基于复合神经网络的退役动力电池容量的检测方法及系统与流程

1.本发明涉及电池管理领域，尤其涉及基于复合神经网络的退役动力电池容量的检测方法及系统。


背景技术：

2.随着电池储能技术的发展，以电池作为储能源的新能源汽车得到了广泛的普及。然而由于电池生产工艺的局限、不恰当的使用方式与安全考虑，目前大部分车用动力电池在使用4-5年后就不得不面临退役。而实际情况是，虽然这些退役动力电池难以满足车辆使用，但其储电能力仍能满足大量功耗要求较低的场景，如能快速对退役电池进行容量等性能的检测，并进行合理的梯度利用来充分发挥这些退役电池的价值，则能有效降低相关企业成本、提升资源利用率以及保护环境。
3.对动力电池容量进行快速检测并分组归类是对其进行梯度利用的重要环节，而检测的效率与成本也是制约动力电池回收的难点，离线物理检测手段针对单颗电池就需要数小时的时间才能完成测定且成本较高，所以通过软测量的方式对电池容量进行快速检测成为了当前研究与应用的热点。目前主流的电池容量软测量方法包括：1）安时积分法：其通过手动设定的初始容量、电效率等参数，通过对一定时间内的充放电电流积分来预测电池容量，然而这一方法极其依赖初始参数的精确性，且缺乏反馈校准，故对于大批量多工况电池测定时准确率较差；2）基于模型的方法：这类方法通常通过建立批次电池的电化学模型或等效电路模型来完成容量的预测，然而这类方法模型设计复杂且成本高昂，而且多需要求解复杂的偏微分方程组，实际应用中还面临着电池工况多变、模型参数在线调整等问题，故其准确性与实时性仍然欠佳。
4.因此，亟需本领域技术人员提供一种兼顾电池容量检测精度和实时性的方法。


技术实现要素：

5.本发明提供了基于复合神经网络的退役动力电池容量的检测方法及系统，用以解决如何兼顾电池容量检测精度和实时性的技术问题。
6.为解决上述技术问题，本发明提出的技术方案为：基于复合神经网络的退役动力电池容量的检测方法，包括：获取待检测电池的放电信号数据、交流阻抗数据、温度数据和开路电压数据；将放电信号数据转化为放电信号灰度值矩阵，将交流阻抗数据转化为交流阻抗灰度值矩阵；将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据和开路电压数据输入进复合神经网络预测模型，输出得到待检测电池的电池容量数据预测值。
7.优选的，将放电信号数据转化为放电信号灰度值矩阵，具体包括：将放电信号数据绘制为放电信号二维散点图，将放电信号二维散点图转化为放电信号灰度图像，将放电信号灰度图像转化为放电信号灰度值矩阵。
8.优选的，将交流阻抗数据转化为交流阻抗灰度值矩阵，具体包括：将交流阻抗数据绘制为交流阻抗二维散点图，将交流阻抗二维散点图转化为交流阻抗灰度图像，将交流阻抗灰度图像转化为交流阻抗灰度值矩阵。
9.优选的，构建复合神经网络预测模型包括以下步骤：获取多个电池的放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据、开路电压数据和电池容量数据；将一个电池的放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据、开路电压数据和电池容量数据关联为一个训练样本，得到多个训练样本；初始化复合神经网络预测模型；将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据、开路电压数据输入进复合神经网络预测模型，输出得到电池容量数据预测值；建立误差函数；通过反向传播配合优化算法对复合神经网络预测模型进行迭代优化更新，当达到设置的迭代轮数或经过设定迭代轮数误差函数的损失值满足设定阈值时，停止训练得到收敛的复合神经网络预测模型。
10.优选的，将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据和开路电压数据输入进复合神经网络预测模型，具体包括：将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据和开路电压数据进行标准化处理，然后将标准化处理后的数据输入复合神经网络预测模型。
11.优选的，温度数据和开路电压数据通过min-max标准化方法进行标准化处理。
12.优选的，复合神经网络预测模型包括卷积神经网络和全连接神经网络。
