一种影响度的量化分析方法、装置、电子设备和存储介质与流程

1.本技术涉及燃料电池技术领域，更具体地说，涉及一种量化分析方法、装置、电子设备和存储介质。


背景技术：

2.燃料电池系统的耐久性是燃料电池实现商业化的关键因素之一，而工作条件适配对系统的耐久性具有显著影响。在诸多的工作条件中，每个工作条件对燃料电池系统的影响度是不同的。为了确定优先需要关注调整的工作条件，更好地进行工作条件适配，需要在燃料电池运行过程中对各种工作条件对其工作性能的影响度进行量化分析，以使设计人员能够根据影响度对燃料电池系统进行设计及优化。
3.目前主流仿真方法无法对处于耐久运行过程的燃料电池系统的工作条件的影响程度进行量化分析，难以指导实时变化的燃料电池工作条件适配。因此，针对运行中的燃料电池系统，亟需一种工作条件影响程度量化方法，以支持燃料电池耐久过程的工作条件适配，提升系统耐久性和效率。


技术实现要素：

4.有鉴于此，本技术提供一种影响度的量化分析方法、装置、电子设备和存储介质，用于对各个工作条件对处于工作状态下的燃料电池系统的性能的影响度进行量化分析，以支持燃料电池耐久过程的工作条件适配，提升系统耐久性和效率。
5.为了实现上述目的，现提出的方案如下：
6.一种影响度的量化分析方法，应用于电子设备，用于对各个工作条件对燃料电池系统的工作性能的影响度进行量化分析，所述量化分析方法包括步骤：
7.获取所述燃料电池系统的m维物理量数据，所述m维物理量数据包括m个工作条件，m为正整数；
8.构建神经网络模型，所述神经网络模型的输入数据维度为n、输入层神经元数目为n，输出层神经元数目为1，n为小于m的正整数；
9.基于逐步神经网络模型特征选取方法，遍历m维物理量数据，对所述神经网模型进行训练；
10.每次神经网络模型训练完成后，记录对应的模型训练统计误差值；
11.根据所述模型训练统计误差值计算对应的工作条件的影响度。
12.可选的，所述多个工作条件包括运行时间、空气流量、空气入口压力、氢气入口压力、空气入口温度、氢气入口温度、冷却液出口温度和冷却液入口温度及其衍生变量中的部分或全部。
13.可选的，所述基于逐步神经网络模型特征选取方法，遍历m维物理量数据，对所述神经网模型进行训练，包括方法：
14.基于后退法，从n个所述工作条件中选取(n-1)个工作条件作为模型输入，以所述
燃料电池系统的性能指标作为模型输出对所述神经网络模型进行训练；
15.或者，基于前进法，从m-n-2个所述共组条件中选出1个所述工作条件，以n+1个所述工作条件作为模型输入，以所述性能指标作为模型输出对所述神经网络模型进行训练；
16.或者，基于双向法，选取n+n个所述工作条件作为模型输入，以所述性能指标作为模型输出对所述神经网络模型进行训练，n满足n》1-n且n《m-n-2。
17.可选的，所述根据所述模型训练统计误差值计算对应的工作条件的影响度，包括步骤:
18.当n《0时，将所述敏感度定义为所述模型训练统计误差值；
19.当n》0时，将所述敏感度定义为所述模型训练统计误差值的倒数。
20.一种影响度的量化分析装置，应用于电子设备，用于对各个工作条件对燃料电池系统的工作性能的影响度进行量化分析，所述量化分析装置包括：
21.数据获取模块，被配置为获取所述燃料电池系统的m维物理量数据，所述m维物理量数据包括m个工作条件，m为正整数；
22.模型构建模块，被配置为构建神经网络模型，所述神经网络模型的输入数据维度为n、输入层神经元数目为n，输出层神经元数目为1，n为小于m的正整数；
23.模型训练模块，被配置为基于逐步神经网络模型特征选取方法，遍历m维物理量数据，对所述神经网模型进行训练；
24.误差记录模块，被配置为每次神经网络模型训练完成后，记录对应的模型训练统计误差值；
25.量化计算模块，被配置为根据所述模型训练统计误差值计算对应的工作条件的影响度。
26.可选的，所述多个工作条件包括运行时间、空气流量、空气入口压力、氢气入口压力、空气入口温度、氢气入口温度、冷却液出口温度和冷却液入口温度及其衍生变量中的部分或全部。
27.可选的，所述模型训练模块包括：
28.第一训练单元，被配置为基于后退法，从n个所述工作条件中选取(n-1)个工作条件作为模型输入，以所述燃料电池系统的性能指标作为模型输出对所述神经网络模型进行训练；
29.或者，第二训练单元，被配置为基于前进法，从m-n-2个所述共组条件中选出1个所述工作条件，以n+1个所述工作条件作为模型输入，以所述性能指标作为模型输出对所述神经网络模型进行训练；
30.或者第三训练单元，被配置为基于双向法，选取n+n个所述工作条件作为模型输入，以所述性能指标作为模型输出对所述神经网络模型进行训练，n满足n》1-n且n《m-n-2。
31.可选的，所述量化计算模块包括:
32.第一量化单元，被配置为当n《0时，将所述敏感度定义为所述模型训练统计误差值；
33.第二量化单元，被配置为当n》0时，将所述敏感度定义为所述模型训练统计误差值的倒数。
34.一种电子设备，包括至少一个处理器与所述处理器连接的存储器，其中：
35.所述存储器用于存储计算机程序或指令；
