一种动力电池单体异常的预警方法、系统及电子设备与流程

1.本发明涉及电动汽车技术领域，更具体地，涉及一种动力电池单 体异常的预警方法、系统、电子设备及存储介质。


背景技术：

2.在现有的动力电池技术水平下，动力电池一般由几十到数百个单 体电池串并联的方式组合而成。一方面，电池单体本身存在一定的容 量差异，另一方面，随着对电池的不断充电和放电，电芯之间的容量 差异也会逐渐表现出来，电芯容量的不一致最直观的表现即动力电池 容量的衰减，从而影响到用户的驾驶感受。
3.目前，电芯异常的检测方法通常采用分析车辆行驶过程中电池相 关数据，主要分析电池的内阻，电压等指标，从而定位异常电芯。但 是这种检测方式很容易受到车辆的行驶工况的影响，导致误报率较高。


技术实现要素：

4.本发明针对现有技术中存在的技术问题，提供一种动力电池单体 异常的预警方法、系统、电子设备及存储介质，以提升电动汽车动力 电池单体电芯异常预警的准确率，提高用车安全性，提升用户驾驶感 受。
5.根据本发明的第一方面，提供了一种动力电池单体异常的预警方 法，包括：
6.获取车辆动力电池近期的历史数据并进行预处理，得到电池静置 状态下的数据；
7.计算每帧电芯数据中每个电芯的真实soc(soc即电池的荷电状 态)，根据每帧电芯数据中全部电芯的真实soc分别计算得到每帧电 芯数据的真实soc中位数；分别计算当前帧电芯数据中每个电芯的真 实soc与真实soc中位数的差值，根据所述差值分别计算每个电芯 与所有电芯之间的欧氏距离，根据所述欧氏距离计算得到每个电芯与 所有电芯之间的欧氏距离平均值：
8.将所述欧氏距离平均值与预设的阈值相比较，判断当前电芯是否 异常。
9.在上述技术方案的基础上，本发明还可以作出如下改进。
10.可选的，所述获取车辆动力电池近期的历史数据并进行预处理， 得到电池静置状态下的数据，包括：
11.选取近期某一采样时段连续的车辆动力电池的国标历史数据；
12.根据每帧电芯数据的电压值以及电流值筛除异常的数据，得到静 置状态下的多帧电芯数据。
13.可选的，所述根据每帧电芯数据的电压值以及电流值筛除异常的 数据，得到静置状态下的多帧电芯数据；包括：
14.将每帧电芯数据中单个电芯的电压值分别与电压阈值相比较，筛 除电压异常的电芯数据帧，保留电压正常的电芯数据帧；
15.对电压正常的电芯数据帧中单个电芯的电流值分别与电流阈值相 比较，筛除电
流异常的电芯数据帧，得到的多帧电芯数据即为静置状 态下的电芯数据。
16.可选的，所述计算每帧电芯数据中每个电芯的真实soc，包括：
17.获取每帧电芯数据中每个电芯的电压值，采用查表法、分别通过 每个电芯的电压值从电池包的ocv-soc表中查询得到各个电芯的真 实soc，记为soc_real
ij
，(i∈[1,m],j∈[1,n])，其中m为预处理后得 到的电芯数据的帧数，n为每帧电芯数据中电芯的个数。
[0018]
可选的，所述根据每帧电芯数据中全部电芯的真实soc分别计算 得到每帧电芯数据的真实soc中位数，所述每帧电芯数据的真实soc 中位数记为soc_median，通过公式(1)进行计算：
[0019]
soc_mediani＝median(soc_real
i1
,soc_real
i2
,
…
，soc_real
ij
), i∈[1,m],j∈[1,n]
ꢀꢀ
(1)，
[0020]
其中，soc_mediani为第i帧电芯数据的真实soc中位数，median 为中位数函数，soc_real
ij
为第i帧电芯数据中第j个电芯的真实soc。
[0021]
可选的，所述分别计算当前帧电芯数据中每个电芯的真实soc与 真实soc中位数的差值，根据所述差值分别计算每个电芯与所有电芯 之间的欧氏距离，根据所述欧氏距离计算得到每个电芯与所有电芯之 间的欧氏距离平均值；包括：
[0022]
通过公式(2)计算每帧电芯数据中每个电芯的真实soc与真实 soc中位数之间的差值，所述差值记为δsoc
ij
：
[0023]
δsoc
ij
＝soc_real
