基于人工智能的暖通设备监控方法、装置、设备与流程

1.本技术涉及建筑暖通监控技术领域，特别是涉及一种基于人工智能的暖通设备监控方法、装置、设备和存储介质。


背景技术：

2.随着科学技术的发展，建筑暖通控制领域更多的实现了自动化。
3.在暖通空调领域，为了能更好地制定节能控制策略，需要对暖通空调设备进行精细化的、实时的、动态传输的设备状态监测。目前，国内外的空调能耗监测系统一般仅对设备的耗电量进行分项计量，且每一项中包含多个设备，无法准确得知每一台设备的运行状态。在常规的设备状态监测系统中，如果对每一台设备单独计量，成本较高且管理复杂。因此传统的设备状态监测方法还存在不足。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种基于人工智能的暖通设备监控方法、装置、计算机设备和存储介质。
5.第一方面，本技术实施例提供一种基于人工智能的暖通设备监控方法，所述方法包括：
6.采集设备各状态下的运行声信号以及环境噪声信号，提取运行声信号的第一声纹特征信息以及环境噪声信号的第二声纹特征信息；
7.利用所述第二声纹特征信息将所述一声纹特征信息中包含的环境噪声做过滤处理，形成第三声纹特征信息，并将所述第三声纹特征输入预设图谱模型，得到与所述第三声纹特征对应的第一关联图谱数据；
8.将所述第一关联图谱数据以数据向量化的方式与声纹库中的数据化向量做距离计算，若所述声纹库中存在所述第一关联图谱数据相匹配的特征向量，确定所述设备运行异常。
9.在其中一个实施例中，所述利用所述第二声纹特征信息将所述一声纹特征信息中包含的环境噪声做过滤处理，形成第三声纹特征信息，包括：
10.将所述第二声纹特征信息输入声纹过滤器，重构所述声纹过滤器；
11.将所述第一声纹特征信息信息输入重构的所述声纹过滤器，进行声纹过滤处理得到所述第三声纹特征信息。
12.在其中一个实施例中，所述采集设备各状态下的运行声信号以及环境噪声信号，提取运行声信号的第一声纹特征信息以及环境噪声信号的第二声纹特征信息，包括：
13.将所述运行声信号以及环境噪声信号做离散傅里叶变换处理，得到第一频谱信号以及第二频谱信号；
14.利用三角滤波器对所述第一频谱信号以及第二频谱信号进行mfcc计算得到对应的第一频率响应值、第二频率响应值；
15.对所述第一频谱信息和所述第一频率响应值、所述第二频谱信息和所述第二频率响进行对数计算，得到对第一对数能量和第二对数能量；对所述第一对数能量和第二对数能量进行离散余弦计算，得到所述第一声纹特征信息和所述第二声纹特征信息。
16.在其中一个实施例中，所述将所述第一关联图谱数据以数据向量化的方式与声纹库中的数据化向量做距离计算，包括：
17.将所述第一关联图谱数据进行向量化处理；
18.利用欧氏距离算法计算关联图谱的数据向量与所述声纹库中的数据向量的距离。
19.在其中一个实施例中，所述的方法还包括：
20.调取所述设备所在楼层或相近楼层的其他设备各状态下的运行声信号，提取所述运行声信号形成第四声纹特征信息，并将所述第四声纹特征输入预设图谱模型，得到与所述第四声纹特征对应的第二关联图谱数据；
21.将所述第二关联图谱数据与所述第一关联图谱数据以数据做距离计算，若两者的向量距离大于阈值，确定所述设备运行异常。
22.第二方面，本技术实施例提供一种基于人工智能的暖通设备监控装置，所述装置包括：
23.采集提取模块，用于采集设备各状态下的运行声信号以及环境噪声信号，提取运行声信号的第一声纹特征信息以及环境噪声信号的第二声纹特征信息；
24.获取模块，用于利用所述第二声纹特征信息将所述一声纹特征信息中包含的环境噪声做过滤处理，形成第三声纹特征信息，并将所述第三声纹特征输入预设图谱模型，得到与所述第三声纹特征对应的第一关联图谱数据；
25.判断模块，用于将所述第一关联图谱数据以数据向量化的方式与声纹库中的数据化向量做距离计算，若所述声纹库中存在所述第一关联图谱数据相匹配的特征向量，确定所述设备运行异常。
26.在其中一个实施例中，所述采集提取模块包括：
27.将所述运行声信号以及环境噪声信号做离散傅里叶变换处理，得到第一频谱信号以及第二频谱信号；
28.利用三角滤波器对所述第一频谱信号以及第二频谱信号进行mfcc计算得到对应的第一频率响应值、第二频率响应值；
