一种多层级系统模型构建方法、系统、设备及介质

技术领域

本发明涉及系统工程及系统建模技术领域，特别是涉及一种多层级系统模型构建方法、系统、设备及介质。

背景技术

对系统状态结构关系的认知是建立系统模型的依据，是综合利用系统信息的关键环节。明确多层级动态系统中部件及子系统的全局空间结构关系是进行系统动态建模及健康状态评估的基本前提。一方面，目前的结构认知手段主要依赖经验构建的动态故障树结合马尔可夫过程完成量化，对系统状态结构复杂层级关系的认知具有较大的局限性，无法结构的完善；另一方面，基于数据的贝叶斯网络结构学习算法在小规模下能够实现对系统结构快速有效的学习，但对系统规模、数据类型的规则要求较高，对于规模较大的系统而言技术上尚不成熟。

发明内容

本发明的目的是提供一种多层级系统模型构建方法、系统、设备及介质，能够完善系统全局结构，实现全局静态模型的构建。

为实现上述目的，本发明提供了如下方案：

一种多层级系统模型构建方法，所述方法包括：

获取待构建多层级系统的信息数据；所述信息数据包括：构建对象、构建对象对应的级别和构建对象之间的结构关系；所述构建对象包括：多个组件设备；

根据构建对象之间的结构关系和所述构建对象，确定结构无向图；

基于构建对象对应的级别和所述结构无向图，根据设定的路径步长进行区域分割，得到多个区域网络结构；

对任一所述区域网络结构，采用数据结构学习算法确定构建对象之间的依赖关系，并根据所述依赖关系确定图形化网络；所述依赖关系为所述区域网络结构中，构建对象之间的逻辑关系；

根据所述结构无向图和所有的所述图形化网络，确定所述待构建多层级系统的结构网络模型；所述结构网络模型用于表征多层级系统在协作交互时的机理特性信息。

可选地，根据构建对象之间的结构关系和所述构建对象，确定结构无向图，具体包括：

根据所述构建对象确定初始无向图；

根据所述初始无向图和构建对象之间的结构关系，确定结构无向图。

可选地，基于构建对象对应的级别和所述结构无向图，根据设定的路径步长进行区域分割，得到多个区域网络结构，具体包括：

根据构建对象之间的结构关系以及构建对象对应的级别，确定基准点；

构建节点集合；所述节点集合是由构建对象中多个组件设备组成的集合；

对所述节点集合中的任一组件设备，以所述基准点为中心，根据所述结构无向图判断路径长度是否不大于设定的路径步长；所述路径长度为所述组件设备与所述基准点之间的距离；

若是，则构建第一个空白无向图，并将对应的所述组件设备与所述基准点在所述第一个空白无向图内，按照对应的路径长度进行连线，得到连边；

根据所有的连边确定第一个无向子图，并将所述第一个无向子图确定为第一个区域网络结构；

若否，则构建第i个空白集合，并将对应的所述组件设备转入所述第i个空白集合；i≥1；

根据转入所述第i个空白集合内所有的所述组件设备，确定组件集合；

将所有的所述路径长度等于设定的路径步长时对应的组件设备，转入构建的第i+1个空白集合，得到设定集合；

根据设定的路径步长确定目标路径步长；

以所述设定集合内的任一所述组件设备为中心基准点，根据所述结构无向图，判断各个节点长度是否不大于目标路径步长；所述节点长度为所述中心基准点与所述组件集合中的任一组件设备之间的距离；