36.所述处理器用于执行所述计算机程序或指令，以使所述电子设备实施如上所述的影响度的量化分析方法。
37.一种存储介质，应用于电子设备，所述存储介质承载有一个或多个计算机程序，当所述电子设备执行所述一个或多个计算机程序时，能够实现如上所述的影响度的量化分析方法。
38.从上述的技术方案可以看出，本技术公开了一种影响度的量化分析方法、装置、电子设备和存储介质，该方法和装置应用于电子设备，具体为获取燃料电池系统的m维物理量数据，m维物理量数据包括m个工作条件；构建神经网络模型；基于逐步神经网络模型特征选取方法，遍历m维物理量数据，对神经网模型进行训练；每次神经网络模型训练完成后，记录对应的模型训练统计误差值；根据模型训练统计误差值计算对应的工作条件的影响度。相比于现有的主流仿真方法，本技术的方案能够对各个工作条件对处于工作状态下的燃料电池系统的性能的影响度进行量化分析，从而支持燃料电池耐久过程的工作条件适配，提升系统耐久性和效率。
附图说明
39.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本技术的一些实施例，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。
40.图1为本技术实施例的一种影响度的量化分析方法的流程图；
41.图2为本技术实施例的多层感知机神经网络的示意图；
42.图3为本技术实施例根据前进法原理完成的神经网络训练影响度柱状图；
43.图4为本技术实施例根据前进法原理完成的神经网络训练影响度变化图；
44.图5为本技术实施例的一种影响度的量化分析装置的框图；
45.图6为本技术实施例的一种电子设备的框图。
具体实施方式
46.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
47.神经网络模型可以提取输入数据与输出数据之间的关系。若某燃料电池工作条件影响度高，其反馈信号中便蕴含较多有关性能指标变化的信息；反之，该工作条件包含较少有关性能指标变化的信息。根据信息理论，衡量事件x不确定性的信息熵定义为：
[0048][0049]
事件x＝x的概率p(x)∈[0,1]，因此信息熵h(x)具有非负性。假设信息获得后可将
所有事件的概率全置为1，则信息量等于信息熵。同时，这也意味着该情况下，信息带来不确定性的消除。若输入数据中蕴含较多性能指标变化的信息，那么，在充分利用信息的前提下，对输出数据的判断不确定性较小，模型训练误差较小；反之，模型训练误差较大。依据以上原理，可对后退法和前进法判断燃料电池工作条件影响度的原理进行如下分析：
[0050]
针对后退法，统计误差越大，说明去除的变量(工作条件)对模型训练影响越大，也即该变量蕴含其他变量不具有的性能指标决定信息，其影响度越高；针对前进法，均方误差越小，说明挑选的变量对模型训练影响越大，也即该变量蕴含最主要的性能指标决定信息，其影响度越高。两类方法的逻辑不完全相同，且并不局限于单变量增减。两类方法逻辑的结果有效性应视统计误差相对大小而定。
[0051]
以上为本技术的发明原理，基于以上描述特提出如下的具体实施例。
[0052]
实施例一
[0053]
图1为本技术实施例的一种影响度的量化分析方法的流程图。
[0054]
如图1所示，本实施例提供的量化分析方法应用于电子设备，该电子设备可以理解为具有信息处理能力和数据计算能力的计算机或服务器，用于对各个工作条件对燃料电池系统的工作性能的影响度进行量化分析计算，以支持燃料电池耐久过程的工作条件适配，提升系统耐久性和效率。该量化分析方法包括如下步骤：
[0055]
s1、获取m维物理量数据。
[0056]
一般可以通过燃料电池系统的测试台架获取上述m维物理量数据，这里的m为大于零的整数，该m维物理量数据实际包含m-2个该燃料电池系统的工作条件。本实施例中的工作条件包括运行时间、工作电压、工作电流、空气流量、空气入口压力、氢气入口压力、空气入口温度、氢气入口温度、冷却液出口温度和冷却液入口温度及其衍生变量，这里的m为10。该衍生变量包括但不限于可包含温差、流阻、计量比等。
[0057]
在获取上述工作条件后，将工作条件以数组的形式以时间先后为顺序并以文本格式存储于该电子设备的存储器中，以便后续对其进一步处理。
[0058]
s2、构建神经网络模型。
[0059]
本技术中构建的神经网络模型的输入数据维度n，其中，n满足n《m-2的条件，输入层神经元数目为n，输出层神经元数目为1。优选地，神经网络模型为多层感知机神经网络、循环神经网络、自编码器或卷积神经网络。
[0060]
具体到本实施例，该多层感知机神经网络的输入层神经元数目为1，隐含层层数为3，每层神经元数目均为10，且输出层神经元数目为1，如图2所示。
[0061]
s3、基于逐步神经网络模型调整选取方法训练神经网络模型。
[0062]
基于逐步神经网络模型特征选取方法，遍历前述m维物理量数据，进行神经网络模型的训练。具体方案如下：
[0063]
