基于迁移学习的风机故障识别模型训练方法及系统

摘要

本发明涉及一种基于迁移学习的风机故障识别模型训练方法及系统，包括：S110、对源风机和目标风机各自的历史运行数据进行特征提取，得到各自的特征数据集；S120、对源风机故障识别模型进行训练和对超参数进行优化，得到最佳超参数；S130、根据最佳超参数和目标风机的特征数据集进行模型训练，得到目标风机故障识别模型，计算效果评估值；S140、按照分配比例形成迁移特征数据集，根据迁移特征数据集和最佳超参数进行模型训练，得到风机故障识别迁移模型，计算效果评估值；S150、判断迁移是否有效；若是，则将风机故障识别迁移模型作为对目标风机进行故障识别的模型。本发明可以提高故障识别模型的泛化能力，降低故障识别模型对样本数据的要求。

权利要求

1.一种基于迁移学习的风机故障识别模型训练方法，其特征在于，包括：

S110、获取源风机和目标风机各自的历史运行数据，对所述历史运行数据进行特征提取，得到所述源风机和所述目标风机各自的特征数据集；

S120、根据所述源风机的特征数据集对源风机故障识别模型进行训练和对超参数进行优化，得到所述源风机故障识别模型对应的最佳超参数；

S130、根据所述最佳超参数和所述目标风机的特征数据集进行模型训练，得到目标风机故障识别模型，并计算所述目标风机故障识别模型的效果评估值；效果评估值越大，对应模型的故障识别效果越好；

S140、将所述源风机和所述目标风机的特征数据集按照分配比例形成迁移特征数据集，根据所述迁移特征数据集和所述最佳超参数进行模型训练，得到风机故障识别迁移模型，并计算所述风机故障识别迁移模型的效果评估值；

S150、判断所述风机故障识别迁移模型的效果评估值是否大于等于所述目标风机故障识别模型的效果评估值；若是，则将所述风机故障识别迁移模型作为对所述目标风机进行故障识别的模型。

2.根据权利要求1所述的方法，其特征在于，所述S150还包括：

若所述风机故障识别迁移模型的效果评估值小于所述目标风机故障识别模型的效果评估值，则判断所述分配比例是否达到上限值；

若是，则将所述目标风机故障识别模型作为对所述目标风机进行故障识别的模型；

否则，将所述分配比例提高预设步长，并返回S140。

3.根据权利要求2所述的方法，其特征在于，所述分配比例的初始值为5％，所述上限值为100％，所述预设步长为5％。

4.根据权利要求1所述的方法，其特征在于，所述特征数据集中包括统计特征数据和机理特征数据。

5.根据权利要求1所述的方法，其特征在于，

所述S120具体包括：将所述源风机的特征数据集划分为源域训练集和源域测试集；采用所述源域训练集和所述源域测试集训练所述源风机故障识别模型以及对所述源风机故障识别模型的超参数进行优化，以使所述源风机故障识别模型在所述源域测试集下的效果评估值达到最大，得到所述最优超参数。

6.根据权利要求5所述的方法，其特征在于，

所述S130具体包括：将所述目标风机的特征数据集划分为目标域训练集和目标域测试集；采用所述目标域训练集对所述目标风机故障识别模型进行训练，将所述最佳超参数作为所述目标风机故障识别模型的初始超参数，并采用所述目标域测试集对该初始超参数进行优化，得到使效果评估值达到最大的所述目标风机故障识别模型。

7.根据权利要求6所述的方法，其特征在于，所述将所述源风机和所述目标风机的特征数据集按照分配比例形成迁移特征数据集，包括：按照所述分配比例在所述目标风机的特征数据集的目标域训练集中随机抽取特征数据，将在所述目标域训练集中抽取出的特征数据和所述源风机的特征数据集中的源域训练集组合形成所述迁移特征数据集。

