本发明涉及基站故障检测技术，尤其涉及一种基站的隐性故障确定方法、装置、设备和可读存储介质。
背景技术
随着无线通信技术的快速发展，基站的运行状态正常与否对用户的网络感知影响越来越大。其中，基站的运行故障对用户的影响最大，而常见的基站运行故障分为显性故障和隐性故障。
显性故障一般是指基站直接停止运行或用户无法正常使用基站进行网络业务，常见的故障类型有：网元断链、小区退服等，显性故障可以通过基站的业务指标进行直接判断。而所谓基站的隐性故障是指那些没有明显的告警但对基站的性能有影响的故障，或者是那些反复出现后又往往能自行消失的告警，这些告警的存在将使得系统的性能指标受到影响，从而使得部分用户的网络感知下降。行业内对于隐性基站的确定有以下几种方法：话务统计、路测、BSC(Base Station Controller，基站控制器)中基站的历史告警记录和用户投诉等。这几种传统方法只能被动的检测基站隐性故障，无法主动通过基站的当前数据做到故障基站的实时预警。
目前，针对基站故障的检测有了新的方法，例如：通过对xDR(Detailed Record，详细记录，简称DR)信令进行数据的提取和分解，使用时间序列模型获得网络故障的预警门限，从而判断出基站的故障。但是该种方法无法综合考虑当前基站的接入情况和业务情况，对于基站的实时状态无法做到准确的响应，在实际的预警过程中仍存在较大的误差。可见，基站的隐性故障的确定准确性较低。
技术实现要素：
本发明提供一种基站的隐性故障确定方法、装置、设备和可读存储介质，用以解决基站的隐性故障的确定准确性较低的问题。
一方面，本发明提供一种基站的隐性故障确定方法，包括：
获取基站在当前时间段内的第一接入侧数据以及第一业务侧数据；
根据所述第一接入侧数据以及所述第一业务侧数据，确定所述基站在所述当前时间段的第一运行分数；
根据预测模型、所述第一接入侧数据以及所述第一业务侧数据，预测所述基站在所述当前时间段的第二运行分数；
在所述第一运行分数与所述第二运行分数之间的差值大于预设差值时，确定所述基站存在隐性故障。
可选地，所述根据所述第一接入侧数据以及所述第一业务侧数据，确定所述基站在所述当前时间段的第一运行分数的步骤包括：
获取所述第一接入侧数据对应的第一权重以及所述第一业务侧数据对应的第二权重；
根据所述第一权重以及所述第二权重，对所述第一接入测数据对应的数值以及所述第一业务侧数据对应的数值进行加权计算，得到所述基站在所述当前时间段的第一运行分数。
可选地，所述获取所述第一接入侧数据对应的第一权重以及所述第一业务侧数据对应的第二权重的步骤包括：
获取所述基站所处的区域的类型；
根据所述类型设置接入侧数据对应的第一权重，且根据所述类型设置业务侧数据的第二权重；
设置所述类型、所述第一权重以及所述第二权重之间的对应关系，并将所述对应关系进行存储；
所述获取所述第一接入侧数据对应的第一权重以及所述第一业务侧数据对应的第二权重的步骤包括：
根据所述基站所处区域的类型获取所述对应关系，并根据所述对应关系获取所述第一接入侧数据对应的第一权重以及所述第一业务侧数据对应的第二权重。
可选地，所述根据预测模型、所述第一接入侧数据以及所述第一业务侧数据，预测所述基站在所述当前时间段的第二运行分数的步骤包括：
将所述当前时间段、所述第一接入侧数据以及所述第一业务侧数据输入至预测模型，所述预测模型用于预测所述基站在当前时间段内的第二运行分数；
将所述预测模型输出的数值确定为所述基站在所述当前时间段的第二运行分数。
可选地，所述根据预测模型、所述第一接入侧数据以及所述第一业务侧数据，预测所述基站在所述当前时间段的第二运行分数的步骤之前，还包括：
将一天划分为多个第一时间段，并获取所述基站在每个第一时间段所产生的第二接入侧数据以及第二业务数据；
