一种有载分接开关诊断方法及装置
技术领域
本发明涉及电气设备故障诊断领域,具体涉及一种有载分接开关诊断方法及装置。
背景技术
随着电力变压器在电网或输变站中广泛应用,故电力变压器中的有载分接开关的故障随之增加。因为有载分接开关是一种为电力变压器在负载变化时提供恒定电压的开关设备,随着调压次数的增多,有载分接开关(on load tap changer,OLTC)的机械故障或电气故障随之增加。据有关统计,有载分接开关的机械故障占总故障的70%以上。
目前,由于机械故障是电力变压器有载分接开关的主要故障类型,主要包括:传动轴断裂、主弹簧疲劳、操作机构失灵造成的拒动和滑档现象,限位开关拒切、动作滞后等。因此,研究OLTC的智能状态监测技术,实现设备维修的合理化、规范化、科学化,适应国民经济发展对电力高质量、高可靠性要求的新趋势,具有重要意义,而目前现有技术中的有载分接开关故障诊断方法一般将有载分接开关的切换芯子从变压器中取出进行检修维护,检查切换机构和组部件的机械状态是否良好,而有载分接开关的停电检修往往周期较长,难以及时发现早期的机械故障,所以该目前的有载分接开关具有故障诊断时间较长、可靠性差的问题。
发明内容
因此,本发明实施例要解决的技术问题在于现有技术中的有载分接开关诊断方法的诊断时间较长、可靠性差。
为此,本发明实施例提供了如下技术方案:
本发明实施例提供一种有载分接开关诊断模型的构建方法,包括:获取所述开关在预设故障状态时的第一振动信号与所述开关在正常工作状态时的第二振动信号;分别从所述第一振动信号和所述第二振动信号中提取独立成分向量;分别对从所述第一振动信号和所述第二振动信号中提取到的独立成分向量进行计算,得到所述独立成分向量的统计量和平方预测误差;判断所述统计量和所述平方预测误差是否大于与其对应的预设置信限;当所述统计量和所述平方预测误差大于与其对应的预设置信限,分别将所述第一振动信号和所述第二振动信号对应的独立成分向量在高维空间的多切面上进行投影,在投影面上得到所述第一振动信号对应的第一独立成分向量参数和所述第二振动信号对应的第二独立成分向量参数;利用所述第一独立成分向量参数和所述第二独立成分向量参数以及相应的开关工作状态信息对向量机分类模型进行训练,以使能够根据所述第一独立成分向量参数和所述第二独立成分向量参数结合专家分析识别所述开关的工作状态,持续所述训练操作直至所述专家分析的识别时间达到预定时间。
本发明实施例提供一种有载分接开关诊断方法,包括:获取所述开关的振动信号;从所述振动信号中提取独立成分向量;计算所述独立成分向量的统计量和平方预测误差;判断所述统计量和所述平方预测误差是否大于与其对应的预设置信限;当所述统计量和所述平方预测误差大于与其对应的预设置信限,将所述独立成分向量在高维空间的多切面上进行投影,在所述投影面上得到所述振动信号的独立成分向量参数;根据所述独立成分向量参数确定所述开关是否存在故障。
可选地,所述根据所述独立成分向量参数确定所述开关是否存在故障,包括:利用向量机分类模型根据所述独立成分向量参数确定所述开关的工作状态,所述工作状态包括正常工作状态和故障状态,其中所述向量机分类模型是利用所述开关在已知工作状态时的振动信号进行训练得到的。
可选地,所述从所述振动信号中提取独立成分向量的步骤中,采用独立成分分析算法对所述振动信号进行标准化、白化处理,以得到所述振动信号的独立成分向量。
可选地,所述预设置信限通过核密度估计计算得到。