ij-soc_mediani，i∈[1,m],j∈[1,n]
ꢀꢀꢀꢀꢀ
(2)；
[0024]
根据每帧电芯数据中每个电芯的真实soc与真实soc中位数之 间的差值，通过公式(3)计算每个电芯与所有电芯之间的欧式距离 d
jk
：
[0025][0026]
其中，d
jk
表示同一帧电芯数据中第j个电芯与第k个电芯之间的 欧氏距离，δsoc
ij
为第i帧电芯数据中第j个电芯的真实soc与真实soc中位数之间的差值，δsoc
ik
为第i帧电芯数据中第k个电芯的真 实soc与真实soc中位数之间的差值，j与k的值相同时表示同一电 芯；
[0027]
根据每个电芯与所有电芯之间的欧式距离d
jk
，通过公式(4)计 算每个电芯与所有电芯的欧式距离的平均值d_avgj：
[0028]
d_avgj＝(d
j1
+d
j2
+
…
+d
jk
)/n,j∈[1,n],k∈[1,n]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)。
[0029]
可选的，所述阈值的计算过程包括：
[0030]
获取已知异常电芯的样本数据集，通过公式(5)和公式(6)、 根据每个异常电芯的样本数据分别计算其对应的平均值μ和标准差σ：
[0031]
μ＝(d_avg1+d_avg2+
…
+d_avgn)/n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5),
[0032][0033]
遍历样本数据集的全部样本数据，得到每个样本数据对应的平均 值μ
p
和标准差σ
p
，p∈[1,h]，h为样本个数；
[0034]
根据每个样本数据对应的平均值μ
p
和标准差σ
p
，采用公式(7) 计算出异常电芯的
阈值λ：
[0035][0036]
可选的，所述阈值的计算过程还包括：
[0037]
当检测到新的异常电芯时，将新的异常电芯的数据加入所述样本 数据集，得到更新的异常电芯的样本数据集，采用新的样本数据集重 新计算异常电芯的阈值λ。
[0038]
根据本发明的第二方面，提供一种动力电池单体异常的预警系统， 包括：
[0039]
预处理模块，用于获取车辆动力电池近期的历史数据并进行预处 理，得到电池静置状态下的数据；
[0040]
数据计算模块，计算每帧电芯数据中每个电芯的真实soc，根据 每帧电芯数据中全部电芯的真实soc分别计算得到每帧电芯数据的真 实soc中位数；分别计算当前帧电芯数据中每个电芯的真实soc与 真实soc中位数的差值，根据所述差值分别计算每个电芯与所有电芯 之间的欧氏距离，根据所述欧氏距离计算得到每个电芯与所有电芯之 间的欧氏距离平均值：
[0041]
结果检测模块，将所述欧氏距离平均值与预设的阈值相比较，判 断当前电芯是否异常。
[0042]
根据本发明的第三方面，提供了一种电子设备，包括存储器、处 理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现 上述一种动力电池单体异常的预警方法的步骤。
[0043]
根据本发明的第四方面，提供了一种计算机可读存储介质，其上 存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实 现上述一种动力电池单体异常的预警方法的步骤。
[0044]
本发明提供的一种动力电池单体异常的预警方法、系统、电子设 备及存储介质，对动力电池进期的历史数据进行预处理，提取电池静 止状态下的数据进行分析；基于电池静置状态下的真实soc，在一段 时间周期内，计算任意两个电芯间的平均欧式距离的离散度，筛选异 常电芯。本发明能提前识别动力电池异常情况进行预警，从而对电池 包模组进行提前更换或修复，一方面，动力电池单体电芯异常预警的 准确率高、提高了用车安全，另一方面，提高了用户驾驶体验。
附图说明
[0045]
图1为本发明提供的一种动力电池单体异常的预警方法流程图；
[0046]
图2为本发明提供方法的数据预处理过程的流程图；
[0047]
图3为本发明提供方法的数据计算过程的流程图；
