一种基于大数据的高炉炉缸活跃性评价与预测方法及系统

1.本技术属于数据处理技术领域，具体涉及一种基于大数据的高炉炉缸活跃性评价与预测方法及系统。


背景技术：

2.高炉炉缸状态对高炉生产“优质、低耗、高产、长寿、高效率”有着重要影响。例如：高质量铁水有赖于炉缸内渣铁间耦合反应的充分进行；喷吹燃料以降低焦炭的消耗将使得炉缸内“骨架”负荷加重；高炉操作者期望稳定、高效的生产，而这又要求高炉炉缸能提供充足、稳定、沿炉缸径向及周向分布均匀的热量和还原气体，且大量的贴水要能从炉缸内顺利排出；生铁生产要有具有竞争力，就必须延长高炉寿命，而炉缸是高炉本体中最难维护的区域，同时又是决定高炉寿命的关键部位。渣铁最终汇聚于炉缸，炉缸的活跃是高炉生产的焦点。也就是说，高炉炉缸活跃状态时高炉稳定顺行的基础，量化高炉炉缸活跃性随指导高炉生产操作有重要意义。
3.就目前来说，基于渣铁流动阻力系数建立的高炉炉缸活跃性评价方法存在一定的实施难度和局限性，例如炉缸内焦炭料柱取样难、相关参数无法直接测量、模型经验系数多、与高炉操作和高炉炉况关联性差等。高炉炉缸活跃性具有复杂性、多变性、非线性等特点，其影响因素错综复杂且具有时间滞后性，基于温度数据建立的高炉炉缸活跃性评价方法，数据利用率低，未能充分挖掘出高炉生产数据中有价值的信息，造成数据资源浪费；虽然能够对当前炉缸活跃状态进行评价，但是无法提前预测炉缸状态变化并反馈高炉操作建议，另外算法与机理融合度低，验证性不足，与高炉实际生产情况有一定差距。
4.鉴于此，提供一种基于大数据的高炉炉缸活跃性评价与预测方法及系统，实现了高炉炉缸活跃性准确评价、精准预测，为高炉的高产、低耗、顺行提供保障。


技术实现要素：

5.(一)要解决的技术问题
6.鉴于现有技术的上述缺点、不足，本技术提供一种基于大数据的高炉炉缸活跃性评价与预测方法及系统。
7.(二)技术方案
8.为达到上述目的，本技术采用如下技术方案：
9.第一方面，本技术提供一种基于大数据的高炉炉缸活跃性评价与预测方法，包括：
10.s1、收集高炉生产历史数据，并通过数据预处理对所述高炉生产历史数据进行治理，获取高炉炉缸活跃性应用数据；
11.s2、基于高炉炉缸活跃性应用数据确定高炉炉缸活跃性的计算方法，通过集成所述计算方法来建立高炉炉缸活跃性评价模型，并通过所述评价模型对高炉炉缸活跃性进行初步评价；
12.s3、基于高炉炉缸活跃性应用数据获取高炉炉况稳定性指数，基于高炉炉况稳定
性指数对高炉炉缸活跃性评价模型进行修正，并基于修正后的高炉炉缸活跃性评价模型对高炉炉缸活跃性进行最终评价和等级划分；
13.s4、基于高炉炉缸活跃性应用数据获取高炉炉缸活跃性的影响参数，通过对影响参数进行深度学习来建立高炉炉缸活跃性预测模型，并通过所述预测模型对高炉炉缸活跃性进行预测。
14.可选的，还包括：
15.s5、获取高炉生产实时数据，基于所述高炉生产实时数据对高炉炉缸活跃性预测模型进行学习和训练，并通过自学习更新所述预测模型的神经网络超参数和影响参数。
16.可选的，s1包括：
17.所述高炉历史数据包括高炉原燃料数据、高炉操作数据、高炉冶炼状态数据和渣铁排放数据；
18.所述预处理包括数据缺失值处理、异常值处理、数据频次对齐和时滞性处理。
19.可选的，s2包括：
20.s2-1、基于高炉炉缸活跃性应用数据，获取各高炉炉缸活跃性计算方法与炉况参数之间的相关性，并基于所述相关性确定高炉炉缸活跃性的计算方法；
21.所述炉况参数包括焦比、透气性、鼓风动能、煤气利用率、热负荷；
