一种废水化学需氧量的检测方法、装置、介质及系统与流程

1.本技术涉及水质监测技术领域，特别是涉及一种废水化学需氧量的检测方法、装置、介质及系统。


背景技术：

2.化学需氧量(chemical oxygen demand，cod)是水体中受还原性物质污染的综合性指标，主要是水体受有机物污染的综合性指标。作为再造烟叶生产废水关键水质指标的cod数值较高且波动较大，目前还没有有效的cod实时检测手段或技术。
3.目前常见的cod检测方法有重铬酸钾法、电化学法、紫外吸收法等，这些方法往往要求水质成分稳定，水体中不含有悬浮杂质，水质变化对测定结果的影响较大；检测过程较复杂，耗时长，药剂消耗量大，无法快速反映水质cod的变化。
4.因此，在保证cod测试准确的前提下，如何缩短cod检测时间、减少药剂消耗量是本领域技术人员亟需要解决的问题。


技术实现要素：

5.本技术的目的是提供一种废水化学需氧量的检测方法、装置、介质及系统，用于缩短cod检测时间、减少药剂消耗量。
6.为解决上述技术问题，本技术提供一种废水化学需氧量的检测方法，包括：
7.实时获取待测水样的特征参数数据；所述特征参数数据包括所述待测水样的电导率、固体悬浮物浓度、ph值和溶解氧；
8.将所述特征参数数据输入至预设化学需氧量预测模型，得到所述待测水样的化学需氧量；其中，所述预设化学需氧量预测模型为基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到的所述特征参数数据与所述化学需氧量之间的关系模型。
9.优选地，所述预设化学需氧量预测模型为基于所述机器学习拟合模型构建得到的所述特征参数数据与所述化学需氧量之间的关系模型，所述将所述特征参数数据输入至预设化学需氧量预测模型之前，还包括：
10.选取极端随机森林模型作为所述机器学习拟合模型；
11.将基于所述极端随机森林模型构建得到的所述特征参数数据与所述化学需氧量之间的关系模型作为所述预设化学需氧量预测模型。
12.优选地，所述将基于所述极端随机森林模型构建得到的所述特征参数数据与所述化学需氧量之间的关系模型作为所述预设化学需氧量预测模型，包括：
13.获取已知化学需氧量的测试水样；
14.确定所述测试水样的所述特征参数数据；
15.划分所述测试水样得到数据集和测试集；
16.确定所述极端随机森林模型包含的若干决策树，并生成与所述决策树对应的若干
化学需氧量初始预测模型；所述决策树包含多个决策树子单元；
17.利用每个所述化学需氧量初始预测模型对所述数据集进行递归采样，得到与所述决策树子单元对应的子数据集；
18.利用所述子数据集对所述决策树进行训练，并将所述测试集数据代入各所述化学需氧量初始预测模型，确定测试集相关系数最高的化学需氧量初始预测模型作为所述预设化学需氧量预测模型。
19.优选地，所述将所述特征参数数据输入至预设化学需氧量预测模型，得到所述待测水样的化学需氧量，包括：
20.将所述特征参数数据输入至所述预设化学需氧量预测模型的各所述决策树子单元中，得到每个所述决策树子单元对应的输出结果；
21.将各所述输出结果的均值作为所述待测水样的所述化学需氧量。
22.优选地，所述将所述特征参数数据输入至预设化学需氧量预测模型之前，还包括：
23.分别基于所述多元线性回归模型、所述多项式拟合模型、所述正则化回归模型和所述机器学习拟合模型构建得到的所述特征参数数据与所述化学需氧量之间的四个关系模型；
24.分别确定所述四个关系模型的准确率，将所述准确率最高的关系模型作为所述预设化学需氧量预测模型。
25.本技术还提供一种废水化学需氧量的检测装置，包括：
26.特征参数数据获取模块，用于实时获取待测水样的特征参数数据；所述特征参数数据包括所述待测水样的电导率、固体悬浮物浓度、ph值和溶解氧；
27.化学需氧量检测模块，用于将所述特征参数数据输入至预设化学需氧量预测模型，得到所述待测水样的化学需氧量；其中，所述预设化学需氧量预测模型为基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到的所述特征参数数据与所述化学需氧量之间的关系模型。
28.本技术还提供一种废水化学需氧量的检测装置，包括存储器，用于存储计算机程序；
29.处理器，用于执行所述计算机程序时实现所述的废水化学需氧量的检测方法的步骤。
30.本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时所述的废水化学需氧量的检测方法的步骤。
31.本技术还提供一种废水化学需氧量的检测系统，应用于所述的废水化学需氧量的检测方法，包括：
