一种大型设备在线监测与故障预测系统

摘要

本发明公开了一种大型设备在线监测与故障预测系统，系统包括：数据采集组件、现场控制端、中央控制端、设备监测端；数据采集组件实时采集大型设备的一种或多种特征数据；中央控制端对大型设备的历史数据追溯分析，构建故障预测模型；将实时接收的特征数据输入到故障预测模型中，利用包括卷积神经网络在内的人工智能算法，对大型设备的特征数据进行特征提取、辨识及分类学习，进行大型设备的故障预测及诊断；设备监测端实时接收并展示现场控制端发送的大型设备的特征数据，同时接收并展示中央控制端的故障预测及诊断结果。本发明有效实现大型设备的故障预测，及时维护维修，达到防患于未然的目的，确保大型设备处于安全可靠运行状态。

说明书

技术领域

本发明涉及大型装备的监测及预警技术领域，尤其涉及一种大型设备在线监测与故障预测系统。

背景技术

随着国家大型设备的大力建设和快速发展，大型设备安全保障技术的研究也成为领域热点。在工业环境中，大型设备的连续性运作容易导致故障发生，因此通过对大型设备运行的状态需要进行数据采集、处理和预测，监督其运行走势，提前预测风险，能够有效降低故障发生概率。

近年来随着人工智能算法的广泛应用，对于故障预测领域也较为成熟。例如，专利号CN202010184204.0公开了一种风机故障预测方法与系统，基于风机的使用年限利用卷积神经网络预测风机故障；专利号CN201811177988.3公开了一种基于均等分割的轴承故障预测方法及装置，其基于单层双向GRU网络建立预测模型对轴承故障进行预测；专利号CN201910530466.5公开一种储存设备故障预测方法与系统，其基于储存设备各时间点的SMART属性数据训练预测模型。

本申请发明人基于现有大型设备的监测及预测技术，发现大型设备的故障受多种因素影响，对其在线监测及故障预测需要结合多方面信息数据，包括但不限于温度、压力、腐蚀情况等。从大型设备的单一运行数据分析预测某一部件的风险情况，极具片面性，无法满足大多数大型设备故障预测要求。

发明内容

本申请提供一种大型设备在线监测与故障预测系统，解决了现有技术中设备片面化故障监测所导致的预测结果不准确的技术问题，实现了利用设备多种运行参数实时在线监测的基础上，完成故障预测的有益效果。

为解决上述问题，提供的技术方案如下：

一种设备在线监测与故障预测系统，所述系统包括：数据采集组件、现场控制端、中央控制端、设备监测端；

所述数据采集组件实时采集包括温度、压力、气体浓度、应力分布、不均匀沉降、液体液位、静电以及腐蚀状态中的一种或多种特征数据；

所述现场控制端连接所述数据采集组件，接收所述数据采集组件所采集大型设备的特征数据；

所述中央控制端对大型设备的历史数据追溯分析，构建故障预测模型；将实时接收的特征数据输入到故障预测模型中，利用包括卷积神经网络在内的人工智能算法，对特征数据进行特征提取、辨识及分类学习，基于预设的故障判定方法进行大型设备的故障预测及诊断；

所述设备监测端实时接收并展示所述现场控制端发送的大型设备的一种或多种特征数据，同时接收并展示所述中央控制端的故障预测及诊断结果，并对风险进行故障报警提醒。

进一步地，所述中央控制端获取大型设备的特征数据后，利用故障预测模型，根据包括模糊综合评判方法、不确定层次分析法在内的判定方法，综合评判大型设备的风险在模型中的权重，建立大型设备的各特征数据与故障特征之间的映射关系。

进一步地，所述故障预测模型利用模糊综合评判方法对大型设备的故障风险进行多级划分，对接收的特征数据进行安全风险分析，处理影响故障风险的影响因素。

进一步地，所述故障预测模型利用不确定层次分析法，判断大型设备各故障风险的权重关系，包括：构建故障风险的递阶层次结构,构造故障风险特征数据的两两比较判断矩阵,计算单一准则下故障风险的相对权重,计算各层故障风险的组合权重。

