基于长短时记忆神经网络模型的漏损识别方法与流程

本公开涉及神经网络领域，具体涉及一种基于长短时记忆神经网络模型的漏损识别方法。

背景技术：

近年来具有突发性、高不确定性的供水管网漏损事故频发，受到了社会的广泛关注，漏损事故不仅会造成水能源浪费、经济损失，严重时还会造成管网水质污染，危害公共健康。但由于供水管网深埋地底、系统庞大，且环境干扰因素多，管网状态不易监测，大大增加了管网漏损检测的难度。

全球供水行业近年来大力推广和实践独立计量区(districtmeteringarea，简称dma)，用来有效控制管网漏损，该方法将庞大的供水管网分级，并加装边界阀门，使之分解为一个个有明确界限的独立进水区域。常用的dma漏损监控主要是通过监测dma夜间最小流量的变化，得出这一区域的流量变化，但该方法存在检测效率低，检测时间长等问题。漏损事故的发生过程存在一个时间差，即从管网漏损发生到供水公司发现漏损事故之间的时间长短，时间差越长，漏水量越大。因此如何尽快发现漏损，减小时间差，降低漏水量，是管网漏损控制的关键。

随着scada系统在各供水公司得到重视和应用，越来越多的供水公司开始重视收集供水管网庞大的监控数据，在此背景下相较传统探漏硬件方法具有更高效率、更低成本的基于数据挖掘的漏损识别方法成为目前的研究热点。数据挖掘方法主要通过最小二乘法、多项式回归、arima模型、支持向量回归、bp神经网络等方法搭建预测模型，而后通过固定阈值进行预测值和实测值的差值比对识别管网漏损事故。

传统模型可以成功识别一些流量较大的漏损事故，但在管网在线监测频率越来越高、数据采集更密集、数据质量参差不齐的背景下，无法快速且高精度的处理大量流数据、容错能力低。申请号201410507513.1提出基于小波奇异性分析和arma模型的水管漏水检测方法，通过两步预测数据分析判断是否存在水管漏水的慢漏现象，成功解决了慢漏判断的问题，但该方法两阶段预测过于繁琐，且单点报警无法持续判断管网漏损，存在误报率高等问题。申请号201710998436.8通过门控循环单元的神经网络模型预测获得水量预测值，通过余弦夹角方法与水量实测值进行阈值对比，从而实现管网漏损识别；但这些方法并未考虑水量的反馈的矫正与输入，无法实时进行管网爆管的持续识别，且单一阈值报警会造成较大的误判，引起供水公司不必要的人力物力损耗，方法实际操作中可信度低。考虑到供水管网漏损事故是一个持续的过程，因此亟需提供一种学习能力强、容错能力高、识别精度准的持续漏损识别方法。

技术实现要素：

(一)要解决的技术问题

鉴于上述问题，本公开的主要目的在于提供一种基于长短时记忆神经网络模型的漏损识别方法，以便解决上述问题的至少之一。

(二)技术方案

为了达到上述目的，作为本公开的一个方面，提供了一种基于长短时记忆神经网络模型的管网漏损识别方法，包括以下步骤：

s1，获取dma入口数据；

s2，对获取的所述dma入口数据进行清洗，并构建多尺度时间数据集；

s3，建立长短时记忆神经网络模型；

s4，基于构建的所述多尺度时间数据集及建立的长短时记忆神经网络模型进行异常流量点识别；

s5，根据识别的所述异常流量点进行管网漏损识别。

在一些实施例中，所述步骤s1，在dma为单入口时，获取该dma单入口流量数据；在dma为多入口时，获取该dma多入口流量总和；所述流量数据采样间隔为分钟/次，全天采样数为24k次，即每天共获取24k个历史流量数据。

