一种基于二次融合的锂电池soh估计方法和系统
技术领域
本发明涉及锂离子电池
技术领域
，尤其涉及一种基于二次融合的锂电池SOH估计方法和系统。背景技术
锂电池具有能量密度高、使用寿命长、清洁可靠和安全性能好等优点，被广泛应用于电动汽车、电子产品和储能设备中。但是锂电池在长期使用的过程中，难免会出现过度充放电和局部高温的情况，导致锂电池健康状态下降过快，老化到一定程度的锂电池不仅容量大大下降，同时也容易造成重大安全事故，因此，需要对锂电池的健康状态(SOH，StateOf Health)进行估计。
在获取锂电池SOH时通常采用直接测量法、基于模型的方法和数据驱动方法，直接测量法的原理简单，且可以直接适用于各个锂电池的SOH估计，但是直接测量法属于开环方法，鲁棒性较差，且为了能够达到较高的精度，对测量仪器的要求较高，所以对测量环境较为严苛，仅适用于实验室环境，不适于推广应用。基于模型的方法有电化学模型法和等效电路模型法，对于电化学模型来说，由于锂电池内部化学反应复杂，导致化学模型参数变化较大，难以对电池进行较为准确的SOH估计，而等效电路模型可以分为Rint模型和戴维南电路，一阶RC和二阶RC电路等，总的来说，简单的电路虽然容易对电池进行状态估计，但是精度较低，复杂的电路模型参数较多，且随着电池老化，参数会出现变化，导致计算量较大，难以扩展应用。而数据驱动方法不需要弄清电池内部变化机理，仅仅通过电池老化过程所测量到的数据和机器学习的方法来实现对锂电池SOH的估计，是一种集实用性、准确性于一体的估计方法。现有的数据驱动方法使用融合模型来进行锂电池的SOH回归，如图1所示，首先，将数据集分别输入模型1至模型N中进行训练，其中，模型1至模型N可以采用现有的机器学习方法，如支持向量机、神经网络、决策树、极限树、K近邻模型、线性模型等，在训练过程中，将模型1至模型N通过Stacking或者bagging的方式融合，并将融合后的模型用于估计锂电池的SOH。然而，现有基于融合模型的SOH估计方法，只是对子模型进行简单的融合，导致所用模型不能充分拟合复杂的函数关系，仍然无法保证全区间的SOH估计精度。因此，本申请提出一种基于二次融合的锂电池SOH估计方法，用于解决现有的锂电池SOH估计方法不能充分拟合复杂的函数关系，无法保证全区间SOH高精度估计的技术问题。
发明内容
本发明提供了一种基于二次融合的锂电池SOH估计方法和系统，用于解决现有的锂电池SOH估计方法不能充分拟合复杂的函数关系，无法保证全区间SOH高精度估计的技术问题。
有鉴于此，本发明第一方面提供了一种基于二次融合的锂电池SOH估计方法，包括：
采集锂电池SOH数据集，SOH数据集包括锂电池的关键生命时段的SOH数据；
根据SOH数据集的每条数据的SOH大小将SOH数据集分成等间隔的M段数据集；
将每一段数据集分别输入N个模型进行训练，筛选出所有预测精度满足预置精度的模型；
将每一段数据集对应的所有满足预置精度的模型进行训练参数初始化并通过预置元学习器进行Stacking融合，得到每一段数据集对应的Stacking模型；
将每一段数据集对应的Stacking模型和每一个预测精度满足预置精度的模型的输出当作一层BP神经网络的输入进行二次融合训练，得到每一段数据集对应的二次融合模型；
将获取到的待预测SOH的锂电池数据输入LSTM神经网络初步预测锂电池SOH的大小；
根据LSTM神经网络初步预测的锂电池SOH的大小确定待预测SOH的锂电池数据落入的数据集段，选择与待预测SOH的锂电池数据落入的数据集段对应的二次融合模型进行最终的SOH预测。
可选地，在步骤采集锂电池SOH数据集，SOH数据集包括锂电池的关键生命时段的SOH数据之后，步骤根据SOH数据集的每条数据的SOH大小将SOH数据集分成等间隔的M段数据集之前，还包括：
判断SOH数据集的样本数据是否足够，若否，则采用生成式对抗网络对SOH数据集进行扩充。
