机器人故障诊断方法、装置、设备以及存储介质

1.本技术涉及工业智能制造领域，尤其涉及一种机器人故障诊断方法、装置、设备以及存储介质。


背景技术：

2.相关技术中，工业机器人的应用将从传统制造业推广到其他制造业，工业机器人可以昼夜不停的高效率生产，因此，如何使工业机器人保持高效工作状态受到研究人员的普遍重视。目前，影响工业机器人工作的重要因素包括工业机器人故障。
3.目前出现过的解决工业机器人故障的方式有：投入大量的人力资源来完成对工业机器人的每天、每周和每月的检查维护，并根据检查维护记录行程最终的设备工作状态巡回检查表，并以此为依据形成工业机器人设备维修维护手册，总结工业机器人在故障状态下的设备参数。在进行数据分析后，得到每一台设备的故障发生频率，以及故障的规律和故障原因，为之后处理故障情况积累实际经验；或者是开发了机器人远程服务平台，通过对企业车间工作的工业机器人的远程监控与实时数据记录，评估机器人的工作状态，并为客户提供相应的工业机器人故障维修与日常维护技术支持；或者是利用自主创建的tcp/ip网络与参与车间生产的工业机器人进行数据沟通，协助客户维修人员完成对机器人的故障问题处理。
4.但是，上述解决工业机器人故障问题方式确定机器人故障信息的效率太低。
5.申请内容
6.本技术的主要目的在于提供一种故障诊断方法、装置、设备以及存储介质，旨在解决确定机器人故障信息的效率太低的技术问题。
7.第一方面，为实现上述目的，本技术提供一种机器人故障诊断方法，方法包括：
8.获取机器人的扭矩信息；
9.将扭矩信息输入至训练好的故障诊断模型中，获得故障诊断模型输出的故障类型信息；其中，故障诊断模型为lstm-resnet混合深度学习模型。
10.可选的，获取机器人的扭矩信息之后，方法还包括：
11.根据预设移动尺度控制预设样本分割框在所述扭矩振动信息尺度中进行多次平移，从所述扭矩信息中截取至多个样本扭矩数据；所述预设移动尺度小于所述扭矩信息的扭矩振动信息尺且小于所述预设样本分割框的尺度；
12.所述将所述扭矩信息输入至训练好的故障诊断模型中，获得所述故障诊断模型输出的故障类型信息；其中，所述故障诊断模型为lstm-resnet混合深度学习模型，包括：
13.将所述样本扭矩数据输入至训练好的故障诊断模型中，获得所述故障诊断模型输出的故障类型信息；其中，所述故障诊断模型为lstm-resnet混合深度学习模型。
14.可选的，故障诊断模型包括预处理网络，用于对扭矩信息进行预处理，得到扭矩故障信号；
15.预处理网络包括依次连接的第一卷积层、第一池化层、第二卷积层和第二池化层；
16.第一卷积层和第二卷积层均为inception结构的一维卷积层，第一池化层和第二池化层均为批标准化层。
17.可选的，预处理网络，还用于对扭矩信息进行去噪处理和归一化处理，得到扭矩故障信号。
18.可选的，故障诊断模型包括特征提取网络，用于对扭矩故障信号进行特征提取，得到扭矩振动信号特征；
19.特征提取网络为fb-lstm resnet网络，且特征提取网络中的特征提取层为双向lstm元特征提取层。
20.可选的，故障诊断模型包括故障诊断网络，用于对扭矩振动信号特征进行故障诊断，得到故障类型信息；
21.故障诊断模块包括依次连接的全局池化层和极限学习机层；
22.全局池化层，用于对扭矩振动信号进行扁平化处理，得到已扁平化处理的扭矩振动信号；
23.极限学习机层，用于根据已扁平化处理扭矩振动信号，输出故障类别信息。
24.可选的，极限学习机，还用于输出最优参量。
25.将扭矩信息输入至训练好的故障诊断模型中之后，方法还包括：
26.根据最优参量，更新故障诊断模型，得到更新后的故障诊断模型。
27.第二方面，本技术还提供了一种机器人故障诊断装置，装置包括：
28.获取模块，用于获取机器人的扭矩信息；
29.输入模块，用于将扭矩信息输入至训练好的故障诊断模型中，获得故障诊断模型输出的故障类型信息；其中，故障诊断模型为lstm-resnet混合深度学习模型。
30.第三方面，本技术提供了一种机器人故障诊断设备，包括：处理器，存储器以及存储在存储器中的机器人故障诊断程序，机器人故障诊断程序被处理器运行时实现如第一方面机器人故障诊断方法的步骤。
31.第四方面，本技术提供了一种计算机可读存储介质，计算机可读存储介质上存储有机器人故障诊断程序，机器人故障诊断程序被处理器执行时实现如第一方面的机器人故障诊断方法。
32.本技术提出了一种机器人的故障诊断方法，通过获取机器人的扭矩信息；将扭矩信息输入至训练好的故障诊断模型中，获得故障诊断模型输出的故障类型信息；其中，故障诊断模型为lstm-resnet混合深度学习模型。
