故障诊断模型训练方法、故障诊断方法、设备及介质

1.本发明属于故障诊断技术领域，涉及一种故障诊断模型训练方法、故障诊断方法、设备及计算机存储介质。


背景技术：

2.随着智能制造和工业4.0的快速发展，面向精密仪器/设备的智能故障诊断、预测等技术的研究已成为当前重要的研究内容之一；目前，通常采用深度学习的机器学习方法对设备故障诊断进行研究，并且在实际生产中已经得到较好的应用效果；然而，现有的方法通常是基于对实测数据进行假设的前提下执行的，即假设实测数据和训练数据具有相同的特征空间分布，而于实际的应用场景中，由于设备环境变化，设备类型不同等原因，会导致实测数据的特征分布与模型训练时所利用的训练数据的特征分布不同，例如数据的高斯分布不同等；进而会导致训练后的模型，于实际的工程应用时，故障诊断算法的准确性会大大降低，也制约了算法的进一步推广和工程化。


技术实现要素：

3.鉴于以上现有技术中存在的缺点，本发明的目的在于提供一种故障诊断模型训练方法、故障诊断方法、设备及计算机存储介质，用于解决现有的设备故障诊断方法/模型，对于与训练数据特征分布存在差异的实测数据进行测试时故障诊断准确性较低等问题。
4.为实现上述目的及其他相关目的，本发明于第一方面提供一种故障诊断模型训练方法，包括：构建各训练集，单个所述训练集中包括故障样本数据和故障实测数据；基于各所述训练集，对预先构建的故障诊断模型进行模型训练，以获得训练后的故障诊断模型；其中，所述故障诊断模型包括特征提取子模型、故障分类子模型和域判别子模型；以及，所述对预先构建的故障诊断模型进行模型训练，包括：将所述训练集输入至所述特征提取子模型中处理，以分别获得各故障样本数据的样本数据多尺度特征图，和各故障实测数据的实测数据多尺度特征图；将各所述样本数据多尺度特征图输入至所述故障分类子模型中处理，以获得所述故障样本数据的故障分类损失函数值；将各所述样本数据多尺度特征图，和各所述实测数据多尺度特征图，分别输入至所述域判别子模型中处理，以分别获得所述故障样本数据的域判别损失函数值和所述故障实测数据的域判别损失函数值；基于所述故障样本数据的故障分类损失函数值、所述故障样本数据的域判别损失函数值，和所述故障实测数据的域判别损失函数值，获得总损失函数值；基于该总损失函数值，优化所述特征提取子模型、所述故障分类子模型和所述域判别子模型；更新所述训练集，以基于新的训练集执行以上步骤，直至退出。
5.于本发明的一实施例中，所述特征提取子模型包括输入层、第一卷积层、多尺度特征提取层和梯度反转层；其中，所述第一卷积层中的卷积核大小大于所述多尺度特征提取层中各卷积核大小；所述将所述训练集输入至所述特征提取子模型中处理，包括：将各所述训练数据输入至所述输入层中；基于所述第一卷积层，对所述输入层中的各所述训练数据
进行降噪处理；基于所述多尺度特征提取层中，对所述降噪处理后的所述训练数据进行多尺度特征提取，以分别获得各所述样本数据多尺度特征图和各所述实测数据多尺度特征图；将各所述实测数据多尺度特征图输入所述梯度反转层中处理，以获得新的实测数据多尺度特征图。
6.于本发明的一实施例中，所述故障分类子模型为胶囊网络子模型，包括初级胶囊层和故障胶囊层；其中，所述初级胶囊层包括大小相同的各第二卷积核；所述故障胶囊层包括各预设的故障分类器；所述将所述训练集输入至所述特征提取子模型中处理，包括：基于各所述第二卷积核，对各所述样本数据多尺度特征图进行隐空间信息和状态信息提取，以获得各所述样本数据多尺度特征图的初始胶囊，为各所述样本数据多尺度特征图的输出向量；输出各所述样本数据多尺度特征图的输出向量至所述故障胶囊层，以基于各所述故障分类器对其进行故障分类，获得各所述故障样本数据对应的故障预测类型；基于各所述故障样本数据对应的故障预测类型和对应的故障标签，以及各类故障类型的概率，获取故障分类损失函数值。
