热泵热水器调试方法及装置与流程

1.本发明属于热泵热水器技术领域，具体涉及一种热泵热水器调试方法及装置。


背景技术：

2.热泵热水器仅采用少量的电能就能驱动热水器运行，再将空气中的低温热能吸收并转化为高温热能，进而加热水温，来满足生产生活中的热水需求。由于它仅消耗少量的逆循环净功，就可以得到较大的供热量，有效地把难以应用的低品位热能利用起来，达到节能目的，因而得到快速发展。
3.在研发过程中，传统的热泵热水器在调试时，通常由开发工程师根据经验或试验测试结果进行调试。然而，热泵热水器的控制参数由多因素共同确定，在待定控制参数较多的情况下，需要逐一进行调试才能得到较优的控制参数，不仅工作效率低，而且占据实验室时间和物质成本较高。调试结果主要依赖于工作人员的经验与能力，热泵热水器的调试效率太低，严重影响了产品开发的效率以及产品上市节奏。
4.因此，存在如何快速获取热泵热水器的控制参数以提高热泵热水器的调试效率的问题。


技术实现要素：

5.本发明提供一种热泵热水器调试方法及装置，以解决现有技术中如何快速获取热泵热水器较优控制参数以提高热泵热水器的调试效率的问题。
6.本发明的一方面提供一种热泵热水器调试方法，包括：
7.根据检测参数以及预设神经网络模型，确定待调试热泵热水器的控制参数；所述预设神经网络模型包括输入层、输出层以及隐含层神经元，所述输入层和所述输出层通过所述隐含层神经元建立映射关系，所述输入层的变量用于匹配所述检测参数，所述控制参数为所述输出层的输出参数；
8.根据所述控制参数对所述待调试热泵热水器进行控制。
9.如上所述的热泵热水器调试方法，可选地，在所述根据检测参数以及预设神经网络模型，确定待调试热泵热水器的控制参数之前，还包括：确定所述输入层的变量、所述输出层的变量以及所述隐含层神经元的数量，以建立所述预设神经网络模型；其中，所述输入层的变量包括：水箱出水与回水温差、室外温度与压缩机排气口温差、压缩机压力、蒸发器出口温度、冷凝器出口温度；所述输出层的变量包括：压缩机频率、风机转速、电子膨胀阀开合度、四通阀的换向状态。
10.如上所述的热泵热水器调试方法，可选地，所述建立所述预设神经网络模型，包括：
11.采集热泵热水器正常工作状态下的输入层标定数据以及输出层标定数据，以所述输入层标定数据作为输入值，以所述输出层标定数据作为期望输出值，划分训练集数据和验证集数据；
12.根据所述训练集数据训练bp神经网络模型，根据所述验证集数据验证并调整所述bp神经网络模型，直至满足预设条件，以输出所述预设神经网络模型。
13.如上所述的热泵热水器调试方法，可选地，所述隐含层神经元的数量根据以下公式计算：
14.其中，h为隐含层神经元的数量，m为输入层神经元数量，n为输出层神经元数量，a为常数1～10。
15.如上所述的热泵热水器调试方法，可选地，所述根据所述训练集数据训练bp神经网络模型，包括：
16.设置所述bp神经网络模型的权重参数的初始值以及最大训练次数；
17.通过模型训练获取计算输出值与所述期望输出值的训练误差；
18.判断所述训练误差是否达到预设精度，以及训练次数是否达到所述最大训练次数；
19.若所述训练误差未达到所述预设精度且所述训练次数未达到所述最大训练次数，则根据梯度下降法更新所述bp神经网络模型的权重参数，重复训练；
20.若所述训练误差达到所述预设精度或者所述训练次数达到所述最大训练次数，则结束训练。
21.如上所述的热泵热水器调试方法，可选地，所述bp神经网络模型的权重参数包括：输入层和隐含层的连接权重以及输出层和隐含层的连接权重。
22.本发明的另一方面提供一种热泵热水器调试装置，包括：
23.确定模块，用于根据检测参数以及预设神经网络模型，确定待调试热泵热水器的控制参数；所述预设神经网络模型包括输入层、输出层以及隐含层神经元，所述输入层和所述输出层通过所述隐含层神经元建立映射关系，所述输入层的变量用于匹配所述检测参数，所述控制参数为所述输出层的输出参数；
24.控制模块，用于根据所述控制参数对所述待调试热泵热水器进行控制。
