本发明涉及蓄电池健康管理技术，特别涉及一种锂离子蓄电池容量退化预测评估方法。
背景技术：
由于锂电池具有重量轻、能量密度高等优点，如今已经广泛应用于许多产品中，诸如电动车、混合动力车以及其他方面。实际情况中，为了保证安全高效与极佳的使用体验，电池健康系统对每个电池组来说都是必不可少的。针对电池健康系统的研究主要着眼于荷电状态、健康状态、寿命状态这三个关键因素，为了对电池使用情况进行有效管理，确保预期任务的完成以及尽可能延长使用寿命，以上三个因素的相关信息会用于决定电池之后的使用准则。同时，相应的维护费用和安全风险也会减小。
作为电池健康系统的关键方面，电池容量退化模型对电池应用与技术研究十分重要。几十年来，数量可观的电池容量退化模型被研究，文献Y.Cheng,C.Lu, T.Li,and L.Tao,"Residual lifetime prediction for lithium-ion battery based on functional principal component analysis and Bayesian approach,"Energy,vol.90,pp. 1983-1993,2015.中研究了一种基于功能主成分分析和贝叶斯方法的残余寿命评估方法；文献C.Lu,L.Tao,and H.Fan,"Li-ion battery capacity estimation:a geometrical approach,"J.Power Sources,vol.261,pp.141-147,2014利用拉普拉斯特征映射方法与测地线进行电池容量的估计；文献J.Yi,J.Lee,C.B.Shin,T.Han, and S.Park,"Modeling of the transient behaviors of a lithium-ion battery during dynamic cycling,"J.Power Sources,vol.277,pp.379-386,2014.描述了名为“第一原则”电气模型的锂电池瞬态行为的建模方法；文献R.Spotnitz,"Simulation of capacity fade in lithium-ion batteries,"J.Power Sources,vol.113,pp.72-80,2003.的富勒模型被用于描述锂电池负极的容量衰减过程，这些建模方法准确度高但在物理化学上高度复杂。由于热老化是对电池容量衰减影响最大的因素之一，文献 Y.Liaw,R.G.Jungst,G.Nagasubramanian,H.L.Case,and D.H.Doughty, "Modeling capacity fade in lithium-ion cells,"J.Power Sources,vol.140,pp.157-161, 2005.应用等效电路模型描述热老化过程中锂电池容量衰减现象。文献M.Einhorn, F.V.Conte,C.Kral,and J.Fleig,"A Method for Online Capacity Estimation of Lithium Ion Battery Cells Using the State of Charge and the Transferred Charge," IEEE T.Ind.Appl.,vol.48,pp.736-741,2012.利用荷电状态与开路电压预测电池容量；文献Hoenig S,Singh H,Palanisamy T G,et al.Method and apparatus for predicting the available energy of a battery:US,US 6618681B2[P].2003.提出了一种多元线性模型，用于确定内阻和预测的电池容量之间的关系；文献Plett GL. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs.J Power Sources 2004.将特殊参数模型统一到拓展卡尔曼滤波器用于估计电池容量。
