电力物联网测试数据生成方法及装置与流程

1.本发明涉及软件测试及人工智能技术领域，尤其涉及一种电力物联网测试数据生成方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.软件测试在减少软件漏洞，提升软件应用质量方面具有不可替代的作用，为了更好地提升测试效率，保证测试的高效性，目前对测试数据生成方法进行了大量研究，其中包括：基于改进遗传算法进行模糊测试数据生成方法研究；为了解决面向路径的测试数据自动生成，提出组合优化粒子群算法和蚁群算法；为了解决模糊测试中随机生成的测试数据不能遵循软件输入标准问题，提出了一种使用变异策略动态构建模糊测试数据生成方法；对电力物联网边缘物联代理的一致性进行了测试研究。
4.现有技术的一种方案为用户手动编制测试数据，测试数据生成效率低，降低测试效率。


技术实现要素：

5.本发明实施例提供一种电力物联网测试数据生成方法，用以提高测试数据生成效率，提高测试效率，该方法包括：
6.获取电力物联网中每一类用电设备的历史用电数据及历史测试数据；
7.将电力物联网中每一类用电设备的历史用电数据及历史测试数据，作为每一类用电设备的样本数据，构建每一类用电设备的训练数据集；
8.以每一类用电设备的训练数据集，训练机器学习模型，得到每一类用电设备的测试数据生成模型；
9.在接收到为用电设备生成测试数据的请求时，将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，输出用电设备的测试数据。
10.本发明实施例还提供一种电力物联网测试数据生成装置，用以提高测试数据生成效率，提高测试效率，该装置包括：
11.获取模块，用于获取电力物联网中每一类用电设备的历史用电数据及历史测试数据；
12.训练数据集构建模块，用于将电力物联网中每一类用电设备的历史用电数据及历史测试数据，作为每一类用电设备的样本数据，构建每一类用电设备的训练数据集；
13.训练模块，用于以每一类用电设备的训练数据集，训练机器学习模型，得到每一类用电设备的测试数据生成模型；
14.预测模块，用于在接收到为用电设备生成测试数据的请求时，将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，输出用电设备的测试数据。
15.本发明实施例还提供一种计算机设备，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计算机程序时实现上述电力物联网测试数据生成方法。
16.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电力物联网测试数据生成方法。
17.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述电力物联网测试数据生成方法。
18.本发明实施例中，获取电力物联网中每一类用电设备的历史用电数据及历史测试数据；将电力物联网中每一类用电设备的历史用电数据及历史测试数据，作为每一类用电设备的样本数据，构建每一类用电设备的训练数据集；以每一类用电设备的训练数据集，训练机器学习模型，得到每一类用电设备的测试数据生成模型；在接收到为用电设备生成测试数据的请求时，将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，输出用电设备的测试数据。与现有技术中的技术方案相比，将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，即能够输出用电设备的测试数据，无需进行手动编制测试数据，提高测试数据生成效率，提高测试效率。
附图说明
19.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。在附图中：
20.图1为本发明实施例中提供的电力物联网测试数据生成方法的流程示意图；
21.图2为本发明实施例中提供的电力物联网测试数据生成方法的一具体实例图；
22.图3为本发明实施例中提供的应用电力物联网测试数据生成方法的预处理操作界面实例图；
23.图4为本发明实施例中提供的电力物联网测试数据生成方法的一具体实例图；
24.图5为本发明实施例中提供的电力物联网测试数据生成方法的一具体实例图；
25.图6为本发明实施例中提供的电力物联网测试数据生成方法的一具体实例图；
26.图7为本发明实施例中提供的应用电力物联网测试数据生成方法输出用电测试数据的一具体实例图；
27.图8为本发明实施例中提供的电力物联网测试数据生成装置的结构示意图；
28.图9为本发明实施例中提供的电力物联网测试数据生成装置的一具体实例图。
具体实施方式