8.根据权利要求7所述的方法，其特征在于，所述根据所述迁移特征数据集和所述最佳超参数进行模型训练，得到风机故障识别迁移模型，包括：将所述最佳超参数作为所述风机故障识别迁移模型的初始超参数，采用所述迁移特征数据集训练所述风机故障识别迁移模型并对该初始超参数进行优化，得到使效果评估值达到最大的所述风机故障识别迁移模型。

9.根据权利要求1所述的方法，其特征在于，所述效果评估值为ROC‑AUC值。

10.一种基于迁移学习的风机故障识别模型训练系统，其特征在于，包括：

数据获取模块，用于执行S110、获取源风机和目标风机各自的历史运行数据，对所述历史运行数据进行特征提取，得到所述源风机和所述目标风机各自的特征数据集；

第一训练模块，用于执行S120、根据所述源风机的特征数据集对源风机故障识别模型进行训练和对超参数进行优化，得到所述源风机故障识别模型对应的最佳超参数；

第二训练模块，用于执行S130、根据所述最佳超参数和所述目标风机的特征数据集进行模型训练，得到目标风机故障识别模型，并计算所述目标风机故障识别模型的效果评估值；效果评估值越大，对应模型的故障识别效果越好；

第三训练模块，用于执行S140、将所述源风机和所述目标风机的特征数据集按照分配比例形成迁移特征数据集，根据所述迁移特征数据集和所述最佳超参数进行模型训练，得到风机故障识别迁移模型，并计算所述风机故障识别迁移模型的效果评估值；

效果比较模块，用于执行S150、判断所述风机故障识别迁移模型的效果评估值是否大于等于所述目标风机故障识别模型的效果评估值；若是，则将所述风机故障识别迁移模型作为对所述目标风机进行故障识别的模型。

说明书

基于迁移学习的风机故障识别模型训练方法及系统

技术领域

[0001] 本发明涉及风机故障检测技术领域，尤其涉及一种基于迁移学习的风机故障识别模型训练方法及系统。

背景技术

[0002] 在风电行业中，故障识别模型被广泛应用在各类部件的预警建模中，如发电机故障、传动链故障、电控系统故障等。然而，数据驱动模型的泛化能力严重依赖于数据质量的好坏和故障样本的多少。当故障样本不足时，既有模型在新对象上的效果往往不理想，所以故障识别效果不能满足要求。

发明内容

[0003] 为了解决上述技术问题或者至少部分地解决上述技术问题，本发明提供了一种基于迁移学习的风机故障识别模型训练方法及系统。

[0004] 第一方面，本发明提供了一种基于迁移学习的风机故障识别模型训练方法，包括：

[0005] S110、获取源风机和目标风机各自的历史运行数据，对所述历史运行数据进行特征提取，得到所述源风机和所述目标风机各自的特征数据集；

[0006] S120、根据所述源风机的特征数据集对源风机故障识别模型进行训练和对超参数进行优化，得到所述源风机故障识别模型对应的最佳超参数；

[0007] S130、根据所述最佳超参数和所述目标风机的特征数据集进行模型训练，得到目标风机故障识别模型，并计算所述目标风机故障识别模型的效果评估值；效果评估值越大，对应模型的故障识别效果越好；

[0008] S140、将所述源风机和所述目标风机的特征数据集按照分配比例形成迁移特征数据集，根据所述迁移特征数据集和所述最佳超参数进行模型训练，得到风机故障识别迁移模型，并计算所述风机故障识别迁移模型的效果评估值；

[0009] S150、判断所述风机故障识别迁移模型的效果评估值是否大于等于所述目标风机故障识别模型的效果评估值；若是，则将所述风机故障识别迁移模型作为对所述目标风机进行故障识别的模型。

[0010] 第二方面，本发明提供一种基于迁移学习的风机故障识别模型训练系统，包括：

[0011] 数据获取模块，用于执行S110、获取源风机和目标风机各自的历史运行数据，对所述历史运行数据进行特征提取，得到所述源风机和所述目标风机各自的特征数据集；