若是，则构建第i+1个空白无向图，并将对应的组件设备与所述中心基准点在所述第i+1个空白无向图内，按照对应的节点长度进行连线，得到连边；

根据所有的连边确定第i+1个无向子图，并将第i+1个无向子图确定为第i+1个区域网络结构；

若否，则构建第i+1个空白集合，并将对应的所述组件设备转入所述第i+1个空白集合，并返回“根据转入所述第i个空白集合内所有的所述组件设备，确定组件集合”的步骤。

可选地，对任一所述区域网络结构，采用数据结构学习算法确定构建对象之间的依赖关系，并根据所述依赖关系确定图形化网络，具体包括：

对任一所述区域网络结构，采用PC算法基于多元高斯分布特性，对所述构建对象进行偏相关系数计算，得到所述构建对象中各个组件设备之间的依赖关系；

对任一所述区域网络结构中的任一连边的两个组件设备，根据所述依赖关系和结构关系，确定两个组件设备之间的有向连线，并添加在所述区域网络结构中，得到区域更新网络结构；

对任一所述区域更新网络结构中的任意三个组件设备，根据设定的分隔集确定三元组结构，并将所述三元结构添加在所述区域更新网络结构中，得到图形化网络。

可选地，根据所述结构无向图和所有的所述图形化网络，确定所述待构建多层级系统的结构网络模型，具体包括：

根据所述结构无向图，将所有的所述图形化网络连接，得到初始结构网络模型；

对所述设定集合中的任意两个组件设备，根据所述依赖关系和所有的所述图形化网络，确定所述两个组件设备之间的有向连线；

根据所述设定集合对应的所有的有向连线和所述初始结构网络模型，确定所述结构网络模型。

一种多层级系统模型构建系统，所述系统包括：

获取模块，用于获取待构建多层级系统的信息数据；所述信息数据包括：构建对象、构建对象对应的级别和构建对象之间的结构关系；所述构建对象包括：组件和设备；

结构无向图确定模块，用于根据所述构建对象和构建对象之间的结构关系，确定结构无向图；

区域分割模块，用于基于构建对象对应的级别和所述结构无向图，根据设定的路径步长进行区域分割，得到多个区域网络结构；

图形化网络确定模块，用于对任一所述区域网络结构，采用数据结构学习算法确定构建对象之间的依赖关系，并根据所述依赖关系确定图形化网络；所述依赖关系为所述区域网络结构中，构建对象之间的逻辑关系；

确定模块，用于根据所述结构无向图和所有的所述图形化网络，确定所述待构建多层级系统的结构网络模型；所述结构网络模型用于表征多层级系统在协作交互时的机理特性信息。

一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的多层级系统模型构建方法。

一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的多层级系统模型构建方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种多层级系统模型构建方法、系统、设备及介质，首先获取待构建多层级系统的信息数据，根据构建对象之间的结构关系和构建对象，确定结构无向图；基于构建对象对应的级别和结构无向图，根据设定的路径步长进行区域分割，得到多个区域网络结构；对任一区域网络结构，采用数据结构学习算法确定构建对象之间的依赖关系，并根据依赖关系确定图形化网络；根据结构无向图和所有的图形化网络，确定待构建多层级系统的结构网络模型；本发明通过采用区域分割以及数据结构学习的方法，对系统的结构进行完善；并结合结构无向图，对系统的全局进行统筹，最终得到结构网络模型；因此，本发明能够完善系统全局结构，实现全局静态模型的构建。

附图说明

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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的多层级系统模型构建方法的流程图；

图2为本发明实施例提供的多层级系统模型构建方法在实际应用中的构建框架原理图；

图3为本发明实施例提供的舵机操纵装置的FTA分析图；

图4为本发明实施例提供的舵机操纵装置的STAMP分析图；

图5为本发明实施例提供的舵机操纵装置的结构无向图；

图6为本发明实施例提供的太阳能无人机机载系统的贝叶斯网络模型图；

图7为本发明实施例提供的采用PC算法的进行结构学习的结果图；

图8为本发明实施例提供的对机载系统采用FTA进行定性分析的分析结果图；

图9为本发明实施例提供的对机载系统采用STAMP方法进行定性分析的分析结果图；

图10为本发明实施例提供的对太阳能无人机机载系统进行初步无向图模型构建的示意图；

图11为本发明实施例提供的利用基于约束的结构学习方法进行结构学习的结果图；

图12为本发明实施例提供的对太阳能无人机机载系统进行区域分割重组输出的贝叶斯网络结构图；

图13为多层级系统模型构建系统的结构图。

符号说明：

获取模块-1、结构无向图确定模块-2、区域分割模块-3、图形化网络确定模块-4、确定模块-5。

具体实施方式

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，所描述的实施例仅仅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。