本发明实施例提供一种有载分接开关诊断模型的构建装置,包括:获取模块,用于获取所述开关在预设故障状态时的第一振动信号与所述开关在正常工作状态时的第二振动信号;提取模块,用于分别从所述第一振动信号和所述第二振动信号中提取独立成分向量;计算模块,用于分别对从所述第一振动信号和所述第二振动信号中提取到的独立成分向量进行计算,得到所述独立成分向量的统计量和平方预测误差;判断模块,用于判断所述统计量和所述平方预测误差是否大于与其对应的预设置信限;投影模块,用于当所述统计量和所述平方预测误差大于与其对应的预设置信限,分别将所述第一振动信号和所述第二振动信号对应的独立成分向量在高维空间的多切面上进行投影,在投影面上得到所述第一振动信号对应的第一独立成分向量参数和所述第二振动信号对应的第二独立成分向量参数;训练模块,用于利用所述第一独立成分向量参数和所述第二独立成分向量参数以及相应的开关工作状态信息对向量机分类模型进行训练,以使能够根据所述第一独立成分向量参数和所述第二独立成分向量参数结合专家分析识别所述开关的工作状态,持续所述训练操作直至所述专家分析的识别时间达到预定时间。
本发明实施例提供一种有载分接开关诊断装置,包括:获取模块,用于获取所述开关的振动信号;提取模块,用于从所述振动信号中提取独立成分向量;计算模块,用于计算所述独立成分向量的统计量和平方预测误差;判断模块,用于判断所述统计量和所述平方预测误差是否大于与其对应的预设置信限;投影模块,用于当所述统计量和所述平方预测误差大于与其对应的预设置信限,将所述独立成分向量在高维空间的多切面上进行投影,在所述投影面上得到所述振动信号的独立成分向量参数;诊断模块,用于根据所述独立成分向量参数确定所述开关是否存在故障。
可选地,所述诊断模块包括:确定子模块,用于利用向量机分类模型根据所述独立成分向量参数确定所述开关的工作状态,所述工作状态包括正常工作状态和故障状态,其中所述向量机分类模型是利用所述开关在已知工作状态时的振动信号进行训练得到的。
可选地,所述提取模块采用独立成分分析算法对所述振动信号进行标准化、白化处理,以得到所述振动信号的独立成分向量。
可选地,所述预设置信限通过核密度估计计算得到。
本发明实施例技术方案,具有如下优点:
本发明公开一种有载分接开关的诊断方法及装置,其中有载分接开关的方法包括:获取开关的振动信号;从振动信号中提取独立成分向量;计算独立成分向量的统计量和平方预测误差;判断统计量和平方预测误差是否大于与其对应的预设置信限;当统计量和平方预测误差大于与其对应的预设置信限,将独立成分向量在高维空间的多切面上进行投影,在投影面上得到振动信号的独立成分向量参数;根据独立成分向量参数确定开关是否存在故障。本发明通过从振动信号中提取独立成分向量,结合独立成分分析算法和支持向量机分类算法与正常工作状态的数据参数进行比较,快速识别出故障,缩短在线诊断故障的时间,提高诊断故障的效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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。
图1为本发明实施例1中有载分接开关诊断模型的构建方法的流程图;
图2为本发明实施例1中有载分接开关诊断模型的构建方法中独立成分分析的结构框图;
图3为本发明实施例1中有载分接开关诊断模型的构建方法中二叉树支持向量机的故障分类图;
图4为本发明实施例1中有载分接开关诊断模型的构建方法中独立成分分析集成支持向量机的离线监测流程图;
图5为本发明实施例1中有载分接开关诊断模型的构建方法中独立成分分析集成支持向量机的在线监测流程图;
图6为本发明实施例2中有载分接开关诊断方法的流程图;
图7为本发明实施例3中有载分接开关诊断模型的构建装置的结构框图;
图8为本发明实施例4中有载分接开关诊断装置的结构框图。
具体实施方式
下面将结合附图对本发明实施例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。