进一步地，所述故障预测模型利用不确定层次分析法获取最终决策方案，该方法包括：根据大型设备各故障风险的权重关系，获取相对总目标各决策方案的优先顺序权重，并利用组合排序权重以及整个设备故障风险的递阶层次结构中所有判断，给出一致性指标，并根据一致性指标做出最终决策。

进一步地，所述数据采集组件包括第一采集模组，所述第一采集模组包括第一控制器、光线光栅调解仪以及多种数据采集设备；所述第一控制器连接所述现场控制端，并通过RS485通讯协议获取所述光纤光栅调解仪处理后的各种各种数据采集设备采集的特征数据。

进一步地，所述数据采集设备包括温度传感器、压力传感器、气体浓度传感器、应力传感器、不均匀沉降传感器中的一种或多种，各所述数据采集设备通过光纤光栅传感线路将采集的特征数据，通过光纤接入多通路的所述光纤光栅调解仪。

进一步地，所述数据采集组件包括第二采集模组，所述第二采集模组包括第二控制器、腐蚀分析器、声发射传感器，所述第一控制器连接所述现场控制端，并通过RS485通讯协议获取所述腐蚀分析仪处理后的所述声发射传感器采集的特征数据。

进一步地，所述第二采集模组还包括液位传感器、灵敏电流计，所述液位传感器、所述灵敏电流计分别与所述第二控制器电连接，所述第二控制器通过RS485通讯协议获取液位传感器采集的液位数据，通过USB协议获取所述灵敏电流计测量的静电数据。

进一步地，所述中央控制端利用3D技术模拟大型设备的物理模型，利用有限元分析大型设备在各种工况下的应力分布情况；

利用有限元分析结果，获取大型设备的实际所需监测位置，并布置安装所述光纤光栅压力传感器；根据各所述光纤光栅压力传感器监测的应变信息，勾画出设备的应力变化曲线，输出大型设备的应力状态。

进一步地，所述现场控制端通过5G通信技术与所述中央控制端以及所述设备监测端无线连接，通过光纤技术与所述数据采集组件连接，并利用CAN总线实现ZigBee局部有线组网。

本申请实施例中提供的一种设备在线监测与故障预测系统，至少具有如下技术效果：

本发明基于多种特征数据的融合，利用物联网技术、5G通讯技术、大数据分析以及人工智能预测算法，有效实现大型装备故障预测，并及时组织大型设备的维护与维修，达到防患于未然的目的，确保大型设备处于安全可靠运行状态。

附图说明

图1为本申请实施例中的大型设备在线监测与故障预测系统结构框图；

图2为本申请实施例中的大型设备在线监测与故障预测系统的结构示意图。

图3为本申请实施例中的大型设备在线监测与故障预测系统的示例示意图；

图4为本申请实施例中的大型设备在线监测与故障预测系统的光纤传感测量回路示意图；

图5为本申请实施例中的大型设备在线监测与故障预测系统的不均匀沉降测量回路示意图；

图6为本申请实施例中的大型设备在线监测与故障预测系统的人工智能算法神经网络图；

图7为本申请实施例中的具有一个隐含层的神经网络。

附图标号：

数据采集组件100，现场控制端200，中央控制端300，设备监测端400，用户终端500，移动PC端510，智能手机端520，第一控制器111，光纤光栅调解仪112，温度传感器113，气体浓度传感器114，应力传感器115，不均匀沉降传感器116，压力传感器117，第二控制器121，腐蚀分析器122，声发射传感器123，液位传感器124，灵敏电流计125，大型设备10，光纤11，镀锡管12，浮筒13，液管14，气管15，光纤插孔16。

具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

参考附图1-6所示，本申请实施例提供了一种设备在线监测与故障预测系统，系统包括：数据采集组件100、现场控制端200、中央控制端300、设备监测端400以及用户终端500。本实施例中的用户终端500可以但不限于移动PC端510、智能手机端520。

参考图2-3所示，本实施例中的数据采集组件100实时采集大型设备10中包括温度、压力、气体浓度、应力分布、不均匀沉降、液体液位、静电以及腐蚀状态中的一种或多种特征数据。本实施例中通过实时接收大型设备10的特征数据，以实现在线监测技术中，包含但不限于大型设备10内温度监测、压力监测、气体浓度监测、应力分布监测、不均匀沉降监测、液体液位监测、静电监测以及腐蚀状态的监测。本实施例中的大型设备10可以是但不限于储油罐(汽油、柴油等)、储液罐(液化天然气等)、储气罐(氢气、天然气等)，用于能源、石油化工等行业。

