用于叶片振动测量的叶尖定时到达时刻的获取方法及系统

1.本发明涉及透平叶片非接触振动监测技术领域，特别涉及一种用于叶片振动测量的叶尖定时到达时刻的获取方法及系统。


背景技术：

2.叶片是透平机械的核心部件，叶片的安全性和可靠性是透平机械长期高效运行的重要保障；透平机械的故障大多由叶片造成，因此实时监测叶片的振动状态为透平机械领域的重要研究课题。
3.传统接触式振动测量需要叶片与采集传感器接触后进行信号的采集，这种方式会影响叶片原本的结构特性；另外，接触式振动测量还有着安装复杂、成本较高、使用寿命难以维持(解释性的，采集传感器需要在恶劣的条件下进行测量)等缺陷。
4.叶尖定时测量方法为一种非接触式振动测量方法，其原理包括：在透平机械叶片工作区域的壳体周围以及转轴附近安装传感器，测量叶片在旋转到达传感器的时刻；通过测量时刻与无振动时叶片理论到达时刻之差来计算得到叶片的振动位移；通过算法得到叶片的振动参数。叶尖定时测量方法的结构简单、安装方便，且对叶片本身运行无影响，在叶片振动监测领域具有广阔的应用前景。
5.基于上述陈述可知，叶尖定时测量方法需要通过得到叶尖到达传感器的时刻来计算分析叶片的振动位移，因此叶尖到达时刻的准确提取对叶片振动参数的计算分析十分重要；叶尖定时技术中传感器测量得到的是由叶片与传感器相对位置而生成的信号，需要从传感器信号中准确且快速提取得到叶尖的到达时刻。
6.目前传统的叶尖定时到达时刻为阈值触发法和线性插值法，仅考虑了阈值附近较少的采样点；然而实际中在背景噪声的影响下，上述两种方法采集到的信号幅值存在很大误差：一方面，阈值附近的采样点因噪声影响，信号幅值可能会超过或者滞后阈值，给叶尖到达时刻带来至少一个采样频率点的时间误差；另一方面，当背景噪声很大时，采用阈值与脉冲信号相交的方法甚至会出现多个交点，无法选取叶尖达到时刻。


技术实现要素：

7.本发明的目的在于提供一种用于叶片振动测量的叶尖定时到达时刻的获取方法及系统，以解决上述存在的一个或多个技术问题。具体的，针对现有传统叶尖到达时刻提取方法的缺点，本发明公开了一种基于降噪信号的卷积神经网络叶尖定时到达时刻计算方法，该方法首先对叶尖定时测量信号进行降噪处理，然后采用训练好的卷积神经网络输出结果，能够实现叶尖到达时刻的快速且准确的计算。
8.为达到上述目的，本发明采用以下技术方案：
9.本发明提供的一种用于叶片振动测量的叶尖定时到达时刻的获取方法，包括以下步骤：
10.获取叶尖位移时间采样序列；所述叶尖位移时间采样序列中每个采样点均包括采
样时间和叶尖位移；
11.将所述原始叶尖位移时间采样序列输入预训练好的神经网络模型中，所述神经网络模型输出叶尖定时到达时刻；
12.其中，所述神经网络模型包括：
13.降噪模块，用于输入所述原始叶尖位移时间采样序列，采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理，输出降噪后的叶尖位移时间采样序列；
14.一维卷积神经网络，用于输入所述降噪后的叶尖位移时间采样序列，输出对应的叶尖定时到达时刻。
15.本发明的进一步改进在于，所述采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理的具体步骤包括：
16.(1)采用平滑滤波方法，综合考虑信号去噪效果与振动位移辨识偏差设计窗口宽度，将原始叶尖位移时间采样序列进行平滑处理，获得平滑处理后的信号；
17.(2)采用完全集合经验模态分解方法将所述平滑处理后的信号分解，使用熵权法对基本模式分量进行权重计算，获得干净信号分量和噪声分量；
18.(3)采用奇异值分解法对所述噪声分量做奇异值分解来提取噪声中的有用信息，获得去噪后的噪声分量；
19.(4)将干净信号分量与去噪后的噪声分量融合，获得降噪后的叶尖位移时间采样序列。
20.本发明的进一步改进在于，所述步骤(3)具体包括：
21.将噪声分量转换为m
×
n的矩阵，并对矩阵做傅里叶变换将其转换为频域矩阵h以体现原信号的特征频率；
22.对频域矩阵h做svd分解，表达式为，h＝usv
t
；式中，u表示m
×
m阶正交阵；v表示n
×
n阶正交阵；s表示对角矩阵；t表示转置；
23.通过选取奇异值实现高频噪声去除。
24.本发明的进一步改进在于，所述预训练好的神经网络模型的获取步骤包括：
25.获取训练样本集；所述训练样本集中的每个训练样本均包括：样本叶尖位移时间序列和对应的叶尖定时到达时刻标签；每个样本叶尖位移时间序列的每个采样点均包括时刻值及对应的幅值；