在本发明实施例的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种有载分接开关诊断模型的构建方法,如图1所示,该构建方法包括如下步骤:
S1、获取开关在预设故障状态时的第一振动信号与开关在正常工作状态时的第二振动信号。此处的预设故障状态包括有载分接开关的电气故障和机械故障,机械故障主要包括:传动轴断裂、选择开关触头间接触不良、操作机构失灵造成的拒动和滑档现象、限位开关失灵、切换开关拒切、中止或动作滞后、内部紧固件松动和脱落、以及内部渗漏等,本发明实施例可以选用预设故障状态中的一种或多种故障对应上述第一振动信号。通过有载分接开关(OLTC)的传感器采集到的正常工作状态和故障状态的振动信号,为了进行独立成分分析(Independent Component Correlation Algorithm简称ICA)。
S2、分别从第一振动信号和第二振动信号中提取独立成分向量。因为独立成分分析(ICA)的基本思想是假设过程测量信号是由一些互相独立的信号源、过程噪声及干扰混合叠加而成的,按照信息论准则从过程测量信息中分离出尽可能独立的特征信号的过程,即为提取独立成分向量。如图2所示,为独立成分分析(ICA)的结构框图,X是多个信源S经混合矩阵A组合而成(X=AS)。
设从OLTC传感器采集的混合振动信号矩阵X=[x(1)x(2)…x(l)]∈Rl*n,分别为m(m<l)个独立源信号S=[s(1)s(2)…s(m)]∈Rm*n线性组合,即:X=A·S+E,A为混叠系数矩阵,E为残差矩阵,ICA算法是在独立源S和混叠矩阵A都为之情况下,找到分离矩阵W从观测信号X中分离源信号S, 为OLTC机械故障信号的估计值,上式中W未知,可通过计算变量微分熵的大小确定独立成分的数量。
S3、分别对从第一振动信号和第二振动信号中提取到的独立成分向量进行计算,得到独立成分向量的统计量和平方预测误差。例如:依据负熵的最小化原则选择独立成分维数d,选取前d个独立成分作为特征向量构成正常工况的ICA模型:Sd=Wd·X,Se=We·X,Wd表示W矩阵前d行向量;We表示W矩阵剩余部分。分别设定统计量I2,平方预测误差SPE,对过程进行监测。k时刻I2统计量可表示为:K时刻SPE统计为:
S4、判断统计量和平方预测误差是否大于与其对应的预设置信限。例如:预设置信限为振动信号在正常工作状态时采集的数据,为了判断故障数据是否在稳定范围内可识别故障。通过核密度估计的方法确定统计量I2和平方预测误差SPE对应的预设置信限。例如:采用核密度估计计算统计量的预设置信限表示为:x为控制界限值,xi为从样本数据集观测值,h为平滑参数,K为核函数,n为样本数。
S5、当统计量和平方预测误差大于与其对应的预设置信限,分别将第一振动信号和第二振动信号对应的独立成分向量在高维空间的多切面上进行投影,在投影面上得到第一振动信号对应的第一独立成分向量参数和第二振动信号对应的第二独立成分向量参数。
因为复杂工业故障由于受到设备的限制,在故障传播中国主要表现在与故障源紧密的少数几个独立成分向量上,对于其他独立成分向量的影响比较微弱,具有“局部性”。对于不同类型的故障,其对不同独立成分向量的影响程度不同,甚至有些比较小的故障,只影响少数1-2个独立成分向量,将不同种类的故障分布在高维空间的不同投影切面上,再通过建立支持向量机(Support Vector Machine简称SVM)分类模型,从局部反应故障更加明显,用多个局部特征共同识别多种故障。
通过获取第一振动信号和第二振动信号的独立成分向量在高维空间的多切面投影,在投影面上得到第一振动信号和第二振动信号对应的第一独立成分向量参数和第二独立成分向量参数,最终目的为了识别出故障参数,与正常工作状态时的参数进行对比,判断故障是否在稳定范围内可识别故障。
