基于风险控制的有形资产全寿命周期维修方案优化方法

技术领域

本发明涉及有形资产维修技术领域，尤其涉及基于风险控制的有形资产全寿命周期维修方案优化方法。

背景技术

有形资产维修指硬件产品维修，有形资产的维修需要综合考虑使用、安全、经济等各方面因素，过度维修一方面会增加成本，另一方面也会影响产品寿命，特别是对于飞机、高铁等大型资产中的各个部件的维修方案如果不科学，将会造成极大的浪费。维修不足会影响产品运营安全及使用，也可能由于维修不足造成更大的经济损失。因此，针对上述问题，有必要提出进一步地解决方案。

发明内容

本发明旨在提供一种基于风险控制的有形资产全寿命周期维修方案优化方法，以克服现有技术中存在的不足。

为解决上述技术问题，本发明的技术方案是：

一种基于风险控制的有形资产全寿命周期维修方案优化方法，包括以下步骤：

S1确定样本量：根据最小抽样任务量和最小抽样有形资产量确定样本量；

S2数据收集：选择高质量数据样本，高质量数据样本指执行任务间隔平均偏离比率≤10％，且最大偏离比率≤20％，其中，

I

I

I

S3数据处理：对数据进行剔除重复和无效数据、缺失数据还原处理，并根据有形资产维修数据的完备程度将数据归纳为A类数据集、B类数据集和C类数据集，其中，A类数据集包含计划维修数据中的故障数据，B类数据集包括计划维修数据、非计划维修数据和试验数据中的故障数据，C类数据集包括计划维修数据、非计划维修数据和试验数据中的性能检查数据，并将故障数据分为潜在故障和功能故障，其中，潜在故障又分为相关重要潜在故障、非相关重要潜在故障和非重要潜在故障；

S4数据分析：根据有形资产维修数据的完备程度采用不同分析方法，其中，

针对A类数据集，采用方法A：针对相关重要潜在故障进行维修任务间隔延长判断，针对非相关重要潜在故障和非重要潜在故障进行趋势判断以增加、定义或删除相关维修任务；

针对B类数据集，采用方法B：将潜在故障数据、功能故障数据分别进行威布尔分布参数估计，进行退化特征评估以判断任务合理性，并结合可靠性、经济性及可用度评估以判断任务间隔；

针对C类数据集，采用方法C：根据性能检查数据中的退化数据建立退化模型并结合失效阈值以确定失效工龄。

本发明还公开了一种基于风险控制的有形资产全寿命周期维修方案优化装置，包括：抽样计算单元；数据收集单元；数据处理单元；数据分析单元。

本发明还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上任一所述基于风险控制的有形资产全寿命周期维修方案优化方法的步骤。

本发明还公开了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以上任一所述基于风险控制的有形资产全寿命周期维修方案优化方法的步骤。

与现有技术相比，本发明的有益效果是：

本发明基于有形资产风险控制要求，使用有形资产所涉及的工程与设计数据、运行与维修数据等，维修以安全性、可靠性、经济性、可用性为约束，通过科学的工程分析与数据分析，在全寿命周期内持续优化有形资产维修方案，包括：维修任务增加、删除、维修项目变更，以及维修间隔延长、缩短，从而有效解决有形资产维修过度和维修不足的问题，在维持有形资产固有安全性及可靠性基础上，持续降低维修成本，提高可用性。

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，下面描述中的附图仅仅是本发明中记载的一些实施例，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。

