本申请涉及机械设备振动监测技术领域，尤其是涉及一种机械设备振动信号监测的自适应变采样方法及装置。
背景技术：
在传统的机械设备振动信号采集中，通常根据奈奎斯特定律以可能出现的最高故障频率来设定固定采样率。然而在正常状态下机械设备的振动频率较低，过高的采样率会增加数据冗余，增大采集系统能耗。该局限性尤其体现在对能耗控制要求十分严格的无线传感网络中。在传感器节点中，数据传输的能耗要远远大于数据处理，因此可以通过减小数据传输量的方法来降低有限带宽传感器网络下的能耗。
目前，减小数据量的方法主要分为数据压缩与自适应数据采样。其中，所谓的数据压缩，例如可以是基于压缩感知采样技术的研究使得数据采集能够在低于奈奎斯特采样率的条件下进行，被称为亚奈奎斯特采样，常见的亚奈奎斯特主要包括随机解调器(Radom Demodulator，简称RD)，多陪集(Multi-Coset，简称MC)抽样和调制宽带转换器(Modulated Wideband Converter，简称MWC)三种系统框架。然而，这些方法并不属于自适应领域，而且该方法对采集终端系统外围硬件电路的设计要求十分严格，实现较为困难。
而在自适应数据采集领域，HUANG Ru和Zheng Yang等人设计了基于时间序列预测模型的自适应采样，利用先验信息不断调整采样率，该方法比较适用于信号变化缓慢的场合，通用性较差。Z.L.Wang针对基于拉曼散射的分布式温度测量系统设计了一种随光纤温度分布变化而变采样的自适应数据采集方法，该方法只适用于此测量系统，极大的限制了其通用性。
技术实现要素：
本申请实施例的目的在于提供一种可通用的机械设备振动信号监测的自适应变采样方法及装置，以实现降低机械设备振动监测系统能耗与数据量。
为达到上述目的，一方面，本申请实施例提供了一种机械设备振动信号监测的自适应变采样方法，包括：
采集机械设备的振动信号；
对所述振动信号分别进行时域分析和频域分析，以对应确认所述机械设备的振动烈度及故障特征频率幅值是否异常；
当所述振动烈度异常或所述故障特征频率幅值异常时，自适应提高下一采样的采样率；
当所述振动烈度异常和所述故障特征频率幅值正常时，自适应降低下一采样的采样率。
本申请实施例的机械设备振动信号监测的自适应变采样方法，还包括：
将指定时间段内采集的振动信号进行信号重构。
本申请实施例的机械设备振动信号监测的自适应变采样方法，所述对所述振动信号进行时域分析，包括：
根据所述振动信号获取振动烈度；
根据预设的累积和算法判断指定时间范围内的振动烈度的第一超标累积和是否大于预设的第一阈值，并判断所述振动烈度是否大于预设的第二阈值；
当所述第一超标累积和大于所述第一阈值，或所述振动烈度大于所述第二阈值时，确认所述机械设备的振动烈度异常。
本申请实施例的机械设备振动信号监测的自适应变采样方法，所述对所述振动信号进行频域分析，包括：
根据所述振动信号获取故障特征频率幅值；
根据预设的累积和算法判断指定时间范围内的故障特征频率幅值的第二超标累积和是否大于预设的第三阈值；
当所述第二超标累积和大于所述第三阈值时，确认所述机械设备的故障特征频率幅值异常。
本申请实施例的机械设备振动信号监测的自适应变采样方法，所述根据预设的累积和算法判断指定时间范围内的振动烈度的第一超标累积和是否大于预设的第一阈值，包括：
根据公式Zn＝(Zn-1+xn-k)+确定指定时间范围内的振动烈度的第一超标累积和；
根公式判断所述第一超标累积和是否大于预设的第一阈值；
其中，xn为第n个振动烈度；k为振动烈度的初始均值；Zn为xn-k的振动烈度的第一超标累积和正值；上标加号表示当Zn-1+xn-k>0时，(Zn-1+xn-k)+＝Zn-1+xn-k，当Zn-1+xn-k≤0时，(Zn-1+xn-k)+＝0；fh(Zn)为振动烈度异常函数；h为第一阈值。
本申请实施例的机械设备振动信号监测的自适应变采样方法，所述根据预设的累积和算法判断指定时间范围内的故障特征频率幅值的第二超标累积和是否大于预设的第三阈值，包括：
根据公式Zn'＝(Zn-1'+xn'-k')+确定指定时间范围内的故障特征频率幅值的第二超标累积和；
根公式判断所述第二超标累积和是否大于预设的第三阈值；
