首页 > 乐器声学 专利正文
一种变压器本体噪声与冷却装置噪声分离方法和系统与流程

时间:2022-01-23 阅读: 作者:专利查询

一种变压器本体噪声与冷却装置噪声分离方法和系统与流程

1.本发明涉及噪声分离领域,特别是涉及一种变压器本体噪声与冷却装置噪声分离方法和系统。


背景技术:

2.随着全球能源互联需求的日益增长、城镇化建设加剧以及人们环保意识的普遍增强,变电站的噪声问题日益突出,已逐渐成为输电工程环境影响的重要评估内容。变压器是交流输电工程的关键设备之一,也是变电站内的主要噪声来源之一,主要由本体噪声和冷却装置噪声两部分组成。相应地,准确分析和评估变电站内主要噪声源如变压器等的噪声水平,对变电站的设计、噪声控制及工程选址等都具有较大的指导意义和工程应用价值。此外,运行中的变压器的噪声由本体振动、冷却装置等的机械结构振动经空气传播形成,与其机械结构的改变密切相关,且这些运行中的变压器噪声信号可经麦克风传感器方便获取,隶属于非接触式测试模式,现场实施方便。相应地,基于声音的电力变压器异响监测分析已逐渐成为电力设备智能运维的重要组成部分,对确保电力变压器安全可靠运行意义重大。
3.变电站现场的电力变压器主要包括本体、及冷却风机、储油柜、钢结构支架等诸多附件,而冷却风机等冷却装置的开启及环境噪声的存在给准确掌握变压器本体的噪声水平带来了困难。考虑到冷却装置的噪声是影响电力变压器本体噪声分析评估的主要因素,且主要为50hz分量以下的低频分量及其这些低频分量的倍频,现有研究大都从变压器噪声信号的频谱分析入手获取变压器的本体噪声。然而,这些研究在分离电力变压器的本体噪声信号时多直接应用梳状滤波器的方法,一方面会因滤波器阶数过高而导致严重的时域延迟效应,另一方面也会造成分离出的本体噪声能量损失过多,降低了噪声分离的准确性,从而影响变压器及变电站的噪声环评、噪声治理以及变压器运行状态的准确分析。


技术实现要素:

