本发明公开了一种机械设备健康退化状态辨识方法、设备及系统，属于机械状态监测和健康退化状态辨识领域。该方法先获取机械设备的多种监测信号，提取其时域特征、功率谱特征及本征模态能量特征，然后利用GSOM网络对上述特征进行融合，得到其融合特征，再构建GenSVM模型，利用上述融合特征数据对GenSVM模型进行训练，获得测试模型，最后实时采集待测机械设备的多种监测信号，获取上述信号的将融合特征数据输入到测试模型中，得到健康退化状态辨识结果。本发明的上述方法以及基于上述方法的设备和系统能够对机械设备的健康退化状态进行实时精确辨识，实现机械设备的状态实时监测，保障数控机床的安全、稳定、长周期运行。
1.一种机械设备健康退化状态辨识方法，其特征在于，包括训练阶段和测试阶段：训练阶段包括如下步骤：
步骤1：获取机械设备的多种监测信号，对多种监测信号进行去奇异值处理和降噪处理；
步骤2：对步骤1处理后的各监测信号进行时域分析，分别提取各监测信号的时域特征，包括：平均值、均方差值、方根幅值、均方根值、最大绝对值、歪度指标、峭度指标、峰值因子以及裕度因子；
对步骤1处理后的各监测信号进行功率谱分析，分别提取各监测信号的功率谱特征，包括：频率中心、均方频率、均方根频率、频率方差和频率根方差；
对步骤1处理后的各监测信号进行CEEMDAN分解，得到各监测信号的各个本征模态分量，计算每个模态分量的能量值作为机械设备健康退化状态的本征模态能量特征；
步骤3：利用GSOM网络，分别对步骤2得到的各监测信号的时域特征、功率谱特征和本征模态能量特征进行融合，得到各监测信号的时域融合特征、功率谱融合特征和本征模态能量融合特征；
步骤3中利用GSOM网络对时域特征、功率谱特征和本征模态能量特征进行融合的过程如下：步骤3.1：选取机械设备部分正常状态下的多种监测信号数据的上述三种特征之一组建训练数据集Dn；
步骤3.3：向GSOM网络模型输入训练数据集Dn，并设定生长阈值距离dmax；
步骤3.4：随机无重复地从训练数据集选取某一时刻的机械设备的所有时域特征x(t)∈Dn；
依据与x(t)最小欧式距离的神经元为获胜神经元原则，即确定GSOM网络模型中的获胜神经元；
步骤3.5：判断是否需要生长新的神经元；若ol(x)(x)＞dmax，则当前网络结构不足以描述输入数据的特征，需要在GSOM网络模型中增加一个新神经元，继续步骤3.6；否则，返回步骤
步骤3.6：设定新神经元的前馈连接权值为x(t)T，计算新神经元到其它所有神经元的距离，在指定距离范围(a1×dmax，a2×dmax)内寻找新神经元的邻接神经元，建立邻接关系；其中，a1＜a2，a1和a2为预设的范围参数；
步骤3.7：重复步骤3.4到3.6，直到训练完Dn中所有数据后，得到训练好的GSOM网络模型；
步骤3.8：将待融合的多种监测信号数据按照时间顺序依次输入步骤3.7训练好的GSOM网络模型中，分别得到各检测信号融合后的特征值；
步骤4：利用步骤3获得的各监测信号的各融合特征对GenSVM模型进行训练；
步骤5：针对实时采集的机械设备多种监测信号，按照步骤2和步骤3分别提取多种监测信号的特征并分别进行特征融合后，输入到步骤4训练好的GenSVM模型中，获得健康退化状态辨识结果。
2.如权利要求1所述的一种机械设备健康退化状态辨识方法，其特征在于，步骤4中GenSVM的训练过程如下：步骤4.1：利用机械设备多种监测信号的融合特征数据组建性能衰退特征矩阵F；
其中，F1、F2和F3分别表示时域融合特征、功率谱融合特征和本征模态能量融合特征，且F1，F2，F3∈Rp×m，p为采样点数，m表示监测信号种类数，Rp×m表示p×m维的实数矩阵；L表示机械设备性能衰退状态标签，L∈Rp×1；
步骤4.2：将性能衰退特征矩阵F随机分为训练样本和校验样本；
步骤4.3：将训练样本输入GenSVM模型，GenSVM模型中的核函数将输入的训练样本中的数据映射到高维空间，表示为xi→Φi；