其中，xn'为前n个故障特征频率幅值序列；k'为故障特征频率幅值的初始均值；Zn'为xn'-k'的故障特征频率幅值的第二超标累积和正值；上标加号表示当Zn-1'+xn'-k'>0时，(Zn-1'+xn'-k')+＝Zn-1'+xn'-k'，当Zn-1'+xn'-k'≤0时，(Zn-1'+xn'-k')+＝0；fh(Zn)'为故障特征频率幅值异常函数；h'为第三阈值。
本申请实施例的机械设备振动信号监测的自适应变采样方法，还包括：
当指定时间范围内的振动烈度的第一超标累积和小于第四阈值时，根据公式Ta(n+1)←Ta(n)+α，增加当前采样长度；
当指定时间范围内的振动烈度的第一超标累积和大于第四阈值时，根据公式Ta(n+1)←Ta(n)×β，减小当前采样长度；
其中，所述第四阈值小于所述第一阈值；Ta(n)为当前采样长度；Ta(n+1)为下一采样长度；α为加性增加因子，且α＞0；β为乘性减少因子，且1>β>0。
本申请实施例的机械设备振动信号监测的自适应变采样方法，所述将指定时间段内采集的振动信号进行信号重构，包括：
根据预设的插值函数，将指定时间段内采集的振动信号中其采样率低于指定采样率的振动信号，重构为以所述指定采样率作为采样率时对应的振动信号。
本申请实施例的机械设备振动信号监测的自适应变采样方法，所述插值函数包括Sinc插值函数。
另一方面，本申请实施例提供了一种机械设备振动信号的自适应变采样装置，包括：
振动信号采集模块，用于采集机械设备的振动信号；
振动信号分析模块，用于对所述振动信号分别进行时域分析和频域分析，以对应确认所述机械设备的振动烈度及故障特征频率幅值是否异常；
采样调整模块，用于当所述振动烈度异常或所述故障特征频率幅值异常时，自适应提高下一采样的采样率；以及，当所述振动烈度异常和所述故障特征频率幅值正常时，自适应降低下一采样的采样率。
由以上本申请实施例提供的技术方案可见，本申请实施例中，在采集机械设备的振动信号后，通过对振动信号分别进行时域分析和频域分析，可以对应确认机械设备的振动烈度及故障特征频率幅值是否异常；当振动烈度异常或故障特征频率幅值异常时，自适应提高下一采样的采样率；当振动烈度异常和故障特征频率幅值正常时，自适应降低下一采样的采样率；从而实现了能够根据机械设备的运行状态而自适应变采样，因而减小了数据采集量，大大减小采集系统的能耗和存储资源压力，且具有对故障信号敏感的优点。并且，本申请实施例对于信号变化缓慢和适用场景没有特定要求，因此，相对于现有技术，其具有好的通用性。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本申请一实施例中机械设备振动信号监测的自适应变采样方法的方法流程图；
图2为本申请实施例的自适应采样原理图；
图3为本申请实施例中的CUSUM模型原理图；
图4a～图4b分别为本申请一实施例中正常信号的原始信号及抽样结果的时域图；
图5a～图5b分别为本申请一实施例中故障信号的原始信号及抽样结果的时域图；
图6为本申请一实施例中4组抽样后信号的振动烈度；
图7a～图7b分别为本申请一实施例中原始信号与重构信号的时域图；
图8a～图8b分别为本申请一实施例中原始信号与重构信号的频谱图；
图9为本申请一实施例中4组重构后信号的通频值；
图10为本申请一实施例中机械设备振动信号的自适应变采样装置的结构框图；
图11为本申请另一实施例中机械设备振动信号的自适应变采样装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。例如在下面描述中，在第一部件上方形成第二部件，可以包括第一部件和第二部件以直接接触方式形成的实施例，还可以包括第一部件和第二部件以非直接接触方式(即第一部件和第二部件之间还可以包括额外的部件)形成的实施例等。
而且，为了便于描述，本申请实施例可以使用诸如“在…上方”、“在…之下”、“顶部”、“下方”等空间相对术语，以描述如实施例各附图所示的一个元件或部件与另一个(或另一些)元件或部件之间的关系。应当理解的是，除了附图中描述的方位之外，空间相对术语还旨在包括装置在使用或操作中的不同方位。例如若附图中的装置被翻转，则被描述为“在”其他元件或部件“下方”或“之下”的元件或部件，随后将被定位为“在”其他元件或部件“上方”或“之上”。