29.对所述第一频谱信息和所述第一频率响应值、所述第二频谱信息和所述第二频率响进行对数计算，得到对第一对数能量和第二对数能量；对所述第一对数能量和第二对数能量进行离散余弦计算，得到所述第一声纹特征信息和所述第二声纹特征信息。
30.在其中一个实施例中，所述装置还包括：
31.调取模块，用于调取所述设备所在楼层或相近楼层的其他设备各状态下的运行声信号，提取所述运行声信号形成第四声纹特征信息，并将所述第四声纹特征输入预设图谱模型，得到与所述第四声纹特征对应的第二关联图谱数据；
32.确定模块，用于将所述第二关联图谱数据与所述第一关联图谱数据以数据做距离计算，若两者的向量距离大于阈值，确定所述设备运行异常。
33.第三方面，本技术实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
34.采集设备各状态下的运行声信号以及环境噪声信号，提取运行声信号的第一声纹特征信息以及环境噪声信号的第二声纹特征信息；
35.利用所述第二声纹特征信息将所述一声纹特征信息中包含的环境噪声做过滤处理，形成第三声纹特征信息，并将所述第三声纹特征输入预设图谱模型，得到与所述第三声纹特征对应的第一关联图谱数据；
36.将所述第一关联图谱数据以数据向量化的方式与声纹库中的数据化向量做距离计算，若所述声纹库中存在所述第一关联图谱数据相匹配的特征向量，确定所述设备运行异常。
37.第四方面，本技术实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
38.采集设备各状态下的运行声信号以及环境噪声信号，提取运行声信号的第一声纹特征信息以及环境噪声信号的第二声纹特征信息；
39.利用所述第二声纹特征信息将所述一声纹特征信息中包含的环境噪声做过滤处理，形成第三声纹特征信息，并将所述第三声纹特征输入预设图谱模型，得到与所述第三声纹特征对应的第一关联图谱数据；
40.将所述第一关联图谱数据以数据向量化的方式与声纹库中的数据化向量做距离计算，若所述声纹库中存在所述第一关联图谱数据相匹配的特征向量，确定所述设备运行异常。增强了设备状态监测的便捷性。
41.上述基于人工智能的暖通设备监控方法、装置、计算机设备和存储介质，计算机设备采集暖通设备的声音信号，经噪声过滤后做关联图谱特征匹配，然后进行向量化距离计算，根据计算结果判断设备运行状态。由于采集了设备各状态下的运行声信号以及环境噪声信号，得到运行声信号的第一声纹特征信息以及环境噪声信号的第二声纹特征信息，可以利用两种声纹特征信息形成第三声纹特征信息；然后将所述第三声纹特征输入预设图谱模型，得到与所述第三声纹特征对应的第一关联图谱数据；利用第一关联图谱数据与声纹库做向量计算，可以得出设备的运行状态。本技术首先将设备噪声与环境噪声合并处理，得到设备的运行原声，然后利用预设图谱模型做关联图谱数据，再进行数据计算，方法简单，识别准确率高，可以实现全楼层设备监控以及异常预防。
附图说明
42.图1为一个实施例中计算机设备的内部结构图；
43.图2为一个实施例提供的基于人工智能的暖通设备监控方法的流程示意图；
44.图3为另一个实施例提供的基于人工智能的暖通设备监控方法的流程示意图；
45.图4为又一个实施例提供的基于人工智能的暖通设备监控方法的流程示意图；
46.图5为又一个实施例提供的基于人工智能的暖通设备监控装置的结构示意图。
具体实施方式
47.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
48.本技术实施例提供的基于人工智能的暖通设备监控方法，可以适用于图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能量。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储下述实施例中的识别模型，有关识别模型的具体描述参见下述实施例中的具体描述。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的，该计算机设备可以是服务器，可以是台式机，可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本技术实施例对计算机设备的具体形式并不做限定。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。当然，输入装置和显示屏也可以不属于计算机设备的一部分，可以是计算机设备的外接设备。