[0012] 第一训练模块，用于执行S120、根据所述源风机的特征数据集对源风机故障识别模型进行训练和对超参数进行优化，得到所述源风机故障识别模型对应的最佳超参数；

[0013] 第二训练模块，用于执行S130、根据所述最佳超参数和所述目标风机的特征数据集进行模型训练，得到目标风机故障识别模型，并计算所述目标风机故障识别模型的效果评估值；效果评估值越大，对应模型的故障识别效果越好；

[0014] 第三训练模块，用于执行S140、将所述源风机和所述目标风机的特征数据集按照分配比例形成迁移特征数据集，根据所述迁移特征数据集和所述最佳超参数进行模型训练，得到风机故障识别迁移模型，并计算所述风机故障识别迁移模型的效果评估值；

[0015] 效果比较模块，用于执行S150、判断所述风机故障识别迁移模型的效果评估值是否大于等于所述目标风机故障识别模型的效果评估值；若是，则将所述风机故障识别迁移模型作为对所述目标风机进行故障识别的模型。

[0016] 本实施例提供的基于迁移学习的风机故障识别模型训练方法及系统，首先根据源风机的特征数据集进行模型训练，得到源风机故障识别模型和最佳超参数；根据最佳超参数和目标风机的特征数据集进行模型训练，得到目标风机故障识别模型及其效果评估值；依据分配比例混合源风机和目标风机的特征数据集，得到迁移特征数据集，并依据迁移特征数据集和最佳超参数进行模型训练，得到风机故障识别迁移模型及其效果评估值；根据两个效果评估值对迁移有效性进行验证，如果验证迁移有效，则采用风机故障识别迁移模型作为目标风机的最终模型，如果验证迁移无效，则对分配比例进行更新，重新组合迁移特征数据集并进行模型训练。本发明通过迁移学习的方式可以提高源风机的故障识别模型的泛化能力，降低目标风机的故障识别模型对样本数据的要求，从而在将故障识别模型进行规模化部署时，尤其是针对新风场部署时，能够提升异常检测的准确率、降低误报率。

附图说明

[0017] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

[0018] 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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0019] 图1为本发明提供的一种基于迁移学习的风机故障识别模型训练方法的流程示意图；

[0020] 图2为本发明提供的一种基于迁移学习的风机故障识别模型训练方法的流程示意图。

具体实施方式

[0021] 为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。

[0022] 第一方面，本发明提供一种基于迁移学习的风机故障识别模型训练方法，如图1和2所示，该方法可以包括S110～S150：

[0023] S110、获取源风机和目标风机各自的历史运行数据，对所述历史运行数据进行特征提取，得到所述源风机和所述目标风机各自的特征数据集；

[0024] 其中，源风机是指数据质量较好(例如，风机已经有了特定的故障)、样本数量较丰富，依据这些样本可以训练出效果很好的故障识别模型的候选风机。例如，下文中的风机A。目标风机是指数据质量不太好(例如，风机还没有发生特定的故障)、样本数量较少，依据这些样本不一定能够训练出效果很好的故障辨识模型的候选风机。例如，下文中的风机B。

[0025] 可理解的是，这里对源风机的历史运行数据进行特征提取，得到源风机的特征数据集。对目标风机的历史运行数据进行特征提取，得到目标风机的特征数据集。

[0026] 其中，特征提取的过程实际上是将与要检测的故障类型相关的原始运行数据转化反映故障特性的特征的过程。当然在特征提取之前可以先对历史运行数据进行预处理，预处理过程可以包括数据清洗、分窗、工况筛选等过程。从历史运行数据中提取出来的特征可以包括统计特征和机理特征。统计特征，例如，均值、方差、最大值、最小值等。机理特征，例如，时域机理特征、频域机理特征。这些特征具备的特点是能够反映风机的某种异常现象。