7.于本发明的一实施例中，所述域判别子模型包括第三卷积层、第三全连接层和输出层；所述将各所述样本数据多尺度特征图输入至所述域判别子模型中处理的方式，包括：输入各所述样本数据多尺度特征图至所述第三卷积层中；利用所述第三卷积层中的卷积核进行特征信息提取；利用所述第三全连接层对各特征信息汇总，以形成各所述样本数据多尺度特征图的数据域特征信息；输出各所述样本数据多尺度特征图的数据域特征信息至所述输出层，获得各所述样本数据多尺度特征图对应的域判别信息，作为各所述故障样本数据对应的域判别信息；基于各所述故障样本数据对应的域判别信息和对应的数据域标签，以及各数据域类型的概率，获取所述故障样本数据对应的域分类损失函数值；以及，所述将各所述实测数据多尺度特征图输入至所述域判别子模型中处理的方式，包括：输入各所述新的实测数据多尺度特征图至所述第三卷积层中；利用所述第三卷积层中的卷积核进行特征信息提取；利用所述第三全连接层对各特征信息汇总，以形成各所述新的实测数据多尺度特征图的数据域特征信息；输出各所述新的实测数据多尺度特征图的数据域特征信息至所述输出层，获得各所述新的实测数据多尺度特征图对应的域判别信息，作为所述故障实测数据对应的域判别信息；基于各所述故障实测数据对应的域判别信息和对应的数据域标签，以及各数据域类型的概率，获取所述故障样本数据对应的域分类损失函数值。
8.于本发明的一实施例中，获取所述故障样本数据对应的域分类损失函数值的实现过程，和获得所述故障样本数据对应的域分类损失函数值的实现过程相同，包括：采集二分类交叉熵计算损失函数，为：
[0009][0010]
其中，ld表示域分类损失，yi表示所述训练数据i的数据域标签，当属于故障样本数据类型时，该标签为0；当属于故障实测数据类型时，该标签为1。pi为对所述训练数据i属于故障实测数据类型的预测概率；n表示总的样本数。
[0011]
于本发明的一实施例中，所述基于所述故障样本数据的故障分类损失函数值、所述故障样本数据的域判别损失函数值，和所述故障实测数据的域判别损失函数值，获得总损失函数值，包括：基于预设的权重，对所述故障分类损失函数值、所述故障样本数据的域
判别损失函数值，和所述故障实测数据的域判别损失函数值进行加权求和，以获得总损失函数值。
[0012]
本发明于第二方面提供一种故障诊断方法，包括：获得故障样本数据和故障实测数据；基于所述故障样本数据和所述故障实测数据，采用如上任意一项所述的故障诊断模型训练方法，对预设的故障诊断模型进行训练，以获得训练后的故障诊断模型；利用所述训练后的故障诊断模型，对所述故障实测数据进行故障类型判定，以获得各所述故障实测数据对应的故障类型。
[0013]
本发明于第三方面提供一种电子设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行如上任意所述的故障诊断模型训练方法或如上所述的故障诊断方法。
[0014]
本发明于第四方面提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行如上任意所述的故障诊断模型训练方法或如上所述的故障诊断方法。
[0015]
如上所述，本发明提供的所述故障诊断模型训练方法、故障诊断方法、设备及计算机存储介质，通过于特征提取子模型中设置梯度反转层，使所述特征提取子模型和所述域判别子模型形成对抗训练关系；并且，通过不断训练优化，使所述特征提取子模型达到提取域不变特征的目的；同时，通过最小化故障样本数据的分类损失函数值，对所述故障诊断模型进行有监督的学习，在实现故障诊断同时，降低因实测数据与样本数据之间的分布特征差异，所造成的对于模型性能的影响，从而提高了模型的准确性和的实际应用效果，并拓展了模型的适用范围。
附图说明
[0016]
图1显示为本发明所述故障诊断模型训练方法于一实施中的流程示意图；
[0017]
图2显示为本发明所述故障诊断模型于一实施中的结构示意图；
[0018]
图3显示为本发明所述对预先构建的故障诊断模型进行训练于一实施中的流程示意图；
[0019]
图4显示为本发明所述对预先构建的故障诊断模型进行训练于一实施中的数据流示意图；
[0020]
图5显示为本发明所述故障诊断方法于一实施中的流程示意图。
具体实施方式
[0021]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0022]
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也
可能更为复杂。
[0023]
于解决现有技术中存在的问题，本发明于第一方面提供一种故障诊断模型训练方法，适用于设备故障类型的判定过程；所述设备故障类型的判定过程包括基于设备的状态信息判定故障类型的过程。
[0024]
其中，所述设备的故障状态信息包括设备发生故障时的一维振动信号。
[0025]
请参阅图1，示出为本发明提供的所述故障诊断模型训练方法于一实施中的流程示意图。
[0026]
如图1所示，所述故障诊断模型训练方法，包括以下步骤：
[0027]
