一种诊断电源故障的方法、系统、设备及介质与流程

本发明涉及电源领域，更具体地，特别是指一种诊断电源故障的方法、系统、计算机设备及可读介质。
背景技术：
：随着数字化进程的不断加速以及人工智能技术的不断进步，数据中心的需求越来越大。模块化数据中心(mdc)是为了应对云计算、虚拟化、集中化、高密化等服务器的变化，为了提高数据中心的运营效率而采用的新的理念，相比于传统的数据中心，它具有快速部署、绿色节能以及柔性扩展的优点。数据中心的状态监测与异常预警是智能化运维管理的重要组成部分。随着数据中心规模以及复杂程度的不断增加，其运维管理的难度也日益上升。这主要是由于系统之间的关联以及耦合性增强，一个环节的问题不仅对该子系统造成影响，而且有可能引发关联子系统的异常。在数据中心中，ups(uninterruptiblepowersupply，不间断电源)是连接交流电源与受电设备的中间设备，它可以作为后备电源系统输出稳定的电能，用于保护数据中心服务器中的数据安全。系统中的不确定性因素，如电网电压的波动、输出过载以及环境温度的变化等因素会引起ups逆变器过流、整流器异常等问题，这些异常会导致ups的供电异常进而对数据中心的安全运行产生影响，因此有必要对其进行状态监测与故障诊断。传统的ups故障诊断方法主要通过基于专家知识以及机器学习的建模方法对故障类型进行识别。基于专家知识的建模方法需要建立大量的知识规则，且判断规则中的参数依赖于专家知识进行设定具有一定的随机性，该方法难以建立准确的故障诊断模型。基于机器学习的ups故障诊断通过特征提取、特征选择获取表征ups状态的关键指标，在此基础上通过机器学习智能识别模型对ups状态进行识别。该方法主要是通过人工进行特征提取，具有一定的主观性，所选特征的质量对故障诊断结果有直接影响。近年来，随着深度学习技术的不断进步，其在图像处理以及识别领域取得了突出成果。然而在ups故障诊断领域的研究较少，且存在以下问题：1)数据中心ups故障数据较少与正常数据相比存在严重不平衡；2)数据中心ups数据受到外界环境等因素影响处于动态变化中造成训练数据与实际现场数据分布不尽一致。3)训练数据模型难以适应现场数据的分布进而产生较差的识别结果。因此，采用专家知识的规则法故障诊断存在规则库建立困难，参数设定主观性强的缺点；采用机器学习建模方法的故障诊断存在人工特征提取繁琐，主观性强且故障诊断准确率依赖于特征选择质量的缺点；采用传统的深度学习ups故障诊断方法存在异分布数据模型适应性差、故障预测准确受到数据分布差异性影响的缺点。技术实现要素：有鉴于此，本发明实施例的目的在于提出一种诊断电源故障的方法、系统、计算机设备及计算机可读存储介质，本发明通过一维wasserstein生成对抗网络1d-wgan对小样本故障数据进行增广提升故障样本数量；通过变尺度滑窗法结合dbn网络对原始ups多源数据进行深层次特征提取；采用mk-mmd特征度量准则降低ups源域数据与目标域数据之间的分布差异并在线自适应更新模型参数，更新完成后的网络模型在线对ups故障进行预测，能够有效规避现有技术中的缺点。基于上述目的，本发明实施例的一方面提供了一种诊断电源故障的方法，包括如下步骤：采集电源在正常状态和故障状态下的原始多源数据，并对所述原始多源数据进行预处理以得到多源数据；离线阶段对所述多源数据进行深度特征提取以得到源域数据，并根据所述源域数据得到预训练模型；在线阶段对所述多源数据进行深度特征提取以分别得到源域数据和目标域数据，并降低所述源域数据和所述目标域数据的分布差异以将所述预训练模型更新为训练模型；以及根据所述训练模型对电源的故障类型进行预测。在一些实施方式中，所述对所述原始多源数据进行预处理以得到多源数据包括：对所述故障状态下的原始多源数据进行增广以得到第一多源数据，将所述第一多源数据与所述正常状态下的原始多源数据合并以得到所述多源数据。在一些实施方式中，所述对所述故障状态下的原始多源数据进行增广以得到第一多源数据包括：构建生成模型和判别模型；将所述故障状态下的原始多源数据中的噪声数据输入所述生成模型以得到生成样本，将所述生成样本和所述故障状态下的原始多源数据中的故障数据输入所述判别模型以进行区分；响应于所述判别模型能够区分出故障数据和生成样本，根据所述生成样本和所述故障数据的差异调整所述生成模型并返回上一步骤；以及响应于所述判别模型无法区分出故障数据和生成样本，通过所述生成模型对故障数据进行增广。在一些实施方式中，所述在线阶段对所述多源数据进行深度特征提取以分别得到源域数据和目标域数据包括：采用变尺度滑窗法以及rbm网络提取所述多源数据的局部特征；以及采用dbn网络模型对所述局部特征进行融合以提取深层次特征。