其中，W是权重矩阵，T偏置的转换向量；从而构造出分类边界；
其中，ρi是可选的对象权重，hp表示基于Huber铰链函数计算的误分类误差的权重，Gk表示是属于第k个状态的数据集合，K为机械设备健康退化状态数，λtrW′W是避免过拟合的惩罚项，λ＞0是正则化参数；
步骤4.6：逐步最小化损失函数，当损失函数满足如下条件时，训练过程结束：Lt-Lt-1＜∈Lt-1
其中，Lt和Lt-1表示L(W，T)在当前时刻和上一时刻的损失函数值；∈为预设的停止参数；
步骤4.7：利用校验样本对步骤4.6训练好的GenSVM模型进行校验，若精度满足要求，则进行步骤5；如精度不满足要求，则重新执行步骤4.3至4.6。
3.如权利要求2所述的一种机械设备健康退化状态辨识方法，其特征在于，步骤4.6中通过迭代优化的方式逐步最小化损失函数，步骤如下：步骤4.6.1：定义V＝[T W′]′和L＝L(W，T)，构建如下的优化方程其中，为支撑点，Vt为t时刻的V值；
步骤4.6.3：求得令 取最小Vt值并命名为Vt+1；
步骤4.6.4：如果L(Vt+1)-L(Vt)＜∈L(Vt)，则最优参数V*＝Vt+1，优化过程停止；否则令返回步骤4.6.2。
4.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1～3任一项所述的方法。
5.一种机械设备健康退化状态辨识设备，其特征在于，包括如权利要求4所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
6.一种机械设备健康退化状态辨识系统，其特征在于，包括：处理器、训练程序模块、测试程序模块以及多个信号传感器；其中，处理器用于调用训练程序模块执行如权利要求1～3任意一项所述的训练阶段的步骤，以及调用测试程序模块执行如权利要求1～3任意一项所述的测试阶段的步骤；
多个信号传感器用于获取根据待测设备类型而预设的多种监测信号，并上传至处理器以供训练及测试使用。
一种机械设备健康退化状态辨识方法、设备及系统
技术领域
[0001] 本发明属于机械状态监测和健康退化状态辨识技术领域，具体涉及一种基于生长自组织映射(growing self-organizing maps，GSOM)网络和广义多分类支持向量机(Generalized multiclass support vector machine，GenSVM)的机械健康退化监测方法、设备及系统。
背景技术
[0002] 机械设备作为制造、冶金、化工、环保等许多流程生产工业中的核心生产设备,它的运行好坏直接影响着企业的生产效率、产品质量、维护成本,特别是设备运行中发生的突发性故障和安全事故,往往导致整个生产流程的中断而造成重大生产损失。因此，在制造过程中对机械设备的健康退化状况进行实时辨识至关重要。
[0003] 支持向量机(support vector machine，SVM)算法以一种常用的机械设备的健康退化状况辨识方法，其理论是由Vapnik提出来的，因其适合小样本环境、理论简单易懂、有较好的鲁棒性、有较高的泛化能力、利用内积核函数代替高维非线性映射等优点，广泛应用于机械装备的健康状态监测、故障诊断和寿命预测领域。然而在机械设备健康退化状态辨识时，单个SVM模型只适用于二种退化状态辨识的场景，无法进行性多种退化状态的辨识。虽然应用多SVM组合模型可以实现机械设备进行多种退化状态的辨识，但存在复杂的对偶优化问题。
[0004] 因此，亟需一种简便易行且能实时辨识机械设备的健康退化状况的方案。
发明内容
[0005] 针对现有技术的以上缺陷或改进需求，本发明提供了一种机械设备健康退化状态辨识方法，其目的在于，通过实时获取待测机械设备的多种监测信号并基于GSOM和GenSVM对上述信号分别进行融合及训练，进而实现机械设备健康退化状态的在线辨识。
[0006] 为了实现上述目的，本发明提供了一种机械设备健康退化状态辨识方法，包括训练阶段和测试阶段：