[0048]
图4为本发明提供的一种动力电池单体异常的预警系统组成框图；
[0049]
图5为本发明提供的一种可能的电子设备的硬件结构示意图；
[0050]
图6为本发明提供的一种可能的计算机可读存储介质的硬件结构 示意图。
具体实施方式
[0051]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细 描述。以下实施
例用于说明本发明，但不用来限制本发明的范围。
[0052]
术语解释：电池soc(state ofcharge)，即电池的荷电状态，是用来 反映电池的剩余容量的，其数值上定义为剩余容量占电池容量的比值， 常用百分数表示。其取值范围为0～1，当soc＝0时表示电池放电完全， 当soc＝1时表示电池完全充满。
[0053]
图1为本发明提供的一种动力电池单体异常的预警方法流程图， 如图1所示，方法包括：
[0054]
s1，获取车辆动力电池近期的历史数据并进行预处理，得到电池 静置状态下的数据；
[0055]
s2，计算每帧电芯数据中每个电芯的真实soc，根据每帧电芯数 据中全部电芯的真实soc分别计算得到每帧电芯数据的真实soc中 位数；分别计算当前帧电芯数据中每个电芯的真实soc与真实soc 中位数的差值，根据所述差值分别计算每个电芯与所有电芯之间的欧 氏距离，根据所述欧氏距离计算得到每个电芯与所有电芯之间的欧氏 距离平均值；
[0056]
s3，将所述每个电芯与所有电芯之间的欧氏距离平均值与预设的 阈值相比较，判断当前电芯是否异常。
[0057]
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一 种动力电池单体异常的预警方法。通过对动力电池进期的历史数据进 行预处理，提取电池静止状态下的数据进行分析，减少了异常数据对 检测结果的干扰；基于电池静置状态下的真实soc，在一段时间周期 内，计算任意两个电芯间的平均欧式距离的离散度，筛选异常电芯， 从而实现电池单体异常的有效预警。
[0058]
本发明能提前识别动力电池异常情况进行预警，从而对电池包模 组进行提前更换或修复，相比于现有技术，一方面，本发明实施例对 动力电池单体电芯异常预警的准确率高、提高了用车安全，另一方面， 提高了用户驾驶体验，提升了客户满意度。
[0059]
在一种可能的实施例方式中，如图2所示，步骤s1中，所述获取 车辆动力电池近期的历史数据并进行预处理，得到电池静置状态下的 数据，包括：
[0060]
s101，选取近期某一采样时段连续的车辆动力电池的国标历史数 据，例如连续一周的历史数据；
[0061]
s102，根据每帧电芯数据的电压值以及电流值筛除异常的数据， 得到静置状态下的多帧电芯数据。
[0062]
可以理解的是，连续一段采样周期的车辆动力电池国标历史数据 包含了这一采样时段内车辆处于全部状态的电池数据，例如车辆平稳 行驶、急速行驶、静置状态等，而车辆处于运行状态时，电池数据根 据车辆运行状态进行实时变化，其具有不稳定性，不能作为电池异常 判断的依据。因此本实施例中通过对电池数据的电压以及电流值进行 判断，筛除异常数据，筛选出电池静置状态下的数据作为本发明方法 的检测数据，以提升电池检测的准确性。
[0063]
在一种可能的实施例方式中，所述根据每帧电芯数据的电压值以 及电流值筛除异常的数据，得到静置状态下的多帧电芯数据；包括：
[0064]
s1021，将每帧电芯数据中单个电芯的电压值分别与电压阈值相比 较，筛除电压异常的电芯数据帧，保留电压正常的电芯数据帧；
[0065]
s1022，对电压正常的电芯数据帧中单个电芯的电流值分别与电流 阈值相比较，筛除电流异常的电芯数据帧，得到的多帧电芯数据即为 静置状态下的电芯数据。
[0066]