33.由此，通过将机器人的扭矩信息输入至lstm-resnet混合深度学习模型后，就能迅速地得出机器人的故障信息，提高了确定机器人故障信息的效率。
附图说明
34.图1为本技术机器人故障诊断方法的机器人故障诊断系统的架构示意图；
35.图2为本技术机器人故障诊断方法的硬件运行环境的机器人故障诊断设备的结构示意图；
36.图3为本技术提供的一种机器人故障诊断方法第一实施例的流程示意图；
37.图4为本技术提供的一种机器人故障诊断方法第二实施例的流程示意图；
38.图5为本技术提供的一种机器人故障诊断方法的预处理网络的结构示意图；
39.图6为本技术提供的一种机器人故障诊断方法的信号获取与处理模块的示意图；
40.图7为本技术提供的一种机器人故障诊断方法的故障特征提取模块的示意图；
41.图8为本技术提供的一种机器人故障诊断方法的故障诊断模块的示意图；
42.图9为本技术机器人故障诊断装置的模块示意图。
43.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
44.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
45.相关技术中，工业机器人的应用将从传统制造业推广到其他制造业，工业机器人可以昼夜不停的高效率生产，因此，如何使工业机器人保持高效工作状态受到研究人员的普遍重视。目前，影响工业机器人工作的重要因素包括工业机器人故障。
46.目前出现过的解决工业机器人故障的方式有：投入大量的人力资源来完成对工业机器人的每天、每周和每月的检查维护，并根据检查维护记录行程最终的设备工作状态巡回检查表，并以此为依据形成工业机器人设备维修维护手册，总结工业机器人在故障状态下的设备参数。在进行数据分析后，得到每一台设备的故障发生频率，以及故障的规律和故障原因，为之后处理故障情况积累实际经验；或者是开发了机器人远程服务平台，通过对企业车间工作的工业机器人的远程监控与实时数据记录，评估机器人的工作状态并为客户提供相应的工业机器人故障维修与日常维护技术支持；或者是利用自主创建的tcp/ip网络与参与车间生产的工业机器人进行数据沟通，协助客户维修人员完成对机器人的故障问题处理。
47.但是，上述解决工业机器人故障问题方式确定机器人故障信息的效率太低。
48.本技术提出了一种机器人的故障诊断方法，通过获取机器人的扭矩信息；将扭矩信息输入至训练好的故障诊断模型中，获得故障诊断模型输出的故障类型信息；其中，故障诊断模型为lstm-resnet混合深度学习模型。
49.由此，通过将机器人的扭矩信息输入至lstm-resnet混合深度学习模型后，就能迅速地得出机器人的故障信息，提高了确定机器人故障信息的效率。
50.本技术实施例以下，将对本技术技术实现中应用到的多媒体播放系统进行说明：
51.参照图1，图1是一示例性实施例提供的一种机器人故障诊断系统的架构示意图。如图1所示，该机器人故障诊断系统可以包括服务器11、网络12、机器人故障诊断设备13。
52.服务器11可以为包含一独立主机的物理服务器，或者该服务器11可以为主机集群承载的虚拟服务器。在运行过程中，服务器11可以运行某一应用的服务器侧的程序，以实现该应用的相关业务功能，比如当机器人故障诊断设备13获取机器人的扭矩信息时，该服务器11可作为该获取机器人的扭矩信息应用的服务器，以支持机器人故障诊断设备13完成获取机器人的扭矩信息的工作。
53.网络12可以包括多种类型的有线或无线网络。在一实施例中，该网络12可以包括公共交换电话网络(public switched telephone network，pstn)和因特网。机器人故障诊断设备13可以通过网络12与服务器11实现交互。
54.机器人故障诊断设备13可以包括诸如下述类型的电子设备：工作站、智能手机、平
板设备、笔记本电脑、掌上电脑(pdas，personal digital assistants)等，本说明书一个或多个实施例并不对此进行限制。
55.参照图2，图2为本技术实施例方案涉及的硬件运行环境的机器人故障诊断设备的结构示意图。
56.如图2所示，该机器人故障诊断设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
57.本领域技术人员可以理解，图2中示出的结构并不构成对播放终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
58.如图2所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及机器人故障诊断程序。