13.优选的，将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据和开路电压数据输入进复合神经网络预测模型，输出得到电池容量数据预测值，具体包括：将放电信号灰度值矩阵、交流阻抗灰度值矩阵输入进卷积神经网络，输出得到放电信号图像特征矩阵和交流阻抗图像特征矩阵，将放电信号图像特征矩阵和交流阻抗图像特征矩阵分别展开得到第一向量和第二向量，将第一向量和第二向量拼接为第三向量，再将第三向量、温度数据和开路电压数据输入进全连接神经网络，输出得到待检测电池的电池容量数据预测值。
14.本发明的实施例还提供了一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
15.本发明具有以下有益效果：1、本发明的基于复合神经网络的退役动力电池容量的检测方法及系统通过获取待检测电池的放电信号数据、交流阻抗数据、温度数据和开路电压数据；将放电信号数据转化为放电信号灰度值矩阵，将交流阻抗数据转化为交流阻抗灰度值矩阵；将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据和开路电压数据输入进复合神经网络预测模型，输出得到待检测电池的电池容量数据预测值，可以快速且精准地预测待检测电池的容量。
16.2、在优选方案中，本发明利用卷积神经网络和多层的全连接神经网络这一复合神经网络结构来提升输入电池工况变量（即放电信号数据、交流阻抗数据、温度数据和开路电
压数据）与电池容量之间的非线性拟合精度。
17.除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
18.构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是本发明优选实施例的基于复合神经网络的退役动力电池容量的检测方法的原理图；图2是本发明优选实施例的复合神经网络的工作示意图。
19.图3是本发明优选实施例中的检测方法在退役汽车动力电池电芯上的进行容量预测试验结果。
20.图4是本发明优选实施例中将放电信号数据绘制为放电信号二维散点图的示例。
21.图5是本发明优选实施例中将放电信号二维散点图转化为放电信号灰度图像的示例。
22.图6是本发明优选实施例中将放交流阻抗数据绘制为交流阻抗二维散点图的示例。
23.图7是本发明优选实施例中将放交流阻抗二维散点图转化为交流阻抗灰度图像的示例。
具体实施方式
24.以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
25.实施例1：参见图1，本发明的基于复合神经网络的退役动力电池容量的检测方法，包括：s1：获取待检测电池的放电信号数据、交流阻抗数据、温度数据和开路电压数据；s2：将放电信号数据转化为放电信号灰度值矩阵，将交流阻抗数据转化为交流阻抗灰度值矩阵；s3：将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据和开路电压数据输入进复合神经网络预测模型，输出得到待检测电池的电池容量数据预测值。
26.可选的，将放电信号数据转化为放电信号灰度值矩阵，具体包括：将放电信号数据绘制为放电信号二维散点图，将放电信号二维散点图转化为放电信号灰度图像，将放电信号灰度图像转化为放电信号灰度值矩阵。
27.在本可选的实施方式中，将待检测电池的放电信号数据绘制为放电信号二维散点图，其中放电信号二维散点图的横坐标为充分放电结束的时间，纵坐标为对应时间的放电电流，然后将放电信号二维散点图转化为放电信号灰度图像，最后将放电信号灰度图像转化为放电信号灰度值矩阵。
28.需要说明的是，放电信号灰度值矩阵为放电信号灰度图像的灰度值矩阵。
29.可选的，将交流阻抗数据转化为交流阻抗灰度值矩阵，具体包括：
将交流阻抗数据绘制为交流阻抗二维散点图，将交流阻抗二维散点图转化为交流阻抗灰度图像，将交流阻抗灰度图像转化为交流阻抗灰度值矩阵。
30.在本可选的实施方式中，将待检测电池的交流阻抗数据绘制为交流阻抗二维散点图，其中，交流阻抗二维散点图的横坐标为交流阻抗的实部值，纵坐标为交流阻抗的虚部值，然后将交流阻抗二维散点图转化为交流阻抗灰度图像，最后将交流阻抗灰度图像转化为交流阻抗灰度值矩阵。
31.需要说明的是，交流阻抗灰度值矩阵为交流阻抗灰度图像的灰度值矩阵。