[0027] 在具体实施时，所述特征数据集中可以包括统计特征数据和机理特征数据。

[0028] 可理解的是，特征数据集中除了包含特征之外，还应包含每一条特征样本对应的风机健康标签或故障标签。

[0029] S120、根据所述源风机的特征数据集对源风机故障识别模型进行训练和对超参数进行优化，得到所述源风机故障识别模型对应的最佳超参数；

[0030] 其中，超参数的含义是在开始学习过程之前设置的参数，而不是通过训练得到的参数数据。

[0031] 在具体实施时，所述S120可以具体包括：将所述源风机的特征数据集划分为源域训练集和源域测试集；采用所述源域训练集和所述源域测试集训练所述源风机故障识别模型以及对所述源风机故障识别模型的超参数进行优化，以使所述源风机故障识别模型在所述源域测试集下的效果评估值达到最大，得到所述最优超参数。

[0032] 其中，可以采用机器学习的二分类模型评估方法对模型的训练效果进行评估，例如，如混淆矩阵、ROC‑AUC等。

[0033] 可理解的是，这里对源风机故障识别模型进行训练的目的是获取最优超参数，用于后续两个模型的训练和优化。

[0034] S130、根据所述最佳超参数和所述目标风机的特征数据集进行模型训练，得到目标风机故障识别模型，并计算所述目标风机故障识别模型的效果评估值；

[0035] 其中，效果评估值越大，对应模型的故障识别效果越好。

[0036] 其中，所述效果评估值可以为ROC‑AUC值。

[0037] 在具体实施时，所述S130可以具体包括：将所述目标风机的特征数据集划分为目标域训练集和目标域测试集；采用所述目标域训练集对所述目标风机故障识别模型进行训练，将所述最佳超参数作为所述目标风机故障识别模型的初始超参数，并采用所述目标域测试集对该初始超参数进行优化，得到使效果评估值达到最大的所述目标风机故障识别模型。

[0038] 也就是说，目标域训练集训练模型，而目标域测试集优化模型的超参数，得到效果最佳的目标风机故障识别模型，输出此时的效果评估值，将此时的效果评估值作为后续迁移有效性验证的判断因素之一。

[0039] S140、将所述源风机和所述目标风机的特征数据集按照分配比例形成迁移特征数据集，根据所述迁移特征数据集和所述最佳超参数进行模型训练，得到风机故障识别迁移模型，并计算所述风机故障识别迁移模型的效果评估值；

[0040] 在具体实施时，所述将所述源风机和所述目标风机的特征数据集按照分配比例形成迁移特征数据集，可以包括：

[0041] 按照所述分配比例在所述目标风机的特征数据集的目标域训练集中随机抽取特征数据，将在所述目标域训练集中抽取出的特征数据和所述源风机的特征数据集中的源域训练集组合形成所述迁移特征数据集。

[0042] 也就是说，将目标风机的特征数据集的目标域训练集中的一部分和源风机的特征数据集中的源域训练集形成迁移特征数据集，从目标域训练集中选择出来的特征样本数量和源域训练集中特征样本数量之间的比例为分配比例,也可以称为样本权重，分配比例落在[0,1]范围内。具体可以从目标域训练集中随机抽取的方式选择出目标域训练集中的一部分

[0043] 其中，分配比例的具体值可以根据需要设置，例如，所述分配比例的初始值为5％，所述上限值为100％，所述预设步长为5％。也就是说，分配比例的范围为[5％，100％]。

[0044] 在具体实施时，所述根据所述迁移特征数据集和所述最佳超参数进行模型训练，得到风机故障识别迁移模型，可以包括：

[0045] 将所述最佳超参数作为所述风机故障识别迁移模型的初始超参数，采用所述迁移特征数据集训练所述风机故障识别迁移模型并对该初始超参数进行优化，得到使效果评估值达到最大的所述风机故障识别迁移模型。

[0046] 也就是说，通过迁移特征数据集的训练，使得风机故障识别迁移模型的超参数在上述最佳超参数的基础上进一步的优化，得到适合风机故障识别迁移模型的最佳超参数，即得到能够使风机故障识别迁移模型的效果最佳的超参数，输出此时对应的效果评估值，利用该效果评估值对此时的风机故障识别迁移模型进行有效性验证。