图1为本发明的整体流程图；

图2为P-F曲线；

图3为明显类故障寿命映射图；

图4为隐蔽类故障寿命映射图；

图5为主动风险控制技术示意图；

图6为方法A的流程图；

图7为任务间隔延长判断流程图；

图8为连续故障示意图；

图9为方法B的流程图；

图10为工龄相关寿命曲线图；

图11为一实施例中轨道车辆某电子板卡的故障条件概率曲线；

图12为累积风险分布曲线；

图13为累积风险置信区间间隔限制曲线；

图14为经济风险相关曲线图；

图15为可用度风险相关曲线图；

图16为维修任务间隔决策原则示意图；

图17一实施例中发动机A/B性能退化曲线。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

如图1所示，一种基于风险控制的有形资产全寿命周期维修方案优化方法，包括以下步骤：S1确定样本量；S2数据收集；S3数据处理；S4数据分析。

具体地，S1确定样本量，根据最小抽样任务量和最小抽样有形资产量确定样本量。

数据收集指收集运营商有形资产数据。为保证维修方案优化数据的有效性，通过抽样计算明确最小样本量，并审查所有源数据，形成抽样候选项清单，包括所需优化的维修任务，选择的运营商，所需有形资产及维修任务执行数量等。

基于每项优化目标当前间隔，计算抽样所需有形资产数量及任务数量，并符合95％置信度要求。

根据IP44，抽样最小抽样任务数量计算公式如下：

其中：S

任务总数S计算公式如下：

其中：

N

L为所有有形资产运营周期，将所有运营商所有有形资产运营周期累加获得，单位为总运营时间(如：飞行小时或公里或年)；任务总数为

T

r为有形资产平均年利用率，如2500飞行小时/年，55万公里/年等；

T

最小抽样有形资产数计算公式如下：

其中：R为抽样比例；p为最小抽样有形资产数；P为有形资产总数。

则有：

最小抽样有形资产数：

按不同环境的最小抽样有形资产计算公式如下：

p

其中：

p

P

S2数据收集：选择高质量数据样本，高质量数据样本指实际执行间隔与规定任务间隔偏差小的样本，即：执行任务间隔平均偏离比率≤10％，且最大偏离比率≤20％，其中，

I

I

I

连续检查次数，表示数据记录的完整性和连续性，优先选择连续检查次数高的有形资产作为样本。

任务间隔可以是公里数、日历时间、飞行小时。比如：某任务规定间隔为T

即样本选择主要考虑可用的连续检查次数、数据完整性(缺失情况)、执行间隔偏离情况等，选择数据质量高的数据用于后续分析。

S3数据处理：对数据进行剔除重复和无效数据、缺失数据还原处理，并根据有形资产维修数据的完备程度将数据归纳为A类数据集、B类数据集和C类数据集，其中，A类数据集包含计划维修数据中的故障数据，B类数据集包括计划维修数据、非计划维修数据和试验数据中的故障数据，C类数据集包括计划维修数据、非计划维修数据和试验数据中的性能检查数据，并将故障数据分为潜在故障和功能故障，其中，潜在故障又分为相关重要潜在故障、非相关重要潜在故障和非重要潜在故障。

即将每一条数据信息对应一个部件，根据部件的维修数据完备程度进行分类。

根据GB3187-94可靠性、维修性术语，相关概念如下：

计划维修：按预定的进度计划实施的预防性维修，预防性维修指为降低产品失效的概率或防止功能退化，按规定的准则实施的维修。

非计划维修：不是按预定的进度计划，而是在发现产品状态的异常迹象后实施的维修。

试验数据：试验期间得到的观测数据。

计划维修数据、非计划维修数据和试验数据中的故障数据仅为发现故障/未发现故障两种，性能检查数据指的是对部件状态的详细记录，例如磨损量、破裂尺寸等。

功能故障：部件不能在规定的条件内履行其指定的功能。

潜在故障：部件将不能完成规定功能的可鉴别的状态。如图2所示，在此“潜在”有两层含义，一，这类故障是指功能故障临近前的产品状态，而不是功能故障前任何时间的状态；二，部件的这种状态时经检查可鉴别的。若不可鉴别则不存在潜在故障。

搁置，针对潜在故障和功能故障，若由于所对应的故障模式为非关联故障，不是研究对象，则标记为搁置。

删失，有形资产设备由于误拆(也叫无故障发现)脱离服役状态，但并未故障，则标记为删失。无故障发现是指有形资产故障后更换了某些部件，车间测试表明该部件完好，则属于误拆。

