一种流程工业多传感器数据协同分析方法和系统

1.本发明涉及数据分析技术领域，特别是涉及一种流程工业多传感器数据协同分析方法和系统。


背景技术：

2.在流程工业场景中，用于流量、浓度、压强、液位等指标监测的传感器被广泛应用，支撑了过程控制系统的数据采集需求。然而，目前针对多点位时序监测数据的协同分析技术十分匮乏，智能系统中对于传感器数据一般只实现了单监测点位的分析。同时现有数据分析技术缺少与生产流程、工艺先验知识相结合的数据分析与表征方法，造成生产状态信息无法被充分挖掘。生产过程数据分析的不完备会造成智能系统难以精确感知生产状况的全貌，限制了下游智能应用的精度与效果。


技术实现要素：

3.为解决现有技术存在的上述问题，本发明提供了一种流程工业多传感器数据协同分析方法和系统。
4.为实现上述目的，本发明提供了如下方案：一种流程工业多传感器数据协同分析方法，包括：根据生产系统中多传感器点位间的相关关系引入隐变量构建有向图模型；多传感器点位间的相关关系包括：因果关系、同源关系和同质关系；为所述有向图模型的节点赋予结构向量；采用训练数据集训练隐变量推理网络得到训练好的隐变量推理网络模型；所述隐变量推理网络模型的输入为传感器的监测数据，输出为节点观测值；在所述有向图模型的基础上，扩充节点间的有向边得到新的有向图模型；将所述新的有向图模型中各节点的观测值输入至图神经网络，以训练所述结构向量和图神经网络参数得到图神经网络模型；所述图神经网络模型的输入为节点观测值，输出为节点的特征向量；获取待分析生产系统中当前时刻多传感器的监测数据；将所述监测数据输入至所述隐变量推理网络模型中，得到当前时刻的节点观测值；将所述当前时刻的节点观测值输入至所述图神经网络模型得到特征向量；所述特征向量用于表征与当前时刻运行传感器对应的观测点信息。
5.优选地，所述根据生产系统中多传感器点位间的相关关系引入隐变量构建有向图模型，具体包括：当多传感器点位间的相关关系为同质关系时，分别引入第一隐变量图节点和第二隐变量图节点，构建所述第一隐变量图节点至所述第二隐变量图节点间的有向边；当多传感器点位间的相关关系为因果关系时，引入第三隐变量图节点，构建从第
一传感器至所述第三隐变量图节点间的有向边，并构建从所述第三隐变量图节点至第二传感器间的有向边；当多传感器点位间的相关关系为同源关系时，引入第四隐变量图节点，构建从所述第四隐变量图节点至第一传感器间的有向边，并构建从所述第四隐变量图节点至第二传感器间的有向边。
6.优选地，所述采用训练数据集训练隐变量推理网络得到训练好的隐变量推理网络模型，具体包括：基于变分循环神经网络模型结构，分别构建生成模型和推理模型；采用变分贝叶斯方法，利用训练数据集对所述生成模型的参数和所述推理模型的参数进行训练，直至达到预设训练条件为止。
7.优选地，所述在所述有向图模型的基础上，扩充节点间的有向边得到新的有向图模型，具体包括：确定有向图模型中任意两个图节点间的连接权重；基于所述连接权重确定连通性指标；当所述连通性指标满足预设条件时，则在两个图节点中构建新的有向边节，以形成新的有向图模型。
8.优选地，所述将所述新的有向图模型中各节点的观测值输入至图神经网络，以训练所述结构向量和图神经网络参数得到图神经网络模型，具体包括：基于所述节点的观测值形成节点的数据特征；根据所述新的有向图模型中节点间的邻接关系，利用所述节点的数据特征和所述结构向量提取节点的特征向量；基于提取得到的特征向量预测传感器的监测数据；基于预测数据利用平均平方误差计算所述图神经网络的训练损失值；确定所述训练损失值对所述图神经网络的模型参数和结构向量的梯度，直至满足训练条件时得到图神经网络模型。