49.本领域技术人员可以理解，图1中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
50.下面以具体的实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
51.需要说明的是，下述方法实施例的执行主体可以是基于人工智能的暖通设备监控装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
52.图2为一个实施例提供的基于人工智能的暖通设备监控方法的流程示意图。本实施例涉及的是计算机设备采用人工神经网络对暖通设备运行状态监控的过程。如图2所示，包括：
53.s11、采集设备各状态下的运行声信号以及环境噪声信号，提取运行声信号的第一声纹特征信息以及环境噪声信号的第二声纹特征信息。
54.具体的，在采样暖通设备稳定运行后，对设备各种运行状态(例如不同功能状态)下的设备运行声信号和设备未开启时的环境噪声分别进行采集，选择平稳的、受到较小外界干扰的数据段，采样时长足够长，使得采样数据量的大小足以满足后续分析，选择无其他噪声源干扰的数据。
55.在本实施例中，利用分别采集暖通设备的运行状态的声音信号；外界环境噪声信号。然后利用模数转换器对两种声音信息得到数字滤波声音信号，再对数字滤波声音信号进行处理，分别得到设备各状态下的运行声信号对应的第一声纹特征信息以及环境噪声信号对应的第二声纹特征信息。
56.s12、利用所述第二声纹特征信息将所述一声纹特征信息中包含的环境噪声做过滤处理，形成第三声纹特征信息，并将所述第三声纹特征输入预设图谱模型，得到与所述第三声纹特征对应的第一关联图谱数据。
57.具体的，先将所述第二声纹特征信息输入声纹过滤器，重构所述声纹过滤器。可以理解为所述第二声纹特征信息作为声纹过滤器的过滤信息规则，可以将其他需要过滤的声纹特征信息。利用环境噪声的声纹特征信息对暖通设备的运行声纹特征信息进行降噪处理，可以得到较好的设备的运行声纹特征信息。
58.然后将所述第一声纹特征信息信息输入重构的所述声纹过滤器，进行声纹过滤处理得到所述第三声纹特征信息。该步骤即使对所述第一声纹特征信息做降噪处理，只得出暖通设备运行时的第一声纹特征信息，以更好更准确地识别设备运行状态。
59.再利用卷积神经模型对所述第三声纹特征信息进行识别。具体可用样本声纹特征数据作为训练集，利用设备标签数据标记过的样本声纹特征作为标签集进行训练完成关联图谱模型。
60.为更方便、更智能地实现暖通设备的监控，统计使用第三声纹特征信息作为输入，不需要标记是哪种设备，可有所述关联图谱模型进行识别第三声纹特征信息对应的暖通设备；例如关联图谱模型识别第三声纹特征信息为空调外机，则输出与所述第三声纹特征信息对应的第一关联图谱数据。该第一关联图谱数据表征空调外机的第三声纹特征信息，以及携带有该空调外机的位置、型号、所处楼层等等。
61.具体的，计算机设备可以读取预先存储的关联图谱模型，也可以从数据平台下载关联图谱模型，或者是模型训练所得到的关联图谱模型，对此本实施例不做限定。需要说明的是，上述关联图谱模型为人工神经网络，可选地，可以是基于深度学习的神经网络。
62.s13、将所述第一关联图谱数据以数据向量化的方式与声纹库中的数据化向量做距离计算，若所述声纹库中存在所述第一关联图谱数据相匹配的特征向量，确定所述设备运行异常。
63.具体的，判断预设声纹库中是否存在与所述第一关联图谱数据相匹配的声纹特征包括：通过相似度函数分别计算所述第一声纹特征与预设声纹库中多个声纹特征的第一相似度；若存在大于第一相似度阈值的第一相似度，确定所述预设声纹库中存在与所述第一关联图谱数据的声纹特征。
64.或者，判断预设声纹库中是否存在与所述第一关联图谱数据的声纹特征包括：将所述第一关联图谱数据与预设声纹库中声纹特征进行相似度计算，得到第一相似度集，所述第一相似度集中的最大值为第一目标相似度，若第一目标相似度大于第一相似度阈值，确定所述预设声纹库中存在与所述第一关联图谱数据相匹配的声纹特征。