1)剔除重复数据

非计划维修数据记录来自供应商和主制造商，不同来源数据可能存在重复，需要识别重复数据并剔除。例如：某一部件故障数据，供应商和主制造商分别进行记录，虽然数据记录故障单号不同，但故障时间、部件序列号、故障描述等信息均相一致，则判断为重复数据。

2)剔除无效数据

剔除问题数据包括：由制造质量问题、安装质量问题、人为差错导致故障、部件质量问题等导致的故障数据。例如：某部件发生泄漏故障，由于人为差错漏装密封件导致，则此数据为问题数据，需剔除。

3)相关性及重要性判断

针对维修方案中的维修任务，逐项判断每条潜在故障发现数据的相关性及重要性，任务相关性是指与维修方案任务的相关性，重要性是从故障影响判断。

相关性：潜在故障发现直接与计划维修任务的维修目的相吻合，并与计划维修间隔相一致。

重要性：潜在故障发现后，如果下一次维修再处理的话，会导致不可接受的经济性惩罚、使用性惩罚或可能降低动车组的安全性，需立即进行维修。

4)缺失数据还原

针对产品故障记录时存在数据缺失情况(如：发生故障时的里程或飞行小时数据缺失)，需要对缺失数据进行还原，数据还原可通过查阅该故障相关的部件履历进行还原，若履历缺失则通过插补法进行还原或根据下文方法C中的退化模型还原缺失数据。

具体采用平均插补法或近临插补法来还原缺失数据。

假设某部件一段时间内发生N个故障，按照时间排序记录为X＝{x(1),x(2),…，x(N)}，第r个数据x(r)缺失，

平均插补法：是指用一组数据的均值来代替缺失数据。公式如下：

近临插补法：是指用缺失数据的近邻数据序列的均值来填补缺失值。公式如下：

针对有详细的性能检查数据，可通过退化模型给出相对精准的潜在故障发生时间，可提高数据分析精准度，详见下文中方法C。以某型轨交车辆为例，针对维修任务“功能检查常用快速制动压力”，

我们通过上述数据处理得到最终处理结果，如下表所示：

5)寿命期计算

针对每个部件均要给出完整的寿命期，寿命期指产品/设备从安装到拆卸整个寿命周期(根据不同产品寿命期单位为：飞行小时、飞行循环、里程、日历时间等)，寿命期确定需要将计划维修和非计划维修映射至同一时间轴，以计算寿命期，寿命期计算方式为：拆卸时间点减去安装时间点。明显类故障寿命映射如图3所示，隐蔽类故障寿命映射如图4所示。

S4数据分析

基于主动风险控制的数据分析技术，不再以预防部件故障发生为目的，而是主动的控制故障风险，基于设备运维数据探究设备功能故障和潜在故障的规律，通过风险门槛的设置，风险门槛来自产品设计的风险要求，采取一定的容错区间转化为风险门槛，此处风险表示不执行维修任务引发不同后果的风险。基于风险门槛并结合故障规律，判断维修的最佳时机进而控制产品使用风险，即故障风险到达门槛值前主动采取预防性维修措施以将风险恢复至可接受的水平。

具体地，根据有形资产维修数据的完备程度采用不同分析方法，包括三种类型。

各类风险分析方法应用场景见下表：

针对润滑LUB和保养SVC任务通过需统计润滑脂或消耗品的消耗情况，等效于性能退化。

如图5所示，首先定义风险门槛，此处风险表示不执行维修任务引发不同后果的风险，风险门槛来自产品设计的风险要求，采取一定的容错区间转化为风险门槛。基于风险门槛并结合故障规律，判断维修的最佳时机进而控制产品使用风险，即故障风险到达门槛值前主动采取预防性维修措施以将风险恢复至可接受的水平。