S6、利用第一独立成分向量参数和第二独立成分向量参数以及相应的开关工作状态信息对向量机分类模型进行训练,以使能够根据第一独立成分向量参数和第二独立成分向量参数结合专家分析识别开关的工作状态,持续训练操作直至专家分析的识别时间达到预定时间。
根据改进SVM分类模型的建立过程,根据不同故障类型只对少数几个独立成分向量影响不同,由影响较大的独立成分向量组成投影切面建立故障分类模型,采用多投影切面分类方法将高维ICA特征空间中的多维分类问题转化为多投影切面的二维分类问题使得SVM分类精度增加,从而故障诊断的精度被明显提高。可有效提取故障特征,缩短在线故障诊断时间。
如图3所示,为基于二叉树SVM的故障分类方法,先把k类故障中发生频率最高的故障作为第一类,余下的k-1类故障看做另外一大类,建立第一个二值分类SVM1模型;然后在k-1类故障中,取出次可能发生的故障作为一类,余下的(k-2)类故障看做另外一大类,建立SVM2模型。以此类推,直到完成所有历史故障分类,按照故障发生频率构造SVM多分类模型,在线故障诊断的训练和诊断快速性明显提高。
本发明实施例通过基于高维特征空间的多投影切面原理改进的ICA-MSVM(Multi-section of high dimensional space)故障诊断方法包括离线训练如图4所示,和在线故障诊断如图5所示,共两部分。首先通过独立成分算法建立OLTC正常工况下机械振动数据的独立成份高维空间。分别将正常样本和故障样本进行独立向量提取,将获得特征独立向量分别在ICA高维特征空间的多切面上进行投影;然后通过对比分析各故障在不同投影切面上的故障特征投影数据分布,分别采用二叉树SVM多分类方法建立每个切面上多种故障分类模型。在线故障诊断应用时,当故障一旦发生,通过空间转换矩阵可以将故障数据投影到ICA高维特征空间和不同切面分布特征,可以得出投影点是否在分类范围内,根据支持向量机多分类模型输出,采用专家决策定位和分离故障源,提高SVM在高维特征空间多分类精度。
实施例2
本实施例提供一种有载分接开关诊断方法,如图6所示,包括:
S61、获取开关的振动信号。有载分接开关在工作的过程中,是由多种互相独立的信号源、过程噪声及干扰混合叠加而成的振动信号。通过OLTC传感器采集混合振动信号,进行独立成分分析(Independent Component Correlation Algorithm简称ICA)。
S62、从振动信号中提取独立成分向量。因为独立成分分析(ICA)独立成分分析的基本思想是假设过程测量信号是由一些互相独立的信号源、过程噪声及干扰混合叠加而成的,按照信息论准则从过程测量信息中分离出尽可能互相独立的特征信号的过程。如图2所示,是ICA最简单的框图说明。X是多个信源S经混合矩阵A组合而成(X=AS)。设从OLTC传感器采集的混合振动信号矩阵X=[x(1)x(2)…x(l)]∈Rl*n,分别为m(m<l)个独立源信号S=[s(1)s(2)…s(m)]∈Rm*n线性组合,即:X=A·S+E,A为混叠系数矩阵,E为残差矩阵,ICA算法是在独立源S和混叠矩阵A都为之情况下,找到分离矩阵W从观测信号X中分离源信号S, 为OLTC机械故障信号的估计值,上式中W未知,可通过计算变量微分熵的大小确定独立成分的数量。
作为一种可选的实现方式,本实施例中的有载分接开关的诊断方法,从振动信号中提取独立成分向量的步骤S62中,采用独立成分分析算法对振动信号进行标准化、白化处理,以得到振动信号的独立成分向量。
快速独立成分分析(ICA)算法的基本步骤如下:
1)对观测数据进行中心化使其均值为0;
2)对数据进行白化,得到z;
3)选择一个具有单位范数的初始化(随机选取)向量w;
4)更新w←E{zg(wTz)}-E{g'(wTz)}w;
5)标准化w:w←w/||w||;
6)如果尚未收敛返回步骤4。