s100，构建故障诊断的各训练集，单个所述训练集中包括故障样本数据和故障实测数据；
[0028]
具体的，所述训练集中包括用于对故障诊断模型进行训练的各训练数据，所述训练数据包括故障样本数据和故障实测数据，分别对应形成所述训练集中的故障样本子集和故障实测子集；单个所述故障样本数据中包括设备运行状态样本和与所述设备运行状态样本对应的故障标签样本；单个所述故障实测数据包括实测到的设备运行状态。
[0029]
s200，基于各所述训练集，对所述预先构建的故障诊断模型进行训练，以获得训练后的故障诊断模型；
[0030]
其中，所述故障诊断模型如图2所示，包括特征提取子模型、故障分类子模型和域判别子模型。
[0031]
具体的，所述特征提取子模型用于分别提取所述训练集中的故障样本数据和故障实测数据的的多尺度特征图，和缩小所述故障样本数据和所述故障实测数据之间的多尺度特征差异。
[0032]
于一具体实施例中，所述特征提取子模型包括输入层、第一卷积层、多尺度特征提取层和梯度反转层；
[0033]
其中，所述第一卷积层为宽卷积层，其卷积核大小大于所述多尺度特征提取层中各卷积核大小，以实现对各所述训练数据的降噪处理；
[0034]
所述多尺度特征提取层为多尺度卷积层，包括若干个不同尺度的卷积核，用于提取各所述训练数据的多尺度特征图，即各所述训练数据的多尺度特征信息；
[0035]
所述梯度反转层用于在模型训练的反向传播过程中执行梯度反转，以实现所述特征提取子模型与所述域判别子模型的对抗训练。
[0036]
所述故障分类子模型用于根据所述多尺度特征图，确定所述多尺度特征图对应的故障类型。
[0037]
于一具体实施例中，所述故障分类子模型为胶囊网络子模型，包括初级胶囊层和故障胶囊层；
[0038]
其中，所述初级胶囊层包括大小相同的各第二卷积核，用于根据各所述第二卷积核，提取所述多尺度特征的隐空间信息和状态信息，以获得各训练数据的初始胶囊；
[0039]
所述故障胶囊层包括预设的故障分类器，以利用所述故障分类器和基于各所述初始胶囊，确定各训练数据的故障类型。
[0040]
所述域判别子模型用于提取所述多尺度特征图的隐空间特征，以根据所述隐空间特征，确定所述多尺度特征图对应的数据域类型；即所述多尺度特征图对应的数据域为故
障样本数据或故障实测数据。
[0041]
于一具体实施例中，所述域判别子模型为神经模型，包括第三卷积层、第三全连接层和输出层；其中，所述第三卷积模型层和第三全连接层，用于对各训练数据的多尺度特征图进行隐空间特征提取，以获得各训练数据的隐空间特征；所述输出层则用于根据所述隐空间特征，判断多尺度特征图的数据域类型。
[0042]
可选的，所述输出层的神经元个数为1，激活函数包括sigmoid函数。
[0043]
具体地，所述对预先构建的故障诊断模型进行训练，该步骤于执行时，如图3和图4所示，包括：
[0044]
s201，将所述训练集输入至所述特征提取子模型中，以获得各所述训练数据的多尺度特征图，包括各故障样本数据的样本数据多尺度特征图，和各所述故障实测数据的实测数据多尺度特征图；
[0045]
具体地，将各所述故障样本数据输入至输入层中，利用所述第一卷积层，对所述输入层中的各所述故障样本数据进行卷积处理，以获得降噪处理后的故障样本数据；利用多尺度卷积层中的各尺度卷积，对各所述故障样本数据进行各尺度的特征信息提取，然后利用全连接层对各尺度的特征信息汇总，以形成各故障样本数据对应的样本数据多尺度特征图。
[0046]
同样地，对各故障实测数据执行该过程，以获得各所述故障实测数据对应的实测数据多尺度特征图。
[0047]
将各所述实测数据多尺度特征图输入所述梯度反转层，以获得梯度反转处理后的新实测数据多尺度特征图。
[0048]
s202，将各所述样本数据多尺度特征图，输入至所述故障分类子模型中处理，以获得所述故障实测数据的故障分类损失函数值；
[0049]
具体的，将各所述样本数据多尺度特征图，输入所述初始胶囊层中；基于各所述第二卷积核，对各所述样本数据多尺度特征图进行隐空间信息和状态信息提取，以获得各初始胶囊，为各所述样本数据多尺度特征图的输出向量。
[0050]
示例性地，所述故障样本数据多尺度特征图为(64，36)，采用8组且每组32个第二卷积核，对样本数据多尺度特征图进行卷积处理，得到新的特征图为(8,32,36)；将每个初级胶囊的维度设置为8，则转换后的初级胶囊层输出向量为(1152,8)，表示初级胶囊层中包含1152个初级胶囊；每个初级胶囊的维度为8。
[0051]