在一些实施例中，所述步骤s2包括以下子步骤：

s21，对获取的所述dma入口数据进行清洗，利用清洗后数据构建连续的时间序列；

s22，将所述连续的时间序列切分，构建日期序列；

s23，基于时间序列和日期序列构建多尺度时间数据集，该多尺度时间数据集为长短时记忆神经网络模型的输入数据。

在一些实施例中，所述对获取的所述dma入口数据进行清洗的步骤包括检查dma入口数据一致性及填补缺失值。

在一些实施例中，所述步骤s3包括：

将构建的多尺度时间数据集作为模型输入；其中，所述多尺度时间数据集包括训练集和验证集；

将该dma入口下一时刻的预测流量作为模型输出；以及

选择tanh、relu或者linear作为模型的各网络层的激活函数，由此构建长短时记忆神经网络模型。

在一些实施例中，在将构建的多尺度时间数据集作为模型输入的步骤中，

选取待预测t时刻流量的临近日期序列，即t-1时刻、t+1时刻、t时刻的日期序列数据作为模型输入，设置为第一维度时间段、第二维度时间段、第三维度时间段；以及

选取待预测t时刻流量的临近时间序列数据作为模型输入，即t时刻的前c个时刻，设置为第四维度时间段。

在一些实施例中，所述步骤s4包括：

s41，计算残差，计算训练集数据中所述长短时记忆神经网络模型输出的预测流量与实测值xt的残差rt，计算公式为：

s42，切分残差，将所述残差rt按时间点进行切分，相同采样时间点构成同组数据，共获取24k组残差序列。

s43，计算切分后的残差阈值，对所述24k组残差分别计算3σ区间，3σ区间上、下界构成24k个时间点对应的24k组上、下残差阈值，第m天第n时刻残差rmn的3σ阈值区间计算公式为：

式中，是n时刻对应的残差均值；var[rn]是n时刻对应的残差标准差；

s44，识别异常流量点，计算验证集t时刻的流量残差，若t时刻残差值大于该t时刻对应的上残差阈值时，确定该时间点为异常流量点，记为高流量点；若t时刻残差值小于该时刻对应的下残差阈值时，确定该时间点为异常流量点，记为低流量点。

在一些实施例中，所述步骤s5包括：

s51，对异常流量点进行矫正后输入长短时记忆神经网络模型进行计算；

s52，根据矫正后输入长短时记忆神经网络模型得到的计算结果统计连续高流量点的个数，通过连续高流量点的个数识别管网漏损。

在一些实施例中，在所述步骤s51中，当第m天第n时刻被判定为异常流量点，该时刻流量数据的矫正值其中，是第m天第n时刻对应的长短时记忆神经网络输出的流量预测值；是该时刻的残差矫正值，为训练集残差序列中rn平均值，

在一些实施例中，在所述步骤s52中，统计连续高流量点的个数q，当q大于或等于阈值q时，启动预警，并计算漏损事故持续时间tburst；所述漏损事故检测时间计算式如下：

所述漏损事故持续时间计算式如下：

(三)有益效果

从上述技术方案可以看出，本公开一种基于长短时记忆神经网络模型的漏损识别方法至少具有以下有益效果其中之一：

(1)区别于传统漏损识别的机器学习方法，本公开采用深度学习方法，通过lstm模型融合所预测流量数据的日期序列和时间序列数据，预测流量相较传统算法更接近于非故障真实流量，且长短时记忆神经网络具有较强的容错能力，在模型训练集输入存在异常的情况下，通过lstm中的遗忘门，可一定范围内过滤掉异常数据，再次保证输出为更接近于非故障的真实流量，其训练意义并非在于预测实时流量数据，而是在于学习出被预测时刻真实非故障情况下的水量变化趋势，为后续漏损识别提供预测基础。

(2)区别于传统单阈值的漏损识别方法，本公开提出一种基于时刻化残差的多阈值识别方法。将残差序列进行切分处理，获取24k个采样时刻对应的24k个残差子序列，对每组残差子序列进行计算，取每组3σ区间上界分别作为24k个采样时刻对应的漏损识别阈值，构成针对不同采样时刻的精细化阈值。基于时刻化残差的多阈值漏损识别方法，对残差判断进行了精细化处理，缩小了用户用水量变化对检测的影响，大大降低了管网的误报率，避免了因误报造成的人力损失，提升了模型信任度。

