工业设备监控方法、系统、电子设备及存储介质与流程

1.本发明涉及人工智能物联网技术领域，尤其涉及一种工业设备监控方法、系统、电子设备及存储介质。


背景技术：

2.工业设备多采用电机驱动方式进行工作，因此，电机的安装情况、运行环境、用电情况、保养情况等因素都会影响工业设备的运行状态。现有的设备监控系统多采用震动传感、用电情况检测等方式对工业设备进行监控。但工业设备多种多样，且工业设备运行的环境也并不相同，工业设备监控系统难以兼顾不同的工业设备。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种工业设备监控方法、系统、电子设备及存储介质，旨在解决现有技术的工业设备监控方法缺乏个性化难以兼顾不同的工业设备的技术问题。
5.为实现上述目的，本发明提供了一种工业设备监控方法，所述方法包括以下步骤:
6.获取工业设备的第一运行模拟数据；
7.获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型；
8.获取工业设备的当前运行信息，并根据所述目标多模态模型对所述当前运行信息进行监控。
9.优选地，所述获取工业设备的第一运行模拟数据的步骤，具体包括：
10.对工业设备的预设位置进行运行信息采集，以获取待处理运行数据；
11.对所述待处理运行数据进行标注处理，以生成第一运行模拟数据。
12.优选地，所述获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型的步骤，具体包括：
13.获取预设时间序列递归神经网络模型，并对所述预设时间序列递归神经网络模型进行参数初始化处理；
14.将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络模型进行训练，以获取目标多模态模型。
15.优选地，所述获取预设时间序列递归神经网络模型，并对所述预设时间序列递归神经网络模型进行参数初始化处理的步骤，具体包括：
16.获取预设时间序列递归神经网络模型，对所述预设时间序列递归神经网络模型的各特征向量的参数权重进行正态化与初始化处理。
17.优选地，所述将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络
模型进行训练，以获取目标多模态模型的步骤，具体包括：
18.将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络模型并根据预设阀门开关条件进行训练，以获取目标多模态模型；
19.所述预设阀门开关条件为：
20.在所述预设时间序列递归神经网络模型已经进行过对应于所述工业设备的训练，且所述工业设备所进行的生产工艺相同时，开启所述预设时间序列递归神经网络模型的阀门；
21.在所述预设时间序列递归神经网络模型未进行过对应于所述工业设备的训练，且所述工业设备所进行的生产工艺变化时，关闭所述预设时间序列递归神经网络模型的阀门。
22.优选地，所述获取工业设备的当前运行信息，并根据所述目标多模态模型对所述当前运行信息进行监控的步骤之后，还包括：
23.将监控结果通过预设展示方式对用户进行展示，并在所述工业设备的当前运行信息为故障运行信息时进行提示。
24.优选地，所述获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型的步骤之后，还包括：
25.对所述当前运行信息进行数据标注，以生成第二运行模拟数据；
26.在所述第二运行模拟数据的样例数大于预设样例数时，根据所述第二运行模拟数据对所述目标多模态模型进行优化训练，以获取优化多模态模型；
27.获取工业设备的当前运行信息，并根据所述优化多模态模型对所述当前运行信息进行监控。
28.此外，为实现上述目的，本发明还提出一种工业设备监控系统，所述系统包括：传感模块、监控模块；其中，
29.传感模块，用于获取工业设备的第一运行模拟数据；
30.所述监控模块，用于获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型；
31.所述监控模块，还用于获取工业设备的当前运行信息，并根据所述目标多模态模型对所述当前运行信息进行监控。
32.此外，为实现上述目的，本发明还提出一种电子设备，所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工业设备监控程序，所述工业设备监控程序配置为实现如上文所述的工业设备监控方法的步骤。
33.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有工业设备监控程序，所述工业设备监控程序被处理器执行时实现如上文所述的工业设备监控方法的步骤。
