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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

由于目前在识别挖掘机工况时，使用的流量数据不易获取，并且所使用的专家库构建的模型通用性不高，因此，本发明提供一种挖掘机工况判定方法。

图1是本发明提供的挖掘机工况判定方法的流程示意图，如图1所示，该方法包括：

S1，获取挖掘机的实时状态参数数据；

S2，将所述实时状态参数数据输入至挖掘机工况判定模型，得到所述挖掘机工况判定模型输出的所述挖掘机的工况类型；

其中，所述挖掘机工况判定模型基于带有工况类型标签的状态参数数据样本训练得到。

本发明实施例中提供的挖掘机工况判定方法，其执行主体为服务器，该服务器可以是本地服务器，也可以是云端服务器，本地服务器具体可以是计算机、平板电脑以及智能手机等，本发明实施例中对此不作具体限定。

首先执行步骤S1，获取挖掘机的实时状态参数数据。

其中，挖掘机的实时状态参数数据可以包括发动机转速、先导压力、电流、泵压、使用时长等实时状态参数数据。

在本发明实施例中，可以通过CAN总线采集挖掘机的实时状态参数数据。CAN(Controller Area Network，CAN)总线是指控制器局域网络，是一个用于连接电子控制单元的多主机串行总线标准。CAN总线的网络各节点之间的数据通信实时性强，因此可以直接通过CAN总线采集到挖掘机的各项实时状态参数数据。

通过CAN总线采集挖掘机的实时状态参数数据，无需在挖掘机的主阀或控制器加装传感器，降低了获取状态参数数据的成本，也能够更方便的获取到挖掘机工况识别模型所需要的输入数据。

然后执行步骤S2，将获取到的实时状态参数数据输入至挖掘机工况判定模型，得到挖掘机工况判定模型输出的挖掘机的工况类型。

其中，挖掘机工况判定模型可以是现有的开源神经网络模型，例如卷积神经网络模型、残差神经网络模型或循环神经网络模型等，本发明实施例对此不作具体限定。

所述挖掘机工况判定模型基于带有工况类型标签的状态参数数据样本训练得到。具体可以通过如下方式训练得到挖掘机工况判定模型：首先，收集大量挖掘机的状态参数数据样本，并在状态参数数据样本上进行标注，也即是使状态参数数据样本携带工况类型标签。随即，基于携带有工况类型标签的状态参数数据样本训练初始模型，从而得到挖掘机工况判定模型。

由于挖掘机不同的工况类型对应着不同的状态参数数据，因此，将实时状态参数数据输入至训练好的挖掘机工况判定模型中，就可以得到挖掘机工况判定模型输出的挖掘机的工况类型。其中，挖掘机的工况类型包括挖掘、平地、装车、修坡和破碎等。

在挖掘机工况判定模型输出挖掘机的工况类型时，还可以生成这个工况类型对应的时间段，这个时间段可以用两个时间戳分别表示其起始时间和终止时间。例如，将2021年06月29日12时30分至2021年06月29日12时35分这个时间段内的实时状态参数数据输入至挖掘机工况判定模型，得到挖掘机工况判定模型输出的这个时间段内的工况类型，则这个时间段内的工况类型对应的时间段的起始时刻就可以用2021.06.30.12.30这个时间戳表示，终止时刻就可以用2021.06.30.12.35这个时间戳表示。时间戳的表示形式可以是unix时间戳。时间戳可以用于验证实时状态参数数据是否发生了篡改，也就是说，时间戳代表一个可信赖的时间。

本发明实施例中的挖掘机工况判定方法，通过获取挖掘机的实时状态参数数据，并将实时状态参数数据输入至挖掘机工况判定模型，得到挖掘机工况判定模型输出的挖掘机的工况类型，该方法所需的数据易于获取，且在训练挖掘机工况判定模型时，使用了大量的状态参数数据样本，因此挖掘机工况判定模型的通用性强，使判定挖掘机工况变得容易实现。

在上述实施例的基础上，本发明实施例提供的挖掘机工况判定方法，所述获取挖掘机的实时状态参数数据，具体包括：获取所述挖掘机在目标时间段中各预设时间段内的实时状态参数数据；

