程中催化剂的物性数据、工艺数据、质量和性能数据、催化剂床温，进而实现催化剂运行状态从看见、看清到预见的细节、态势感知；该模块根据各床层的温度测点的值建立催化剂反应器的床层3d模型，模拟催化剂筒体反应器轴向和径向床层的分布和温度场表现，输入数据包括每个床层的温度测点(如2502ti-233d),共计大约八十多个测点。通过对温度点的组合和颜色影射，实现不同温度由不同的颜色代替，可以在反应器3d模型中直观的看到催化剂轴向、径向温度的连续变化情况，和死点温度情况，进而实现温度场的数字孪生，实现实时监控、异常报警，可视化展现温度场与性能的关系，为操作和研究提供决策依据。
57.关联性分析模块对接监控感知模块，用于对获得的各数据进行关联性建模，找到关键性能指标的关联因素，并进行流程关联性展示、目标指标关联性分析、多参数关联性分析，从而辅助快速锁定影响因素，划定影响范围，判断主次因，区分优先级，为操作和研究提供决策依据。
58.健康管理模块对接关联性分析模块，用于通过所接收的关联性分析结果，对历史数据进行模型训练，找到催化剂运行健康指导值和对应阈值，进而从多方位、多角度评价催化剂运行现状和性能状态，从而实现在线健康监测及状态诊断。
59.分析评价预警模块对接健康管理模块，用于通过将各参数实时值与催化剂运行健康指导值及对应阈值进行比对分析，评价是否有偏离健康的趋势，从而对异常指标进行预警，对催化剂伤害、劣化进行预测和预警，减少催化剂伤害，保持催化剂健康稳定运行。分析评价模块包括劣化分析单元、主因分析单元、性能评价单元、工况预警单元；劣化分析单元用于对历史数据中的异常指标进行建模，找到劣化样本数据，建立劣化模型，故障模型，同时实时比对、分析以及展示催化剂劣化的程度，影响的因素，劣化的主要因素等，提前感知劣化趋势；主因分析单元用于实时自动配备工况，利用算法模型，找到对催化剂性能影响的主因进行分析和主次排序，多因子评价，综合反应影响性能主因；性能评价单元用于对当前状态、历史状态、同期状态进行分析评价及对比，推送需要改进的控制参数、调优参数，为操作人员提供实时性能状态、性能趋势及主因、历史性能等查询功能；工况预警单元用于实时预警原料物性、工艺、性能、质量异常参数，预警催化剂本身、运行工况、环境的劣化情况，以及统计和分析问题集中区域和严重程度，实时发现和提醒异常因素。
60.性能寻优模块对接分析评价模块，是在保持催化剂在健康、稳定运行的前提下，利用工况寻优算法，利用健康状态下的样本数据，寻找最优性能及工况，推送操作方案，指导生产，提供必要的数据查询、分析功能，便于技术研究、沉淀和经验传承。
61.寿命预测模块对接性能寻优模块，利用复合(2种以上)预测算法模型，基于性能状态的变化以及工况的变化，对催化剂性能、产出指标及寿命预测，实现性能和寿命的定性和定量的预测描述，能够进行短期性能预测、期末性能预测、寿命预测，辅助指导生产排产、维护、更换计划制定。
62.经验知识库模块对接上述模块，用于在线自动生成、存储和查阅作业指导操作文件，工艺、物性数据控制区间经验数据文件，事故事件模型数据分析文件以及事件统计分析文件，包括劣化样本库、优化样本库、在线作业指导书、操作方案；
63.综合模块对接所有其他模块，用于综合展示催化剂运行概况，高效获取各功能模块中最重要的信息，快速了解催化剂健康、绩效、优化、预测等核心高价值信息，便于用户高效方便的决策；
64.绩效管理模块对接综合模块，用于对当日、当班、月度班组、不同班次的绩效指标进行分析和评价，对操作过程中的参数达标率进行评价，对催化剂运行的平稳率、参数振幅以及性能评价进行综合排名。
65.如图2、图3所示，本实施例还提供一种催化剂运行智能管理系统的管理方法，包括以下步骤：
66.s1、监控感知模块从dcs或mes、lims系统中采集至少一个使用周期的历史数据；
67.s2、监控感知模块同时接入系统所需的实时数据，需要加工计算的数据需要进行计算后存入对应的数据库中，便于调用；