根据系统可靠性建模方法可知，在结构较为简单的情况下，设计结构与经验信息足以充分表达系统内部的结构关系。但随着设计规模的扩大与系统内组件关系的复杂性增强，经验信息的片面性与不充分性逐渐表露：

①虽然知识学者所提供的经验信息具有较强的领域性，在多类型分系统协作情境下，即便独立分系统内部的结构认知能够充分完善，协作交互的影响性认知也无法保障。

②尽管传统设备与组件的机理明确，但新兴器件与设备的可靠性特性信息缺乏长期的积累，经验信息无法保障对这类对象正确的可靠性机理认识。

相反地，数据驱动的贝叶斯网络结构学习方法，由于其构建准则建立在系统状态的数据关系基础上，因而结构构建的准确性与真实性优于基于经验信息的建模方法。但数据驱动的结构学习方法在实际应用中同样存在明显的缺陷：

①数据驱动的算法原理，使得此类方法天然需要大量的实测数据才能够保障正确性，但在工程应用中完备的全系统健康状态数据采集几乎是不可能实现的。

②由于算法效能的限制，随着结构规模的增大，数据驱动方法的运算成本会迅速提升。这些问题都使得数据驱动结构学习方法目前仍无法开展实际应用。

本发明的目的是提供一种多层级系统模型构建方法、系统、设备及介质，能够完善系统全局结构，实现全局静态模型的构建。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

如图1所示，本发明实施例提供了一种多层级系统模型构建方法，该方法包括：

步骤100：获取待构建多层级系统的信息数据；信息数据包括：构建对象、构建对象对应的级别和构建对象之间的结构关系；构建对象包括：多个组件设备。

图2为本发明提供的多层级系统模型构建方法在实际应用中的构建框架原理图。首先，对系统中所需要进行分析的信息数据，如：各个级别组件、设备、子系统、系统等进行定义，这一定义在后续方法过程中将不再变化，是系统网络结构的基本构成。针对被分析对象即信息数据目前所处的设计阶段，借助结构设计、专家经验等背景信息，尽可能采用分析角度不同的方法，获取构建对象之间的结构关系。若以S

确定结构关系所采用的方法包括但不限于故障树分析、FMEA、STAMP等基于经验信息分析手段。

步骤200：根据构建对象之间的结构关系和构建对象，确定结构无向图。

具体地，根据构建对象之间的结构关系和构建对象，确定结构无向图，具体包括：

根据构建对象确定初始无向图。

根据初始无向图和构建对象之间的结构关系，确定结构无向图。

在实际应用中，具体实施过程如下：

(1)创建包含构建对象中所有节点即组件设备的集合V的完全无向图C，完成无向图初始化。

(2)对于无向图C中的任意节点对(x,y)，判定是否在任意关系集合S中存在节点对关联；若不存在则删除完全无向图C中节点对(x,y)之间的边，反之则保留。

(3)更新无向图C，并重复(2)直至遍历所有节点对。

(4)将更新后的无向图C作为结构无向图输出。

以舵机操纵装置作为具体实施实例，进行详细的说明。图3和图4分别为该舵机操纵装置的FTA及STAMP分析图。根据图3和图4的分析结果，可以分别得到FTA与STAMP方法所提供的组件关系集合S

表1无人机舵机操纵装置节点关系集合

步骤300：基于构建对象对应的级别和结构无向图，根据设定的路径步长进行区域分割，得到多个区域网络结构。

具体地，基于构建对象对应的级别和结构无向图，根据设定的路径步长进行区域分割，得到多个区域网络结构，具体包括：

根据构建对象之间的结构关系以及构建对象对应的级别，确定基准点。

构建节点集合；节点集合是由构建对象中多个组件设备组成的集合。

对节点集合中的任一组件设备，以基准点为中心，根据结构无向图判断路径长度是否不大于设定的路径步长；路径长度为组件设备与基准点之间的距离。

若是，则构建第一个空白无向图，并将对应的组件设备与基准点在第一个空白无向图内，按照对应的路径长度进行连线，得到连边；然后，根据所有的连边确定第一个无向子图，并将第一个无向子图确定为第一个区域网络结构。