32.集成式探头，所述集成式探头用于实时检测待测水样的特征参数数据，并将所述特征参数数据发送至终端；所述特征参数数据包括所述待测水样的电导率、固体悬浮物浓度、ph值和溶解氧；
33.所述终端，用于实时获取所述测待测水样的所述特征参数数据，将所述特征参数数据输入至预设化学需氧量预测模型，得到所述待测水样的化学需氧量；其中，所述预设化学需氧量预测模型为基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到的所述特征参数数据与所述化学需氧量之间的关系模
型。
34.本技术所提供的一种废水化学需氧量的检测方法，实时获取待测水样的特征参数数据；特征参数数据包括待测水样的电导率、固体悬浮物浓度、ph值和溶解氧；将特征参数数据输入至预设化学需氧量预测模型，得到待测水样的化学需氧量；其中，预设化学需氧量预测模型为基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到的特征参数数据与化学需氧量之间的关系模型。由于预设化学需氧量预测模型能够根据水样的特征参数数据预测化学需氧量，因此将实时获取到的待测水样的特征参数数据输入至预设化学需氧量预测模型即可预测水样的化学需氧量；相比通过化学方法检测水样的化学需氧量，通过模型预测化学需氧量的速度快，不需消耗化学药品，对水质几乎无影响，成本较低，能够实时反映废水中化学需氧量的变化，为实际生产过程提供即时的数据指导。
35.本技术所提供的一种废水化学需氧量的检测装置、介质及系统等有益效果与方法对应，效果如上。
附图说明
36.为了更清楚地说明本技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
37.图1为本技术实施例提供的一种废水化学需氧量的检测方法的流程图；
38.图2为本技术实施例提供的一种废水化学需氧量的检测系统的结构图；
39.图3为本技术实施例提供的一种废水化学需氧量的检测装置的结构图；
40.图4为本技术实施例提供的另一种废水化学需氧量的检测装置的结构图。
具体实施方式
41.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部实施例。基于本技术中的实施例，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，都属于本技术保护范围。
42.本技术的核心是提供一种废水化学需氧量的检测方法、装置、介质及系统。
43.为了使本技术领域的人员更好地理解本技术方案，下面结合附图和具体实施方式对本技术作进一步的详细说明。
44.图1为本技术实施例提供的一种废水化学需氧量的检测方法的流程图，如图1所示，废水化学需氧量的检测方法包括：
45.s10：实时获取待测水样的特征参数数据；特征参数数据包括待测水样的电导率、固体悬浮物浓度、ph值和溶解氧。
46.s11：将特征参数数据输入至预设化学需氧量预测模型，得到待测水样的化学需氧量；其中，预设化学需氧量预测模型为基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到的特征参数数据与化学需氧量之间的关系模型。
47.在步骤s10中，关于如何获取待检测水样的特征参数数据本技术实施例不作具体限定，可以是接收水质检测仪实时反馈的特征参数数据；特征参数数据包括待测水样的电导率、固体悬浮物浓度、ph值和溶解氧等，还可以是其他的特征参数。
48.在步骤s11中，本技术实施例中的预设化学需氧量预测模型为特征参数数据与化学需氧量之间的关系模型。具体地，预设化学需氧量预测模型可以是基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到。其中多元线性回归模型采用四项水质特征参数的最优组合共同预测cod值；多项式拟合模型针对每一个特征取多项式且进行组合，将个数较少的特征转变为内部相关的更多特征；正则化回归模型通过在普通回归经验风险中加入正则项，正则化可以看作是损失函数的惩罚项，即对损失函数中的某些参数做一些限制；极端随机森林模型是机器学习拟合模型的一种，选用cart回归树作为基础模型，在基于决策树的算法的基础上，利用集成的思想来提升单颗决策树的分类性能。
