充电站监测方法和设备与流程

1.本发明涉及电动车辆充电领域，特别涉及一种电动车辆充电站监测方法及设备。


背景技术：

2.电动车辆(ev)充电网络可以包括来自不同制造商的多种不同的ev充电站，诸如直流充电站和交流充电站。ev充电站可能会遇到多种问题，诸如电气问题、与不同车辆的兼容性问题、移动网络连接问题等。因此，可靠地检测ev充电站是否以某种方式发生故障或获得有关故障原因的信息可能具有挑战性。此外，预测此类故障可能会很困难。


技术实现要素：

3.提供此概述以用简化形式介绍概念的选择，这些概念将在下面的详细描述中进一步描述。此概述不意图标识所要求保护的主题的关键特征或基本特征，也不旨在用于限制所要求保护的主题的范围。
4.本发明的目的在于提供一种充电站监测设备及充电站监测方法。前述和其他目的通过独立权利要求的特征来实现。进一步的实施形式从从属权利要求、描述和附图中是显而易见的。
5.根据第一方面，方法包括：从包括多个ev充电站的电动车辆ev充电网络获得训练数据集；使用训练数据集训练机器学习模型；从ev充电网络获得输入数据集；将输入数据集输入到经训练的机器学习模型中；从经训练的机器学习模型中获得输出数据集；基于输出数据集识别多个ev充电站中的至少一个ev充电站的故障。例如，此方法可以实现检测发生故障的充电站和/或在故障发生之前预测充电站的故障。
6.在第一方面的一种实施形式中，该方法进一步包括：从ev充电网络获得验证数据集；并使用验证数据集验证经训练的机器学习模型。例如，该方法可以更可靠地识别故障。
7.在第一方面的进一步实施形式中，训练数据集、验证数据集和/或输入数据集进一步包括来自ev充电网络外部的至少一个资源的附加信息。该方法可以例如使用来自充电网络外部的信息以便考虑可能影响充电网络的操作的其他因素。
8.在第一方面的进一步实施形式中，输出数据集包括以下中的至少一个：多个ev充电站的子集的指示；或至少一个充电事件的指示。例如，该方法可以启用指示发生故障和/或可能发生故障的充电站。
9.在第一方面的进一步实施形式中，训练数据集和/或输入数据集包括以下中的至少一个：多个ev充电站中的至少一个ev充电站的使用历史；多个ev充电站中的至少一个ev充电站的位置；多个ev充电站中的至少一个ev充电站的类型；多个ev充电站中的至少一个ev充电站的错误历史；多个ev充电站中的至少一个ev充电站的位置的天气信息；或者与多个ev充电站中的至少一个ev充电站的位置相关的外部资源信息。该方法可以例如使用来自充电网络的信息以考虑可能影响充电网络的操作的因素。
10.在第一方面的进一步实施形式中，机器学习模型包括以下中的至少一个：线性回
归；决策森林回归；增强决策树回归；快速森林分位数回归；神经网络；或泊松回归。例如，该方法可以实现以高精度和/或高效率检测发生故障的充电站和/或预测充电站的故障。
11.在第一方面的进一步实施形式中，该方法进一步包括以下中的至少一个，在用训练数据集训练机器学习模型之前：对训练数据集执行特征提取；对训练数据集执行特征变换；或对训练数据集执行特征缩放。例如，该方法可以使得能够以可以有效地训练机器学习模型的方式预处理训练数据集。
12.应当理解，上述第一方面的实施形式可以相互结合使用。几种实施形式可以组合在一起形成进一步的实施形式。
13.根据第二方面，提供了一种计算机程序产品，包括被配置为当在计算机上执行计算机程序时执行根据第一方面的方法的程序代码。
14.根据第三方面，计算设备被配置为：从包括多个ev充电站的电动车辆ev充电网络获得训练数据集；使用训练数据集训练机器学习模型；从ev充电网络获得输入数据集；将输入数据集输入到经训练的机器学习模型中；从经训练的机器学习模型中获得输出数据集；并基于输出数据集识别多个ev充电站中的至少一个ev充电站的故障。
15.在第三方面的实施形式中，计算设备进一步被配置为：从ev充电网络获得验证数据集；并使用验证数据集验证经训练的机器学习模型。
16.在第三方面的进一步实施形式中，训练数据集、验证数据集和/或输入数据集进一步包括来自ev充电网络外部的至少一个资源的附加信息。