26.所述对应的叶尖定时到达时刻标签的获取步骤包括：
27.基于采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理后的样本叶尖位移时间序列，获取截断区间；其中，所述截断区间为样本叶尖位移时间序列中所有脉冲信号曲线上升段且包括预设阈值的区间；
28.基于所述截断区间获取采样点的时刻值和幅值；
29.基于样本叶尖位移时间序列的单个脉冲信号的采样点的时刻和幅值，采用最小二乘法进行线性拟合，获得拟合直线；
30.基于所述预设阈值和所述拟合直线，获得所述对应的叶尖定时到达时刻标签。
31.本发明提供的一种用于叶片振动测量的叶尖定时到达时刻的获取系统，包括：
32.数据获取模块，用于获取叶尖位移时间采样序列；所述叶尖位移时间采样序列中
每个采样点均包括采样时间和叶尖位移；
33.结果获取模块，用于将所述原始叶尖位移时间采样序列输入预训练好的神经网络模型中，所述神经网络模型输出叶尖定时到达时刻；
34.其中，所述神经网络模型包括：
35.降噪模块，用于输入所述原始叶尖位移时间采样序列，采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理，输出降噪后的叶尖位移时间采样序列；
36.一维卷积神经网络，用于输入所述降噪后的叶尖位移时间采样序列，输出对应的叶尖定时到达时刻。
37.本发明的进一步改进在于，所述采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理的具体步骤包括：
38.(1)采用平滑滤波方法，综合考虑信号去噪效果与振动位移辨识偏差设计窗口宽度，将原始叶尖位移时间采样序列进行平滑处理，获得平滑处理后的信号；
39.(2)采用完全集合经验模态分解方法将所述平滑处理后的信号分解，使用熵权法对基本模式分量进行权重计算，获得干净信号分量和噪声分量；
40.(3)采用奇异值分解法对所述噪声分量做奇异值分解来提取噪声中的有用信息，获得去噪后的噪声分量；
41.(4)将干净信号分量与去噪后的噪声分量融合，获得降噪后的叶尖位移时间采样序列。
42.本发明的进一步改进在于，所述步骤(3)具体包括：
43.将噪声分量转换为m
×
n的矩阵，并对矩阵做傅里叶变换将其转换为频域矩阵h以体现原信号的特征频率；
44.对频域矩阵h做svd分解，表达式为，h＝usv
t
；式中，u表示m
×
m阶正交阵；v表示n
×
n阶正交阵；s表示对角矩阵；t表示转置；
45.通过选取奇异值实现高频噪声去除。
46.本发明的进一步改进在于，所述预训练好的神经网络模型的获取步骤包括：
47.获取训练样本集；所述训练样本集中的每个训练样本均包括：样本叶尖位移时间序列和对应的叶尖定时到达时刻标签；每个样本叶尖位移时间序列的每个采样点均包括时刻值及对应的幅值；
48.所述对应的叶尖定时到达时刻标签的获取步骤包括：
49.基于采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理后的样本叶尖位移时间序列，获取截断区间；其中，所述截断区间为样本叶尖位移时间序列中所有脉冲信号曲线上升段且包括预设阈值的区间；
50.基于所述截断区间获取采样点的时刻值和幅值；
51.基于样本叶尖位移时间序列的单个脉冲信号的采样点的时刻和幅值，采用最小二乘法进行线性拟合，获得拟合直线；
52.基于所述预设阈值和所述拟合直线，获得所述对应的叶尖定时到达时刻标签。
53.与现有技术相比，本发明具有以下有益效果：
54.本发明中，针对脉冲电压信号中背景噪声过大影响信号提取精度且经典降噪方法
难以取得较好效果的问题，本发明经过参数优化提出了一种复合降噪方法，可有效降低信号中的噪声；针对叶尖到达时刻处理复杂的问题，本发明中建立的预训练好的卷积神经网络模型来实现叶尖到达时刻的快速获取。
55.另外，针对采样频率和背景噪声降低叶尖定时精度的问题，本发明提出了一种基于脉冲电压信号的上升沿区间线性拟合的叶尖到达时刻提取方法，可有效降低噪声对提取结果的影响。
附图说明
56.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，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；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说，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。