65.上述基于人工智能的暖通设备监控方法、装置、计算机设备和存储介质，计算机设备采集暖通设备的声音信号，经噪声过滤后做关联图谱特征匹配，然后进行向量化距离计算，根据计算结果判断设备运行状态。由于采集了设备各状态下的运行声信号以及环境噪声信号，得到运行声信号的第一声纹特征信息以及环境噪声信号的第二声纹特征信息，可以利用两种声纹特征信息形成第三声纹特征信息；然后将所述第三声纹特征输入预设图谱模型，得到与所述第三声纹特征对应的第一关联图谱数据；利用第一关联图谱数据与声纹库做向量计算，可以得出设备的运行状态。本技术首先将设备噪声与环境噪声合并处理，得到设备的运行原声，然后利用预设图谱模型做关联图谱数据，再进行数据计算，方法简单，识别准确率高，可以实现全楼层设备监控以及异常预防。
66.可选地，在上述实施例的基础上，上述步骤s11的一种可能的实现方式可以如图3
所示，包括：
67.s111、将所述运行声信号以及环境噪声信号做离散傅里叶变换处理，得到第一频谱信号以及第二频谱信号。
68.具体的，傅立叶变换，表示能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。通过傅里叶变换处理可以将所述运行声信号以及环境噪声信号形成频谱信号，所述频谱信号可以表征声音的函数关系。
69.s112、利用三角滤波器对所述第一频谱信号以及第二频谱信号进行mfcc计算得到对应的第一频率响应值、第二频率响应值。
70.具体的，在本实施例中，定义一个有m个三角滤波器的滤波器组，滤波器的中心频率为f(i)，i＝1，2，
…
，m，所述中心频率为滤波器的截止频率，通过三角滤波器进行三角滤波计算。由于三角滤波器可以对频谱进行平滑，并消除谐波的作用，突显声音的共振峰。因此一段声音的音调或音高，不会反应在声纹特征内，不会受到输入声音的音调不同而对识别结果有所影响。
71.频率响应是指将一个以恒电压输出的音频信号与系统相连接时,音箱产生的声压随频率的变化而发生增大或衰减、相位随频率而发生变化的现象,这种声压和相位与频率的相关联的变化关系称为频率响应。利用梅尔频率倒谱系数mfcc可以实现频谱响应值，在该步骤中分别获取第一频谱信号以及第二频谱信号对应的第一频率响应值、第二频率响应值。
72.s113、对所述第一频谱信息和所述第一频率响应值、所述第二频谱信息和所述第二频率响进行对数计算，得到对第一对数能量和第二对数能量；对所述第一对数能量和第二对数能量进行离散余弦计算，得到所述第一声纹特征信息和所述第二声纹特征信息。
73.具体的，对数变换是计算每个滤波器组输出的对数能量。一般人对声音声压的反应呈对数关系，人对高声压的细微变化敏感度不如低声压。因此，在本实施例中使用对数可以降低提取的特征对输入声音能量变化的敏感度。
74.利用三角滤波器对上述第一频谱信息和所述第一频率响应值、所述第二频谱信息和所述第二频率响进行对数计算，得到所需的第一对数能量和第二对数能量。多种上述第一对数能量和第二对数能量，需要进行离散余弦计算后才可以确定声纹体征。因此基于三角滤波器的中心频率做余弦距离计算，得到所述第一声纹特征信息和第二声纹特征信息。
75.进一步地，本技术还提供另一种基于人工智能的暖通设备监控方法，如图4所示，所示方法包括以下步骤：
76.s111、将所述运行声信号以及环境噪声信号做离散傅里叶变换处理，得到第一频谱信号以及第二频谱信号。
77.s112、利用三角滤波器对所述第一频谱信号以及第二频谱信号进行mfcc计算得到对应的第一频率响应值、第二频率响应值。
78.s113、对所述第一频谱信息和所述第一频率响应值、所述第二频谱信息和所述第二频率响进行对数计算，得到对第一对数能量和第二对数能量；对所述第一对数能量和第二对数能量进行离散余弦计算，得到所述第一声纹特征信息和所述第二声纹特征信息。
79.s14、调取所述设备所在楼层或相近楼层的其他设备各状态下的运行声信号，提取所述运行声信号形成第四声纹特征信息，并将所述第四声纹特征输入预设图谱模型，得到
与所述第四声纹特征对应的第二关联图谱数据。
80.该步骤执行过程中利用上述步骤s11至s12，从而得到临近暖通设备用于做对比的第二关联图谱数据。
81.s15、将所述第二关联图谱数据与所述第一关联图谱数据以数据做距离计算，若两者的向量距离大于阈值，确定所述设备运行异常。
82.为更好的提升监控识别结果，可以将所述暖通设备与相邻近的其他设备进行比较，如果声音特征相近则运行正常，若声音特征相差较大，则运行异常。可预先设置对比阈值，如果第一关联图谱数据与第二关联图谱数据的向量距离大于所述的阈值，则可以确定运行声音出现了异常，上述暖通设备运行异常。