迄今为止，前文提到的众多方法取得了不错的成果，电池容量的预测精度也在不断提高，但是以上方法仍存在一些问题：
(1)已经提出的方法是在电池容量衰退过程不可逆的前提下进行研究的，然而实际现象并非如此，在动态衰减过程的闲置时间空档中，电池会经历容量恢复效应，导致上述方法在精确度上存在一定偏差。
(2)模型的准确度依赖于已知的使用情况，在工况发生改变时无法有效预测。
(3)预测结果高度依赖于模型的准确性，然而模型在物理化学上高度复杂，实际应用中很难建立足够精准的模型。
因此，如何提高电池容量退化预测评估的准确度是当前本领域技术人员亟待解决的技术问题。
技术实现要素：
本发明的目的在于提供一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法，能更好地解决电池容量退化预测评估问题。
本发明提供的一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法，所述方法包括：
在锂离子电池容量衰减过程中，确定表征电池容量自恢复状态的参数特征；
利用所述表征电池容量自恢复状态的参数特征的已知数据及对应的容量恢复量，对随机森林回归模型进行训练，得到经过训练的随机森林回归模型；
利用所述经过训练的随机森林回归模型，对所述表征电池容量自恢复状态的参数特征的未知数据进行处理，得到容量恢复量预测值；
根据所述容量恢复量预测值，对锂离子电池容量退化进行预测评估，得到锂离子电池状态退化预测结果。
优选地，所述在锂离子电池容量衰减过程中，确定表征电池容量自恢复状态的参数特征包括：
在所述锂离子电池容量衰减过程中，从充电循环、放电循环、阻抗测量分别获取三个循环阶段的数据；
从所述三个循环阶段的数据中提取表征电池容量自恢复状态的参数特征，所述参数特征包括静置时长和放电深度。
优选地，所述静置时长包括：
表征相邻两次充电时间间隔的充电静置时长；
表征相邻两次放电时间间隔的放电静置时长；
表征相邻两次阻抗测量时间间隔的阻抗测量静置时长。
优选地，所述静置时长还包括交叉静置时长，所述交叉静置时长包括：
表征相邻的放电和充电时间间隔的第一交叉静置时长；
表征相邻的放电和充电时间间隔在相邻循环的差值的第二交叉静置时长；
表征相邻的充电和放电时间间隔的第三交叉静置时长；
表征相邻的充电和放电时间间隔在相邻循环的差值的第四交叉静置时长；
表征阻抗测量时间与充电时间的间隔的第五交叉静置时长；
表征阻抗测量时间与充电时间的间隔在相邻循环的差值的第六交叉静置时长；
表征阻抗测量时间与放电时间的间隔第七交叉静置时长；
表征阻抗测量时间与放电时间的间隔在相邻循环的差值的第八交叉静置时长；
表征充电时间与阻抗测量时间的间隔第九交叉静置时长；
表征充电时间与阻抗测量时间的间隔在相邻循环的差值的第十交叉静置时长；
表征放电时间与阻抗测量时间的间隔第十一交叉静置时长；
表征放电时间与阻抗测量时间的间隔在相邻循环的差值的第十二交叉静置时长。
优选地，所述参数特征还包括当前放电循环与相邻较大放电时间间隔的放电循环的距离。
优选地，所述参数特征还包括循环周期，其中一个循环周期包括充电循环、阻抗测量、放电循环三个循环阶段。
优选地，所述利用所述表征电池容量自恢复状态的参数特征的已知数据及对应的容量恢复量，对随机森林回归模型进行训练，得到经过训练的随机森林回归模型包括：
将所述表征电池容量自恢复状态的参数特征的已知数据作为自变量，将所述已知数据及对应的容量恢复量作为因变量，对所述随机森林回归模型进行训练，得到经过训练的随机森林回归模型。
优选地，所述随机森林回归模型是基于决策树的随机森林回归模型。
优选地，所述根据所述容量恢复量预测值，对锂离子电池容量退化进行预测评估，得到锂离子电池状态退化预测结果包括：
将已知的第一次充放电循环的放电容量与随后每次充放电循环的容量恢复量预测值累加，得到所述锂离子电池状态退化预测结果。
本发明考虑到锂离子电池(以下简称锂电池)的容量自恢复效应，首先选取能体现自恢复过程的参数特征，其次利用随机森林回归模型(例如基于决策树的随机森林回归模型)对选取的样本特征进行训练并预测，最后基于随机森林回归模型的预测结果进行分析，最终实现对电池容量的估计预测，能更好地提高电池容量退化预测评估的准确度。