34.本发明通过获取工业设备的第一运行模拟数据；获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型；获取工业设备的当前运行信息，并根据所述目标多模态模型对所述当前运行信息进行监控。本发明通过上述方法采集多种信息，建立工业设备对应的监控模
型，并通过不断学习，能够满足不同工况、不同使用习惯下的工业设备监控和状态预警，具有智能化、个性化的特点。
附图说明
35.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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示出的结构获得其他的附图。
36.图1是本发明实施例方案涉及的硬件运行环境的电子设备的结构示意图；
37.图2为本发明本发明工业设备监控方法的流程示意图；
38.图3为本发明工业设备监控方法的时间序列递归神经网络模型；
39.图4为本发明工业设备监控方法的时间序列递归神经网络模型的阀门开关示意图；
40.图5为本发明本发明工业设备监控系统的结构框图。
41.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
42.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
43.参照图1，图1为本发明实施例方案涉及的硬件运行环境的电子设备结构示意图。
44.如图1所示，该电子设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless
‑
fidelity，wi
‑
fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non
‑
volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
45.本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
46.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及工业设备监控程序。
47.在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的工业设备监控程序，并执行本发明实施例提供的工业设备监控方法。
48.本发明实施例提供了一种工业设备监控方法，参照图2，图2为本发明本发明工业设备监控方法的流程示意图；
49.本实施例中，所述工业设备监控方法包括以下步骤：
50.步骤s10：获取工业设备的第一运行模拟数据；
51.应当理解的是，工业设备的运行模拟数据可以为工业设备的当前工作电压、电流及功率等用电数据，用于检测工业设备的运行模拟数据的装置可以为基于物联网的传感器，所述传感器根据工业设备的被监控需求而设置在所述工业设备的各个位置，例如：在工业设备的关键部位(横轴x方向、纵轴y方向、竖轴z方向)放置震动传感装置；在工业设备的内部设置温度传感器或者湿度传感器。在具体实施中，传感器可以采集到的工业设备的电量信息、震动信息、工作环境的温湿度信息、设备内部的温湿度信息及工作时间信息等。
52.应当理解的是，基于物联网的传感器装置将采集到的数据通过无线网络发送至监控模块，所述监控模块可以为服务器或者云服务器、计算机、数据中心等。
53.进一步地，为便于监控模块根据预设的神经网络模型对数据进行训练，在采集到工业设备的运行数据时，所述步骤s10具体包括：对工业设备的预设位置进行运行信息采集，以获取待处理运行数据；对所述待处理运行数据进行标注处理，以生成第一运行模拟数据。
54.易于理解的是，通过对待处理运行数据进行统一整理，得到了可以用于训练的第一运行模拟数据。对整理好的训练数据进行预处理，加快训练速度，提高训练准确度。
55.步骤s20：获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型；
56.需要说明的是，时间序列递归神经网络模型(long short
‑
term memory，lstm)是在递归神经网络(recurrent neural network,rnn)的基础上，在各层增加了阀门节点，所述阀门节点包括：遗忘阀门(forget gate)，输入阀门(input gate)和输出阀门(output gate)。这些阀门可以开启或者关闭，用于将判断模型网络的记忆态(之前网络的状态)在该层输出的结果是否达到阈值从而加入到当前该层的计算中。
57.应当理解的是，时间序列递归神经网络模型的记忆功能就是由这些阀门节点实现的。当阀门打开的时候，前面模型的训练结果就会关联到当前的模型计算，而当阀门关闭的时候之前的计算结果就不再影响当前的计算。
