小区供水管网泄漏事件分级预警方法、装置、设备及介质

技术领域

本公开涉及供水管网安全预警技术领域，尤其涉及一种基于异常状态估计的小区供水管网泄漏事件分级预警方法、装置、设备及介质。

背景技术

小区供水管网中的输水管道由于腐蚀、不均匀受力、内部压力作用等原因，会发生局部管道松动、破损、断裂等，形成泄漏事件。管道泄漏不仅会造成大量水资源浪费，还可能引起污染物入侵、地基冲刷沉降等，威胁居民的身体健康和生命财产安全。由于部分管道泄漏发生在夜间或地下管道，难以及时通过人工排查、用户投诉等方式发现，即使通过定期巡检等方式查找管道泄漏，也存在着人力成本投入高、时效性难以保证等问题。

随着近年来仪表制造技术和数据传输技术的发展，目前大量小区都安装了实时采集数据的入口流量计。通过分析流量计的监测数据变化，识别泄漏事件引起的监测值变化，对泄漏事件及时发出预警，可以显著提高小区供水的安全性、经济性。目前，国内外已有大量研究通过分析管网流量监测数据变化侦测泄漏事件，主要使用的方法可分为预测-分类方法、聚类方法等。其中，预测-分类方法首先从历史数据中获得当前时刻的状态预测值，然后对比状态预测值与当前时刻实际监测值。若监测值与预测值之间的差异大于一定阈值，则认为当前时刻发生异常，以此判断是否发生泄漏事件；聚类方法将当前时刻的监测数据(或数据变化)与历史数据进行对比分析，判断当前时刻的数据相比与历史数据而言是否为异常值，以此判断是否发生泄漏事件。

然而，上述方法的不足之处在于，无法有效将泄漏事件与正常的大用户用水、数据监测误差等原因造成的数据变化区分开来。尤其是对于小区而言，由于用户数量相对较少，其用水的随机性更为明显，更容易与泄漏事件产生的流量变化相混淆而造成误报。如何针对泄漏事件造成的流量变化特征，量化判断发生泄漏事件的可能性，针对性排除监测误差、大用户用水等情况带来的影响，仍是已有研究中有待解决的问题。

发明内容

(一)要解决的技术问题

针对目前存在的技术问题，本公开提出一种基于异常状态估计的小区供水管网泄漏事件分级预警方法、装置、设备及介质。

(二)技术方案

本公开的目的可以通过以下技术方案来实现：

本公开提供了一种基于异常状态估计的小区供水管网泄漏事件分级预警方法，包括：获取小区供水管网入口流量数据，对获取的数据进行预处理，修复缺失值和异常值；判断待检测时刻的数据是否为离群值，将检测结果映射为卡尔曼滤波器KF的输入状态，通过自适应异常状态估计判断发生泄漏事件的可能性；根据发生泄漏事件的可能性输出不同的预警等级。

在本公开实施例中，所述获取小区供水管网入口流量数据，对获取的数据进行预处理，修复缺失值和异常值，包括：采用流量计获取小区供水管网入口流量数据，将所述流量数据按时间顺序重新排列，识别出数据中的缺失值，并修复缺失值；定义数据异常值检测限N

在本公开实施例中，所述修复缺失值，包括：对于缺失值，使用前一天和后一天对应时刻的流量数据的均值对其进行修补；若前一天和后一天的数据仍为缺失，则使用最相邻日对应时刻的非缺失数据对其进行修补。

在本公开实施例中，所述修复异常值，包括：对于异常值，使用前一天和后一天对应时刻的流量数据的均值对其进行替换；若前一天和后一天的数据仍为异常值，则使用最相邻日对应时刻的非异常值数据对其进行替换。

在本公开实施例中，在所述修复异常值之后，还包括：定义待对比的历史数据天数nd，获取小区供水管网入口流量计当前时刻及前nd天的历史流量监测数据值。

在本公开实施例中，所述判断待检测时刻的数据是否为离群值，将检测结果映射为卡尔曼滤波器KF的输入状态，通过自适应异常状态估计判断发生泄漏事件的可能性，包括：设当前时刻为d日t时刻，提取历史前nd天每日同一时刻的历史数据为待检测数据集D，表示为：D＝(Q

