建立电池健康度评估模型及评估的方法、系统及装置与流程

1.本发明涉及电池健康度评估领域，尤其是涉及一种建立电池健康度评估模型及评估的方法、系统及装置。


背景技术：

2.锂电池健康状态(state of health，soh)是电动汽车锂电池全生命周期下故障诊断和安全预警的重要参数，soh精准评估对于提升锂电池整体性能具有重要的意义。目前国内外研究学者越来越关注锂电池健康状态评估特别是在线评估方法的研究，然而锂电池在日常实际训练数据不足的情况下，在线评估结果存在较大偏差。不同时间尺度下的数据具备不同的优缺点，表征锂电池全生命周期容量衰减特性的宏观时间尺度下，关注于预测放电可用容量循环次数，但锂电池日常放电过程中使用工况不确定，无法直接得到放电可用容量；表征锂电池单次充放电特性的微观时间尺度下，可在线估算单次可用容量，但由于日常使用中锂电池并不是进行完全充放电及锂电池的个体存在差异，建立准确的全生命周期的锂电池soh评估模型存在难度。
3.目前，电池健康状态的估计方法主要是针对单体电池进行预测，而车辆使用的电池是上百节电池串联而成，电池堆内部的单体电池在使用过程中会相互影响，增加了电池健康状态评估的不确定性。同时，当前的估计方法多采用放电过程数据进行分析，需要专用设备和场地，对新能源电动汽车进行充放电过程，从而取得数据进行分析，分析一次的成本较大。


技术实现要素：

4.本发明的目的在于提供一种建立电池健康度评估模型及评估的方法、系统及装置，旨在解决建立电池健康度评估模型及评估的问题。
5.本发明提供一种建立电池健康度评估模型的方法，包括：
6.s11、在线建立电池单次充电容量预测模型；
7.s12、建立电池全生命周期档案，根据电池全生命周期档案中的数据矫正电池单次充电容量预测模型；
8.s13、根据电池单次充电容量预测模型得到电池单次充电预测容量，将电池单次充电预测容量除以电池原始容量作为电池健康度评估模型。
9.本发明还提供一种电池健康度评估方法，基于所述的电池健康度评估模型，包括：
10.s1、在线获取电池充电过程数据；
11.s2、将所述充电过程数据输入电池健康度评估模型得到电池健康度评估。
12.本发明还提供一种建立电池健康度评估模型的系统，包括，
13.预测模块：用于在线建立电池单次充电容量预测模型；
14.矫正模块：用于建立电池全生命周期档案，根据电池全生命周期档案中的数据矫正电池单次充电容量预测模型；
15.计算模块，用于根据电池单次充电容量预测模型得到电池单次充电预测容量，将电池单次充电预测容量除以电池原始容量作为电池健康度评估模型。
16.本发明还提供一种电池健康度评估系统，基于所述的电池健康度评估模型，包括：
17.获取模块：用于在线获取电池充电过程数据；
18.评估模块：用于将所述充电过程数据输入电池健康度评估模型得到电池健康度评估。
19.本发明实施例还提供一种建立电池健康度评估模型的装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现建立电池健康度评估模型的方法的步骤。
20.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上存储有信息传递的实现程序，所述程序被处理器执行时实现建立电池健康度评估模型的方法的步骤。
21.本发明实施例还提供一种电池健康度评估装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现电池健康度评估方法的步骤。
22.采用本发明实施例，通过在线获取充电数据和在线建立评估模型，可以实现低成本电池健康度评估。
23.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
24.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。
25.图1是本发明实施例的建立电池健康度评估模型方法的流程图；
26.图2是本发明实施例的电池健康度评估方法的流程图；
27.图3是本发明实施例的建立电池健康度评估模型方法的高斯过程回归先验示意图；
28.图4是本发明实施例的建立电池健康度评估模型方法的高斯过程回归后验示意图；
29.图5是本发明实施例的建立电池健康度评估模型方法的高斯过程模型示意图；
30.图6是单个平方指数协方差示意图；
31.图7是两个平方指数协方差示意图；
32.图8是神经网络协方差示意图；
33.图9是本发明实施例的建立电池健康度评估模型的神经网络和matern协方差组合示意图；
34.图10是本发明实施例的建立电池健康度评估模型的特征长度l＝1示意图；