17.在第三方面的进一步实施形式中，输出数据集包括以下中的至少一个：多个ev充电站的子集的指示；或至少一个充电事件的指示。
18.在第三方面的进一步实施形式中，训练数据集和/或输入数据集包括以下中的至少一个：多个ev充电站中的至少一个ev充电站的使用历史；多个ev充电站中的至少一个ev充电站的位置；多个ev充电站中的至少一个ev充电站的类型；多个ev充电站中的至少一个ev充电站的错误历史；多个ev充电站中的至少一个ev充电站的位置的天气信息；或者与多个ev充电站中的至少一个ev充电站的位置相关的外部资源信息。
19.在第三方面的进一步实施形式中，机器学习模型包括以下中的至少一个：线性回归；决策森林回归；增强决策树回归；快速森林分位数回归；神经网络；或泊松回归。
20.在第三方面的进一步实施形式中，计算设备进一步被配置为在用训练数据集训练机器学习模型之前执行以下中的至少一个：对训练数据集执行特征提取；对训练数据集执行特征变换；或者对训练数据集执行特征缩放。
21.应当理解，上述第三方面的实施形式可以相互结合使用。几种实施形式可以组合在一起形成进一步的实施形式。
22.许多伴随特征将更容易理解，因为它们通过参考结合附图考虑的以下详细描述而变得更好理解。
附图说明
23.在下文中，参考附图和附图更详细地描述示例实施例，其中：
24.图1示出了根据实施例的用于充电站监测的方法的流程图；
25.图2示出了根据实施例的用于充电站监测的计算设备的示意图；
26.图3示出了根据实施例的机器学习模型训练的示意图；
27.图4示出了根据实施例的用于充电站监测的系统的框图；以及
28.图5示出了根据实施例的用于充电站监测的方法的流程图。
29.在下文中，相同的附图标记用于表示附图中的相同部件。
具体实施方式
30.在下面的描述中，参考了附图，这些附图形成了本公开的一部分，并且在附图中通过说明的方式示出了可以放置本公开的特定方面。应当理解，在不脱离本公开的范围的情况下，可以利用其他方面并且可以做出结构或逻辑改变。因此，不应将以下详细描述理解为限制性意义，因为本公开的范围由所附权利要求限定。
31.例如，应当理解，与所描述的方法相关的公开内容也可以适用于被配置为执行该方法的相应设备或系统，反之亦然。例如，如果描述了特定的方法步骤，则相应的设备可以包括用于执行所描述的方法步骤的单元，即使此单元在图中没有明确地描述或示出。另一方面，例如，如果特定装置是基于功能单元来描述的，则相应的方法可以包括执行所描述的功能的步骤，即使此步骤在图中没有明确地描述或示出。此外，应当理解，本文描述的各种示例方面的特征可以彼此组合，除非另外特别指出。
32.图1示出了根据实施例的用于充电站监测的方法100的流程图。
33.根据实施例，方法100包括从包括多个ev充电站的电动车辆(ev)充电网络获得101训练数据集。例如，该获得可以由经由电信网络/链路耦接到ev充电网络的计算设备来执行。例如，这种计算设备可以通过与多个ev充电站通信来收集训练数据。每个ev充电站可以包括计算设备，该计算设备可以被配置为收集关于ev充电站的数据，诸如使用数据。训练数据集可以包括例如训练输入数据和训练输出数据。
34.ev充电站可指可用于为ev充电的设备，诸如电动车辆。ev充电网络可以指ev充电站的网络。ev充电网络中的每个ev充电站可以例如经由电信网络或类似的连接到诸如服务器的计算设备。ev充电网络中的ev充电站可以例如使用计算设备来监测和/或管理。
35.方法100可以进一步包括用训练数据集训练102机器学习模型。训练102可以包括例如使用学习算法来训练机器学习模型。学习算法可以包括例如监督学习、无监督学习、强化学习、特征学习、稀疏字典学习、异常检测和/或关联规则。
36.训练数据可以包括例如训练输入数据集和训练输出数据集。训练102可以包括调整机器学习模型的参数，使得机器学习模型产生与对应训练输入数据集的训练输出数据集相匹配的输出。训练输入数据集可以包括例如与ev充电站的操作相关的数据，并且训练输出数据集可以包括指示故障的ev充电站的数据。
37.在一些实施例中，可以在用训练数据集训练102机器学习模型之前对训练数据集执行其他操作，诸如特征提取、特征变换和/或特征缩放/归一化。