49.本技术实施例所提供的一种废水化学需氧量的检测方法，实时获取待测水样的特征参数数据；特征参数数据包括待测水样的电导率、固体悬浮物浓度、ph值和溶解氧；将特征参数数据输入至预设化学需氧量预测模型，得到待测水样的化学需氧量；其中，预设化学需氧量预测模型为基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到的特征参数数据与化学需氧量之间的关系模型。由于预设化学需氧量预测模型能够根据水样的特征参数数据预测化学需氧量，因此将实时获取到的待测水样的特征参数数据输入至预设化学需氧量预测模型即可预测水样的化学需氧量；相比通过化学方法检测水样的化学需氧量，通过模型预测化学需氧量的速度快，不需消耗化学药品，对水质几乎无影响，成本较低，能够实时反映废水中化学需氧量的变化，为实际生产过程提供即时的数据指导。
50.为提高模型预测cod值的准确度，一般选用准确率较高的模型作为预设化学需氧量预测模型。具体地，分别基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型构建得到的特征参数数据与化学需氧量之间的四个关系模型；分别确定四个关系模型的准确率，将准确率最高的关系模型作为预设化学需氧量预测模型。
51.研究表明，多元线性回归模型比只用一个自变量进行预测的一元线性回归模型更有效。使用多元线性回归模型预测烟草薄片废水cod的准确率为77.2％，在cod浓度较低时模型的准确率会下降，模型拟合优度r2为0.6561，总体而言，模型的准确率较好，可以初步实现烟草薄片废水cod的快速预测。多项式拟合模型使用一个多项式去拟合cod与多个水质特征参数间的回归关系，多项式拟合模型可以由线性回归模型扩充而来，因而多项式回归问题可以通过变量转换化为多元线性回归问题来解决；多项式拟合模型的准确率为90.0％，模型拟合优度r2为0.749，模型的拟合准确率与优度均显著高于线性回归模型。正则化回归模型常用的正则项一般有两种，分别为l1正则化和l2正则化，使用l1正则化的模型叫做lasso回归，使用l2正则化的模型叫做ridge回归(岭回归)；ridge回归方程的准确率为92.3％，拟合优度r2为0.7139；lasso回归方程的准确率为92.3％，拟合优度r2为0.7772，模型的拟合准确率进一步提高。极端随机森林模型作为机器学习拟合模型，相比于其它机器学习模型，极端随机森林模型的主要优点是由于随机选择样本和特征，所以不容易陷入过拟合；极端随机森林模型的准确率为97.7％，拟合优度r2为0.8613，在四个模型中准确率
和拟合优度均为最高，因此后续选用极端随机森林模型构建预设化学需氧量预测模型。
52.关于如何判断模型的准确率，对于所得模型，采用f检验法验证所得回归方程和拟合数据的离散程度，选定显著性水平为0.05，取自变量数量为4。在模型的验证上，计算实测值与预测值的相对偏差(rd)，若模型预测值与实测值的相对偏差在
±
20％以内，则认为模型是准确的。
53.基于上述实施例，选取极端随机森林模型作为机器学习拟合模型；将基于极端随机森林模型构建得到的特征参数数据与化学需氧量之间的关系模型作为预设化学需氧量预测模型。
54.具体的模型构建方法为，获取已知化学需氧量的测试水样；确定测试水样的特征参数数据；划分测试水样得到数据集和测试集；确定极端随机森林模型包含的若干决策树，并生成与决策树对应的若干化学需氧量初始预测模型；决策树包含多个决策树子单元；利用每个化学需氧量初始预测模型对数据集进行递归采样，得到与决策树子单元对应的子数据集；利用子数据集对决策树进行训练，并将测试集数据代入各化学需氧量初始预测模型，确定测试集相关系数最高的化学需氧量初始预测模型作为预设化学需氧量预测模型。
55.本技术实施例获取多组已知化学需氧量的测试水样，并测量出测试水样的电导率，ph值，固体悬浮物浓度(ss)，溶解氧等特征参数数据，基于八二原则将测试水样划分为数据集和测试集；针对每个化学需氧量初始预测模型，将数据集分别进行递归采样，得到与决策树子单元对应的子数据集，利用子数据集对决策树进行训练；将测试集的数据代入各化学需氧量初始预测模型，选择使测试集相关系数最高的化学需氧量初始预测模型，并确定对应的决策树子单元个数，进而得到基于极端随机森林模型的预设化学需氧量预测模型。
56.基于上述实施例，采用基于极端随机森林模型训练得到的预设化学需氧量预测模型，在获取在待测水样的特征参数数据时，将特征参数数据输入至预设化学需氧量预测模型的各决策树子单元中，得到每个决策树子单元对应的输出结果；将各输出结果的均值作为待测水样的所述化学需氧量。
