一种基于支持向量机的管道风险等级评价方法及装置

摘要

本发明提供了一种基于支持向量机的管道风险等级评价方法及装置，其中方法包括：获取样本，将样本划分为训练集和验证集；确定支持向量机模型核函数为RBF核函数；获取训练集的样本的标签，构建训练模型；将验证集的样本导入支持向量机模型中进行预测，构建预测模型；利用网格搜索法对RBF核函数的参数对优化，其中RBF核函数包括惩罚因子C和核参数g；利用交叉验证法验证RBF核函数的参数对的计算精度；循环进行RBF核函数的参数的优化和验证，直至确定最佳RBF核函数的参数对；获取最终支持向量机模型函数；获取待判断管段风险指标得分数据，将待判断管段风险指标得分数据导入最终支持向量机模型函数，得到相应管段风险等级。

说明书

技术领域

本发明涉及计算机领域，尤其涉及一种基于支持向量机的管道风险等级评价方法及装置。

背景技术

管道风险评价是指识别对管道安全运行有不利影响的危害因素，评价事故发生的可能性和后果大小，对风险大小进行计算并提出风险控制措施的分析过程。管道风险评价是管道完整性管理的核心环节之一，是管道管理人员全面了解管道风险的重要手段。

目前，管道行业最常用的管道风险评价方法是半定量风险评价方法。

以2014年中国石油天然气集团公司发布的管道风险评价企业标准为例。该标准中半定量风险评价方法是采用矩阵风险等级评价方法，存在风险等级评价结果缺乏量化，不便于现场人员操作，同时在该标准半定量风险评价中，针对腐蚀因素、第三方破坏、制造与施工缺陷、误操作、地质灾害等五要素的权重是按照等比考虑，没有考虑各要素权重差异。而且每个公司对于各个要素的权重要求也需要和实际情况相结合，不能是固定值。

因此评价出的结果不能客观真实地反映管道实际风险等级，而且并不适应油气田领域的管道风险评价。

发明内容

本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的基于支持向量机的管道风险等级评价方法及装置。

为达到上述目的，本发明的技术方案具体是这样实现的：

本发明的一个方面提供了一种基于支持向量机的管道风险等级评价方法，包括：获取样本，将样本划分为训练集和验证集，其中，样本包括：历史样本的风险指标数据和风险等级数据；确定支持向量机模型核函数为RBF核函数；获取训练集的样本的标签，构建训练模型；将验证集的样本导入支持向量机模型中进行预测，构建预测模型；利用网格搜索法对RBF核函数的参数对优化，其中RBF核函数包括惩罚因子C和核参数g；利用交叉验证法验证RBF核函数的参数对的计算精度；循环进行RBF核函数的参数的优化和验证，直至确定最佳RBF核函数的参数对；获取最终支持向量机模型函数；获取待判断管段风险指标得分数据，将待判断管段风险指标得分数据导入最终支持向量机模型函数，得到相应管段风险等级。

其中，交叉验证法包括但不限于：2折交叉验证法、k折交叉验证法和LOOCV留一验证法。

其中，交叉验证法采用k折交叉验证法。

其中，获取待判断管段风险指标得分数据包括：确定风险评价的目的和范围；识别危害因素；将待判断管段进行划分；采用半定量肯特风险评价法评价待判断管段的风险指标；对待判断管网风险指标进行打分，得到待判断管段风险指标得分数据。

其中，得到待判断管段风险指标得分数据之后，方法还包括：失效可能性分析和失效后果分析。

本发明另一方面提供了一种基于支持向量机的管道风险等级评价装置，包括：划分模块，用于获取样本，将样本划分为训练集和验证集，其中，样本包括：历史样本的风险指标数据和风险等级数据；第一确定模块，用于确定支持向量机模型核函数为RBF核函数；第一构建模块，用于获取训练集的样本的标签，构建训练模型；第二构建模块，用于将验证集的样本导入支持向量机模型中进行预测，构建预测模型；优化模块，用于利用网格搜索法对RBF核函数的参数对优化，其中RBF核函数包括惩罚因子C和核参数g；验证模块，用于利用交叉验证法验证RBF核函数的参数对的计算精度；第二确定模块，用于循环进行RBF核函数的参数的优化和验证，直至确定最佳RBF核函数的参数对；获取模块，用于获取最终支持向量机模型函数；评价模块，用于获取待判断管段风险指标得分数据，将待判断管段风险指标得分数据导入最终支持向量机模型函数，得到相应管段风险等级。