9.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的流程工业多传感器数据协同分析方法，开创性针对监测点位之间存在的三种典型关系（因果关系、同源关系和同质关系）引入带有隐变量的有向图结构，并基于隐变量推理网络模型实现从传感器观测变量到隐变量的后验估计。最后，利用图神经网络模型学习图中的有向边结构以及节点值，输出的特征向量可以作为当前生产状况及设备运行状态的特征表示，进而有效提升预测、控制、异常监测等下游应用的性能。
10.对应于上述提供的流程工业多传感器数据协同分析方法，本发明还提供了一种流程工业多传感器数据协同分析系统，该系统包括：有向图模型构建模块，用于根据生产系统中多传感器点位间的相关关系引入隐变量构建有向图模型；多传感器点位间的相关关系包括：因果关系、同源关系和同质关系；结构向量赋予模块，用于为所述有向图模型的节点赋予结构向量；第一模型训练模块，用于采用训练数据集训练隐变量推理网络得到训练好的隐变量推理网络模型；所述隐变量推理网络模型的输入为传感器的监测数据，输出为节点观测值；
有向图模型更新模块，用于在所述有向图模型的基础上，扩充节点间的有向边得到新的有向图模型；第二模型训练模块，用于将所述新的有向图模型中各节点的观测值输入至图神经网络，以训练所述结构向量和图神经网络参数得到图神经网络模型；所述图神经网络模型的输入为节点观测值，输出为节点的特征向量；监测数据获取模块，用于获取待分析生产系统中当前时刻多传感器的监测数据；节点观测值确定模块，用于将所述监测数据输入至所述隐变量推理网络模型中，得到当前时刻的节点观测值；特征向量确定模块，用于将所述当前时刻的节点观测值输入至所述图神经网络模型得到特征向量；所述特征向量用于表征与当前时刻运行传感器对应的观测点信息。
11.优选地，所述有向图模型构建模块包括：第一有向边构建单元，用于当多传感器点位间的相关关系为同质关系时，分别引入第一隐变量图节点和第二隐变量图节点，构建所述第一隐变量图节点至所述第二隐变量图节点间的有向边；第二有向边构建单元，用于当多传感器点位间的相关关系为因果关系时，引入第三隐变量图节点，构建从第一传感器至所述第三隐变量图节点间的有向边，并构建从所述第三隐变量图节点至第二传感器间的有向边；第三有向边构建单元，用于当多传感器点位间的相关关系为同源关系时，引入第四隐变量图节点，构建从所述第四隐变量图节点至第一传感器间的有向边，并构建从所述第四隐变量图节点至第二传感器间的有向边。
12.优选地，所述第一模型训练模块包括：模型构建单元，用于基于变分循环神经网络模型结构，分别构建生成模型和推理模型；第一模型训练单元，用于采用变分贝叶斯方法，利用训练数据集对所述生成模型的参数和所述推理模型的参数进行训练，直至达到预设训练条件为止。
13.优选地，所述有向图模型更新模块包括：连接权重确定单元，用于确定有向图模型中任意两个图节点间的连接权重；连通性指标确定单元，用于基于所述连接权重确定连通性指标；有向图模型更新单元，用于当所述连通性指标满足预设条件时，则在两个图节点中构建新的有向边节，以形成新的有向图模型。
14.优选地，所述第二模型训练模块包括：数据特征生成单元，用于基于所述节点的观测值形成节点的数据特征；特征向量提取单元，用于根据所述新的有向图模型中节点间的邻接关系，利用所述节点的数据特征和所述结构向量提取节点的特征向量；监测数据预测单元，用于基于提取得到的特征向量预测传感器的监测数据；损失值训练单元，用于基于预测数据利用平均平方误差计算所述图神经网络的训练损失值；第二模型训练单元，用于确定所述训练损失值对所述图神经网络的模型参数和结构向量的梯度，直至满足训练条件时得到图神经网络模型。
15.应本发明提供的流程工业多传感器数据协同分析系统达到的技术效果与上述提供的流程工业多传感器数据协同分析方法达到的技术效果相同，故在此不再进行赘述。
附图说明
16.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获得其他的附图。