[0007] 训练阶段包括如下步骤：
[0008] 步骤1：获取机械设备的多种监测信号，对多种监测信号进行去奇异值处理和降噪处理；
[0009] 步骤2：对步骤1处理后的各监测信号进行时域分析，分别提取各监测信号的时域特征，包括：平均值、均方差值、方根幅值、均方根值、最大绝对值、歪度指标、峭度指标、峰值因子以及裕度因子；
[0010] 对步骤1处理后的各监测信号进行功率谱分析，分别提取各监测信号的功率谱特征，包括：频率中心、均方频率、均方根频率、频率方差和频率根方差；
[0011] 对步骤1处理后的各监测信号进行CEEMDAN分解，得到各监测信号的各个本征模态分量，计算每个模态分量的能量值作为机械设备健康退化状态的本征模态能量特征；
[0012] 步骤3：利用GSOM网络，分别对步骤2得到的各监测信号的时域特征、功率谱特征和本征模态能量特征进行融合，得到各监测信号的时域融合特征、功率谱融合特征和本征模态能量融合特征；
[0013] 步骤4：利用步骤3获得的各监测信号的各融合特征对GenSVM模型进行训练；
[0014] 测试阶段包括如下步骤：
[0015] 步骤5：针对实时采集的机械设备多种监测信号，按照步骤2和步骤3分别提取多种监测信号的特征并分别进行特征融合后，输入到步骤4训练好的GenSVM模型中，获得健康退化状态辨识结果。
[0016] 进一步地，步骤3中利用GSOM网络对时域特征、功率谱特征和本征模态能量特征进行融合的过程如下：
[0017] 步骤3.1：选取机械设备部分正常状态下的多种监测信号数据的上述三种特征之n一组建训练数据集D；
[0018] 步骤3.2：构建GSOM网络模型，初始化参数；
[0019] 步骤3.3：向GSOM网络模型输入训练样本Dn，并设定生长阈值距离dmax；
[0020] 步骤3.4：随机无重复地从训练数据集选取某一时刻的机械设备的所有时域特征x(t)∈Dn；依据与x(t)最小欧式距离的神经元为获胜神经元原则，即确定GSOM网络模型中的获胜神经元；
[0021] 步骤3.5：判断是否需要生长新的神经元；若oi(x)(x)＞dmax，则当前网络结构不足以描述输入数据的特征，需要在GSOM网络模型中增加一个新神经元，继续步骤3.6；否则，返回步骤3.4；
[0022] 步骤3.6：设定新神经元的前馈连接权值为x(t)T，计算新神经元到其它所有神经元的距离，在指定距离范围(a1×dmax，a2×dmax)内寻找新神经元的邻接神经元，建立邻接关系；其中，a1＜a2，a1和a2为预设的范围参数；
[0023] 步骤3.7：重复步骤3.4到3.6，直到训练完Dn中所有数据后，得到训练好的GSOM网络模型；
[0024] 步骤3.8：将待融合的多种监测信号数据按照时间顺序依次输入步骤3.7训练好的GSOM网络模型中，分别得到各检测信号融合后的特征值。
[0025] 进一步地，步骤4中GenSVM的训练过程如下：
[0026] 步骤4.1：利用机械设备多种监测信号的融合特征数据组建性能衰退特征矩阵F；
[0027] F＝[F1，F2，F3，L]
[0028] 其中，F1、F2和F3分别表示时域融合特征、功率谱融合特征和本征模态能量融合特征，且F1，F2，F3∈Rp×k，p为采样点数,k表示监测信号种类数，Rp×k表示p×k维的实数矩阵；L表示机械设备性能衰退状态标签，L∈Rp×1；
[0029] 步骤4.2：将性能衰退特征矩阵F随机分为训练样本和校验样本；
[0030] 步骤4.3：将训练样本输入GenSVM模型，GenSVM模型中的核函数将输入的训练样本中的数据映射到高维空间，表示为xi→Φi；
[0031] 步骤4.4：将Фi在K-1维单纯形空间中表示为：
[0032] s′＝Ф′iW+T′
[0033] 其中，W是权重矩阵，T偏置的转换向量；从而构造出分类边界；
[0034] 步骤4.5：建立结合所有训练样本的损失函数：