29.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
30.在介绍本发明实施例之前，首先对本发明实施例涉及的名词进行介绍。
31.1.遗传算法：遗传算法(genetic algorithm，ga)设计思路源于大自然中生物进化
规律。该算法通过利用计算机仿真运算，将问题的求解过程转换为类似于生物进化中的染色体基因的交叉、变异等操作，目前已被广泛应用于机器学习、信号处理、组合优化等领域。
32.2.强化学习：强化学习(reinforcement learning，rl)又被称为增强学习或评价学习，属于机器学习的方式之一，通常用于解决智能体在与环境之间的交互过程中进行学习达成回报最大化或实现特定目标的问题。
33.3.vxi总线：
34.vme bus extension for instrumentation的缩写，即vme总线在测量仪器领域的扩展。这是一种新型测量仪器的标准总线，其总线标准是一种在世界范围内完全开放的、适用于各国不同的厂家、不同应用领域的行业标准。
35.本发明实施例提供了一种电力物联网测试数据生成方法，图1为本发明实施例中提供的电力物联网测试数据生成方法的流程示意图，如图1所示，该方法包括如下步骤：
36.步骤101：获取电力物联网中每一类用电设备的历史用电数据及历史测试数据；
37.步骤102：将电力物联网中每一类用电设备的历史用电数据及历史测试数据，作为每一类用电设备的样本数据，构建每一类用电设备的训练数据集；
38.步骤103：以每一类用电设备的训练数据集，训练机器学习模型，得到每一类用电设备的测试数据生成模型；
39.步骤104：在接收到为用电设备生成测试数据的请求时，将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，输出用电设备的测试数据。
40.由图1所示流程可知，本发明实施例中，获取电力物联网中每一类用电设备的历史用电数据及历史测试数据；将电力物联网中每一类用电设备的历史用电数据及历史测试数据，作为每一类用电设备的样本数据，构建每一类用电设备的训练数据集；以每一类用电设备的训练数据集，训练机器学习模型，得到每一类用电设备的测试数据生成模型；在接收到为用电设备生成测试数据的请求时，将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，输出用电设备的测试数据。与现有技术中的技术方案相比，将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，即能够输出用电设备的测试数据，无需进行手动编制测试数据，提高测试数据生成效率，提高测试效率。
41.下面对上述步骤101至步骤104的执行过程加以详细介绍。
42.针对上述步骤101，获取电力物联网中每一类用电设备的历史用电数据及历史测试数据。
43.在一个实施例中，获取电力物联网中每一类用电设备的历史用电数据之后，还可以包括：对电力物联网中每一类用电设备的历史用电数据进行如下预处理：小波变换、时间序列分析、数据样本比对其中之一或任意组合。
44.具体的，如图2所示，获取电力物联网中每一类用电设备的历史用电数据；对获取的电力物联网中每一类用电设备的历史用电数据进行预处理；将预处理后的每一类用电设备的历史用电数据存入数据库；并且根据不同的预处理方式，生成不同的测试报告单；将不同预处理方式生成的测试报告单在前端展示。其中，生成的测试报告单例如可以包括：实时数据查询、信号扰动记录、仿真界面设计、传感器管理配置、数据分析、数据图形化。其中，预处理操作界面例如可以如图3所示，包括开始实验、暂停、结束实验、上一步的操作按钮；能够查询周期和查询测试时间；并且能够展示幅值。具体的，预处理操作界面应用labview(一
种程序开发环境)进行图形化变成，应用web service(一种应用程序)进行数据交互，其中labview集成了gpib(general-purpose interface bus，通用接口总线)、vxi总线、rs-232协议(一种串行通信标准)和rs-485协议(一种串行通信标准)的硬件和数据采集通讯的所有功能，同时还内置了应用较便捷的库函数。
45.针对上述步骤102，将电力物联网中每一类用电设备的历史用电数据及历史测试数据，作为每一类用电设备的样本数据，构建每一类用电设备的训练数据集。
46.具体的，对电力物联网中每一类用电设备的历史用电数据进行预处理，将预处理的电力物联网中每一类用电设备的历史用电数据及历史测试数据，作为每一类用电设备的样本数据，构建每一类用电设备的训练数据集。
47.针对上述步骤103，以每一类用电设备的训练数据集，训练机器学习模型，得到每一类用电设备的测试数据生成模型。