为了保留原始信号的有效信息，并且保证采样信号能够不失真地重建，根据奈奎斯特定律，任何时刻的采样频率都必须大于原始信号最高分析频率的2倍。然而，在实现本申请的过程中，本申请的发明人研究发现：在实际机械设备运转过程中，受干扰、变工况和设备故障等因素的影响，最高分析频率往往都不是一个固定的常量。而且，当机械设备运行状态发生改变时，振动信号的频率和幅值成分也会随之改变。因此，在本申请一实施例中，机械设备状态监测下自适应数据采集方案，可从信号频率成分和振动烈度两方面的变化来进行定量分析，从而指导系统的自适应变采样。
为了能及时获得当前信号的信息，本申请实施例可以以脉冲采样来获取数据并进行分析。其中，脉冲采样是间断的，非周期性的，其采样率值可以根据机械设备可能出现故障的最高分析频率来设定的。如图2所示，图2中，横坐标为采样时间，纵坐标为幅值。当通过分析脉冲采样获得的数据得出机械设备处于正常运行状态时，下一采样可只需设定较低的采样率，以减少几乎无变化的数据量，从而降低能耗；而当通过脉冲采样数据分析出机械设备发生故障时，下一采样可指导采集系统增大采样率，以获取故障状态的更多更详细的信息。此外，在一些实施例中，脉冲采样之间的间隔是一个可根据当前脉冲采样获取数据的波动程度来设定的变量(具体请见下文)。
参考图1所示，基于上述原理，本申请实施例的机械设备振动信号监测的自适应变采样方法可以包括以下步骤：
S101、采集机械设备的振动信号。
在本申请一实施例中，在采集机械设备的振动信号之前，可先针对具体监测的机械设备设置初始参数，如设备故障特征频率、初始脉冲采样间隔值、振动阈值等。在此基础上再进行振动信号的采集。
S102、对所述振动信号分别进行时域分析和频域分析，以对应确认所述机械设备的振动烈度及故障特征频率幅值是否异常。下面对时域分析和频域分析分别进行说明。
(一)时域分析
在本申请一实施例中，时域分析可同时采用绝对判定标准和相对判定标准来评定机械设备的运行状态。其中，相对判定标准可以是对同一台设备，在同一部位定期进行参数测定，并按时间先后进行比较，以正常状态下的振动烈度作为原始值进行判定的方法。而绝对判定标准可通过计算振动烈度并将其与预设阈值比较来判定。
由于在某些情况下，机械设备可能会在某一时刻偶然性发生波动，但机械设备实际并无故障，此时，如果单独采用绝对判定标准可能就会发生误判。此外，如机械设备一开始就是故障的(即其初始振动烈度比较大)，但是在一定时间内这种振动烈度变化并不很明显，这时如果单独采用相对判定标准可能就会误判为正常。因此，为了避免误判，提高判定准确性，可同时采用绝对判定标准和相对判定标准来评定机械设备的运行状态。
受干扰等因素的影响，当机械设备由正常至故障状态转变时，会出现实际计算的振动烈度在标准临界处上下波动的现象，该波动会导致采样率频繁变化，不易于后续数据的重构与分析。因此，本申请实施例中，在非稳定、干扰的环境里检测数据的波动变化，可考虑采用数学统计方法。针对这一问题，上述相对判定标准可采用累积和(Cumulative Sum,CUSUM)算法思想的来实现，其原理如图3所示，振动烈度超出振动初始值k时，此时并不能鉴定为设备异常，而是对超标量进行累计，当连续的累计值超出设定阈值h时才给出报警结论。
因此，在本申请一实施例中，所述对所述振动信号进行时域分析可以包括以下步骤：
首先，根据所述振动信号获取振动烈度。一般的，在振动幅度一定时，频率越高，振动烈度越大。因此，根据采集到的振动信号可以确定对应的振动烈度。
其次，根据预设的累积和算法判断指定时间范围内的振动烈度的第一超标累积和是否大于预设的第一阈值，并判断所述振动烈度是否大于预设的第二阈值。具体的，
所述根据预设的累积和算法判断指定时间范围内的振动烈度的第一超标累积和是否大于预设的第一阈值，包括：
1)根据CUSUM模型Zn＝(Zn-1+xn-k)+确定指定时间范围内的振动烈度的第一超标累积和；
2)根公式判断所述第一超标累积和是否大于预设的第一阈值。
在本申请一实施例中，xn为第n个振动烈度；k为振动烈度的初始均值；Zn为xn-k的振动烈度的第一超标累积和正值，Zn>h时说明振动烈度发生改变，若Zn≤h则说明振动烈度没有发生异常；上标加号表示当Zn-1+xn-k>0时，(Zn-1+xn-k)+＝Zn-1+xn-k，当Zn-1+xn-k≤0时，(Zn-1+xn-k)+＝0；fh(Zn)为振动烈度异常函数；h为第一阈值。
