基于多源样本迁移强化学习的智能加工刀具磨损预测方法与流程

本公开属于数控制造设备刀具磨损检测领域，特别涉及一种基于多源样本迁移强化学习的智能加工刀具磨损预测方法。

背景技术：

刀具磨损、破损是数字化加工过程中最为常见的故障，不但直接影响制造成本、产品质量及生产效率，严重时还会造成重大的设备停机事故。因此，刀具状态检测对保证加工系统的安全、加工的顺利进行、降低生产成本以及提高生产效率等方面具有重要意义。然而，由于加工过程涉及物理反应、物质及能量的转换和传递，加工过程的复杂性及不确定性导致了加工过程中刀具状态参数检测的困难，而无论是加工过程控制中先进加工过程控制算法和策略的具体实施，还是加工过程中的参数优化、刀具的状态监测及故障诊断等，其实现的前提是能有效地获取反映加工过程中刀具的状态信息。加工过程检测技术发展水平的限制，导致了很多先进的加工过程控制算法和策略目前只能停留在理论探讨上，难以应用到实际加工中，许多加工生产系统也无法依靠故障诊断和状态监测等措施来提高系统运行的安全性和可靠性。为解决上述问题，虚拟测量技术应运而生。

中国发明专利申请“一种基于深度学习的数控机床刀具磨损监测方法”(cn201711117628)，通过采集数控机床主轴电机的三相电流信号，从三相电流信号中截取与待检测刀具对应的电流信号，对每段电流信号进行规整处理，将规整处后的各段电流信号输入稀疏自动编码网络中进行训练，进而实现刀具磨损的检测，但该方法需要大量的数据对稀疏自动编码网络进行训练，导致训练时间长，且只能检测同一类别的刀具，适用性不强。

中国发明专利申请“一种刀具磨损监测方法”(cn103465107a)，通过采集刀具在各种不同磨损状态的声发射信号、机床中主轴电机与进给电机的电流信号、切削速度、切削深度和进给量，通过遗传算法对神经网络的初始权值和阈值进行优化，用训练好的神经网络对刀具磨损程度进行预测。但该方法得到的数据量较大，数据分布不均衡，神经网络训练的时间较长且准确性不高，且得到的神经网络只能检测单一的刀具类型，适用性不强。

欧洲发明专利申请“toolmonitor”(ep0334341a2)，利用声发射传感器采集制造设备刀具的声发射信号，结合带通滤波器对信号进行预处理，通过将实时采集的制造设备刀具的声发射信号与当刀具断裂时的声发射信号进行对比，得到刀具状态。但该方法不能获取声发射信号与刀具状态的隐含特征，导致滤波后的声发射信号不能完全体现刀具的实时状态，且简单的对比判定需离线判定，判定的结果主要依赖于以往的经验，导致检测结果的准确性不够。

欧洲发明专利申请“cuttingtoolwearmonitor”(ep0165745a2)，通过采集在加工过程中工件上产生的短路电流、开路电压及功率信号，结合经验分析，来检测旋刀具磨损状态，随着刀具的磨损，所产生的电流、电压和功率逐渐增加，直到急剧增加表示由于过度磨损或破损导致了刀具损坏。但由于电流及电压易受到外界因素的影响，导致检测结果不能准确表示刀具的实时磨损状态，且通过电流、电压的变化只能判断刀具是否已经磨损，而不能判断刀具的实时磨损量，达不到实时检测的要求。

技术实现要素：

针对上述问题的至少一个方面，本公开拟设计一种基于多源样本迁移强化学习的智能加工刀具磨损预测方法，该方法利用多源迁移强化学习模型及粒子滤波模型，结合虚拟检测方法，有效解决了目前加工过程中刀具磨损检测系统存在的检测目标单一及准确性不足的问题。

具体地，针对现有刀具磨损检测方法的不足，本公开的目的在于提供一种能够实现准确性好、数据处理能力强的可用于检测不同类别刀具的基于多源样本迁移强化学习的智能加工刀具磨损预测方法，该方法利用迁移学习的思想，减小了不同刀具的磨损状态数据间的差异，使得该模型能检测不同刀具的磨损状态，并减少了需要的训练数据量，使得模型的训练更加迅速，结合加权极限学习机(weightedextremelearningmachine，welm)算法，调整训练样本间的不平衡性，使得训练样本更加有效，提升了模型的准确度。