68.s3、将上述数据按数据类型和业务类型进行分类，大体分为物性数据、工艺数据、性能数据、环境数据、质量数据、设计数据、计算数据，上述数据中作为监控感知模块的数据源和关联性分析的数据源；
69.s4、关联性分析模块对上述数据进行聚类，并按业务类型利用关联性分析算法进行关联性分析，并按业务规则分出主次、强弱、变换频次；
70.s5、关联性分析结果作为健康管理模块的输入数据源，健康管理模块利用超前预测、预警算法进行建模，并训练模型，模拟催化剂健康态曲线以及其阈值，为预警及劣化分析做判定，建立劣化样本数据，并确定性能影响主因；
71.s6、劣化分析单元以健康态指标作为基准，同时比对催化剂性能状态，得出劣化分析结果，包括单程转率降低，选择率下降；
72.s7、性能寻优模块在健康范围内，根据工况划分的条件不同，通过寻优算法，得出符合当前工况的性能优化方案，形成操作指导方案，实时推送操作人员，同时形成每种细分工况的历史档案，以备操作人员查阅和工程师研究优化；
73.s8、性能评价单元将当前和历史态的性能进行平均，对开车前后、优化前后、辅助活化前后的性能进行比对评价，评价当前性能状态，指导人员进行健康管理和性能优化；
74.s9、寿命预测模块基于性能状态的变化以及工况的变化，利用复合预测模型进行剩余寿命和预计使用总寿命预测，基于当前和历史工况的各模块各种数据作为条件，预测短期内性能的变化，以及催化剂使用期末的性。
75.在本实施例中，业务类型对应业务数据包括进入催化剂床层的物料调整和优化，物料的参数控制、物料参数影响分析；对应物料数据包括新鲜气、循环气、混合气的组分、组成、流量；对应工艺数据包括反应入库温度、反应均温、温升、出口温度、反应压力，若有换热系统，还包括汽包压力，温度，蒸汽流量等；对应性能数据包括催化剂的转化率、选择率，产品产率，空速，负荷率等。
76.在本实施例中，业务规则为针对输入参数就会分析其影响防范；针对过程数据就会分析其影响主因和影响范围；针对结果数据就会分析其影响主因。
77.在本实施例中，超前预测、预警算法具体为：
78.首先将催化剂相关历史数据对应的状态点都映射到一个数据状态空间中，这些状态点都代表着催化剂对象的正常工作状态，以其中的边界点构造一个外接的数据范围空间，这个空间就可以包含历史数据中的所有正常工作状态点，这个空间就是一个初级的催化剂对象模型，但用催化剂初级模型来描述催化剂的动态模型还是不太准确，例如，在催化剂在状态空间内部，状态与状态之间仍然存在很大的偏差。为完善催化剂动态模型的精确度，还需要对催化剂模型空间数据内部的状态点做比较，根据生成模型的尺度要求，在数据空间内部定位而设置关联参照点，通过关联参照点的设置进而将催化剂动态模型的内部数据空间划分足够细致。
79.经过状态点之间关联相似性的计算，催化剂动态模型数据边界点和内部的关联相似参照点共同构成一个精确的催化剂过程对象的动态状态模型，即催化剂状态的数据空间动态模型。
80.系统根据相似性来求取催化剂对象状态点与历史相同工况状态之间的相似度值，并通过一组相似度值生产相似度曲线，反映催化剂整体状态的安全变化情况。
81.当系统接收到现场催化剂采集的实时数据时，首先判断催化剂当前状态在数据动态模型中的位置，得到催化剂当前状态和模型个状态间的距离，从而进一步确定催化剂当前状态和历史状态的相似度，利用相似度和模型内部各个参照点的坐标，就可以生产催化剂当前运行状态与历史状态之间的相似值。系统在生产状态相似曲线值的同时，还针对催化剂每个测点生成当前状态的期望值，期望值比仅仅取决于该测点长期的历史运行规律，同时也取决于该测点和其他测点之间的耦合关联，屏蔽了干扰信号对预测值得影响，大大增强了预测值的精确度和可靠性。
82.催化剂在实际运行过程中，发生偏离历史状态安全运行工况时，系统自动触发潜在的劣化(故障)超前预警。催化剂预警发出的同时，系统自动给出引起催化剂状态变化的关联测点排序，并对早期潜在的故障进行自动的关联分析。