32.可选的，构建复合神经网络预测模型包括以下步骤：获取多个电池的放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据、开路电压数据和电池容量数据；将一个电池的放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据、开路电压数据和电池容量数据关联为一个训练样本，得到多个训练样本；初始化复合神经网络预测模型；将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据、开路电压数据输入进复合神经网络预测模型，输出得到电池容量数据预测值；建立误差函数；通过反向传播配合优化算法对复合神经网络预测模型进行迭代优化更新，当达到设置的迭代轮数或经过设定迭代轮数误差函数的损失值满足设定阈值时，停止训练得到收敛的复合神经网络预测模型。
33.在本可选的实施方式中，初始化复合神经网络的参数，具体会被随机初始化并会被不断校准的参数为各层神经元分配给其各个输入的权重值以及加权求和时的偏置值，手动设定的包括卷积算子窗口大小、池化算子窗口大小、卷积算子移动步长、池化算子移动步长等超参数不参与随机初始化与调整；在构建复合神经网络预测模型过程中，每输入一个电池的放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据、开路电压数据，可以得到电池的电池容量数据预测值，将该电池的电池容量数据预测值与该电池的电池容量数据相减的差的平方作为此次电池容量预测的预测误差。实施时，可以将每n（n为正整数）个电池的预测误差的和作为复合神经网络预测模型的预测总误差，即误差函数，利用该误差函数进行迭代训练，并利用反向传播算法与adam优化器计算出各层神经元的每个参数在当前情况下的对应误差与调整值，并调整对应神经元的参数，当达到设置的迭代轮数或经过设定迭代轮数误差函数的损失值满足设定阈值时，停止训练得到收敛的复合神经网络预测模型。
34.实施时，可以将每10个电池的预测误差的和作为复合神经网络预测模型的预测总误差，即误差函数，利用该误差函数进行迭代训练。
35.可选的，将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据和开路电压数据输入进复合神经网络预测模型，具体包括：将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据和开路电压数据进行标准化处理，然后将标准化处理后的数据输入复合神经网络预测模型。
36.在本可选的实施方式中，放电信号灰度值矩阵和交流阻抗灰度值矩阵在标准化处理时，对放电信号灰度值矩阵和交流阻抗灰度值矩阵中的每个元素除以固定数值，以保证放电信号灰度值矩阵和交流阻抗灰度值矩阵中的每个元素在[0,1]内，实施时，可以对放电
信号灰度值矩阵和交流阻抗灰度值矩阵中的每个元素除以255来进行标准化处理。
[0037]
可选的，温度数据和开路电压数据通过min-max标准化方法进行标准化处理。
[0038]
在本可选的实施方式中，温度数据和开路电压数据数值型属性的数据通过min-max标准化方法映射到[0,1]内。
[0039]
可选的，复合神经网络预测模型包括卷积神经网络和全连接神经网络。在本可选的实施方式中，卷积神经网络的输出层与连接神经网络的输入层相连。
[0040]
可选的，将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据和开路电压数据输入进复合神经网络预测模型，输出得到电池容量数据预测值，具体包括：将放电信号灰度值矩阵、交流阻抗灰度值矩阵输入进卷积神经网络，输出得到放电信号图像特征矩阵和交流阻抗图像特征矩阵，将放电信号图像特征矩阵和交流阻抗图像特征矩阵分别展开得到第一向量和第二向量，将第一向量和第二向量拼接为第三向量，再将第三向量、温度数据和开路电压数据输入进全连接神经网络，输出得到待检测电池的电池容量数据预测值。
[0041]
需要说明的是，参见图2，复合神经网络预测模型包括卷积神经网络和全连接神经网络，第一向量为放电信号图像特征矩阵以固定方向与顺序展开得到，第二向量为交流阻抗图像特征矩阵以固定方向与顺序展开得到，将第一向量和第二向量按逐行拼接的方式展开为第三向量。