(3)区别于传统单异常点非矫正报警识别方法，本公开提出基于反馈矫正的多点报警方法。通过比对真实值和异常值的数据特征，提出以预测值和时刻化残差偏差之和代替异常值的精确替换方法，对异常进行及时替换，反馈至模型输入，避免了异常值作为输入时造成的下一时刻预测偏差，保证了模型的连续异常点识别能力。相较于单点异常判断，多点识别方法大大降低了仪表故障、传输错误等造成的噪音误判，既降低事故误报率，也增加了漏损识别的精确度，有效识别漏损事故及其持续时间，辅助自来水公司做出智能化决策。

附图说明

图1为本公开基于长短时记忆神经网络的拓扑结构图。

图2为本公开基于时刻化残差的多阈值漏损检测方法结构图。

图3为本公开基于长短时记忆神经网络的拓扑结构图。

图4为本公开的漏损识别方法的流程图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开作进一步的详细说明。

为了保护水资源、降低管网漏损率、减少漏损事故造成的经济损失和水质安全风险，保障供水安全可靠运行，需要利用现有技术深入挖掘供水管网可监测的水力特性数据，建立实时、容错能力强、高精度、低误报的模型来识别管网漏损。针对现有技术的不足，本公开旨在提供一种基于长短时记忆的时间递归循环神经网络模型及其训练方法和应用，及一种基于多阈值的反馈校正模型的供水管网持续漏损事故识别方法和应用。通过构建长短时记忆神经网络预测模型及多阈值反馈校正识别模型，实时处理大量短时数据，挖掘管网数据特征关系，高准报率、低误报率的判断管网异常流量点，监控漏损事故持续时间，实现漏损事故的快速报警和持续识别。本公开可高精度的进行供水管网漏损诊断与预警，大大缩短漏损事故响应时间，提升事故判别可靠度，有效辅助供水公司进行管网漏损诊断和预警决策。

本公开提供一种基于长短时记忆神经网络的模型(lstm)、输入及其训练的供水管网漏损识别方法，其为多阈值的供水管网漏损事故识别方法，可基于反馈矫正的多点报警，综合识别供水管网漏损事故，包括以下步骤：

s1，获取dma(districtmeteringarea，独立计量区)入口数据；

s2，对获取的所述dma入口数据进行清洗，并构建多尺度时间数据集；

s3，建立长短时记忆衬经网络模型；

s4，异常流量点识别；

s5，管网漏损识别。

下面结合图1-4详细介绍本公开长短时记忆神经网络模型的漏损识别方法的步骤。

s1，获取dma入口数据：

具体的，在dma小区为单入口时，获取该dma入口流量数据；dma小区为多入口时，获取该dma入口流量总和；

其中，流量数据采样间隔是分钟/次，全天采样数为24k次，即每天共获取24k个历史流量数据。当然，本公开的采样间隔、采样数并不仅限于此。

此外，dma入口数据也可为用户水量或其它数据。

s2，对获取的所述dma入口数据进行清洗，并构建多尺度时间数据集，其包括以下子步骤：

s21，对获取的所述dma入口数据进行清洗，利用清洗后数据构建为连续的时间序列。

具体的，数据清洗包括填补数据缺失值，方法选取插值法。当然，本公开数据清洗过程及方法并不仅限于此。

s22，将所述连续的时间序列切分，构建日期序列；

获取待测数据的管网历史流量数据，将历史流量时间序列以切分方式重构。所述的历史流量数据日采样频率为k次/小时，则每天采样数为24k次，共采样a天。切分重构表达式为：

f11表示第1天第1次的采集的流量数据，f1，24k表示第1天第24k次的采集的流量数据，fa1表示第a天第1次的采集的流量数据，fa，24k表示第a天第24k次的采集的流量数据。与此类似，图1中fd-7，t-1表示7天前t-1时刻对应的数据，fd-6，t表示6天前t时刻对应的数据。