38.方法100进一步可包括从ev充电网络获得103输入数据集。输入数据集可以在ev充电站操作期间连续获得。
39.方法100进一步可包括将输入数据集输入104到经训练的机器学习模型中。在一些实施例中，在将输入数据集输入到经训练的机器学习模型之前，可以对输入数据集执行其他操作，诸如特征提取、特征变换和/或特征缩放/归一化。
40.方法100进一步可包括从经训练的机器学习模型获得105输出数据集。输出数据集可以包括例如具有故障的ev充电站和/或被预测为故障的ev充电站的列表。可以使用例如数值来指示被预测为故障的ev充电站。例如，数值可能指示ev充电站将要在预定的时间间隔内发生故障的概率。
41.方法100进一步可包括基于输出数据集识别106多个ev充电站中的至少一个ev充电站的故障。识别可以包括例如在ev充电站故障之前预测至少一个ev充电站的故障和/或识别当前正在发生的至少一个ev充电站的故障。故障可能是难以使用其他方案检测/识别的类型的故障。
42.根据实施例，方法100进一步包括从电动车辆充电网络获得验证数据集；并使用验证数据集验证经训练的机器学习模型。验证数据集可以包括验证输入数据集和验证输出数据集。验证可以包括将机器学习模型为验证输入数据集提供的结果与验证输出数据集进行比较。训练数据集可以包括不包括在训练数据集中的ev充电站的数据。可以对机器学习模型和机器学习模型的参数进行细化，以便从机器学习模型中获得改进的结果。
43.图2示出了根据实施例的计算设备200的示意图。
44.计算设备200可以包括至少一个处理器201。至少一个处理器201可以包括例如各种处理设备中的一个或多个，诸如协处理器、微处理器、控制器、数字信号处理器(dsp)、带有或不带有附带dsp的处理电路，或各种其他处理设备，包括集成电路，诸如例如，专用集成电路(asic)、现场可编程门阵列(fpga)、微控制器单元(mcu)、硬件加速器、专用计算机芯片等。
45.计算设备200进一步可以包括存储器202。存储器202可以被配置为存储例如计算机程序等。存储器202可以包括一个或多个易失性存储设备、一个或多个非易失性存储设备、和/或一个或多个易失性存储设备和非易失性存储设备的组合。例如，存储器202可以体现为磁存储设备(诸如硬盘驱动器、软盘、磁带等)、光磁存储设备和半导体存储器(诸如掩模rom、prom(可编程的rom)、eprom(可擦除prom)、闪存rom、ram(随机存取存储器)等)。
46.当计算设备200被配置成实现一些功能时，计算设备200的一些组件和/或多个组件，诸如至少一个处理器201和/或存储器202，可以被配置为实现这个功能。此外，当至少一个处理器201被配置为实现一些功能时，此功能可以使用例如包括在存储器202中的程序代码来实现。例如，如果计算设备200被配置为执行操作，则至少一个存储器202和计算机程序代码可以被配置为利用至少一个处理器201使计算设备200执行该操作。
47.根据实施例，计算设备200被配置为：从包括多个ev充电站的ev充电网络获得训练数据集。
48.计算设备200可进一步被配置为利用训练数据集来训练机器学习模型。
49.计算设备200可进一步被配置为从ev充电网络获得输入数据集。
50.计算设备200可进一步被配置为将输入数据集输入到经训练的机器学习模型中。
51.计算设备200可进一步被配置为从经训练的机器学习模型获得输出数据集。
52.计算设备200可进一步被配置为基于输出数据集识别多个ev充电站中的至少一个ev充电站的故障。
53.图3示出了根据实施例的机器学习模型训练的示意图。
54.可以使用训练数据集303训练机器学习模型，产生经训练的机器学习模型305。输
入数据集304可以被馈送到经训练的机器学习模型305，并且经训练的机器学习模型305可以输出输出数据集306。基于输出数据集306，可以识别多个ev充电站中的至少一个ev充电站的故障。
55.根据实施例，训练数据集303、验证数据集和/或输入数据集304进一步包括来自电动车辆充电网络外部的至少一种资源的附加信息302。ev充电网络外部的资源可以称为外部资源。