其中，交叉验证法包括但不限于：2折交叉验证法、k折交叉验证法和LOOCV留一验证法。

其中，交叉验证法采用k折交叉验证法。

其中，评价模块通过如下方式获取待判断管段风险指标得分数据：评价模块，具体用于确定风险评价的目的和范围；识别危害因素；将待判断管段进行划分；采用半定量肯特风险评价法评价待判断管段的风险指标；对待判断管网风险指标进行打分，得到待判断管段风险指标得分数据。

其中，评价模块在得到待判断管段风险指标得分数据之后，还用于失效可能性分析和失效后果分析。

由此可见，通过本发明提供的基于支持向量机的管道风险等级评价方法及装置，将管道风险等级评价和支持向量机结合，利用支持向量机的方法，模糊风险指标权重的概念，利用机器学习历史管道风险要素和风险等级的某种联系，让计算机模拟这个关系，通过训练样本数据，达到模拟拟合准确率达到最优，作为以后判断管道风险等级的一个模型，本发明将支持向量机与管道风险评价相结合，模糊风险指标权重的影响，来进行管道风险等级评价更客观、真实，并提高管道风险等级评价效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的基于支持向量机的管道风险等级评价方法的流程图；

图2为本发明实施例提供的训练模型样本集示意图；

图3为本发明实施例提供的程序运行结果图；

图4为本发明实施例提供的SVC参数选择等高线图的局部视图；

图5为本发明实施例提供的SVC参数选择等高线图的全局视图；

图6为本发明实施例提供的SVC参数选择3D视图的侧视图；

图7为本发明实施例提供的SVC参数选择3D视图的俯视图；

图8为本发明实施例提供的基于支持向量机的管道风险等级评价方法的另一种流程图；

图9为本发明实施例提供的基于支持向量机的管道风险等级评价装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了本发明实施例提供的基于支持向量机的管道风险等级评价方法的流程图，参见图1，本发明实施例提供的基于支持向量机的管道风险等级评价方法，包括：

S1，获取样本，将样本划分为训练集和验证集，其中，样本包括：历史样本的风险指标数据和风险等级数据。

具体地，每个管段风险区域考察6项指标体系，分别是第三方破坏、后果指标、腐蚀、制造与施工缺陷、误操作、地质灾害共6个指标。分级时，对每一项进行打分(满分为100分)，分数越高代表越安全，最后根据分数专家给出风险等级。风险等级有四级，四级表示风险最大，相应的一级表示风险最小。

本发明选取样本足够多的数据集，并将其任意分为两部分，其中一部分作为训练集，另一部分数据作为验证集用来验证训练结果。

S2，确定支持向量机模型核函数为RBF核函数。

具体地，RBF(Radial Basic Function，径向基函数)核函数适用于很多情况下的核函数选择，它有着下面3条优点：

第一，RBF核函数作为支持向量机核函数的一种拥有将函数样本从低维映射到高维的能力。RBF本身就有线性核函数这种选择，因此，在特定条件下，可以不必考虑线性核函数。

第二，核函数参数越少，计算越简单。RBF的参数只有两个，因此选择RBF核函数是十分优秀的选择。

本发明初始核函数选取比较常用的RBF核函数，其默认参数惩罚因子C为1.0，核参数g(gamma)为0.5。

SVM核函数：在用SVM处理问题时，如果数据线性不可分，希望通过将输入空间内线性不可分的数据映射到一个高维的特征空间内，使数据在特征空间内是线性可分的，这个映射记作φ(x)，之后优化问题中就会有内积φiφj，这个内积的计算维度会非常大，因此引入了核函数，可以快速进行计算,否则将需要在高维空间中进行计算。

S3，获取训练集的样本的标签，构建训练模型。

具体地，将总的样本分成了很多组(类)。选取三组作为实验的训练模型的样本集，获取它们的标签，即这些样本的潜在的某种规律或者联系。标签由电脑获取，其中，训练模型的样本集可以参照图2。

将历史样本的风险指标数据和风险等级数据输入核函数，让电脑自己总结归纳出一个能够最大程度满足数据和等级一个函数关系。这个函数一般不能用直接数学表达式表达出来，只能知道函数的作用是作出区分的一个作用。