57.图1为本发明实施例的一种用于叶片振动测量的叶尖定时到达时刻的获取方法的流程示意图；
58.图2为本发明具体实施例的一种用于叶片振动测量的叶尖定时到达时刻的获取方法的流程示意图；
59.图3为本发明实施例中，基于脉冲信号上升沿区间线性拟合的到达时刻提取方法的示意图；
60.图4为本发明实施例中，叶尖传感器信号分区方式示意图；
61.图5为本发明实施例中，卷积神经网络的结构示意图；
62.图6为本发明实施例中，复合降噪方法效果验证示例的示意图；其中，图6中(a)为模拟含噪信号示意图，图6中(b)为信噪比示意图，图6中(c)为振动位移均方差示意图。
具体实施方式
63.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
64.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
65.下面结合附图对本发明做进一步详细描述：
66.请参阅图1，本发明实施例的一种用于叶片振动测量的叶尖定时到达时刻的获取方法，包括以下步骤：
67.获取原始叶尖位移时间采样序列；其中，每个采样点均包括采样时间、叶尖位移；
68.将所述原始叶尖位移时间采样序列输入预训练好的神经网络模型中，所述神经网络模型输出叶尖定时到达时刻；
69.其中，所述神经网络模型包括：
70.降噪模块，用于输入所述原始叶尖位移时间采样序列，采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理后，输出降噪后的叶尖位移时间采样序列；
71.一维卷积神经网络，用于输入所述降噪后的叶尖位移时间采样序列，输出对应的叶尖定时到达时刻。
72.本发明实施例示例性的，所述降噪模块中，采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理的具体步骤包括：
73.(1)采用平滑滤波方法(sg)，综合考虑信号去噪效果与振动位移辨识偏差设计窗口宽度，将原始叶尖位移时间采样序列进行平滑处理，获得平滑处理后的信号；
74.(2)采用完全集合经验模态分解方法(ceemd)将所述平滑处理后的信号分解，使用熵权法对基本模式分量进行权重计算，获得干净信号分量和噪声分量；
75.(3)采用奇异值分解法(svd)对所述噪声分量做奇异值分解来提取噪声中的有用信息，获得去噪后的噪声分量，通过选取较大的奇异值可实现去除高频噪声；具体的，原始叶尖位移时间采样序列的噪声分量，将其转换为m
×
n大小的矩阵，并对矩阵做傅里叶变换将其转换为频域矩阵h以体现原信号的特征频率，然后对新的矩阵做svd分解，表达式为，h＝usv
t
；
76.式中，u表示m
×
m阶正交阵；v表示n
×
n阶正交阵；s表示对角矩阵；t表示转置。
77.解释性的，一般获得的奇异值中，前几项对应着含噪信号中分解出来的干净信号，剩余项对应着分解出来的噪声，因此选取并保留主要奇异值结果进行信号重构。
78.(4)将干净信号分量与去噪后的噪声分量融合，完成原始信号的去噪过程，获得降噪后的叶尖位移时间采样序列。
79.需要强调的是，对于单个经典算法，如sg平滑算法，小波去噪和ceemd等经典方法在本问题中均难以取得令人满意的效果。文献中可查到的，对于sg算法，虽然有较高的信噪比指标，可获得较精确的共振频率，但是平均窗口的方式较低了共振点的峰值，增大了振动位移误差；对于小波去噪方法，则与sg算法相反，可以获得较低的位移误差，但是去噪后的噪声较高，共振频率误差较大；对于ceemd算法，则共振频率与振动位移误差均较大。
80.进一步强调的，本发明实施例中提出的复合降噪方法需要对每一步中应用的算法进行参数优化。比如，应用sg平滑算法过程中需要优化多项式阶次和窗口宽度，应用ceemd算法则需要通过熵权法来区分信号分量和噪声分量。
81.请参阅图6，图6示例性说明了本发明方法与sg平滑算法、小波去噪算法以及ceemd算法，在加入信噪比为10db、20db和30db的高斯白噪声单个叶尖定时信号的降噪效果。理论上来讲，去噪后的信噪比越大，同时辨识结果的均方差越小，说明去噪方法的性能越好。综合来看，本发明在信噪比和振动位移均方差上均取得或接近最佳效果，说明本文所提方法能同时兼顾信号的去噪质量和特征提取，验证了本文所提方法的有效性。
82.本发明实施例示例性的，所述预训练好的神经网络模型的获取步骤包括：