本实施例中的数据采集组件100包括第一采集模组，第一采集模组包括第一控制器111、光纤光栅调解仪112以及多种数据采集设备，第一控制器111连接现场控制端200，并通过RS485通讯协议获取光纤光栅调解仪112处理后的各种数据采集设备所采集的特征数据。进一步地，数据采集设备包括但不限于温度传感器113、压力传感器117、气体浓度传感器114、应力传感器115、不均匀沉降传感器116中的一种或多种。在一种实施例中，第一控制器111采用STM32单片机。因此，可以理解为，本实施例将温度传感器113、压力传感器117、气体浓度传感器114、应力传感器115、不均匀沉降传感器116利用光纤光栅传感线路将采集的特征数据，通过光纤接入多通路的光纤光栅调解仪112，光纤光栅传感线路的STM32单片机通过RS485通讯协议获取光纤光栅调解仪112处理后的各数据采集设备采集的特征数据。

本实施例中的数据采集组件100包括第二采集模组，第二采集模组包括第二控制器121、腐蚀分析器122、声发射传感器123，第一控制器111连接现场控制端200，并通过RS485通讯协议获取腐蚀分析仪处理后的声发射传感器123信号。进一步地，第二采集模组还包括液位传感器124、灵敏电流计125，液位传感器124、灵敏电流计125分别与第二控制器121电连接，第二控制器121通过RS485通讯协议获取液位传感器124采集的液位数据；通过USB协议获取灵敏电流计125测量的静电数据。在一种实施例中，第二控制器121采用STM32单片机，STM32单片机通过RS485通讯协议获取液位传感器124采集采集的液位数据，以及获取腐蚀分析器122处理后的声发射传感器123采集的特征数据；通过USB协议获取灵敏电流计125采集的静电数据。

如图5所示，大型设备10上布置有光纤11，利用光纤光栅传感技术布置光纤11，光纤11连接各个数据采集设备，布置在大型设备10上的光纤11利用镀锡管12包裹，大型设备10内设置有浮筒13，用于测量不均匀沉降数据，大型设备10的侧壁底部设有液管14，以便液位超过预定液位数据时，放掉多于的液体，大型设备10的侧壁顶部设有气管15，以便大型设备10内的压力值超过预定压力值时，通过放气来降压。大型设备10的顶部还设有光纤插孔16，用于插入所要布置的光纤11。

本实施例中的现场控制端200通过5G通信技术与中央控制端300以及设备监测端400无线连接，以及采用光纤技术与数据采集组件100连接，并利用CAN总线实现ZigBee局部有线组网。进一步地，数据采集组件100与现场控制端200采用CAN总线实现ZigBee局部有线组网。现场控制端200、中央控制端300、设备监测端400以及用户终端500利用5G通信基站的5G通信技术实现无线连接。

进一步，各线路上的STM32单片机通过获取的大型设备10的特征数据，识别大型设备10是否发生故障，同时将大型设备10的特征数据与STM32单片机识别出的故障信息通过CAN总线发送到现场控制端200。设备数据存储端基于5G通信模块将大型设备10的特征数据发送至网关中，现场控制端200、设备监测端400以及用户终端500，比如，移动PC、智能手机等监控设备可以实时获得大型设备10的状态信息。中央控制端300定期接收大型设备10的状态信息，基于人工智能算法对大型设备10的故障预测，并将预测结果通过5G网络发送至设备监测端400中。

本实施例中的现场控制端200连接数据采集组件100，接收数据采集组件100采集的大型设备10特征数据。进一步地，现场控制端200还连接有设备数据存储端，现场控制端200与设备数据存储端通过CAN总线网络连接，设备数据存储端用于存储现场控制端200接收的大型设备10的特征数据。现场控制端200与数据采集组件100中的各个数据采集设备电连接，用于控制各个数据采集设备的运行，并接收各个数据采集设备采集的特征数据，经初步预处理后，通过5G通信技术实时上传给中央控制端300以及设备监测端400。中央控制端300控制现场控制端200的运行，并处理分析接收的现场控制端200发送的大型设备10的特征数据。