25.如上所述的热泵热水器调试装置，可选地，还包括：模型建立模块，用于在所述根据检测参数以及预设神经网络模型，确定待调试热泵热水器的控制参数之前，确定所述输入层的变量、所述输出层的变量以及所述隐含层神经元的数量，以建立所述预设神经网络模型；其中，所述输入层的变量包括：水箱出水与回水温差、室外温度与压缩机排气口温差、压缩机压力、蒸发器出口温度、冷凝器出口温度；所述输出层的变量包括：压缩机频率、风机转速、电子膨胀阀开合度、四通阀的换向状态。
26.如上所述的热泵热水器调试装置，可选地，模型建立模块，还用于采集热泵热水器正常工作状态下的输入层标定数据以及输出层标定数据，以所述输入层标定数据作为输入值，以所述输出层标定数据作为期望输出值，划分训练集数据和验证集数据；
27.还用于根据所述训练集数据训练bp神经网络模型，根据所述验证集数据验证并调整所述bp神经网络模型，直至满足预设条件，以输出所述预设神经网络模型。
28.如上所述的热泵热水器调试装置，可选地，所述隐含层神经元的数量根据以下公式计算：
29.其中，h为隐含层神经元的数量，m为输入层神经元数量，n为输出层神经元数量，a为常数1～10。
30.如上所述的热泵热水器调试装置，可选地，模型建立模块，还用于设置所述bp神经网络模型的权重参数的初始值以及最大训练次数；
31.通过模型训练获取计算输出值与所述期望输出值的训练误差；
32.判断所述训练误差是否达到预设精度，以及训练次数是否达到所述最大训练次数；
33.若所述训练误差未达到所述预设精度且所述训练次数未达到所述最大训练次数，则根据梯度下降法更新所述bp神经网络模型的权重参数，重复训练；
34.若所述训练误差达到所述预设精度或者所述训练次数达到所述最大训练次数，则结束训练。
35.如上所述的热泵热水器调试装置，可选地，所述bp神经网络模型的权重参数包括：输入层和隐含层的连接权重以及输出层和隐含层的连接权重。
36.本发明的另一方面还提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器；
37.所述存储器存储计算机执行指令；
38.所述处理器执行所述存储器存储的计算机执行指令，以实现如前述的任一项所述的方法。
39.本发明的另一方面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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如前述的任一项所述的方法。
40.本发明的另一方面还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如前述的任一项所述的方法。
41.本发明提供的热泵热水器调试方法，根据检测参数以及预设神经网络模型，确定待调试热泵热水器的控制参数；所述预设神经网络模型包括输入层、输出层以及隐含层神经元，所述输入层和所述输出层通过所述隐含层神经元建立映射关系，所述输入层的变量用于匹配所述检测参数，所述控制参数为所述输出层的输出参数；根据所述控制参数对所述待调试热泵热水器进行控制。其中，可根据检测参数以及预设神经网络模型直接获取待调试热泵热水器的控制参数，获取速度快，也无需再通过研发人员逐一实际运行待调试热泵热水器，不仅节约了调试的时间成本和物质成本，调试成功率也不再依赖于研发人员，极大提高了热泵热水器的调试效率。
附图说明
42.以下结合附图对本发明的具体实施方式进行详细说明，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，本发明不局限于下述的具体实施方式。
43.图1为本发明实施例一提供的热泵热水器调试方法的流程示意图；
44.图2为本发明实施例一提供的建立预设神经网络模型的流程示意图；
45.图3为本发明实施例一提供的训练bp神经网络模型的流程示意图；
46.图4为本发明实施例一提供的预设神经网络模型的示意图；
47.图5为本发明实施例二提供的热泵热水器调试装置的结构示意图；
