端云协同多尺度融合的电池故障早期诊断方法及系统

技术领域

本发明涉及电池故障诊断技术领域，具体地，涉及电动汽车和储能电池场景下的电池故障诊断，尤其涉及一种端云协同多尺度融合的电池故障早期诊断方法及系统。

背景技术

近年来，锂离子电池作为储能方案被被广泛应用于电动汽车和储能电站场景。但由于锂离子电池的自身缺陷、极端工作条件或不恰当使用等原因，在长期运行中不可避免的会出现一些故障例如容量衰减和内短路。这些故障经过积累最终会表现为电池组的不均一性故障和热失控故障，在早期时间尺度上准确识别电池异常和区分故障类型，能确保电池系统安全稳定地运行。

电池管理系统能够实时存储并上报电池系统的故障码，但诊断结果存在滞后性，不能及时给出维护建议和安全预警。企业为此纷纷建立云端大数据平台，将终端接入并以大于10秒的稀疏形式将运行数据传输到云平台，从这些工况复杂多变且质量低的数据中挖掘有用信息用于电池故障诊断。

公开号为CN108960321A的发明专利，公开了一种大型锂电池储能电站电池故障预测方法，通过稀疏自编码算法提取主特征矩阵进行快速聚类后计算累积偏心距离矩阵从而确定异常单体；公开号为CN110018425B的发明专利，公开了一种动力电池故障诊断方法及系统，通过获取正常和故障电池数据进行监督学习从而进行待测电池的故障类型判断；公开号为CN112858919A的发明专利，公开了一种基于聚类分析的电池系统在线故障诊断方法和系统，通过K-means聚类算法对单体进行簇分类并计算欧尚距离从而确定异常单体。通过以上数据驱动的方法可以实现异常单体的准确识别，然而目前的故障诊断方法无法在更早时间尺度上识别故障，对故障类型的识别也需要通过监督方式才能实现使得在应用时可移植性较差，尚缺乏一种通用的在早期即可实现有效故障类型诊断的方法。

发明内容

针对现有技术中的缺陷，本发明提供一种端云协同多尺度融合的电池故障早期诊断方法及系统。

根据本发明提供的一种端云协同多尺度融合的电池故障早期诊断方法及系统，所述方案如下：

第一方面，提供了一种端云协同多尺度融合的电池故障早期诊断方法，所述方法包括：

步骤S1：获取云端接收并存储的终端上传的实际运行数据；

步骤S2：对所述运行数据进行切片式预处理，得到多个有效充电片段与有效放电片段；

步骤S3：对所述有效充电片段或有效放电片段，提取适用于稀疏数据特点的六类差熵特征矩阵；

步骤S4：对所述六类差熵特征矩阵进行多尺度无监督学习，获得每个单体的健康分数，根据预设的综合故障分数阈值评价当前电池系统中是否存在异常单体；

步骤S5：从所述六类差熵特征矩阵中划分热差熵特征矩阵并进行多尺度无监督学习，获得各温度探头的分数，根据预设的热失控故障分数阈值评价所述异常单体的故障类型,实现故障类型的无监督式识别。

优选地，所述步骤S1中实际运行数据的行包括：时间、车速、车辆状态、整车系统状态、档位、SOC、充电状态、总电压、总电流、各单体电压以及各单体温度；所述运行数据的列为时间序列，采样间隔不低于10s。