在一些实施方式中，所述降低所述源域数据和所述目标域数据的分布差异以将所述预训练模型更新为训练模型包括：采用mk-mmd特征度量准则降低所述源域数据和所述目标域数据的分布差异。在一些实施方式中，所述采用mk-mmd特征度量准则降低所述源域数据和所述目标域数据的分布差异包括：利用多个基础核的线性组合对源域特征和目标域特征进行差异性度量。在一些实施方式中，所述采用mk-mmd特征度量准则降低所述源域数据和所述目标域数据的分布差异包括：通过反向传播更新网络参数以减小源域和目标域之间的差异。本发明实施例的另一方面，提供了一种诊断电源故障的系统，包括：预处理模块，配置用于采集电源在正常状态和故障状态下的原始多源数据，并对所述原始多源数据进行预处理以得到多源数据；创建模块，配置用于离线阶段对所述多源数据进行深度特征提取以得到源域数据，并根据所述源域数据得到预训练模型；更新模块，配置用于在线阶段对所述多源数据进行深度特征提取以分别得到源域数据和目标域数据，并降低所述源域数据和所述目标域数据的分布差异以将所述预训练模型更新为训练模型；以及执行模块，配置用于根据所述训练模型对电源的故障类型进行预测。本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现如上方法的步骤。本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。本发明具有以下有益技术效果：(1)采用域自适应迁移学习对数据中心ups状态进行智能识别，能够自动诊断ups故障类型，鲁棒性高且节省人力；(2)能够实时对数据中心ups状态进行预测，并将预警结果通过邮件或移动端反馈至管理员实现智能预警。附图说明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，下面描述中的附图仅仅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实施例。图1为本发明提供的诊断电源故障的方法的实施例的示意图；图2为本发明实施例中1d-wgan故障数据生成的网络结构示意图；图3为本发明提供的诊断电源故障的计算机设备的实施例的硬件结构示意图；图4为本发明提供的诊断电源故障的计算机存储介质的实施例的示意图。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明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。基于上述目的，本发明实施例的第一个方面，提出了一种诊断电源故障的方法的实施例。图1示出的是本发明提供的诊断电源故障的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：s1、采集电源在正常状态和故障状态下的原始多源数据，并对所述原始多源数据进行预处理以得到多源数据；s2、离线阶段对所述多源数据进行深度特征提取以得到源域数据，并根据所述源域数据得到预训练模型；s3、在线阶段对所述多源数据进行深度特征提取以分别得到源域数据和目标域数据，并降低所述源域数据和所述目标域数据的分布差异以将所述预训练模型更新为训练模型；以及s4、根据所述训练模型对电源的故障类型进行预测。针对现有技术的不足，本发明提出了一种基于域自适应迁移学习及小样本数据的数据中心ups故障诊断方法。该方法通过一维wasserstein生成对抗网络1d-wgan对小样本故障数据进行增广提升故障样本数量；通过变尺度滑窗法结合dbn网络对原始ups多源数据进行深层次特征提取；采用mk-mmd特征度量准则降低ups源域数据与目标域数据之间的分布差异并在线自适应更新模型参数，更新完成后的网络模型在线对ups故障进行预测。采集电源在正常状态和故障状态下的原始多源数据，并对所述原始多源数据进行预处理以得到多源数据。在一些实施方式中，所述对所述原始多源数据进行预处理以得到多源数据包括：对所述故障状态下的原始多源数据进行增广以得到第一多源数据，将所述第一多源数据与所述正常状态下的原始多源数据合并以得到所述多源数据。为了选择表征ups故障的数据，本发明融合ups多源数据进行故障特征提取，所选数据如下表所示：序号数据名称1输入电流ainput_current_a2输入电流binput_current_b3输入电流cinput_current_c4输出电流aoutput_current_a5输出电压aoutput_voltage_a6输出负载output_workload7ups温度ups_temperature8环境温度env_temperatutre9环境湿度env_humidity在实际应用中，现场产生的ups故障数据较少与正常样本数据之间存在较大差异，为了提升故障样本数量，本发明提出了1d-wgan网络模型对故障数据进行增广。