根据所述第一时间段对应的第二接入侧数据、第二业务数据以及所述第一时间段，确定所述第一时间段对应的训练数据；
根据各个所述训练数据对预设模型进行训练得到所述预测模型。
可选地，所述根据所述第一时间段对应的第二接入侧数据、第二业务数据以及所述第一时间段，确定所述第一时间段对应的训练数据的步骤包括：
根据所述基站所处的区域的类型设置接入侧数据的第一权重以及业务侧数据的第二权重；
根据所述第一权重以及所述第二权重，对所述第一时间段的第二接入侧数据对应的数值以及第二业务侧数据对应的数值进行加权计算，得到所述基站在所述第一时间段的第三运行分数；
根据所述第一时间段对应的第三运行分数、第二接入侧数据以及第二业务侧数据，生成所述第一时间段对应的训练数据。
可选地，所述获取基站在当前时间段内的第一接入侧数据以及第一业务侧数据的步骤包括：
获取接入所述基站的终端，在所述当前时间段内与所述基站之间的交互数据；
根据所述交互数据获取所述第一接入侧数据以及第一业务侧数据。
另一方面，本发明还提供一种基站的隐性故障确定装置，包括：
接收模块，用于获取基站在当前时间段内的第一接入侧数据以及第一业务侧数据；
确定模块，用于根据所述第一接入侧数据以及所述第一业务侧数据，确定所述基站在所述当前时间段的第一运行分数；
预测模块，用于根据预测模型、所述第一接入侧数据以及所述第一业务侧数据，预测所述基站在所述当前时间段的第二运行分数；
所述确定模块，还用于在所述第一运行分数与所述第二运行分数之间的差值大于预设差值时，确定所述基站存在隐性故障。
另一方面，本发明还提供一种基站的隐性故障确定设备，包括：存储器以及处理器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上所述的基站的隐性故障确定方法。
另一方面，本发明还提供一种可读存储介质，所述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上所述的基站的隐性故障确定方法。
本发明提供的基站的隐性故障确定方法、装置、设备和可读存储介质，获取基站在当前时间段内的接入侧数据以及业务侧数据，并根据接入侧数据以及业务侧数据确定基站在当前时间段的第一运行分数，且根据预测模型、接入侧数据以及业务侧数据预测基站在当前时间段的第二运行分数，在第一运行分数与第二运行分数之间的差值大于预设差值时，即可确定基站存在隐性故障。本发明中，用于确定判断基站是否存在隐性故障的运行分数，是通过基站在当前时间段内的接入侧数据以及业务侧数据确定的，也即基站的隐性故障的确定考虑基站的当前的接入情况以及业务情况，基站的隐性故障的确定准确性较高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本发明实现基站的隐性故障确定方法的系统构架图；
图2为本发明基站的隐性故障确定方法第一实施例的流程示意图；
图3为本发明基站的隐性故障确定方法第二实施例中步骤S20的细化流程示意图；
图4为本发明基站的隐性故障确定方法第三实施例的程示意图；
图5为本发明基站的隐性故障确定装置的模块示意图；
图6为本发明基站的隐性故障确定设备的硬件结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明提供一种基站的隐性故障确定方法，可以通过图1所示的系统构架实现。如图1所示，基站100与基站的隐性故障确定装置200通信连接。基站的隐性故障确定装置200可以是具有数据处理功能的终端，例如，基站的隐性故障确定装置200可是计算机。基站100会将当前时间段的接入侧数据以及业务侧数据发送至基站的隐性故障确定装置200，基站的隐性故障确定装置200则根据接入侧数据以及业务侧数据确定基站100在当前时间段的运行分数，基站的隐性故障确定装置200最后通过运行分数确定基站100是否存在隐性故障。