可以理解的是，电池处于静置状态下时，其电压值与电流值均处 于稳定状态，因此在对每帧电芯数据进行筛选时，需预设电压阈值和 电流阈值。例如设置有效的电压阈值范围为[0v,5v]，单个电芯的电压 值u满足0v≤u≤5v，即判为电压符合要求；设置有效的电流阈值范 围为[-2a,2a]，单个电芯的电流值i满足-2a≤i≤2a，即判为电流符合 要求。将筛选出来的电压值与电流值均合格的多帧电芯数据认为是电 池处于静置状态下的数据，用于参与后续步骤的计算。假定通过历史 数据预处理后得到的静置数据有m帧，每帧电芯数据中的单体电芯数 量为n。
[0067]
在一种可能的实施例方式中，如图3所示，步骤s2中，所述计算 每帧电芯数据中每个电芯的真实soc，包括：
[0068]
s201，获取每帧电芯数据中每个电芯的电压值，采用查表法、分 别通过每个电芯的电压值从电池包的ocv-soc表中查询得到各个电 芯的真实soc，记为soc_real
ij
，(i∈[1,m],j∈[1,n])，其中m为预处 理后得到的电芯数据的帧数，n为每帧电芯数据中电芯的个数。
[0069]
可以理解的是，电池的soc不能直接测量，只能通过电池端电压、 充放电电流及内阻等参数来估算其大小，而这些参数还会受到电池老 化、环境温度变化及汽车行驶状态等多种不确定因素的影响，一般通 过内阻测量法、线性模型法和卡尔曼滤波法进行估算。本实施例中， 通过查表法，将单个电芯的电压值作为已知值反查电芯的ocv-soc表， 通过ocv-soc曲线得到单个电芯的真实soc。通过ocv-soc曲线估 算得到的真实soc准确度较高，可以作为后续步骤计算的依据。
[0070]
在一种可能的实施例方式中，步骤s2中，还包括：
[0071]
s202，根据每帧电芯数据中全部电芯的真实soc分别计算得到每 帧电芯数据的真实soc中位数，所述每帧电芯数据的真实soc中位 数记为soc_median，通过公式(1)进行计算：
[0072]
soc_mediani＝median(soc_real
i1
,soc_real
i2
,
…
，soc_real
ij
), i∈[1,m],j∈[1,n]
ꢀꢀ
(1)，
[0073]
其中，soc_mediani为第i帧电芯数据的真实soc中位数，median 为中位数函数，soc_real
ij
为第i帧电芯数据中第j个电芯的真实soc。
[0074]
可以理解的是，本实施例中对单帧电芯数据中的全部电芯的真实 soc进行中位数运算，分别获得每帧电芯数据的真实soc中位数 soc_median。
[0075]
在一种可能的实施例方式中，步骤s2中，所述分别计算当前帧电 芯数据中每个电芯的真实soc与真实soc中位数的差值，根据所述 差值分别计算每个电芯与所有电芯之间的欧氏距离，根据所述欧氏距 离计算得到每个电芯与所有电芯之间的欧氏距离平均值；包括：
[0076]
s203，通过公式(2)计算每帧电芯数据中每个电芯的真实soc 与真实soc中位数之间的差值，所述差值记为δsoc
ij
：
[0077]
δsoc
ij
＝soc_real
ij-soc_mediani，i∈[1,m],j∈[1,n]
ꢀꢀꢀꢀꢀꢀ
(2)；
[0078]
可以理解的是，步骤s203中，通过公式(2)可以分别计算得到 m帧电芯数据中n个
单体电芯的真实soc与真实soc中位数之间的 差值，例如第一帧第一个单体电芯的真实soc与真实soc中位数之 间的差值δsoc
11
，第二帧第三个单体电芯的真实soc与真实soc中 位数之间的差值δsoc
23
，
……
，第m帧第n个单体电芯的真实soc 与真实soc中位数之间的差值δsoc
mn
。
[0079]
s204，根据每帧电芯数据中每个电芯的真实soc与真实soc中 位数之间的差值，通过公式(3)计算每个电芯与所有电芯之间的欧式 距离d
jk
：
[0080][0081]
其中，d
jk
表示同一帧电芯数据中第j个电芯与第k个电芯之间的 欧氏距离，δsoc
ij
为第i帧电芯数据中第j个电芯的真实soc与真实 soc中位数之间的差值，δsoc
ik
为第i帧电芯数据中第k个电芯的真 实soc与真实soc中位数之间的差值，j与k的取值互不干扰，j与k 的值相同时表示同一电芯。
[0082]