57.基于上述实施例，图2为本技术实施例提供的一种废水化学需氧量的检测系统的结构图，该检测系统包括集成式探头1和终端2；集成式探头1用于实时检测待测水样的特征参数数据，并将特征参数数据发送至终端；特征参数数据包括待测水样的电导率、固体悬浮物浓度、ph值和溶解氧；终端2用于实时获取测待测水样的特征参数数据，将特征参数数据输入至预设化学需氧量预测模型，得到待测水样的化学需氧量；其中，预设化学需氧量预测模型为基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到的特征参数数据与所述化学需氧量之间的关系模型。
58.将集成式探头1伸入待测水样中，获取待测水样电导率、ph值、固体悬浮物浓度和溶解氧等特征参数数据，集成式探头1将特征参数数据发送至终端2，终端2设有基于机器学习拟合模型构建的预设化学需氧量预测模型，将特征参数数据输入预设化学需氧量预测模型，预设化学需氧量预测模型得到预测的化学需氧量。本技术实施例对终端2不作具体限定，可以是手机、平板电脑或台式电脑等。集成式探头1与终端2的通讯方式为bluetooth、wi fi、wimax中的一种或多种。
59.本技术实施例所提供的一种废水化学需氧量的检测系统，终端实时获取集成式探
头检测的待测水样的特征参数数据，将特征参数数据输入至预设化学需氧量预测模型，得到待测水样的化学需氧量；其中，预设化学需氧量预测模型为基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到的特征参数数据与所述化学需氧量之间的关系模型。由于预设化学需氧量预测模型能够根据水样的特征参数数据预测化学需氧量，因此将实时获取到的待测水样的特征参数数据输入至预设化学需氧量预测模型即可预测水样的化学需氧量；相比通过化学方法检测水样的化学需氧量，通过模型预测化学需氧量的速度快，不需消耗化学药品，对水质几乎无影响，成本较低，能够实时反映废水中化学需氧量的变化，为实际生产过程提供即时的数据指导。
60.在上述实施例中，对于废水化学需氧量的检测方法进行了详细描述，本技术还提供废水化学需氧量的检测装置对应的实施例。需要说明的是，本技术从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
61.图3为本技术实施例提供的一种废水化学需氧量的检测装置的结构图，如图3所示，废水化学需氧量的检测装置包括：
62.特征参数数据获取模块3，用于实时获取待测水样的特征参数数据；特征参数数据包括待测水样的电导率、固体悬浮物浓度、ph值和溶解氧；
63.化学需氧量检测模块4，用于将特征参数数据输入至预设化学需氧量预测模型，得到待测水样的化学需氧量；其中，预设化学需氧量预测模型为基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到的特征参数数据与化学需氧量之间的关系模型。
64.基于上述实施例，作为优选的实施例，还包括：
65.选取模块，用于选取极端随机森林模型作为机器学习拟合模型；
66.第一构建模块，用于将基于极端随机森林模型构建得到的特征参数数据与化学需氧量之间的关系模型作为预设化学需氧量预测模型。
67.基于上述实施例，作为优选的实施例，第一构建模块包括：
68.获取单元，用于获取已知化学需氧量的测试水样；
69.特征参数数据确定单元，用于确定测试水样的所述特征参数数据；
70.划分单元，用于划分测试水样得到数据集和测试集；
71.生成单元，用于确定极端随机森林模型包含的若干决策树，并生成与决策树对应的若干化学需氧量初始预测模型；决策树包含多个决策树子单元；
72.采样单元，用于利用每个化学需氧量初始预测模型对数据集进行递归采样，得到与决策树子单元对应的子数据集；
73.预设化学需氧量预测模型确定单元，用于利用子数据集对决策树进行训练，并将测试集数据代入各化学需氧量初始预测模型，确定测试集相关系数最高的化学需氧量初始预测模型作为预设化学需氧量预测模型。
74.基于上述实施例，作为优选的实施例，化学需氧量检测模块包括：
75.输入单元，用于将特征参数数据输入至预设化学需氧量预测模型的各决策树子单元中，得到每个决策树子单元对应的输出结果；
76.化学需氧量确定单元，用于将各输出结果的均值作为待测水样的化学需氧量。
77.基于上述实施例，作为优选的实施例，还包括：
78.第二构建模块，用于分别基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型构建得到的特征参数数据与化学需氧量之间的四个关系模型；
79.确定模块，用于分别确定四个关系模型的准确率，将准确率最高的关系模型作为预设化学需氧量预测模型。