若否，则构建第i个空白集合，并将对应的组件设备转入第i个空白集合；i≥1；然后根据转入第i个空白集合内所有的组件设备，确定组件集合。

将所有的路径长度等于设定的路径步长时对应的组件设备，转入构建的第i+1个空白集合，得到设定集合；根据设定的路径步长确定目标路径步长。

以设定集合内的任一组件设备为中心基准点，根据结构无向图，判断各个节点长度是否不大于目标路径步长；节点长度为中心基准点与组件集合中的任一组件设备之间的距离。

若是，则构建第i+1个空白无向图，并将对应的组件设备与中心基准点在第i+1个空白无向图内，按照对应的节点长度进行连线，得到连边；根据所有的连边确定第i+1个无向子图，并将第i+1个无向子图确定为第i+1个区域网络结构。

若否，则构建第i+1个空白集合，并将对应的组件设备转入第i+1个空白集合，并返回“根据转入第i个空白集合内所有的组件设备，确定组件集合”的步骤。

具体地，上述所输出的结构无向图，记为E，是后续进行图区域分割的输入。在进行分割之前，首先需要明确在结构无向图E所表达的系统结构中，哪一节点用于指代层级最高的系统级节点，并将其作为初始基准节点，然后搜索与基准节点相连接的所有独立节点，逐步推进系统的层级来构造子图，在整个过程中子图展开的级别L及路径的增加步长d，需要根据系统的整体规模与分割精度来进行适应性调整。具体操作过程在实际应用中可以如下：

(1)若子图展开级别L＝1，则输出无向图E并结束此步骤，否则根据设计结构确定系统级节点x

(2)对于基准节点x，取节点集合V中的任一节点y，判断节点对(x，y)之间的最小路径长度是否不大于D，若是则将节点对(x，y)及其连边添加至无向子图

(3)重复操作(2)直至遍历节点集合V中的所有节点，输出无向子图

(4)取节点集合W，其中，节点集合W中的任意节点y与系统级节点x

(5)将路径判别标准D增加步长d，即此时的D＝D+d。

(6)取节点集合W中的任意节点w作为基准节点，遍历节点集合V中任一不存在于已输出无向子图的节点y，判断节点对(x

(7)重复过程(6)直至遍历节点集合W中的所有节点，输出无向子图

(8)重复过程(4)～(6)直至节点集合V中的任一节点均存在于某一无向子图中。

步骤400：对任一区域网络结构，采用数据结构学习算法确定构建对象之间的依赖关系，并根据依赖关系确定图形化网络；依赖关系为所述区域网络结构中，构建对象之间的逻辑关系。

具体地，对任一区域网络结构，采用数据结构学习算法确定构建对象之间的依赖关系，并根据依赖关系确定图形化网络，具体包括：

对任一区域网络结构，采用PC算法基于多元高斯分布特性，对构建对象进行偏相关系数计算，得到构建对象中各个组件设备之间的依赖关系。

对任一区域网络结构中的任一连边的两个组件设备，根据依赖关系和结构关系，确定两个组件设备之间的有向连线，并添加在区域网络结构中，得到区域更新网络结构。

对任一区域更新网络结构中的任意三个组件设备，根据设定的分隔集确定三元组结构，并将三元结构添加在区域更新网络结构中，得到图形化网络。

在实际应用中，将所有分割后的区域网络结构均独立地进行基于数据驱动的结构学习与补充，完善各个区域的网络结构，其中包括节点关系的学习及边的定向过程。

(1)取任意一个无向子图即区域网络结构，获取包含该子图中所有节点的观测数据集，采用PC算法对无向子图进行结构学习，确定节点之间的无向关系。

(2)取该无向子图中任意节点对(x，y)，若其节点关系存在于任一关系集合S

(3)取任意无向子图中任意三元组(x，y，z)，若节点对(x，y)，(y，z)均存在于该无向子图，且节点对(x，z)不存在，判定节点y是否属于节点对(x，z)的设定的分隔集，即最小分割集S