56.训练数据集303可以从ev充电网络301获得。附加地，训练数据集303可以包括附加信息302。附加信息302可以从ev充电网络301外部获得。
57.输入数据集304可以从ev充电网络301获得。另外，输入数据集304可以包括附加信息302。附加信息302可以从ev充电网络301外部获得。
58.训练数据集303和/或输入数据集304中的附加信息302可以从例如外部资源获得。附加信息302可以包括不直接从ev充电网络301获得的数据。这样的数据可以包括例如天气数据和/或地理数据。例如，可以由第三方提供附加信息302。例如，第三方可以保持用于提供天气信息的服务，并且计算设备200可以通过查询该服务来获得ev充电站位置处的天气信息。
59.训练数据集303和/或输入数据集304可以包括例如ev充电站及其使用历史、附加兴趣点(poi)数据和/或消息，诸如，ev充电站已发送和接收的错误消息。
60.响应于将输入数据集304输入到经训练的机器学习模型305中，经训练的机器学习模型305可以输出输出数据集306。输出数据集306可以包括例如故障ev充电站的列表，近期可能发生故障的ev充电站列表，和/或被认为异常的单个充电事件列表。例如，充电事件的充电电流和/或持续时间与ev充电网络301中的其他充电事件相比可能是不寻常的。根据实施例，输出数据集可以包括用于根据上述参数预测充电速度的预测器模型。
61.基于输出数据集306，可以识别多个ev充电站中的至少一个ev充电站的故障。
62.根据实施例，输出数据集306包括以下中的至少一个：多个ev充电站的子集的指示；或至少一个充电事件的指示。多个ev充电站的子集的指示可以对应于例如发生故障或可能发生故障的ev充电站。该子集可以包括一个或多个ev充电站。子集的指示可以包括例如子集中的ev充电站的标识列表。至少一个充电事件的指示可以对应于至少一个异常充电事件。
63.根据实施例，训练数据集303和/或输入数据集304包括多个ev充电站中的至少一个ev充电站的使用历史。使用历史可以包括例如充电事件的时间信息、ev充电站的用户、充电事件的长度、ev充电站随时间的能量使用、用户的ev型号、用户的ev的电池容量等等。
64.替代地或附加地，训练数据集303和/或输入数据集304可以包括多个ev充电站中的至少一个ev充电站的位置。该位置可以包括例如ev充电站的全球定位系统(gps)坐标、国家、城市、地区等。
65.替代地或附加地，训练数据集303和/或输入数据集304可以包括多个ev充电站中的一种类型的至少一个ev充电站。该类型可以包括例如指示ev充电站是直流(dc)还是交流(ac)充电站、ev充电站的插座类型、ev充电站的最大充电功率等。
66.替代地或附加地，训练数据集303和/或输入数据集304可以包括多个ev充电站中的至少一个ev充电站的错误历史。错误历史可以包括例如由充电站发送的错误消息或其他
消息、由ev充电站检测到的任何错误等。
67.替代地或附加地，训练数据集303和/或输入数据集304可以包括在多个ev充电站中的至少一个ev充电站的位置处的天气信息。天气信息可以包括，例如，ev充电站处或附近的气温、ev充电站或附近的最低/最高气温、ev充电站或附近的雨/雪量等。
68.替代地或附加地，训练数据集303和/或输入数据集304可以包括与多个ev充电站中的至少一个ev充电站的位置相关的外部资源信息。外部资源信息可以包括例如公共兴趣点(poi)数据，诸如充电站附近的餐馆、咖啡馆、加油站等，ev充电站附近的地理人口数据，ev充电站附近的地理电动车辆数据，诸如充电站附近有多少人拥有电动车辆等。
69.替代地或附加地，训练数据集303和/或输入数据集304可以包括例如ev充电站的定价模型和/或ev充电站的目标充电持续时间/功率的指示。
70.根据实施例，机器学习模型包括以下中的至少一个：线性回归；决策森林回归；增强决策树回归；快速森林分位数回归；神经网络；或泊松回归。例如，线性回归可能在缺乏复杂性的高维、稀疏数据集上表现良好。决策树在训练和预测期间的计算和存储器使用方面都很有效。