本实施例中的中央控制端300对大型设备10的历史数据追溯分析，构建故障预测模型；将实时接收的特征数据输入到故障预测模型中，利用包括卷积神经网络在内的人工智能算法，对大型设备10的特征数据进行特征提取、辨识及分类学习，进行大型设备10的故障预测及诊断。

本实施例的故障预测模型采用包括卷积神经网络在内的人工智能算法，对输入的大型设备10的特征数据进行分析，对各种数据采集设备(传感器)采集的数据进行特征提取和辨识，对特征数据进行分类学习，以此实现故障的智能预测。

本实施例中的故障预测模型的建立，通过对大型设备10历史故障数据的追溯分析，通过对实时接收的大型设备10的特征数据进行分析，实现故障的预测。通过充分分析挖掘大型设备10的历史故障数据,为模型提供重要参数支撑。大型设备10主要分析各种故障现象包括但不限于滚动轴承故障、齿轮箱故障、转子故障、电机故障、源于腐蚀、焊缝变形等造成的泄露，零件变形导致的卡阻损坏。

在一种实施例中，卷积神经网络采用双隐含层人工智能算法神经网络，无隐含层的神经网络公式为

具有一个隐含层的神经网络如下图，公式为：

式中的n为数据输入层传感器的数量，如附图7所示，具有一个隐含层的神经网络，并依此类推，推算到两个隐含层的神经网络。

进一步地，中央控制端300获取大型设备10的特征数据后，利用故障预测模型，根据包括模糊综合评判方法、不确定层次分析法在内的判定方法，综合评判大型设备10的风险在模型中的权重，建立大型设备10的各特征数据与故障特征之间的映射关系。本实施例中，可以通过采集大型设备10检验检测机构的数据，特别是对大型设备10的检验数据，基于这些历史数据，通过可靠度理论的引入，完成设备失效概率的计算过程，同时能够对设备后续的失效概率或可靠度进行预估，建立各种特征数据的在线监测与故障特征之间的映射关系。

本实施例中的故障预测模型利用模糊综合评判方法对大型设备10的故障风险进行多级划分，对接收的特征数据进行安全风险分析，处理影响故障风险的影响因素。

进一步地，本实施例中的故障预测模型利用不确定层次分析法，判断大型设备10各故障风险的权重关系，包括：构建故障风险的递阶层次结构,构造故障风险特征数据的两两比较判断矩阵,计算单一准则下故障风险的相对权重,计算各层故障风险的组合权重。故障预测模型利用不确定层次分析法获取最终决策方案，该方法包括：根据大型设备10各故障风险的权重关系，获取相对总目标各决策方案的优先顺序权重，并利用组合排序权重以及整个设备故障风险的递阶层次结构中所有判断，给出一致性指标，并根据一致性指标做出最终决策。

进而可以看出，本实施例中结合了物联网技术、5G通讯技术、大数据分析以及人工智能预测算法，能有效实现大型设备10的故障预测，从而可以组织维护与维修，达到防患于未然的目的，确保大型设备10处于安全可靠运行状态。

本实施例中的中央控制端300将接收的特征数据输入到预设的故障预测模型中，利用人工智能算法对特征数据进行特征提取分析，基于故障预测模型中的有限元分析技术，实现对设备的预测分析及诊断研究，且输出报警提醒。

本实施例中的设备监测端400实时接收并展示现场控制端200保存的特征数据，同时接收中央控制端300的预测分析及诊断研究结果。

本实施例中的第一采集模组采用光纤光栅传感技术进行大型设备10的数据采集，进一步地，光纤光栅传感线路上布置有多种数据采集设备，数据采集设备包括但不限于温度传感器113、压力传感器117、气体浓度传感器114、应力传感器115、不均匀沉降传感器116中的一种或多种。

本实施例中，中央控制端300利用3D技术模拟大型设备10的物理模型，利用有限元分析大型设备10在各种工况下的应力分布情况；利用有限元分析结果，获取大型设备10的实际所需监测位置，并布置安装光纤光栅压力传感器117；根据各光纤光栅压力传感器117监测的应变信息，勾画出设备的应力变化曲线，输出大型设备10的应力状态。