在本公开实施例中，所述将待检测数据集D输入DBSCAN聚类算法，识别数据集中的离群值，包括：

步骤221：设置DBSCAN聚类算法的最少聚类实例数量γ＝2；

步骤222：将待检测数据集D中每个数据分别视为坐标轴上的一个点，分别求出每两个点之间的欧式距离，总共得到nd(nd-1)/2对欧氏距离；对所有求出的距离从大到小排列，得到向量

步骤223：设置DBSCAN算法的距离阈值ξ＝0.15，令

其中，round为运算函数，表示四舍五入求整；ε为DBSCAN的聚类邻域半径；

步骤224：随机选取D中的一个数据作为当前点，令聚类标记C＝1；

步骤225：令所有与当前点欧氏距离小于ε的点为当前点的相邻点；若相邻点个数少于γ，则标记当前点为离群值，并转到步骤227；否则，将当前点标记为聚类C的核心点；

步骤226：依次对当前点的每个相邻点重复进行步骤225，直到没有新的相邻点出现；所有已被发现的相邻点都属于聚类C；

步骤227：选择下一个尚未被标记的点为当前点，令聚类标记C＝C+1，重复步骤225和步骤226，直到所有点都被标记完成。

在本公开实施例中，所述将DBSCAN离群值检测结果映射为卡尔曼滤波器KF的输入状态信息，包括：当前时刻的检测结果为离群值时，设置卡尔曼滤波器KF的输入状态信息i

在本公开实施例中，所述根据当前时刻的状态信息以及上一时刻的状态预测，使用卡尔曼滤波器KF计算当前时刻的最优状态估计，包括：

步骤261：根据上一时刻的状态p

P

P

其中F

步骤262：计算当前时刻的卡尔曼增益G

G

其中H

步骤263：计算当前时刻的最优状态估计p

p

P

其中I表示单位矩阵；

步骤264：将当前时刻的最优状态估计p

在本公开实施例中，所述根据发生泄漏事件的可能性输出不同的预警等级，包括：设置泄漏事件可能性为0.01～0.4时为低等级预警，0.4～0.7时为中等级预警，大于0.7时为高等级预警；判断当前时刻的泄漏事件可能性p

本公开另一方面提供了一种基于异常状态估计的小区供水管网泄漏事件分级预警装置，所述装置包括：

数据预处理模块，用于获取小区供水管网入口流量数据，对获取的数据进行预处理，修复缺失值和异常值；

DBSCAN-KF耦合状态估计模块，用于判断待检测时刻的数据是否为离群值，将检测结果映射为卡尔曼滤波器KF的输入状态，通过自适应异常状态估计判断发生泄漏事件的可能性；

分级预警模块，用于根据发生泄漏事件的可能性输出不同的预警等级。

本公开再一方面提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，该程序在被所述处理器执行时，使得所述处理器执行所述的基于异常状态估计的小区供水管网泄漏事件分级预警方法。

本公开又一方面提供了一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令被执行时实现所述的基于异常状态估计的小区供水管网泄漏事件分级预警方法。

本公开又一方面提供了一种计算机程序，包括：计算机可执行指令，所述指令被执行时用于实现所述的基于异常状态估计的小区供水管网泄漏事件分级预警方法。

(三)有益效果

本公开提供的基于异常状态估计的小区供水管网泄漏事件分级预警方法、装置、设备及介质，能够根据小区供水管网泄漏事件的流量变化规律对其进行特异性识别，减少随机用户用水、监测误差等因素引起的误报，实现更为精准的泄漏事件预警。与现有技术相比，本公开具有如下优点：

1、现有技术方法通常基于单时刻的数据离群值判断泄漏事件，容易受到随机大用户用水、监测误差等因素导致误报。本公开创新提出了DBSCAN-KF耦合状态估计方法，DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一基于密度的聚类算法，DBSCAN聚类算法在离群值识别的基础上，进一步通过状态估计算法，根据泄漏事件在时间上的持续性，分析一段时间内离群值的分布情况，判断出现泄漏的可能性，有效避免了由于大用户用水、监测误差等情况而造成的误报，提升了泄漏事件侦测的准确性；

2、大部分方法对泄漏事件的判断仅包含“发生”、“未发生”两种状态。与其相比，本公开借助DBSCAN-KF耦合状态估计方法，可以实时评估发生泄漏事件的可能性，对其进行分级预警，有效区分了不同严重程度的泄漏事件，相比于已有方法，可为运行人员提供更为全面、准确的信息，为管网的维护、维修提供决策依据与指导。