在本申请一实施例中，第二阈值可以是基于相关的国家标准(例如GB/T29531-2013等)或行业标准来设定。
然后，当所述第一超标累积和大于所述第一阈值，或所述振动烈度大于所述第二阈值时，确认所述机械设备的振动烈度异常。
(二)频域分析
类似的，受干扰等因素的影响，当机械设备由正常至故障状态转变时，会出现实际计算的故障频率特征值在标准临界处上下波动的现象，该波动会导致采样率频繁变化，不易于后续数据的重构与分析。因此，本申请实施例中，频域分析可以采用可采用累积和算法思想的来实现。具体的，可包括如下步骤：
首先，根据所述振动信号获取故障特征频率幅值；例如可通过快速傅里叶变换(FFT)等，将采集到时域的振动信号变换至频域信号；根据频域信号可以获取故障特征频率幅值。其中，故障特征频率幅值是指故障特征频率所对应的幅值，对于一个具体的机械设备而言，可预先通过计算等手段确定其故障特征频率。
其次，根据预设的累积和算法判断指定时间范围内的故障特征频率幅值的第二超标累积和是否大于预设的第三阈值；具体的，
1)根据公式Zn'＝(Zn-1'+xn'-k')+确定指定时间范围内的故障特征频率幅值的第二超标累积和；
2)根公式判断所述第二超标累积和是否大于预设的第三阈值。
其中，xn'为前n个故障特征频率幅值序列；k'为故障特征频率幅值的初始均值；Zn'为xn'-k'的故障特征频率幅值的第二超标累积和正值；Zn-1'为xn-1'-k'的故障特征频率幅值的第二超标累积和正值；上标加号表示当Zn-1'+xn'-k'>0时，(Zn-1'+xn'-k')+＝Zn-1'+xn'-k'，当Zn-1'+xn'-k'≤0时，(Zn-1'+xn'-k')+＝0；fh(Zn)'为故障特征频率幅值异常函数；h'为第三阈值。
当所述第二超标累积和大于所述第三阈值时，确认所述机械设备的故障特征频率幅值异常。
S103、当所述振动烈度异常或所述故障特征频率幅值异常时，自适应提高下一采样的采样率。
在本申请一实施例中，当所述振动烈度异常或所述故障特征频率幅值异常时，表明设备可能运行故障，为了获取更多故障相关信息，可以将下一采样的采样率提高至指定的高采样率。
S104、当所述振动烈度异常和所述故障特征频率幅值正常时，自适应降低下一采样的采样率。
在本申请一实施例中，当所述振动烈度异常和所述故障特征频率幅值正常时，表明设备可能运行正常，而在正常状态下采样数据基本无变化，因此为了降低数据传输量，可以将下一采样的采样率降低至指定的低采样率。
在本申请一实施例中，相邻两个脉冲采样之间的间隔时间被称为脉冲采样长度Ta为进一步强化变采样的自适应功能，保持时间Ta可以是一个可根据当前信号的波动程度来设定的变量，即若当前设备运行平稳，则可适当增大保持时间，以实现进一步减少数据的目的。反之，则可减小保持时间。例如在一示例性实施例中，这种动态调整例如可以基于加性增加乘性减小(AIMD)算法的思想来实现。具体的：
当指定时间范围内的振动烈度的第一超标累积和小于第四阈值时，根据公式Ta(n+1)←Ta(n)+α，增加当前采样长度；
当指定时间范围内的振动烈度的第一超标累积和大于第四阈值时，根据公式Ta(n+1)←Ta(n)×β，减小当前采样长度；
其中，所述第四阈值小于所述第一阈值；Ta(n)为当前采样长度；Ta(n+1)为下一采样长度；α为加性增加因子，且α＞0；β为乘性减少因子，且1>β>0。
在本申请一实施例中，还可以将指定时间段内采集的振动信号进行信号重构。这是因为，在执行本申请实施例的方法后，数据库中储存了高采样率与低采样率混合的同源异构数据，为了便于数据分析与设备故障诊断，需要对降采样的数据进行重构，即在保证重构原始信息的情况下，使低采样率的数据量恢复到高采样率的数据量。因此可根据预设的插值函数，将指定时间段内采集的振动信号中其采样率低于指定采样率的振动信号，重构为以所述指定采样率作为采样率时对应的振动信号。
在一示例性实施例中，例如可采用Sinc插值函数对降采样的数据进行恢复，Sinc插值方法是对己满足采样定理的数据作加密采样点处理。具体的，