S4，将验证集的样本导入支持向量机模型中进行预测，构建预测模型。

具体地，将预测模型样本集导入SVM中进行预测，此时径向基核函数默认惩罚因子C为1.0，核参数g为0.5。初次预测正确率(accuracy)为50％，运行结果参照图3。

S5，利用网格搜索法对RBF核函数的参数对优化，其中RBF核函数包括惩罚因子C和核参数g；

S6，利用交叉验证法验证RBF核函数的参数对的计算精度；

S7，循环进行RBF核函数的参数的优化和验证，直至确定最佳RBF核函数的参数对。

具体地，本发明采用网格搜索法(Grid search)来对支持向量机模型中的惩罚因子C和核参数g进行优化。网格搜索法的原理是：遍历搜寻网格中的每一对超参数，对于每一对超参数进行评估，得到评估分数指标，将各对超参数的评估指标进行比对，得到最优的超参数对，选出来用于模型训练。采用“网格搜索”方法，该方法参数比较少，网络搜索的复杂度低，且可行性高。

作为本发明实施例的一个可选实施方式，交叉验证法包括但不限于：2折交叉验证法、k折交叉验证法和LOOCV留一验证法。优选的，本发明实施例的交叉验证法采用k折交叉验证法。

具体地，在使用RBF核函数的默认参数值条件下，支持向量机初次预测正确率只有50％。为了提高预测正确率，现进行参数优化，调整两个参数C和g的值。参数优化的方法比如采用交叉验证法。

其中，交叉验证法主要分成以下几类：

(1)Double cross-validation

Double cross-validation即2折交叉验证法。它的原理是将训练样本集平均分配，分成两个较小的子集。对所有子集进行分类器训练。在第1次训练中，一个子集作为训练集，另一个作为测试集；在第2次训练过程中，需要把训练集与测试集两者的任务对调，为达到目的，再次训练分类器。由于训练集样本数只有两组，一般不认为可以代表训练总样本。因此，训练完成后，在验证时的分类准确率容易出现较大差异。

(2)K-folder cross-validation(k折交叉验证)

k-fold cross-validation(k-CV)的意义上来说它更加完善了2折交叉验证法。原理是：将数据集平均分成k份，每一份子集均做一次测试集，其余的作为训练集。这样反复训练k次，以达到训练次数最大化，提高后来的分类识别准确程度。

优点：所有的样本本身不仅仅是作为了训练集，而且也作为了测试集，每个样本都被验证一次。10折通常被使用。

(3)leave-one-out cross-validation(LOOCV留一验证法)

将含有n个样本的数据集，每个样本均作为一次测试集，剩余n-1个样本则做为训练集。这样，训练次数达到了n次，分类准确率更高。其优点为所有的样本都被训练过而且被验证过，这样所求得的最终分类准确率肯定最高。但是这样所耗费的时间会很长，计算成本高，适用于样本数量不多，追求分类准确率高的情况。

因此，本发明具体实施中可以选用交叉验证法中的k折交叉验证法。

相关程序运行截取图下。其中，包括了等高线图的局部视图(图4)、全局视图(图5)以及3D视图的侧视图(图6)、3D是图的俯视图(图7)。交叉验证法中，C和g值得变化范围是2

S8，获取最终支持向量机模型函数。

具体地，最终确定的能够最优划分管道风险的核函数。实现功能：在核函数中输入风险指标数据，结果为管段风险等级。

经过网格搜索法运算之后得出最佳的超参数对，C的值不是一个确定值，g的值也不是一个准确值。这是因为，训练样本集样本选取的较好，SVM训练模型将训练样本集中样本的规律学习到了，使得最佳的超参数对不止一对。见图4-7，可以看出，满足分类准确率为100％的超参数对C和g有很多对，其中截取图片上的C和g只是其中的一对。纵坐标的值是指最开始默认参数值C为1.0，g为0.5，预测正确率只有50％。而经过网格搜索法筛选出最佳的超参数对之后，新的预测模型预测准确率达到了100％。

S9，获取待判断管段风险指标得分数据，将待判断管段风险指标得分数据导入最终支持向量机模型函数，得到相应管段风险等级。

具体地，经过SVM模型学习与参数优化之后，模型的分类预测准确率很高，因此，利用最终支持向量机模型函数可以准确得到相应管段风险等级。

本发明通过获取了某管道公司风险评价等级的相关数据作为样本集。在核函数的抉择上使用了径向基函数(Radial Basic Function或RBF)。经过已有的管道风险评价数据进行了训练，初始预测正确率只有50％，经过交叉验证方法，优化了核函数的关键参数：惩罚因子C和核参数g。最后已知数据进行试验预测验证，使分类正确率达到了100％，证明取得了良好的试验效果。具体地，某管道公司风险评价等级的相关数据见表1-表4。