17.图1为本发明提供的流程工业多传感器数据协同分析方法的流程图；图2为本发明实施例提供的不同传感器点位关联关系的有向图；其中，图2的（a）部分为因果关系时的有向图；图2的（b）部分为同源关系时的有向图；图2的（c）部分为同质关系时的有向图；图3为本发明实施例提供的多传感器数据协同分析方法的整体框架图；图4为本发明提供的流程工业多传感器数据协同分析系统的结构示意图。
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
19.本发明的目的是提供一种流程工业多传感器数据协同分析方法和系统，能够有效提升预测、控制、异常检测等下游应用的性能。
20.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
21.如图1所示，本发明提供的一种流程工业多传感器数据协同分析方法，包括：s1、根据生产系统中多传感器点位间的相关关系引入隐变量构建有向图模型。多传感器点位间的相关关系包括：因果关系、同源关系和同质关系。其中，本发明定义的同质关系的含义为：物料经过某一处理工序时，其加工前与加工后的指标监测量之间存在一定关联，且往往带有一定时延特性。因果关系为：某一个点位数据直接影响并决定了另一点位数据的变化，如催化剂添加量对于成品质量指数的影响可以表示为因果关系。同源关系为：对于同一时刻的同一种物料，采用两种监测技术对其不同的物理量或化学量进行测量，比如同时监测某物料的流速和浓度，二者之间存在一定的隐式相关性。
22.基于上述定义的多传感器点位间的相关关系，步骤s1的具体实施过程可以为：s1-1、当多传感器点位间的相关关系为同质关系时，分别引入第一隐变量图节点和第二隐变量图节点，构建第一隐变量图节点至第二隐变量图节点间的有向边。例如，对于同质关系中的传感器a1、a2、...，分别引入隐变量图节点z1、z2、...。其中，在第t时刻，对于第j个传感器的监测值aj(t)对应的隐变量向量表示为zj(t)，zj(t)∈rk。从时间域角度，zj(t)会将信息传递到zj(t 1)，因此在图中构建从zj(t)到zj(t 1)的有向边。此外，按照对于物质的加工顺序及监测的先后顺序，假设第j个工序步骤下物料监测信息为aj(t)，其工序
产物流入第j 1个工序，监测数据为a
j 1
(t)，此时假设隐变量zj(t)也会将信息传递到zj(t 1)，因此也是在图中构建从zj(t)到zj(t 1)的有向边，如图2的（c）部分所示。
23.s1-2、当多传感器点位间的相关关系为因果关系时，引入第三隐变量图节点，构建从第一传感器至第三隐变量图节点间的有向边，并构建从第三隐变量图节点至第二传感器间的有向边。例如，假设第t时刻，两个传感器监测值分别为a(t)与b(t)，二者存在因果关系，即a(t)决定或影响b(t)的变化。此时引入隐变量z(t)，z(t)∈rk，构建从a(t)到z(t)的有向边，并构建从z(t)到b(t)的有向边，如图2的（a）部分所示。代表a(t)的信息决定z(t)的分布，进而影响b(t)的分布。
24.s1-3、当多传感器点位间的相关关系为同源关系时，引入第四隐变量图节点，构建从第四隐变量图节点至第一传感器间的有向边，并构建从第四隐变量图节点至第二传感器间的有向边。例如，假设第t时刻，两个传感器监测值分别为a(t)与b(t)，二者存同源关系，即a(t)与b(t)是对于同一物料采用不同监测手段获得的监测数值。此时引入隐变量z(t)，z(t)∈rk，同时构建从z(t)到a(t)的有向边及z(t)到b(t)的有向边。代表a(t)的信息决定z(t)的分布，进而影响b(t)的分布。
25.s2、为有向图模型的节点赋予结构向量。结构向量表示为：vi，，并初始化为随机向量。其中，m为图中隐变量节点和观测变量节点的和。每个结构向量在后续的网络训练过程中被同时优化。
26.s3、采用训练数据集训练隐变量推理网络得到训练好的隐变量推理网络模型。隐变量推理网络模型的输入为传感器的监测数据，输出为节点观测值。