下面以具体地实施例对本发明的技术方案以及本申请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，对本发明的实施例进行描述。
参照图2，图2为本发明基站的隐性故障确定方法的第一实施例，基站的隐性故障确定方法包括以下步骤：
步骤S10，获取基站在当前时间段内的第一接入侧数据以及第一业务侧数据。
在本实施例中，执行主体是基站的隐性故障确定装置，为了便于描述，以下采用装置指代基站的隐性故障确定装置。装置可以是具有数据处理功能的终端，例如，装置可以是计算机。
基站会定时向装置发送数据，数据包括接入侧数据以及业务侧数据。具体的，基站可以间隔时间间隔定时向装置发送数据。例如，基站采样数据间隔为60秒，对应的时间间隔可为60秒；同样的，可通过对基站每60次时间间隔的数据进行汇总，对应的时间间隔则为3600秒(即1小时)。时间间隔可以为：秒、分钟等常规计时单位。
将装置当前接收的接入侧数据定义为第一接入侧数据，且将当前接收的业务侧数据定义为第一业务侧数据，第一接入侧数据以及第一业务侧数据是基站在当前时间段和接入基站的终端所产生的。第一接入侧数据包括但不限于RRC(Radio Resource Control，无线资源控制)连接次数和RAB(Radio Access Bearer，无线接入承载)连接次数。第一业务侧数据包括但不限于语音数据和上网数据。
此外，基站向装置发送的数据可以是交互数据，交互数据是接入基站的张端在当前时间段与基站之间的交互数据。接入基站的终端包括但不限于：移动终端、物联网终端等。交互数据为终端在基站下的接入数据和业务数据。装置可以根据交互数据获取第一接入侧数据以及第一业务侧数据。
步骤S20，根据第一接入侧数据以及第一业务侧数据，确定基站在当前时间段的第一运行分数。
装置将第一接入侧数据以及第一业务侧数据转化成数值，且装置存储有第一接入侧数据对应的数值、第一业务侧数据对应的数值与运行分数之间的映射关系。运行分数可以用于表征基站运行状态。装置基于获得的两个数值以及映射关系即可确定基站的运行分数。此外，不同的时间段所对应的映射关系不同，装置需要获取与当前时间段关联的映射关系，再基于当前时间段关联的映射关系、第一接入侧数据对应的数值以及第一业务侧数据对应的数值确定基站在当前时间段的运行分数。将获取的运行分数定义为第一运行分数。
步骤S30，根据预测模型、第一接入侧数据以及第一业务侧数据，预测基站在当前时间段的第二运行分数。
装置中存储有预测模型，预测模型用于预测基站的运行分数。装置将第一接入侧数据以及第一业务侧数据作为输入参数输入至预测模型，预测模型输出的数值即为基站在当前时间段的第二运行分数。
此外，预测的运行分数与时间段相关，装置可将当前时间段、第一接入侧数据、第一业务侧数据输入至预测模型，预测模型用于预测所基站在当前时间段内的第二运行分数。装置将预测模型输出的数值确定为基站在当前时间段的第二运行分数。
步骤S40，在第一运行分数与第二运行分数之间的差值大于预设差值时，确定基站存在隐性故障。
第一运行分数是基站在当前时间段的实际运行得分，而第二运行分数是基站在当前时间段的预测运行得分。装置确定第一运行分数与第二运行分数之间的差值，且该差值为正值。
装置中存储有波动阈值，波动阈值即为预设差值，且预设差值与时间段相关。装置获取当前时间段所对应的预设差值。若是差值大于预设差值，即可确定基站存在隐性故障。
示例性的，预设差值可以为Bmax，表示实际运行得分和预测运行得分的最大波动，对应的基站隐形故障判断可遵循如下规则：