输出所述样本数据多尺度特征图的输出向量至所述故障胶囊层，以基于各所述故障分类器对其进行故障分类，获得各所述故障样本数据对应的故障预测类型。
[0052]
基于各所述故障样本数据对应的故障预测类型和对应的故障标签，以及各类故障类型的概率，获取故障分类损失函数值。
[0053]
于一具体实施方式中，所述故障分类损失函数值采用margin损失函数公式计算，为：
[0054][0055]
其中，lf表示故障分类损失函数，tc表示故障c是否存在，当故障c存在时，tc＝1，不存在为0。m

为0.9，m-为0.1，可以惩罚假阳性和假阴性。m表示故障种类数。||vc||表示样
本i预测为故障c的概率。
[0056]
s203，将各所述样本数据多尺度特征图，和各所述新实测数据多尺度特征图，分别输入至所述域判别子模型中处理，以分别获得所述故障样本数据的域判别损失函数值和所述故障实测数据的域判别损失函数值；
[0057]
具体的，对于各所述样本数据多尺度特征图，所述域判别子模型的处理过程，包括：
[0058]
将各所述样本数据多尺度特征图输入至所述第三卷积层中，利用所述第三卷积层中的卷积核进行特征信息提取，然后利用全连接层对各特征信息汇总，以形成各所述样本数据多尺度特征图的数据域特征信息，即各所述样本数据多尺度特征图于数据域的特征信息；输出各所述样本数据多尺度特征图的数据域特征信息至所述输出层，获得各所述样本数据多尺度特征图对应的域判别信息，即判定所述样本数据多尺度特征图对应为故障样本数据或故障实测数据的判别结果。
[0059]
基于各所述故障样本数据对应的域判别信息和对应的数据域标签，以及各数据域类型的概率，获取所述述故障样本数据对应的域分类损失函数值。
[0060]
同样地，对于各所述新实测数据多尺度特征图，所述域判别子模型的处理过程与上述样本数据多尺度特征图的处理过程，在此不再赘述。
[0061]
于一具体实施方式中，所述域分类损失函数值采用二分类交叉熵损失函数公式计算，为：
[0062][0063]
其中，ld表示域分类损失，yi表示样本i的数据域标签，当属于故障样本数据类型时，该标签为0；当属于故障实测数据类型时，该标签为1。pi为对样本i属于故障实测数据类型的预测概率。n表示总的样本数。
[0064]
s204，基于所述故障样本数据的故障分类损失函数值、所述故障样本数据的域判别损失函数值，和所述故障实测数据的域判别损失函数值，获得总损失函数值；基于该总损失函数值，反向更新所述特征提取子模型、所述故障分类子模型和所述域判别子模型中的模型参数。
[0065]
具体地，基于预设的权重，对所述故障分类损失函数值、所述故障样本数据的域判别损失函数值，和所述故障实测数据的域判别损失函数值进行加权求和，以获得总损失函数值。
[0066]
需要说明的是，本发明提供的所述故障诊断模型训练方法，对以上步骤s202和步骤s203执行顺序的先后不做限定；例如，于其他的实施例中，也可以先执行所述步骤s203，再执行所述步骤s202。
[0067]
s300，更新所述训练集，以基于新的所述训练集执行步骤s100至步骤s200，直至退出。
[0068]
具体的，获取新的所述故障样本子集，和新的所述故障实测子集，以构建新的训练集；基于所述新的新的训练集，执行步骤s100至步骤s200；重复该过程，直至执行的总次数达到预设的训练迭代次数阈值，从而获得训练后的故障诊断模型。
[0069]
本实施例提供的所述故障诊断模型训练方法，通过于特征提取子模型中设置梯度
反转层，使所述特征提取子模型和所述域判别子模型形成对抗训练关系；并且，通过不断训练优化，使所述特征提取子模型达到提取域不变特征的目的；同时，通过最小化故障样本数据的分类损失函数值，对所述故障诊断模型进行有监督的学习，在实现故障诊断同时，降低因实测数据与样本数据之间的分布特征差异，所造成的对于模型性能的影响，从而提高了模型的准确性并拓展了模型的适用范围。
[0070]
于解决现有技术中存在的问题，本发明于第二方面提供一种故障诊断模型方法，以基于设备的故障状态信息判定设备的故障类型。
[0071]
请参阅图5，示出为本发明提供的所述故障诊断模型方法于一实施中的流程示意图。
[0072]
如图5所示，所述故障诊断模型方法，包括以下步骤：
[0073]
s10，获得设备的故障样本数据和故障实测数据；
[0074]
具体的，获取的所述故障样本数据的数据个数，不少于所述故障实测数据个数的0.5倍。
[0075]