83.获取训练样本集；其中，所述训练样本集中的每个训练样本均包括：样本叶尖位移时间序列和对应的叶尖定时到达时刻标签；每个样本叶尖位移时间序列的每个采样点均包括：该采样点的时刻值与其对应的幅值；
84.所述对应的叶尖定时到达时刻标签的获取步骤包括：
85.基于样本叶尖位移时间序列(降噪处理后的)，获取截断区间；其中，所述截断区间为样本叶尖位移时间序列中所有脉冲信号曲线上升段且包括预设阈值的区间；
86.基于所述截断区间获取采样点的时刻和幅值；
87.基于单个脉冲信号的采样点的时刻和幅值，采用最小二乘法进行线性拟合，获得拟合直线；
88.基于所述预设阈值和所述拟合直线，获得对应的叶尖定时到达时刻标签。
89.请参阅图2，本发明实施例具体示例性的一种用于叶片振动测量的叶尖定时到达时刻的获取方法，包括以下步骤：
90.步骤1，针对透平机械叶片，设计并搭建叶尖定时测量装置，包括：
91.(1)首先安装叶片位置测量传感器；比如可使用电涡流位移传感器，将1～n号位移传感器分别安装到测试对应的预设位置，作为叶尖定时传感器；将0号位移传感器安装对准旋转轴键位置，作为转速传感器，将所有传感器连接至信号采集装置，并测试测量效果，若信号较弱则进行传感器的位置调整等操作。
92.(2)安装叶尖定时测量装置并测试良好后，则可测量获得叶片叶尖定时数据，测试完成后获得了叶尖定时传感器的信号数据，即{y1,y2,y3…yn
}，共有n组数据，测试还获得了转速传感器的信号数据w。
93.步骤2，针对获得的叶尖定时传感器数据进行数据降噪；针对叶尖定时数据降噪的方法较多，如sg平滑算法、小波去噪和ceemd完全集合经验模态分解方法；本发明实施例中提出了一种针对叶尖定时信号的复合降噪方法，经过步骤2即可获得去噪后的叶尖定时传感器的信号数据，即{y1',y2',y3'
…yn
'}和转速传感器的信号数据w'。
94.步骤3，将降噪后信号输入训练好的卷积神经网络模型，获得叶尖定时到达时刻。
95.本发明实施例的步骤3中，预训练好的卷积神经网络模型数据集的构建步骤包括：
96.在数据集的构建前，需要获得叶尖到达时刻作为卷积神经网络对应的输出；本发明实施例首先提出了一种基于脉冲信号上升沿区间线性拟合的到达时刻提取方法如图3所示，该方法的主要步骤如下：
97.(1)由于理论上无噪声时信号的上升沿曲线是一个近似恒定斜率的连续变化过程，因此选择在单个脉冲信号曲线上升沿包含阈值的一个区间ua～ub内，建立一个截断区间(ua,ub)；
98.(2)选择出在上升沿中且又在截断区间内的采样点c1,c2,c3…cl
，各采样点所对应的时刻值为t1,t2,t3…
t
l
，对应的信号幅值为u1,u2,u3…ul
∈(ua,ub)；
99.(3)采用最小二乘法进行线性拟合，即假定采样点在直线上，则根据采
样点的时刻与信号幅值即可计算出α，表达式为，
100.式中，为区间内采样点时刻平均值，为区间内采样点幅值平均值；
101.带入即可求得β，进一步得到了该直线的表达式
102.(4)将获得的表达式与阈值电压u
t
水平相交，即可求解交点得到该个脉冲信号对应的叶尖到达时刻t
t
。
103.本发明实施例的步骤3的(1)中，获取卷积神经网络输入数据集时：
104.首先需要对叶尖定时传感器的信号数据进行分区，其分区的依据为转速传感器的信号数据中每圈的采集时刻，因此需要获得信号采集时间内转速传感器信号的每圈时刻值，则可根据w’中脉冲信号的长度，选定某一值作为触发值记为a，a值取脉冲信号最高点的0.5倍；采用上述提出的基于脉冲信号上升沿区间线性拟合的到达时刻提取方法可获得一组到达时刻值t
t0
,t
t1
,t
t2
…
t
tm
。由于转速传感器每测得一个信号时，叶片已进行了一周的旋转，因此转速传感器的信号数据中得到的相邻时刻间，每个叶尖定时传感器测量得到了每个叶片的信号，可根据时刻值t
t0
,t
t1
,t
t2
…
t
tm
对{y1',y2',y3'
…yn
'}中每个传感器测得的信号进行分区。示例性的，以1号叶尖传感器信号y1'为例，根据时刻值分区则可得到z1,z2…
zm个分区后的信号曲线，每个信号区间z均包含了旋转一周内每个叶片在1号传感器位置的测量信号，每个信号区z间即为神经网络的一个输入值。
105.其次需要计算第i个信号区间zi对应的输出值，同样采用上述提出的基于脉冲信号上升沿区间线性拟合的到达时刻提取方法，计算得到一组时刻值记为bti，表达式为，bti＝[bt
i1