[0035]
[0036] 其中，ρi是可选的对象权重，hp表示基于Huber铰链函数计算的误分类误差的权重，Gk表示是属于第k个状态的数据集合，K为机械设备健康退化状态数，λtrW′W是避免过拟合的惩罚项，λ＞0是正则化参数；
[0037] 步骤4.6：逐步最小化损失函数，当损失函数满足如下条件时，训练过程结束：
[0038] Lt-Lt-1＜∈Lt-1
[0039] 其中，Lt和Lt-1表示L(W，T)在当前时刻和上一时刻的损失函数值；∈为预设的停止参数；
[0040] 步骤4.7：利用校验样本对步骤4.6训练好的GenSVM模型进行校验，若精度满足要求，则进行步骤5；如精度不满足要求，则重新执行步骤4.3至4.6。
[0041] 进一步地，步骤4.6中通过迭代优化的方式逐步最小化损失函数，步骤如下：
[0042] 步骤4.6.1：定义V＝[T W′]′和L＝L(W，T),构建如下的优化方程
[0043]
[0044] 其中， 为支撑点，Vt为t时刻的V值；
[0045] 步骤4.6.2：令 V0为随机初始点；
[0046] 步骤4.6.3：求得令 取最小Vt值并命名为Vt+1；
[0047] 步骤4.6.4：如果L(Vt+1)-L(Vt)＜∈L(Vt)，则最优参数V*＝Vt+1，优化过程停止；否则令 返回步骤4.6.2。
[0048] 为了实现上述目的，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的任意一种方法。
[0049] 为了实现上述目的，本发明还提供了一种机械设备健康退化状态辨识设备，包括如上所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
[0050] 为了实现上述目的，本发明还提供了一种机械设备健康退化状态辨识系统，包括：处理器、训练程序模块、测试程序模块以及多个信号传感器；其中，
[0051] 处理器用于调用训练程序模块执行如上所述的任意一种方法中训练阶段的步骤，以及调用测试程序模块执行如上所述的任意一种方法中测试阶段的步骤；
[0052] 多个信号传感器用于获取根据待测设备类型而预设的多种监测信号，并上传至处理器以供训练及测试使用。
[0053] 总体而言，本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0054] 1、本发明针对机械设备健康退化状态辨识问题，基于GSOM和GenSVM建立了一种机械设备健康退化状态在线辨识方法，能够对机械设备的健康退化状态进行实时精确辨识，实现机械设备的状态实时监测，保障数控机床的安全、稳定、长周期运行。
[0055] 2、本发明所采用的基于GSOM的特征融合方法，可以根据训练数据自适应调节网络结构参数，避免了人为设定网络结构参数。
[0056] 3、本发明中采用的算法较为简单，易于编程，能够较好地解决状态辨识算法易用性与准确性的矛盾问题。
附图说明
[0057] 图1本发明方法的流程图；
[0058] 图2多种监测信号时域特征图；
[0059] 图3多种监测信号功率谱特征图；
[0060] 图4多种监测信号本征模态能量特征图；
[0061] 图5主轴AE信号时域融合特征。
具体实施方式
[0062] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0063] 如图1，一种基于广义多分类支持向量机的机械设备健康退化状态辨识方法包含以下几个步骤：
[0064] 步骤1：获取机械设备的多种监测信号，对多种监测信号进行去奇异值处理和降噪处理。
[0065] 步骤2：对步骤1处理后的各监测信号进行时域分析，分别提取各监测信号的时域特征，包括：平均值、均方差值、方根幅值、均方根值、最大绝对值、歪度指标、峭度指标、峰值因子以及裕度因子。