71.根据实施例，方法100进一步包括在用训练数据集训练机器学习模型之前的以下中的至少一个：对训练数据集执行特征提取；对训练数据集执行特征变换；或对训练数据集执行特征缩放。
72.根据实施例，方法100进一步包括在将输入数据集输入到经训练的机器学习模型之前的以下中的至少一个：对输入数据集执行特征提取；对输入数据集执行特征变换；或对输入数据集执行特征缩放。
73.特征提取可以减少来自训练的非信息性和/或冗余数据。例如，充电速度和充电功率可能有很强的联系，并可以认为是冗余数据。
74.特征变换可以改变向机器学习模型表示特征的方式。特征转换应该保留数据属性。例如，应预先发送一周中的某一天，整数1-7可用于表示天。但是，使用这种方法，第一天的值将与一周的最后一天不同。因此，这可能不是一个好的变换。作为一种解决方案，可以使用七个特征，每个特征代表一周中的一天。如果等于当天，则该值可以为1，否则为0。
75.特征缩放/归一化可以实现机器学习模型的更快训练。例如，特征缩放/归一化可能会限制特征的值范围，因为某些ml算法可能需要这样做。特征缩放/归一化也可用于表示有意义的信息。
76.在特征提取、特征变换和/或特征缩放之后，得到的数据集可以包括例如过去的正常充电事件列表、过去的不正常充电事件列表，和/或过去的充电站错误列表。基于得到的数据集，可以训练机器学习模型，和/或可以将得到的数据集馈送到经训练的机器学习模型中。
77.图4示出了根据实施例的用于充电站监测的系统400的示意图。
78.系统400可以包括ev充电网络301、计算设备200、外部资源402和/或用户403。ev充电网络301可以包括多个ev充电站401。
79.计算设备200可以使用例如数据连接与ev充电网络301和/或外部资源402通信。ev充电网络301外部的资源可以被称为外部资源402。计算设备可以被配置为从ev充电网络301获得训练数据、输入数据和/或验证数据。计算设备200还可以被配置为从外部资源402
获得附加信息302。训练数据303、输入数据304和/或验证数据可以包括附加信息302。
80.计算设备200可以经由例如数据连接与ev充电网络301和/或外部资源402通信。数据连接可以是使计算设备200能够与ev充电网络301和/或外部资源402通信的任何连接。数据连接可以包括例如互联网、以太网、3g、4g、长期演进(lte)、新无线电(nr)、wi-fi或任何其他有线或无线连接或这些的某种组合。例如，数据连接可以包括无线连接，诸如wi-fi、互联网连接和以太网连接。
81.用户403可以与计算设备交互。交互可以是直接的，例如，经由用户接口，也可以是间接的。用户403例如可以是ev充电网络301的管理员。基于交互，用户403可以执行与ev充电网络301相关的动作。例如，如果在计算设备200上运行的经训练的机器学习模型305识别故障的ev充电站401，用户403可以对故障的ev充电站401执行维护或预防措施。
82.图5示出了根据实施例的方法500的流程图。
83.在已经获得101训练数据并且已经使用训练数据训练102机器学习模型之后，可以使用501经训练的机器学习模型。例如，使用501经训练的机器学习模型可以包括：操作104-106。因此，使用501经训练的机器学习模型可以指将输入数据输入到经训练的机器学习模型并从经训练的机器学习模型获得输出数据。
84.当使用501经训练的机器学习模型305时，可以获得502更多的数据。经训练的机器学习模型305可以使用在使用经训练的机器学习模型305时获得的数据来进一步训练，如图5的实施例所示。例如，输入数据集304和输出数据集306可以作为新的训练数据集，并且可以使用新的训练数据集进一步训练经训练的机器学习模型305。当使用经训练的机器学习模型305时，可以重复此过程，如图5的实施例中所示。