(4)重复过程(3)直至遍历所有三元组。

(5)重复过程(1)～(4)直至遍历所有无向子图。

(6)参照补充规则确定非v-结构中边的的方向：1)确定任一剩余边的方向，不能够使得该部分有向无环图中出现新的v-结构，2)对于任一有向路径，如果其初始节点与末端节点相连，不能够形成环路。

(7)将确定所有边方向的区域网络结构更新为图形化网络，也可以称为子贝叶斯网络G

关于最小分割集S

对于任意的节点X

步骤500：根据结构无向图和所有的图形化网络，确定待构建多层级系统的结构网络模型；结构网络模型用于表征多层级系统在协作交互时的机理特性信息。

具体地，根据结构无向图和所有的图形化网络，确定待构建多层级系统的结构网络模型，具体包括：

根据结构无向图，将所有的图形化网络连接，得到初始结构网络模型。

对设定集合中的任意两个组件设备，根据依赖关系和所有的图形化网络，确定两个组件设备之间的有向连线。

根据设定集合对应的所有的有向连线和初始结构网络模型，确定结构网络模型。

将所完成的局部结构即所有的图形化网络与区域分割前的区域间关联关系相合并，将各个子图的基准节点在原始全局无向图中的相对位置进行重组连接，重组为全局贝叶斯网络模型G，即结构网络模型，完成系统结构的构建。其具体实施过程如下：

(1)对于任意无向子图

(2)取集合Z中的任意节点对(x，y)，若节点对关系存在于任意子贝叶斯网络G

(3)重复过程(2)直至所有子贝叶斯网络G

在实际应用中，以简化后的太阳能无人机机载系统结构为例。无人机是一个典型的多层级系统，在内外多种应力(如温度、湿度、振动和负载分配)的影响下，各部件和子系统的健康状态之间存在潜在的相互影响及作用。这些相互作用不是完全来自于设计结构关系，因此不能完全根据设计和工程信息来识别。

本实施例只涉及包含飞行控制系统、能源系统与电力系统的机载系统。为了更好地演示所提出方法的实施过程，适应性地对部分子系统进行了详细组成结构的扩展。在结构扩展中，考虑结构关系的同时，根据无人机系统的工作情况对部分高层级设备的底层组件关系进行了细化。例如，在基于设计信息的经验分析中，在能源子系统之间不存在直接的影响关系，因为其在设计结构中具有独立的管理系统与外围控制电路。但考虑到航行过程中，各能量子系统共同为电气设备供电，分担工作负荷，当其中一个能源子系统不能正常供电时，其他子系统就必须为正常飞行承担更大的负荷，加速衰变过程。

基于对机载系统设计结构与组件关系的认识，首先给出完整的太阳能无人机机载系统的贝叶斯网络模型，见图6。并基于以往的工程实施案例经验，预设了模型的边缘概率与条件概率表。部分预设概率表见表2至表6。其中，表2为电源管理设备边缘概率分布。

表2电源管理设备边缘概率分布

表3为太阳能电池条件概率表。

表3太阳能电池条件概率表

表4能源子系统A条件概率表

表5能源子系统B条件概率表

表6能源系统条件概率表

基于上述模型的已知结构与参数，在本实施例中对机载设备及系统的1000组故障数据向量进行仿真模拟。

选择基于约束的PC结构学习算法来完成与区域分割重组方法效能的对比。图7为PC算法的结构学习结果，由图7中可以看出，算法忽略了电源管理设备到能源子系统、能源子系统A到能源子系统B、左翼到右翼之间的边。