进一步地，在一种实施例中，应力传感器115利用设备的应力分布监测与诊断技术，根据实际工况设置设备边界条件，以进行数值分析，确定设备自重应力以及设备的应力风险点及相应的监测位置。

进一步，通过在上位机中预设3D实体单元模拟设备的物理模型，对各零部件赋予相应的材料特性参数，并在底板施加全约束，分别对设备的各种工况进行有限元分析，全面分析设备在各种工况下的应力分布情况，从而获取设备的强度及屈曲状态。进一步地，本实施例中通过采用分布式光纤传感技术及基于ORDR技术，实现对光纤布置处的应变监测。其中，分布式光纤传感技术结合传感器和光纤输出于一体，并实时将数据传输到上位机。根据有限元分析的结果，在应力风险点及设备象足等位置安装光纤光栅应力传感器115，通过光纤光栅应力传感器115对设备的应变进行监测，得到设备在监测点处的应变，再根据应变与应力之间的本构关系，映射出应力变化曲线。综合有限元分析和分布式光纤传感技术的在线监测结果，在上位机的耦合自重应力和传感器监测数值，实时显示设备的应力状态，通过预设设备中各监测点处的应力阈值，对超过阈值的数值及应力曲线中的峰值进行统计分析，以先验数据为基础采用Shannon熵值分析法，实现对大型装备的预测分析及诊断研究。本实施例中利用3D模拟是基于前面传感器检测数据，建立有限元分析模型，进行数值分析，确定设备自重应力以及设备的应力风险点及相应的监测位置。通过三维模拟确定的风险点和在线监测位置，再在相应位置上布置光纤应变传感器，实时获取实际工况的应力应变情况。因此不需要实时展示设备。

以先验数据为基础采用Shannon熵值分析法，理解为通过一个前期试验数据作为测试样本，即先验数据，测试样本中包含各种传感器数据。在分析系统中对每个监测参数设定阈值，超过一定阈值即判断为一个故障点。采用Shannon熵值分析法是考虑了各监测参数的可靠性，因为传感器检测数据可能存在偶发误差，因此引入可靠性的概念，最终获得的预测分析与诊断研究结果也是在一定置信范围内的结果。

在一种实施例中，温度传感器113利用波分复用与全同光纤光栅混合复用技术进行设备的多点分区在线监测。进一步地，本实施例中利用多个温度传感器113进行设备的温度监测部分。温度传感器113采用镀锌管制作，避免静电引起火花。进一步利用全同光纤光栅技术，进行大型设备10光纤光栅温度的在线监测。本实施例中，利用全同光纤光栅技术将光纤嵌入大型装备结构内部，形成光栅结构，如储油罐钢结构内部，外表面增加覆盖层，确保不受外部环境影响。

同时采用波分复用与全同光纤光栅混合复用技术，解决设备的多点分区监测，从而有效解决大型设备10温度监测问题。进一步地，温度传感器113均布在大型设备10上，传递信号的光缆穿过镀锌管，连接到库区地埋光缆上，再经光缆接续盒、尾纤输入到现场控制端200上。

在一种实施例中，压力传感器117基于膜片侧面受压的温度快速补偿共形，设计光纤光栅压力传感模型，以实现对设备内压的实时监测，并通过压力值的变化形成压力变化曲线。即为压力监测部分采用一种膜片受压的光纤光栅压力传感模型，同时具有温度快速补偿的共形设计。进一步地，本实施例中利用压力传感器117进行设备的压力监测部分，采用一种膜片侧面受压的温度快速补偿共形设计光纤光栅压力传感模型，考虑到安全条件，压力传感器117同时为一款防爆压力传感器117，实现对大型设备10内压的实时监测，实时上传压力值，通过连续的不同时段采集的压力值，基于变化形成压力变化曲线，并实时上传给中央控制端300。进一步，理解为，压力传感器117采用膜片侧面受压的温度快速补偿共形，设计光纤光栅防爆压力传感器117，将测压光栅和温度补偿光栅作为温度传感器113进定，避免压力测试结果受温度变化影响，实现快速温度补偿，实时监测大型设备10压力值，压力变化曲线，并实时上传中央控制端300。