优选地，所述步骤S2中，充电片段为一次连续充电过程中的总电流、各单体电压、各单体温度数据；

所述放电片段为一次连续放电过程中的各单体电压、各单体温度数据；

所述有效充电片段或有效放电片段反映所有单体在此次充电或放电过程中的行为及差异。

优选地，所述六类差熵特征向量的具体提取方法如下：

所述六类差熵特征向量包括压差值特征、压均差值特征、压熵值特征、温差值特征、温均差值特征、温熵值特征；

对于电池系统中第i个单体的数据M，差值特征Md

其中，

优选地，所述多尺度无监督学习的具体方法如下：

对六类差熵特征矩阵的任意一行选取s列进行排列组合得到子特征向量，对每个单体的子特征向量选择聚类算法X和聚类类别数量Y进行聚类，得到每一类别中所有单体的特征平均值

其中，R

将特征平均值最大的类别中的所有单体健康状态设置为0，其余类别的单体健康状态设置为1，即为任意一行的聚类结果；设所有子特征向量下单体i状态为1的次数为F

其中，λ为所述六类差熵特征矩阵的总行数；row为所述六类差熵特征矩阵的行序号，取值范围为1到λ；所述特征数s的取值范围为1到特征矩阵的最大列宽；所述聚类算法X为高斯混合聚类或K-means聚类或模糊C-means聚类；所述聚类类别数量Y为3或4或5。

优选地，所述故障类型的无监督式识别，包括：

所述故障类型为潜在热失控故障或潜在均一性故障；

将所述多尺度无监督学习方法获得的每个单体的健康分数对比预设的综合故障分数阈值J

将所述多尺度无监督学习方法获得的每个温度探头的健康分数对比预设的热失控故障分数阈值J

第二方面，提供了一种端云协同多尺度融合的电池故障早期诊断系统，所述系统包括：

模块M1：获取云端接收并存储的终端上传的实际运行数据；

模块M2：对所述运行数据进行切片式预处理，得到多个有效充电片段与有效放电片段；

模块M3：对所述有效充电片段或有效放电片段，提取适用于稀疏数据特点的六类差熵特征矩阵；

模块M4：对所述六类差熵特征矩阵进行多尺度无监督学习，获得每个单体的健康分数，根据预设的综合故障分数阈值评价当前电池系统中是否存在异常单体；

模块M5：从所述六类差熵特征矩阵中划分热差熵特征矩阵并进行多尺度无监督学习，获得各温度探头的分数，根据预设的热失控故障分数阈值评价所述异常单体的故障类型,实现故障类型的无监督式识别。

优选地，所述模块M1中实际运行数据的行包括：时间、车速、车辆状态、整车系统状态、档位、SOC、充电状态、总电压、总电流、各单体电压以及各单体温度；所述运行数据的列为时间序列，采样间隔不低于10s；

所述模块M2中，充电片段为一次连续充电过程中的总电流、各单体电压、各单体温度数据；

所述放电片段为一次连续放电过程中的各单体电压、各单体温度数据；

所述有效充电片段或有效放电片段反映所有单体在此次充电或放电过程中的行为及差异。

优选地，所述六类差熵特征向量的具体提取方法如下：

所述六类差熵特征向量包括压差值特征、压均差值特征、压熵值特征、温差值特征、温均差值特征、温熵值特征；

对于电池系统中第i个单体的数据M，差值特征Md

其中，

优选地，所述多尺度无监督学习的具体方法如下：

对六类差熵特征矩阵的任意一行选取s列进行排列组合得到子特征向量，对每个单体的子特征向量选择聚类算法X和聚类类别数量Y进行聚类，得到每一类别中所有单体的特征平均值

其中，R

将特征平均值最大的类别中的所有单体健康状态设置为0，其余类别的单体健康状态设置为1，即为任意一行的聚类结果；设所有子特征向量下单体i状态为1的次数为F

其中，λ为所述六类差熵特征矩阵的总行数；row为所述六类差熵特征矩阵的行序号，取值范围为1到λ；所述特征数s的取值范围为1到特征矩阵的最大列宽；所述聚类算法X为高斯混合聚类或K-means聚类或模糊C-means聚类；所述聚类类别数量Y为3或4或5；

所述故障类型的无监督式识别，包括：

所述故障类型为潜在热失控故障或潜在均一性故障；

将所述多尺度无监督学习方法获得的每个单体的健康分数对比预设的综合故障分数阈值J

将所述多尺度无监督学习方法获得的每个温度探头的健康分数对比预设的热失控故障分数阈值J

与现有技术相比，本发明具有如下的有益效果：

1、本发明使用云端数据直接提取的六类差熵特征矩阵与电池健康状况具有高相关性，能更早的反映电池间的差异，基于这些特征进行的故障诊断能够在更早的时间尺度上准确检测到异常。同时，这些特征对不同的储能装置类型具有高通用性，对电动汽车场景和储能场景下的不同对象均可快速部署使用且操作方便。