本公开的实施例采用以下技术方案实现：

基于多源样本迁移强化学习的智能加工刀具磨损预测方法，其特征在于，包括以下步骤：

步骤一：构建基于多源迁移强化学习的智能加工刀具磨损预测系统；

步骤二：根据几种刀具的不同磨损曲线获取多个源任务及一个目标任务；

步骤三：初始化模型参数及最大迭代时间；

步骤四：检测当前刀具的磨损状态，对磨损数据进行特征提取及降维，构建加权极限学习机的训练样本集，并训练加权极限学习机；

步骤五：执行加工动作，观察当前刀具的磨损状态，并同时观察刀具的下一个磨损状态及回报，计算各源任务和目标任务之间的状态相似度和回报相似度；

步骤六：计算源任务中各样本属于目标样本集的概率，并基于该概率对每个刀具磨损源任务的样本进行降序排列；

步骤七：获取任务相似度，并将固定个数的样本从每个源样本集迁移到目标样本集；

步骤八：利用基于加权极限学习机的q学习机制更新q值，并将新的刀具磨损数据添加到目标样本集中，然后向前滚动时间窗口以丢弃最旧的样本；

步骤九：构建粒子滤波模型的状态方程及观测方程；以及

步骤十：对智能加工的刀具磨损状态进行预测。

根据本公开的实施例，步骤一中智能加工刀具磨损预测系统包括刀具状态虚拟检测对象、虚拟感知模型、经验模型与粒子滤波模型。其中，刀具状态虚拟检测对象为不同的刀具，分别从中获取源任务及目标任务；虚拟感知模型主要用于确定粒子滤波模型的观测方程，其由刀具磨损数据的获取、刀具磨损数据的特征选择、刀具磨损数据的特征降维及基于welm的多源迁移强化学习四个部分组成，刀具磨损数据分别通过传感器进行在线获取及利用显微镜进行离线获取，利用统计特征、时域特征及频域特征对刀具磨损数据进行特征选择，利用核函数主成分分析(kernelprincipalcomponentanalysis，kpca)方法对选择出的特征进行特征降维，基于welm的多源迁移强化学习由样本空间迁移阶段、任务空间迁移阶段及基于welm的q学习阶段组成；经验模型主要用于确定粒子滤波模型的状态方程，其由各种刀具磨损经验模型组成，如刀具磨损率模型、刀具磨损量模型等；粒子滤波模型由观测方程与状态方程组成，完成对目标任务的刀具磨损状态的虚拟检测。

根据本公开的实施例，步骤三中模型参数包括welm学习速率，welm折扣因子，q值更新概率，welm隐含层神经元数目l，高斯核的宽度参数及匹配程度控制参数zp及zq，概率控制参数zx，源任务样本数和目标任务样本数。

根据本公开的实施例，所述步骤四中，利用在线及离线测量的方法检测当前刀具的磨损状态，并对磨损数据进行特征提取及降维后用于构建训练样本集。

例如，步骤四中利用传感器实现对刀具状态的在线测量，利用显微镜实现刀具磨损状态的离线测量，并利用不同的特征提取及降维方法对磨损数据进行预处理，将预处理后的数据作为wlem的训练样本集。

根据本公开的实施例，在所述步骤五中，利用得到的状态相似度和回报相似度来量化源任务各样本与目标任务之间的相似程度；在所述步骤六中，将所述状态相似度及所述回报相似度用于计算源任务中各样本属于目标样本集的概率。

根据本公开的实施例，步骤五中状态相似度与回报相似度的计算方法如下：

假设与分别表示第k个源任务与目标任务的样本集，第j个源样本和第i个目标样本分别表示为和通过等式(1)和(2)来计算与之间的状态相似度及回报相似度

式中，为相似权重，δs，δq和δsa为高斯核的宽度参数。通常将δs，δq和δsa的值设置为对应分子||s′i，s′j||，|qi-qj|和||(sj，aj)，(si，ai)||的相同数量级，这可以将和wij的值限制在合理的范围内。显然，两个样本之间的相似度越高，越大。同样，可以从等式(2)中看出，两个q值qi和qj越近，越大。

根据本公开的实施例，在所述步骤六中，将源任务中各样本属于目标样本集的概率作为样本迁移权值，该值决定了样本迁移的可能性大小。

根据本公开的实施例，步骤六中源任务中各样本属于目标样本集的概率计算方法如下：

式中，称为样本迁移权重，和分别表示和的相似度，其定义与等式(1)和(2)相似。

根据本公开的实施例，在所述步骤七中，根据贝叶斯概率分析理论计算任务相似度，该值用于决定从每个源任务迁移到目标任务集的样本数目。

例如，步骤七中任务相似度的计算方法如下：

通过上面的分析，我们可以计算出状态和回报的匹配程度，如下所示：

式中，zp和zq表示控制参数，在通常数值不溢出的情况下，可以将zp和zq的值设置为1，即zp＝zq＝1。将式(4)与式(5)相乘，可以获得第i个目标样本和源任务sk之间的总匹配度，即因此，可以得到源任务和目标任务之间的似然比xk：