基于后退法，除去燃料电池系统的运行时间、性能指标等m-n个变量后，从剩余的n个工作条件中选取n-1个工作条件作为神经网络模型的输入，性能指标作为模型输出进行模型训练神经网络。这里的性能指标包括但不限于工作电压、燃料电池系统功率、燃料电池巡检电压方差等。
[0064]
基于前进法，除去燃料电池的运行时间、性能指标等m-n个工作条件后，从去除的m-n-2个工作条件中选出1个，以n+1个工作条件作为神经网络模型输入，以性能指标作为模
型输出进行模型训练。
[0065]
基于双向法，选取n+n维工作条件作为神经网络模型的输入(满足n》1-n且n《m-n-2)，以性能指标作为模型输出训练神经网络。这里的n满足n》1-n且n《m-n-2。从式中可以看出，当n＝1时，双向法退化为前进法；当n＝-1时，双向法退化为后退法。
[0066]
s4、记录每轮模型训练的模型训练统计误差值。
[0067]
每次神经网络训练完成，将对应的模型训练统计误差进行记录，一般地，该模型训练统计误差为均方误差，均方误差定义如下式：
[0068][0069]
其中，{xi}为真值序列，模型训练预测值序列。该模型训练统计误差还可以选用模型训练预测值与真值的欧氏距离或马氏距离。
[0070]
s5、根据模型训练统计误差值计算对应的工作条件的影响度。
[0071]
具体为，考察不同情形下神经网络训练的模型训练统计误差值，并依据该模型训练统计误差值确定各个工作条件对处于运行状态的燃料电池系统的工作性能的影响度，并对影响度进行排序。
[0072]
前述的后退法与前进法均为双向法的特例。基于此，当n《0时，工作条件的影响度定义为前述模型训练统计误差值；当n》0时，工作条件的影响度定义为神经网络模型模型训练统计误差值的倒数。依据以上定义可计算对应工作条件的影响度数值并进行排序，从而为燃料电池运行全过程的工作条件适配提供依据。
[0073]
从上述技术方案可以看出，本实施例提供了一种影响度的量化分析方法，该方法应用于电子设备，具体为获取燃料电池系统的m维物理量数据，m维物理量数据包括m个工作条件；构建神经网络模型；基于逐步神经网络模型特征选取方法，遍历m维物理量数据，对神经网模型进行训练；每次神经网络模型训练完成后，记录对应的模型训练统计误差值；根据模型训练统计误差值计算对应的工作条件的影响度。相比于现有的仿真方法，本技术的方案能够对各个工作条件对处于工作状态下的燃料电池系统的性能的影响度进行量化分析，从而支持燃料电池耐久过程的工作条件适配，提升系统耐久性和效率。
[0074]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0075]
虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。
[0076]
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，
和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0077]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如python、julia、java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如c语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机。
[0078]
实施例二
[0079]
图5为本技术实施例的一种影响度的量化分析装置的框图。
[0080]
如图5所示，本实施例提供的量化分析装置应用于电子设备，该电子设备可以理解为具有信息处理能力和数据计算能力的计算机或服务器，用于对各个工作条件对燃料电池系统的工作性能的影响度进行量化分析计算，以支持燃料电池耐久过程的工作条件适配，提升系统耐久性和效率。该量化分析装置包括数据获取模块10、模型构建模块20、模型训练模块30、误差记录模块40和量化计算模块50。
[0081]
数据获取模块用于获取m维物理量数据。
[0082]
一般可以通过燃料电池系统的测试台架获取上述m维物理量数据，这里的m为正整数，该m维物理量数据实际包含m-2个该燃料电池系统的工作条件。本实施例中的工作条件包括运行时间、工作电压、工作电流、空气流量、空气入口压力、氢气入口压力、空气入口温度、氢气入口温度、冷却液出口温度和冷却液入口温度及其衍生变量，这里的该m为10。该衍生变量包括但不限于可包含温差、流阻、计量比等。
[0083]
在获取上述工作条件后，将工作条件以数组的形式以时间先后为顺序并以文本格式存储于该电子设备的存储器中，以便后续对其进一步处理。
[0084]
模型构建模块用于构建神经网络模型。
[0085]
本技术中构建的神经网络模型的输入数据维度n，其中，n满足n《m-2的条件，输入层神经元数目为n，输出层神经元数目为1。优选地，神经网络模型为多层感知机神经网络、循环神经网络、自编码器或卷积神经网络。
[0086]
具体到本实施例，该多层感知机神经网络的输入层神经元数目为1，隐含层层数为3，每层神经元数目均为10，且输出层神经元数目为1，如图2所示。