上述也即对历史序列以日期为矩阵行、以采样时间点为矩阵列进行的重构，将历史流量序列重构为历史流量矩阵。

其中，矩阵纵向是以日期依次排列表示周期变化的日期序列。

s23，基于时间序列和日期序列组成多尺度时间数据集，该数据集为长短时记忆神经网络模型的输入数据。

s3，建立长短时记忆神经网络模型，其包括以下子步骤：

s31，将模型输入数据进行归一化处理。公式为：

式中，y代表归一化后的数据，x代表输入的原始数据，xmax和xmin分别代表输入流量数据的最大值和最小值；

s32，提取模型输入特征，提取包含三个维度的日期序列和一个维度的时间序列，共四个时间维度的输入特征。考虑到lstm长短时记忆特性，依次输入更临近待预测时刻特征的特征数据。

其中，步骤s2、s31、s32对应图4中提取特征步骤。

所述模型前三维度特征数据为临近待预测t时刻的日期序列，具体包括，

选取待预测t时刻流量的临近日期序列，即t-1时刻、t+1时刻、t时刻的日期序列数据作为模型输入，设置为第一维度时间段、第二维度时间段、第三维度时间段，表示为：

第一维度时间段t-1-24k*b、t-1-24k*(b-1)......t-1-24k时刻的数据集，

第二维度时间段t+1-24k*b、t+1-24k*(b-1)......t+1-24k时刻的数据集，

第三维度时间段t-24k*b、t-24k*(b-1)......t-24k时刻的数据集。

其中，第一时间段t-1-24k*b、t-1-24k*(b-1)......t-1-24k时刻的数据集，分别表示从前b天，前b-1天，……至前1天t-1时刻的数据；第二时间段t+1-24k*b、t+1-24k*(b-1)......t+1-24k时刻的数据集，分别表示从前b天，前b-1天，……至前1天t+1时刻的数据；第三时间段t-24k*b、t-24k*(b-1)......t-24k时刻的数据集，分别表示从前b天，前b-1天，......至前1天t时刻的数据。

优选地，b为3～28的整数，优选为7。

所述模型第四维度特征数据为临近待预测t时刻的时间序列，具体包括，选取待预测t时刻流量的临近时间序列数据作为模型输入，即t时刻的前c个时刻，设置为第四维度时间段，表示为t-c、t-(c-1)......t-1，其中c为2-24的整数，优选为5-7。b＝c。

s33，请参照图1所示，长短时记忆神经网络模型包括长短时记忆单元层和多个全连接神经单元层，各单元层以串联方式连接，构成多级输入传递层；

所述长短时记忆单元层每一次循环包括多个长短时记忆细胞。细胞之间的数据传递关系为，每一个细胞输入的数据经过细胞中的输入门、遗忘门、输出门，输出为下一时刻的长时记忆和短时记忆，进入下一个细胞，依次循环，最终输出到下一神经单元层。

所述全连接神经单元层为人工神经网络的一个基本单元层；

模型输入为基于时间序列和日期序列流量数据构建数据集；

模型输出为该dma入口下一时刻的预测流量；

全连接神经网络层个数为大于等于2的整数；

各网络层的激活函数选择tanh、relu或者linear。

将获取的dma流量数据(清洗后的数据)按比例分为训练集和验证集，并依次输入到长短时记忆神经网络模型，输出下一时刻(输入数据所对应的时刻的下一时刻)流量数据。

s4.异常流量点识别：

所述异常流量点包括高流量点和低流量点；

s41，计算残差，计算训练集数据中所述长短时记忆神经网络模型输出的预测流量与实测值xt的残差rt(t＝(m-1)*24k+n)，计算公式为：

s42，切分残差，将上述残差序列rt按时间点进行切分，相同采样时间点构成同组数据，共获取24k组残差序列，即时刻化残差序列r1～r24k。

s43，计算切分后的残差阈值。对上述24k组残差分别计算3σ阈值，第m天第n时刻残差rmn的3σ阈值区间计算公式为：

式(4)中，rn是残差矩阵r的第n列数据，是第n时刻对应的残差均值；var[rn]是第n时刻对应的残差标准差。

3σ区间上、下界构成24k个时间点对应的24k组上、下残差阈值

s44，异常流量点识别，计算验证集t时刻的流量残差。t时刻对应切分时间为第m天第n时刻，当t时刻残差值大于该时刻对应的上残差阈值时，确定该时间点为异常流量点，标记为高流量点。当t时刻残差值小于该时刻对应的下残差阈值时，确定该时间点为异常流量点，标记为低流量点，请参照图2所示。