相应地，所述将所述实时状态参数数据输入至挖掘机工况判定模型，得到所述挖掘机工况判定模型输出的所述挖掘机的工况类型，具体包括：

将所述挖掘机在各预设时间段内的实时状态参数数据分别输入至所述挖掘机工况判定模型，得到所述挖掘机工况判定模型输出的所述挖掘机在各预设时间段内对应的工况类型。

具体地，本发明实施例中，需要获取挖掘机在目标时间段中各预设时间段内的实时状态参数数据。其中，目标时间段可以是挖掘机的工作时间段，例如，挖掘机一天工作8个小时，则目标时间段可以是挖掘机工作的这8个小时。各预设时间段可以根据实际需要进行设置，例如，可以将预设时间段设置为5分钟。

相应地，将实时状态参数数据输入至挖掘机工况判定模型，得到挖掘机工况判定模型输出的挖掘机的工况类型就是将挖掘机在各预设时间段内的实时状态参数数据分别输入至挖掘机工况判定模型，得到挖掘机工况判定模型输出的挖掘机在各预设时间段内对应的工况类型。

例如，在上述例子中，目标时间段是挖掘机的工作时间段，预设时间段是5分钟，如果挖掘机的工作时间段是从早上8点到下午6点，则目标时间段是10个小时，将这10个小时内的各个5分钟内的实时状态参数数据分别输入至挖掘机工况判定模型，就可以得到挖掘机工况判定模型输出的挖掘机在各预设时间段内对应的工况类型。例如，将9点至9：05这个时间段内的实时状态参数数据输入至挖掘机工况判定模型，就可以得到9点至9：05这个时间段对应的工况类型。

本发明实施例中的挖掘机工况判定方法，将挖掘机在各预设时间段内的实时状态参数数据分别输入至挖掘机工况判定模型，得到挖掘机工况判定模型输出的挖掘机在各预设时间段内对应的工况类型，能够在挖掘机的工作时间范围内对挖掘机的工况类型进行持续的判断，使挖掘机的工况类型的判定更加准确。

在上述实施例的基础上，本发明实施例提供的挖掘机工况判定方法，所述将所述挖掘机在各预设时间段内的实时状态参数数据分别输入至所述挖掘机工况判定模型，得到所述挖掘机工况判定模型输出的所述挖掘机在各预设时间段内对应的工况类型，之后还包括：

基于所述挖掘机在各预设时间段内对应的工况类型，确定各预设时间段对应的工况类型占比。

具体地，本发明实施例中，在得到挖掘机工况判定模型输出的挖掘机在各预设时间段内对应的工况类型之后，还可以基于各预设时间段内对应的工况类型，确定各预设时间段对应的工况类型占比。

例如，目标时间段是8小时，各预设时间段设置为10分钟，则需要获取8个小时内的各个10分钟对应的工况类型，也就是说，一共会获取到48个工况类型。再基于这48个工况类型，计算各预设时间段对应的工况类型占比。例如，在这48个工况类型中，有24个工况类型是挖掘，则挖掘这一工况类型的占比就是50％。

本发明实施例中，基于挖掘机在各预设时间段内对应的工况类型，确定各预设时间段对应的工况类型占比，便于用户了解挖掘机在目标时间段内的工作情况，也为用户提供了更多的数据参考。

在上述实施例的基础上，本发明实施例提供的挖掘机工况判定方法，所述将所述挖掘机各预设时间段内的实时状态参数数据分别输入至所述挖掘机工况判定模型，得到所述挖掘机工况判定模型输出的所述挖掘机在各预设时间段内对应的工况类型，之后还包括：

将所述挖掘机在各预设时间段内对应的工况类型以及所述挖掘机在各预设时间段内的实时状态参数数据上传至云端数据平台，以使所述云端数据平台对所述挖掘机在每一预设时间段内的实时状态参数数据进行聚合计算，得到所述挖掘机在每一预设时间段内的目标状态参数数据，并将所述挖掘机在各预设时间段内对应的工况类型以及所述挖掘机在各预设时间段内的目标状态参数数据存储至云端数据仓库。

具体地，本发明实施例中，在得到挖掘机工况判定模型输出的挖掘机在各预设时间段内对应的工况类型之后，还需要将挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的实时状态参数数据上传至云端数据平台。

其中，可以通过第四代移动通信技术或第五代移动通信技术的传输方式将挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的实时状态参数数据上传至云端数据平台。