80.由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
81.本技术实施例所提供的一种废水化学需氧量的检测装装置，实时获取待测水样的特征参数数据；特征参数数据包括待测水样的电导率、固体悬浮物浓度、ph值和溶解氧；将特征参数数据输入至预设化学需氧量预测模型，得到待测水样的化学需氧量；其中，预设化学需氧量预测模型为基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到的特征参数数据与化学需氧量之间的关系模型。由于预设化学需氧量预测模型能够根据水样的特征参数数据预测化学需氧量，因此将实时获取到的待测水样的特征参数数据输入至预设化学需氧量预测模型即可预测水样的化学需氧量；相比通过化学方法检测水样的化学需氧量，通过模型预测化学需氧量的速度快，不需消耗化学药品，对水质几乎无影响，成本较低，能够实时反映废水中化学需氧量的变化，为实际生产过程提供即时的数据指导。
82.图4为本技术实施例提供的另一种废水化学需氧量的检测装置的结构图，如图4所示，废水化学需氧量的检测装置包括：存储器20，用于存储计算机程序；
83.处理器21，用于执行计算机程序时实现如上述实施例废水化学需氧量的检测方法的步骤。
84.本实施例提供的废水化学需氧量的检测装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
85.其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(digital signal processor，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(central processing unit，cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图像处理器(graphics processing unit，gpu)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(artificial intelligence，ai)处理器，该ai处理器用于处理有关机器学习的计算操作。
86.存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的废水化学需氧量的检测方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括windows、unix、linux等。数据203可以包括但不限于特征参数数据等。
87.在一些实施例中，废水化学需氧量的检测装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
88.本领域技术人员可以理解，图4中示出的结构并不构成对废水化学需氧量的检测装置的限定，可以包括比图示更多或更少的组件。
89.本技术实施例提供的废水化学需氧量的检测装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：实时获取待测水样的特征参数数据；特征参数数据包括所述待测水样的电导率、固体悬浮物浓度、ph值和溶解氧；将特征参数数据输入至预设化学需氧量预测模型，得到待测水样的化学需氧量；其中，预设化学需氧量预测模型为基于多元线性回归模型、多项式拟合模型、正则化回归模型和机器学习拟合模型中任一种模型构建得到的特征参数数据与化学需氧量之间的关系模型。
90.最后，本技术还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例废水化学需氧量的检测方法中记载的步骤。
91.可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
92.以上对本技术所提供的一种废水化学需氧量的检测方法、装置、介质及系统进行了详细介绍。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。对于实施例公开的装置而言，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。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
93.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。