附图说明
下面的附图是本发明说明书的一部分，其绘出了本发明的示意性实施例，所附附图与说明书的描述一起用来说明本发明的原理。
图1是本发明实施例的实现流程图；
图2是锂电池容量衰减过程中提取的相关特征示意图；
图3是建立随机森林回归模型的基本思路示意图；
图4是基于随机森林方法的电池容量预测评估结果示意图；
图5是基于SVR方法的电池容量预测评估结果示意图；
图6是本发明的基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法的示意性流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明的主要实施例进行详细叙述，所属技术领域技术人员在了解本发明内容的实施例后，对本发明内容加以修饰或改变，并不脱离本发明的范围。本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包括但不限于。
图6是本发明的基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法的示意性流程图，如图6所示，所述方法包括：
步骤S101：在锂离子电池容量衰减过程中，确定表征电池容量自恢复状态的参数特征。
锂电池每次充放电循环包括三个循环阶段，分别是充电循环、放电循环、阻抗测量。步骤S101在锂离子电池容量衰减过程中，分别获取上述三个循环阶段的数据，并从中提取表征电池容量自恢复状态的参数特征，所述参数特征包括静置时长和放电深度。
所述参数特征包括静置时长，由于每次充放电循环包括上述三个循环阶段，因此本实施例的所述静置时长可以包括：表征相邻两次充电时间间隔的充电静置时长；表征相邻两次放电时间间隔的放电静置时长；表征相邻两次阻抗测量时间间隔的阻抗测量静置时长。作为另一实施例，所述静置时长还可以包括交叉静置时长，所述交叉静置时长包括：表征相邻的放电和充电时间间隔的第一交叉静置时长；表征相邻的放电和充电时间间隔在相邻循环的差值的第二交叉静置时长；表征相邻的充电和放电时间间隔的第三交叉静置时长；表征相邻的充电和放电时间间隔在相邻循环的差值的第四交叉静置时长；表征阻抗测量时间与充电时间的间隔的第五交叉静置时长；表征阻抗测量时间与充电时间的间隔在相邻循环的差值的第六交叉静置时长；表征阻抗测量时间与放电时间的间隔第七交叉静置时长；表征阻抗测量时间与放电时间的间隔在相邻循环的差值的第八交叉静置时长；表征充电时间与阻抗测量时间的间隔第九交叉静置时长；表征充电时间与阻抗测量时间的间隔在相邻循环的差值的第十交叉静置时长；表征放电时间与阻抗测量时间的间隔第十一交叉静置时长；表征放电时间与阻抗测量时间的间隔在相邻循环的差值的第十二交叉静置时长。
所述参数特征还可以包括当前放电循环与相邻较大放电时间间隔的放电循环的距离。
所述参数特征还可以包括充放电循环的循环周期。
步骤S102：利用所述表征电池容量自恢复状态的参数特征的已知数据及对应的容量恢复量，对随机森林回归模型进行训练，得到经过训练的随机森林回归模型。
实施时，将所述表征电池容量自恢复状态的参数特征的已知数据(或训练数据或训练样本数据)作为自变量，将所述已知数据及对应的容量恢复量作为因变量，对所述随机森林回归模型进行训练，得到经过训练的随机森林回归模型。
在一个实施例中，所述随机森林回归模型是基于决策树的随机森林回归模型。
步骤S103：利用所述经过训练的随机森林回归模型，对所述表征电池容量自恢复状态的参数特征的未知数据进行处理，得到容量恢复量预测值。
步骤S104：根据所述容量恢复量预测值，对锂离子电池容量退化进行预测评估，得到锂离子电池状态退化预测结果。
实施时，将已知的第一次充放电循环的放电容量与随后每次充放电循环的容量恢复量预测值累加，得到所述锂离子电池状态退化预测结果。
本发明在考虑锂电池容量自恢复效应的情况下，提出一种锂离子电池容量退化预测评估方法，能够精确的估计并预测电池的最大容量，且无需构造基于复杂电化学机制的模型。
下面结合图1至图5，对本发明实施例进行详细描述。