59.在图2所示的机器人故障诊断设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本技术机器人故障诊断设备中的处理器1001、存储器1005可以设置在机器人故障诊断设备中，机器人故障诊断设备通过处理器1001调用存储器1005中存储的机器人故障诊断程序，并执行本技术实施例提供的机器人故障诊断方法。
60.基于上述机器人故障诊断设备的硬件结构但不限于上述硬件结构，本技术提供一种机器人故障诊断第一实施例。参照图3，图3示出了申请机器人故障诊断第一实施例的流程示意图。
61.需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
62.本实施例中，该机器人故障诊断方法包括：
63.s10，获取机器人的扭矩信息；
64.本实施例的执行主体是机器人故障诊断设备。
65.需要理解的是，机器人故障诊断设备包括扭矩传感器，通过扭矩传感器获取机器人的扭矩信息。
66.s20，将扭矩信息输入至训练好的故障诊断模型中，获得故障诊断模型输出的故障类型信息；其中，故障诊断模型为lstm-resnet混合深度学习模型。
67.需要理解的是，机器人故障诊断设备将扭矩信息输入至训练好的故障诊断模型中，获得故障诊断模型输出的故障类型信息。其中，故障诊断模型为lstm-resnet混合深度学习模型。
68.本实施例中，目前的定位工业机器人故障的方式包括人为定位机器人故障、根据机器人的监控数据，人为确定机器人故障和机器人发生故障后，人为对机器人故障位置进行排查，而本技术通过将机器人的扭矩信息输入至lstm-resnet混合深度学习模型后，就能
迅速地得出机器人的故障信息，提高了确定机器人故障信息的效率。
69.基于上述实施例，本技术还提供了一种机器人故障诊断方法的第二实施例。图4为本技术提供的一种机器人故障诊断方法第二实施例的流程示意图。
70.本实施例中，获取机器人的扭矩信息之后，方法还包括：
71.s101,根据预设移动尺度控制预设样本分割框在所述扭矩振动信息尺度中进行多次平移，从所述扭矩信息中截取至多个样本扭矩数据；所述预设移动尺度小于所述扭矩信息的扭矩振动信息尺且小于所述预设样本分割框的尺度；
72.需要理解的是，预设移动尺度可以由用户根据实际情况设定。扭矩振动信息尺度为扭矩信息的长度信息，所述预设移动尺度小于所述扭矩信息的扭矩振动信息尺且小于所述预设样本分割框的尺度。
73.根据预设移动尺度和扭矩信息的扭矩振动信息尺度，控制预设样本分割框在扭矩振动信息尺度中进行平移也叫振动信号窗平移方法，采用该方法分割扭矩信息样本，能最大化地增加扭矩信息的样本总数，一方面可以避免过拟合，另一方面还会带来模型性能的提升。由于间距采样无法表征全部振动信号的情况，机器人故障诊断设备采用振动信号窗平移方法分割扭矩信息样本，得到的扩充样本扭矩数据，能最大化地表征全部扭矩数据的情况，有利于发掘神经网络学习潜力。
74.采用振动信号窗平移方法分割扭矩信息样本能保存时序振动信号间所存在的连贯性，可规避等间距采样无法表征全部振动信号。机器人故障诊断设备采用振动信号窗平移方法，能完成对信号分割，得到样本扭矩数据。
75.具体而言，在一示例中，如对于以扭矩振动信息尺度为lz的扭矩信息而言，运用一样本段尺度为ly的预设样本分割框进行振动信号窗平移，其中每次平移的步长，即移动尺度为p。由此，预设样本分割框每次平移后，预设样本分割框即可从扭矩信息上截取出一段样本扭矩数据。
76.此时，可以理解的，能获得的样本扭矩数据数目为e，e个样本扭矩数据构成一样本集。e根据公式1计算得到。
77.所述公式1为：
[0078][0079]
其中，
⊙
代表朝下取整的计算。
[0080]
可以理解的，由于所述预设移动尺度小于所述扭矩信息的扭矩振动信息尺且小于所述预设样本分割框的尺度，所以相邻两次平移时截取的到的样本扭矩数据存在重叠部分，且重叠信号段尺度为l
y-p。此时，对于该扭矩信息而言，经过上述振动信号窗平移方法处理后，得到的样本集中的样本扭矩数据增至α倍。α可根据公式2计算得到：
[0081]
所述公式2为：
[0082][0083]
其中，样本集中的第i个样本扭矩数据在扭矩信号中的位置可表示为：
[0084][0085]
本实施例中，将所述扭矩信息输入至训练好的故障诊断模型中，获得所述故障诊
断模型输出的故障类型信息；其中，所述故障诊断模型为lstm-resnet混合深度学习模型，适应性变为：
[0086]