可选地，N个模型包括：支持向量机回归模型、神经网络模型、决策树模型、极限树模型、K近邻模型和线性模型。
可选地，二次融合模型的SOH预测结果表达式为：
SOC预测＝W1×SOC1+W2×SOC2+…+Wn×SOCn+Wn+1×SOCn+1
其中，SOC1为Stacking模型的预测值，SOC2、…、SOCn、SOCn+1分别为满足预置精度的模型的预测值，W1、W2、Wn、Wn+1分别为BP神经网络训练好的权值。
本发明第二方面提供了一种基于二次融合的锂电池SOH估计系统，包括：
数据采集模块，用于采集锂电池SOH数据集，SOH数据集包括锂电池的关键生命时段的SOH数据；
数据分段模块，用于根据SOH数据集的每条数据的SOH大小将SOH数据集分成等间隔的M段数据集；
训练模块，用于将每一段数据集分别输入N个模型进行训练，筛选出所有预测精度满足预置精度的模型；
融合模块，用于将每一段数据集对应的所有满足预置精度的模型进行训练参数初始化并通过预置元学习器进行Stacking融合，得到每一段数据集对应的Stacking模型；
二次融合模块，用于将每一段数据集对应的Stacking模型和每一个预测精度满足预置精度的模型的输出当作一层BP神经网络的输入进行二次融合训练，得到每一段数据集对应的二次融合模型；
数据输入模块，用于将获取到的待预测SOH的锂电池数据输入LSTM神经网络初步预测锂电池SOH的大小；
预测输出模块，用于根据LSTM神经网络初步预测的锂电池SOH的大小确定待预测SOH的锂电池数据落入的数据集段，选择与待预测SOH的锂电池数据落入的数据集段对应的二次融合模型进行最终的SOH预测。
可选地，还包括：
数据扩充模块，用于判断SOH数据集的样本数据是否足够，若否，则采用生成式对抗网络对SOH数据集进行扩充。
可选地，N个模型包括：支持向量机回归模型、神经网络模型、决策树模型、极限树模型、K近邻模型和线性模型。
可选地，二次融合模型的SOH预测结果表达式为：
SOC预测＝W1×SOC1+W2×SOC2+…+Wn×SOCn+Wn+1×SOCn+1
其中，SOC1为Stacking模型的预测值，SOC2、…、SOCn、SOCn+1分别为满足预置精度的模型的预测值，W1、W2、Wn、Wn+1分别为BP神经网络训练好的权值。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明中提供了一种基于二次融合的锂电池SOH估计方法，包括：采集锂电池SOH数据集，SOH数据集包括锂电池的关键生命时段的SOH数据；根据SOH数据集的每条数据的SOH大小将SOH数据集分成等间隔的M段数据集；将每一段数据集分别输入N个模型进行训练，筛选出所有预测精度满足预置精度的模型；将每一段数据集对应的所有满足预置精度的模型进行训练参数初始化并通过预置元学习器进行Stacking融合，得到每一段数据集对应的Stacking模型；将每一段数据集对应的Stacking模型和每一个预测精度满足预置精度的模型的输出当作一层BP神经网络的输入进行二次融合训练，得到每一段数据集对应的二次融合模型；将获取到的待预测SOH的锂电池数据输入LSTM神经网络初步预测锂电池SOH的大小；根据LSTM神经网络初步预测的锂电池SOH的大小确定待预测SOH的锂电池数据落入的数据集段，选择与待预测SOH的锂电池数据落入的数据集段对应的二次融合模型进行最终的SOH预测。由于单个模型仅对特定函数关系敏感，可知模型对变化程度不大的函数关系拟合具有较好的效果，因此，本发明根据SOH的大小对数据集进行分段，可以使得每段对应模型输入输出的函数关系较为稳定，提升模型拟合准确度；根据融合回归模型中存在多个子模型的特点，通过BP神经网络对不同子模型赋予特定的权重，可以有针对性地对每段数据集的函数关系进行拟合，最大限度地发挥各个子模型的优势来拟合不同区间的SOH函数关系，从而使得SOH估计的精度和稳定性相比普通融合模型进一步提升。解决了现有的锂电池SOH估计方法不能充分拟合复杂的函数关系，无法保证全区间SOH高精度估计的技术问题。