方法A，如图6所示，针对相关重要潜在故障进行维修任务间隔延长判断，针对非相关重要潜在故障和非重要潜在故障进行趋势判断以增加、定义或删除相关维修任务。该方法以“可接受潜在故障发现率”为风险控制约束，实现维修方案优化，对数据依赖性小，分析结果偏保守，但该方法不适用于润滑/保养任务及寿命件。

具体为：针对非相关重要潜在故障，根据该故障数量与任务数量的比值计算故障发现率，判断是否增加相关维修任务或在既有任务中增加检查项目。针对非重要潜在故障，根据该故障数量与任务数量的比值计算故障发现率，判断是否需要删除相关维修任务。

如图7所示针对相关重要潜在故障进行任务间隔延长判断流程，首先进行延长测试：若故障发现率低于趋势门槛值且置信水平大于95％，则允许维修间隔延长，否则再进行定性工程分项：根据故障影响、故障数据、连续故障比率以及平均潜在故障间隔时间判断维修间隔是否延长。

故障发现率为某项任务发现故障数与执行任务数之比。

延长测试门槛值(即拒绝域)根据故障影响不同采用不同的计算方法，采用现有技术中的明显类故障影响和隐蔽类故障影响，并最终采用泊松分布进行假设检验。

连续故障比率指连续检查均发现故障次数与检查次数之比。如图8所示共执行5次检查任务，连续故障比率分别为40％和0％。

平均潜在故障间隔期指相邻两次潜在故障发生的间隔期，用有形资产在总的使用阶段累计工作时间与潜在故障次数的比值表示，如MTBPF(平均潜在故障间隔时间)或MDBPF(平均潜在故障间隔里程)等，该值越高表示故障发生频次越低。

故障影响，有形资产故障产生的后果，参考FMEA判断。

连续故障比率，衡量间隔有效性，是否能够延长，连续故障比率越低表示具备间隔延长的可能。

故障历史数据，描述部件典型的故障模式，发生频次，检查次数，可靠性水平等信息。

方法B，如图9所示，将潜在故障数据、功能故障数据分别进行威布尔分布参数估计，进行退化特征评估以判断任务合理性，并结合可靠性、经济性及可用度评估以判断任务间隔。该方法以可靠度、经济性、可用度为风险控制约束，在控制风险前提下，达到经济性和可用度的平衡，对数据要求适中，分析结果较为精准，但该方法不适用于润滑/保养任务。

根据故障机理不同选择不同的分布函数，常用分布函数如下：

威布尔分布

正态分布

对数正态分布

伽马分布

威布尔分布具备较好的拟合其他概率分布如指数分布、正态分布的特性，广泛应用到机械工程领域。通常选用威布尔分布，采用秩回归和极大似然估计方法进行参数估计，拟合威布尔分布函数。

基于潜在故障数据、功能故障数据分别进行威布尔分布参数估计，得到潜在故障和功能故障的分布规律。

如图10所示，维修方案优化时需考虑部件是否存在明显的退化特征，即是否具有寿命特征(即故障条件概率耗损期拐点)，用于辅助判断是否需要定义恢复或报废任务。若不具备寿命特征则无需定义报废任务，若具备寿命特征则定义维修任务，并进行任务间隔判断，且优选地，安全类影响部件报废寿命间隔为1/2可用寿命，非安全类(使用、经济)故障影响的部件报废间隔为可用寿命。

部件工作到t时刻，还没有出现故障的概率。即故障前时间T大于等于t的概率，最原始的表达内容是P{T>＝t}，称为故障分布的可靠度函数R(t)；部件工作到t时刻，已经出现故障的概率。即故障前时间小于t，故障可能的发生区间为[0,t]，P{T