第四代移动通信技术(4th Generation Mobile Communication Technology，4G)，是在第三代移动通信技术上的一次升级，通过正交频分复用(Orthogonal FrequencyDivision Multiplexing，OFDM)、多输入多输出(Multi Input Multi Output，MIMO)、智能天线等技术，使数据传输的速率比3G更快。

第五代移动通信技术(5th Generation Mobile Communication Technology，5G)，是具有高速率、低时延和大连接特点的新一代宽带移动通信技术，是实现人机物互联的网络基础设施。5G技术具有三大类应用场景，即增强移动宽带、超高可靠低时延通信和海量机器类通信，使用5G技术进行数据传输会使数据传输的速率变得更快，并且具有更高的设备连接能力。

在将挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的实时状态参数数据上传至云端数据平台之后，还可以使云端数据平台对挖掘机在每一预设时间段内的实时状态参数数据进行聚合计算，得到挖掘机在每一预设时间段内的目标状态参数数据。

由于各预设时间段内的实时状态参数数据是通过CAN总线采集的，因此每个预设时间段内都会包含很多条实时状态参数数据，通过聚合计算，可以将每个预设时间段内的多条实时状态参数数据聚合成一条状态参数数据，也就是每一预设时间段内的目标状态参数数据。

在得到目标状态参数数据后，就可以将挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的目标状态参数数据存储至云端数据仓库。其中，云端数据仓库可以是云端数据库，云端数据库的类型可以根据实际需要进行选择，本发明实施例对此不作具体限定。

本发明实施例中的挖掘机工况判定方法，将挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的实时状态参数数据上传至云端数据平台，再对挖掘机在每一预设时间段内的实时状态参数数据进行聚合计算，得到挖掘机在每一预设时间段内的目标状态参数数据，并将挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的目标状态参数数据存储至云端数据仓库，方便了工作人员在线查询挖掘机的工况类型和实时状态参数数据，也为工作人员提供了分析挖掘机的生命周期内的实时状态参数数据与工况类型之间关系的数据支持，且云端数据平台可扩展性强，可以存储更多的数据，降低数据的存储成本。

在上述实施例的基础上，本发明实施例提供的挖掘机工况判定方法，还包括：

将所述工况类型、所述实时状态参数数据以及所述工况类型对应的预设时间段存储至本地存储模块。

具体地，本发明实施例中，在得到挖掘机工况判定模型输出的挖掘机的工况类型、实时状态参数数据以及工况类型对应的预设时间段之后，还可以将挖掘机的工况类型、实时状态参数数据以及工况类型对应的预设时间段至本地存储模块。

其中，本地存储模块可以是本地数据库。本地数据库可以是关系数据库、非关系型数据库和键值数据库，例如，关系数据库可以是MySQL、MariaDB等，非关系型数据库可以是BigTable、Cassandra等，键值数据库可以是Apache Cassandra等，则工况类型、实时状态参数数据和工况类型对应的预设时间段的存储格式需要和使用的数据库对应。本发明实施例对数据库的类型不作具体限定。

本发明实施例中，将工况类型、实时状态参数数据以及工况类型对应的预设时间段存储至本地存储模块时，可以按照各预设时间段的顺序对工况类型、实时状态参数数据以及工况类型对应的预设时间段进行存储，并且可以按照预设的周期对本地存储模块中的数据进行覆盖，即本地存储模块中的数据的存储时间是预设的周期。其中，预设的周期可以根据实际需要进行设置，本发明实施例对此不作具体限定。

例如，当预设的周期是30天时，如果在日期A将工况类型、实时状态参数数据以及工况类型对应的预设时间段存储至本地存储模块，则在30天之后，日期A存储的工况类型、实时状态参数数据以及工况类型对应的预设时间段将被新存储进来的工况类型、实时状态参数数据以及工况类型对应的预设时间段覆盖。

本发明实施例中，将工况类型、实时状态参数数据以及工况类型对应的预设时间段按照各预设时间段顺序存储至本地存储模块，并按照预设的周期用新存储的工况类型、实时状态参数数据以及工况类型对应的预设时间段将本地存储模块中的工况类型、实时状态参数数据以及工况类型对应的预设时间段覆盖，便于工作人员在本地查看挖掘机的工况情况，并且当工况类型、实时状态参数数据以及工况类型对应的预设时间段传输至云端数据平台出现问题时，可以提供数据支持，加强了数据的保障性，按照预设的周期对本地存储模块中的工况类型、实时状态参数数据以及工况类型对应的预设时间段进行覆盖，降低了本地存储模块的数据维护难度和内存要求。