35.图11是本发明实施例的建立电池健康度评估模型的特征长度l＝2示意图；
36.图12是本发明实施例的建立电池健康度评估模型的特征长度l＝3示意图；
37.图13是本发明实施例的建立电池健康度评估模型的高斯过程回归预测示意图；
38.图14是本发明实施例的建立电池健康度评估模型的预测数据点和实测值之间的误差分布示意图；
39.图15是本发明实施例的建立电池健康度评估模型的高斯过程的拟合曲线示意图；
40.图16是本发明实施例的建立电池健康度评估模型的高斯过程的拟合误差示意图；
41.图17是本发明实施例的建立电池健康度评估模型的测量电量不确定度评定结果示意图；
42.图18是本发明实施例的建立电池健康度评估模型的系统示意图；
43.图19是本发明实施例的电池健康度评估系统的示意图；
44.图20是本发明实施例的建立电池健康度评估模型的装置示意图。
45.图21是本发明实施例的电池健康度评估装置的示意图。
46.附图标记说明：
47.1810：预测模块；1820：矫正模块；1830：计算模块；1910：获取模块；1920：评估模块。
具体实施方式
48.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
49.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
50.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
51.方法实施例
52.根据本发明实施例，提供了一种建立电池健康度评估模型的方法，图1是本发明实施例的建立电池健康度评估模型的方法的流程图，如图1所示，具体包括：
53.s11、在线建立电池单次充电容量预测模型；
54.s11具体包括：
55.s111、建立恒流充电模式下的测量电量模型：
[0056][0057]
其中f(u)——截止电压时对应的时间；q1为充电电量，u为终止电压；
[0058]
d——包含区间外电流值数目；
[0059]
i——包含区间内电流值；
[0060]
i(k)——包含区间外电流值；
[0061]
s112、根据高斯过程拟合预测后半段充放电数据得到单次截止电压对应时间和截止电压；
[0062]
s112具体包括：
[0063]
根据神经网络协方差函数和matern协方差函数之和来拟合预测充放电数据得到单次截止电压对应时间和截止电压。
[0064]
s113、将单次截止电压对应时间和截止电压带入测量电量模型计算电池单次充电预测容量。
[0065]
s12、建立电池全生命周期档案，根据电池全生命周期档案中的数据矫正电池单次充电容量预测模型；
[0066]
s13、根据电池单次充电容量预测模型得到电池单次充电预测容量，将电池单次充电预测容量除以电池原始容量作为电池健康度评估模型。
[0067]
根据本发明实施例，还提供了一种电池健康度评估方法，图2是本发明实施例的电池健康度评估方法的流程图，如图所示，具体包括：
[0068]
s1、在线获取电池充电过程数据；
[0069]
s2、将所述充电过程数据输入电池健康度评估模型得到电池健康度评估。
[0070]
具体实施如下：
[0071]
数据模型融合通常是为克服单一数据驱动算法的缺陷，融合各种条件建立的模型。本方法将锂电池微观时间尺度下日常单次片段数据的容量估算模型与宏观时间尺度下全生命周期衰减预测模型相融合对soh进行在线评估，通过对单次片段数据的容量估算，通过车辆vin编码或车牌号、电池编码等参数，建立电池的全生命周期档案，进而通过车辆行驶工况特性，对单次片段估算模型进行不断校正，最终实现全生命周期的模型融合校准，从而可以对近似条件下的电池soh进行准确预测。同时定量评估soh估算不确定度，保证评估结果的可靠性；
[0072]
重点解决在用锂电池日常训练数据不足的情况下soh评估模型难以完全覆盖的问题和容量估算模型个体差异性的问题，为解决上述问题提出基于片段充电数据建立估算锂电池可用充电容量模型。
[0073]
电池健康状态(soh)＝本次估算容量/原始容量。
[0074]
通过采用参数直接对容量映射的机器学习方法，解决容量在线估算模型个体差异性的问题；
[0075]
提出基于日常片段充电数据在线建立估算锂电池本身当次可用充电容量模型，从宏观时间上机器学习转化为锂电池微观时间尺度下单次充电曲线的预测和估算。该方法在