故障条件概率按照如下公式计算：

针对寿命件(分为安全寿命件和经济寿命件)，故障条件概率符合如图10所示的规律。其中，平均寿命：根据故障频率曲线，当所有部件均运行至故障，部件的平均故障时间间隔(MTBF)即为平均寿命。可用寿命：故障条件概率曲线故障率迅速上升的拐点对应的工龄，叫做可用寿命或有用寿命。安全寿命：安全寿命限制也叫安全寿命，在基于可用寿命或平均寿命保守取值，在安全寿命期内故障条件概率趋近于0。经济寿命：通常经济寿命与可用寿命一致(或可用寿命保守取值)，在经济寿命期内故障条件概率需控制在可接受的水平。安全寿命件定期更换，以便将故障风险控制在一定水平；经济寿命件定期更换，以便取得较好的经济性。

决定一个定期恢复或报废任务是否技术可行需考虑是否存在一个“可用寿命”，可用寿命是指过了此点后发生的故障的条件概率大大增加(即故障条件概率耗损期拐点)。

以轨道车辆某电子板卡为例，原来在480万报废，通过故障条件概率判断报废任务是否可行，故障数据见下表。

根据以上故障数据，求得故障条件概率曲线如图11所示，由条件概率曲线分析，该有形资产在可确定的寿命期内不存在“可用寿命”，定期报废任务无效，采用故障维修或状态维修。

假设：某部件存在耗损期拐点(可用寿命)300万公里，可靠度为0.1时的寿命(B10寿命)为360万公里，综合考虑部件的故障影响，针对安全类影响部件报废寿命间隔为150万公里(二分之一可用寿命)，针对非安全类(使用、经济)故障影响的部件报废间隔可定义为300万公里。

通过分布函数拟合得到有形资产设备的潜在故障和功能故障累积风险分布规律，即

其中：t为工作时间；β为形状参数；η为尺度参数。

判断任务间隔以物理风险、经济风险和可用风险为判断。

物理风险以间隔延长后的可靠性水平(或累积风险)为约束，判断间隔延长后是否满足风险要求，即生存至维修任务间隔时发生故障引起特定后果的风险。

根据不同有形资产风险控制要求，设计风险门槛，使不同等级的故障后果的发生频次低于风险矩阵中给出的频次要求。随着间隔延长发生潜在风险和功能故障风险随之增加。根据不同的故障影响(安全/秩序/使用/经济)设置潜在风险和功能风险门槛值，风险门槛值采用有形资产安全矩阵确定。

如图12所示，潜在故障风险门槛为0.2，则物理风险间隔限制周期为58万里程，功能故障门槛值为0.1，则物理风险间隔限制周期为140万里程。

在物理风险分析过程中，给出一定置信水平下的置信区间，通常为95％置信度。

如图13所示，为确保将故障风险维持在可接受水平，或降低故障发生概率，针对安全类/秩序类故障后果，安全类/秩序类故障按照风险置信区间的上限取值，使用/经济类故障按照风险置信区间的均值取值。

针对结构类检查任务，可发现轻微的腐蚀、裂纹、划痕、凹坑等。也可能发现结果深度腐蚀，大的结构破损裂纹等。针对不影响产品结构完整性，经过修理后仍在允许损伤限度内的结构损伤，定义为潜在故障。针对影响产品结构完整性，超过允许损伤极限的结构损伤，定义为功能故障。

以上针对具有明显类的故障，根据检查结果可得出潜在故障或功能故障风险。

针对隐蔽类故障，目视检查或操作检查任务可发现故障是否发生，无法获取退化情况，故仅可得到功能故障风险曲线。

针对功能故障的经济风险进行分析，以维修成本为约束，考虑计划维修花费与由于故障导致的经济性惩罚成本和修理成本，选择最佳的任务间隔或间隔区间。维修间隔满足经济性模型如下：

其中：C(t)为总维修费用；C

随着间隔的延长计划维修成本逐步降低，非计划维修成本逐渐升高，总维修成本存在最优点(圆圈内为成本范围，通常为最优点上下浮动10％)，如图14所示。针对安全类故障无需考虑经济性。