[0047] S150、判断所述风机故障识别迁移模型的效果评估值是否大于等于所述目标风机故障识别模型的效果评估值；若是，则将所述风机故障识别迁移模型作为对所述目标风机进行故障识别的模型。

[0048] 可理解的是，如果风机故障识别迁移模型的效果评估值大于等于所述目标风机故障识别模型的效果评估值，说明经过迁移学习，迁移学习之后的风机故障识别迁移模型的识别效果要比迁移学习之前的目标风机故障识别模型的识别效果好，说明迁移学习是有效的，可以将迁移学习之后得到的目标风机故障识别模型作为最终对目标风机进行故障识别的模型。

[0049] 在具体实施时，所述S150还可以包括：

[0050] 若所述风机故障识别迁移模型的效果评估值小于所述目标风机故障识别模型的效果评估值，则判断所述分配比例是否达到上限值；

[0051] 若是，则将所述目标风机故障识别模型作为对所述目标风机进行故障识别的模型；

[0052] 否则，将所述分配比例提高预设步长，并返回S140。

[0053] 可理解的是，如果所述风机故障识别迁移模型的效果评估值小于所述目标风机故障识别模型的效果评估值，则说明经过迁移学习，迁移学习之后的风机故障识别迁移模型的识别效果要比迁移学习之前的目标风机故障识别模型的识别效果差。此时的风机故障识别迁移模型是不可用的，可以更新分配比例。在更新分配比例之前，首先判断当前的分配比例是否达到了上限值，如果已经达到了上限值则说明分配比例已经被遍历完了。例如，[5％，10％，15％，……95％，100％]内的所有分配比例都已经遍历完，但是没有训练出一个比目标风机故障识别模型的识别效果好的风机故障识别迁移模型，此时将目标风机故障识别模型作为对所述目标风机进行故障识别的最终模型即可。

[0054] 而如果当前分配比例未达到上限值，说明此时分配比例没有遍历完，此时可以按照预设步长更新分配比例，例如，此时分配比例为20％，按照预设步长5％更新后的分配比例为25％，返回到S140中，重新训练风机故障识别迁移模型，直到训练出识别效果比目标风机故障识别模型的识别效果好的风机故障识别迁移模型后，退出循环，或遍历完成也未训练出识别效果比目标风机故障识别模型的识别效果好的风机故障识别迁移模型，退出循环。

[0055] 举例来说，以风机发电机的轴承故障识别为例，假设当前有两台风机，其中风机A的样本量较充足，而风机B的样本量较少。要利用风机A的样本迁移给风机B，从而使得风机B在小故障样本的情况下，也能得到效果较优的发电机轴承故障识别模型。

[0056] 1、分别从风机A和风机B的离线SCADA数据进行预处理和特征提取，得到风机A的特征数据集和风机B的特征数据集。SCADA数据即通过数据采集与监视控制系统采集的运行数据。

[0057] 2、对风机A的特征数据集划分为源域训练集和源域测试集，对源风机故障识别模型进行训练，对其超参数进行优化，得到源风机故障识别模型以及最佳超参数，保留最佳超参数。风机故障识别模型可以是任意二分类的机器学习模型，例如，逻辑回归、支持向量机、人工神经网络、深度学习的分类模型。

[0058] 3、对风机B的特征数据集划分为目标域训练集和目标域测试集，对目标风机故障识别模型进行训练，并在上述最佳超参数的基础上进一步的优化，得到目标风机故障识别模型，保留其效果评估值即ROC‑AUC值，该值可以称为第一ROC‑AUC值。