2、本发明基于多尺度无监督学习方法实现电池的故障类型诊断，无需依赖于大量的故障类型试验，这些试验的操作复杂困难、无法适用于不同类型的储能装置且要求完整的全寿命周期实验。与已有故障诊断方法相比，本发明首次实现在无需训练的前提下对故障早期的异常电池识别出准确的故障类型原因，可移植性好，能极大的方便用户或控制中心给出针对性的维护措施，在保障设备安全工作的同时发挥设备性能价值。

本发明的其他有益效果，将在具体实施方式中通过具体技术特征和技术方案的介绍来阐述，本领域技术人员通过这些技术特征和技术方案的介绍，应能理解所述技术特征和技术方案带来的有益技术效果。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明的一种端云协同多尺度融合非监督式的电池早期故障诊断方法的流程图；

图2为本发明的部署在云端的稀疏数据切片式预处理的流程图；

图3为本发明实施例中异常单体的诊断结果；

图4为本发明实施例中潜在热失控风险单体的诊断结果；

图5为本发明的一种端云协同多尺度融合非监督式的电池早期故障诊断系统的流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明实施例提供了一种端云协同多尺度融合的电池故障早期诊断方法，参照图1所示，该方法具体包括以下内容：

步骤S1：获取云端接收并存储的终端上传的实际运行数据；运行数据的行包括：时间、车速、车辆状态、整车系统状态、档位、SOC、充电状态、总电压、总电流、各单体电压、各单体温度。运行数据的列为时间序列，采样间隔通常不低于10s。

步骤S2：对运行数据进行切片式预处理，得到多个有效充电片段与有效放电片段；充电片段为一次连续充电过程中的总电流、各单体电压、各单体温度数据；放电片段为一次连续放电过程中的各单体电压、各单体温度数据。有效充电片段或有效放电片段能反映所有单体在此次充电或放电过程中的行为及差异。

步骤S3：对有效充电片段或有效放电片段，提取适用于稀疏数据特点的六类差熵特征矩阵。每个充电片段或放电片段能提取一组六类差熵特征向量，将多个片段提取的所有六类差熵特征向量组合成六类差熵特征矩阵，用于表示该单体在这些天运行过程中的充放电行为特性。

六类差熵特征向量的具体提取方法如下：

六类差熵特征向量包括压差值特征、压均差值特征、压熵值特征、温差值特征、温均差值特征、温熵值特征。

以一个有效充电(或放电)片段为例，对于电池系统中第i个单体的数据M(为电压V或温度T)，差值特征Md

其中，

每个充电片段或放电片段能提取一组六类差熵特征向量，将多个片段提取的所有所述六类差熵特征向量组合成六类差熵特征矩阵，用于表示该单体在这些天运行过程中的充放电行为特性。

步骤S4：对六类差熵特征矩阵进行多尺度无监督学习，获得每个单体的健康分数，根据预设的综合故障分数阈值评价当前电池系统中是否存在异常单体。

多尺度无监督学习的具体方法如下：

对六类差熵特征矩阵的任意一行选取s列进行排列组合得到子特征向量，对每个单体的子特征向量选择聚类算法X和聚类类别数量Y进行聚类，得到每一类别中所有单体的特征平均值

其中，R

将特征平均值最大的类别中的所有单体健康状态设置为0，其余类别的单体健康状态设置为1，即为任意一行(代表任意一个充电或放电片段)的聚类结果；设所有子特征向量下单体i状态为1的次数为F

其中，λ为所述六类差熵特征矩阵的总行数；row为所述六类差熵特征矩阵的行序号，取值范围为1到λ；特征数s的取值范围为1到特征矩阵的最大列宽；聚类算法X为高斯混合聚类或K-means聚类或模糊C-means聚类；聚类类别数量Y为3或4或5。

步骤S5：从六类差熵特征矩阵中划分热差熵特征矩阵并进行多尺度无监督学习，获得各温度探头的分数，根据预设的热失控故障分数阈值评价所述异常单体的故障类型,实现故障类型的无监督式识别。