22.s2-2、通过机器学习对确定的计算方法进行系数修正，并通过集成修正后的计算方法来建立高炉炉缸活跃性评价模型；
23.s2-3、基于高炉炉缸活跃性评价模型获取高炉炉缸活跃性指数，通过所述高炉炉缸活跃性指数对高炉炉缸活跃性进行初步评价。
24.可选的，s3包括：
25.s3-1、基于高炉炉缸活跃性应用数据获取高炉炉况参数，并通过集成高炉炉况参数，获取高炉炉况稳定性指数；
26.所述高炉炉况参数包括高炉经济指标、高炉顺行指标、炉缸侵蚀指标；
27.s3-2、基于高炉炉况稳定性指数检验高炉炉缸活跃性评价模型的准确性，获取检验结果，并基于所述检验结果修正高炉炉缸活跃性评价模型；
28.s3-3、基于修正后的高炉炉缸活跃性评价模型，获取最终的高炉炉缸活跃性指数，并基于高炉炉况稳定性指数和最终的高炉炉缸活跃性指数，对高炉炉缸活跃性进行等级划分。
29.可选的，s3-3包括：
30.若高炉炉况稳定性指数和最终的高炉炉缸活跃性指数均高于对应的预设值，则高炉炉缸活跃性处于第一等级；
31.若高炉炉况稳定性指数低于预设值且最终的高炉炉缸活跃性指数高于预设值，或是高炉炉况稳定性指数高于预设值且最终的高炉炉缸活跃性指数低于预设值，则高炉炉缸活跃性处于第二等级；
32.若高炉炉况稳定性指数和最终的高炉炉缸活跃性指数均低于对应的预设值，则高炉炉缸活跃性处于第三等级。
33.可选的，s4包括：
34.基于获取的影响参数，通过确定神经网络超参数建立高炉炉缸活跃性预测模型；
35.所述神经网络超参数包括隐藏层层数、各层神经元节点数、学习率、激活函数、丢弃率以及迭代次数。
36.第二方面，本技术提供一种基于大数据的高炉炉缸活跃性评价与预测系统，包括：
37.数据治理模块，具体用于采集高炉生产历史数据，并通过数据预处理对所述高炉生产历史数据进行处理，获取高炉炉缸活跃性应用数据；
38.炉缸活跃性评价模块，具体用于基于高炉炉缸活跃性应用数据确定高炉炉缸活跃性的计算方法，通过集成所述计算方法来建立高炉炉缸活跃性评价模型，并通过所述评价模型对高炉炉缸活跃性进行初步评价；
39.炉缸活跃性修正模块，具体用于基于高炉炉缸活跃性应用数据获取高炉炉况稳定性指数，基于高炉炉况稳定性指数对高炉炉缸活跃性评价模型进行修正，并基于修正后的高炉炉缸活跃性评价模型对高炉炉缸活跃性进行最终评价和等级划分；
40.炉缸活跃性预测模块，具体用于基于高炉炉缸活跃性应用数据获取高炉炉缸活跃性的影响参数，通过对影响参数进行深度学习来建立高炉炉缸活跃性预测模型，并通过所述预测模型对高炉炉缸活跃性进行预测；
41.炉缸活跃性更新模块，具体用于基于新获取的高炉生产实时数据，通过自学习对高炉炉缸活跃性预测模型进行学习和训练，实时或定期更新所述预测模型的神经网络超参数和影响参数。
42.(三)有益效果
43.第一、通过加强高炉生产数据治理和应用，避免了数据资源的浪费，并提高了高炉生产数据质量，为高炉炉缸活跃性评价、预测和反馈提供了稳定的数据源。
44.第二、深度融合了高炉生产数据和大数据算法的高炉炉缸活跃性评价体系，能够最大程度地符合高炉实际生产情况，实现了对高炉炉缸活跃性的准确评价。
45.第三、通过自学习不断地对高炉炉缸活跃性预测模型进行更新，实现了高炉炉缸活跃性的长期精准预测。
附图说明
46.本技术借助于以下附图进行描述：
47.图1为基于大数据的高炉炉缸活跃性评价与预测方法的流程示意图；
48.图2为基于大数据的高炉炉缸活跃性评价与预测系统的模块构成示意图。
具体实施方式