48.图6为本发明实施例三提供的电子设备的结构示意图。
具体实施方式
49.以下结合附图对本发明的具体实施方式进行详细说明，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，本发明不局限于下述的具体实施方式。
50.随着经济的快速发展与人们生活品位的提高，生活用热水已成为人们的生活必需品。热泵热水器通过将空气中的低温热能吸收，并转化为高温热能，再加热水温，以提供生活热水。热泵热水器因其具有节能和高效的特点，成为当今世界上最先进的能源利用产品之一。
51.但是，传统的热泵热水器的调试通常基于经验进行，根据一定的经验或规则设定控制参数，再控制热泵热水器基于该控制参数逐一运行，如果运行结果没有达到预期，则继续根据研发调试人员的经验和预设规则修改控制参数，再实际运行继续测试，直至运行结果达到预期。一方面，该方法在待定参数较多的情况下，不仅调试工作效率低，而且需要占据大量实验室时间成本和物质成本；另一方面，设定控制参数与调试人员的工作经验与能力直接挂钩，导致调试结果随人员变动太大，目标控制参数的获取速度太慢，导致热泵热水器的调试效率太低。
52.为了提高热泵热水器的调试效率，本发明提供一种热泵热水器调试方法及装置，先通过检测参数和预设神经网络模型确定待调试热泵热水器的控制参数，再对待调试热泵热水器进行控制。本方法无需再通过逐一测试的方法获取热泵热水器的控制参数，可以通过预设神经网络模型快速获取，提高了热泵热水器的调试效率。
53.以下对本技术实施例提供的热泵热水器调试方法及装置进行详细介绍。
54.实施例一
55.图1为本发明实施例一提供的热泵热水器调试方法的流程示意图。
56.参照图1所示，本实施例提供一种热泵热水器调试方法，本实施例的执行主体可以为热泵热水器控制装置或者与热泵热水器控制装置连接的处理器。该方法包括：
57.s101、根据检测参数以及预设神经网络模型，确定待调试热泵热水器的控制参数。
58.其中，预设神经网络模型包括输入层、输出层以及隐含层神经元，输入层和输出层通过隐含层神经元建立映射关系，输入层的变量用于匹配检测参数，控制参数为输出层的输出参数。
59.具体地，预设神经网络模型包括输入层、输出层以及隐含层神经元，在预设神经网络模型中，输入层和输出层通过隐含层神经元建立连接关系，以建立输入层和输出层的映射关系。也即，根据输入层即可确定输出层。
60.在本实施例中，输入层的变量为热泵热水器的检测参数，输出层的输出参数为热泵热水器的控制参数。根据热泵热水器的检测参数和预设神经网络模型，即可确定热泵热水器的控制参数。若输入层的变量为待调试热泵热水器的检测参数，则通过预设神经网络模型输出的输出参数即为待调试热泵热水器的控制参数。
61.可选地，根据检测参数以及预设神经网络模型，确定待调试热泵热水器的控制参
数之前，还包括：
62.确定输入层的变量、输出层的变量以及隐含层神经元的数量，以建立预设神经网络模型；其中，输入层的变量包括：水箱出水与回水温差、室外温度与压缩机排气口温差、压缩机压力、蒸发器出口温度、冷凝器出口温度；输出层的变量包括：压缩机频率、风机转速、电子膨胀阀开合度、四通阀的换向状态。
63.具体地，神经网络模型包括输入层、输出层以及隐含层神经元，因此，在预设神经网络模型的组建过程中，需要首先确定输入层的变量、输出层的变量以及隐含层神经元的数量。
64.其中，输入层的变量是对热泵热水器的输出结果产生影响的依据因素；而输出层的变量是导致热泵热水器有上述输出结果的实际控制因素；而隐含层的数量一般通过输入层和输出层结合一定的算法获得。
65.在一些实施例中，输入层的变量包括5个变量，分别为：热泵热水器的水箱的出水和回水温差、室外温度与压缩机排气口温差、压缩机压力、蒸发器出口温度、冷凝器出口温度。输出层的变量包括4个变量，分别为：压缩机频率、风机转速、电子膨胀阀开合度、四通阀的换向状态。