4.为解决现有技术存在的上述问题,本发明提供了一种变压器本体噪声与冷却装置噪声分离方法和系统。
5.为实现上述目的,本发明提供了如下方案:
6.一种变压器本体噪声与冷却装置噪声分离方法,包括:
7.采集待分析的含噪变压器的噪声信号;
8.对所述噪声信号进行归一化处理得到归一化后的噪声信号;
9.对所述归一化后的噪声信号进行分段处理得到分段噪声信号;
10.将所述分段噪声信号输入至变压器噪声信号计算模型得到变压器噪声信号;所述变压器噪声信号计算模型为基于稀疏神经网络构建的计算模型;
11.对所述变压器噪声信号进行归一化处理得到归一化后的变压器噪声信号;
12.基于所述归一化后的变压器噪声信号得到变压器的本体噪声信号;
13.基于所述变压器的本体噪声信号和所述噪声信号得到变压器的冷却装置噪声信
号。
14.优选地,所述变压器噪声信号计算模型的构建过程为:
15.确定稀疏神经网络的网络结构和参数;所述稀疏神经网络的网络结构包括:输入层、隐含层和输出层;所述输入层通过第一连接权矩阵和第一偏置向量连接到所述隐含层;所述隐含层通过第二连接权矩阵和第二偏置向量连接到输出层;所述稀疏神经网络的参数包括:输入层节点数、输出层节点数、隐含层节点数、稀疏性惩罚项权重、稀疏参数和正则化项系数;
16.初始化所述第一连接权矩阵、所述第一偏置向量、所述第二连接权矩阵和所述第二偏置向量,且使所述第一连接权矩阵与所述第二连接权矩阵的转置矩阵相等,得到初始稀疏神经网络;
17.采用训练样本集作为所述初始稀疏神经网络的输入和期望输出,以确定所述初始稀疏神经网络的隐含层状态、输出状态和损失函数;
18.采用梯度下降法更新初始化后的所述第一连接权矩阵、所述第一偏置向量、所述第二连接权矩阵和所述第二偏置向量;
19.返回步骤“采用训练样本集作为所述初始稀疏神经网络的输入和期望输出,以确定所述初始稀疏神经网络的隐含层状态、输出状态和损失函数”直至满足收敛条件后,形成所述变压器噪声信号计算模型。
20.优选地,所述训练样本集的构建过程为:
21.基于预设采样频率和预设采集时间采集运行中的变压器的噪声信号;
22.对采集到的运行中的变压器的噪声信号进行傅里叶变换,得到变压器噪声信号的频谱分布;
23.根据变压器噪声信号的频谱分布设计带通滤波器组;
24.将运行中的变压器的噪声信号输入至设计好的带通滤波器组得到滤波后的变压器噪声信号;
25.对滤波后的变压器噪声信号进行归一化处理得到对所述第二变压器噪声信号进行分段处理得到分段信号;
26.基于所述分段信号和采集的运行中的变压器的噪声信号形成训练样本集。
27.优选地,所述带通滤波器组包括多个带通滤波器;所述带通滤波器组中的带通滤波器的中心频率为预设中心频率的整数倍。
28.优选地,所述预设中心频率为50hz。
29.优选地,所述预设采样频率不小于10khz。
30.优选地,所述预设采集时间不小于10s。
31.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:
32.本发明提供的变压器本体噪声与冷却装置噪声分离方法,应用基于稀疏神经网络构建变压器噪声信号计算模型可学习到电力变压器本体噪声信号的特征,得到较为准确的电力变压器本体噪声,从而有效、精确的实现了电力变压器本体噪声与冷却装置噪声的分离,为变压器各部分噪声评估、噪声治理及状态评估、故障诊断等提供了有效依据。
33.对应于上述提供的变压器本体噪声与冷却装置噪声分离方法,本发明还提供了一种变压器本体噪声与冷却装置噪声分离系统,该系统包括:
34.噪声信号采集模块,用于采集待分析的含噪变压器的噪声信号;
35.第一归一化处理模块,用于对所述噪声信号进行归一化处理得到归一化后的噪声信号;
36.分段处理模块,用于对所述归一化后的噪声信号进行分段处理得到分段噪声信号;
37.变压器噪声信号确定模块,用于将所述分段噪声信号输入至变压器噪声信号计算模型得到变压器噪声信号;所述变压器噪声信号计算模型为基于稀疏神经网络构建的计算模型;
38.第二归一化处理模块,用于对所述变压器噪声信号进行归一化处理得到归一化后的变压器噪声信号;
39.本体噪声信号确定模块,用于基于所述归一化后的变压器噪声信号得到变压器的本体噪声信号;