可以理解的是，步骤s204中，通过公式(3)可以分别计算得到 同一帧电芯数据中任意一个单体电芯到任意一个单体电芯之间的欧式 距离，比如当j与k的值相同时，表示某一电芯到自身的欧氏距离为0。
[0083]
s205，根据每个电芯与所有电芯之间的欧式距离d
jk
，通过公式(4) 计算每个电芯与所有电芯的欧式距离的平均值d_avgj：
[0084]
d_avgj＝(d
j1
+d
j2
+
…
+d
jk
)/n,j∈[1,n],k∈[1,n]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)。
[0085]
可以理解的是，步骤s205中，通过公式(4)可以分别计算得到 同一帧数据中，某一电芯与所有电芯的欧式距离的平均值d_avgj，该 欧式距离的平均值d_avgj可以反映任意两个电芯间的平均欧式距离 的离散度，因此可以作为单体电芯是否异常的判断依据。将其与预设 的阈值进行比对，若d_avgj大于预设的阈值，则可判断对应的电芯异 常，进而进行预警提示。
[0086]
在一种可能的实施例方式中，用于判断电芯是否异常的所述阈值 的计算过程包括：
[0087]
获取已知异常电芯的样本数据集，通过公式(5)和公式(6)、 根据每个异常电芯的样本数据分别计算其对应的平均值μ和标准差σ：
[0088]
μ＝(d_avg1+d_avg2+
…
+d_avgn)/n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5),
[0089][0090]
遍历样本数据集的全部样本数据，得到每个样本数据对应的平均 值μ
p
和标准差σ
p
，p∈[1,h]，h为样本个数；
[0091]
根据每个样本数据对应的平均值μ
p
和标准差σ
p
，采用公式(7) 计算出异常电芯的阈值λ：
[0092][0093]
可以理解的是，本实施例将多个已知的异常电芯数据进行解析得 到一个经验值，将其作为阈值λ，用于对电池异常进行判断。由于计 算得到的阈值λ是基于若干个已知异常
电芯的样本，因此其基于若干 个异常电芯共有的规律，具有可参考性。
[0094]
在一种可能的实施例方式中，为了持续提升电芯异常判断的准确 性，可持续对阈值λ进行迭代更新。例如，所述阈值的计算过程还包 括：
[0095]
当检测到新的异常电芯时，将新的异常电芯的数据加入所述样本 数据集，更新p的值，得到更新的异常电芯的样本数据集，采用新的 样本数据集重新计算异常电芯的阈值λ。
[0096]
可以理解的是，随着异常电芯样本数据集的持续扩增，每更新一 次所述样本数据集即对应更新一次阈值λ，从而持续对阈值λ进行迭 代、优化，逐渐提升本检测结果的准确度。
[0097]
图4为本发明实施例提供的一种动力电池单体异常的预警系统结 构图，如图4所示，一种动力电池单体异常的预警系统，包括预处理 模块401、数据计算模块402和结果检测模块403，其中：
[0098]
预处理模块401，用于获取车辆动力电池近期的历史数据并进行预 处理，得到电池静置状态下的数据；
[0099]
数据计算模块402，用于计算每帧电芯数据中每个电芯的真实soc， 根据每帧电芯数据中全部电芯的真实soc分别计算得到每帧电芯数据 的真实soc中位数；分别计算当前帧电芯数据中每个电芯的真实soc 与真实soc中位数的差值，根据所述差值分别计算每个电芯与所有电 芯之间的欧氏距离，根据所述欧氏距离计算得到每个电芯与所有电芯 之间的欧氏距离平均值；
[0100]
结果检测模块403，用于将所述欧氏距离平均值与预设的阈值相比 较，判断当前电芯是否异常。
[0101]
可以理解的是，本发明提供的一种动力电池单体异常的预警系统 与前述各实施例提供的动力电池单体异常的预警方法相对应，动力电 池单体异常的预警系统的相关技术特征可参考动力电池单体异常的预 警方法的相关技术特征，在此不再赘述。
[0102]
请参阅图5，图5为本发明实施例提供的电子设备的实施例示意图。 如图5所示，本发明实施例提了一种电子设备500，包括存储器510、 处理器520及存储在存储器510上并可在处理器520上运行的计算机 程序511，处理器520执行计算机程序511时实现以下步骤：