83.超前劣化(故障)预警的自动关联分析支持两种模式：一种是典型劣化(故障)的关联规则定义，即预警与定义好的典型劣化规则进行自动关联；一种是典型故障的数据模型分析，即预警发生时，系统自动计算催化剂与各典型故障模式间的相似度，并进行排序。
84.在本实施例中，寻优过程具体为：接入物性、工艺数据，通过机理公式获得性能数据，对上述数据的历史数据进行数据清洗、聚类、分类、细化工况，对每个工况进行性能数据与对应物性和工艺数据进行匹配，甄选出规则内性能良好的数据，匹配对应工况内物性数据和工艺数据，并按照一定数据偏离度，选定工况内物性和工艺数据，再通过设计数据、工艺卡数据以及健康管理模块健康数据进行验证，匹配率达到98％以上的数据，作为寻优方案数据推送。
85.在本实施例中，复合预测模型是是基于两种及以上的预测算法模型，并用设计参数作为验证，自动匹配最相似的预测结果进行推送。
86.多元线性回归(linear regression)是利用线性回归方程的最小平方函数对多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。数据利用线性预测函数来建模，即线性模型。催化剂的寿命与性能预测采用催化剂使用周期内的历史多个运行参数作为自变量，将催化剂剩余寿命时长作为
因变量，构建多元线性回归方程，得到当前催化剂剩余寿命时长和催化剂性能的预测结果，达到对催化剂总体性能预判的目的。
87.随机森林是通过集成学习的思想将多棵树集成，它的基本单元是决策树，属于机器学习方法。每棵决策树都是一个分类器。对于一个输入样本，n棵树会有n个结果。随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出。适用于处理高维度的数据，发现特征间的高阶关系。催化剂的寿命与性能预测采用催化剂2.5年内的历史运行的多个参数作为催化剂剩余寿命时长作为其输出值。并对其进行数据清洗、特征提取后，将训练集通过以随机森林为主的方法建立模型。在生产环境预测时，将以这指标的实时数据为模型输入值，得到当前催化剂剩余寿命时长和催化剂性能的预测结果，达到对催化剂总体性能预判的目的。
88.本发明解决了以下问题：
89.1)目前工厂对催化剂的性能评估没有实时的在线监控和分析手段，是通过一个周期的催化剂总体宏观表现来评价催化剂的性能，评测的只是一段时间的催化剂使用性能平均水平，不能满足对催化剂使用过程实时的性能评测和感知的需求。为了解决催化剂在线运维、优化、劣化管控、在线健康管理等实际需求，填补行业空白。本发明整合业内ot和it技术优势，形成一套在线的、实时、多方位、多功能的综合性管理工具和集成方法。
90.2)目前现场对催化剂的管理都是事后处置，比如飞温危害，只有发生了飞温才会按照既定预案进行处置操作，没有预警和预防管理手段。本发明提供健康运行参考值和对应控制指标方案，可有效降低催化剂飞温、超温、破碎、烧结、中毒、破碎、污堵等危害概率和次数，从而实现延长催化剂使用周期。
91.3)目前催化剂的活性优化，只能凭借操作人员或工程师的经验进行优化操作，不仅难以定量化调整操作，也难以总结经验，共享优化方案，致使催化剂的活性优劣和运行是否稳定，因操作人员不同结果也不同。通过本发明的性能寻优，经过数据价值挖掘，提供优化操作方案，提高催化剂的运行稳定性、转化率、选择率，稳定活性，从而提高产品质量和产量。可以通过系统的建模，将各班组操作的优秀控制方案推送给其它班组，集各操作人员优势为一身，实现经验共享，整体提升。
92.4)目前对催化剂寿命，几乎都是参考厂家的建议，如催化剂使用寿命为3年，到期即更换，没有预测催化剂使用期末的性能指标和还能使用的时长，造成了不必要的催化剂浪费。通过本发明的寿命预测和性能预测功能，提前预见催化剂的性能情况，为催化剂的在线维护、活化以及更换提供决策依据。
93.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。