通过容量增量法确定锂电池充电工作电压平台的基础上，提出了电压与时间的关系式作为量测方程，结合高斯过程回归(gaussian process regression,gpr)算法的非线性拟合能力和扩展卡尔曼滤波(extended kalman filtering,ekf)的历史迭代学习能力，提出迭代高斯卡尔曼滤波算法，利用估算电池本身日常片段充电数据，估算锂电池微观时间锂电池容量增量(incremental capacity,ic)曲线变化。ic法是研究soh的常用方法。其原理是对电池进行恒流充放电试验，连续记录电池开路电压(open-circuit voltage，ocv)和充放电量，绘制ocv对应电池容量变化曲线。ocv对应电池容量曲线会随电池老化而变化，能够反映电池容量衰退特征。
[0076]
通过得到单次全充曲线，进而估算锂电池当前充电可用容量。
[0077]
高斯过程(gp)是一种新型的应用于机器学习领域的算法，主要利用函数空间论来进行建模，将目标函数定义成一个高斯过程的先验分布，并在其空间范围内进行贝叶斯推论。
[0078]
在进行高斯过程回归预测时我们将均值函数记为m(x)，协方差函数记为k(x,x')，定义如下：
[0079]
m(x)＝e(f(x))
[0080]
k(x,x')＝e[f(x)-m(x)][f(x')-m(x')]
[0081]
考虑到简单的回归模型：
[0082]
y＝f(x)+εf(x)＝x
tw[0083]
训练集合{(xi,yi)|i＝1,...,n}，其中xi(i＝1,...,n)是输入值，f是函数值，yi(i＝1,...,n)是输出值，ε代表一个独立同分布的高斯白噪声，其均值为0，方差为σ2，可得如下形式：
[0084]
ε:n(0,σ2)
[0085]
获得观测值y的概率密度函数，如下所示：
[0086][0087]
所以观测值y的先验分布为：
[0088]
y|x,w:n(x
t
w,k(x,x')|σ2i)
[0089]
运用到预测值的估计时，观测值y和预测值f
*
的分布如下：
[0090][0091]
其中k(x,x
*
)代表训练数据和预测值之间的协方差，k(x
*
,x
*
)是预测值之间的协方差。
[0092]
当观测值中含有噪声时，观测值的协方差为观测值和测试值的联合分布为：
[0093][0094]
根据贝叶斯推论，得到权重的后验分布，贝斯线性模型的后验分布推理如下所示：
[0095]f*
|x,f,x
*
:n(k(x
*
,x)k(x,x)-1
f,k(x
*
,x
*
)-k(x
*
,x)k(x,x)-1
k(x,x
*
))
[0096]
图3是本发明实施例的建立电池健康度评估模型的高斯过程回归先验示意图；如图3所示：从高斯过程先验中得到3个样本函数，其中离散点是由高斯过程产生的输出值，另外两个连续样本是由大量的点产生的。图4是本发明实施例的建立电池健康度评估模型的方法的高斯过程回归后验示意图；如图4所示：三个后验得到的函数，该后验是由5个不含噪声的观测值得到，图中灰色区域表示后验概率的均值和95％置信区间。
[0097]
图5是本发明实施例的建立电池健康度评估模型的高斯过程模型示意图；如图5所示：
[0098]
高斯过程(gp)模型的性质是由其协方差函数(即核函数)来决定的,高斯过程建模的关键就是确定协方差函数的类型。高斯过程建模要求我们必须先选择均值函数和协方差函数,均值函数我们一般设置为零。
[0099]
gp经常是参数化，就协方差函数而言，有以下几种受欢迎的协方差函数：
[0100]
(1)平方指数协方差函数：
[0101][0102]
该协方差函数是一个无穷可微的函数，其中l为特征长度。
[0103]
(2)常数协方差函数：
[0104][0105]
(3)周期协方差函数
[0106][0107]
这些协方差函数是固定的，经常被用于预测能得到很好的结果。
[0108]
在电池充电和放电过程的拟合预测中利用结合神经网络和matern函数作为协方差函数，神经网络适合于拟合数据，它允许饱和不同正负方向的x,比较利用三种协方差函数进行预测的分布；通过一个阶跃函数产生64个数据点(高斯噪声标准差为σ＝0.1)中显示出均值和噪声信号95％置信区间为灰色区域。图6是单个平方指数协方差示意图；如图6所示：为单个平方指数协方差(se)；图7是两个平方指数协方差示意图；如图7所示：两个平方指数协方差之和，这个协方差函数比第一个协方差函数预测时更加灵活，因为它有两个大小和两个长度的参数。预测分布看起来好一些，但它们都不是理想的拟合，图8是神经网络协方差示意图；如图8所示：利用神经网络协方差函数(nn)是理想的拟合，它包含正负方向不同值的x。图9是本发明实施例的建立电池健康度评估模型的神经网络和matern协方差组合示意图；如图9所示：为神经网络和matern函数的组合形式(nn+matern)。
[0109]
本文中使用到的协方差函数如下：
[0110]
(1)神经网络协方差函数：