在本实施例提供的技术方案中，获取基站在当前时间段内的接入侧数据以及业务侧数据，并根据接入侧数据以及业务侧数据确定基站在当前时间段的第一运行分数，且根据预测模型、接入侧数据以及业务侧数据预测基站在当前时间段的第二运行分数，在第一运行分数与第二运行分数之间的差值大于预设差值时，即可确定基站存在隐性故障。本发明中，用于确定判断基站是否存在隐性故障的运行分数，是通过基站在当前时间段内的接入侧数据以及业务侧数据确定的，也即基站的隐性故障的确定考虑基站的当前的接入情况以及业务情况，基站的隐性故障的确定准确性较高。
参照图3，图3为本发明基站的隐性故障确定方法第二实施例，基于第一实施例，步骤S20包括：
步骤S21，获取第一接入侧数据对应的第一权重以及第一业务侧数据对应的第二权重。
步骤S22，根据第一权重以及第二权重，对第一接入测数据对应的数值以及第一业务侧数据对应的数值进行加权计算，得到基站在当前时间段的第一运行分数。
在本实施例中，装置中存储有接入侧数据对应的第一权重以及业务侧数据对应的第二权重。装置获取第一接入侧数据对应的第一权重以及第二业务侧数据对应的第二权重，从而可以根据第一权重、第二权重对第一接入侧数据对应的数值以及第一业务侧数据对应的数值进行加权计算得到第一运行分数。第一运行分数通过如下公式计算得到：
score＝W接入*D接入 W业务*D业务
其中，W接入第一权重，W业务为第二权重；D接入为基站在当前时间段第一接入侧数据对应的接入数据指标(数值)，D业务为当前时间段第一接入侧数据对应的的业务数据指标(数值)。接入数据指标可以为接入关键指标RRC和RAB。业务数据指标可以为语音业务指标和上网业务指标。
在本实施例提供的技术方案中，装置获取第一接入侧数据对应的第一权重以及第一业务侧数据对应的第二权重，从而根据第一权重、第二权重对第一接入侧数据对应的数值以及第二业务侧数据对应的数值进行加权计算，以准确得到基站在当前时间段的第一运行分数。
在一实施例中，第一权重以及第二权重与基站所处区域的类型相关。基站所处区域的类型可定义为场景，也即第一权重以及第二权重通过基站所处的场景设置。场景为通信领域对现网中基站所处位置的分类。示例性的，场景可分为：住宅区、商务办公区、工业园区、城中村、商业购物区、交通枢纽、城市干道、学校。
装置获取基站所处的区域的类型，也即确定基站所处的场景，并根据类型设置接入侧数据的第一权重，且根据类型设置业务侧数据的第二权重。装置通过如下公式计算场景下第一权重和第二权重：
其中，表示在Ci场景下的所有基站在Ti时间间隔内历史RRC连接总数的平均值，表示在Ci场景下的所有基站的RRC连接的最大值；表示在Ci场景下的所有基站在Ti时间间隔内历史RAB连接总数的平均值，表示在Ci场景下的所有基站的RAB连接最大值；表示在Ci场景下的所有基站在Ti时间间隔内语音数据的平均值，表示在Ci场景下的所有基站的语音数据最大值。表示在Ci场景下的所有基站在Ti时间间隔内上网数据的平均值，表示在Ci场景下的所有基站的上网数据最大值。
装置在设置第一权重、第二权重后，设置类型、第一权重以及第二权重的对应关系。此外，第一权重以及第二权重与第一时间段(时间间隔)相关，装置可以设置第一时间段(一天可分隔为多个第一时间段)、类型、第一权重以及第二权重的对应关系，并存储对应关系。
在需要获取第一接入侧数据对应的第一权重以及第一业务侧数据对应的第二权重时，装置根据基站所处的区域的类型获取对应关系，并根据对应关系获取第一接入侧数据对应的第一权重以及第一业务侧数据对有的第二权重。若对应关系与时间段相关，装置则基于类型以及当前时间段获取存储的对应关系。
需要说明的是，第一接入侧数据对应的数值以及第一业务侧对应的数据与场景相关。示例性的，第一业务侧数据包括语音数据以及上网数据，语音数据可以为通话次数、通话时长等指标，上网数据可以为上网时长、上网流量等指标，对应的基站在场景Ci下语音业务和上网业务的计算如下：