49.为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。可以理解的是，以下所描述的具体的实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合；为了便于描述，附图中仅示出了与发明相关的部分。
50.实施例一提供一种基于大数据的高炉炉缸活跃性评价与预测方法，如图1所示，具体方法步骤如下：
51.s1、采集高炉生产历史数据，并通过数据预处理对所述高炉生产历史数据进行治理，获取高炉炉缸活跃性应用数据。
52.本实施例中，高炉历史数据包括高炉原燃料数据、高炉操作数据、高炉冶炼状态数据和渣铁排放数据。
53.本实施例中，预处理包括数据缺失值处理、异常值处理、数据频次对齐和时滞性处理。
54.s2、基于高炉炉缸活跃性应用数据确定高炉炉缸活跃性的计算方法，通过集成所述计算方法来建立高炉炉缸活跃性评价模型，并通过所述评价模型对高炉炉缸活跃性进行初步评价。
55.s3、基于高炉炉缸活跃性应用数据获取高炉炉况稳定性指数，基于高炉炉况稳定性指数对高炉炉缸活跃性评价模型进行修正，并基于修正后的高炉炉缸活跃性评价模型对高炉炉缸活跃性进行最终评价和等级划分。
56.s4、基于高炉炉缸活跃性应用数据获取高炉炉缸活跃性的影响参数，通过对影响参数进行深度学习来建立高炉炉缸活跃性预测模型，并通过所述预测模型对高炉炉缸活跃性进行预测。
57.s5、获取高炉生产实时数据，基于所述高炉生产实时数据对高炉炉缸活跃性预测模型进行学习和训练，通过自学习更新所述预测模型的神经网络超参数和影响参数。
58.本实施例中，神经网络超参数包括隐藏层层数、各层神经元节点数、学习率、激活函数、丢弃率以及迭代次数。
59.实施例一中的方法通过高炉炉缸活跃性评价模型对高炉炉缸活跃性进行初步评价，通过修正后的高炉炉缸活跃性评价模型对高炉炉缸活跃性进行最终评价和等级划分，并通过高炉炉缸活跃性预测模型对高炉炉缸活跃性进行预测，实现了对高炉炉缸活跃性的准确评价、精准预测，为高炉优质、高产、低耗、顺行提供了保障。
60.实施例二提供一种基于大数据的高炉炉缸活跃性评价与预测方法，具体方法步骤如下：
61.s1、采集高炉生产历史数据，并通过数据预处理对所述高炉生产历史数据进行治理，获取高炉炉缸活跃性应用数据。
62.基于上述s1，需要说明的是：
63.对高炉炉缸活跃性应用数据的获取，一种可选的处理方式为：获取最近2年高炉生产历史数据，并通过数据预处理对获取的高炉生产历史数据进行治理，进而获取高炉炉缸活跃性应用数据。
64.本实施例中，对于高炉生产历史数据的预处理，可以通过大数据技术对高炉生产历史数据进行转换、清洗和整合，以便提高高炉生产历史数据的质量，并实现不同工序之间数据的连接和调用。
65.本实施例中，为了更好地理解对于高炉生产历史数据的预处理，具体操作过程包括：针对高炉生产历史数据存在的问题，主要处理手段包括填补或剔除缺失值、替换或剔除离群值、不同工序数据频次对齐等方式。上述操作过程不仅能够提高数据质量，还可以解决由于不同工序的数据采集周期不同，进而造成的数据样本不均衡以及数据无法直接匹配的问题。
66.s2、基于高炉炉缸活跃性应用数据确定高炉炉缸活跃性的计算方法，通过集成所述计算方法来建立高炉炉缸活跃性评价模型，并通过所述评价模型对高炉炉缸活跃性进行
初步评价。
67.基于上述s2，需要说明的是，为了更好地理解对高炉炉缸活跃性的实时评价，具体方法步骤如下：
68.s2-1、基于高炉炉缸活跃性应用数据，获取各高炉炉缸活跃性计算方法与炉况参数之间的相关性，并基于所述相关性确定高炉炉缸活跃性的计算方法。