在S与A均为未知的条件下,求取一个解浑矩阵W,使得X通过它后所得输出Y(Y=WX)是S的最优估计。这就是振动信号的解混模型。所得到的Y可以认为是经过处理后的源信号。
对于OLTC机械状态监测信号可以用于独立成分分析算法来进行更好的分析,可以分理处各个故障源信号,由于分离算法的关系,即使是微弱的故障信号,也可以分离出来,这样就可以对OLTC机械状态进行监测预测器故障发展趋势,然后对分离后的信号进行沟洫的处理,在LabVIEW中可以很方便的进行谱分析、倒谱分析滤波分析等,以达到直接分析无法达到的效果。
S63、计算独立成分向量的统计量和平方预测误差。
例如:应用实施例1中的有载分接开关诊断模型的构建方法:选取正常工作状态下的测量数据X∈Rl*n并对其进行了标准化和白化处理后,采用快速ICA算法提取正常样本特征,确定式中独立矩阵成分S和分离矩阵W。依据负熵的最小化原则选择独立成分维数d,选取前d个独立成分作为特征向量构成正常工况的ICA模型:Sd=Wd·X,Se=We·X,Wd表示W矩阵前d行向量;We表示W矩阵剩余部分。分别设定统计量I2,平方预测误差SPE,k时刻I2统计量可表示为:K时刻SPE统计量为:同理,对当前获取的振动信号的统计量I2和平方预测误差SPE,按照上述统计量I2和平方预测误差SPE的公式进行计算。
S64、判断统计量和平方预测误差是否大于与其对应的预设置信限。
通过与正常工作状态时采集的数据进行对比,通过判断故障数据是否在稳定范围内的可识别故障。
作为一种可选的实现方式,本实施例中有载分接开关的诊断方法,上述步骤S64中预设置信限通过核密度估计计算得到。采用核密度估计计算统计量预设置信限值表示为:x为控制界限值,xi为从样本数据集观测值,h为平滑参数,K为核函数,n为样本数。
S65、当统计量和平方预测误差大于与其对应的预设置信限,将独立成分向量在高维空间的多切面上进行投影,在投影面上得到振动信号的独立成分向量参数。将获取的独立成分向量在高维空间进行投影,分析故障参数在投影面的分布。
S66、根据独立成分向量参数确定开关是否存在故障。由于每个复杂故障的特征量是由不同独立成向量组合在一起,这些独立成分向量对特征量的影响贡献或者权重不同,在进行故障识别时,可以只影响程度较大的独立成分向量组成,影响较小的独立成分向量可以忽略不计。分析每个故障参数在投影面的分布,与正常工作状态采集的数据参数进行对比,通过判断故障数据是否在稳定范围内可识别故障。
作为一种可选的实现方式,本实施例中的有载分接开关的诊断方法,上述步骤S66中根据独立成分向量参数确定开关是否存在故障,包括:利用向量机分类模型根据独立成分向量参数确定开关的工作状态,工作状态包括正常工作状态和故障状态,其中向量机分类模型是利用开关在已知工作状态时的振动信号进行训练得到的,应用实施例1中的有载分接开关诊断模型的构建方法。
支持向量机(SVM)是一种建立在统计学习理论和结构风险最小化原理基础上的新型学习机器,它根据有限的样本信息在模型的复杂性(即对特定训练样本的精度)与学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中,以获得最强的推广能力。
本发明实施例的目的是针对上述OLTC机械故障背景存在的问题,提供了一种基于独立成分分析(ICA)从故障源提取分离源信号,并结合优化的支持向量机的故障诊断方法,从而实现对振动故障的识别和监测。多元统计过程控制在工业过程监控中得到了广泛应用,且在动态性、非线性、多尺度性等方面被不断改进,并与多种智能方法相结合,提高过程监控性能。独立成分分析算法(ICA)用于过程数据分析处理,能更有效地利用变量的概率统计特性,提取相互独立的过程数据特征信息。本文提出了采用独立成分分析算法和支持向量机的集成故障诊断方法。目前在过程监控方面已取得较好的效果,且在故障识别与隔离方法方面也取得一些新成果。由于SVM(支持向量机)分类器的分类精度随着独立成份维数增加导致分类精度下降问题,本文在文献的基础上,采用多投影切面分类方法将高维ICA特征空间中的多维分类问题转化为多投影切面的二维分类问题使得SVM分类精度增加,从而故障诊断的精度被明显提高。