[0103]
获取车辆动力电池近期的历史数据并进行预处理，得到电池静置 状态下的数据；
[0104]
计算每帧电芯数据中每个电芯的真实soc，根据每帧电芯数据中 全部电芯的真实soc分别计算得到每帧电芯数据的真实soc中位数； 分别计算当前帧电芯数据中每个电芯的真实soc与真实soc中位数 的差值，根据所述差值分别计算每个电芯与所有电芯之间的欧氏距离， 根据所述欧氏距离计算得到每个电芯与所有电芯之间的欧氏距离平均 值：
[0105]
将所述欧氏距离平均值与预设的阈值相比较，判断当前电芯是否 异常。
[0106]
请参阅图6，图6为本发明提供的一种计算机可读存储介质的实施 例示意图。如图6所示，本实施例提供了一种计算机可读存储介质600， 其上存储有计算机程序611，该计算机程序611被处理器执行时实现如 下步骤：
[0107]
获取车辆动力电池近期的历史数据并进行预处理，得到电池静置 状态下的数据；
[0108]
计算每帧电芯数据中每个电芯的真实soc，根据每帧电芯数据中 全部电芯的真实soc分别计算得到每帧电芯数据的真实soc中位数； 分别计算当前帧电芯数据中每个电芯
的真实soc与真实soc中位数 的差值，根据所述差值分别计算每个电芯与所有电芯之间的欧氏距离， 根据所述欧氏距离计算得到每个电芯与所有电芯之间的欧氏距离平均 值：
[0109]
将所述欧氏距离平均值与预设的阈值相比较，判断当前电芯是否 异常。
[0110]
本发明实施例提供的一种动力电池单体异常的预警方法、系统及 存储介质，对动力电池进期的历史数据进行预处理，提取电池静止状 态下的数据进行分析；基于电池静置状态下的真实soc，在一段时间 周期内，计算任意两个电芯间的平均欧式距离的离散度，筛选异常电 芯。本发明能提前识别动力电池异常情况进行预警，从而对电池包模 组进行提前更换或修复，一方面，动力电池单体电芯异常预警的准确 率高、提高了用车安全，另一方面，提高了用户驾驶体验。
[0111]
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧 重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关 描述。
[0112]
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。
[0113]
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。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、嵌入式计算机或者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。
[0114]
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。
[0115]
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。
[0116]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦 得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所 以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的 所有变更和修改。
[0117]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不 脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于 本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些 改动和变型在内。