同样的，表示在Ci场景下的所有基站在Ti时间间隔内历史通话次数的平均值，通话次数max表示在Ci场景下的所有基站的最大通话次数。对应的，其他几个指标同理。
需要说明的是，语音业务的指标分为通话次数和通话时长、上网业务的指标分为上网时长和上网流量，仅是一种示例性举例，装置可根据实际情况选择不同的语音业务指标和上网业务指标。此处示例的语音业务指标：通话次数和通话时长，上网业务指标：上网次数和上网时长仅为举例。
进一步的，接入测数据可以为接入关键指标RRC和RAB，业务指标可以为语音业务指标和上网业务指标。对应的基站在当前时间段的接入侧数据的指标和业务侧数据的指标的计算公式如下：
其中，表示在Ti时间间隔内基站的当前RRC连接总数，RRCmax表示基站的RRC连接最大值；表示在Ti时间间隔内基站的当前RAB连接总数，表示基站的RAB连接最大值；表示在Ti时间段内基站的当前语音数据的总值，语音业务max表示基站的语音数据最大值；表示在Ti时间间隔内基站的当前上网数据的总值，上网业务max表示在基站的上网数据最大值。
参照图4，图4为本发明基站的隐性故障确定方法第三实施例，基于第一或第二实施例，步骤S30之前，还包括：
步骤S50，将一天划分为多个第一时间段，并获取基站在每个第一时间段所产生的第二接入侧数据以及第二业务数据。
本实施例中，装置需要预先训练得到预测模型。具体的，装置将一天划分为多个第一时间段，再获取基站的每个第一时间段内所产生的第二接入侧数据以及第二业务侧数据。例如，装置获取基站在近一周的数据，数据中包括有产生时间，装置先在数据中获取接入侧数据以及业务侧数据，在基于产生时间，将各个接入侧数据以及各个业务侧数据进行时间划分，得到基站在每个第一时间段对应的业务侧数据以及接入侧数据。第一时间段所对应的业务侧数据以及接入侧数据，定义为第二接入侧数据以及第二业务侧数据。
步骤S60，根据第一时间段对应的第二接入侧数据、第二业务数据以及第一时间段，确定第一时间段对应的训练数据。
装置根据第一时间段所对应的第二接入侧数据、第一接入侧数据以及第一时间段确定第一时间段对应的训练数据。具体的，装置需要基于基站所处的区域的类型设置接入侧数据的第一权重以及业务侧数据的第二权重，从而根据第一权重以及第二权重对第一时间段的第二接入侧数据对应的数值以及第二业务侧数据对应的数值进行加权计算得到第一时间段所对应的第三运行分数，第三运行分数的确定、第一权重的设置、第二权重的设置请参照上述说明，在此不再进行赘述。
装置即可基于第一时间段对应的第三运行分数、第二接入侧数据以及第二业务侧数据生成第一时间段对应的训练训练。第三运行分数是训练数据的标签
步骤S70，根据各个训练数据对预设模型进行训练得到预测模型。
装置在得到各个训练数据，即可基于各个训练数据对预设模型进行训练得到预测模型。可以理解的是，预测模型是根据基站在不同时间间隔的基站运行得分所建立的时间序列模型。
示例性的，时间序列模型可以是LSTM(Long Short-Term Memory)模型，按照时序特征将基站的每个运行得分输入到模型的单元中去，通过每个单元对时序数据特征(第一时间段内的接入侧数据以及业务侧数据)的提取和记忆信息的融合，最终预测得到基站在整个时间段内的运行得分。
在本实施例提供的技术方案中，装置将一天划分为多个第一时间段，并获取基站在每个第一时间段所产生的第二接入侧数据以及第二业务侧数据，并根据第一时间段对应的第二接入侧数据、第二业务侧数据以及第一时间段确定第一时间段对应的训练数据，最后根据各个训练数据对预设模型进行训练得到预测模型，从而通过预测模型预测出基站在当前时间段的运行分数。
本发明还提供一种基站的隐性故障确定设备，参照图5，基站的隐性故障确定装置500包括：