图1是本发明实施例的实现流程图，如图1所示，本发明提供的一种锂离子电池容量退化预测评估方法包括：基于锂离子电池容量自恢复效应的特征量建立随机森林回归模型，应用所述随机森林回归模型对待测锂离子电池进行容量退化预测评估。所述基于锂离子电池容量自恢复效应的特征量建立随机森林回归模型包括：1、提取电池样本在不同放电深度下的特征量。为了实现容量自恢复效应下的电池容量预测，首先需要寻找能够表征在电池容量衰减过程中容量恢复状态的特征量。考虑到电池在加速寿命实验中存在三种循环，即充电、放电、阻抗测量，本发明从三种循环的数据中提取两方面的特征量：静置时长、Stop-SoC(放电深度)。静置时长包括放电静置、充电静置、阻抗测量静置与多种交叉静置； Stop-SoC由放电深度表征；考虑充放电的循环周期。以上，共计18个特征量。2、构建基于决策树的随机森林回归模型。基于决策树的随机森林回归模型属于已有技术，是由一系列决策树h(X,θk),k＝1,…,n组成的回归模型。其中k是决策树的数目，X是输入样本向量，θk表示第k棵树的参数向量。随机森林回归模型的基本思想是利用bootstrap重抽样方法从训练样本集中有放回地随机抽取多个样本构成子训练样本集，并对每个子训练样本集分别构建一颗决策树，如此重复得到若干棵决策树。然后对每个测试样本求取所有决策树的输出结果的平均值作为最终预测结果。3、利用基于决策树的随机森林回归模型对选取的样本特征进行训练并预测，得到锂离子电池容量退化预测评估结果。利用前述提取的18个特征量对基于决策树的随机森林模型进行训练，可以得到预测数据，由于随机森林模型很好的避免过度拟合效果，预测信息不容易出现过拟合。通过预测数据进一步处理得到基于随机森林模型的电池容量预测评估数据。
其中，在特征提取方面，能够提取锂电池样本在不同放电深度下的特征数据。具体地说，为了实现容量自恢复效应下的电池容量预测，首先需要寻找能够表征在电池容量衰减过程中容量恢复状态的特征量。例如，考虑到电池在加速寿命实验中存在三种循环，即充电、放电、阻抗测量，本发明从三种循环的数据中提取两方面的特征量：静置时长、Stop-SoC。静置时长包括放电静置、充电静置、阻抗测量静置与多种交叉静置；Stop-SoC由放电深度表征；考虑充放电的循环周期。以上，共计18个特征量。
其中，在模型构建方面，建立基于决策树的随机森林回归模型。随机森林回归算法是已有算法，随机森林回归算法是由一系列决策树h(X,θk),k＝1,…,n组成的回归模型。其中k是决策树的数目，X是输入样本向量，θk表示第k棵树的参数向量。随机森林回归模型的基本思想是利用bootstrap重抽样方法从训练样本集中有放回地随机抽取多个样本构成子训练样本集，并对每个子训练样本集分别构建一颗决策树，如此重复得到若干棵决策树。然后对每个测试样本求取所有决策树的输出结果的平均值作为最终预测结果。
其中，在模型训练与预测方面，利用基于决策树的随机森林回归模型对选取的样本特征进行训练并预测。例如利用所提取的18个特征量对基于决策树的随机森林回归模型进行训练，可以得到预测数据。
由于随机森林回归模型很好的避免过度拟合效果，预测信息不容易出现过拟合。由电池原理可知，电池容量能够被电流与对应时间表征，因此通过预测数据进一步处理得到基于随机森林回归模型的电池容量预测评估数据。
由于本发明实施例有效考虑了锂离子电池的容量自恢复效应，因而能够提升容量退化预测评估精度，适用于不同用户不同使用方式情况下的容量波动分析及退化预测评估，同时由于采用随机森林回归模型，有效克服了决策树对容量退化曲线过度拟合的不足。
应用实例1
(一)锂离子电池容量退化预测。
以来自美国宇航局(NASA)Ames实验中心的锂离子电池循环退化试验研究的锂离子实验数据为例，基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法的实施步骤如下：
步骤一、提取电池样本在不同放电深度下的特征量。
为了实现容量自恢复效应下的电池容量预测，首先需要寻找能够表征在电池容量衰减过程中容量恢复状态的特征量。考虑到电池在加速寿命实验中存在三种循环，即充电、放电、阻抗测量，本发明从三种循环的数据中提取两方面的特征量：静置时长、Stop-SoC。本次研究中采用锂离子电池B0005、B0006、B0007、 B0018的实验数据，以下说明各类特征值的意义：