66.也即，通过获取待调试热泵热水器的5个检测参数：水箱出水和回水温差、室外温度与压缩机排气口温差、压缩机压力、蒸发器出口温度、冷凝器出口温度，结合预设神神经网络模型，即可确定该待调试热泵热水器对应的4个控制参数：压缩机频率、风机转速、电子膨胀阀开合度、四通阀的换向状态。
67.其中，本技术对如何获取待调试热泵热水器的检测参数不做限制。示例性地，可以通过安装温度传感器、压力传感器等获取。
68.此外，为了计算方便，还可以对检测参数和控制参数进行一定的处理，本技术不做限制。
69.可选地，隐含层神经元的数量可以根据以下公式计算：
70.其中，h为隐含层神经元的数量，m为输入层神经元数量，n为输出层神经元数量，a为常数1～10。
71.示例性地，当输入层神经元数量m为5，输出层神经元数量n为4时，隐含层神经元的数量a为1～10的常数，即隐含层神经元的数量h可以为4～10，具体数量可在模型训练过程中不断调整，本技术不做具体限制。
72.在确定输入层的变量、输出层的变量以及隐含层神经元的数量之后，需要建立预设神经网络模型。
73.可选地，在一些实施例中，预设神经网络模型的建立可以如图2所示，图2为本发明实施例一提供的建立预设神经网络模型的流程示意图。
74.参照图2所示，预设神经网络模型的建立包括：
75.s201、采集热泵热水器正常工作状态下的输入层标定数据以及输出层标定数据，以输入层标定数据作为输入值，以输出层标定数据作为期望输出值，划分训练集数据和验证集数据。
76.具体地，采集热泵热水器正常工作状态下的多组输入层标定数据以及对应的输出层标定数据。即，采集多组热泵热水器正常工作状态下的水箱出水和回水温差、室外温度与压缩机排气口温差、压缩机压力、蒸发器出口温度、冷凝器出口温度，作为bp数据网络模型的输入值x；以及采集对应工作状态下的热泵热水器的压缩机频率、风机转速、电子膨胀阀开合度、四通阀的换向状态，作为bp数据网络模型的期望输出值o。并将采集到的多组数据随机分为训练集数据和验证集数据。
77.其中，bp神经网络模型是一种按照误差逆向传播算法训练的多层前馈神经网络模型，是目前应用最广泛的神经网络模型之一。
78.s202、根据训练集数据训练bp神经网络模型，根据验证集数据验证并调整bp神经网络模型，直至满足预设条件，以输出预设神经网络模型。
79.具体地，根据上述步骤s201划分的训练集数据训练bp神经网络模型，并根据验证集数据验证并调整bp神经网络模型，直至满足预设条件，输出的bp神经网络模型即为预设神经网络模型。
80.可选地，在一些实施例中，根据训练集数据训练bp神经网络模型的过程包括如图3所示的流程。图3为本发明实施例一提供的训练bp神经网络模型的流程示意图。
81.参照图3所示，根据训练集数据训练bp神经网络模型，包括：
82.s301、设置bp神经网络模型的权重参数的初始值以及最大训练次数。
83.其中，bp神经网络模型的权重参数包括：输入层和隐含层的连接权重以及输出层和隐含层的连接权重。
84.具体地，在训练bp神经网络模型前还需设置bp神经网络模型中输入层和隐含层的连接权重的初始值、输出层和隐含层的连接权重的初始值、以及模型的最大训练次数。本技术对设置的具体数值不做限制。
85.可选地，在一些实施例中，bp神经网络模型的输入层和隐含层对应的连接权重的初始值可以根据以下公式计算：
86.将训练集数据中输入值的最小值与最大最小值差所占比例的权重补偿值的和作为该神经元位号下的连接权重的权重初始值。其中，s为输入层的神经元位号，j为隐含层中的神经元位号，q为该输入层神经元位号的第q个数据，min xs为训练集中第s输入层神经元的输入值的最小值，max xs为训练集中第s输入层神经元的输入值的最大值，e
sj
为第s输入层和第j隐含层的连接权重。
87.示例性地，e
11
为第一输入层和第一隐含层的连接权重，e
21
为第二输入层和第一隐含层的连接权重，e
22
为第二输入层和第二隐含层的连接权重，以此类推，每个输入层和每个隐含层之间都有对应的连接权重。
88.同理，每个输出层和每个隐含层之间也有对应的连接权重。输出层和隐含层的连接权重的初始值可以根据以下公式计算：