接收模块510，用于获取基站在当前时间段内的第一接入侧数据以及第一业务侧数据；
确定模520，用于根据第一接入侧数据以及第一业务侧数据，确定基站在当前时间段的第一运行分数；
预测模块530，用于根据预测模型、第一接入侧数据以及第一业务侧数据，预测基站在当前时间段的第二运行分数；
确定模520，用于在第一运行分数与第二运行分数之间的差值大于预设差值时，确定基站存在隐性故障。
在一实施例中，基站的隐性故障确定装置500包括：
获取模块，用于获取第一接入侧数据对应的第一权重以及第一业务侧数据对应的第二权重；
计算模块，用于根据第一权重以及第二权重，对第一接入测数据对应的数值以及第一业务侧数据对应的数值进行加权计算，得到基站在当前时间段的第一运行分数。
在一实施例中，基站的隐性故障确定装置500包括：
获取模块，用于获取基站所处的区域的类型；
设置模块，用于根据类型设置接入侧数据对应的第一权重，且根据类型设置业务侧数据的第二权重；
设置模块，用于设置类型、第一权重以及第二权重之间的对应关系，并将对应关系进行存储；
获取模块，用于根据基站所处区域的类型获取对应关系，并根据对应关系获取第一接入侧数据对应的第一权重以及第一业务侧数据对应的第二权重。
在一实施例中，基站的隐性故障确定装置500包括：
输入模块，用于将当前时间段、第一接入侧数据以及第一业务侧数据输入至预测模型，预测模型用于预测基站在当前时间段内的第二运行分数；
确定模块520，用于将预测模型输出的数值确定为基站在当前时间段的第二运行分数。
在一实施例中，基站的隐性故障确定装置500包括：
获取模块，用于将一天划分为多个第一时间段，并获取基站在每个第一时间段所产生的第二接入侧数据以及第二业务数据；
确定模块520，用于根据第一时间段对应的第二接入侧数据、第二业务数据以及第一时间段，确定第一时间段对应的训练数据；
根据各个训练数据对预设模型进行训练得到预测模型。
在一实施例中，基站的隐性故障确定装置500包括：
设置模块，用于根据基站所处的区域的类型设置接入侧数据的第一权重以及业务侧数据的第二权重；
计算模块，用于根据第一权重以及第二权重，对第一时间段的第二接入侧数据对应的数值以及第二业务侧数据对应的数值进行加权计算，得到基站在第一时间段的第三运行分数；
生成模块，用于根据第一时间段对应的第三运行分数、第二接入侧数据以及第二业务侧数据，生成第一时间段对应的训练数据。
在一实施例中，基站的隐性故障确定装置500包括：
获取模块，用于获取接入基站的终端，在当前时间段内与基站之间的交互数据；
获取模块，用于根据交互数据获取第一接入侧数据以及第一业务侧数据。
图6是根据一示例性实施例示出的一种基站的隐性故障确定设备的硬件结构图。
基站的隐性故障确定设备600可以包括：处理601，例如CPU，存储器602以及收发器603。本领域技术人员可以理解，图6中示出的结构并不构成对基站的隐性故障确定设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
处理器601可以调用存储器602内存储的计算机程序，以完成上述的基站的隐性故障确定方法的全部或部分步骤。
收发器603用于接收外部设备发送的信息以及向外部设备发送信息。
一种非临时性计算机可读存储介质，当该存储介质中的指令由基站的隐性故障确定设备的处理器执行时，使得基站的隐性故障确定设备能够执行上述基站的隐性故障确定方法。
一种计算机程序产品，包括计算机程序，当该计算机程序由基站的隐性故障确定设备的处理器执行时，使得基站的隐性故障确定设备能够执行上述基站的隐性故障确定方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