69.所述炉况参数包括焦比、透气性、鼓风动能、煤气利用率、热负荷。
70.基于上述s2-1，为了更好地理解，可以基于最大信息系数mic (maximal information coefficient)，分析高炉炉缸活跃性计算方法与炉况参数之间的相关性，并筛选出最大信息系数mic高于0.3的高炉炉缸活跃性计算方法。
71.s2-2、通过机器学习对确定的计算方法进行系数修正，并通过集成修正后的计算方法来建立高炉炉缸活跃性评价模型。
72.基于上述s2-2，为了更好地理解，若通过筛选的方式确定出的高炉炉缸活跃性计算方法含有经验系数，则基于最小二乘法对所述高炉炉缸活跃性计算方法中的经验系数进行修正。
73.s2-3、基于高炉炉缸活跃性评价模型获取高炉炉缸活跃性指数，通过所述高炉炉缸活跃性指数对高炉炉缸活跃性进行初步评价。
74.基于上述s2-2和s2-3，为了更好地理解，可以基于主成分分析对确定的高炉炉缸活跃性计算方法进行集成，进而获取高炉炉缸活跃综合指数，具体方法步骤如下：
75.1)对高炉炉缸活跃性计算方法数据进行正太转换和标准化；
76.2)基于主成分分析，将各高炉炉缸活跃性计算方法结果转换为相同数目的主成分，并计算各主成分的特征根λ；
77.3)第i个主成分的权重等于第i个主成分的特征根λ与特征根和的比值(即wi＝λi/λ
和
)；
78.4)根据权重对各主成分进行加权求和，最终计算得到高炉炉缸活跃综合指数。
79.s3、基于高炉炉缸活跃性应用数据获取高炉炉况稳定性指数，基于高炉炉况稳定性指数对高炉炉缸活跃性评价模型进行修正，并基于修正后的高炉炉缸活跃性评价模型对高炉炉缸活跃性进行最终评价和等级划分。
80.基于上述s3，需要说明的是，为了更好地理解对高炉炉缸活跃性评价模型的修正，一种可选的方法如下：
81.s3-1、基于高炉炉缸活跃性应用数据获取高炉炉况参数，并通过集成高炉炉况参数，获取高炉炉况稳定性指数。
82.本实施例中，高炉炉况参数包括高炉经济指标、高炉顺行指标、炉缸侵蚀指标；
83.基于上述s3-1，一种可选的处理方式为：基于高炉高产、优质、顺行、低耗、长寿的原则，筛选出高炉经济指标和高炉顺行指标。
84.本实施例中，高炉经济指标包括焦比、铁水产量；高炉顺行指标包括透气性、鼓风动能、煤气利用率、热负荷、铁水[si]含量；炉缸侵蚀指标包括炉缸侵蚀厚度、炉缸侧壁水温差、炉底中心温度。
[0085]
本实施例中，通过因子分析的方式计算出各高炉炉况参数的权重，并基于高炉炉况参数的权重计算高炉炉况稳定性指数。
[0086]
s3-2、基于高炉炉况稳定性指数检验高炉炉缸活跃性评价模型的准确性，获取检验结果，并基于所述检验结果修正高炉炉缸活跃性评价模型。
[0087]
基于上述s3-2，一种可选的处理方式为：基于高炉炉缸活跃性应用数据，通过最大信息系数对高炉炉缸活跃性指数与高炉炉况稳定性指数进行相关性分析，验证高炉炉缸活跃性评价模型的准确性。
[0088]
本实施例中，将影响高炉炉况运行状态的因素分为高炉炉缸活跃性和其他因素两方面，并通过高炉炉况稳定性指数表征高炉炉况运行状态。
[0089]
本实施例中，当高炉炉况稳定性指数高于平均水平20％时，代表高炉炉况运行状态稳定，此时炉缸活跃性综合指数应也高于平均水平。
[0090]
本实施例中，当高炉炉况稳定性指数低于平均水平20％时，代表高炉炉况运行状态较差，此时炉缸活跃性综合指数应也低于平均水平。
[0091]
本实施例中，当高炉炉况稳定性指数处于平均水平
±
20％以内时，代表高炉炉况运行状态常态化，此时不对炉缸活跃性综合指数进行修正。
[0092]