58.参考图3、图4，图3为本发明工业设备监控方法的时间序列递归神经网络模型；图4为本发明工业设备监控方法的时间序列递归神经网络模型的阀门开关示意图；根据图4可知，通过阀门的开启或者关闭可以通过早期序列对最终结果的影响，在不需要之前的结果对之后的训练产生影响时，可以关闭对应的阀门。
59.进一步地，所述步骤s20具体包括：获取预设时间序列递归神经网络模型，并对所述预设时间序列递归神经网络模型进行参数初始化处理；将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络模型进行训练，以获取目标多模态模型。
60.进一步地，所述获取预设时间序列递归神经网络模型，并对所述预设时间序列递归神经网络模型进行参数初始化处理的步骤，具体包括：获取预设时间序列递归神经网络模型，对所述预设时间序列递归神经网络模型的各特征向量的参数权重进行正态化与初始化处理。
61.需要说明的是，本实施例中，初始化各个特征向量的参数权重weight，初始化参数w默认初始化为0.1。w＝w*weight。
62.应当理解的是，实际运用中，工业设备所处的环境会影响到参数权重，所以还需要对参数进行正态化处理。保证在后续的训练中不会出现梯度消失。参数正态化公式如下所
示：
[0063][0064][0065]
进一步地，所述将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络模型进行训练，以获取目标多模态模型的步骤，具体包括：
[0066]
将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络模型并根据预设阀门开关条件进行训练，以获取目标多模态模型；
[0067]
所述预设阀门开关条件为：在所述预设时间序列递归神经网络模型已经进行过对应于所述工业设备的训练，且所述工业设备所进行的生产工艺相同时，开启所述预设时间序列递归神经网络模型的阀门；在所述预设时间序列递归神经网络模型未进行过对应于所述工业设备的训练，且所述工业设备所进行的生产工艺变化时，关闭所述预设时间序列递归神经网络模型的阀门。
[0068]
应当理解的是，基于上述预设阀门开关条件，对采集到的电量信息(电压、电流、功率)、震动信息(xyz三轴数据)、温湿度信息、工作总时间信息等信息利用上述时间序列递归神经网络模型在不同的状态下选择阀门的开关，进行训练直至模型最优。在训练系统中，因为每次训练时间较长，需要分布式部署各个训练程序(主机资源有限时，可以使用虚拟化技术)，从而做到同时训练多个网络，提高训练效率。
[0069]
具体实施中，所述监控模块可以为数据中心，为了运行和维护的方便，可以把数据和程序分离，训练和识别的程序进行统一部署，系统在进行识别的同时，识别程序将识别的结果和数据一起提交给数据服务器，数据服务器上设置两个数据数据库，一个是新增的未进行标注确认的未标注数据数据库，另一个是已经标注好的，可以进行训练的样例数据库。
[0070]
进一步地，步骤s20之后，还包括：对所述当前运行信息进行数据标注，以生成第二运行模拟数据；在所述第二运行模拟数据的样例数大于预设样例数时，根据所述第二运行模拟数据对所述目标多模态模型进行优化训练，以获取优化多模态模型；获取工业设备的当前运行信息，并根据所述优化多模态模型对所述当前运行信息进行监控。
[0071]
应当理解的是，可以定时对未标注的数据进行人工的标注检查或者由监控模块进行标注，在标注结果确定无误后，将标注后的当前运行信息作为第二运行模拟数据，并将第二运行模拟数据合并到训练样例中，当新增样例足够大时(具体实施中根据工业设备的实际需求进行设置)，调用系统训练程序，进行训练，如果得到成功率更高的模型，则替换原模型。可以不断的优化模型，提高识别效率，随着识别成功率的提高，也可以减少人工检查标注的成本。
[0072]
步骤s30：获取工业设备的当前运行信息，并根据所述目标多模态模型对所述当前运行信息进行监控。
[0073]
应当理解的是，由于建立了当前工业设备对应的目标多模态模型，监控过程中可以有效地进行符合工业设备的需求进行相应的监控工作。
[0074]
进一步地，步骤s30之后，还包括：将监控结果通过预设展示方式对用户进行展示，
并在所述工业设备的当前运行信息为故障运行信息时进行提示。
[0075]
易于理解的是，展示方式可以为通过屏幕，对监控到的数据进行线性化或者图表化对用户进行展示；提示方式可以为语音提示、图像提示或者灯光提示等。
[0076]