s102,将所述样本扭矩数据输入至训练好的故障诊断模型中，获得所述故障诊断模型输出的故障类型信息；其中，所述故障诊断模型为lstm-resnet混合深度学习模型。
[0087]
需要理解的是，机器人故障诊断设备将扩充样本扭矩数据输入至训练好的故障诊断模型中，获得故障诊断模型输出的故障类型信息；其中，故障诊断模型为lstm-resnet混合深度学习模型。
[0088]
本实施例中，机器人故障诊断设备采用振动信号窗平移的方法能最大化地表征全部扭矩数据的情况，有利于发掘神经网络学习潜力。同时采用振动信号窗平移方法分割扭矩信息样本能保存时序振动信号间所存在的连贯性，可规避等间距采样无法表征全部振动信号。
[0089]
作为一种具体实施方式，参阅图5，图5为本技术提供的一种机器人故障诊断方法的预处理网络的结构示意图，故障诊断模型包括预处理网络，用于对扭矩信息进行预处理，得到扭矩故障信号；
[0090]
预处理网络包括依次连接的第一卷积层、第一池化层、第二卷积层和第二池化层；
[0091]
第一卷积层和第二卷积层均为inception结构的一维卷积层，第一池化层和第二池化层均为批标准化层。
[0092]
需要理解的是，扭矩故障信号为一维样本，机器人故障诊断设备根据处理网络完成对扭矩故障信号的预处理，能有效地减少信号噪音。预处理网络包括依次连接的第一卷积层、第一池化层、第二卷积层和第二池化层，其中，在卷积层后增加批标准化层有利于加速网络的收敛速率，提升训练精度，从而保证后续处理的可靠性。
[0093]
在本实施例中，机器人故障诊断设备根据预处理网络完成对扭矩故障信号的预处理，能有效地减少信号噪音。此外，在卷积层后增加批标准化层有利于加速网络的收敛速率，提升训练精度，从而保证后续处理的可靠性。
[0094]
作为一种具体实施方式，参阅图6，图6为本技术提供的一种机器人故障诊断方法的信号获取与处理模块的示意图。
[0095]
预处理网络，还用于对扭矩信息进行去噪处理和归一化处理，得到扭矩故障信号。
[0096]
需要理解的是，去噪技术是从信号中去除噪音的技术。所有的信号处理设备，都具有使其易受噪声影响的特性。噪声可以是具有均匀频率分布的随机噪声或白噪声，也可以是由设备机制或信号处理算法引入的与频率相关的噪声。
[0097]
归一化处理可以是把扭矩信息映射到0～1范围之内，能更加便捷快速地对扭矩信息进行处理。采用归一化处理有利于提升模型精度和模型的收敛速度。
[0098]
在本实施例中，通过对扭矩信息进行去噪处理和归一化处理，得到扭矩故障信号，有利于提高故障诊断结果的准确性。
[0099]
作为一种具体实施方式，参阅图7，图7为本技术提供的一种机器人故障诊断方法的故障特征提取模块的示意图。故障诊断模型包括特征提取网络，用于对扭矩故障信号进行特征提取，得到扭矩振动信号特征；
[0100]
特征提取网络为fb-lstm resnet网络，且特征提取网络中的特征提取层为双向lstm元特征提取层。
[0101]
需要理解的是，该故障特征提取模块包括双向lstm元、相加层和dropput层，此处，第一扭矩故障信息依次进入第一双向lstm元、第一dropout层、第二双向lstm元和第二dropout层后，得到第一扭矩振动信号特征；第二扭矩故障信息依次进入第三双向lstm元和第三dropout层，得到第二扭矩振动信息特征；第一扭矩振动信号特征和第二扭矩振动信息特征进行相加层后，得到扭矩振动信号特征。
[0102]
fb-lstm resnet网络用于对扭矩故障信号进行特征提取，得到扭矩振动信号特征，该网络由lstm元所组成的双向特征提取层与融合型残差网络构成。双向lstm元能够从前后方向全面地获取扭矩振动信号特征，并及时调节参量。所采用的融合型残差结构可在不增多额外参量与运算量的前提下，提升训练速率与效果，并有效处理层深所引起的退化情况。
[0103]
在本实施例中，采用fb-lstm resnet网络有利于优化数据流，从而缓解梯度弥散的问题，即解决输出陷入函数饱和区，梯度迅速变小无法有效学习的问题。
[0104]
作为一种具体实施方式，参阅图8，图8为本技术提供的一种机器人故障诊断方法的故障诊断模块的示意图。故障诊断模型包括故障诊断网络，用于对扭矩振动信号特征进行故障诊断，得到故障类型信息；
[0105]
故障诊断模块包括依次连接的全局池化层和极限学习机层；
[0106]
全局池化层，用于对扭矩振动信号进行扁平化处理，得到已扁平化处理的扭矩振动信号；
[0107]
极限学习机层，用于根据已扁平化处理的扭矩振动信号，输出故障类别信息。
[0108]