[0066] 对步骤1处理后的各监测信号进行功率谱分析，分别提取各监测信号的功率谱特征，包括：频率中心、均方频率、均方根频率、频率方差和频率根方差。
[0067] 对步骤1处理后的各监测信号进行CEEMDAN分解，得到各监测信号的各个本征模态分量，计算每个模态分量的能量值作为机械设备健康退化状态的本征模态能量特征。
[0068] 步骤3：利用GSOM网络，分别对步骤2得到的各监测信号的时域特征、功率谱特征和本征模态能量特征进行融合，得到各监测信号的时域融合特征、功率谱融合特征和本征模态能量融合特征。
[0069] 本步骤中利用GSOM网络对时域特征、功率谱特征和本征模态能量特征进行融合的过程类似，以时域特征为例，特征融合的过程如下：
[0070] 步骤3.1：选取机械设备部分正常状态下的多种监测信号数据时域特征组建训练数据集Dn。
[0071] 步骤3.2：构建GSOM网络模型，初始化参数。
[0072] 步骤3.3：输入训练样本Dn，并设定生长阈值距离dmax。
[0073] 步骤3.4：随机无重复地从训练数据集选取一个时刻的机械设备的所有时域特征x(t)∈Dn。依据与x(t)最小欧式距离的神经元为获胜神经元原则，即确定获胜神经元。
[0074] 步骤3.5：判断是否需要生长新的神经元。若oi(x)(x)＞dmax，则当前网络结构不足以描述输入数据的特征，需要增加一个神经元，继续步骤3.6；否则，返回步骤3.4。
[0075] 步骤3.6：设定新神经元的前馈连接权值为x(t)T，计算新神经元到其它所有神经元的距离，在一定距离范围内(a1×dmax，a2×dmax)(a1a2，a1和a2为设定范围参数)寻找新神经元的邻接神经元，建立邻接关系。
[0076] 步骤3.7：重复步骤3.4到3.6，直到训练完Dn中所有数据后，得到训练好的GSOM网络模型。
[0077] 步骤3.8：将待融合的机械设备的多种监测信号数据按照时间顺序依次输入训练好的GSOM网络模型中，得到融合后的特征值。
[0078] 步骤4：基于GenSVM模型，利用机械设备多种监测信号的融合特征数据对模型进行训练。
[0079] 进一步地，步骤4中GenSVM的训练过程如下：
[0080] 步骤4.1：利用机械设备多种监测信号的融合特征数据组建性能衰退特征矩阵F。
[0081] F＝[F1，F2，F3，L]
[0082] 其中，F1、F2和F3分别表示时域融合特征、功率谱融合特征和本征模态能量融合特p×k p×1征，且F1，F2，F3∈R ，p为采样点数,k表示监测信号种类数。L∈R 表示机械设备性能衰退状态标签。
[0083] 步骤4.2：将性能衰退特征矩阵F按照一定的比例随机分为训练样本和校验样本，在一个优选的实施例中，该比例可以设置为7：3。
[0084] 步骤4.3：将训练样本输入GenSVM模型，GenSVM模型中的核函数将输入数据映射到高维空间，表示为xi→Φi。
[0085] 步骤4.4：单纯形编码算法用于构造分类边界，Φi在K-1维单纯形空间中表示为[0086] s′＝Φ′iW+t′
[0087] 其中W是权重矩阵，t偏置的转换向量。
[0088] 步骤4.5：基于Huber铰链函数计算的误分类误差的权重被应用于损失函数中，最终得到结合所有训练样本的损失函数：
[0089]
[0090] 其中，ρi是可选的对象权重，hp表示基于Huber铰链函数计算的误分类误差的权重，Gk＝{i：yi＝k}表示是属于第k个状态的数据集合，K为机械设备健康退化状态数，λtrW′W是避免过拟合的惩罚项，λ＞0是正则化参数。
[0091] 步骤4.6：迭代优化算法用于逐步最小化损失函数。当损失函数满足条件时，训练过程结束。条件为：
[0092] Lt-Lt-1＜∈Lt-1
[0093] 其中，Lt和Lt-1表示当前时刻和上一时刻的损失函数值。∈为优化算法的停止参数。
[0094] 上述通过迭代优化的方式逐步最小化损失函数的步骤如下：
[0095] 步骤4.6.1：定义V=[T W′]′和L＝L(W，T),构建如下的优化方程