表1 Ⅰ级风险指标得分

表2 Ⅱ级风险指标得分

表3 Ⅲ级风险指标得分

表4 Ⅳ级风险指标得分

支持向量机在有限样本情况下，寻求现有信息的最优解在本次模型训练过程中表现的十分优秀，通过核参数的优化将管道风险分级分类的准确度从最开始的50％不断提高，最终可达到理论值的100％。

由此可见，支持向量机的学习能力很强，在半定量肯特风险评价法评价管道风险等级过程中，应用支持向量机的理论，将风险指标数据导入训练支持向量机模型中能够模糊权重概念，使得评价客观真实。同时，减轻了数据指标大量数据的计算。

作为本发明实施例的一个可选实施方式，获取待判断管段风险指标得分数据包括：确定风险评价的目的和范围；识别危害因素；将待判断管段进行划分；采用半定量肯特风险评价法评价待判断管段的风险指标；对待判断管网风险指标进行打分，得到待判断管段风险指标得分数据。

具体地，确定风险评价的目的和范围：明确风险评价的目的和范围：目的是划分管道风险等级，提高风险意识，进行管段风险等级管理，保障生产安全平稳运行；范围是每次规定的需要进行风险评价的油气输送管道。

识别危害因素：识别即认识和找出危害因素：从管道历史失效原因分析总结的常见危害因素。管道失效原因分类表如下:(见国家标准GB32167《油气输送管道完整性管理规范》)

将待判断管段进行划分：由于管道很长，一般划分管段几百米到几公里，不是所有的管道区域都存在风险，同时为了方便管理进行划分管段。

采用半定量肯特风险评价法评价待判断管段的风险指标：对管道存在的风险指标评价采用定量或者半定量的方法，本发明优选采用半定量肯特风险评价法。

作为本发明实施例提供的一个可选实施方式，得到待判断管段风险指标得分数据之后，方法还包括：失效可能性分析和失效后果分析。其中：失效可能性分析：管道非平稳运行的情况视为失效，可能性即数学概率。失效后果分析：管道发生失效后造成的后果大小。

由此可见，通过本发明提供的基于支持向量机的管道风险等级评价方法，将管道风险等级评价和支持向量机结合，利用支持向量机的方法，模糊风险指标权重的概念，利用机器学习历史管道风险要素和风险等级的某种联系，让计算机模拟这个关系，通过训练样本数据，达到模拟拟合准确率达到最优，作为以后判断管道风险等级的一个模型，本发明将支持向量机与管道风险评价相结合，模糊风险指标权重的影响，来进行管道风险等级评价更客观、真实。

图8示出了本发明实施例提供的基于支持向量机的管道风险等级评价方法另一个流程图，对本发明实施例提供的基于支持向量机的管道风险等级评价方法的流程进行进一步说明：该方法的主要步骤流程包括:

(1)确定评价对象；

(2)识别危害因素；

(3)数据采集和管段划分；

(4)风险指标打分；

(5)将指标得分数据导入支持向量机训练模型；

(6)得到训练效果最佳的训练模型；

(7)对其它管段风险等级判定。

具体地，结合图8进一步说明：

A.确风险评价的目的和范围：目的是划分管道风险等级，提高风险意识，进行管段风险等级管理，保障生产安全平稳运行；范围是每次规定的需要进行风险评价的油气输送管道。

B.危害因素识别：识别即认识和找出危害因素。

A.C.管段划分：由于管道很长，一般划分管段几百米到几公里，不是所有的管道区域都存在风险，同时为了方便管理进行划分管段。

B.D.定量或半定量方法：指对管道存在的风险指标评价采用定量或者半定量的方法进行评价，本发明优选半定量肯特风险评价法。

C.E.风险指标打分；

D.F.失效可能性分析：管道非平稳运行的情况视为失效，可能性即数学概率；

E.G：失效后果分析：管道发生失效后造成的后果大小；

F.H.选择SVM核函数和初始惩罚因子：采用SVM核函数，可以快速进行计算；在核函数中引入惩罚因子是为了能更好地分类，增大两个分类对象的“距离”，使之分类效果更好。其中，惩罚因子可以人为修改。