s20，基于所述故障样本数据和所述故障实测数据，对预设的故障诊断模型进行训练，以获得训练后的故障诊断模型；
[0076]
具体的，采用图1所示的所述故障诊断模型训练方法，对所述预设的故障诊断模型进行训练，以获得训练后的故障诊断模型。
[0077]
其中，所述故障诊断模型包括特征提取子模型、故障分类子模型和域判别子模型。
[0078]
具体的，所述特征提取子模型用于分别提取所述训练集中的故障样本数据和故障实测数据的的多尺度特征图，和缩小所述故障样本数据和所述故障实测数据之间的多尺度特征差异。
[0079]
于一具体实施例中，所述特征提取子模型包括输入层、第一卷积层、多尺度特征提取层和梯度反转层；
[0080]
其中，所述第一卷积层为宽卷积层，其卷积核大小大于所述多尺度特征提取层中各卷积核大小，以实现对各所述训练数据的降噪处理；
[0081]
所述多尺度特征提取层为多尺度卷积层，包括若干个不同尺度的卷积核，用于提取各所述训练数据的多尺度特征图，即各所述训练数据的多尺度特征信息；
[0082]
所述梯度反转层用于在模型训练的反向传播过程中执行梯度反转，以实现所述特征提取子模型与所述域判别子模型的对抗训练。
[0083]
所述故障分类子模型用于根据所述多尺度特征图，确定所述多尺度特征图对应的故障类型。
[0084]
于一具体实施例中，所述故障分类子模型为胶囊网络子模型，包括初级胶囊层和故障胶囊层；
[0085]
其中，所述初级胶囊层包括大小相同的各第二卷积核，用于根据各所述第二卷积核，提取所述多尺度特征的隐空间信息和状态信息，以获得各训练数据的初始胶囊；
[0086]
所述故障胶囊层包括预设的故障分类器，以利用所述故障分类器和基于各所述初始胶囊，确定各训练数据的故障类型。
[0087]
所述域判别子模型用于提取所述多尺度特征图的隐空间特征，以根据所述隐空间特征，确定所述多尺度特征图对应的数据域类型；即所述多尺度特征图对应的数据域为故
障样本数据或故障实测数据。
[0088]
于一具体实施例中，所述域判别子模型为神经模型，包括第三卷积层、第三全连接层和输出层；其中，所述第三卷积模型层和第三全连接层，用于对各训练数据的多尺度特征图进行隐空间特征提取，以获得各训练数据的隐空间特征；所述输出层则用于根据所述隐空间特征，判断多尺度特征图的数据域类型。
[0089]
可选的，所述输出层的神经元个数为1，激活函数包括sigmoid函数。
[0090]
s30，利用所述训练后的故障诊断模型，对设备的所述故障实测数据进行故障类型判定，以获得各所述故障实测数据对应的故障类型。
[0091]
本发明于第三方面还提供一种电子设备，所述电子设备包括：处理器、存储器、收发器、通信接口和系统总线；存储器和通信接口通过系统总线与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于和其他设备进行通信，处理器和收发器用于运行计算机程序，使处理设备执行如上所述故障诊断模型训练方法或如上所述故障诊断方法中的各个步骤。
[0092]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0093]
此外，本发明于第四方面还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器调用时实现如上所述故障诊断模型训练方法或如上所述故障诊断方法中的各个步骤。
[0094]
其中，计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备。
[0095]
这里所描述的计算机可读程序可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0096]
综上所述，本发明提供的本发明提供的所述故障诊断模型训练方法、故障诊断方法、设备及计算机存储介质，通过于特征提取子模型中设置梯度反转层，使所述特征提取子模型和所述域判别子模型形成对抗训练关系；并且，通过不断训练优化，使所述特征提取子模型达到提取域不变特征的目的；同时，通过最小化故障样本数据的分类损失函数值，对所述故障诊断模型进行有监督的学习，在实现故障诊断同时，降低因实测数据与样本数据之间的分布特征差异，所造成的对于模型性能的影响，从而提高了模型的准确性和的实际应用效果，并拓展了模型的适用范围。
[0097]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。