一种动设备寿命预测方法及装置与流程

1.本发明涉及数据处理技术领域，特别是涉及一种动设备寿命预测方法及装置。


背景技术：

2.动设备，是指如泵、压缩机、风机等由驱动机带动的动力设备，其是工业领域中的主要工艺设备之一，用于支持工业生产进行。
3.动设备具有一定的寿命，该寿命通常由以下两点决定：一是，动设备突然出现故障时，经技术人员的检修和诊断认定动设备的维修成本太高，采用整体更换新的动设备更为合算，则认定动设备报废，动设备的寿命终结。此点完全依靠技术人员的经验认定，其认定动设备寿命的准确率不高。二是，动设备出厂时设定了一个使用时限，一旦动设备的实际使用时限达到该设定的使用时限，则认定动设备的零部件老化，随时存在安全风险，认定动设备报废。此点完全依靠厂家设定的使用时限，若动设备使用过程中维护较优，可能到设定的使用时限动设备仍可安全使用，则会导致动设备提前报废，产生浪费。而若动设备使用过程中超负荷运转或维护较差，其寿命终止时限可能早于厂家设定的使用时限，将导致动设备的运行产生安全风险。
4.可见，现有的动设备寿命认定中，并没有可靠的预测方法进行支撑，对动设备寿命认定的准确率较低。


技术实现要素：

5.有鉴于此，本发明提出了一种动设备寿命预测方法及装置，主要目的在于提高动设备寿命预测的准确率。
6.第一方面，本发明提供了一种动设备寿命预测方法，该方法包括：
7.基于动设备的静态参数生成机理模型；
8.采用所述动设备运行时产生的生产数据，修正所述机理模型；
9.采用最新修正后的机理模型预测所述动设备的寿命。
10.第二方面，本发明提供了一种动设备寿命预测装置，该装置包括：
11.生成单元，用于基于动设备的静态参数生成机理模型；
12.修正单元，用于采用所述动设备运行时产生的生产数据，修正所述机理模型；
13.预测单元，用于采用最新修正后的机理模型预测所述动设备的寿命。
14.第三方面，本发明提供了一种计算机可读存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行第一方面所述的动设备寿命预测方法。
15.第四方面，本发明提供了一种存储管理设备，所述存储管理设备包括：至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令以执行第一方面所述的动设备寿命预测方法。
16.借由上述技术方案，本发明提供的一种动设备寿命预测方法及装置，首先通过动设备的静态参数生成机理模型，然后采用动设备运行时产生的生产数据，修正机理模型。在需要预测动设备的寿命时，采用最新修正后的机理模型预测动设备的寿命。可见，本发明提供方案随着动设备的使用，不断的使用动设备运行时的产生的生产数据反哺机理模型，从而不断提高机理模型的寿命预测能力，进而能够更为准确预测动设备的寿命。
17.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1示出了本发明一个实施例提供的一种动设备寿命预测方法的流程图；
20.图2示出了本发明另一个实施例提供的一种动设备寿命预测方法的流程图；
21.图3示出了本发明一个实施例提供的一种动设备寿命预测装置的结构示意图；
22.图4示出了本发明另一个实施例提供的一种动设备寿命预测装置的结构示意图。
具体实施方式
23.下面将参照附图更加详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
24.如图1所示，本发明实施例提供了一种动设备寿命预测方法，该方法主要包括：
25.101、基于动设备的静态参数生成机理模型。
26.动设备是由驱动机带动的动力设备，其应用在诸如化工等工业领域中的工艺设备，是支持工业生产进行的主要设备之一。动设备随着其使用进程的进行，其零部件会逐渐老化，因此需要预测动设备的寿命，以在其寿命接近终结时及时对其进行更换，以保证工业生产能够安全的进行。
27.动设备的类型本实施例中不做具体限定，其可以根据实际业务要求确定。示例性的，动设备可以包括但不限于压缩机、烟气轮机、关键机组、泵、风机。
28.动设备具有静态参数，该静态参数是动设备出厂时，未投入工业生产之前，动设备固有的参数，这些静态参数由动设备本身特性而定，不受工业生产影响。静态参数本实施例中不做具体限定，其可以根据实际业务要求确定。示例性的，动设备的静态参数可以包括但不限于如下内容：动设备的生产日期、动设备的类型(比如，泵、风机等)、动设备的品牌、动设备的生产厂家、动设备的主要零部件的材质、动设备的主要零部的尺寸。
29.由于动设备的静态参数由动设备本身特性而定，是动设备的固有参数，因此基于该静态参数能够确定出动设备的理论寿命，也就是，基于静态参数能够确定出动设备的理
想工作时长。故，基于动设备的静态参数生成机理模型，该机理模型能够预测出动设备的寿命，但其预测的仅为动设备的理论寿命，其可以作为动设备寿命预测的基础模型。