式中，p(sk)是模型sk的先验概率，而zx是可能性的控制参数。zx与zp和zq具有相同的作用，在通常数值不溢出的情况下，可以将zx的值设置为1，即zx＝1。我们可以通过归一化所有源任务的似然比来获得源任务sk和t之间的任务相似度，同时还需要从m个源任务中迁移(ns-nt)个样本用于补充目标样本。

根据本公开的实施例，在所述步骤八中，利用不同的概率来选择最大q值或随机q值来更新q值。

在所述步骤八中，滚动时间窗口用于更新目标样本集，避免样本集过大导致加权极限学习机的学习速度过慢。

根据本公开的实施例，步骤八中基于welm的q学习机制如下：在本公开的实施例中，welm用于近似强化学习的q值函数。

假设sl＝[sl1，sl2，...，slm]^t∈r^m表示一个具有m维的系统状态，而al∈r表示一个q学习智能体的动作，welm的输入向量是一个状态-动作对xl＝(sl，al)^t＝[sl1，sl2，...，slm，al]^t∈r^m+1，而welm的输出是估计的对应于(sl，al)的q值，式中l＝1，2，...，l是训练样本的索引。α1＝[α11，α12，...，α1(m+1)]和ω＝[ω1，ω2，..，ωl]^t是输入和输出权重向量，β＝[β1，β2，...，βl]^t是隐藏层节点的偏差。为了确保welm的学习效率，隐藏层节点的数量应等于训练样本的数量，即隐藏层节点的数量为l。

根据本公开的实施例，步骤八中多源迁移学习算法的体系结构如下：本公开中多源迁移强化学习的任务空间γ＝(s，t)＝(s1，...，sk，..，sm，t)，式中包括m个源任务和一个未知目标任务t。每个源任务包含ns个样本，而目标任务包含nt个样本。一方面，收集样本的成本很高，并且nt样本不能很好地训练任务t。另一方面，与从当前环境中重新采样相比，利用m个源任务并提取所需的样本所付出的代价要小。因此，我们将知识迁移(knowledgetransfer，kt)技术应用于基于welm的q学习，以提高目标任务t的学习速度。kt的映射描述如下：

式中和分别表示与源任务和目标任务相对应的样本集，λ表示最佳传输样本集。

相较于现有技术，本公开实施例提供的技术方案至少具有如下有益效果：

(1)本公开的实施例采用的迁移学习思想，其至少具有如下优点：

1)使得刀具检测模型训练时对训练数据量的需求量更小，这一优点显著提高了模型训练的速度；

2)利用迁移学习训练得到的模型泛化能力更强，增强了其在非训练数据上分类良好的能力，提高了模型的适用性；

3)迁移学习训练过程更加鲁棒，可以将可训练参数的数量减少多达100％，使得训练更稳定，而且更容易调试，提高了刀具检测模型的准确性。

(2)本公开实施例采用的基于加权极限学习机的强化学习模型，至少具有如下优点：

1)使刀具磨损虚拟检测系统具有强大学习能力，能够对足够多的异常的刀具磨损状态进行学习，融会贯通；

2)使刀具磨损虚拟检测系统能对不平衡数据进行训练，提升了系统的适用性及准确性；

3)使刀具磨损虚拟检测系统具有持续的自我改进能力，逐渐提高对智能加工过程刀具磨损状况的认识和理解。

(3)本公开实施例采用的虚拟测量技术，至少具有如下优点：

1)使刀具磨损虚拟检测系统具有误差补偿和故障诊断的功能，从而提高刀具磨损虚拟测量的精度和可靠性；

2)使刀具磨损虚拟检测系统能综合运用多个可测的刀具状态信息对被测刀具磨损状态作出状态估计、诊断和趋势分析；

3)使刀具磨损虚拟检测系统能在线获取被测刀具微观的实时状态信息，以满足刀具磨损虚拟检测的需要；

所以，在本公开的实施例中，基于多源样本迁移强化学习的智能加工刀具磨损预测方法至少解决了智能加工过程中存在的刀具状态信息无法在线实时检测，因而难以进行实时控制、不易保证加工质量的难题。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本公开的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1是根据本公开实施例的基于多源样本迁移强化学习的智能加工刀具磨损预测方法的系统框图；以及