在一些实施方式中，所述对所述故障状态下的原始多源数据进行增广以得到第一多源数据包括：构建生成模型和判别模型；将所述故障状态下的原始多源数据中的噪声数据输入所述生成模型以得到生成样本，将所述生成样本和所述故障状态下的原始多源数据中的故障数据输入所述判别模型以进行区分；响应于所述判别模型能够区分出故障数据和生成样本，根据所述生成样本和所述故障数据的差异调整所述生成模型并返回上一步骤；以及响应于所述判别模型无法区分出故障数据和生成样本，通过所述生成模型对故障数据进行增广。生成模型包括输入层、一维卷积层、全连接层以及输出层。其中输入层ups噪声数据，输出层为生成的ups故障数据记为xi'＝(xi1',xi2',xi3',...xi9'),i＝1,2,...n。其中i为样本的个数。判别模型包括输入层、一维卷积层、maxpooling1d层、flatten层、dropout层、全连接层以及输出层。其中，输入层为真实ups故障xi＝(xi1,xi2,xi3,...xi9),i＝1,2,3...n以及生成的ups故障数据xi。输出为真实故障数据或生成故障数据的预测。wgan采用的wasserstein距离度量函数进行真实数据与生成数据分布之间的度量，损失函数如下：生成器损失函数：判别器损失函数为：该损失函数为的作用为当固定生成器时，尽可能增大真实故障样本与生成故障样本之间的分布距离该损失函数lc近似于两者之间的wasserstein距离。当固定判别器时，尽可能减小生成故障样本与真实故障样本之间的分布距离该损失函数lg近似于两者之间的wasserstein距离。故障数据生成整体网络结构如图2所示。如图2所示，将多源数据分成ups故障数据和ups噪声数据，ups故障数据直接作为真实样本输入判别模型，ups噪声数据通过生成模型形成生成样本输入判别模型，如果判别模型能够识别真实样本和生成样本则表明生成模型不够完善，需要进行进一步的调整。可以根据判别模型的输出对生成模型进行进一步的调整。直到判别模型无法识别真实样本和生成样本，则可以使用生成模型对ups故障数据进行增广。离线阶段对所述多源数据进行深度特征提取以得到源域数据，并根据所述源域数据得到预训练模型。在线阶段对所述多源数据进行深度特征提取以分别得到源域数据和目标域数据，并降低所述源域数据和所述目标域数据的分布差异以将所述预训练模型更新为训练模型。在一些实施方式中，所述在线阶段对所述多源数据进行深度特征提取以分别得到源域数据和目标域数据包括：采用变尺度滑窗法以及rbm网络提取所述多源数据的局部特征；以及采用dbn网络模型对所述局部特征进行融合以提取深层次特征。传统的dbn网络故障识别方法将原始数据进行预处理并手动提取特征输入网络模型进行故障类型判别，但是该方法未能全面利用原始数据信息，为此，本发明将从采用滑窗法结合rbm网络进行局部特征提取。记单个样本数据长度为l,滑窗单元的长度为l，滑动步长为t，则rbm网络中可见层节点的个数为：经过滑窗法与rbm网络对原始数据进行特征提取获得：将frbm特征输入到dbn网络中进行深层特征提取得到：由于测试数据与训练数据存在工况差异导致数据分布不同，因此采用mk-mmd对fdbn特征进行域自适应学习缩小两种数据分布之间的差异。并在线更新网络参数对ups故障进行识别。在一些实施方式中，所述降低所述源域数据和所述目标域数据的分布差异以将所述预训练模型更新为训练模型包括：采用mk-mmd特征度量准则降低所述源域数据和所述目标域数据的分布差异。在一些实施方式中，所述采用mk-mmd特征度量准则降低所述源域数据和所述目标域数据的分布差异包括：利用多个基础核的线性组合对源域特征和目标域特征进行差异性度量。在一些实施方式中，所述采用mk-mmd特征度量准则降低所述源域数据和所述目标域数据的分布差异包括：通过反向传播更新网络参数以减小源域和目标域之间的差异。为了缩小测试数据与训练数据之间在数据分布上的差异，本发明从特征层对源域数据与目标域数据进行自适应迁移学习。具体方法如下：(1)采用变尺度滑窗法以及rbm网络提取ups多源数据局部特征；(2)采用dbn网络模型对局部特征进行融合提取深层次特征；(3)采用mk-mmd特征度量准则进行缩小特征域差异并更新模型参数；(4)更新完成后的网络参数用于测试数据的在线推理与故障识别。其中mk-mmd特征度量函数如下：其中，φ(·)表示与核映射k(xs,xt)＝<φ(xs),φ(xt)>相关的特征映射。