[0096]
[0097] 其中， 为支撑点，Vt为t时刻的V值；
[0098] 步骤4.6.2：令 V0为随机初始点；
[0099] 步骤4.6.3：求得令 取最小Vt值并命名为Vt+1；
[0100] 步骤4.6.4：如果L(Vt+1)-L(Vt)＜∈L(Vt)，则最优参数V*=Vt+1，优化过程停止；否则令 返回步骤4.6.2。
[0101] 步骤4.7：利用校验样本对训练好的GenSVM模型进行校验，若精度满足要求，则进行步骤5。如精度不满足要求，则重新执行步骤4.3至4.6。
[0102] 步骤5：在测试阶段，针对实时采集的机械设备多种监测信号，按照步骤2和步骤3分别提取多种监测信号的特征并进行特征融合，输入到训练好的GenSVM模型中，得到健康退化状态辨识结果。
[0103] 下面，使用NASA的MatsuuraMC–510V数控机床多传感器监测信号数据对本发明的有效性进行验证。
[0104] 为了获取机械设备多种监测信号，本实验中主轴和工作台上分别安装了两个振动传感器和两个声发射(AE)传感器，此外，主轴上还安装了交流电(AC)传感器和直流(DC)传感器用于监测电机电流，采集的信号包括主轴振动信号、主轴AE信号、主轴AC信号和主轴DC信号，以及工作台振动信号和工作台AE信号。
[0105] 需要说明的是，本次实验选取的对象是带主轴的设备，在其他实施例中，根据实际测试对象的不同，上述测试信号也可以相应地进行调整，例如减少一些信号或增加其他信号，如增加噪声信号、温度信号和压力信号等。
[0106] 采集到的多传感器信号(即多种监测信号)经NI高速数据采集板放大、滤波后，输入计算机进行刀具健康退化状态辨识。在实验中，采用机械设备加工尺寸为43mm×178mm×5mm的不锈钢工件。主轴转速设置为826转/分钟。实验数据有两种工况，分别为记为A和B，每种工况包含两个实验数据集A1与A2和B1与B2，如表1所示。
[0107] 表1工况说明
[0108]
[0109] 数据集A1和B1作为训练数据用于训练机械设备健康退化状态辨识模型，数据集A2和B2作为测试数据用于验证已训练模型的在线退化状态辨识的有效性。参照国际标准和实际加工过程，根据加工工具后表面的磨损宽度，将加工工具的整个寿命划分为三个状态，即：健康状态、退化状态和失效状态。
[0110] 基于上述设定以及获取的检测信号，本实验的具体验证过程如下：
[0111] 步骤1：对训练数据进行去奇异值处理和降噪处理；
[0112] 步骤2：提取多种监测信号的时域特征、功率谱特征和本征模态能量特征。数据集A1中多种监测信号的时域特征如图2所示，功率谱特征如图3所示，本征模态能量特征如图4所示。
[0113] 步骤3：然后对时域特征、功率谱特征和本征模态能量特征分别进行融合，对上述特征按照同种监测信号的同种特征进行融合的方式，获取各监测信号的各个特征的融合特征。主轴AE信号时域融合特征如图5所示。
[0114] 步骤4：构建GenSVM模型，在训练阶段，将加工工具多种监测信号的融合特征作为训练数据对GenSVM模型进行训练；
[0115] 步骤5：在测试阶段，针对实时采集的机械设备多种监测信号，提取数据的时域特征、功率谱特征和本征模态能量特征并分别进行融合。然后将融合特征数据输入到训练好的广义多分类支持向量机模型中，得到健康退化状态辨识结果。
[0116] 为了突出本方法的优势，支持向量机、最小二乘支持向量机、BP神经网络和自适应神经模糊系统共4种方法被用来和本方法进行对比。表2展示了本方法和其他四种对比方法的结果，从表中可以看到本发明GSOM+genSVM的方法的状态辨识精度整体上高于其他四种方法，并且在不同工况的准确度适应性上也明显优于其他四种方法。
[0117] 表2
[0118]
[0119] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