(1)特征类别1：静置时长
电池在加速寿命实验下经历三个不同的阶段：充电循环，放电循环和阻抗检查。在充电循环，保持恒流(1.5A)模式充电，直到电压到达预先设定的上限(4.2V)，把充电电路切换到恒压模式，直到电流低于下限阈值(20mA)。在放电循环，进行恒流(2A)放电，直到电压到达预设下限(2.7V，2.5V，2.2V和2.5V电池#5，#6， #7，#18)。阻抗测量在充电和放电之间进行，以探测电池内部参数的变化。因此静置时长包括放电静置、充电静置、阻抗测量静置与多种交叉静置：放电静置为相邻两次放电时间间隔；充电静置为相邻两次充电时间间隔；阻抗测量静置为阻抗测量之间的时间间隔；交叉静置包括充电与放电时间间隔，阻抗测量与充放电时间间隔，相邻循环之间同一类间隔的差值，静置时间的具体特征种类见表1。
表1.静置时间的具体分类表
(2)特征类别2：Stop-SoC
SOC通常定义为当前电池内部可用容量占电池可能的最大容量的百分比，而电池的可能最大容量一般取为电池的标称容量，在一定条件下电池充满状态定义为SoC＝100％。每次实验中规定放电深度，放电深度即可表征Stop-SoC。
(3)特征类别3：循环周期
循环周期包括充电、阻抗测量、放电三个步骤。每完成一个周期，电池都会存在容量的衰减，因此容量衰减曲线的自变量为循环次数。提取循环次数作为特征，可以表征电池的使用程度。
这三类特征共包含18个具体特征值，因为提取的特征种类不变，此处以 B0005为例，列举特征的提取情况，结果如图2所示。
在得到18个特征后，选取测试集与训练集：根据锂离子电池循环退化试验的周期长短，首先分别选取B0005、B0006和B0007电池的第1-100次充放电循环(共167次充放电循环)的18维特征数据和B0018电池的第1-80次充放电循环(共132次充放电循环)的18维特征数据，作为训练集的自变量，选取四个电池的相应充放电循环的容量恢复量作为训练集的因变量。然后分别选取 B0005、B0006和B0007电池的第101-167次充放电循环(共167次充放电循环) 的18维特征数据和B0018电池的第81-132次充放电循环(共132次充放电循环) 的18维特征数据，作为测试集的自变量。至此，训练集和测试集划分完毕。
步骤二、建立基于决策树的随机森林回归模型，随机森林回归模型的基本思路如图3所示。
基于决策树的随机森林回归模型属于已有技术，本实施例首先介绍模型的泛化误差分析方法。设随机向量(X,Y)是独立同分布的，其中X为自变量，Y为因变量，从中抽取训练样本，则输出值h(X)的均方泛化误差如公式(1)所示：
EX,Y[Y-h(X)]2 (1)
随机森林回归模型的预测值是k棵决策树{h(X,θk)}的输出的平均值，且有如下定理成立：当随机森林中的决策树的数目接近无限大时，即k→∞，有：
EX,Y[Y-avkh(X,θk)]2→EX,Y[Y-Eθ(X,θ)]2 (2)
因此，随机森林回归函数为：Y＝Eθh(X,θ)，在实际应用中，回归函数可以使用k充分大时的公式Y＝avkh(X,θk)近似代替。此时用PE*(forest)表示随机森林的泛化误差，用PE*(tree)表示一颗决策树的平均泛化误差，则有：
PE*(tree)＝EθEX,Y[Y-h(X,θ)]2 (3)
式中为残差Y-h(X,θ)和Y-h(X,θ')之间的加权相关系数，且θ和θ'相互独立。
上式说明随机森林的泛化误差比其中的决策树的泛化误差降低了倍，通过 bagging集成方法引入的随机变量θ和θ'可以降低的值，即随机化使得决策树之间的相关性降低，从而获得更低的随机森林泛化误差。
步骤三、利用基于决策树的随机森林回归模型对选取的样本特征进行训练并预测。
随机森林回归模型的训练过程可归纳如下：
步骤1:给定训练集S，特征集合的维数M，确定参数：使用的决策树的数量T，树的深度d。设置终止条件：节点上的最少样本数s，节点上的最少信息增益p。