30.下面对基于动设备的静态参数生成机理模型的具体过程进行说明，该过程具体包括如下步骤一至步骤四：
31.步骤一、从所述静态参数中提取所述动设备的静态特征。
32.具体的，动设备的静态参数存在有多种，有的静态参数可能并不符合训练机理模型的要求，因此需要对静态参数中的静态特征进行提取，以提取出能够用于训练机理模型的静态特征。示例性的，该静态特征可以包括但不限于如下内容：动设备的生产日期、动设备的类型、动设备的品牌、动设备的生产厂家、动设备的主要零部件的材质、动设备的主要零部的尺寸。
33.步骤二、将所述静态特征输入至待训练机理模型的损失层。
34.具体的，待训练机理模型是未训练过的样本模型，其具体类型可以基于业务要求确定，可选的，该待训练机理模型为卷积神经网络模型(convolutional neural networks，cnn)。
35.具体的，在提取到静态特征之后，将静态特征作为输入，输入至待训练机理模型的损失层，以使用静态特征对待训练机理模型进行训练。
36.步骤三、获得所述待训练机理模型中损失函数的损失值。
37.具体的，在使用静态特征对待训练机理模型进行训练后，需要获取待训练机理模型中损失函数的损失值，以判断该损失值是否小于预设数值。
38.当判断出损失值小于预设数值，则说明待训练机理模型已经收敛，机理模型具有较优的动设备寿命预测能力，则将当前得到的待训练机理模型确定为机理模型。
39.当判断出损失值不小于预设数值，则说明待训练机理模型还没有收敛，机理模型不具有较优的动设备寿命预测能力，需要继续对待训练机理模型进行迭代训练，则需要执行步骤四。
40.步骤四、根据所述损失函数的损失值对所述待训练机理模型中的参数进行调整，生成所述机理模型。
41.具体的，若当前得到的待训练机理模型的损失函数的损失值未收敛，则对待训练机理模型进行如下调整操作：待训练机理模型的维度进行增加或减少操作，待训练机理模型的参数进行增加或减少操作，调整待训练机理模型的参数的权重。在对待训练机理模型进行调整操作后，继续基于静态特征对待训练机理模型进行迭代训练，直至损失函数收敛为止。将损失函数收敛时得到的待训练机理模型确定为机理模型。
42.102、采用所述动设备运行时产生的生产数据，修正所述机理模型。
43.动设备的寿命并不仅取决于其本身的静态参数，而且与其在工业生产中的实际使用情况有关。动设备在工业生产中的实际使用情况直接影响到动设备的寿命。比如，若动设备使用过程维护较好，其使用寿命可能较其理论寿命有所延长。若动设备使用过程中维护较差或其使用条件恶劣，其使用寿命可能较其理论寿命有所缩短。
44.动设备的寿命会随着其使用进程发生变动，因此需要采用动设备运行时产生的生产数据修正机理模型，以使机理模型能够正确预测动设备的寿命。
45.根据机理模型修正时间的不同，采用动设备运行时产生的生产数据修正机理模型
的方法至少包括如下两种：
46.第一种，基于所述动设备上安装的采集设备，周期性的采集所述生产数据；采用当前周期采集的生产数据，修正所述机理模型。
47.动设备在投入到工业生产之后，为了及时监控动设备的运行情况，则需要在动设备安装采集设备，这些采集设备用于采集设备生产时产生的生产数据。动设备上安装的采集设备一套从传感器、rtu(remote terminal unit，远程终端单元)、plc(programmable logic controller，可编程逻辑控制器)、dcs(distributed control system，分布式控制系统)到智能分析故障诊断系统的通讯链路，其将采集的产生数据传输给机理模型所在的数据平台，供修正机理模型使用。需要说明的是，采集设备在采集到生产数据之后，可通过有线或无线的传输方式将采集到的生产数据传输给数据平台。
48.动设备运行时产生的生产数据能够反映出动设备的实际情况，其直接影响着动设备的寿命。生产数据包括如下内容中的至少一种：故障次数、每次故障的故障类型(包括：轴承故障概率、对中不良概率、不平衡概率、基础松动概率、润滑不良概率、转子碰磨概率、转子松动概率、叶轮故障概率等故障因素)、频谱、音频、电流、电压、流量、温度、图片、瀑布图、告警类型、使用年限、总报警值、总告警数量、大修次数、更换零部件的品牌和材质。
49.为了保证能够及时的使用动设备生产时产生的最新的生产数据修正机理模型，则需要周期性的采集生产数据。在每一个周期采集到生产数据之后，采用当前周期采集的生产数据修正机理模型。
50.第二种，基于所述动设备上安装的采集设备，采集所述生产数据；当接收到修正指令时，采用所采集生产数据，修正所述机理模型。
51.为了在用户需求的时间修正机理模型，则仅有在接收到用户输入的修正指令时，才采用生产数据修正机理模型。修正机理模型所使用的生产数据是两次修正指令之间所采集的生产数据。