进一步地，本发明采用生成式对抗网络(GAN，Generative AdversarialNetworks)来对数据集进行扩充，GAN在不需要使用复杂的马尔科夫链的情况下仍可以扩充出符合原始数据集规律的数据，从而更充分地训练机器学习模型。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，还可以根据这些附图获得其他的附图。
图1为现有的数据驱动方法使用融合模型来进行锂电池的SOH估计的结构示意图；
图2为本发明实施例中提供的一种基于二次融合的锂电池SOH估计方法的流程示意图；
图3为本发明实施例中提供的数据集处理流程图；
图4为本发明实施例中提供的针对第i段数据集的二次融合模型处理流程示意图；
图5为本发明实施例中提供的用于二次融合的单层神经网络结构示意图；
图6为本发明实施例中提供的使用二次融合模型进行锂电池SOH的预测流程图；
图7为本发明实施例中提供的一种基于二次融合的锂电池SOH估计系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
为了便于理解，请参阅图1，本发明提供了一种基于二次融合的锂电池SOH估计方法的实施例，包括：
步骤101、采集锂电池SOH数据集，SOH数据集包括锂电池的关键生命时段的SOH数据。
需要说明的是，在模型训练之前，需要采集锂电池的SOH数据集，SOH数据集的样本数据可以表示为：
SOH＝f(Ut1,Ut2,…,Utn,It1,It2,…,Itn,Tt1,Tt2,…,Ttn,Ct1,Ct2,…Ctn)
其中，Uti，Iti，Tti，Cti，分别代表ti时刻从锂电池上分别测量到的电压、电流、温度和当前可用电量。
锂电池的SOH反映了锂电池的老化程度，因此，需要采集锂电池在各个生命周期，即关键生命时段的SOH数据，一般情况下，可以以10％为一个关键节点，关键生命时段即为(100％～91％、90％～81％、80％～71％、70％～61％、60％～51％、50％～41％、40％～31、30％～21％、20％～11％、10％～1％)。
在一个实施例中，还需要判断SOH数据集的样本数据是否足够，若否，则采用生成式对抗网络对SOH数据集进行扩充，如图3所示。由于锂电池数据的采集需要经过漫长的充放电过程，同时，采集期间更需要准确测量不同的物理量，会耗费大量的人力物力财力，收集到较大规模的锂电池数据十分困难，因此，利用机器学习技术对公开或自测的数据进行扩充十分重要。数据集扩充，一般是通过各种机器学习的技术手段将数据集中的数据量进行扩大，并使得新增的数据规律和原来的数据规律相近。本发明采用生成式对抗网络(GAN，Generative Adversarial Networks)来对数据集进行扩充，其原理是，先通过生成器不断产生规律和原来数据规律相近的新增数据集，将新增数据集放到判别器中进行判别，当判别器判断出来新增数据相对于原来的数据规律相近时，则正式生成新增数据集，当判别器判断出新增数据与原来的数据规律有较大差异时，则让生成器重新训练，直至产生出符合要求的新增数据集为止，在训练期间需要不断调整迭代次数、网络结构、批次训练量等参数，从而得到满意的新增数据集。GAN相对于玻尔兹曼机和GSNs等数据集扩充方法来说，只用到了反向传播,而不需要复杂的马尔科夫链。相对于白噪声和自编码器等数据集扩充方法来说，可以生成更加真实且符合原始数据集规律的数据。
步骤102、根据SOH数据集的每条数据的SOH大小将SOH数据集分成等间隔的M段数据集。