40.冷却装置噪声信号确定模块,用于基于所述变压器的本体噪声信号和所述噪声信号得到变压器的冷却装置噪声信号。
41.优选地,还包括变压器噪声信号计算模型构建模块;所述变压器噪声信号计算模型构建模块包括:
42.结构参数确定单元,用于确定稀疏神经网络的网络结构和参数;所述稀疏神经网络的网络结构包括:输入层、隐含层和输出层;所述输入层通过第一连接权矩阵和第一偏置向量连接到所述隐含层;所述隐含层通过第二连接权矩阵和第二偏置向量连接到输出层;所述稀疏神经网络的参数包括:输入层节点数、输出层节点数、隐含层节点数、稀疏性惩罚项权重、稀疏参数和正则化项系数;
43.初始化单元,用于初始化所述第一连接权矩阵、所述第一偏置向量、所述第二连接权矩阵和所述第二偏置向量,且使所述第一连接权矩阵与所述第二连接权矩阵的转置矩阵相等,得到初始稀疏神经网络;
44.样本训练单元,用于采用训练样本集作为所述初始稀疏神经网络的输入和期望输出,以确定所述初始稀疏神经网络的隐含层状态、输出状态和损失函数;
45.更新单元,用于采用梯度下降法更新初始化后的所述第一连接权矩阵、所述第一偏置向量、所述第二连接权矩阵和所述第二偏置向量;
46.循环单元,用于返回步骤“采用训练样本集作为所述初始稀疏神经网络的输入和期望输出,以确定所述初始稀疏神经网络的隐含层状态、输出状态和损失函数”,直至满足收敛条件后,形成所述变压器噪声信号计算模型。
47.优选地,所述变压器噪声信号计算模型构建模块还包括训练样本集构建单元;所述训练样本集构建单元包括:
48.噪声信号采集子单元,用于基于预设采样频率和预设采集时间采集运行中的变压器的噪声信号;
49.频谱分布确定子单元,用于对采集到的运行中的变压器的噪声信号进行傅里叶变换,得到变压器噪声信号的频谱分布;
50.带通滤波器组设计子单元,用于根据变压器噪声信号的频谱分布设计带通滤波器组;
51.滤波子单元,用于将运行中的变压器的噪声信号输入至设计好的带通滤波器组得到滤波后的变压器噪声信号;
52.归一化处理子单元,用于对滤波后的变压器噪声信号进行归一化处理得到第二变压器噪声信号;
53.分段处理子单元,用于对所述第二变压器噪声信号进行分段处理得到分段信号;
54.训练样本集构建子单元,用于基于所述分段信号和采集的运行中的变压器的噪声信号形成训练样本集。
55.因本发明提供的变压器本体噪声与冷却装置噪声分离系统实现的技术效果与上述提供的变压器本体噪声与冷却装置噪声分离方法实现的技术效果相同,故在此不再进行赘述。
附图说明
56.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。
57.图1为本发明提供的变压器本体噪声与冷却装置噪声分离方法的流程图;
58.图2为本发明提供的实施变压器本体噪声与冷却装置噪声分离方法的流程框图;
59.图3为本发明实施例提供的电力变压器噪声的时域波形图;
60.图4为本发明实施例提供的电力变压器噪声的频谱分布图;
61.图5为本发明实施例提供的稀疏神经网络的结构示意图;
62.图6为本发明实施例提供的待分析电力变压器含噪噪声信号图;
63.图7为本发明实施例提供的从待分析电力变压器噪声信号中分离出的本体噪声信号图;
64.图8为本发明实施例提供的从待分析电力变压器噪声信号中分离出的冷却装置噪声信号图;
65.图9为本发明提供的变压器本体噪声与冷却装置噪声分离系统的结构示意图。
具体实施方式
66.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。
67.本发明的目的是提供一种变压器本体噪声与冷却装置噪声分离方法和系统,能够显著提高噪声分离的准确性。
68.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。
69.如图1所示,本发明提供的变压器本体噪声与冷却装置噪声分离方法,包括:
70.步骤100:采集待分析的含噪变压器的噪声信号。
71.步骤101:对噪声信号进行归一化处理得到归一化后的噪声信号。
72.步骤102:对归一化后的噪声信号进行分段处理得到分段噪声信号。