52.当然，第二种方法可以与第一方法相结合使用，比如，未到当前周期对应的模型修正时间时，用户需要使用最新的生产数据修正机理模型，则采用接收修正指令时间点之前，上一个周期结束时间点之后，这段时间内采集的生产数据修正机理模型。
53.无论采用上述何种方法来修正机理模型，该修正机理模型的具体过程均包括如下步骤一至步骤四：
54.步骤一、基于所述动设备对应的生产业务场景，从修正所述机理模型时所采用的生产数据中提取所述动设备的生产特征。
55.动设备在不同的生产业务场景中，对其寿命影响的生产特征不同，因此需要提取出与动设备的生产业务场景相应的生产特征来修正机理模型，以使机理模型能够对该生产业务场景中的动设备的寿命进行准确预测。
56.动设备的生产业务场景与动设备的实际生产环境有关。示例性的，生产业务场景可以包括但不限于：化工场景、炼油场景或电力场景等。生产业务场景还可以包括但不限于：高温高压场景、有毒有害场景、无毒无害场景、防爆场景、低温低压场景、常温常压场景或腐蚀场景。
57.在提取生产特征时，从生产数据中提取符合动设备生产业务场景的生产特征。该生产特征可以包括但不限于如下内容：故障次数、每次故障的故障类型、频谱、音频、电流、
电压、流量、温度、图片、瀑布图、告警类型、使用年限、总报警值、总告警数量、大修次数、更换零部件的品牌和材质中的一种或几种。
58.步骤二、将所述生产特征输入至所述机理模型的损失层。
59.具体的，在提取到生产特征之后，将生产特征作为输入，输入至机理模型的损失层，以使用生产特征对机理模型进行训练。
60.需要说明的是，若机理模型是第一次被修正，则此时的机理模型为最原始的基于动设备的静态参数生成的机理模型。若机理模型非第一次被修正，则此时的机理模型则为当前最新被修正后的机理模型。
61.步骤三、获得所述机理模型中损失函数的损失值。
62.具体的，在使用生产特征对机理模型进行训练后，需要获取机理模型中损失函数的损失值，以判断该损失值是否小于预设数值。
63.当判断出损失值小于预设数值，则说明机理模型已经收敛，机理模型具有较优的动设备寿命预测能力，则将当前得到的机理模型确定为修正后的机理模型。
64.当判断出损失值不小于预设数值，则说明机理模型还没有收敛，机理模型不具有较优的动设备寿命预测能力，需要继续对机理模型进行迭代训练，则需要执行步骤四。
65.步骤四、根据所述损失函数的损失值对所述机理模型中的参数进行调整，形成修正后的机理模型。
66.具体的，若当前得到的机理模型的损失函数的损失值未收敛，则对机理模型进行如下调整操作：机理模型的维度进行增加或减少操作，机理模型的参数进行增加或减少操作，调整机理模型的参数的权重。在对机理模型进行调整操作后，继续基于生产特征对机理模型进行迭代训练，直至损失函数收敛为止。将损失函数收敛时得到的机理模型确定为修正后的机理模型。
67.103、采用最新修正后的机理模型预测所述动设备的寿命。
68.由于最新修正后的机理模型综合了动设备的静态参数以及动态设备的生产数据而得，因此其具有较优的寿命预测效果，则采用最新修正后的机理模型预测动设备的寿命。
69.在预测动设备的寿命时，可在如下两个时间点进行：第一个，周期性的采用最新修正后的机理模型预测动设备的寿命。第二个，在接收用户的预测指令时，采用最新修正后的机理模型预测动设备的寿命。
70.下面对采用最新修正后的机理模型预测动设备的寿命的具体过程进行说明，该过程包括如下步骤一和步骤二：
71.步骤一、确定预测所述动设备寿命所需的生产数据。
72.在需要预测动设备寿命时，可采集动设备在预设时间段内产生的生产数据，以利用该生产数据来预测寿命。该预设时间段为最新的时间段，以使所采集生产数据能够反映出动设备当前的运行情况。
73.步骤二、将预测所述动设备寿命所需的生产数据输入所述最新修正的机理模型，得到所述动设备的寿命。
74.在确定生产数据之后，将生产数据作为输入，输入到最新修正的机理模型中，由该机理模型对生产数据进行运算，运算之后即可得到动设备的寿命。
75.本发明实施例提供的一种动设备寿命预测方法，首先通过动设备的静态参数生成
机理模型，然后采用动设备运行时产生的生产数据，修正机理模型。在需要预测动设备的寿命时，采用最新修正后的机理模型预测动设备的寿命。可见，本发明实施例提供方案随着动设备的使用，不断的使用动设备运行时的产生的生产数据反哺机理模型，从而不断提高机理模型的寿命预测能力，进而能够更为准确预测动设备的寿命。
76.进一步的，根据图1所示的方法，本发明的另一个实施例还提供了一种动设备寿命预测方法，如图2所示，所述方法主要包括：
77.201、基于动设备的静态参数生成机理模型。
78.202、采用所述动设备运行时产生的生产数据，修正所述机理模型。
79.203、判断是否接收到与所述动设备类型相同的其他动设备的报废信息，若接收到，执行204；否则，执行205。
80.在实际应用中，与动设备类型相同的其他动设备的报废信息对机理模型的修正也具有一定的指导意义，也能够提高机理模型的寿命预测能力。因此在采用生产数据修正机理模型之后，需要判断是否接收到报废信息。