针对功能故障可用风险进行分析，以产品可用度为约束，基于产品功能故障拟合故障规律曲线，结合产品可用度要求(通常不低于95％)，给出不同维修间隔下可用度的变化规律。

其中：A表示可用度；t表示产品或部件的运行时间；M

如图15所示，给出可用度风险分析曲线，存在可用度最优点(即可用度最大的点)。

如图16所示，维修任务间隔决策原则如下：

维修任务间隔不超过可靠度间隔；

维修任务间隔不低于可用度最低间隔限制；

若故障条件概率存在耗损期拐点，则不超过该间隔点；

结合维修间隔框架，在经济性范围内按需平衡可用度最优点。

方法C，根据性能检查数据中的退化数据建立退化模型并结合失效阈值以确定失效工龄。该方法对维修记录要求高，分析结果精准，该方法不适用于寿命件。

该方法适用于可靠性较高的部件，在正常的使用过程中历次检查未发现性能超限，根据性能参数随使用周期(时间或里程)变化建立退化分析模型，从而确定维修间隔。典型的退化分析包括：磨损、裂纹扩展、电压、电流的衰减或漂移等。

基于具体部件的失效机理确定选择具有代表性退化量(即退化参数，如：铁粉含量、磨损量、压力值等)

选用以下退化数据分析模型，并采用最小二乘法进行回归分析，得到性能退化曲线。

y＝a·x+b；y＝b·e

具体地，可以根据经验选择模型，也可以均建立模型，通过最小二乘法进行回归分析判断最符合的性能退化曲线。

失效阈值确定按照设计和试验要求规定。根据失效阈值对应的纵坐标，从而找到失效工龄对应的横坐标。

以某型涡轮发动机叶片为例，选取裂纹扩展尺寸为退化量。数据见下表：

本例选取y＝b·e

得到性能退化曲线如图17所示。

同时，该性能退化曲线还可以用于数据还原。

维修方案优化，根据数据完备程度以及维修任务类型适用情况，使用风险分析方法A、B、C确定维修任务间隔。需根据数据分析结果进行综合评估给出优化决策，优化决策样例见下表：

另一实施例：一种基于风险控制的有形资产全寿命周期维修方案优化装置，包括：

抽样计算单元，用于计算最小抽样任务量和最小抽样有形资产量以确定样本量。

数据收集单元，用于选择高质量数据样本，高质量数据样本指执行任务间隔平均偏离比率≤10％，且最大偏离比率≤20％，其中，

I

I

I

数据处理单元，用于对数据进行剔除重复和无效数据、缺失数据还原处理，并根据有形资产维修数据的完备程度将数据归纳为A类数据集、B类数据集和C类数据集，其中，A类数据集包含计划维修数据中的故障数据，B类数据集包括计划维修数据、非计划维修数据和试验数据中的故障数据，C类数据集包括计划维修数据、非计划维修数据和试验数据中的性能检查数据，并将故障数据分为潜在故障和功能故障，其中，潜在故障又分为相关重要潜在故障、非相关重要潜在故障和非重要潜在故障。

数据分析单元，用于根据有形资产的完备程度采用不同分析方法，其中，

针对A类数据集，采用方法A：针对相关重要潜在故障进行维修任务间隔延长判断，针对非相关重要潜在故障和非重要潜在故障进行趋势判断以增加、定义或删除相关维修任务；

针对B类数据集，采用方法B：将潜在故障数据、功能故障数据分别进行威布尔分布参数估计，进行退化特征评估以判断任务合理性，并结合可靠性、经济性及可用度评估以判断任务间隔；

针对C类数据集，采用方法C：根据性能检查数据中的退化数据建立退化模型并结合失效阈值以确定失效工龄。

另一实施例：一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上任一所述基于风险控制的有形资产全寿命周期维修方案优化方法的步骤。

另一实施例：一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以上任一所述基于风险控制的有形资产全寿命周期维修方案优化方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。