故障类型的无监督式识别包括：故障类型为潜在热失控故障或潜在均一性故障；将多尺度无监督学习方法获得的每个单体的健康分数对比预设的综合故障分数阈值J

将多尺度无监督学习方法获得的每个温度探头的健康分数对比预设的热失控故障分数阈值J

本发明还提供一种端云协同多尺度融合的电池故障早期诊断系统，所述端云协同多尺度融合的电池故障早期诊断系统可以通过执行所述端云协同多尺度融合的电池故障早期诊断方法的流程步骤予以实现，即本领域技术人员可以将所述端云协同多尺度融合的电池故障早期诊断方法理解为所述端云协同多尺度融合的电池故障早期诊断系统的优选实施方式。

云端数据获取模块：获取云端接收并存储的终端上传的实际运行数据；运行数据的行包括：时间、车速、车辆状态、整车系统状态、档位、SOC、充电状态、总电压、总电流、各单体电压、各单体温度。运行数据的列为时间序列，采样间隔通常不低于10s。

数据切片式预处理模块：对运行数据进行切片式预处理，得到多个有效充电片段与有效放电片段；充电片段为一次连续充电过程中的总电流、各单体电压、各单体温度数据；放电片段为一次连续放电过程中的各单体电压、各单体温度数据。有效充电片段或有效放电片段能反映所有单体在此次充电或放电过程中的行为及差异。

六类差熵特征矩阵提取模块：对有效充电片段或有效放电片段，提取适用于稀疏数据特点的六类差熵特征矩阵。每个充电片段或放电片段能提取一组六类差熵特征向量，将多个片段提取的所有六类差熵特征向量组合成六类差熵特征矩阵，用于表示该单体在这些天运行过程中的充放电行为特性。

六类差熵特征向量的具体提取方法如下：

六类差熵特征向量包括压差值特征、压均差值特征、压熵值特征、温差值特征、温均差值特征、温熵值特征。

以一个有效充电(或放电)片段为例，对于电池系统中第i个单体的数据M(为电压V或温度T)，差值特征Md

其中，

每个充电片段或放电片段能提取一组六类差熵特征向量，将多个片段提取的所有所述六类差熵特征向量组合成六类差熵特征矩阵，用于表示该单体在这些天运行过程中的充放电行为特性。

电池异常识别模块：对六类差熵特征矩阵进行多尺度无监督学习，获得每个单体的健康分数，根据预设的综合故障分数阈值评价当前电池系统中是否存在异常单体。

多尺度无监督学习的具体方法如下：

对六类差熵特征矩阵的任意一行选取s列进行排列组合得到子特征向量，对每个单体的子特征向量选择聚类算法X和聚类类别数量Y进行聚类，得到每一类别中所有单体的特征平均值

其中，R

将特征平均值最大的类别中的所有单体健康状态设置为0，其余类别的单体健康状态设置为1，即为任意一行(代表任意一个充电或放电片段)的聚类结果；设所有子特征向量下单体i状态为1的次数为F

其中，λ为所述六类差熵特征矩阵的总行数；row为所述六类差熵特征矩阵的行序号，取值范围为1到λ；特征数s的取值范围为1到特征矩阵的最大列宽；聚类算法X为高斯混合聚类或K-means聚类或模糊C-means聚类；聚类类别数量Y为3或4或5。

电池故障类型确定模块：从六类差熵特征矩阵中划分热差熵特征矩阵并进行多尺度无监督学习，获得各温度探头的分数，根据预设的热失控故障分数阈值评价所述异常单体的故障类型,实现故障类型的无监督式识别。

故障类型的无监督式识别包括：故障类型为潜在热失控故障或潜在均一性故障；将多尺度无监督学习方法获得的每个单体的健康分数对比预设的综合故障分数阈值J

将多尺度无监督学习方法获得的每个温度探头的健康分数对比预设的热失控故障分数阈值J

接下来，对本发明进行更为具体的说明。

图1为本申请实施例提供的一种端云协同多尺度融合的电池故障早期诊断方法的流程图，包括：

步骤1：获取云端接收并存储的终端上传的实际运行数据。运行数据需要包含：时间、充电状态、总电流、各单体电压、各单体温度。当然，运行数据还可以包含车速、车辆状态、整车系统状态、档位、SOC、总电压等其他数据。需要说明的是，大多数厂商上传数据的采样间隔通常为10s至30s之间，本实施方式中的数据采样间隔为10s。