27.该步骤s3的具体实施过程为：s3-1、基于变分循环神经网络模型结构，分别构建生成模型和推理模型。
28.s3-2、采用变分贝叶斯方法，利用训练数据集对生成模型的参数和推理模型的参数进行训练，直至达到预设训练条件为止。
29.例如，利用训练集s
train
对隐变量推理网络进行训练。面向三种关联关系，从s
train
中随机抽取属于此关联关系的传感器数据序列s
1:w
=[s1，...，sw]，其中，w代表数据序列的窗口大小，其中的每一项s
t
代表第t时刻关联传感器的监测数据。构建推理模型用于在给定观测数据s
1:w
下估计图中隐变量节点的值，并对推理模型进行训练。按照三类关联关系，每种关系下模型构建以及训练过程如下：首先，对于任何一个存在同质关系的传感器，假定其同质关联传感器数量为k，因此第t时刻监测数据组为s
t
，s
t
∈rk，也将其表示。基于变分循环神经网络模型结构，分别构建在时间范围1:w下的k个隐变量和k个观测变量的生成模型和推理模型：对于生成模型，其形式为：其中，为循环神经网络模型，θ为网络参数，d
1:w
是循环神经网络中的确定性隐变量，第t步性隐变量为d
t
。d0为网络初始隐变量。和
分别表带有对角协方差矩阵的多元高斯分布。
[0030]
对于推理模型，能够在给定监测数据序列s
1:w
的情况下，估计隐变量的后验分布，其形式为：其中代表带有对角协方差矩阵的多元高斯分布，为前述循环神经网络模型。对于每个概率分布，采用全连接神经网络估计分布的均值和协方差矩阵对角向量。
[0031]
进而采用变分贝叶斯方法，利用训练集s
train
对隐变量推理模型和生成模型中的参数θ、φ进行训练，训练目标为最大化传感器观测数据似然的下限：其中，代表对分布求期望，代表了隐变量的后验分布，代表隐变量的先验分布，代表观测变量的重构分布。
[0032]
对于任何一个同源关系，其传感器监测数据分别为和，隐变量为，其生成模型为。推理模型为，代表给定监测数据和下，估计得到的隐变量的后验分布。二者均采用神经网络进行建模，并采用变分贝叶斯方法训练和，训练目标为最大化传感器观测数据和的证据下限：其中，代表隐变量的先验分布，定义为标准高斯分布，不含待学习的参数。代表了隐变量的后验分布，代表观测变量的重构分布。
[0033]
对于任一因果关系，其传感器监测数据分别为和，隐变量为z
t
，采用条件变分编码器模型，建模隐变量和观测变量的相关关系。其生成过程为：其中，代表给定下隐变量z
t
的条件先验分布，其形式为带有对角协方差矩阵的多元高斯分布，采用神经网络进行建模。为在已知隐变量z
t
，因变量的预测分布，其形式为带有对角协方差矩阵的多元高斯分布，采用神经网络进行建模。
[0034]
对于隐变量z
t
的后验推理模型为带有对角协方差矩阵的多元高斯分布，采用神经网络进行建模。
[0035]
利用训练集，采用变分贝叶斯方法训练、中的参数，训练目标为最
大化传感器观测数据的似然证据下限：的似然证据下限：代表了隐变量的后验分布，代表隐变量的先验分布。代表观测变量的重构分布。
[0036]
s4、在有向图模型的基础上，扩充节点间的有向边得到新的有向图模型。该步骤具体实施过程包括：s4-1、确定有向图模型中任意两个图节点间的连接权重。例如，对任意两个图节点，根据结构向量定义其节点之间的连接权重为：s4-2、基于连接权重确定连通性指标。
[0037]
s4-3、当连通性指标满足预设条件时，则在两个图节点中构建新的有向边节，以形成新的有向图模型。此处，预设条件为：。
[0038]
其中，定义，topk代表从集合中选取最大的k个元素，实际应用中k可根据计算负载上限和生产系统耦合程度自由调节。
[0039]