需要理解的是，现有技术中全连接层的各神经元均与前一层的全部神经元相接，用于融合卷积层所获取的数据。而全连接层的数据量庞杂，不止会损失模型的训练速率，并且易引发过拟合状况。因此，本实施例采用全局池化层对扭矩振动信号进行扁平化处理，得到已扁平化处理的扭矩振动信号可完成振动信号的扁平化处理，并削减网络参量，从而有效规避过拟合情况。
[0109]
基于同一申请构思，本技术还提供了一种机器人故障诊断方法的第三实施例。
[0110]
本实施例中，极限学习机，还用于根据所述已扁平化处理的扭矩振动信号，输出最优参量。
[0111]
本实施例中，在步骤s20之后，方法还包括：
[0112]
s30，根据最优参量，更新故障诊断模型，得到更新后的故障诊断模型。
[0113]
需要理解的是，传统的softmax(柔性最大值传输函数)方法由于需要根据分类目标提前调整该层，因而很难有效地应用从fb-lstm resnet中所获取的特征，使得训练所得的模型效能、准确度与鲁棒性不佳，并且也增加训练的时间。而采用极限学习机仅需要一次训练即可获取最优参量，并具有良好的泛化性。
[0114]
因此，在每次故障诊断过程中，极限学习机还可输出最优参量，然后根据最优参量，更新故障诊断模型，得到更新后的故障诊断模型。
[0115]
在本实施例中，采用全局池化层代替全连接层，该层可完成振动信号的扁平化处理，并削减网络参量，从而有效规避过拟合情况。采用极限学习机可经过所设定的隐层阶段获取相关参数，并利用正则法得到输出层的权值，具有良好的泛化性。同时利用极限学习机输出最优参量后，根据最优参量，更新故障诊断模型，得到更新后的故障诊断模型，提高了
故障诊断模型的准确性。
[0116]
基于同一申请构思，本技术还提供了一种机器人故障诊断装置。参阅图5，图5为本技术提供的一种机器人故障诊断装置的结构示意图，该装置具体包括：
[0117]
获取模块500，用于获取机器人的扭矩信息；
[0118]
输入模块510，用于将扭矩信息输入至训练好的故障诊断模型中，获得故障诊断模型输出的故障类型信息；其中，故障诊断模型为lstm-resnet混合深度学习模型。
[0119]
本实施例的技术方案，通过各个功能模块间的相互配合，通过获取机器人的扭矩信息；将扭矩信息输入至训练好的故障诊断模型中，获得故障诊断模型输出的故障类型信息；其中，故障诊断模型为lstm-resnet混合深度学习模型。
[0120]
由此，通过将机器人的扭矩信息输入至lstm-resnet混合深度学习模型后，就能迅速地得出机器人的故障信息，提高了确定机器人故障信息的效率。
[0121]
此外，本技术实施例还提出一种计算机存储介质，存储介质上存储有机器人故障诊断程序，机器人故障诊断程序被处理器执行时实现如上文的机器人故障诊断方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本技术所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本技术方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
[0122]
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，是可以通过计算机程序来指令相关的硬件来完成，上述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，上述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0123]
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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。另外，本技术提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0124]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术的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，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等，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)执行本技术各个实施例的方法。
[0125]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。