s3-3、基于修正后的高炉炉缸活跃性评价模型，获取最终的高炉炉缸活跃性指数，并基于高炉炉况稳定性指数和最终的高炉炉缸活跃性指数，对高炉炉缸活跃性进行等级划分。
[0093]
基于上述s3-3，一种可选的处理方式为：采用k-means聚类算法对高炉炉缸综合活跃性指数和高炉炉况稳定性指数进行聚类分析，将高炉炉缸活跃性划分为优、良、差三个等级，并获取每个等级对应的数据区间。
[0094]
本实施例中，若高炉炉况稳定性指数和最终的高炉炉缸活跃性指数均高于对应的预设值，则高炉炉缸活跃性处于第一等级，即为优等级。
[0095]
其中，预设值并非为固定数值，可以根据具体炉况进行确定。
[0096]
本实施例中，若高炉炉况稳定性指数低于预设值且最终的高炉炉缸活跃性指数高于预设值，或是高炉炉况稳定性指数高于预设值且最终的高炉炉缸活跃性指数低于预设值，则高炉炉缸活跃性处于第二等级，即为良等级。
[0097]
本实施例中，若高炉炉况稳定性指数和最终的高炉炉缸活跃性指数均低于对应的预设值，则高炉炉缸活跃性处于第三等级，即为差等级。
[0098]
s4、基于高炉炉缸活跃性应用数据获取高炉炉缸活跃性的影响参数，通过对影响参数进行深度学习来建立高炉炉缸活跃性预测模型，并通过所述预测模型对高炉炉缸活跃性进行预测。
[0099]
基于上述s4，为了更好地理解对高炉炉缸活跃性的预测，具体方法步骤如下：
[0100]
s4-1、基于高炉炉缸活跃性应用数据，通过构造特征算子对高炉参数进行转换，获取衍生特征；并以高炉炉缸活跃性指数为目标，基于衍生特征和高炉参数，通过特征筛选确定高炉炉缸活跃性的影响参数。
[0101]
本实施例中，构造特征算子包括但不仅限于倒数转换、指数转换、正切转换、s型转换、多项式转换。
[0102]
本实施例中，特征筛选方式包括但不仅限于pearson相关性系数、最大信息系数。
[0103]
基于上述s4-1，一种可选的方式为：以高炉炉缸活跃性指数为目标，基于专家经验，通过逐步回归算法剔除不相关或者冗余的高炉炉况参数，筛选出影响高炉炉缸活跃性
的重点影响参数，以便减少高炉炉缸活跃性预测模型训练时间，进一步提高预测模型的精确度。
[0104]
s4-2、基于确定的影响参数，通过网格搜索和交叉验证确定神经网络超参数，进而建立高炉炉缸活跃性预测模型，并基于高炉炉缸活跃性预测模型对高炉炉缸活跃性进行预测。
[0105]
本实施例中，可以基于高炉炉缸活跃性预测模型，对高炉炉缸活跃性进行提前1小时的预测。
[0106]
基于上述s4-2，一种可选的方式为：基于筛选出的高炉炉缸活跃性的影响参数，按照比例7：2：1将影响参数所对应的数据拆分为训练集、验证集和测试集；并搭建深度神经网络，通过网格搜索和交叉验证确定神经网络隐藏层层数、各层神经元节点数、学习率、激活函数、丢弃率、迭代次数等超参数，进而建立高炉炉缸活跃性预测模型，并基于预测模型对高炉炉缸活跃综合指数进行高精度预测。
[0107]
s5、获取高炉生产实时数据，基于所述高炉生产实时数据对高炉炉缸活跃性预测模型进行学习和训练，通过自学习更新所述预测模型的神经网络超参数和影响参数。
[0108]
基于上述s5，在具体的处理过程中，设定高炉炉缸活跃性预测模型的自更新周期，并通过获取高炉生产实时数数据对高炉炉缸活跃性应用数据进行更新；采用更新后的高炉炉缸活跃性应用数据对高炉炉缸活跃性预测模型重新进行学习和训练，对神经网络超参数和炉缸活跃性影响参数进行定期更新。
[0109]