图2是根据本公开实施例的基于welm的强化q学习系统框图。

具体实施方式

下面通过实施例，并结合附图，对本公开的技术方案作进一步具体的说明。在说明书中，相同或相似的附图标号指示相同或相似的部件。下述参照附图对本公开实施方式的说明旨在对本公开的总体发明构思进行解释，而不应当理解为对本公开的一种限制。

另外，在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本披露实施例的全面理解。然而明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。

虚拟测量技术是随着计算机技术和现代测量技术发展起来的自动测量技术，其依据易测过程变量与难以直接测量的待测过程变量之间的数学关系，通过各种数学计算和估计方法，利用易测过程变量实现对待测过程变量的测量，虚拟测量技术克服了硬件检测技术的封闭性、缺乏灵活性、响应速度慢等缺点，具有功能化、模块化、数据共享、成本低等优点。将虚拟测量技术应用于刀具磨损检测中，可以预测实际加工后的刀具磨损，提前发现实际加工中可能出现的刀具磨损及破损问题，并针对性地提出可行性修改方案，优化加工参数，对保证加工产品的质量、大幅度地降低加工成本、缩短加工周期、提高加工效率具有重要的意义。针对刀具磨损的虚拟测量技术主要由刀具磨损状态方程与刀具磨损观测方程组成，式中状态方程代表加工过程中刀具固有的状态变化，描述了刀具退化条件的演变行为。而观测方程则代表当前刀具状态到刀具磨损状态的映射，但由于智能加工过程具有的多变量、变量类型混杂及变量之间强非线性耦合的特性，且加工过程中的刀具磨损状态受到工件材料、加工工况、加工设备状态等多种不确定因素的干扰，难以用数学模型来描述当前刀具状态到刀具磨损状态的映射关系。现有的解决方案是利用智能学习模型来表示当前刀具状态到刀具磨损状态的非线性映射关系，因此，刀具磨损状态的虚拟检测结果的准确程度主要取决于智能学习模型的构建。

传统机器学习方法建立的刀具磨损智能学习模型往往需要数据处于相同的分布下，这就需要在加工一批相同工件时有较多的数据进行训练，但是单件小批量生产的工件同参数加工的工件数据较少，无法满足训练要求。在本公开的实施例中，考虑将其他参数下的数据来辅助训练，实现变参数刀具磨损检测，区别于同参数的刀具磨损检测，变参数刀具磨损检测采集的信号会受到刀具实际磨损状况和切削参数改变这两个因素的共同影响。从而使得不同参数下的数据处于不同的数据分布，为了使用其他参数刀具磨损数据来对一个参数刀具状态进行检测，本公开的实施例中，运用迁移学习方法来解决单件小批量生产过程中数据不足的问题，因为迁移学习可以利用不同分布的其他参数下的信号数据，来帮助某一个参数的刀具状态检测模型学习。

然而，实际应用中所得到的刀具磨损样本数据总是类别不平衡，即某一类别的样本量远大于另一个或一些类别的样本量。针对类数据的分类问题造成的不平衡分类问题，传统机器学习方法主要是基于经验风险最小化或者结构风险最小化的智能学习模型来进行分类。经验风险最小是期望模型在训练集上的分类错误率尽可能的低，而这会造成少数类中的样本被大量误分；结构风险最小是期望最大化类间距离，而分类器受到多数类的影响通常会将类间隔面推向少数类那一边，从而造成分类器对少数类识别性能的下降。对于大规模数据集尤其是刀具磨损数据集，传统算法不能便捷有效的提取数据特征，从而造成分类错误率提升，并且算法寻找分类间隔面的时间成本也很高。

在本文中，所谓迁移学习，是运用已有的知识来学习新的知识，核心是找到已有知识和新知识之间的相似性。在迁移学习中，我们已有的知识叫做源域，要学习的新知识叫目标域，源域和目标域不同但有一定关联，需要减小源域和目标域的分布差异，进行知识迁移，从而实现数据标定。例如，源域目标域区别表现如下：目标域相对于源域，在数据分布、特征维度以及模型输出变化条件可以不同，有机地利用源域中的知识来对目标域更好地建模。另外，在目标域标定数据缺乏的情况下，迁移学习可以很好地利用相关领域有标定的数据完成数据的标定。需要说明的是，如果源域和目标域之间相似度不够，迁移结果并不会理想，会出现所谓的负迁移情况。所以，找到相似度尽可能高的源域和目标域，是整个迁移过程最重要的前提。