在上述实施例的基础上，本发明实施例提供的挖掘机工况判定方法，所述将所述挖掘机在各预设时间段内对应的工况类型以及所述挖掘机在各预设时间段内的实时状态参数数据上传至云端数据平台，之后还包括：

基于所述挖掘机在各预设时间段内对应的工况类型以及所述挖掘机在各预设时间段内的目标状态参数数据，对所述挖掘机工况判定模型进行二次训练，得到二次训练后的挖掘机工况判定模型；

基于二次训练后的挖掘机工况判定模型，对所述挖掘机工况判定模型进行更新。

具体地，本发明实施例中，由于挖掘机在达到一定的使用时间后，性能会发生下降，此时挖掘机在相同工况下的各项实时状态参数数据会发生改变，即会引起实时状态参数数据漂移。由于挖掘机实时状态参数数据的漂移，原有的挖掘机工况判定模型的判定结果的准确率就会下降，因此，为了使挖掘机工况判定模型更符合挖掘机的实际情况，可以使用挖掘机在各预设时间段内对应的工况类型以及所述挖掘机在各预设时间段内的目标状态参数数据对挖掘机工况判定模型进行二次训练。

在训练完成后，可以得到二次训练后的挖掘机工况判定模型。基于二次训练后的挖掘机工况判定模型对挖掘机工况判定模型进行更新，得到更符合挖掘机实际情况的挖掘机工况判定模型。其中，可以按照目标频率对挖掘机工况判定模型进行二次训练，目标频率可以根据实际需要进行设置，例如设置为90天等，本发明实施例对此不作具体限定。

在使用挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的目标状态参数数据对挖掘机工况判定模型进行二次训练时，使用的是累积得到的挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的目标状态参数数据，例如，当每隔90天对挖掘机工况判定模型进行二次训练时，在第一次对挖掘机工况判定模型进行二次训练时，使用的挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的目标状态参数数据结果就是前90天内累积存储在云端数据仓库中的挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的目标状态参数数据。同样的，在第二次对挖掘机工况判定模型进行更新时，就会使用前180天内累积存储在云端存储数据仓库中的挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的目标状态参数数据。

本发明实施例中的挖掘机工况判定方法，基于挖掘机在各预设时间段内对应的工况类型以及挖掘机在各预设时间段内的目标状态参数数据，对挖掘机工况判定模型进行二次训练和更新，避免了因挖掘机老化或性能下降等导致的挖掘机工况判定模型的不稳定，提高了挖掘机工况判定模型的判定准确率。

图2是本发明提供的挖掘机工况判定方法的具体流程示意图，如图2所示，实线矩形框表示工况判定边缘计算装置，该工况判定边缘计算装置包括CAN数据采集模块、挖掘机工况判定模块、数据本地存储模块以及数据远程传输模块。其中，挖掘机工况判定模块在图2中用虚线框中的内容表示。

当进行挖掘机的工况判定时，需要执行以下步骤：

1)使用CAN数据采集模块，通过CAN总线采集挖掘机的实时状态参数数据，例如发动机转速、先导压力、电流、泵压和使用时长等实时状态参数数据；

2)将这些实时状态参数数据输入至训练好的工况判定模型中，使用工况判定模型计算挖掘机在各预设时间段内对应的工况类型，在得到挖掘机在各预设时间段内对应的工况类型之后，还可以确定各预设时间段对应的工况类型占比，其中，占比最大的工况类型就是挖掘机在目标时间段内所处时长最长的工况类型；还可以得到模型判定工况，也就是挖掘机在目标时间段内的各个工况类型；

3)将CAN数据采集模块采集到的实时状态参数数据、挖掘机在各预设时间段内对应的工况类型以及各预设时间段存储至数据本地存储模块；对于数据本地存储模块中的数据，还可以通过人工定期取出的方式对数据本地存储模块中的数据进行维护保养，培训工况判定模型；

4)通过数据远程传输模块，使用4G或5G的方式，将CAN数据采集模块采集到的实时状态参数数据、挖掘机在各预设时间段内对应的工况类型以及各预设时间段上传至云端大数据平台；