81.与动设备类型相同的其他动设备为如下两种中的任意一种：一种是，其他动设备仅是与动设备类型相同的动设备，比如，动设备为泵，其他动设备与该泵型号相同的泵。另一种是，其他动设备不仅是与动设备类型相同的动设备，且是与动设备生产业务场景相同的动设备。比如，动设备为泵应用于化工场景，则其他动设备是与该泵应用于相同化工场景的泵。
82.报废信息可以包括如下内容中至少一种：报废前的总故障次数、每次故障的故障类型、频谱、音频、电流、电压、流量、温度、图片、瀑布图、告警类型、使用年限、总报警值、总告警数量、大修次数、更换零部件的品牌和材质。
83.若判断出接收到与动设备类型相同的其他动设备的报废信息，则为了提高机理模型的动设备寿命预测能力，执行步骤204。
84.若判断出未接收到与动设备类型相同的其他动设备的报废信息，则直接采用最新修正后的机理模型预测动设备的寿命即可。
85.204、若接收到与所述动设备类型相同的其他动设备的报废信息，采用所述报废信息对所述最新修正后的机理模型进行二次修正。
86.若接收到与动设备类型相同的其他动设备的报废信息，则为了提高机理模型的动设备寿命预测能力，采用报废信息作为机理模型的输入，修正机理模型。
87.在使用报废信息对机理模型进行训练后，需要获取机理模型中损失函数的损失值，以判断该损失值是否小于预设数值。
88.当判断出损失值小于预设数值，则说明机理模型已经收敛，机理模型具有较优的动设备寿命预测能力，则将当前得到的机理模型确定为修正后的机理模型。
89.当判断出损失值不小于预设数值，则说明机理模型还没有收敛，机理模型不具有较优的动设备寿命预测能力，需要继续对机理模型进行迭代训练，则对机理模型进行如下调整操作：机理模型的维度进行增加或减少操作，机理模型的参数进行增加或减少操作，调整机理模型的参数的权重。在对机理模型进行调整操作后，继续基于报废信息对机理模型进行迭代训练，直至损失函数收敛为止。将损失函数收敛时得到的机理模型确定为修正后的机理模型。
90.205、采用最新修正后的机理模型预测所述动设备的寿命。
91.206、根据预测得到的寿命，确定所述动设备可继续运行的时长。
92.在预测得到动设备的寿命之后，需要根据寿命确定动设备的可继续运行时长，该时长内动设备运行发生危险的概率较低。
93.207、展示所述时长。
94.为了使用户及时了解到动设备还能够继续运行的时长，则展示时长，以使用户根据该时长，进行后续动设备使用规划。
95.208、判断所述时长是否小于预设时长，若小于，执行209，否则，结束当前流程。
96.若判断出时长小于预设时长，则说明动设备可能接近与报废状态，若继续使用则发生安全风险的概率较高，则需要执行209，以使用户根据提醒及时对动设备进行更换。
97.若判断出时长不小于预设时长，则说明动设备还处于正常的使用状态，可以继续使用，此时可以发出动设备可以继续使用的提醒。
98.209、若所述时长小于预设时长时，发出更换所述动设备的提醒。
99.若判断出时长小于预设时长，则说明动设备可能接近于报废状态，若继续使用则发生安全风险的概率较高，则发出更换动设备的提醒，以使用户根据提醒及时对动设备进行更换。
100.具体的，该提醒的形式可以基于业务要求确定，本实施例中不做具体限定。可选的，该提醒可以是语音提醒，以及可以是向特定的用户终端发出文本提醒。
101.进一步的，依据上述方法实施例，本发明的另一个实施例还提供了一种动设备寿命预测装置，如图3所示，所述装置包括：
102.生成单元31，用于基于动设备的静态参数生成机理模型；
103.第一修正单元32，用于采用所述动设备运行时产生的生产数据，修正所述机理模型；
104.预测单元33，用于采用最新修正后的机理模型预测所述动设备的寿命。
105.本发明实施例提供的一种动设备寿命预测装置，首先通过动设备的静态参数生成机理模型，然后采用动设备运行时产生的生产数据，修正机理模型。在需要预测动设备的寿命时，采用最新修正后的机理模型预测动设备的寿命。可见，本发明实施例提供方案随着动设备的使用，不断的使用动设备运行时的产生的生产数据反哺机理模型，从而不断提高机理模型的寿命预测能力，进而能够更为准确预测动设备的寿命。
106.可选的，如图4所示，生成单元31包括：
107.提取模块311，用于从所述静态参数中提取所述动设备的静态特征；
108.输入模块312，用于将所述静态特征输入至待训练机理模型的损失层；
109.获取模块313，用于获得所述待训练机理模型中损失函数的损失值；
110.生成模块314，用于根据所述损失函数的损失值对所述待训练机理模型中的参数进行调整，生成所述机理模型。
111.可选的，如图4所示，第一修正单元32包括：
112.第一采集模块321，用于基于所述动设备上安装的采集设备，周期性的采集所述生产数据；