89.将训练集数据中期望输出值的最小值与最大最小值差所占比例的权重补偿值的和作为该神经元位号下的连接权重的权重初始值。
90.其中，k为输出层的神经元位号，j为隐含层中的神经元位号，q为该输出层神经元位号的第q个数据，min ok为训练集中第k输出层神经元的期望输出值的最小值，max ok为训练集中第k输出层神经元的期望输出值的最大值，w
kj
为第k输出层和第j隐含层的连接权重。
91.示例性地，w
11
为第一输出层和第一隐含层的连接权重，w
21
为第二输出层和第一隐含层的连接权重，w
22
为第二输出层和第二隐含层的连接权重，以此类推，每个输出层和每个隐含层之间都有对应的连接权重。
92.其中，输入层和隐含层的连接权重的数量，以及输出层和隐含层的连接权重的数量，与输入层的变量数量、输出层的变量数量、隐含层神经元的数量直接相关。
93.s302、通过模型训练获取计算输出值与期望输出值的训练误差。
94.具体地，在上述设置bp神经网络模型的权重参数的初始值以及最大训练次数之后，即可根据训练集数据对bp神经网络模型进行模型训练。在模型训练过程中，根据训练集数据中的每一组输入值x，均可获得对应的一组计算输出值y。然后，就可以获取计算输出值y与期望输出值o的训练误差e。
95.其中，训练误差e的获取可以按以下公式计算：
96.其中，t为训练次数，e
t
为第t次训练的训练误差，n为输出层神经元数量，yk为该次训练中第k输出层的计算输出值，ok为与计算输出值对应的第k输出层的期望输出值。
97.s303、判断训练误差是否达到预设精度，以及训练次数是否达到最大训练次数。
98.具体地，计算训练误差e后，将训练误差与预设精度进行对比，判断训练误差是否达到预设精度，并且判断训练次数是否达到最大训练次数，以确定训练是否结束。
99.其中，本技术对预设精度的设置不做限制。在一实施例中，预设精度可以设置为范围1％～5％。
100.s304、若训练误差未达到预设精度且训练次数未达到最大训练次数，则根据梯度下降法更新bp神经网络模型的权重参数，重复训练。
101.其中，梯度下降是迭代法的一种，可以用于求解最小二乘问题。在求解机器学习算法的模型参数时，梯度下降是最常采用的方法之一。
102.具体地，bp神经网络模型的权重参数包括输入层和隐含层的连接权重以及输出层和隐含层的连接权重，更新权重时，需要分别计算下一次训练的bp神经网络模型中的所有权重参数。
103.其中，输入层和隐含层的连接权重的更新可以根据以下公式计算：
104.其中，e
sj
(t)为第s输入层和第j隐含层第t次模型训练的连接权重；e
sj
(t-1)为第s输入层和第j隐含层第t-1次模型训练的连接权重；e
(t-1)
为第t-1次模型训练的训练误差；η为梯度布长，一般取值为0.1～0.7。
105.同理，输出层和隐含层的连接权重的更新可以根据以下公式计算：
106.其中，w
kj
(t)为第k输出层和第j隐含层第t次模型训练的连接权重；w
kj
(t-1)为第k输出层与第j隐含层第t-1次模型训练的连接权重；e
(t-1)
为第t-1次模型训练的训练误差；η为梯度布长，一般取值为0.1～0.7。
107.在更新bp神经网络模型的权重参数之后，继续重复训练，直至训练误差达到预设精度或者训练次数达到最大训练次数。
108.s305、若训练误差达到预设精度或者训练次数达到最大训练次数，则结束训练。
109.具体地，当训练误差达到预设精度或者训练次数达到最大训练次数时，则结束训练，输出训练后的bp神经网络模型。
110.然后，再根据验证集数据验证并调整训练后的bp神经网络模型，直至满足预设条件，以输出预设神经网络模型。
111.其中，根据验证集数据验证bp神经网络模型是为了确定训练后的bp神经网络模型的准确性，调整bp神经网络模型是为了使基于bp神经网络模型输出的计算输出值符合热泵热水器的控制参数的控制范围。