在区域分割重组方法中，首先需要对系统进行定性分析。在这一案例中，对机载系统采用最常用的FTA和STAMP方法来完成定性分析。FTA和STAMP的分析结果分别如图8和图9所示，进而得到表7所示的关系集。为便于解释，这里节点不再使用全称来标识，以对应的大写字母来指代。同样的，网络中的节点也由其标识来代替。

表7定量分析节点关系

基于表7中所给出的节点关系集合，能够初步对系统的无向图模型进行构建，如图10所示。基于区域分割过程将全图分为4个子图。其中第一子图

将图7、图12分别与图6中的贝叶斯网络结构进行比较，能够明显地看出上述两种方法在求得的贝叶斯网络中，节点之间连边的差异。首先，最为显著的区别是图7中没有包含能源子系统A与能源子系统B、左翼与右翼之间的关系。由于基于约束的算法的思想内核，在v-结构中两个父节点之间往往不会设置边，即便在真实数据中反映出了两者之间存在密切的故障关系，这一关系也会在网络结构中进行弱化，反应为两者对子节点的共同作用。换句话说，基于约束的学习方法的构造核心思路是能够对系统全局结构进行一个较为完善的考量，对系统整体的评估能力负面影响不大；但是仍会忽略较多的局部细节，使得这样的学习结果在故障耦合现象较强的系统中，并不太适用于系统的细节分析。其次，在图7中，电源管理设备与太阳能电池之间存在了连接关系，但电源管理系统与能源子系统之间的边被忽略了，这等同于将三元组结构中的v-结构替换成了单向结构，显然这是存在一定的误差的；尽管电源管理设备对能源子系统的概率影响能够通过太阳能电池节点进行传递，但这两种结构之间是不能够等价代换的，尤其是当太阳能电池节点或电源管理设备节点存在实测状态证据输入时，两种网络结构的推断结果会完全不同。此外，在飞控系统中，两种方法所给出的网络结构也存在微小的差异。其中，表8为区域分割重组方法与PC算法的贝叶斯网络结构差异。

表8区域分割重组方法与PC算法的贝叶斯网络结构差异

实施例2

如图13所示，本发明实施例提供了一种多层级系统模型构建系统，该系统包括：获取模块1、结构无向图确定模块2、区域分割模块3、图形化网络确定模块4和确定模块5。

获取模块1，用于获取待构建多层级系统的信息数据；信息数据包括：构建对象、构建对象对应的级别和构建对象之间的结构关系；构建对象包括：组件和设备。

结构无向图确定模块2，用于根据构建对象和构建对象之间的结构关系，确定结构无向图。

区域分割模块3，用于基于构建对象对应的级别和结构无向图，根据设定的路径步长进行区域分割，得到多个区域网络结构。

图形化网络确定模块4，用于对任一区域网络结构，采用数据结构学习算法确定构建对象之间的依赖关系，并根据依赖关系确定图形化网络；依赖关系为所述区域网络结构中，构建对象之间的逻辑关系。

确定模块5，用于根据结构无向图和所有的图形化网络，确定待构建多层级系统的结构网络模型；结构网络模型用于表征多层级系统在协作交互时的机理特性信息。

实施例3

本发明实施例提供了一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例1中的多层级系统模型构建方法。

作为一种可选地实施方式，该电子设备可以是服务器。

在一种实施例中，本发明还提供了一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现实施例1中的多层级系统模型构建方法。

基于知识学者经验分析建模方法可以仅依靠设计信息就高效地完成主体框架的构建；数据驱动的结构学习算法拥有快速、准确的小规模结构学习能力，这一点恰好可以弥补经验信息建模方法的缺陷。基于两类方法进行优势互补的原则，将经验信息的分析方法与约束方法相结合，基于全局结构的区域重组分割过程，利用多层级系统的结构特征对局部构造进行划分，减少基于约束的结构学习方法输入的数据规模，建立完善的静态贝叶斯网络来表达系统中各部件之间的关系，能够有效提升结构学习算法的整体效率和准确性。

本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。对于实施例公开的系统而言，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。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。