此外，在一些情况下，工程师对电池系统的维修是以电池模组为最小对象，检测模组是否出现故障。相应地，将所述各单体电压和各单体温度替换为各模组电压和各模组温度。模组电压的计算方法为模组内所有单体电压之和，模组温度的计算方法为模组内所有单体温度的平均值。

步骤2：按照如图2所示的本实施方式中部署在云端的稀疏数据切片式预处理的流程图，对运行数据进行切片式预处理，可自动提取得到多个有效充电片段与放电片段，其过程如下：

错误数据的切片剔除：剔除单体电压<1V或SOC<0的所在帧数据。

停车未充电状态数据的切片剔除：当充电状态标志位数据存在时，可直接剔除充电状态标志位为0的所在帧数据；当充电状态标志位数据缺失时，可通过“车速/档位/总电流”信息进行充电状态标志位的计算，进而剔除停车未充电状态的所在帧数据。

对充电片段与放电片段进行切片：基于充电状态标志位与SOC信息对剩余时间序列进行充放电片段切片。

片段采样过少的数据的切片剔除：剔除数据量<10帧的片段，最终得到多个有效充电片段与放电片段。

需要说明的是，图2的切片式预处理方法无需对原数据进行滤波处理，尤其对于包含异常故障的时间序列数据，不合适的滤波阈值选择更容易造成关键异常数据丢失，由于原数据中的故障特征很可能未被保留使得预处理后的数据有效性大大降低，这种切片式预处理方案大幅提高了对原数据的容错度和保真度。

最终保留多个有效充电片段与放电片段，每个充电片段为一次连续充电过程中的各单体电压、各单体温度数据；每个放电片段为一次连续放电过程中的各单体电压、各单体温度数据。

步骤3：对每个充电片段或放电片段，可提取六类差熵特征向量，包括压差值特征、压均差值特征、压熵值特征、温差值特征、温均差值特征、温熵值特征。每个特征均不仅可以从密集采样数据也可以从稀疏采样数据中被有效提取。以一个充电(或放电)片段为例，对于电池系统中第i个单体的数据M(M为电压V或温度T)，差值特征Md

其中，

对每一电池单体，每个充电片段或放电片段能提取一组六类差熵特征向量，将多个片段提取的所有六类差熵特征向量按照时间顺序从上至下依次组合成六类差熵特征矩阵，用于表示该单体在这些天运行过程中的充放电行为特性。最终得到多个六类差熵特征矩阵，分别于多个电池单体一一对应。

步骤4：对多个六类差熵特征矩阵进行多尺度无监督学习，获得每个电池单体的健康分数，根据预设的综合故障分数阈值评价当前电池系统中是否存在异常单体。具体步骤如下：

步骤4.1：考虑到不同特征的幅值不同，需要对每个特征进行归一化使其在0到1之间，即对六类差熵特征矩阵的每一行进行归一化处理；

步骤4.2：对归一化后的多个矩阵进行多尺度无监督学习，获得每个电池单体的健康分数。其过程具体为：

步骤4.2.1：对六类差熵特征矩阵的任意一行选取任意s个特征组成子特征向量，即选用任意s列进行排列组合得到子特征向量，对每个单体的子特征向量选择聚类算法X和聚类类别数量Y进行聚类，得到每一类别中所有单体的特征平均值

其中，R

步骤4.2.2：将特征平均值最大的类别中的所有单体健康状态设置为0，其余类别的单体健康状态设置为1，即为任意一行(代表任意一个充电或放电片段)的聚类结果。设所有子特征向量下单体i状态为1的次数为F

本实施方式中的聚类算法X为高斯混合聚类，还可以为K-means聚类或模糊C-means聚类；本实施方式中的聚类类别数量Y为3，还可以为4或5；H值在0至100之间。