s5、将新的有向图模型中各节点的观测值输入至图神经网络，以训练结构向量和图神经网络参数得到图神经网络模型。图神经网络模型的输入为节点观测值，输出为节点的特征向量。该步骤具体实施过程为：s5-1、基于节点的观测值形成节点的数据特征。例如，对每个传感器节点，根据窗口大小w，定义其序列监测数据为：。
[0040]
进一步地，通过线性变换，将单变量监测数据扩充至k维，得到观测数据的特征表示：其中，为可训练参数。使用上述针对不同点位相关关系构建的推理模型，推测窗口大小w内，各个时刻下隐变量节点的后验分布，并采样隐变量序列，，且。观测节点数据和隐变量节点数据共同构成了有向图模型中所有节点的数据特征：s5-2、根据新的有向图模型中节点间的邻接关系，利用节点的数据特征和结构向量提取节点的特征向量；特征向量表示为：
其中，relu代表网络的激活函数，为可训练参数，代表向节点i连边的所有节点集合，代表节点j对节点i的重要性权重。计算方式如下：其中，exp为指数函数，代表节点i,j之间的匹配度，计算方式如下：其中激活函数为：为：为节点结构特征与数据的拼接。
[0041]
s5-3、基于提取得到的特征向量预测传感器的监测数据。监测数据为：其中，代表向量点乘。
[0042]
s5-4、基于预测数据利用平均平方误差计算图神经网络的训练损失值。训练损失值为：其中，代表向量的二范数，t代表输入序列和被预测序列的总长度。
[0043]
s5-5、确定训练损失值对图神经网络的模型参数和结构向量的梯度，直至满足训练条件时得到图神经网络模型。例如，计算训练损失值对模型参数的以及结构向量的梯度，并对其进行训练。
[0044][0044][0044]
其中，为学习率，分别代表对的梯度。
[0045]
s6、获取待分析生产系统中当前时刻多传感器的监测数据。
[0046]
s7、将监测数据输入至隐变量推理网络模型中，得到当前时刻的节点观测值。
[0047]
s8、将当前时刻的节点观测值输入至图神经网络模型得到特征向量。特征向量用
于表征与当前时刻运行传感器对应的观测点信息，可作为基于深度学习的系统控制、预测、异常监测模型的输入。
[0048]
具体的，在获取当前时刻多传感器的监测数据后，对每个传感器节点，定义用于数据分析的窗口大小w，给定其序列监测数据为，利用推理模型得到有向图模型中各节点的特征表示，包括观测节点。根据节点结构向量v
1:m
以及点位相关关系，构建有向图模型中的边。利用训练得到的图神经网络推理节点特征。
[0049]
上述整个数据处理的实施架构如图3所示。
[0050]
基于上述内容，本发明明相对于现有技术具有以下优点：1、本发明提出的多传感器数据协同分析方法能够结合传感器之间的工艺相关关系，更充分表征当前生产状况及设备运行状态，具体的，本发明将流程工业多传感器点位之间的相关关系用有向图模型表示，并通过训练的方式对图中的边集进行自适应调优。相比于传统的数据分析方法中采用的堆叠多维输入的形式，使用基于图结构的输入能够使特征提取模型在生产先验信息的指导下更容易地捕捉观测数据之间的潜在关系，对当前生产状况及设备运行状态的表征更加充分。
[0051]
2、本发明通过在图中引入隐变量节点能够对三种典型的监测点位相关关系进行建模，便于在模型中引入监测点位之间的先验知识。具体的，本发明针对流程工业中存在的三种典型监测点位相关关系，采用带有隐变量的有向图模型对其进行表示，能够将生产中存在的先验信息巧妙地融入在图结构中，使得图神经网络的输入信息除了原始的观测数据外，还包括了与生产过程息息相关的隐变量数据，使得图神经网络模型对当前生产状况及设备运行状态的表征更佳充分。同时本发明面向三种不同的关联关系，引入三种变分自编码机模型用于隐变量后验分布的推理，模型训练及推理过程简单高效，且易于实现。
[0052]
此外，对应于上述提供的流程工业多传感器数据协同分析方法，本发明还提供了一种流程工业多传感器数据协同分析系统，如图4所示，该系统包括：有向图模型构建模块1、结构向量赋予模块2、第一模型训练模块3、有向图模型更新模块4、第二模型训练模块5、监测数据获取模块6、节点观测值确定模块7和特征向量确定模块8。