48.图4为本发明实施例中提供的电力物联网测试数据生成方法的一具体实例图，如图4所示，本发明实施例应用每一类用电设备的测试数据生成模型之前进行训练与测试的流程可以包括：
49.步骤401：对每一类用电设备的训练数据集中的历史用电数据进行编码，形成多个测试用例集，将每一测试用例集作为一个染色体，生成用于遗传算法的每一类用电设备的初始种群；
50.步骤402：计算每一类用电设备的初始种群中每个染色体的适应度值，找到每一类用电设备的初始种群中适应度值最大的染色体；其中，适应度值用以表示染色体覆盖的不同路径数；
51.步骤403：对每一类用电设备的初始种群中适应度值最大的染色体的编码参数进行修改，得到每一类用电设备的初始种群中改进后的染色体；
52.步骤404：将每一类用电设备的初始种群中改进后的染色体作为用于遗传算法的对应类别用电设备的下一代种群，进行下一次迭代；
53.步骤405：在找到适应度值达到设定阈值的染色体或迭代次数达到设定次数时，得到训练好的测试数据生成模型。
54.针对上述步骤401，实施例中，假设每一类用电设备的训练数据集中的历史用电数据的个数为mv，其中，下角标v表示不同的用电设备；相应的染色体覆盖的不同路径数为m
p
，其中，下角标p表示不同的测试用例集；即测试用例集的不同执行路径总数为m
p
；其中，例如可以通过程序控制流图，利用路径测试法，得到相应的染色体覆盖的不同路径数。其中每条染色体为ci＝[ci(1)，ci(2)，...，ci(m
p
)]，每个ci(k)代表一个测试用例，令ci(k)＝[x
ik
(1)，x
ik
(2)，...，x
ik
(mv)]，x
ik
(l)指定了测试用例ci(k)的第l个历史用电数据。
[0055]
针对上述步骤402，实施例中，按如下公式计算每一类用电设备的初始种群中每个染色体的适应度值，找到每一类用电设备的初始种群中适应度值最大的染色体：
[0056][0057]
其中，ρi表示编号为i的染色体的路径集合；||表示集合中元素的数量；m
p
表示编号为i的染色体的不同路径总数；fitness(ti)和fi均表示编号为i的染色体的适应度值。具体的，适应度值用以表示染色体覆盖的不同路径数，即测试用例集的不同执行路径总数；为了
计算种群中每个染色体ci的适应度，需要运行mv次，每次都以给定的ci(k)进行运行。
[0058]
图5为本发明实施例中提供的电力物联网测试数据生成方法的一具体实例图，如图5所示，本发明实施例对每一类用电设备的初始种群中适应度值最大的染色体的编码参数进行修改的流程可以包括：
[0059]
步骤501：利用强化学习算法，随机选取一个路径集合；其中随机选取的路径集合包含于适应度值最大的染色体中的路径集合；
[0060]
步骤502：分别计算适应度值最大的染色体中每个测试用例的执行路径集合与随机选取的路径集合之间的杰卡德相似度系数；
[0061]
步骤503：更改适应度值最大的染色体中最高杰卡德相似度系数对应的测试用例的编码参数，直到适应度值最大的染色体中最高杰卡德相似度系数对应的测试用例的执行路径集合包含随机选取的路径集合，或者强化学习次数达到设定阈值，得到更新的测试用例；
[0062]
步骤504：将更新的测试用例替换为随机选择的重复测试用例，得到改进后的染色体；其中，重复测试用例为路径集合相同的测试用例。
[0063]
实施例中，若适应度值最大的染色体c
best
的适应度值为1，则可以找到解，并且无需其他操作。但是，如果适应度值最大的染色体c
best
小于1，则意味着至少存在适应度值最大的染色体中的测试用例c
best
(k)和适应度值最大的染色体中的测试用例c
best
(m)，其对应路径ρ
best
(k)和ρ
best
(m)相同，这种测试用例被称为重复的测试用例。与此同时，m
p
中有些路径不被c
best
所覆盖。随机选择一个包含于c
best
的路径集合的路径ρr，并考虑提高最佳路径的适应度。例如，可以按照如下方式提高染色体的适应度值：从染色体内的一个测试用例c
best
(h)开始，其对应的路径ρ
best
(h)与ρr最相似。相似性采用杰卡德指数进行计算，然后对该测试用例进行修改，目的是找到一个可以覆盖ρr的测试用例。如果这个过程成功，那么新识别的测试用例被替换为染色体内的一个重复测试用例，这样，染色体的适应度就会提高
[0064]
针对上述步骤502，实施例中，按照如下公式计算适应度值最大的染色体中每个测试用例的路径集合与随机选取的路径集合之间的杰卡德相似度系数：
[0065][0066]
其中，listi表示编号为i的染色体的路径集合；listj表示编号为j的染色体的路径集合；∩表示交集；∪表示并集；jaccard(listi,listj)表示编号为i的染色体的路径与编号为j的染色体的路径的杰卡德相似度系数。
[0067]