实施例二中的方法通过高炉炉缸活跃性评价模型对高炉炉缸活跃性进行初步评价，通过修正后的高炉炉缸活跃性评价模型对高炉炉缸活跃性进行最终评价和等级划分，并通过高炉炉缸活跃性预测模型对高炉炉缸活跃性进行预测，实现了对高炉炉缸活跃性的准确评价、精准预测，为高炉优质、高产、低耗、顺行提供了保障。
[0110]
实施例三提供高炉炉缸活跃性的计算方法，具体计算方法包括：
[0111]
第一计算方法：其中，a为高炉炉况活跃性，t0为炉缸侧壁热电偶温度均值，tc为炉底各层中心热电偶温度均值。
[0112]
第二计算方法：其中，y为高炉每日铁水产量，d为高炉每日出铁次数。
[0113]
第三计算方法：其中，t
p
为铁水物理热，[si]为铁水硅含量。
[0114]
第四计算方法：其中，dmt为炉芯死料柱温度，tc为炉缸侧壁各层热电偶温度均值。
[0115]
本实施例中，上述4种计算方法为优选的高炉炉缸活跃性计算方法，但不仅限于上述4种计算方法。
[0116]
在本实施例中，一种可选的处理过程为：基于高炉炉缸活跃性应用数据，获取上述四种计算方法与炉况参数之间的相关性，并基于获得的相关性确定高炉炉缸活跃性的计算方法。
[0117]
基于实施例三中的4种计算方法，能够确定出高炉炉缸活跃性的计算方法，通过机器学习对确定的计算方法进行系数修正，并通过集成修正后的计算方法来建立高炉炉缸活跃性评价模型，进而实现对高炉炉缸活跃性的科学评价。
[0118]
实施例四提供一种基于大数据的高炉炉缸活跃性评价与预测系统，如图2所示，评价与预测系统具体包括：
[0119]
数据治理模块，具体用于采集高炉生产历史数据，并通过数据预处理对所述高炉生产历史数据进行处理，获取高炉炉缸活跃性应用数据；
[0120]
炉缸活跃性评价模块，具体用于基于高炉炉缸活跃性应用数据确定高炉炉缸活跃性的计算方法，通过集成所述计算方法来建立高炉炉缸活跃性评价模型，并通过所述评价模型对高炉炉缸活跃性进行初步评价；
[0121]
炉缸活跃性修正模块，具体用于基于高炉炉缸活跃性应用数据获取高炉炉况稳定性指数，基于高炉炉况稳定性指数对高炉炉缸活跃性评价模型进行修正，并基于修正后的高炉炉缸活跃性评价模型对高炉炉缸活跃性进行最终评价和等级划分；
[0122]
炉缸活跃性预测模块，具体用于基于高炉炉缸活跃性应用数据获取高炉炉缸活跃性的影响参数，通过对影响参数进行深度学习来建立高炉炉缸活跃性预测模型，并通过所述预测模型对高炉炉缸活跃性进行预测；
[0123]
炉缸活跃性更新模块，具体用于基于新获取的高炉生产实时数据，通过自学习对高炉炉缸活跃性预测模型进行学习和训练，实时或定期更新所述预测模型的神经网络超参数和影响参数。
[0124]
基于实施例四中的数据治理模块、炉缸活跃性评价模块、炉缸活跃性修正模块、炉缸活跃性预测模块及炉缸活跃性更新模块，能够实现对高炉炉缸活跃性的准确评价、精准预测和动态反馈，为高炉优质、高产、低耗、顺行提供了保障。
[0125]
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。
[0126]
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例做出另外的变更和修改。所以，权利要求应该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。
[0127]
显然，本领域的技术人员可以对本发明进行各种修改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，则本发明也应该包含这些修改和变型在内。