112.其中，本技术对预设条件的具体形式不做限制。在一些实施例中，预设条件可以为，基于验证集数据中的每组输入值，训练后的bp神经网络模型输出的每组计算输出值与期望输出值的训练误差都在预设精度范围内。
113.以上在根据训练集数据训练bp神经网络模型，并根据验证集数据验证并调整训练后的bp神经网络模型后，输出的bp神经网络模型即为预设神经网络模型。
114.示例性地，图4为本发明实施例一提供的预设神经网络模型的结构示意图。参照图4所示，预设神经网络模型包括5个输入层、多个隐含层、4个输出层，每个输入层和隐含层之间以及每个输出层和隐含层之间都有对应的连接权重。
115.在实际应用中，即可根据待调试热泵热水器的检测参数以及上述预设神经网络模型，确定待调试热泵热水器的控制参数。
116.s102、根据控制参数对待调试热泵热水器进行控制。
117.具体地，在根据检测参数以及预设神经网络模型，确定待调试热泵热水器的控制参数之后，即可将该控制参数应用于待调试热泵热水器中，以控制该待调试热泵热水器。
118.本实施例提供的热泵热水器调试方法，根据检测参数以及预设神经网络模型，确定待调试热泵热水器的控制参数，再根据控制参数对待调试热泵热水器进行控制。可根据检测参数以及预设神经网络模型直接获取待调试热泵热水器的控制参数，获取速度快，也无需再通过研发人员逐一实际运行待调试热泵热水器，不仅节约了调试的时间成本和物质成本，调试成功率也不再依赖于研发人员，极大提高了热泵热水器的调试效率。
119.实施例二
120.图5为本发明实施例二提供的热泵热水器调试装置的结构示意图。
121.参照图5所示，本实施例提供一种热泵热水器调试装置50，包括：确定模块501和控制模块502。
122.其中，确定模块501，用于根据检测参数以及预设神经网络模型，确定待调试热泵
processor，dsp)、专用集成电路(application specific integrated circuit，asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
138.此外，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，该计算机执行指令被处理器执行时用于实现如前述任一项的热泵热水器调试方法。
139.本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
140.本发明实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序被处理器执行时用于实现如前述任一项的热泵热水器调试方法。
141.需要说明的是，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至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
142.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；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，除非另有明确的限定。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中的具体含义。
143.在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
144.在以上描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例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例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
145.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范围。