进一步地说，在本文中，表述“域”可以包括数据特征和特征分布，是机器学习的主体；表述“源域”是已有知识的域；表述“目标域”是要进行学习的域；表述“任务”包括目标函数和学习结果，是学习的结果，可理解为分类器。

如图1所示，示意性示出了根据本公开实施例的基于多源样本迁移强化学习的智能加工刀具磨损预测方法的系统框图。参照图1，根据本公开实施例的基于多源样本迁移强化学习的智能加工刀具磨损预测方法可以包括以下步骤。

在步骤一中，构建基于多源迁移强化学习的智能加工刀具磨损预测系统，如图1所示。

具体地，在步骤一中，刀具磨损预测系统(也称为刀具磨损状态虚拟检测系统)可以包括刀具状态虚拟检测对象、虚拟感知模型、经验模型与粒子滤波模型。其中，刀具状态虚拟检测对象为不同的刀具，分别从中获取源任务及目标任务；虚拟感知模型主要用于确定粒子滤波模型的观测方程，其由刀具磨损数据的获取、刀具磨损数据的特征选择、刀具磨损数据的特征降维及基于权极限学习机(weightedextremelearningmachine，简称为welm)的多源迁移强化学习四个部分组成，刀具磨损数据分别通过传感器进行在线获取及利用显微镜进行离线获取，利用统计特征、时域特征及频域特征对刀具磨损数据进行特征选择，利用核函数主成分分析(kernelprincipalcomponentanalysis，简称为kpca)方法对选择出的特征进行特征降维，基于welm的多源迁移强化学习由样本空间迁移阶段、任务空间迁移阶段及基于welm的q学习阶段组成；经验模型主要用于确定粒子滤波模型的状态方程，其由各种刀具磨损经验模型组成，如刀具磨损率模型、刀具磨损量模型等；粒子滤波模型由观测方程与状态方程组成，完成对目标任务的刀具磨损状态的虚拟检测。

在步骤二中，根据几种刀具的不同磨损曲线获取多个源任务s1，s2，...，sm及一个目标任务t。

在步骤三中，初始化模型参数及最大迭代时间。

具体地，在步骤三中，需要初始化的模型参数包括welm学习速率η，welm折扣因子γ，q值更新概率ε0，welm隐含层神经元数目l，高斯核的宽度参数δs、δsa及δq，匹配程度控制参数zp及zq，概率控制参数zx，源任务样本数ns和目标任务样本数nt。

在步骤四中，检测当前刀具的磨损状态，对磨损数据进行特征提取及降维，构建welm训练样本集d，并训练welm。

具体地，在步骤四中利用传感器实现对刀具状态的在线测量，利用显微镜实现刀具磨损状态的离线测量，并利用不同的特征提取及降维方法对磨损数据进行预处理，将预处理后的数据作为wlem的训练样本集。

在步骤五中，执行加工动作，观察当前的刀具磨损状态，并同时观察下一个刀具的磨损状态及回报，计算各源任务与目标任务之间的状态相似度和回报相似度。

具体地，步骤五中状态相似度与回报相似度的计算方法如下：

假设与分别表示第k个源任务与目标任务的样本集，第j个源样本和第i个目标样本分别表示为和通过等式(1)和(2)来计算与之间的状态相似度及回报相似度

式中，为相似权重，δs，δq和δsa为高斯核的宽度参数。通常将δs，δq和δsa的值设置为对应分子||s′i，s′j||，|qi-qj|和||(sj，aj)，(si，ai)||的相同数量级，这可以将和wij的值限制在合理的范围内。显然，两个样本之间的相似度越高，越大。同样，可以从等式(2)中看出，两个q值qi和qj越近，越大。

在步骤六中，计算源任务中各样本属于目标样本集的概率，并基于该概率对每个刀具磨损虚拟检测源任务的样本进行降序排列。

具体地，步骤六中源任务中各样本属于目标样本集的概率计算方法如下：

式中，称为样本迁移权重，和分别表示和的相似度，其定义与等式(1)和(2)相似。

在步骤七中，获取任务相似度，并将固定个数的样本从每个源样本集迁移到目标样本集。

具体地，步骤七中任务相似度的计算方法如下：

通过上面的分析，我们可以计算出状态和回报的匹配程度，如下所示：

式中，zp和zq表示控制参数，在通常数值不溢出的情况下，可以将zp和zq的值设置为1，即zp＝zq＝1。将式(4)与式(5)相乘，可以获得第i个目标样本和源任务sk之间的总匹配度，即因此，可以得到源任务和目标任务之间的似然比xk：