ICA-MSVM集成在线故障诊断算法流程如图5所示,获取新测量数据Xnew(k)=[x1x2…xl]T∈Rl,并进行标准化和白化处理后,通过混合矩阵Wd和We可计算新独立元矢量的估计值: 分别利用式和计算新的监控测量数据统计量I2,SPE值,监控统计量和预测平方差的变化是否超过给定的预设置信限,若超过预设置信限则说明检测出故障。如检测到故障,分别将故障ICA独立元矢量在高维ICA特征空间上计算不同切面故障分类SVM效果,采用专家决策对多个SVM分类模型输出之进行统计分析,对上述可能的故障源进行逐一故障分类诊断,直至诊断出故障源,输出并显示故障。
本发明实施例提供的有载分接开关的诊断方法,构建了一整套全过程的由机械振动引起的电气设备故障监测方法,该方法体系能比较科学、完整地综合监测电气设备运行过程中的机械运行环境;全面地应用现有的综合评价方法。该方法理论清晰,更加具有科学性和针对性,为变电站的在线监测与智能控制提出了一种崭新的思路和方法。
实施例3
本实施例提供一种有载分接开关诊断模型的构建装置,该构建装置如图7所示,包括:
获取模块71,用于获取开关在预设故障状态时的第一振动信号与开关在正常工作状态时的第二振动信号;
提取模块72,用于分别从第一振动信号和第二振动信号中提取独立成分向量;
计算模块73,用于分别对从第一振动信号和第二振动信号中提取到的独立成分向量进行计算,得到独立成分向量的统计量和平方预测误差;
判断模块74,用于判断统计量和平方预测误差是否大于与其对应的预设置信限;
投影模块75,用于当统计量和平方预测误差大于与其对应的预设置信限,分别将第一振动信号和第二振动信号对应的独立成分向量在高维空间的多切面上进行投影,在投影面上得到第一振动信号对应的第一独立成分向量参数和第二振动信号对应的第二独立成分向量参数;
训练模块76,用于利用第一独立成分向量参数和第二独立成分向量参数以及相应的开关工作状态信息对向量机分类模型进行训练,以使能够根据第一独立成分向量参数和第二独立成分向量参数结合专家分析识别开关的工作状态,持续训练操作直至专家分析的识别时间达到预定时间。
实施例4
本施例提供一种有载分接开关诊断装置,如图8所示,该有载分接开关诊断装置,包括如下模块:
获取模块81,用于获取开关的振动信号;
提取模块82,用于从振动信号中提取独立成分向量;
计算模块83,用于计算独立成分向量的统计量和平方预测误差;
判断模块84,用于判断统计量和平方预测误差是否大于与其对应的预设置信限;
投影模块85,用于当统计量和平方预测误差大于与其对应的预设置信限,将独立成分向量在高维空间的多切面上进行投影,在投影面上得到振动信号的独立成分向量参数;
诊断模块86,用于根据独立成分向量参数确定开关是否存在故障。
作为一种可选的实现方式,本实施例中的有载分接开关诊断装置,诊断模块86包括:
确定子模块,用于利用向量机分类模型根据独立成分向量参数确定开关的工作状态,工作状态包括正常工作状态和故障状态,其中向量机分类模型是利用开关在已知工作状态时的振动信号进行训练得到的。
作为一种可选的实现方式,本实施例中的有载分接开关诊断装置,提取模块82采用独立成分分析算法对振动信号进行标准化、白化处理,以得到振动信号的独立成分向量。
作为一种可选的实现方式,本实施例中的有载分接开关诊断装置,预设置信限通过核密度估计计算得到。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。