[0042]
此外，将第三向量、温度数据和开路电压数据输入进全连接神经网络，输出得到待检测电池的电池容量数据预测值，具体包括：将温度数据、开路电压数据拼接在第三向量的组成第四向量，将第四向量输入全连接神经网络，输出得到待检测电池的电池容量数据预测值，全连接神经网络中与输入直接相连的是第一层并被称之为输入层，最后一层输出预测结果的称之为输出层，输入层和输出层中间部分称之为隐藏层。在全连接神经网络中每一层中的每一个神经元会把本层的输入向量加权求和并加上一个偏置值再输入relu激活函数中，relu激活函数的计算结果作为该神经元的输出值，然后将同一层神经元的输出值按固定顺序组合为一个向量作为网络下一层的输入向量，然后重复一遍上述步骤，最后一层仅有一个神经元，其将自身的输入向量加权求和并加上偏置的结果作为复合神经网络对电池容量的预测。
[0043]
在本可选的实施方式中，复合神经网络预测模型包括卷积神经网络和全连接神经网络，将交流阻抗图像的灰度值矩阵和放电信号图像灰度值矩阵分别输入一个卷积神经元，卷积神经元的工作过程为：1）初始化这一卷积神经元的输出矩阵，输出矩阵内每个元素为当前卷积神经元输入的灰度矩阵对应空间位置上多个像素点灰度值的加权求和；2）利用卷积算子（filter）从图像的某一处开始将卷积算子窗口范围内的灰度值加权求和，并将加权求和结果输出到卷积输出矩阵对应位置；3）根据设定的移动步长不断移动卷积算子直至卷积输出矩阵每个位置的元素均被填充，即输入的灰度值矩阵被完整地扫描了一遍。本段中上述过程的意义在于将输入图像分割为若干块（每一块即为卷积算子一次移动后所能覆盖的全部像素点），然后利用加权求和对这一块图像特征的信息进行综合以及简化表达，从长时序信号的角度即为对于某一段时序信号进行加权采样，从而在保留关键信息的前提下缩短信号长度，而后通过在输出
矩阵中的位置来保留对应简化表达特征的空间信息即保留简化后时序信号的时间先后信息。
[0044]
再将卷积神经元的输出矩阵输入线性整流单元（rectified linear unit, relu）来为映射过程增加非线性，接着将经过relu映射的矩阵输入池化层，本发明中的最优结果采用了最大池化法（max pooling），具体为：1）初始化这一池化层的输出矩阵，池化输出矩阵每个元素为池化层输入矩阵对应空间位置上池化算子窗口范围内最大的元素；2）利用池化算子从图像的某一处开始，仅保留池化算子窗口范围内值最大的元素，并将其输出到池化输出矩阵对应位置；3）根据设定的步长不断移动池化算子直至池化输出矩阵每个位置的元素均被填充，即整个池化输入矩阵被扫描了一遍。
[0045]
此阶段的意义在于对经过卷积神经元抽象简化的图像矩阵首先利用relu激活函数增加映射过程的非线性。
[0046]
然后进一步简化表达，即利用池化层仅保留一定空间范围内的唯一重要点，池化层输出矩阵输入下一层中的卷积神经元、relu激活函数、池化层，重复一次上述步骤得到经过进一步抽象简化的图像特征矩阵（feature map），此时所得到的图像特征矩阵相比于初始输入灰度值矩阵维度得到了有效降低，关键信息更突出且各个特征的空间位置（即时间先后）得以保留。
[0047]
接着将卷积神经网络最后输出的图像特征矩阵以固定方向与顺序展开为一个向量，并将开路电压、测定时温度两个数值型条件属性拼接到该向量上，输入到多层的全连接神经网络中，用于拟合全部条件属性（包括经过抽象简化的交流阻抗图像特征矩阵、放电信号图像特征矩阵）与电池容量之间的非线性映射关系。
[0048]
上述的relu激活函数满足下式：其中，x为神经元各个输入的加权求和结果，max(0,x)代表如x大于0，则函数f(x)=x，而x小于0时，f(x)=0。
[0049]
全连接神经网络的工作过程为：1）对于单个神经元，其将输入向量中的每一个元素乘以一个权重并相加，再加上一个常数项偏置，最后经过一个激活函数（本发明中的优选实施例采用的是relu激活函数）作为当前神经元的输出；2）处于同一层的所有神经元的输出构成一个向量，作为下一层每个神经元的输入向量；3）最后一层仅有一个神经元，其输出值就是该复合神经网络对于电池容量的预测值。通过这样组合多层神经元，全连接神经网络可以以极高的精度去拟合输入向量与电池容量之间的映射关系。
[0050]