83.执行步骤s14与s15可以进一步提升识别精度，使得识别结果准确，从而实现对楼层暖通设备的监控。
84.在一个实施例中，如图5所示，提供了一种基于人工智能的暖通设备监控装置，包括：
85.采集提取模块410，用于采集设备各状态下的运行声信号以及环境噪声信号，提取运行声信号的第一声纹特征信息以及环境噪声信号的第二声纹特征信息；
86.获取模块420，用于利用所述第二声纹特征信息将所述一声纹特征信息中包含的环境噪声做过滤处理，形成第三声纹特征信息，并将所述第三声纹特征输入预设图谱模型，得到与所述第三声纹特征对应的第一关联图谱数据；
87.判断模块430，用于将所述第一关联图谱数据以数据向量化的方式与声纹库中的数据化向量做距离计算，若所述声纹库中存在所述第一关联图谱数据相匹配的特征向量，确定所述设备运行异常。
88.进一步地，所述采集提取模块410包括：
89.第一计算单元，用于将所述运行声信号以及环境噪声信号做离散傅里叶变换处理，得到第一频谱信号以及第二频谱信号；
90.第二计算单元，用于利用三角滤波器对所述第一频谱信号以及第二频谱信号进行mfcc计算得到对应的第一频率响应值、第二频率响应值；
91.第三计算单元，用于对所述第一频谱信息和所述第一频率响应值、所述第二频谱信息和所述第二频率响进行对数计算，得到对第一对数能量和第二对数能量；对所述第一对数能量和第二对数能量进行离散余弦计算，得到所述第一声纹特征信息和所述第二声纹特征信息。
92.所述采集提取模块410还用于：将所述第一关联图谱数据进行向量化处理；
93.利用欧氏距离算法计算关联图谱的数据向量与所述声纹库中的数据向量的距离。
94.所述判断模块430还用于：将所述第二声纹特征信息输入声纹过滤器，重构所述声纹过滤器；将所述第一声纹特征信息信息输入重构的所述声纹过滤器，进行声纹过滤处理得到所述第三声纹特征信息。
95.进一步地，所述装置还包括：
96.调取模块，用于调取所述设备所在楼层或相近楼层的其他设备各状态下的运行声信号，提取所述运行声信号形成第四声纹特征信息，并将所述第四声纹特征输入预设图谱模型，得到与所述第四声纹特征对应的第二关联图谱数据；
97.确定模块，用于将所述第二关联图谱数据与所述第一关联图谱数据以数据做距离计算，若两者的向量距离大于阈值，确定所述设备运行异常。
98.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
99.采集设备各状态下的运行声信号以及环境噪声信号，提取运行声信号的第一声纹特征信息以及环境噪声信号的第二声纹特征信息；
100.利用所述第二声纹特征信息将所述一声纹特征信息中包含的环境噪声做过滤处理，形成第三声纹特征信息，并将所述第三声纹特征输入预设图谱模型，得到与所述第三声纹特征对应的第一关联图谱数据；
101.将所述第一关联图谱数据以数据向量化的方式与声纹库中的数据化向量做距离计算，若所述声纹库中存在所述第一关联图谱数据相匹配的特征向量，确定所述设备运行异常。
102.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
103.采集设备各状态下的运行声信号以及环境噪声信号，提取运行声信号的第一声纹特征信息以及环境噪声信号的第二声纹特征信息；
104.利用所述第二声纹特征信息将所述一声纹特征信息中包含的环境噪声做过滤处理，形成第三声纹特征信息，并将所述第三声纹特征输入预设图谱模型，得到与所述第三声纹特征对应的第一关联图谱数据；
105.将所述第一关联图谱数据以数据向量化的方式与声纹库中的数据化向量做距离计算，若所述声纹库中存在所述第一关联图谱数据相匹配的特征向量，确定所述设备运行异常。
106.应当清楚的是，本技术实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。
107.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
108.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
109.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来
说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。