k(xs,xt)表示为l个基础核的线性组合：利用l个基础核的线性组合对源域特征与目标域特征进行差异性度量，并将距离度量参数纳入损失函数中通过反向传播更新网络参数缩小源域与目标域之间的差异。根据所述训练模型对电源的故障类型进行预测。为了更清楚的说明本发明的技术方案，现举例对本发明的步骤进行说明：(1)采集ups在正常、旁路故障以及硬件故障三种状态下的多源数据；(2)采用1d-wgan对小样本故障数据进行增广以提高ups故障样本数量；(3)利用离线数据采用变尺度滑窗法以及rbm网络对ups多源数据进行局部特征提取；(4)利用离线数据采用dbn网络模型对局部特征进行融合提取深层次特征；(5)利用离线数据对网络模型进行训练得到预训练模型；(6)将在线数据和离线数据输入到预训练模型中，执行变尺度滑窗法以及rbm网络对ups多源数据进行局部特征提取；(7)将在线数据和离线数据的局部特征输入到dbn网络中输出深层次特征；(8)采用mk-mmd对在线数据与离线数据深层次特征进行距离度量，计算整体loss通过反向传播网络参数进行更新，更新完成后的网络模型输出ups状态；(9)采用flask完成web端部署与ups状态实时预测结果的查看。下表为不同方法下的ups故障诊断的训练状态与测试状态下的准确率：方法训练准确率测试准确率dbn93％62％lrbm+dbn94％74％lrbm+dbn+1d-wgan92％78％lrbm+dbn+1d-wgan+mk-mmd(本发明)98％91％其中，dbn为传统方法进行人工特征提取然后采用dbn识别方法；lrbm为采用rbm局部特征提取并配合dbn识别方法；lrbm+dbn+1d-wgan为故障样本增广后的rbm局部特征提取并配合dbn的识别方法；lrbm+dbn+1d-wgan+mk-mmd为本发明提出的ups故障诊断结果，从表中可以发现本发明在训练数据以及现场验证数据上均达到性能最优。本发明提出了一种基于域自适应迁移学习及小样本数据的数据中心ups故障诊断方法。该方法通过生成对抗网络1d-wgan对小样本故障数据进行增广提升故障样本数量；通过变尺度滑窗法结合dbn网络对原始ups多源数据进行深层次特征提取；采用mk-mmd特征度量准则降低ups源域数据与目标域数据之间的分布差异并在线自适应更新模型参数，更新完成后的网络模型在线对ups故障进行预测。需要特别指出的是，上述诊断电源故障的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于诊断电源故障的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。基于上述目的，本发明实施例的第二个方面，提出了一种诊断电源故障的系统，包括：预处理模块，配置用于采集电源在正常状态和故障状态下的原始多源数据，并对所述原始多源数据进行预处理以得到多源数据；创建模块，配置用于离线阶段对所述多源数据进行深度特征提取以得到源域数据，并根据所述源域数据得到预训练模型；更新模块，配置用于在线阶段对所述多源数据进行深度特征提取以分别得到源域数据和目标域数据，并降低所述源域数据和所述目标域数据的分布差异以将所述预训练模型更新为训练模型；以及执行模块，配置用于根据所述训练模型对电源的故障类型进行预测。在一些实施方式中，所述预处理模块配置用于：对所述故障状态下的原始多源数据进行增广以得到第一多源数据，将所述第一多源数据与所述正常状态下的原始多源数据合并以得到所述多源数据。在一些实施方式中，所述预处理模块配置用于：构建生成模型和判别模型；将所述故障状态下的原始多源数据中的噪声数据输入所述生成模型以得到生成样本，将所述生成样本和所述故障状态下的原始多源数据中的故障数据输入所述判别模型以进行区分；响应于所述判别模型能够区分出故障数据和生成样本，根据所述生成样本和所述故障数据的差异调整所述生成模型并返回上一步骤；以及响应于所述判别模型无法区分出故障数据和生成样本，通过所述生成模型对故障数据进行增广。在一些实施方式中，所述更新模块配置用于：采用变尺度滑窗法以及rbm网络提取所述多源数据的局部特征；以及采用dbn网络模型对所述局部特征进行融合以提取深层次特征。在一些实施方式中，所述更新模块配置用于：采用mk-mmd特征度量准则降低所述源域数据和所述目标域数据的分布差异。在一些实施方式中，所述更新模块配置用于：利用多个基础核的线性组合对源域特征和目标域特征进行差异性度量。在一些实施方式中，所述更新模块配置用于：通过反向传播更新网络参数以减小源域和目标域之间的差异。