本发明的基于复合神经网络的退役动力电池容量的检测方法及系统通过获取待检测电池的放电信号数据、交流阻抗数据、温度数据和开路电压数据；将放电信号数据转化为放电信号灰度值矩阵（参见图4、图5），将交流阻抗数据转化为交流阻抗灰度值矩阵（参见图6、图7）；将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据和开路电压数据输入进
复合神经网络预测模型，输出得到待检测电池的电池容量数据预测值，可以快速且精准地预测待检测电池的容量。
[0051]
相比于将参量矩阵直接输入神经网络的现有其他电池容量预测方法，本发明所提出的将交流阻抗信号和放电信号转换为图像后以灰度值矩阵的方式输入复合神经网络的新方法可以有效保留信号中的时序信息，即通过图像中的坐标表示不同信号点的测得时间先后或对应阻抗大小，进而可以利用卷积神经网络这一可以保留图像空间位置信息的特征提取方法获得综合了信号大小信息与信号时序信息的抽象信号特征表示向量。因此，相比于仅根据信号值大小进行容量预测的传统方法，本发明中这一综合了时序信息的方法可以取得更好的预测效果。而且在88个真实退役汽车动力电池电芯上的实验证明了本发明所提出的方法的平均预测准确率超过了95%（平均预测误差《1ah）。实验结果如图3所示，其中点越靠近对角线代表预测越准。
[0052]
实施例2：一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0053]
该基于复合神经网络的退役动力电池容量的检测系统可以实现上述的基于复合神经网络的退役动力电池容量的检测方法的各个实施例，且能达到相同的有益效果，此处，不做赘述。
[0054]
综上可知，本发明通过获取待检测电池的放电信号数据、交流阻抗数据、温度数据和开路电压数据；将放电信号数据转化为放电信号灰度值矩阵，将交流阻抗数据转化为交流阻抗灰度值矩阵；将放电信号灰度值矩阵、交流阻抗灰度值矩阵、温度数据和开路电压数据输入进复合神经网络预测模型，输出得到待检测电池的电池容量数据预测值，可以快速且精准地预测待检测电池的容量。利用图像模态数据来表示交流阻抗与放电信号这两个长时序信号，同时使用复合神经网络结构来提升输入电池工况变量与电池容量之间的非线性拟合精度，解决了如何兼顾电池容量检测精度和实时性的技术问题。
[0055]
在本发明的实施方式的描述中，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。在本发明的实施方式的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0056]
在本发明的实施方式的描述中，需要说明的是，除非另有明确的规定和限定，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，也可以是电连接或可以相互通讯；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或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明的实施方式中的具体含义。
[0057]
在本说明书的描述中，参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0058]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0059]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0060]
应当理解，本发明的实施方式的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0061]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0062]
此外，在本发明的各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0063]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0064]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施方式进行变化、修改、替换和变型。