[0087]
模型训练模块用于基于逐步神经网络模型调整选取方法训练神经网络模型。
[0088]
基于逐步神经网络模型特征选取方法，遍历前述m维物理量数据，进行神经网络模型的训练。该模块包括第一训练单元、第二训练单元和第三训练单元。
[0089]
第一训练单元用于基于后退法，除去燃料电池系统的运行时间、性能指标等m-n个变量后，从剩余的n个工作条件中选取n-1个工作条件作为神经网络模型的输入，性能指标作为模型输出进行模型训练神经网络。这里的性能指标包括但不限于工作电压、燃料电池系统功率、燃料电池巡检电压方差等。
[0090]
第二训练单元用于基于前进法，除去燃料电池的运行时间、性能指标等m-n个工作
条件后，从去除的m-n-2个工作条件中选出1个，以n+1个工作条件作为神经网络模型输入，以性能指标作为模型输出进行模型训练。
[0091]
第三训练单元用于基于双向法，选取n+n维工作条件作为神经网络模型的输入(满足n》1-n且n《m-n-2)，以性能指标作为模型输出训练神经网络。这里的n满足n》1-n且n《m-n-2。从式中可以看出，当n＝1时，双向法退化为前进法；当n＝-1时，双向法退化为后退法。
[0092]
误差记录模块用于记录每轮模型训练的模型训练统计误差值。
[0093]
每次神经网络训练完成，将对应的模型训练统计误差进行记录，一般地，该模型训练统计误差为均方误差，均方误差如下式：
[0094][0095]
其中，{xi}为真值序列，模型训练预测值序列。该模型训练统计误差还可以选用模型训练预测值与真值的欧氏距离或马氏距离。
[0096]
量化计算模块用于根据模型训练统计误差值计算对应的工作条件的影响度。
[0097]
具体为，考察不同情形下神经网络训练的模型训练统计误差值，并依据该模型训练统计误差值确定各个工作条件对处于运行状态的燃料电池系统的工作性能的影响度，并对影响度进行排序。
[0098]
前述的后退法与前进法均为双向法的特例。该模块包括第一量化单元和第二量化单元。第一量化单元用于当n《0时，将工作条件的影响度定义为前述模型训练统计误差值；第二量化单元用于当n》0时，将工作条件的影响度定义为神经网络模型模型训练统计误差值的倒数。依据以上定义可计算对应工作条件的影响度数值并进行排序，从而为燃料电池运行全过程的工作条件适配提供依据。
[0099]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
[0100]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0101]
实施例三
[0102]
图6为本技术实施例的一种电子设备的框图。
[0103]
参考图6所示，其示出了适于用来实现本公开实施例中的电子设备的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0104]
如图6所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置606加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有电子设备操作所
需的各种程序和数据。处理装置601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0105]
通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置606；以及通信装置609。通信装置609可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0106]
实施例四
[0107]
本实施例提供了一种计算机可读的存储介质，该存储介质应用于电子设备。上述计算机可读的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该电子设备执行时，使得该电子设备能够实施实施例一中的影响度的量化分析方法。
[0108]
需要说明的是，本公开上述的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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0109]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0110]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做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实施例范围的所有变更和修改。
[0111]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0112]
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。