5)基于云端大数据平台，对挖掘机在每一预设时间段内的实时状态参数数据进行聚合计算，得到目标状态参数数据，将目标状态参数数据和挖掘机在各预设时间段内对应的工况类型存储至云端数据仓库，并基于目标状态参数数据和挖掘机在各预设时间段内对应的工况类型对挖掘机工况判定模型进行训练，并基于训练的结果对挖掘机工况判定模型进行持续的更新，使挖掘机工况判定模型更符合挖掘机的实际情况。

图3是本发明提供的挖掘机工况判定装置的结构示意图。如图3所示，该装置包括：

参数数据获取模块301，用于获取挖掘机的实时状态参数数据；

挖掘机工况判定模块302，用于将所述实时状态参数数据输入至挖掘机工况判定模型，得到所述挖掘机工况判定模型输出的所述挖掘机的工况类型；

其中，所述挖掘机工况判定模型基于携带有工况类型标签的状态参数数据样本训练得到。

在上述实施例的基础上，本发明实施例提供的挖掘机工况判定装置，所述参数数据获取模块，具体包括：

状态参数数据获取子模块，用于获取所述挖掘机在目标时间段中各预设时间段内的实时状态参数数据；

相应地，所述挖掘机工况判定模块，具体包括：

挖掘机工况判定子模块，用于将所述挖掘机在各预设时间段内的实时状态参数数据分别输入至所述挖掘机工况判定模型，得到所述挖掘机工况判定模型输出的所述挖掘机在各预设时间段内对应的工况类型。

在上述实施例的基础上，本发明实施例提供的挖掘机工况判定装置，还包括：

占比计算模块，用于基于所述挖掘机在各预设时间段内对应的工况类型，确定各预设时间段对应的工况类型占比。

在上述实施例的基础上，本发明实施例提供的挖掘机工况判定装置，还包括：

云端模块，用于将所述挖掘机在各预设时间段内对应的工况类型以及所述挖掘机在各预设时间段内的实时状态参数数据上传至云端数据平台，以使所述云端数据平台对所述挖掘机在每一预设时间段内的实时状态参数数据进行聚合计算，得到所述挖掘机在每一预设时间段内的目标状态参数数据，并将所述挖掘机在各预设时间段内对应的工况类型以及所述挖掘机在各预设时间段内的目标状态参数数据存储至云端数据仓库。在上述实施例的基础上，本发明实施例提供的挖掘机工况判定装置，还包括：

模型更新模块，用于基于所述挖掘机在各预设时间段内对应的工况类型以及所述挖掘机在各预设时间段内的目标状态参数数据，对所述挖掘机工况判定模型进行二次训练，得到二次训练后的挖掘机工况判定模型；

基于二次训练后的挖掘机工况判定模型，对所述挖掘机工况判定模型进行更新。

在上述实施例的基础上，本发明实施例提供的挖掘机工况判定装置，所述实时状态参数数据包括发动机转速、先导压力、电流、泵压以及使用时长中的至少一个。

具体地，本发明实施例中提供的挖掘机工况判定装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。

本发明还提供一种挖掘机，包括上述的挖掘机工况判定装置，用于对挖掘机工况类型进行判定。

图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行挖掘机工况判定方法，该方法包括：获取挖掘机的实时状态参数数据；将所述实时状态参数数据输入至挖掘机工况判定模型，得到所述挖掘机工况判定模型输出的所述挖掘机的工况类型；其中，所述挖掘机工况判定模型基于携带有工况类型标签的状态参数数据样本训练得到。

此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的挖掘机工况判定方法，该方法包括：获取挖掘机的实时状态参数数据；将所述实时状态参数数据输入至挖掘机工况判定模型，得到所述挖掘机工况判定模型输出的所述挖掘机的工况类型；其中，所述挖掘机工况判定模型基于携带有工况类型标签的状态参数数据样本训练得到。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的挖掘机工况判定方法，该方法包括：获取挖掘机的实时状态参数数据；将所述实时状态参数数据输入至挖掘机工况判定模型，得到所述挖掘机工况判定模型输出的所述挖掘机的工况类型；其中，所述挖掘机工况判定模型基于携带有工况类型标签的状态参数数据样本训练得到。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。