s5，管网漏损识别，请参照图3所示：

s51，异常流量点矫正

当有残差被标记为异常流量点后，需要将对该点的异常流量替换。替换后的值作为输入再次进入模型，进行下一时刻流量计算。当第m天第n时刻被判定为异常流量点后，该时刻流量数据的矫正值其中，是第m天第n时刻对应的长短时记忆神经网络输出的流量预测值；是第m天第n时刻的残差矫正值，为训练集残差序列中rn的平均值，

s52，事故识别与报警步骤，统计连续高流量点的个数q，当q大于或等于报警阈值q时(则发生管网漏损)，启动预警，并计算漏损事故持续时间tburst。所述数量阈值q，优选为2-3。

所述漏损事故检测时间tdetect计算如式(7)

所述漏损事故持续时间tburst计算如式(8)

在以下实施方式中，利用python3.6软件作为模型的开发平台，并采用numpy和pandas库来读取、存储、分析数据，采用matplotlib库来做数据的可视化，采用keras库来搭建神经网络模型，大大提高了开发效率。

下面以我国sx市某dma供水管网为实施例，详细介绍一种基于长短时记忆神经网络模型(lstm)及多阈值反馈校正的漏损识别方法的具体步骤：

1.获取dma入口数据：

获取sx市某dma供水管网入口流量数据，数据日期自2015年7月10日至2015年11月21日，共135天。传感器采样间隔为每5min记录一次(12次/h)瞬时流量数据，即每天采样288次。dma小区为单入口时，获取该dma入口流量数据；dma小区为多入口时，获取该dma入口流量总和。本例为3个入口的多入口dma，因此计算该dma入口流量之和作为历史流量数据。

2.数据清洗和构建多尺度时间数据集：

1)预处理dma入口数据。本例获取的dma入口瞬时流量数据采样频率为12次/小时，则每天采样次数为288次，共采集135天，则数据总量为38880个，对上述数据进行清洗，检查数据一致性、填补缺失值。其中，填补缺失值方法选取插值法。将清洗后的历史流量数据以时间顺序依次排列，构成时间序列{f1，f2，…，f38880}，表征流量的趋势变化特征。

2)将连续的时间序列切分，构建日期序列。对数据清洗后的数据以切分方式重构，将时间序列以日期为矩阵行，以采样时间点为矩阵列进行重构，将时间序列重构为历史流量矩阵。

则矩阵纵向是相同时间点以日期依次排列的日期序列，表征流量的周期变化特征。

3)上述时间序列和日期序列组成模型数据集，该数据集为长短时记忆神经网络的输入提供基础数据。

3.建立长短时记忆神经网络模型

1)对上述模型数据集进行特征提取，提取与t时刻流量数据临近7天内的日期序列和临近35分钟(7个采样时间点)的时间序列，根据前述式(2)进行归一化处理，作为特征输入模型，其中，

第一时间段为t-1时刻的日期序列流量数据，包括t-1-24h*7、t-1-24h*6、t-1-24h*5、t-1-24h*4、t-1-24h*3、t-1-24h*2、t-1-24h*1时刻的流量数据；

第二时间段为t+1时刻的日期序列流量数据，包括t+1-24h*7、t+1-24h*6、t+1-24h*5、t+1-24h*4、t+1-24h*3、t+1-24h*2、t+1-24h*1时刻的流量数据；

第三时间段为t时刻的日期序列流量数据，包括t-24h*7、t-24h*6、t-24h*5、t-24h*4、t-24h*3、t-24h*2、t-24h*1时刻的流量数据；