[0053]
有向图模型构建模块1用于根据生产系统中多传感器点位间的相关关系引入隐变量构建有向图模型。多传感器点位间的相关关系包括：因果关系、同源关系和同质关系。
[0054]
结构向量赋予模块2用于为有向图模型的节点赋予结构向量。
[0055]
第一模型训练模块3用于采用训练数据集训练隐变量推理网络得到训练好的隐变量推理网络模型。隐变量推理网络模型的输入为传感器的监测数据，输出为节点观测值。
[0056]
有向图模型更新模块4用于在有向图模型的基础上，扩充节点间的有向边得到新的有向图模型。
[0057]
第二模型训练模块5用于将新的有向图模型中各节点的观测值输入至图神经网络，以训练结构向量和图神经网络参数得到图神经网络模型。图神经网络模型的输入为节点观测值，输出为节点的特征向量。
[0058]
监测数据获取模块6用于获取待分析生产系统中当前时刻多传感器的监测数据。
[0059]
节点观测值确定模块7用于将监测数据输入至隐变量推理网络模型中，得到当前
时刻的节点观测值。
[0060]
特征向量确定模块8用于将当前时刻的节点观测值输入至图神经网络模型得到特征向量。特征向量用于表征与当前时刻运行传感器对应的观测点信息。
[0061]
其中，有向图模型构建模块1包括：第一有向边构建单元、第二有向边构建单元和第三有向边构建单元。
[0062]
第一有向边构建单元用于当多传感器点位间的相关关系为同质关系时，分别引入第一隐变量图节点和第二隐变量图节点，构建第一隐变量图节点至第二隐变量图节点间的有向边。
[0063]
第二有向边构建单元用于当多传感器点位间的相关关系为因果关系时，引入第三隐变量图节点，构建从第一传感器至第三隐变量图节点间的有向边，并构建从第三隐变量图节点至第二传感器间的有向边。
[0064]
第三有向边构建单元用于当多传感器点位间的相关关系为同源关系时，引入第四隐变量图节点，构建从第四隐变量图节点至第一传感器间的有向边，并构建从第四隐变量图节点至第二传感器间的有向边。
[0065]
第一模型训练模块3包括：模型构建单元和第一模型训练单元。
[0066]
模型构建单元用于基于变分循环神经网络模型结构，分别构建生成模型和推理模型。
[0067]
第一模型训练单元用于采用变分贝叶斯方法，利用训练数据集对生成模型的参数和推理模型的参数进行训练，直至达到预设训练条件为止。
[0068]
有向图模型更新模块4包括：连接权重确定单元、连通性指标确定单元和有向图模型更新单元。
[0069]
连接权重确定单元用于确定有向图模型中任意两个图节点间的连接权重。
[0070]
连通性指标确定单元用于基于连接权重确定连通性指标。
[0071]
有向图模型更新单元用于当连通性指标满足预设条件时，则在两个图节点中构建新的有向边节，以形成新的有向图模型。
[0072]
第二模型训练模块5包括：数据特征生成单元、特征向量提取单元、监测数据预测单元、损失值训练单元和第二模型训练单元。
[0073]
数据特征生成单元用于基于节点的观测值形成节点的数据特征。
[0074]
特征向量提取单元用于根据新的有向图模型中节点间的邻接关系，利用节点的数据特征和结构向量提取节点的特征向量；监测数据预测单元用于基于提取得到的特征向量预测传感器的监测数据。
[0075]
损失值训练单元用于基于预测数据利用平均平方误差计算图神经网络的训练损失值。
[0076]
第二模型训练单元用于确定训练损失值对图神经网络的模型参数和结构向量的梯度，直至满足训练条件时得到图神经网络模型。
[0077]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0078]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。