步骤4.3：将单体i的健康分数H对比预设的综合故障分数阈值J

步骤5：从六类差熵特征矩阵中划分热差熵特征矩阵，对热差熵特征矩阵进行多尺度无监督学习，获得各温度探头的分数，根据预设的热失控故障分数阈值评价故障类型为潜在热失控故障或潜在均一性故障。具体步骤如下：

步骤5.1：从六类差熵特征矩阵中取出温差值特征、温均差值特征、温熵值特征对应的列组成热差熵特征矩阵；

步骤5.2：考虑到不同特征的幅值不同，需要对每个特征进行归一化使其在0到1之间，即对热差熵特征矩阵的每一行进行归一化处理；

步骤5.3：对归一化后的多个矩阵进行多尺度无监督学习，获得每个温度探头的健康分数。其过程具体为：

步骤5.3.1：对六热差熵特征矩阵的任意一行选取任意s个特征组成子特征向量，即选用任意s列进行排列组合得到子特征向量，对每个单体的子特征向量选择聚类算法X和聚类类别数量Y进行聚类，按式(2)计算得到每一类别中所有单体的特征平均值。

步骤5.3.2：将特征平均值最大的类别中的所有单体健康状态设置为0，其余类别的单体健康状态设置为1，即为任意一行(代表任意一个充电或放电片段)的聚类结果。设所有子特征向量下单体i状态为1的次数为F

本实施方式中的聚类算法X为高斯混合聚类，还可以为K-means聚类或模糊C-means聚类；本实施方式中的聚类类别数量Y为3，还可以为4或5；H值在0至100之间。

步骤5.4：将每个温度探头的健康分数H对比预设的热失控故障分数阈值J

步骤5.5：综合所述步骤4结果即可评价该异常电池的故障原因类型为潜在热失控故障或潜在均一性故障。

此外，对应于上述提供的一种端云协同多尺度融合的电池故障早期诊断方法，本发明还提供了一种端云协同多尺度融合的电池故障早期诊断系统，如图5所示，包括：云端数据获取模块1，数据切片式预处理模块2，六类差熵特征矩阵提取模块3，电池异常识别模块4，电池故障类型确定模块5。

云端数据获取模块1，运行数据需要包含：时间、充电状态、总电流、各单体电压、各单体温度。当然，运行数据还可以包含车速、车辆状态、整车系统状态、档位、SOC、总电压等其他数据。

数据切片式预处理模块2，用于对运行数据进行切片式预处理，得到多个有效充电片段与放电片段。充电片段为一次连续充电过程中的各单体电压、各单体温度数据；放电片段为一次连续放电过程中的各单体电压、各单体温度数据。

六类差熵特征矩阵提取模块3，用于从每个充电片段或放电片段中提取六类差熵特征向量，包括压差值特征、压均差值特征、压熵值特征、温差值特征、温均差值特征、温熵值特征。每个充电片段或放电片段能提取一组六类差熵特征向量，将多个片段提取的所有六类差熵特征向量组合成六类差熵特征矩阵，用于表示该单体在这些天运行过程中的充放电行为特性。

电池异常识别模块4，用于对任意的六类差熵特征矩阵进行多尺度无监督学习，获得每个单体的健康分数，根据预设的综合故障分数阈值评价当前电池系统中是否存在异常单体。

电池故障类型确定模块5，用于从六类差熵特征矩阵中划分热差熵特征矩阵，对热差熵特征矩阵进行多尺度无监督学习，获得各温度探头的分数，根据预设的热失控故障分数阈值评价异常单体的故障类型为潜在热失控故障或潜在均一性故障。热差熵特征矩阵包括温差值特征、温均差值特征、温熵值特征。

本发明实施例提供了一种端云协同多尺度融合的电池故障早期诊断方法及系统，实现了电动汽车场景和储能电站场景下对电池系统的快速故障诊断，包括异常识别及定位和早期故障类型确定，无需训练、可移植性好、适用性高，以方便用户或控制中心制定更早期及时的维护计划。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。