实施例中，按如下公式计算杰卡德距离，用于表示编号为i的染色体的路径集合与编号为j的染色体的路径集合的差异性：
[0068]
distance(listi,listj)＝1-jaccard(listi,listj)；
[0069]
其中，distance(listi,listj)表示编号为i的染色体的路径集合与编号为j的染色体的路径集合的杰卡德距离；
[0070]
实施例中，按如下公式标识出ρ
best
(h)：
[0071][0072]
其中，ρ
best
(h)表示适应度值最大的染色体的路径。
[0073]
针对上述步骤503和步骤504，实施例中，假设当前的测试用例为t
cur(h)
。那么在强化学习过程开始阶段，t
cur(h)
＝c
best
(h)；其中，下角标cur表示当前时刻的测试用例，h表示最优染色体的索引。由于索引h在这里不重要，在本实施例的其余部分，我们省略索引，只使用t
cur
＝[t
cur
(1)，t
cur
(2)，...，t
cur
(mv)]。将问题的状态数目设置为mv。即该问题的状态空间被定义为s＝{s(1)，s(2)，
…
，s(mv)}。在每个状态s(l)中，都定义了动作，以更改t
cur
中相应的历史用电数据x
cur
(l)。其中，每个状态空间的动作例如可以包括：减少、增加、误操作、下一步、上一步，置零、置换下一步和置换上一步八个操作。找到适应度值最大的染色体中最高杰卡德相似度系数对应的测试用例的执行路径集合包含随机选取的路径集合，或者强化学习次数达到设定阈值后，将更新的测试用例替换为随机选择的重复测试用例。
[0074]
针对上述步骤104，在接收到为用电设备生成测试数据的请求时，将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，输出用电设备的测试数据。
[0075]
具体的，在获取输出的用电设备的测试数据后，例如还可以采取黑盒测试方法，对实施电力物联网测试数据生成方法所依赖平台的平台功能、性能效率、可靠性、易用性和维护性进行测试。其中，测试平台功能时，主要测试功能模块及逻辑是否正确，使用黑盒测试法，对已实现的规定功能进行确认；测试性能效率时，保证各项性能指标均满足需求；测试可靠性时，验证输入数据时是否进行数据校验，用户操作错误或软件异常时是否有明确的提示，同时保证软件具备从错误中恢复的能力；测试易用性时，保证软件的易理解性、易操作性和易学性；测试维护性时，保证文档清晰和可理解性。
[0076]
图6为本发明实施例中提供的电力物联网测试数据生成方法的一具体实例图，如图6所示，获取电力物联网中每一类用电设备的历史用电数据及历史测试数据，作为每一类用电设备的测试数据生成模型的依赖条件，即将电力物联网中每一类用电设备的历史用电数据及历史测试数据，作为每一类用电设备的样本数据，构建每一类用电设备的训练数据集；以每一类用电设备的训练数据集，训练机器学习模型，得到每一类用电设备的测试数据生成模型；在接收到为用电设备生成测试数据的请求时，在测试平台将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，输出用电设备的测试数据；将输出的用电设备的测试数据作为测试结果展示给用户。实施例中，将采集的智能插座的电压、电流、功率、功率因数、电量的数据信息，输入智能插座的测试数据生成模型，输出的智能插座的用电测试数据如图7所示。
[0077]
本发明实施例中还提供了一种电力物联网测试数据生成装置，如下面的实施例所述。由于该装置解决问题的原理与电力物联网测试数据生成方法相似，因此该装置的实施可以参见电力物联网测试数据生成方法的实施，重复之处不再赘述。
[0078]
本发明实施例中提供了一种电力物联网测试数据生成装置，图8为本发明实施例中提供的电力物联网测试数据生成装置的结构示意图，如图8所示，该装置包括如下模块：
[0079]
获取模块81，用于获取电力物联网中每一类用电设备的历史用电数据及历史测试数据；
[0080]
训练数据集构建模块82，用于将电力物联网中每一类用电设备的历史用电数据及
历史测试数据，作为每一类用电设备的样本数据，构建每一类用电设备的训练数据集；
[0081]
训练模块83，用于以每一类用电设备的训练数据集，训练机器学习模型，得到每一类用电设备的测试数据生成模型；
[0082]
预测模块84，用于在接收到为用电设备生成测试数据的请求时，将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，输出用电设备的测试数据。
[0083]
图9为本发明实施例中提供的电力物联网测试数据生成装置的一具体实例图，如图9所示，本例中，电力物联网测试数据生成装置还包括：
[0084]