85.一旦机器学习模型305已经被训练，它可以用于例如通知ev充电站401的可能错误。使用其他程序可能特别难以检测随机错误。例如，ev充电站401可能在线并且不断地发送心跳并且该站没有发送任何错误消息，但是ev充电站可能仍然存在阻止用户在该站充电的问题。在这种情况下，可以按以下方式使用经训练的机器学习模型305。系统可以将ev充电站401的位置的基本信息输入到经训练的机器学习模型305。经训练的机器学习模型305然后可以基于坐标从公共源自动获得附加信息302。附加信息可以包括例如天气数据、附近的poi位置，如商店、餐馆等。系统可以输入ev充电站401的使用历史和该站已经向经训练的机器学习模型305发送或接收到的消息。机器学习模型然后评估充电站的正常使用情况。然后模型可以定期检查(可配置，例如每小时一次)当前使用情况，并在当前使用情况与典型使用情况不同时发出警报。基于警报，可以评估充电站的状态。
86.替代地或附加地，一旦机器学习模型305已经被训练，它就可以用于例如通知关于单个充电事件的错误。例如，ev充电站401的电能表可能损坏，即使充电功能正常。因此，该站可能会报告异常高的能源使用情况。在这种情况下，经训练的机器学习模型305可以了解什么是充电站上的正常充电事件，以及与正常情况明显不同的充电事件的警报。因此，此类异常充电事件的检测不需要依赖于预定参数，如能量使用。相反，经训练的机器学习模型305可以基于不同参数的组合来学习什么是正常的情况。在这种情况下，可以按以下方式使用经训练的机器学习模型305。系统可以将ev充电站401的位置的基本信息输入到机器学习模型中。系统还可以输入充电站的使用历史和充电站已经向经训练的机器学习模型305发送或接收到的消息。然后经训练的机器学习模型305可以评估什么是充电站的正常使用情
况，基于许多不同的参数，诸如正常的一天中的某个时间、某个工作日、某个客户、某个位置等是什么样的。每当有新的充电事件时，它可以被馈送到经训练的机器学习模型305，然后该模型可以在充电事件看起来不正常时发出警报。
87.可替代地或附加地，一旦机器学习模型已经过训练，它可以用于，例如，在不同的错误发生之前预测它们。例如，该模型可以提醒市中心的快速充电器在接下来的4周内很有可能发生故障，并且对其进行维护检查可能是有益的。在这种情况下，经训练的机器学习模型305可用于在错误发生之前对其进行预测。因此，预测不需要依赖于预先确定的参数，诸如能源使用情况，但是机器学习模型可以基于不同参数的组合学习哪些条件会导致ev充电站401出现问题。在这种情况下，经训练的机器学习模型305可以以下列方式使用。该系统可以将充电站位置的基本信息输入到经训练的机器学习模型305中。经训练的机器学习模型305然后可以基于坐标从公共源自动获得附加信息302。系统还可以输入先前错误情况的详细信息。目标可能是训练模型以学习以往不同参数具有特定值时，会导致ev充电站损坏。一旦机器学习模型被训练，系统可以定期(可配置，例如每天一次)检查未来最可能发生的问题，并可以对这些问题发出警报。
88.在此给出的任何范围或设备值都可以被扩展或改变而不会失去所寻求的效果。除非明确禁止，任何实施例也可以与另一个实施例组合。
89.尽管已经以特定于结构特征和/或动作的语言描述了主题，但是应当理解，在所附权利要求中定义的主题不一定限于上述特定的特征或动作。相反，以上描述的特定特征和动作被公开为实施权利要求的示例，并且其他等效特征和动作旨在落入权利要求的范围内。
90.应当理解，上述益处和优点可以涉及一个实施例或者可以涉及几个实施例。实施例不限于解决任何或所有所述问题或具有任何或所有所述益处和优点的实施例。将进一步理解，对“一个”项目的引用可以指这些项目中的一个或多个。
91.本文所述的方法的步骤可以以任何合适的顺序进行，或者在合适的情况下同时进行。附加地，可以从任何方法中删除单独的块，而不背离本文描述的主题的精神和范围。上述任何实施例的方面可以与所描述的任何其他实施例的方面结合以形成进一步的实施例，而不会失去所寻求的效果。
92.术语“包括”在本文中用于表示包括所识别的方法、块或元素，但是这样的块或元素不包括排他性列表，并且方法或装置可以包含附加的块或元素。
93.应当理解，以上描述仅作为示例给出并且本领域技术人员可以进行各种修正。上述说明书、示例和数据提供了对示例性实施例的结构和使用的完整描述。尽管上面已经以一定程度的特殊性或参考一个或多个单独的实施例描述了各种实施例，但是本领域技术人员可以对所公开的实施例进行多种改变而不脱离本说明书的精神或范围。