附图说明

为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：

图1是依照本公开实施例的基于异常状态估计的小区供水管网泄漏事件分级预警方法的流程图。

图2是依照本公开实施例的基于异常状态估计的小区供水管网泄漏事件分级预警装置的框图。

图3是依照本公开实施例的离群值、泄漏事件可能性、预警等级的识别结果，数据跨度为1个月。

图4是依照本公开实施例的基于异常状态估计的小区供水管网泄漏事件分级预警的电子设备的框图。

【附图标记】：

S1、S2、S3：步骤

200：基于异常状态估计的小区供水管网泄漏事件分级预警装置

201：数据预处理模块

202：DBSCAN-KF耦合状态估计模块

203：分级预警模块

400：电子设备

410：处理器

420：存储器

421：计算机程序

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

本公开实施例提出一种基于异常状态估计的小区供水管网泄漏事件分级预警方法、装置、设备及介质。如图1所示，图1是依照本公开实施例的基于异常状态估计的小区供水管网泄漏事件分级预警方法的流程图。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他环境或场景。

如图1所示，本公开实施例的基于异常状态估计的小区供水管网泄漏事件分级预警方法，包括如下步骤：

步骤S1：获取小区供水管网入口流量数据，对获取的数据进行预处理，修复缺失值和异常值；

步骤S2：判断待检测时刻的数据是否为离群值，将检测结果映射为卡尔曼滤波器KF的输入状态，通过自适应异常状态估计判断发生泄漏事件的可能性；

步骤S3：根据发生泄漏事件的可能性输出不同的预警等级。

在小区供水管网监测数据中，由于仪器故障、传输信号干扰等原因，数据中常常包含缺失值、明显的异常值等。因此，在分析监测数据、识别泄漏事件前，首先应对监测数据进行预处理。在本公开的实施例中，步骤S1中所述获取小区供水管网入口流量数据，对获取的数据进行预处理，修复缺失值和异常值，具体包括：

步骤S11：采用流量计获取小区供水管网入口流量数据，将所述流量数据按时间顺序重新排列，识别出数据中的缺失值，并修复缺失值；其中，所述修复缺失值，包括：对于缺失值，使用前一天和后一天对应时刻的流量数据的均值对其进行修补；若前一天和后一天的数据仍为缺失，则使用最相邻日对应时刻的非缺失数据对其进行修补。

步骤S12：定义数据异常值检测限N

其中，所述修复异常值，包括：对于异常值，使用前一天和后一天对应时刻的流量数据的均值对其进行替换；若前一天和后一天的数据仍为异常值，则使用最相邻日对应时刻的非异常值数据对其进行替换。

步骤S13：定义待对比的历史数据天数nd，获取小区供水管网入口流量计当前时刻及前nd天的历史流量监测数据值。

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一基于密度的聚类算法，在工程领域中DBSCAN聚类算法已被证明是具有良好性能的数据聚类及离群值检测方法。然而，数据中的离群值无法完全对应于泄漏事件的发生，因此，仅简单通过DBSCAN的离群值检测结果，无法最终判定是否真正发生了泄漏事件。针对此问题，本公开基于泄漏事件的持续性特点，进一步采用卡尔曼滤波器(KF)状态估计算法对DBSCAN的离群值检测结果进行耦合分析，提出了DBSCAN-KF耦合状态估计方法，即步骤S2。

在本公开的实施例中，步骤S2中所述判断待检测时刻的数据是否为离群值，将检测结果映射为卡尔曼滤波器KF的输入状态，通过自适应异常状态估计判断发生泄漏事件的可能性，具体包括：