73.步骤103:将分段噪声信号输入至变压器噪声信号计算模型得到变压器噪声信号。变压器噪声信号计算模型为基于稀疏神经网络构建的计算模型。
74.步骤104:对变压器噪声信号进行归一化处理得到归一化后的变压器噪声信号。
75.步骤105:基于归一化后的变压器噪声信号得到变压器的本体噪声信号。
76.步骤106:基于变压器的本体噪声信号和噪声信号得到变压器的冷却装置噪声信号。
77.其中,上述采用的变压器噪声信号计算模型的构建过程为:
78.步骤1、确定稀疏神经网络的网络结构和参数。稀疏神经网络的网络结构包括:输入层、隐含层和输出层。输入层通过第一连接权矩阵和第一偏置向量连接到隐含层。隐含层通过第二连接权矩阵和第二偏置向量连接到输出层。稀疏神经网络的参数包括:输入层节点数、输出层节点数、隐含层节点数、稀疏性惩罚项权重、稀疏参数和正则化项系数。
79.步骤2、初始化第一连接权矩阵、第一偏置向量、第二连接权矩阵和第二偏置向量,且使第一连接权矩阵与第二连接权矩阵的转置矩阵相等,得到初始稀疏神经网络。
80.步骤3、采用训练样本集作为初始稀疏神经网络的输入和期望输出,以确定初始稀疏神经网络的隐含层状态、输出状态和损失函数。其中,训练样本集的构建过程为:
81.基于预设采样频率(不小于10khz)和预设采集时间(不小于10s)采集运行中的变压器的噪声信号。
82.对采集到的运行中的变压器的噪声信号进行傅里叶变换,得到变压器噪声信号的频谱分布。
83.根据变压器噪声信号的频谱分布设计带通滤波器组。带通滤波器组包括多个带通滤波器。带通滤波器组中的带通滤波器的中心频率为预设中心频率(50hz)的整数倍。
84.将运行中的变压器的噪声信号输入至设计好的带通滤波器组得到滤波后的变压器噪声信号。
85.对滤波后的变压器噪声信号进行归一化处理得到第二变压器噪声信号。
86.对第二变压器噪声信号进行分段处理,得到分段信号。
87.基于分段信号和采集的运行中的变压器的噪声信号形成训练样本集。
88.步骤4、采用梯度下降法更新初始化后的第一连接权矩阵、第一偏置向量、第二连接权矩阵和第二偏置向量。
89.重复执行步骤3和4直至满足收敛条件后,形成变压器噪声信号计算模型。
90.下面基于如图2所示的实施框架,对本发明上述提供的变压器本体噪声与冷却装置噪声分离方法的具体实施流程进行说明,在实际应用过程中,该实施例中描述的实施步骤不作为上述技术方案的唯一限定。
91.以某500kv变压器为分析对象,按照一下实施变压器本体噪声与冷却装置噪声分离方法的步骤进行变压器本体噪声和冷却装置噪声的分离:
92.(1)采集运行中的变压器的噪声信号s(t)。其中,采样频率为fs,采集时间为tr,信号长度为n。为了确保数据处理的精确性,本实施例中,采样频率fs应不小于10khz,采样时间tr应不小于10s,例如,fs=12800hz,tr=60s,采样得到的时域波形如图3所示。
93.(2)对采集到的变压器噪声信号s(t)进行傅里叶变换,计算变压器噪声信号的频谱分布,如图4所示,的傅里叶变换是本领域内常用的数学方法,在此不再进行赘述。
94.(3)根据变压器噪声信号的频谱分布设计带通滤波器组,获取滤波后的变压器噪声信号,其实施过程具体如下:
95.3a)根据变压器噪声信号的频谱分布设计带通滤波器组f,的滤波器组f由p个理想带通滤波器组成,中心频率分别为50hz、及50hz的整数倍。
96.3b)将变压器的噪声信号s(t)输入带通滤波器组f,得到滤波后的变压器噪声信号,其计算公式为:
[0097][0098]
式中:sb为滤波后的变压器噪声信号,i为第i个50hz的整数倍,p为50hz的整数倍除以50hz的商。
[0099]
(4)对滤波后的变压器噪声信号进行归一化处理,得到归一化后的噪声信号,的变压器噪声信号的归一化计算公式为:
[0100][0101]
其中,s'b为归一化后的噪声信号。
[0102]
(5)构建基于稀疏神经网络的变压器噪声信号计算模型,其计算步骤如下:
[0103]
5a)确定稀疏神经网络的网络结构与参数,的稀疏神经网络的网络结构包括:输入层、隐含层和输出层。其中,输入层通过连接权矩阵w(即第一连接权矩阵)和偏置向量b(即第一偏置向量)连接到隐含层,隐含层通过连接权矩阵w