113.第一修正模块322，用于采用当前周期采集的生产数据，修正所述机理模型。
114.可选的，如图4所示，第一修正单元32包括：
115.第二采集模块323，用于基于所述动设备上安装的采集设备，采集所述生产数据；
116.第二修正模块324，用于当接收到修正指令时，采用所采集生产数据，修正所述机理模型。
117.可选的，如图4所示，第一修正模块322或第二修正模块324，用于基于所述动设备对应的生产业务场景，从修正所述机理模型时所采用的生产数据中提取所述动设备的生产特征；将所述生产特征输入至所述机理模型的损失层；获得所述机理模型中损失函数的损失值；根据所述损失函数的损失值对所述机理模型中的参数进行调整，形成修正后的机理模型。
118.可选的，如图4所示，所述装置还包括：
119.第二修正单元34，用于在第一修正单元32采用最新修正后的机理模型预测所述动设备的寿命之前，若接收到与所述动设备类型相同的其他动设备的报废信息，采用所述报废信息对所述最新修正后的机理模型进行二次修正。
120.可选的，如图4所示，预测单元33包括：
121.确定模块331，用于确定预测所述动设备寿命所需的生产数据；
122.预测模块332，用于将预测所述动设备寿命所需的生产数据输入所述最新修正的机理模型，得到所述动设备的寿命。
123.可选的，如图4所示，所述装置还包括：
124.展示单元35，用于预测单元33采用最新修正后的机理模型预测所述动设备的寿命之后，根据预测得到的寿命，确定所述动设备可继续运行的时长；展示所述时长。
125.可选的，如图4所示，所述装置还包括：
126.提醒单元36，用于展示单元35在根据预测得到的寿命，确定所述动设备可继续运行的时长之后，若所述时长小于预设时长时，发出更换所述动设备的提醒。
127.本发明实施例提供的动设备寿命预测装置中，各个功能模块运行过程中所采用的方法详解可以参见图1、图2方法实施例的对应方法详解，在此不再赘述。
128.进一步的，依据上述实施例，本发明的另一个实施例还提供了一种计算机可读存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行图1或图2所述的动设备寿命预测方法。
129.进一步的，依据上述实施例，本发明的另一个实施例还提供了一种存储管理设备，所述存储管理设备包括：
130.至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令以执行图1或图2所述的动设备寿命预测方法。
131.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
132.可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
133.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
134.在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
135.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
136.类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明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：即所要求保护的本发明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，发明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发明的单独实施例。
137.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
138.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
139.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的深度神经网络模型的运行方法、装置及框架中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
140.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。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。单词“包含”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。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。