基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：s1、采集电源在正常状态和故障状态下的原始多源数据，并对所述原始多源数据进行预处理以得到多源数据；s2、离线阶段对所述多源数据进行深度特征提取以得到源域数据，并根据所述源域数据得到预训练模型；s3、在线阶段对所述多源数据进行深度特征提取以分别得到源域数据和目标域数据，并降低所述源域数据和所述目标域数据的分布差异以将所述预训练模型更新为训练模型；以及s4、根据所述训练模型对电源的故障类型进行预测。在一些实施方式中，所述对所述原始多源数据进行预处理以得到多源数据包括：对所述故障状态下的原始多源数据进行增广以得到第一多源数据，将所述第一多源数据与所述正常状态下的原始多源数据合并以得到所述多源数据。在一些实施方式中，所述对所述故障状态下的原始多源数据进行增广以得到第一多源数据包括：构建生成模型和判别模型；将所述故障状态下的原始多源数据中的噪声数据输入所述生成模型以得到生成样本，将所述生成样本和所述故障状态下的原始多源数据中的故障数据输入所述判别模型以进行区分；响应于所述判别模型能够区分出故障数据和生成样本，根据所述生成样本和所述故障数据的差异调整所述生成模型并返回上一步骤；以及响应于所述判别模型无法区分出故障数据和生成样本，通过所述生成模型对故障数据进行增广。在一些实施方式中，所述在线阶段对所述多源数据进行深度特征提取以分别得到源域数据和目标域数据包括：采用变尺度滑窗法以及rbm网络提取所述多源数据的局部特征；以及采用dbn网络模型对所述局部特征进行融合以提取深层次特征。在一些实施方式中，所述降低所述源域数据和所述目标域数据的分布差异以将所述预训练模型更新为训练模型包括：采用mk-mmd特征度量准则降低所述源域数据和所述目标域数据的分布差异。在一些实施方式中，所述采用mk-mmd特征度量准则降低所述源域数据和所述目标域数据的分布差异包括：利用多个基础核的线性组合对源域特征和目标域特征进行差异性度量。在一些实施方式中，所述采用mk-mmd特征度量准则降低所述源域数据和所述目标域数据的分布差异包括：通过反向传播更新网络参数以减小源域和目标域之间的差异。如图3所示，为本发明提供的上述诊断电源故障的计算机设备的一个实施例的硬件结构示意图。以如图3所示的装置为例，在该装置中包括一个处理器201以及一个存储器202，并还可以包括：输入装置203和输出装置204。处理器201、存储器202、输入装置203和输出装置204可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器202作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的诊断电源故障的方法对应的程序指令/模块。处理器201通过运行存储在存储器202中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的诊断电源故障的方法。存储器202可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据诊断电源故障的方法的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器202可选包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。输入装置203可接收输入的用户名和密码等信息。输出装置204可包括显示屏等显示设备。一个或者多个诊断电源故障的方法对应的程序指令/模块存储在存储器202中，当被处理器201执行时，执行上述任意方法实施例中的诊断电源故障的方法。执行上述诊断电源故障的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行如上方法的计算机程序。如图4所示，为本发明提供的上述诊断电源故障的计算机存储介质的一个实施例的示意图。以如图4所示的计算机存储介质为例，计算机可读存储介质3存储有被处理器执行时执行如上方法的计算机程序31。最后需要说明的是，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，可以通过计算机程序来指令相关硬件来完成，诊断电源故障的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(rom)或随机存储记忆体(ram)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。当前第1页12