步骤S21：设当前时刻为d日t时刻，提取历史前n

步骤S22：将待检测数据集D输入DBSCAN聚类算法，识别数据集中的离群值；

步骤S23：判断当前时刻的小区入口流量监测值Q

步骤S24：设置卡尔曼滤波器KF的初始状态信息i

步骤S25：将DBSCAN离群值检测结果映射为卡尔曼滤波器KF的输入状态信息；

步骤S26：根据当前时刻的状态信息以及上一时刻的状态预测，使用卡尔曼滤波器KF计算当前时刻的最优状态估计，即为当前时刻发生泄漏事件的可能性。

在本公开的实施例中，步骤S22中所述将待检测数据集D输入DBSCAN聚类算法，识别数据集中的离群值，包括：

步骤221：设置DBSCAN聚类算法的最少聚类实例数量γ＝2；

步骤222：将待检测数据集D中每个数据分别视为坐标轴上的一个点，分别求出每两个点之间的欧式距离，总共得到n

步骤223：设置DBSCAN算法的距离阈值ξ＝0.15，令

其中，round为运算函数，表示四舍五入求整；ε为DBSCAN的聚类邻域半径；

步骤224：随机选取D中的一个数据作为当前点，令聚类标记C＝1；

步骤225：令所有与当前点欧氏距离小于ε的点为当前点的相邻点；若相邻点个数少于γ，则标记当前点为离群值，并转到步骤227；否则，将当前点标记为聚类C的核心点；

步骤226：依次对当前点的每个相邻点重复进行步骤225，直到没有新的相邻点出现；所有已被发现的相邻点都属于聚类C；

步骤227：选择下一个尚未被标记的点为当前点，令聚类标记C＝C+1，重复步骤225和步骤226，直到所有点都被标记完成。

在本公开的实施例中，步骤S25中所述将DBSCAN离群值检测结果映射为卡尔曼滤波器KF的输入状态信息，包括：

步骤S251：当前时刻的检测结果为离群值时，设置卡尔曼滤波器KF的输入状态信息i

步骤S252：当前时刻的检测结果为正常值时，设置卡尔曼滤波器KF的输入状态信息i

在本公开的实施例中，步骤S26中所述根据当前时刻的状态信息以及上一时刻的状态预测，使用卡尔曼滤波器KF计算当前时刻的最优状态估计，包括：

步骤261：根据上一时刻的状态(泄漏事件可能性)p

p

P

其中F

步骤262：计算当前时刻的卡尔曼增益G

G

其中H

步骤263：计算当前时刻的最优状态估计p

p

P

其中I表示单位矩阵；

步骤264：将当前时刻的最优状态估计p

对于实际管网的运行管理而言，泄漏事件的可能性数值无法起到直观的指导作用，而本公开步骤S3中进一步将发生泄漏事件的可能性对应为不同的预警等级，具体包括：

步骤S31：设置泄漏事件可能性为0.01～0.4时为低等级预警，0.4～0.7时为中等级预警，大于0.7时为高等级预警；

步骤S32：判断当前时刻的泄漏事件可能性p

基于图1所示的依照本公开实施例的基于异常状态估计的小区供水管网泄漏事件分级预警方法流程图，图2示出了依照本公开实施例的基于异常状态估计的小区供水管网泄漏事件分级预警装置的框图。

如图2所示，本公开实施例提供的基于异常状态估计的小区供水管网泄漏事件分级预警装置200，包括数据预处理模块201、DBSCAN-KF耦合状态估计模块202和分级预警模块203。其中：数据预处理模块201用于获取小区供水管网入口流量数据，对获取的数据进行预处理，修复缺失值和异常值；DBSCAN-KF耦合状态估计模块202用于判断待检测时刻的数据是否为离群值，将检测结果映射为卡尔曼滤波器KF的输入状态，通过自适应异常状态估计判断发生泄漏事件的可能性。分级预警模块203用于根据发生泄漏事件的可能性输出不同的预警等级。

应当理解，数据预处理模块201、DBSCAN-KF耦合状态估计模块202和分级预警模块203可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。

根据本公开的实施例，数据预处理模块201、DBSCAN-KF耦合状态估计模块202和分级预警模块203中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式的适当组合来实现。或者，数据预处理模块201、DBSCAN-KF耦合状态估计模块202和分级预警模块203中的至少一个可以至少被部分地实现为计算机程序模块，当该程序被计算机运行时，可以执行相应模块的功能。

本公开实施例以使用某生活小区入口流量计的监测数据为例，进一步阐述本公开提供的这种基于异常状态估计的小区供水管网泄漏事件分级预警方法的实现过程。

(1)收集监测数据，对数据进行预处理。

本实施例中提取了目标小区2018年5月至2021年2月的小区入口流量计监测数据，数据监测时间间隔为15分钟，共99600个数据，流量大小范围为0.2～4立方米/15分钟。对数据预处理分析发现，数据中共有3个时间段出现数据缺失，每次缺失4小时；共有7个时间段出现数据异常，异常的表现为流量明显偏大(短时间内上升数十倍)或明显偏小(出现0值或负值)。对识别出的缺失值及异常值，分别使用前一天、后一天对应时刻监测数据的均值进行替换。