(即第二连接权矩阵)和偏置向量b

(即第二偏置向量)连接到输出层。的稀疏神经网络的参数包括输入层与输出层节点数l、隐含层节点数m、稀疏性惩罚项权重β、稀疏参数ρ和正则化项系数λ。本实施例中,l=2560、m=256、β=4、ρ=0.5、λ=0.004。得到的网络结构如图5所示。
[0104]
5b)随机初始化输入层到隐含层的连接权矩阵w和偏置向量b、隐含层到输出层的连接权矩阵w

和偏置向量b

,且满足w=w

t

[0105]
5c)将归一化后的变压器噪声信号按照长度ts进行分段,建立稀疏神经网络的训练样本集其样本个数为tn1个,此处,长度ts需满足ts≥0.1s和ts×fs
≤4000,若无法满足上述条件可适当对变压器噪声信号进行降采样。其中,
[0106]
5d)将训练样本作为稀疏神经网络的输入和期望输出,计算稀疏神经网络的隐含层状态h、输出和损失函数j
sparse
,的稀疏神经网络的隐含层状态h及输出的计算公式分别为:
[0107]
h=f(wk
t
+b)
[0108][0109]
式中:f()为稀疏神经网络隐含层和输出层的激活函数。本发明优选采用sigmoid函数为激活函数。
[0110]
的稀疏神经网络的损失函数j
sparse
的计算公式为:
[0111][0112][0113][0114]
式中:为稀疏性惩罚项,为第j个隐含层节点hj的平均激活程度,kl表示散度。
[0115]
5e)采用梯度下降法更新初始化后的稀疏神经网络输入层到隐含层的权值矩阵w与偏置向量b、隐含层到输出层的权值矩阵w