需要说明的是，在SOH的数据表达式中，函数f是随着电池的老化程度而不断变化，可以认为当电池老化程度变化不大时，函数关系式f也变化不大，而反应电池老化程度的重要指标便是SOH的大小。由于相对稳定的f使得模型对函数关系的拟合更加稳定，拟合效果也就更加精确。值得注意的是，随着锂电池的使用，SOH基本上是随着电池循环次数的增加而逐步下降，本发明是根据SOH的大小范围进行数据集的分段分成M段，第一段数据集的每一条数据对应的SOH都在X0-X1之间，第二段数据集的每一条数据对应的SOH都在X1-X2之间，第M段数据集的每一条数据集对应的SOH都在XM-1-XM之间，其中X0＞X1＞…＞XM-1＞XM，因此每段的SOH＝f(Ut1，Ut2，...，Utn，It1，It2，...，Itn，Tt1，Tt2，...，Ttn，Ct1，Ct2，...，Ctn)函数关系接近，同时每条数据对应的循环次数也是接近的。
步骤103、将每一段数据集分别输入N个模型进行训练，筛选出所有预测精度满足预置精度的模型。
步骤104、将每一段数据集对应的所有满足预置精度的模型进行训练参数初始化并通过预置元学习器进行Stacking融合，得到每一段数据集对应的Stacking模型。
需要说明的是，如图4所示，将每段数据集都用N个模型进行训练，筛选出所有预测精度满足预置精度的模型，只将符合精度要求的子模型进行Stacking融合。使用的N个模型的数量是变化的，同时模型的类型可以是支持向量回归、神经网络、决策树、极限树、K近邻模型、线性模型、岭回归等各种机器学习模型。
步骤105、将每一段数据集对应的Stacking模型和每一个预测精度满足预置精度的模型的输出当作一层BP神经网络的输入进行二次融合训练，得到每一段数据集对应的二次融合模型。
因为每一段数据集的f变化不大，但是不能确定f到底是一个怎么样的函数关系。事实上，每一个子模型都会对特定的函数关系较为敏感，于是本发明采用二次融合模型来实现对函数关系f的拟合。因为通过不同类型子模型的不同权重组合，便可最大程度的拟合出该段数据集的函数关系f。将符合精度要求的子模型和Stacking模型一起进行二次融合，在二次融合时利用单层神经网络BP训练这一过程实现自动为符合精度要求的子模型和一次融合的Stacking模型分配恰当的权重系数。因此可以最大限度地发挥各个子模型的优势来拟合不同区间的SOH，从而使得SOH估计的精度和稳定性相比普通融合模型进一步提升。单层神经网络的结构如图5所示。一层的神经网络经过训练会给Stacking模型和精度RMSE符合规定阈值的子模型分配训练好的权重，预测精度RMSE符合规定阈值的子模型和融合好的Stacking的输出乘以对应分配好的权重再相加得到最终电池SOH预测值，计算过程下式所示：
SOC预测＝W1×SOC1+W2×SOC2+…+Wn×SOCn+Wn+1×SOCn+1
其中，SOC1为Stacking模型的预测值，SOC2、…、SOCn、SOCn+1分别为满足预置精度的模型的预测值，W1、W2、Wn、Wn+1分别为BP神经网络的权值。
步骤106、将获取到的待预测SOH的锂电池数据输入LSTM神经网络初步预测锂电池SOH的大小；
步骤107、根据LSTM神经网络初步预测的锂电池SOH的大小确定待预测SOH的锂电池数据落入的数据集段，选择与待预测SOH的锂电池数据落入的数据集段对应的二次融合模型进行最终的SOH预测。
将二次融合模型用于锂电池的SOH预测，流程如图6所示，从要进行SOH估计的电池上采集数据，将获取到的待预测SOH的锂电池数据输入LSTM神经网络预测锂电池SOH的大小，经预训练好的LSTM神经网络可以快速初步预测出SOH的大小(此时的值为粗预测值)，再根据LSTM神经网络预测出的SOH判断出该数据对应哪一段数据集，用对应该段数据集的二次融合模型对采集到的数据进行精确的SOH预测估计，输出SOH预测结果。