(2)检测数据中的离群值

对预处理后的每个数据点，首先提取其历史前30天同一时刻的历史数据，建立检测数据集。将检测数据集输入DBSCAN算法，得到离群值检测识别结果，如图3中圆点标记所示，图3是依照本公开实施例的离群值、泄漏事件可能性、预警等级的识别结果，数据跨度为1个月。

(3)分别将每个时刻的DBSCAN的检测结果映射为KF的输入状态信息，使用KF结合历史状态信息估计当前时刻的最优状态，所得结果如图3中“泄漏可能性”曲线所示。

(4)将泄漏事件可能性的估计结果输入分级预警模块。设置泄漏事件可能性为0.01～0.4时为低等级预警，0.4～0.7时为中等级预警，大于0.7时为高等级预警，分别输出每个时刻的预警结果，如图3中虚线所示。

分析图3中所示的结果可看出，对于大用户用水、监测误差等情况造成的监测数据波动，判断泄漏事件可能性较小，预警等级低，如12月9日至12月13日期间的结果所示；而对于泄漏事件造成的监测数据波动而言，判断泄漏事件可能性较大，预警等级高，如12月17日至12月19日期间的结果所示。从结果中可看出，本公开提出的DBSCAN-KF耦合状态估计模块有效识别了管网泄漏事件、避免了其他情况造成的误报。

本公开实施例还提供了一种基于异常状态估计的小区供水管网泄漏事件分级预警的设备，如图4所示，图4是依照本公开实施例的基于异常状态估计的小区供水管网泄漏事件分级预警的电子设备400的框图。该电子设备400包括：一个或多个处理器410；存储器420，其存储有计算机可执行程序，该程序在被所述处理器410执行时，使得所述处理器410实现图1所示的基于异常状态估计的小区供水管网泄漏事件分级预警方法。

具体地，处理器410例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器410还可以包括用于缓存用途的板载存储器。处理器410可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

存储器420，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。

存储器420可以包括计算机程序421，该计算机程序421可以包括代码/计算机可执行指令，其在由处理器410执行时使得处理器410执行根据本公开实施例的方法或其任何变形。

计算机程序421可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序421中的代码可以包括至少一个程序模块，例如包括模块421A、模块421B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器410执行时，使得处理器410可以执行根据本公开实施例的方法或其任何变形。

本公开实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的基于异常状态估计的小区供水管网泄漏事件分级预警方法。

根据本公开的实施例，计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线、光缆、射频信号等等，或者上述的任意合适的组合。

本公开还提供了一种计算机程序，该计算机程序包括：计算机可执行指令，所述指令被执行时用于实现根据本公开实施例的基于异常状态估计的小区供水管网泄漏事件分级预警方法。

至此，已经结合附图对本公开进行了详细描述。依据以上描述，本领域技术人员应当对本公开有了清楚的认识。

需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。

当然，根据实际需要，本公开还可以包含其他的部分，由于同本公开的创新之处无关，此处不再赘述。

类似地，应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

此外，在附图或说明书描述中，相似或相同的部分都使用相同的图号。说明书中示例的各个实施例中的技术特征在无冲突的前提下可以进行自由组合形成新的方案，另外每个权利要求可以单独作为一个实施例或者各个权利要求中的技术特征可以进行组合作为新的实施例。再者，附图中未绘示或描述的元件或实现方式，为所属技术领域中普通技术人员所知的形式。另外，虽然本文可提供包含特定值的参数的示范，但应了解，参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应的值。

除非存在技术障碍或矛盾，本公开的上述各种实施方式可以自由组合以形成另外的实施例，这些另外的实施例均在本公开的保护范围中。

虽然结合附图对本公开进行了说明，但是附图中公开的实施例旨在对本公开优选实施方式进行示例性说明，而不能理解为对本公开的一种限制。附图中的尺寸比例仅仅是示意性的，并不能理解为对本公开的限制。

虽然本公开总体构思的一些实施例已被显示和说明，本领域普通技术人员将理解，在不背离本总体公开构思的原则和精神的情况下，可对这些实施例做出改变，本公开的范围以权利要求和它们的等同物限定。

以上所述的具体实施例，对本公开的目的、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，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。