在一种实施例中，气体浓度传感器114利用光谱吸收特性实现对设备内的多种气体浓度的监测。光谱吸收型的气体传感急速，利用了气体在石英光纤透射窗口内的吸收峰,测量由于气体吸收产生的光强衰减,可以得到气体的浓度。通过标定吸收峰的位置,可进一步对气体的种类进行识别。对于同一种气体，根据吸收峰标定的位置和大小，通过算法分析确定气体的浓度。本实施例中利用光纤气体浓度传感器114进行设备内气体浓度监测部分，基于光谱吸收特性，实现多种气体浓度的监测。进一步地，光纤气体浓度传感器114的监测包括对气体检测、数据处理、数据传输以及声光报警，比如，利用光纤气体浓度传感器114先采集设备内某一区域的气体，通过对气体数据的处理识别出气体种类、密度等信息，然后传输给上位机，上位机上预设有多种气体浓度预警值，当某一种气体浓度超过或低于预设浓度预警值时，通过声光技术进行报警，以提醒工作人员。进一步地，可理解为气体浓度传感器114采用光纤气体浓度传感器114，将光纤气体浓度传感器114均布在大型设备10上，在气体浓度传感器114中设置采气泵，气体浓度传感器114的硬件主要包括：气体检测、处理器控制、通信控制、报警控制以及一些外界设备，气体浓度传感器114可以采用隔爆型可燃气传感器，在气体浓度传感器114内设置采气泵，实现对大型设备10内气体浓度的实时监测。本实施例中的气体浓度传感器114主要监测可燃气浓度值、可燃气浓度曲线、参数设置、历史参数等，并将数据上传中央控制端300。

在一种实施例中，不均匀沉降传感器116利用光纤光栅传感技术对设备内液体不均匀沉降进行实时在线监测，并实时分析液体基础沉降带来的液体稳定性及危险性，为风险评价和故障预测提供数据支撑。

在一种实施例中，声发射传感器123利用全波形声发射技术对设备内进行支撑受力部位腐蚀状态的在线监测。本实施例检测支撑受力部位的腐蚀状态，支撑受力部位长期服役后受力部件腐蚀表现为厚度减薄，最终导致出现泄漏缺陷，因此实际检测的是受力部件的厚度尺寸。防腐层脱落、开裂以及氧化层变色都不在检测范围内。本实施例中利用声发射传感器123进行设备腐蚀状态监测部分。通常支撑受力部位在承压状态下，容易引起设备防腐层的脱落与开裂，本实施例利用设备出现泄漏时，泄露位置会产生声发射信号，进而利用固定在设备外侧的声发射传感器123获取设备支撑受力部位活性缺陷的动态信息，并对支撑受力部位的声发射源进行定位，以达到对设备自身整体情况的分析，再通过设备自身数据信息的积累，以获得支撑受力部位腐蚀等级状态信息，为设备的使用状态评估提供基础信息。本实施例中采用全波形声发射技术，通过固定在大型设备10外侧的声发射传感器123，对大型设备10支撑部位进行定位，获取支撑部件缺陷的动态信息，对大型设备10整体情况进行数据分析，获取支撑部位腐蚀情况，实现对大型设备10支撑受力部位腐蚀状态进行在线监测。

在一种实施例中，液位传感器124采用磁致伸缩技术对设备内液位进行在线实时监测，获取设备内液位变化，根据预设的液位报警信息，以预定频率记录并上传设备内液位信息。本实施例利用液位传感器124进行设备内液位实时监测部分。进一步地，利用高精度磁致伸缩液位传感器124对设备内液位进行实时监测，实现实时监控液位变化，并通过预设自动报警机制，以一定频率记录液位信息，实时上传至上位机。

在一种实施例中，灵敏电流计125基于静电分布规律的理论方法和实验技术，获取设备静电时的实时监测。本实施例中利用灵敏电流计125进行设备静电实时监测部分。基于设备静电分布规律的理论方法和实验技术，将灵敏电流计125设置于需要进行静电监测位置，并对设备的静电危险程度和危险位置做出准确判断。灵敏电流计125基于上位机预设的辅助软件算法，以达到对设备的静电进行实时监测。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。