及偏置向量b

,的输入层到隐含层的权值矩阵w与偏置向量b、隐含层到输出层的权值矩阵w

及偏置向量b

的计算公式为:
[0116][0117]w′
=w
t
[0118][0119][0120]
式中:α为学习率,α的值可以为0.1。
[0121]
5f)重复步骤5d)和步骤5e),直到满足迭代收敛条件,完成稀疏神经网络的训练过程。其中,的稀疏神经网络的迭代收敛条件为:
[0122]jsparse
=0或
[0123][0124]
(6)依据国标gb/t 1094.101-2008采集待分析的含噪变压器噪声信号zc,采集到的信号如图6所示。其中,采集信号是采用的采样频率为fs、采样时间为te。基于变压器噪声信号计算模型计算变压器本体噪声,得到的本体噪声如图7所示。本实施例中,te=10s,其计算步骤为:
[0125]
6a)对变压器含噪噪声信号zc进行归一化处理,得到归一化后的变压器含噪噪声信号z
′c,的归一化处理公式为:
[0126][0127]
6b)对归一化后的变压器含噪噪声信号z
′c按照长度ts进行分段,将分段结果作为
稀疏神经网络的输入,计算稀疏神经网络的输出其计算公式为:
[0128][0129]
6c)对稀疏神经网络的输出进行逆归一化,计算变压器的本体噪声zb,的逆归一化过程计算公式为:
[0130][0131]
(7)依据变压器含噪噪声信号zc和变压器本体噪声信号zb分离出变压器冷却装置的噪声信号z
l
,分离得到的变压器冷却装置的噪声信号如图8所示。变压器冷却装置噪声z
l
的计算公式为:
[0132]zl
=z
c-zb。
[0133]
基于上述内容,本发明提供的变压器本体噪声与冷却装置噪声分离方法相对于现有技术具有以下优点:
[0134]
1、在进行变电站现场变压器噪声信号的测试时,限定了采样频率和采样时间的范围,这样能够保证所测声信号的完整性。
[0135]
2、本发明从电力变压器本体噪声的频域成分入手构建理想带通滤波器组,获得了电力变压器本体噪声,避免了因滤波器阶数过高而导致严重的时域延迟效应。
[0136]
3、本发明在确定稀疏神经网络的输入、输出层结构时,若节点数大于4000,则对原信号进行降采样处理,综合考虑了计算精度与效率,确保了网络在重构电力变压器本体噪声结果准确的前提下,尽量降低计算损耗。
[0137]
4、本发明对待评估电力变压器含噪噪声信号进行了归一化及分段处理,使得基于稀疏神经网络的变压器本体噪声计算模型具有较大适用范围。
[0138]
对应于上述提供的变压器本体噪声与冷却装置噪声分离方法,本发明还提供了一种变压器本体噪声与冷却装置噪声分离系统,如图9所示,该系统包括:噪声信号采集模块1、第一归一化处理模块2、分段处理模块3、变压器噪声信号确定模块4、第二归一化处理模块5、本体噪声信号确定模块6和冷却装置噪声信号确定模块7。
[0139]
其中,噪声信号采集模块1用于采集待分析的含噪变压器的噪声信号。
[0140]
第一归一化处理模块2用于对噪声信号进行归一化处理得到归一化后的噪声信号。
[0141]
分段处理模块3用于对归一化后的噪声信号进行分段处理得到分段噪声信号。
[0142]
变压器噪声信号确定模块4用于将分段噪声信号输入至变压器噪声信号计算模型得到变压器噪声信号。变压器噪声信号计算模型为基于稀疏神经网络构建的计算模型。
[0143]
第二归一化处理模块5用于对变压器噪声信号进行归一化处理得到归一化后的变压器噪声信号。
[0144]
本体噪声信号确定模块6用于基于归一化后的变压器噪声信号得到变压器的本体噪声信号。
[0145]
冷却装置噪声信号确定模块7用于基于变压器的本体噪声信号和噪声信号得到变压器的冷却装置噪声信号。
[0146]
进一步,上述变压器噪声信号计算模型的构建是基于变压器噪声信号计算模型构
建模块完成的。其中,变压器噪声信号计算模型构建模块包括:结构参数确定单元、初始化单元、样本训练单元、更新单元和循环单元。
[0147]
结构参数确定单元用于确定稀疏神经网络的网络结构和参数。稀疏神经网络的网络结构包括:输入层、隐含层和输出层。输入层通过第一连接权矩阵和第一偏置向量连接到隐含层。隐含层通过第二连接权矩阵和第二偏置向量连接到输出层。稀疏神经网络的参数包括:输入层节点数、输出层节点数、隐含层节点数、稀疏性惩罚项权重、稀疏参数和正则化项系数。
[0148]
初始化单元用于初始化第一连接权矩阵、第一偏置向量、第二连接权矩阵和第二偏置向量,且使第一连接权矩阵与第二连接权矩阵的转置矩阵相等,得到初始稀疏神经网络。
[0149]
样本训练单元用于采用训练样本集作为初始稀疏神经网络的输入和期望输出,以确定初始稀疏神经网络的隐含层状态、输出状态和损失函数。
[0150]
更新单元用于采用梯度下降法更新初始化后的第一连接权矩阵、第一偏置向量、第二连接权矩阵和第二偏置向量。
[0151]
循环单元用于返回步骤“采用训练样本集作为初始稀疏神经网络的输入和期望输出,以确定初始稀疏神经网络的隐含层状态、输出状态和损失函数”,直至满足收敛条件后,形成变压器噪声信号计算模型。
[0152]
进一步,变压器噪声信号计算模型构建模块还包括训练样本集构建单元,以构建样本训练集。其中,训练样本集构建单元包括:噪声信号采集子单元、频谱分布确定子单元、带通滤波器组设计子单元、滤波子单元、归一化处理子单元、分段处理子单元和训练样本集构建子单元。
[0153]
噪声信号采集子单元用于基于预设采样频率和预设采集时间采集运行中的变压器的噪声信号。
[0154]
频谱分布确定子单元用于对采集到的运行中的变压器的噪声信号进行傅里叶变换,得到变压器噪声信号的频谱分布。
[0155]
带通滤波器组设计子单元用于根据变压器噪声信号的频谱分布设计带通滤波器组。
[0156]
滤波子单元用于将运行中的变压器的噪声信号输入至设计好的带通滤波器组得到滤波后的变压器噪声信号。
[0157]
归一化处理子单元用于对滤波后的变压器噪声信号进行归一化处理得到第二变压器噪声信号。
[0158]
分段处理子单元用于对第二变压器噪声信号进行分段处理得到分段信号。
[0159]
训练样本集构建子单元用于基于分段信号和采集的运行中的变压器的噪声信号形成训练样本集。
[0160]
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。
[0161]
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。