本发明根据SOH的大小对数据集进行分段，可以使得每段数据集对应模型的输入输出函数关系较为稳定，提升模型拟合准确度；根据融合回归模型中存在多个子模型的特点，通过BP神经网络对不同子模型赋予特定的权重，可以有针对性地对每段数据集的函数关系进行拟合，最大限度地发挥各个子模型的优势来拟合不同区间的SOH函数关系，从而使得SOH估计的精度和稳定性相比普通融合模型进一步提升。解决了现有的锂电池SOH估计方法不能充分拟合复杂的函数关系，无法保证全区间SOH高精度估计的技术问题。
为了便于理解，请参阅图7，本发明中提供了一种基于二次融合的锂电池SOH估计系统的实施例，包括：
数据采集模块，用于采集锂电池SOH数据集，SOH数据集包括锂电池的关键生命时段的SOH数据；
数据分段模块，用于根据SOH数据集的每条数据的SOH大小将SOH数据集分成等间隔的M段数据集；
训练模块，用于将每一段数据集分别输入N个模型进行训练，筛选出所有预测精度满足预置精度的模型；
融合模块，用于将每一段数据集对应的所有满足预置精度的模型进行训练参数初始化并通过预置元学习器进行Stacking融合，得到每一段数据集对应的Stacking模型；
二次融合模块，用于将每一段数据集对应的Stacking模型和每一个预测精度满足预置精度的模型的输出当作一层BP神经网络的输入进行二次融合训练，得到每一段数据集对应的二次融合模型；
数据输入模块，用于将获取到的待预测SOH的锂电池数据输入LSTM神经网络初步预测锂电池SOH的大小；
预测输出模块，用于根据LSTM神经网络初步预测的锂电池SOH的大小确定待预测SOH的锂电池数据落入的数据集段，选择与待预测SOH的锂电池数据落入的数据集段对应的二次融合模型进行最终的SOH预测。
还包括：
数据扩充模块，用于判断SOH数据集的样本数据是否足够，若否，则采用生成式对抗网络对SOH数据集进行扩充。
N个模型包括：支持向量机回归模型、神经网络模型、决策树模型、极限树模型、K近邻模型和线性模型。
二次融合模型的SOH预测结果表达式为：
SOC预测＝W1×SOC1+W2×SOC2+…+Wn×SOCn+Wn+1×SOCn+1
其中，SOC1为Stacking模型的预测值，SOC2、…、SOCn、SOCn+1分别为满足预置精度的模型的预测值，W1、W2、Wn、Wn+1分别为BP神经网络的权值。
需要说明的是，在模型训练之前，需要采集锂电池的SOH数据集，SOH数据集的样本数据可以表示为：
SOH＝f(Ut1，Ut2，…，Utn，It1，It2，…，Itn，Tt1，Tt2，…，Ttn，Ct1，Ct2，…Ctn)
其中，Uti，Iti，Tti，Cti，分别代表ti时刻从锂电池上分别测量到的电压、电流、温度和当前可用电量。
锂电池的SOH反映了锂电池的老化程度，因此，需要采集锂电池在各个生命周期，即关键生命时段的SOH数据，一般情况下，可以以10％为一个关键节点，关键生命时段即为(100％～91％、90％～81％、80％～71％、70％～61％、60％～51％、50％～41％、40％～31、30％～21％、20％～11％、10％～1％)。
在一个实施例中，还需要判断SOH数据集的样本数据是否足够，若否，则采用生成式对抗网络对SOH数据集进行扩充。由于锂电池数据的采集需要经过漫长的充放电过程，同时，采集期间更需要准确测量不同的物理量，会耗费大量的人力物力财力，收集到较大规模的锂电池数据十分困难，因此，利用机器学习技术对公开或自测的数据进行扩充十分重要。数据集扩充，一般是通过各种机器学习的技术手段将数据集中的数据量进行扩大，并使得新增的数据规律和原来的数据规律相近。本发明采用生成式对抗网络(GAN，GenerativeAdversarial Networks)来对数据集进行扩充，其原理是，先通过生成器不断产生规律和原来数据规律相近的新增数据集，将新增数据集放到判别器中进行判别，当判别器判断出来新增数据相对于原来的数据规律相近时，则正式生成新增数据集，当判别器判断出新增数据与原来的数据规律有较大差异时，则让生成器重新训练，直至产生出符合要求的新增数据集为止，在训练期间需要不断调整迭代次数、网络结构、批次训练量等参数，从而得到满意的新增数据集。GAN相对于玻尔兹曼机和GSNs等数据集扩充方法来说，只用到了反向传播，而不需要复杂的马尔科夫链。相对于白噪声和自编码器等数据集扩充方法来说，可以生成更加真实且符合原始数据集规律的数据。