[0111][0112]
(2)maternard协方差函数：
[0113][0114]
maternard协方差函数f是rd的一个函数，f1(t)＝1,f3(t)＝1+t,rd是x和x'的距离，
[0115]
(3)神经网络和maternard
k(x,x')
之和仍是协方差函数：
[0116][0117]
协方差函数的一些自由参数通常称为超参数，这些参数是变化的，预测数据的不同将产生很大的拟合误差，为了得到合适的超参数，优化和对数似然的的最大化是必要的，假设x为训练输入，y为训练输出，其中θ为超参数向量，由bayesian推论得：
[0118][0119][0120]
超参数由训练数据决定，注意到长度l是核心变化，信号方差和噪声信号σ2是变化的。通过实验，我们将发现当设置不同的初始值，将获得不同的拟合曲线，它们之间的误差将变小。根据提出的问题，我们应该选择合适的初始值。在后续的验证过程中，根据训练数据的输入不同，对x选定不同的参数。
[0121]
采用共轭梯度法求取训练样本的对数似然函数的极大值，获取最优超参数，把最优超参数作为超参数的平均预测值。下面以平方指数协方差为例，其超参数包括(l,σf,σn)，图10是本发明实施例的建立电池健康度评估模型的方法的特征长度l＝1示意图；如图10所示；图11是本发明实施例的建立电池健康度评估模型的方法的特征长度l＝2示意图；如图11所示；图12是本发明实施例的建立电池健康度评估模型的特征长度l＝3示意图；如图12所示；取不同l值时的高斯过程估计结果，可见其不同超参数的变化会对预测结果造成影响，我们为了得到更好的预测结果必须进行超参数的优化。
[0122]
图13是本发明实施例的建立电池健康度评估模型的高斯过程回归预测示意图；如图13所示；
[0123]
选定神经网络协方差函数(nn)和matern协方差函数的组合形式作为核函数进行高斯过程预测。利用高斯过程回归(gpr)进行充放电数据预测，利用锂电池测试的数据选取其训练数据和测试数据，通过输入的训练数据限制先验分布，通过贝叶斯框架计算得到gp后验分布函数的输出预测值。
[0124]
在电量测量模型采用高斯过程预测出截止时间的分布。对测量数据进行分析，恒流充电过程的初始阶段，电流有一个短暂的上升，之后电流稳定在一个区间内。
[0125][0126]
式中f(u)——截止电压时对应的时间(s)；
[0127]
d——包含区间外电流值数目；
[0128]
i——包含区间内电流值(a)；
[0129]
i(k)——包含区间外电流值(a)。
[0130]
上述为恒流充电模式下建立的测量电量的模型，利用基于高斯过程的方法进行其恒流充电模式下的拟合预测，得到截止电压对应的时间。选取电池的恒流充电数据进行拟合预测，得到截止电压4.2v，将其代入到电量模型中进行计算电池单次容量。
[0131]
利用高斯过程预测完整的恒流充电曲线，可得到其预测数据点和实测值之间的误差分布：图14是本发明实施例的建立电池健康度评估模型的预测数据点和实测值之间的误差分布示意图；如图14所示；
[0132]
利用高斯过程进行恒流充电模式下的拟合预测，关键在于预测电压截止条件下的时间，所以将预测充电过程后半段数据，得到其基于高斯过程的拟合曲线，以及其拟合误差分布；图15是本发明实施例的建立电池健康度评估模型的高斯过程的拟合曲线示意图；如图15所示；
[0133]
图16是本发明实施例的建立电池健康度评估模型的高斯过程的拟合误差示意图；如图16所示；
[0134]
从上述预测中可得到电压截止点的时间与电压的函数关系，满足其高斯分布，其概率密度函数为：
[0135]
n(3230.5，2.3909)
[0136]
下面将确定ccc模式下电量测量模型中各输入量的概率密度函数，首先通过对万用表电压示值进行分析，选择合适的包含概率(95％或99％)，确定与其对应的包含区间。该包含区间应将稳定充电电流对应的稳定电压示值包含在内，包含区间内电压值设为u，用式来表征电流真值。包含区间外的电压值u(k)作为非稳定电压，用来表征电流真值。
[0137][0138]
由恒流充电模式下的电量测量模型可知，恒流充电过程总电量q1的测量不确定度取决于以下输入量：根据各测量设备的相关技术参数，确定上述各输入量的概率密度函数，列出其密度函数满足的分布类型，如下表所示。
[0139]
ccc模式下电量测量模型输入量概率密度函数表
[0140][0141][0142]
表中采样周期选择为1s，标准电阻的大小为1ω，λ1,λ2分别为34411a数字万用表电压和电流读数测量精度，δ1,δ2为由测量量程决定的固定误差。以34411a直流电压测量100v测量量程为例，误差为
±