本实施例的上述方法通过获取工业设备的第一运行模拟数据；获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型；获取工业设备的当前运行信息，并根据所述目标多模态模型对所述当前运行信息进行监控。本发明通过上述方法采集多种信息，建立工业设备对应的监控模型，并通过不断学习，能够满足不同工况、不同使用习惯下的工业设备监控和状态预警，具有智能化、个性化的特点。
[0077]
此外，本发明实施例还提出一种工业设备监控系统，参考图5，图5为本发明本发明工业设备监控系统的结构框图。所述系统包括：传感模块10、监控模块20；其中，
[0078]
传感模块10，用于获取工业设备的第一运行模拟数据；
[0079]
应当理解的是，工业设备的运行模拟数据可以为工业设备的当前工作电压、电流及功率等用电数据，用于检测工业设备的运行模拟数据的传感模块10可以为基于物联网的传感器，所述传感器根据工业设备的被监控需求而设置在所述工业设备的各个位置，例如：在工业设备的关键部位(横轴x方向、纵轴y方向、竖轴z方向)放置震动传感装置；在工业设备的内部设置温度传感器或者湿度传感器。在具体实施中，传感器可以采集到的工业设备的电量信息、震动信息、工作环境的温湿度信息、设备内部的温湿度信息及工作时间信息等。
[0080]
应当理解的是，基于物联网的传感器装置将采集到的数据通过无线网络发送至监控模块20，所述监控模块20可以为服务器或者云服务器、计算机、数据中心等。
[0081]
进一步地，为便于监控模块20根据预设的神经网络模型对数据进行训练，在采集到工业设备的运行数据时，传感模块10，用于对工业设备的预设位置进行运行信息采集，以获取待处理运行数据；对所述待处理运行数据进行标注处理，以生成第一运行模拟数据。
[0082]
易于理解的是，通过对待处理运行数据进行统一整理，得到了可以用于训练的第一运行模拟数据。对整理好的训练数据进行预处理，加快训练速度，提高训练准确度。
[0083]
所述监控模块20，用于获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型；
[0084]
需要说明的是，时间序列递归神经网络模型(long short
‑
term memory，lstm)是在递归神经网络(recurrent neural network,rnn)的基础上，在各层增加了阀门节点，所述阀门节点包括：遗忘阀门(forget gate)，输入阀门(input gate)和输出阀门(output gate)。这些阀门可以开启或者关闭，用于将判断模型网络的记忆态(之前网络的状态)在该层输出的结果是否达到阈值从而加入到当前该层的计算中。
[0085]
应当理解的是，时间序列递归神经网络模型的记忆功能就是由这些阀门节点实现的。当阀门打开的时候，前面模型的训练结果就会关联到当前的模型计算，而当阀门关闭的时候之前的计算结果就不再影响当前的计算。
[0086]
参考图3、图4，图3为本发明工业设备监控方法的时间序列递归神经网络模型；图4为本发明工业设备监控方法的时间序列递归神经网络模型的阀门开关示意图；根据图4可知，通过阀门的开启或者关闭可以通过早期序列对最终结果的影响，在不需要之前的结果
对之后的训练产生影响时，可以关闭对应的阀门。
[0087]
进一步地，所述监控模块20，用于获取预设时间序列递归神经网络模型，并对所述预设时间序列递归神经网络模型进行参数初始化处理；将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络模型进行训练，以获取目标多模态模型。
[0088]
进一步地，所述获取预设时间序列递归神经网络模型，并对所述预设时间序列递归神经网络模型进行参数初始化处理的步骤，具体包括：获取预设时间序列递归神经网络模型，对所述预设时间序列递归神经网络模型的各特征向量的参数权重进行正态化与初始化处理。
[0089]
需要说明的是，本实施例中，初始化各个特征向量的参数权重weight，初始化参数w默认初始化为0.1。w＝w*weight。
[0090]
应当理解的是，实际运用中，工业设备所处的环境会影响到参数权重，所以还需要对参数进行正态化处理。保证在后续的训练中不会出现梯度消失。参数正态化公式如下所示：
[0091][0092][0093]
进一步地，所述将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络模型进行训练，以获取目标多模态模型的步骤，具体包括：
[0094]
将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络模型并根据预设阀门开关条件进行训练，以获取目标多模态模型；
[0095]