G.I.支持向量机样本训练：将历史样本的风险指标数据和风险等级数据输入核函数，让电脑自己总结归纳出一个能够最大程度满足数据和等级一个函数关系。这个函数一般不能用直接数学表达式表达出来，只能知道函数的作用是作出区分的一个作用。

H.J.修正惩罚因子：根据训练得到的向量机模型和历史数据修正惩罚因子，使得向量机模型可以更准确进行处理。

I.K.确定支持向量机模型：即最终确定的能够最优划分管道风险的核函数。

L.将风险指标打分导入确定的支持向量机模型中，进行管道风险等级计算。支持向量机模型可以实现如下功能：在和函数中输入风险指标数据，结果为管段风险等级。

由此可见，在现有的支持向量机的模型上进行进一步研究。获取了某管道公司风险评价等级的相关数据作为样本集。在核函数的抉择上使用了径向基函数(Radial BasicFunction或RBF)。经过已有的管道风险评价数据进行了训练，初始预测正确率只有50％，经过网络搜索法和交叉验证方法，优化了核函数的关键参数对：惩罚因子C和核参数g。最后已知数据进行试验预测验证，使分类正确率达到了近100％，证明取得了良好的试验效果。

本发明技术方案带来的有益效果：

1.管道企业或公司在进行管道风险评价作业时，可以模糊半定量评价过程中计算各风险指标权重的影响，风险等级评价结果更客观真实，满足企业需要。

2.管道风险评价需要划分很多管段，数据量很大。可以避免大量数据带来的繁琐、反复枯燥的计算过程，交由计算器来计算，能节省大量时间。

图9示出了本发明实施例提供的基于支持向量机的管道风险等级评价装置的结构示意图，该基于支持向量机的管道风险等级评价装置应用上述方法，以下仅对基于支持向量机的管道风险等级评价装置的结构进行简单说明，其他未尽事宜，请参照上述基于支持向量机的管道风险等级评价方法中的相关描述，参见图9，本发明实施例提供的基于支持向量机的管道风险等级评价装置，包括：

划分模块，用于获取样本，将样本划分为训练集和验证集，其中，样本包括：历史样本的风险指标数据和风险等级数据；

第一确定模块，用于确定支持向量机模型核函数为RBF核函数；

第一构建模块，用于获取训练集的样本的标签，构建训练模型；

第二构建模块，用于将验证集的样本导入支持向量机模型中进行预测，构建预测模型；

优化模块，用于利用网格搜索法对RBF核函数的参数对优化，其中RBF核函数包括惩罚因子C和核参数g；

验证模块，用于利用交叉验证法验证RBF核函数的参数对的计算精度；

第二确定模块，用于循环进行RBF核函数的参数的优化和验证，直至确定最佳RBF核函数的参数对；

获取模块，用于获取最终支持向量机模型函数；

评价模块，用于获取待判断管段风险指标得分数据，将待判断管段风险指标得分数据导入最终支持向量机模型函数，得到相应管段风险等级。

作为本发明实施例的一个可选实施方式，交叉验证法包括但不限于：2折交叉验证法、k折交叉验证法和LOOCV留一验证法。

作为本发明实施例的一个可选实施方式，交叉验证法采用k折交叉验证法。

作为本发明实施例的一个可选实施方式，评价模块通过如下方式获取待判断管段风险指标得分数据：评价模块，具体用于确定风险评价的目的和范围；识别危害因素；将待判断管段进行划分；采用半定量肯特风险评价法评价待判断管段的风险指标；对待判断管网风险指标进行打分，得到待判断管段风险指标得分数据。

作为本发明实施例的一个可选实施方式，评价模块在得到待判断管段风险指标得分数据之后，还用于失效可能性分析和失效后果分析。

通过本发明提供的基于支持向量机的管道风险等级评价装置，将管道风险等级评价和支持向量机结合，利用支持向量机的方法，模糊风险指标权重的概念，利用机器学习历史管道风险要素和风险等级的某种联系，让计算机模拟这个关系，通过训练样本数据，达到模拟拟合准确率达到最优，作为以后判断管道风险等级的一个模型，本发明将支持向量机与管道风险评价相结合，模糊风险指标权重的影响，来进行管道风险等级评价更客观、真实。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。