式中，p(sk)是模型sk的先验概率，而zx是可能性的控制参数。zx与zp和zo具有相同的作用，在通常数值不溢出的情况下，可以将zx的值设置为1，即zx＝1。我们可以通过归一化所有源任务的似然比来获得源任务sk和t之间的任务相似度，同时还需要从m个源任务中迁移(ns-nt)个样本用于补充目标样本。

在步骤八中，利用基于welm的q学习机制更新q值，将新的刀具磨损数据添加到目标样本集中，然后向前滚动时间窗口以丢弃最旧的样本。

具体地，步骤八中基于welm的q学习机制如下：

在本公开中，welm用于近似强化学习的q值函数。

假设sl＝[sl1，sl2，...，slm]^t∈r^m表示一个具有m维的系统状态，而al∈r表示一个q学习智能体的动作，welm的输入向量是一个状态-动作对xl＝(sl，al)^t＝[sl1，sl2，...，slm，al]^t∈r^m+1，而welm的输出是估计的对应于(sl，al)的q值，式中l＝1，2，...，l是训练样本的索引。α1＝[α11，α12，..，α1(m+1)]和ω＝[ω1，ω2，...，ωl]^t是输入和输出权重向量，β＝[β1，β2，...，βl]^t是隐藏层节点的偏差。为了确保welm的学习效率，隐藏层节点的数量应等于训练样本的数量，即隐藏层节点的数量为l。

具体地，在步骤八中多源迁移学习算法的体系结构如下，如图2所示。本公开中多源迁移强化学习的任务空间γ＝(s，t)＝(s1，...，sk，..，sm，t)，式中包括m个源任务和一个未知目标任务t。每个源任务包含ns个样本，而目标任务包含nt个样本。一方面，收集样本的成本很高，并且nt样本不能很好地训练任务t。另一方面，与从当前环境中重新采样相比，利用m个源任务并提取所需的样本所付出的代价要小。因此，我们将知识迁移(knowledgetransfer，kt)技术应用于基于welm的q学习，以提高目标任务t的学习速度。kt的映射描述如下：

式中和分别表示与源任务和目标任务相对应的样本集，λ表示最佳传输样本集。

在步骤九中，构建粒子滤波模型的状态方程及观测方程。

在步骤十中，对目标任务的刀具磨损状态进行虚拟检测。

本公开的实施例还提供一种基于多源样本迁移强化学习的智能加工刀具磨损预测系统，所述能加工刀具磨损预测系统包括存储器和处理器，所述存储器上存储有指令，当所述指令被所述处理器执行时实现如上所述的方法。

以上的详细描述通过使用示意图、框图、流程图和/或示例，已经阐述了本公开的众多实施例。在这种示意图、流程图和/或示例包含一个或多个功能和/或操作的情况下，本领域技术人员应理解，这种示意图、流程图或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中，本公开的实施例所述主题的若干部分可以通过专用集成电路(asic)、现场可编程门阵列(fpga)、数字信号处理器(dsp)、或其他集成电路来实现。然而，本领域技术人员应认识到，这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中，实现为在一台或多台计算机上运行的一个或多个计算机程序(例如，实现为在一台或多台计算机系统上运行的一个或多个程序)，实现为在一个或多个处理器上运行的一个或多个程序(例如，实现为在一个或多个微处理器上运行的一个或多个程序)，实现为固件，或者实质上实现为上述方式的任意组合，并且本领域技术人员根据本公开，将具备设计电路和/或写入软件和/或固件代码的能力。此外，本领域技术人员将认识到，本公开所述主题的机制能够作为多种形式的程序产品进行分发，并且无论实际用来执行分发的信号承载介质的具体类型如何，本公开所述主题的示例性实施例均适用。信号承载介质的示例包括但不限于：可记录型介质，如软盘、硬盘驱动器、紧致盘(cd)、数字通用盘(dvd)、数字磁带、计算机存储器等；以及传输型介质，如数字和/或模拟通信介质(例如，光纤光缆、波导、有线通信链路、无线通信链路等)。

上述说明示出并描述了本公开的实施方法，如前所述，应当理解本公开并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本公开的精神和范围，则都应在本公开所附权利要求的保护范围内。