所述预设阀门开关条件为：在所述预设时间序列递归神经网络模型已经进行过对应于所述工业设备的训练，且所述工业设备所进行的生产工艺相同时，开启所述预设时间序列递归神经网络模型的阀门；在所述预设时间序列递归神经网络模型未进行过对应于所述工业设备的训练，且所述工业设备所进行的生产工艺变化时，关闭所述预设时间序列递归神经网络模型的阀门。
[0096]
应当理解的是，基于上述预设阀门开关条件，对采集到的电量信息(电压、电流、功率)、震动信息(xyz三轴数据)、温湿度信息、工作总时间信息等信息利用上述时间序列递归神经网络模型在不同的状态下选择阀门的开关，进行训练直至模型最优。在训练系统中，因为每次训练时间较长，需要分布式部署各个训练程序(主机资源有限时，可以使用虚拟化技术)，从而做到同时训练多个网络，提高训练效率。
[0097]
具体实施中，所述监控模块20可以为数据中心，为了运行和维护的方便，可以把数据和程序分离，训练和识别的程序进行统一部署，系统在进行识别的同时，识别程序将识别的结果和数据一起提交给数据服务器，数据服务器上设置两个数据数据库，一个是新增的未进行标注确认的未标注数据数据库，另一个是已经标注好的，可以进行训练的样例数据库。
[0098]
进一步地，所述监控模块20，用于对所述当前运行信息进行数据标注，以生成第二运行模拟数据；在所述第二运行模拟数据的样例数大于预设样例数时，根据所述第二运行模拟数据对所述目标多模态模型进行优化训练，以获取优化多模态模型；获取工业设备的
当前运行信息，并根据所述优化多模态模型对所述当前运行信息进行监控。
[0099]
应当理解的是，可以定时对未标注的数据进行人工的标注检查或者由监控模块20进行标注，在标注结果确定无误后，将标注后的当前运行信息作为第二运行模拟数据，并将第二运行模拟数据合并到训练样例中，当新增样例足够大时(具体实施中根据工业设备的实际需求进行设置)，调用系统训练程序，进行训练，如果得到成功率更高的模型，则替换原模型。可以不断的优化模型，提高识别效率，随着识别成功率的提高，也可以减少人工检查标注的成本。
[0100]
所述监控模块20，还用于获取工业设备的当前运行信息，并根据所述目标多模态模型对所述当前运行信息进行监控。
[0101]
应当理解的是，由于建立了当前工业设备对应的目标多模态模型，监控过程中可以有效地进行符合工业设备的需求进行相应的监控工作。
[0102]
进一步地，所述监控模块20，用于将监控结果通过预设展示方式对用户进行展示，并在所述工业设备的当前运行信息为故障运行信息时进行提示。
[0103]
易于理解的是，展示方式可以为通过屏幕，对监控到的数据进行线性化或者图表化对用户进行展示；提示方式可以为语音提示、图像提示或者灯光提示等。
[0104]
本发明通过获取工业设备的第一运行模拟数据；获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型；获取工业设备的当前运行信息，并根据所述目标多模态模型对所述当前运行信息进行监控。本发明通过上述方法采集多种信息，建立工业设备对应的监控模型，并通过不断学习，能够满足不同工况、不同使用习惯下的工业设备监控和状态预警，具有智能化、个性化的特点。
[0105]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有工业设备监控程序，所述工业设备监控程序被处理器执行如上文所述的工业设备监控方法的步骤。
[0106]
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
[0107]
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
[0108]
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
[0109]
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的工业设备监控方法，此处不再赘述。
[0110]
此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0111]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0112]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方
法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(read only memory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0113]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。