,bt
i2
,bt
i3
…
bt
in
]；
[0106]
式中，bt为叶片的到达时刻，n为叶片总数。
[0107]
需注意，对于信号区间zi左侧时刻值均置为0，因此实际的时刻值应加上t
t0
,t
t1
,t
t2
…
t
tm
中对应的时刻值。
[0108]
则对于1号叶尖传感器可记其训练集为tr＝{z；bt}，即每旋转一周该传感器测量得到信号曲线与其对应得每个脉冲信号(每个叶片)的时刻值，因此该训练集共包含m个样本。
[0109]
优选的，由于传感器的安装等因素，每个传感器测量得到的信号在幅值上存在差异，因此需要针对每个传感器单独的生成训练集，则一共可获得n个相互独立的训练集。
[0110]
本发明实施例的步骤3中，预训练好的卷积神经网络设计与搭建步骤如下：
[0111]
采用测量获取的叶片的叶尖定时振动信号，将其作为卷积神经网络的输入，对应的叶尖到达时刻值作为输出进行神经网络的训练，其神经网络结构如图5所示。由于传感器间的训练数据相互独立，这里以1号叶尖传感器的训练集tr＝{z；bt}为例说明卷积神经网络的训练过程。
[0112]
本发明实施例中采用的一维卷积神经网络，主要由卷积层、批量归一化、激活函数、下采样层和全连接层组成。
[0113]
卷积层使用卷积核对输入信号的局部位置进行卷积运算，提取相应的局部特征。如果用表示l层第i个卷积核的权重，用表示l层第j个被卷积的局部位置，那么卷积层运算可以写为：
[0114]
式中：*表示一维信号卷积运算；w表示卷积核的宽度；表示第l层的第i个卷积核的第j个权重值。
[0115]
在本发明实施例的卷积神经网络中，采用分批进行随机梯度下降计算，并采用bn批量归一化法将在每批数据向前传输时对每一层进行了标准化。其正向传递数学表达式如下：
[0116][0117][0118][0119][0120]
式中：z
l(i,j)
表示神经元的输出；ε为增加数值稳定性添加的一个常数；γ
l(i)
表示缩放参数；γ
l(i)
表示平移量参数。
[0121]
本发明实施例中神经网络的激活函数选取为性整流函数(relu)作为激活单元，提高神经网络的收敛速度；其公式为a
l(i,j)
＝f(z
l(i,j)
)＝max{0,z
l(i,j)
}；
[0122]
式中：z
l(i,j)
表示bn层运算的输出；a
l(i,j)
表示z
l(i,j)
的激活函数。
[0123]
本发明实施例中卷积神经网络的全连接层如下所示，全连接层的数学表达式如下：
[0124][0125]
式中：p
l+1(j)
表示全连接层的输出值；w表示权重矩阵；b表示偏置量；l表示层数；i表示第i个神经元。
[0126]
本发明实施例中卷积神经网络的优化器选择为随机梯度下降法，并选择选择交叉熵损失作为损失函数对预测值进行评判，其计算公式如下：
[0127][0128]
式中，yi为真实时刻值，为预测时刻值，m为样本数量。
[0129]
本发明实施例的步骤3中卷积神经网络的训练步骤如下：
[0130]
对于1号叶尖传感器来说，首先采用随机抽样法将数据集tr以8:2的比例分为训练集与测试集。将训练集输入预先建立的卷积神经网络中进行训练。经过训练集的不断输入
迭代更新神经网络各层参数，使其达到预测精度为98％时停止训练。训练停止后采用测试集进行准确率的验证，本发明中测试集的准确率在96％以上即视为神经网络满足要求。
[0131]
经过训练满足预测精度要求后，即可的得到1号叶尖传感器对应的训练好的卷积神经网络模型，同理对其余传感器的数据集进行训练，得到每个传感器对应的神经网络模型。
[0132]
经历以上步骤即完成了本发明提出的叶尖定时到达时刻计算，则对于该测量装置来说，任意传感器测量的新测量信号进行步骤3中的信号分区间后即可输入到训练好的神经网络中，快速获得叶尖定时到达时刻。
[0133]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0134]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0135]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0136]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0137]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。