预处理模块91，用于获取模块81获取电力物联网中每一类用电设备的历史用电数据之后：对电力物联网中每一类用电设备的历史用电数据进行如下预处理：小波变换、时间序列分析、数据样本比对其中之一或任意组合。
[0085]
在一个实施例中，训练模块83具体用于：
[0086]
对每一类用电设备的训练数据集中的历史用电数据进行编码，形成多个测试用例集，将每一测试用例集作为一个染色体，生成用于遗传算法的每一类用电设备的初始种群；
[0087]
计算每一类用电设备的初始种群中每个染色体的适应度值，找到每一类用电设备的初始种群中适应度值最大的染色体；其中，适应度值用以表示染色体覆盖的不同路径数；
[0088]
对每一类用电设备的初始种群中适应度值最大的染色体的编码参数进行修改，得到每一类用电设备的初始种群中改进后的染色体；
[0089]
将每一类用电设备的初始种群中改进后的染色体作为用于遗传算法的对应类别用电设备的下一代种群，进行下一次迭代；
[0090]
在找到适应度值达到设定阈值的染色体或迭代次数达到设定次数时，得到训练好的测试数据生成模型。
[0091]
在一个实施例中，按如下公式计算每一类用电设备的初始种群中每个染色体的适应度值，找到每一类用电设备的初始种群中适应度值最大的染色体：
[0092][0093]
其中，ρi表示编号为i的染色体的路径集合；||表示集合中元素的数量；m
p
表示编号为i的染色体的不同路径总数；fitness(ti)和fi均表示编号为i的染色体的适应度值。
[0094]
在一个实施例中，训练模块83具体用于：
[0095]
利用强化学习算法，随机选取一个路径集合；其中随机选取的路径集合包含于适应度值最大的染色体中的路径集合；
[0096]
分别计算适应度值最大的染色体中每个测试用例的执行路径集合与随机选取的路径集合之间的杰卡德相似度系数；
[0097]
更改适应度值最大的染色体中最高杰卡德相似度系数对应的测试用例的编码参数，直到适应度值最大的染色体中最高杰卡德相似度系数对应的测试用例的执行路径集合包含随机选取的路径集合，或者强化学习次数达到设定阈值，得到更新的测试用例；
[0098]
将更新的测试用例替换为随机选择的重复测试用例，得到改进后的染色体；其中，重复测试用例为路径集合相同的测试用例。
[0099]
在一个实施例中，按照如下公式计算适应度值最大的染色体中每个测试用例的路径集合与随机选取的路径集合之间的杰卡德相似度系数：
[0100][0101]
其中，listi表示编号为i的染色体的路径集合；listj表示编号为j的染色体的路径集合；∩表示交集；∪表示并集；jaccard(listi,listj)表示编号为i的染色体的路径与编号为j的染色体的路径的杰卡德相似度系数。
[0102]
本发明实施例还提供一种计算机设备，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计算机程序时实现上述电力物联网测试数据生成方法。
[0103]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电力物联网测试数据生成方法。
[0104]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述电力物联网测试数据生成方法。
[0105]
本发明实施例中，获取电力物联网中每一类用电设备的历史用电数据及历史测试数据；将电力物联网中每一类用电设备的历史用电数据及历史测试数据，作为每一类用电设备的样本数据，构建每一类用电设备的训练数据集；以每一类用电设备的训练数据集，训练机器学习模型，得到每一类用电设备的测试数据生成模型；在接收到为用电设备生成测试数据的请求时，将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，输出用电设备的测试数据。与现有技术中的技术方案相比，将用电设备的当前用电数据输入与用电设备类别对应的测试数据生成模型，即能够输出用电设备的测试数据，无需进行手动编制测试数据，提高测试数据生成效率，提高测试效率。
[0106]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0107]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0108]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0109]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0110]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。