[0059] 4、定义分配比例P的范围为[10％,100％]，以10％为起点，以10％为增长步长。最初P为10％，混合源域训练集与P比例的目标域训练集，得到迁移特征数据集，将上述最佳超参数作为初始超参数赋予风机故障识别迁移模型，利用迁移特征数据集进行模型训练，并对初始超参数进行优化，得到风机故障识别迁移模型。计算此时风机故障识别迁移模型的ROC‑AUC值，该值可以称为第二ROC‑AUC值。

[0060] 5、将第一ROC‑AUC值和第二ROC‑AUC值进行比较，若第二ROC‑AUC值大于等于第一ROC‑AUC值，则将说明迁移有效，停止更新分配比例，输出此时的风机故障识别迁移模型。如果第二ROC‑AUC值小于第一ROC‑AUC值，则说明迁移无效，同时发现分配比例P并未遍历取值区间内的所有值，则P＝P+10％，返回到第4点中继续组合迁移特征数据集和训练风机故障识别迁移模型。当遍历完取值区间内的所有值时，仍然无法得到迁移有效的风机故障识别迁移模型，则将风机B的目标风机故障识别模型作为最终的发电机轴承故障识别模型。

[0061] 本发明的主要创新点在于：

[0062] 首先，采用迁移学习的方式设计样本数量少、数据质量不好的目标风机的故障识别模型的训练框架，可以提高源风机的同类故障识别模型在不同风机间的泛化能力。

[0063] 其次，通过目标风机的故障识别模型的识别效果对迁移效果进行评估并对样本权重进行更新以寻找迁移有效的故障识别迁移模型。

[0064] 本发明提供的方法，首先根据源风机的特征数据集进行模型训练，得到源风机故障识别模型和最佳超参数；根据最佳超参数和目标风机的特征数据集进行模型训练，得到目标风机故障识别模型及其效果评估值；依据分配比例混合源风机和目标风机的特征数据集，得到迁移特征数据集，并依据迁移特征数据集和最佳超参数进行模型训练，得到风机故障识别迁移模型及其效果评估值；根据两个效果评估值对迁移有效性进行验证，如果验证迁移有效，则采用风机故障识别迁移模型作为目标风机的最终模型，如果验证迁移无效，则对分配比例进行更新，重新组合迁移特征数据集并进行模型训练。本发明通过迁移学习的方式可以提高源风机的故障识别模型的泛化能力，降低目标风机的故障识别模型对样本数据的要求，从而在将故障识别模型进行规模化部署时，尤其是针对新风场部署时，能够提升异常检测的准确率、降低误报率。

[0065] 第二方面，本发明提供一种基于迁移学习的风机故障识别模型训练系统，包括：

[0066] 数据获取模块，用于执行S110、获取源风机和目标风机各自的历史运行数据，对所述历史运行数据进行特征提取，得到所述源风机和所述目标风机各自的特征数据集；

[0067] 第一训练模块，用于执行S120、根据所述源风机的特征数据集对源风机故障识别模型进行训练和对超参数进行优化，得到所述源风机故障识别模型对应的最佳超参数；

[0068] 第二训练模块，用于执行S130、根据所述最佳超参数和所述目标风机的特征数据集进行模型训练，得到目标风机故障识别模型，并计算所述目标风机故障识别模型的效果评估值；效果评估值越大，对应模型的故障识别效果越好；

[0069] 第三训练模块，用于执行S140、将所述源风机和所述目标风机的特征数据集按照分配比例形成迁移特征数据集，根据所述迁移特征数据集和所述最佳超参数进行模型训练，得到风机故障识别迁移模型，并计算所述风机故障识别迁移模型的效果评估值；

[0070] 效果比较模块，用于执行S150、判断所述风机故障识别迁移模型的效果评估值是否大于等于所述目标风机故障识别模型的效果评估值；若是，则将所述风机故障识别迁移模型作为对所述目标风机进行故障识别的模型。

[0071] 可理解的是，第二方面提供的系统中的有关举例、具体实施方式、有益效果等内容可以参考第一方面中的相应部分。

[0072] 需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

[0073] 上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

[0074] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

[0075] 上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。