(0.0035％
×
u+0.0006％
×
range)，δ1记为0.0006％
×
range。
[0143]
利用matlab的自适应mcm法评定电量测量不确定度，其实验参数的设置如下：
[0144]
(1)包含概率p设置为99％；
[0145]
(2)电量标准不确定度有效数字ndig的设定值为1；
[0146]
(3)本次实验中，考虑到电量测量模型较为复杂，增加蒙特卡洛法试验次数来保证结果的准确性。试验次数m设置为max(10000/1-p，1000000)。
[0147]
利用mcm法评定ccc模式下电量测量不确定度，其测量电量不确定度评定结果：图17是本发明实施例的建立电池健康度评估模型的测量电量不确定度评定结果示意图；如图17所示；
[0148]
ccc模式下的电量不确定度评定结果表
[0149]
[0150]
电池健康状态评估能够为提升动力电池寿命提供可靠的评估依据，并为动力电池梯次利用提供支撑；
[0151]
通过本方法，能够实现在现有条件下，通过对充电桩充电过程数据的采集，实现对电池soh的评估。能够极大降低现有新能源电动车电池的评估成本，并且提高电池健康度评估的准确程度，降低对电池的影响。
[0152]
同时该方法的应用，能够极大简化电池评估的操作难易程度，降低新能源电动车电池评估的门槛。
[0153]
系统实施例
[0154]
根据本发明实施例，提供了建立电池健康度评估模型的系统，图18是本发明实施例的建立电池健康度评估模型的系统示意图，如图18所示，具体包括：
[0155]
预测模块1810：用于在线建立电池单次充电容量预测模型；
[0156]
矫正模块1820：用于建立电池全生命周期档案，根据电池全生命周期档案中的数据矫正电池单次充电容量预测模型；
[0157]
计算模块1830，用于根据电池单次充电容量预测模型得到电池单次充电预测容量，将电池单次充电预测容量除以电池原始容量作为电池健康度评估模型。
[0158]
预测模块1810包括：
[0159]
测量电量模块：用于建立恒流充电模式下的测量电量模型：
[0160][0161]
其中f(u)——截止电压时对应的时间；q1为充电电量；u为终止电压；
[0162]
d——包含区间外电流值数目；
[0163]
i——包含区间内电流值；
[0164]
i(k)——包含区间外电流值；
[0165]
拟合模块：用于根据高斯过程拟合预测后半段充放电数据得到单次截止电压对应时间和截止电压；
[0166]
单次充电容量模块：用于将单次截止电压对应时间和截止电压带入测量电量模型计算电池单次充电预测容量；
[0167]
拟合模块具体用于：
[0168]
根据神经网络协方差函数和matern协方差函数之和来拟合预测充放电数据得到单次截止电压对应时间和截止电压。
[0169]
根据本发明实施例，提供了电池健康度评估系统，图19是本发明实施例的建立电池健康度评估模型的系统示意图，如图19所示，具体包括：
[0170]
获取模块1910：用于在线获取电池充电过程数据；
[0171]
评估模块1920：用于将所述充电过程数据输入电池健康度评估模型得到电池健康度评估。
[0172]
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
[0173]
装置实施例一
[0174]
本发明实施例提供一种建立电池健康度评估模型的装置，如图20所示，包括：存储器200、处理器202及存储在存储器200上并可在处理器202上运行的计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0175]
装置实施例二
[0176]
本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有信息传输的实现程序，程序被处理器202执行时实现上述方法实施例中的步骤。
[0177]
装置实施例三
[0178]
本发明实施例提供一种电池健康度评估装置，如图21所示，包括：存储器210、处理器212及存储在存储器210上并可在处理器212上运行的计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0179]
本实施例所述计算机可读存储介质包括但不限于为：rom、ram、磁盘或光盘等。
[0180]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0181]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替本发明各实施例技术方案，并不使相应技术方案的本质脱离本方案的范围。