步骤2:从S中有放回地抽取训练集Si(通常Si的样本容量与S一致)，作为决策树根节点的样本，并从根节点开始训练
步骤3：如果当前节点符合步骤1中的终止条件，则将当前节点设置为叶子节点，该叶子节点的输出为当前节点的样本集中各样本值的均值，然后继续对其他非叶子节点进行训练。如果当前节点未达到终止条件，则从训练样本的M维特征中，随机无放回地抽取m维特征，并从中寻找回归效果最好的一维特征k及该特征的阈值th，当前节点上的样本的第k维特征小于th，则样本被划分到左节点，否则被划分到右节点。然后继续训练其他的节点。每个决策树都进行最大限度的生长，而不进行剪枝。
步骤4:重复步骤2和3，直到一颗决策树中的所有节点都被训练过。
步骤5：重复步骤2，3和4，直到所有的决策树都被训练过。
本实施例中，随机森林回归模型是已有模型，将已知特征数据(或训练集或训练样本的自变量)输入模型，通过调整模型中的参数，不断使模型的输出数据与已知特征数据(或训练集或训练样本的自变量)对应的已知的容量恢复量(或训练集或训练样本的因变量)一致，从而得到经过训练的随机森林回归模型。
随机森林回归模型的预测过程如下：
步骤1：从当前决策树的根节点开始，判断测试样本的特征值与当前节点的阈值th的关系，若小于th则测试样本进入左节点，否则进入右节点。直到测试样本到达某个叶子节点。
步骤2：重复步骤1，直到所有的t棵决策树都输出了预测值。测试样本的输出值为所有决策树的输出的平均值。
本实施例中，在经过训练的随机森林模型中输入测试样本的自变量(即18 维特征集合)，输出测试样本的因变量，即测试样本在每次充放电循环中对应的容量恢复量的预测值。在第一次充放电循环的放电容量已知的情况下，对第一次的放电容量和之后每次循环的容量恢复量的预测值进行累加，便可得到电池的状态退化预测结果。预测的电池容量退化曲线与退化率曲线如图4所示。
本实例首先提取显著影响容量自恢复的因素，即静置时间(ITS)和放电深度(Stop-SOC)，静置时段可分为充电静置(ITSC)、放电静置(ITSD)、阻抗测量静置(ITSIM)、交叉静置(ITSCD)，每个静置时段有不同情况，再考虑到充放电循环次数，共计提取18个特征值；然后构建基于决策树的随机森林回归模型，最后把提取的18个特征作为随机森林算法的输入，利用随机森林算法进行预测，最终得到锂电池容量预测结果，这样能够在容量自恢复效应情况下，有效地估计并预测电池容量衰退过程，且不需要研究复杂的电化学机制，也无需建立复杂的电化学模型，实现简单。
(二)验证锂离子电池容量退化预测。
本实例说明了本发明主要应用方式，为了比较验证本发明方法的有效性，采用被广泛使用的支持向量回归模型(SVR)对电池容量进行预测，采用的数据与应用实例1一致。
步骤一、提取电池样本在不同放电深度下的特征量。
为了实现容量自恢复效应下的电池容量预测，首先需要寻找能够表征在电池容量衰减过程中容量恢复状态的特征量。考虑到电池在加速寿命实验中存在三种循环，即充电、放电、阻抗测量，本发明从三种循环的数据中提取两方面的特征量：静置时长、Stop-SoC。静置时长包括放电静置、充电静置、阻抗测量静置与多种交叉静置；Stop-SoC表征放电深度；考虑充放电的循环周期。以上，共计 18个特征量。
步骤二、利用SVR模型对选取的样本特征进行训练并预测
利用步骤一中提取的18个特征作为SVR的输入，对模型进行训练，得到预测结果。预测结果如图5所示。
采用绝对预测误差(APE)、相对预测误差(RPE)、均方根误差(RMSE)三个指标作为衡量两种方法对锂电池容量预测结果的准确度。其中，绝对预测误差＝测量容量-预测容量，相对预测误差＝绝对值(测量容量-预测容量)/测量容量，均方根误差＝平方根{求和[(测量容量-预测容量)^2]/循环次数}。两种方法的对比结果如表2所示。
表2对比结果表
通过对比可以看出在预测的准确度上，基于随机森林算法的锂电池容量预测评估方法更加准确，验证了本发明方法的有效性。
本发明利用构建的基于决策树的随机森林回归模型，对锂离子电池状态退化进行预测，并且较好地跟踪到电池的容量恢复效应。
尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。