在SOH的数据表达式中，函数f是随着电池的老化程度而不断变化，可以认为当电池老化程度变化不大时，函数关系式f也变化不大，而反应电池老化程度的重要指标便是SOH的大小。由于相对稳定的f使得模型对函数关系的拟合更加稳定，拟合效果也就更加精确。值得注意的是，随着锂电池的使用，SOH基本上是随着电池循环次数的增加而逐步下降，本发明是根据SOH的大小范围进行数据集的分段分成M段，第一段数据集的每一条数据对应的SOH都在X0-X1之间，第二段数据集的每一条数据对应的SOH都在X1-X2之间，第M段数据集的每一条数据集对应的SOH都在XM-1-XM之间，其中X0＞X1＞…＞XM-1＞XM，因此每段的SOH＝f(Ut1，Ut2，...，Utn，It1，It2，...，Itn，Tt1，Tt2，...，Ttn，Ct1，Ct2，...，Ctn)函数关系接近，同时每条数据对应的循环次数也是接近的。
将每段数据集都用N个模型进行训练，筛选出所有预测精度满足预置精度的模型，只将符合精度要求的子模型进行Stacking融合。使用的N个模型的数量是变化的，同时模型的类型可以是支持向量回归、神经网络、决策树、极限树、K近邻模型、线性模型、岭回归等各种机器学习模型。
因为每一段数据集的f变化不大，但是不能确定f到底是一个怎么样的函数关系。事实上，每一个子模型都会对特定的函数关系较为敏感，于是本发明采用二次融合模型来实现对函数关系f的拟合。因为通过不同类型子模型的不同权重组合，便可最大程度的拟合出该段数据集的函数关系f。将符合精度要求的子模型和Stacking模型一起进行二次融合，在二次融合时利用单层神经网络BP训练这一过程实现自动为符合精度要求的子模型和一次融合的Stacking模型分配恰当的权重系数。因此可以最大限度地发挥各个子模型的优势来拟合不同区间的SOH，从而使得SOH估计的精度和稳定性相比普通融合模型进一步提升。单层神经网络的结构如图4所示。一层的神经网络经过训练会给Stacking模型和精度RMSE符合规定阈值的子模型分配训练好的权重，预测精度RMSE符合规定阈值的子模型和融合好的Stacking的输出乘以对应分配好的权重再相加得到最终电池SOH预测值，计算过程下式所示：
SOC预测＝W1×SOC1+W2×SOC2+…+Wn×SOCn+Wn+1×SOCn+1
其中，SOC1为Stacking模型的预测值，SOC2、…、SOCn、SOCn+1分别为满足预置精度的模型的预测值，W1、W2、Wn、Wn+1分别为BP神经网络的权值。
将二次融合模型用于锂电池的SOH预测，流程如图5所示，从要进行SOH估计的电池上采集数据，将获取到的待预测SOH的锂电池数据输入LSTM神经网络预测锂电池SOH的大小，经预训练好的LSTM神经网络可以快速初步预测出SOH的大小(此时的值为粗预测值)，再根据LSTM神经网络预测出的SOH判断出该数据对应哪一段数据集，用对应该段数据集的二次融合模型对采集到的数据进行精确的SOH预测估计，输出SOH预测结果。
本发明根据SOH的大小对数据集进行分段，可以使得每段数据集对应模型的输入输出函数关系较为稳定，提升模型拟合准确度；根据融合回归模型中存在多个子模型的特点，通过BP神经网络对不同子模型赋予特定的权重，可以有针对性地对每段数据集的函数关系进行拟合，最大限度地发挥各个子模型的优势来拟合不同区间的函数关系，从而使得SOH估计的精度和稳定性相比普通融合模型进一步提升。解决了现有的锂电池SOH估计方法不能充分拟合复杂的函数关系，无法保证全区间SOH高精度估计的技术问题。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