第四时间段为t时刻临近的时间序列流量数据，包括t-35min、t-30min、t-25min、t-20min、t-15min、t-10min、t-5min、时刻的流量数据；

上述四个时间段，以四个维度7个时刻分别输入长短时记忆神经网络模型中。

2)本公开所提供的长短时记忆神经网络(longshort-termmemoryneuralnetwork)，简称(lstm)，是循环神经网络的一种进化模型，更加适应从经验中学习，以对时间序列进行分类、处理和预测。其特点在于能够在循环神经网络压缩输入向量表示并以长短时记忆更新模型的预测输出。

模型由3个lstm层和3个全连接神经网络层作为输入层，构成多级输入传递层，其被配置成接收上述四个维度流量特征数据。设定3个lstm层节点数分别为128，64，48，lstm层激活函数为tanh。第一、二全连接神经网络层的激活函数为relu，第三全连接神经网络层的激活函数为linear。第三全连接神经网络层与输出层连接，输出层的激活函数为linear，学习率为0.002，batch_size为60。

其中训练集选取28000个样本，随机打乱历史流量特征输入样本，其中随机选取25200个样本作为训练样本，验证集选取5184个样本。

模型的输入为归一化后的上述四个维度流量特征数据。

模型的输出为dma入口下一时段流量。

4.异常流量点识别

1)计算如式(3)计算模型训练集实测值序列xt与预测值序列间的残差序列rt。

2)对训练集残差序列rt进行时段化切分处理。模型训练集中共包含87天流量数据，以5min为间隔将残差序列rt切分为288组，每一组包含87个数据，即每组对应为同一时刻数据随天数的变化。

3)对上述每组残差计算式(4)3σ区间，取3σ区间上、下界作为该时刻的上、下残差阈值。

4)计算验证集残差，当残差值在3σ区间外时，标记一个异常流量点。其中，当残差值大于上残差阈值时，标记为高流量点。表1为时刻化残差阈值(上残差阈值)的一部分示例。该阈值可视为本公开可识别的最小流量大小，即本公开可识别的最小漏损范围在日均流量百分比的2.85％-13.14％之间，具备实际管网实用性强和事故敏感度高等特性。

表1残差阈值

5.管网漏损识别：

1)异常流量点矫正。

对4(2)中的训练集的288组残差序列取平均值构成残差矫正序列，对应288个时刻。

采用验证集数据进行模型效果验证。即2015年11月3日-2017年11月21日的期间，当有残差被检测为异常流量点后，需要将对该点的流量进行标记，并及时替换。替换后的值作为输入再次进入模型，进行下一时刻流量计算。替换方式为将t时刻异常值替换为t时刻的流量预测值及残差矫正序列之和，作为输入进行t+1时刻的流量预测。以表2事故1为例，11月17日2:20残差大于上残差阈值后，标记为高流量点，并对该时刻异常流量值进行上述替换。

2)事故识别与报警步骤。本例报警数量阈值q取2，即统计连续高流量点个数大于2时，启动报警，识别为该时刻发生了所述的漏损事故，如式(5)计算漏损检测时间为10分钟内，具备快速检测特性。

本实施案例中包含管网中真实模拟漏损事故，即通过开启消防栓模拟漏损事故流量变化，包含的事故及识别的结果如表2所示。本公开成功识别真实漏损实验的流量变化，通过常用的评价方法混淆矩阵法进行模型识别效果评价，准报率高达100％，误报率低至0.19％，模型具备高准报率、低误报率等特性。

表2识别结果

以上结果说明，基于长短时记忆神经网络模型及多阈值反馈校正模型的漏损识别方法能够快速、准确、高准报率、低误报率的识别出管网的漏损事故，且该方法实用性强，对数据质量容错能力强。本公开扩展并强化了现有供水管网识别模型的研究内容，为自来水公司做出科学合理的决策提供了新的思路。

此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。

需要说明的是，实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本公开的保护范围。贯穿附图，相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时，将省略常规结构或构造。并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本公开实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。

再者，单词“包含”或“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。

说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序、或是制造方法上的顺序，该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。

类似地，应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。