设x(nΔt)为抽样后的值，x(mδt)为待恢复时刻的值，m为插值的序列标号，其中δt为原始信号的采样间隔，则可设Δt＝Lδt，m＝n0L+j(n0＝0,1,...,L-1)，其中n0为原始数据的序列标号，且k＝n0-n，相应的插值公式如下：
上式表明，利用抽样后的信号和Sinc函数有限离散项可根据nΔt时刻的值恢复mδt时刻的值。
由此可见，与传统的固定采样和现有自适应采样方法相比，本申请实施例的自适应数据采集策略比较适用于机械状态监测等高采样率的场合，能够根据设备的运行状态而自适应变采样，从而减小了数据采集量，具有对故障信号敏感的优点，并且可以大大减小采集系统的能耗和存储资源压力。而且本申请实施例的方案无特别限制，适用范围更广。经实例验证，采用本申请实施例的方案可使正常状态的振动数据量降低了近75％。且降采样后的时域特征基本不变，重构后的数据在低频带基本无损失，足够表征设备的正常运转状态。
下面以离心泵设备为研究对象来进行示例说明。取某台输油泵在半年时间里从正常运转状态到发生故障的振动数据对该算法进行仿真实验验证。
离心泵型号为ZMI480/02(A)，额定转速为2980rpm，滚动轴承为SKF公司型号6313，叶片数目为4。其轴承故障频率根据文献公式计算得其低频故障特征频率约20Hz、50Hz、100Hz、150Hz、200Hz、250Hz。
(一)参数设置
本示例根据经典AIMD来设定加性因子α与乘性因子β的值，根据多次实验结果调整波动阈值为λ与报警阈值h，阈值优化问题此处不再详细介绍，具体参数值如表1所示：
表1参数设置
(二)结果分析
(1)自适应功能
为了验证本申请实施例的方法是否具备根据设备的运行状态自适应调整采样率的功能，现取离心泵设备正常与故障状态的两组振动数据进行仿真实验，仿真结果如图4a～图4b及图5a～图5b所示。在图4a～图4b及图5a～图5b中，横坐标为抽样时间，纵坐标为幅值。图4a为正常原始信号的时域图，图4b为抽样后信号的时域图，可以看出抽样后的波形图略微改变，数据密度减小。说明本申请实施例的方法对正常数据具有自适应降低采样率的功能。图5a为原始故障信号的时域图，图5b为抽样后信号的时域图，可以看出抽样后的波形与数据密度没有发生任何改变，说明当设备发生故障时，该算法自适应地设定了最大采样率。从而，验证了本申请实施例的方法的自适应变采样功能。
另取四组设备正常运转状态下的数据，计算其降采样后的时域有效值，计算结果与原始数据对比如图6所示，由图6中的数值比较可以看出，抽样后的有效值与原始数据的有效值基本相等，即降采样后的数据能反应设备的运行状态，保留了原始信息。
(三)数据重构
为了验证数据重构的准确性，本示例先选取了四组设备正常运转状态下的数据通过自适应变采样算法实现了降采样，并对抽样后的数据进行了插值重构，其中一组重构数据与原始数据的时域、频域图对比分别如图7a～图7b及图8a～图8b所示。在图7a和图7b中，横坐标为采样时间，纵坐标为幅值；在图8a和图8b中，横坐标为频率，纵坐标为幅值。从图7a和图7b的时域图可以看出，重构的波形图数据密度与原始数据相当，波形变化不大。从图8a和图8b的频域图可看出，与原始信号相比，重构后的数据在低频带基本无损失，只是会在高频带发生信息丢失。而设备高频成分与时域特征值的改变往往伴随低频成分的变化，因此在设备正常运转状态下，只需通过检测、计算低频的故障特征频率值来指导采样率，并不关心高频频分，即可以设置低采样率获取设备正常运行状态的信息。
然后，计算四组1kHz以内频带的通频值如图9所示，由图9中的数值比较可以得出，重构后数据的低频通频值与原始数据相比差别很小，进一步定量地验证了低频信息无损的结论。
参考图10所示，本申请实施例的一种机械设备振动信号的自适应变采样装置可以包括：
振动信号采集模块11，可以用于采集机械设备的振动信号；
振动信号分析模块12，可以用于对所述振动信号分别进行时域分析和频域分析，以对应确认所述机械设备的振动烈度及故障特征频率幅值是否异常；
采样调整模块13，可以用于当所述振动烈度异常或所述故障特征频率幅值异常时，自适应提高下一采样的采样率；以及当所述振动烈度异常和所述故障特征频率幅值正常时，自适应降低下一采样的采样率。
本申请一实施例中，还可以包括采样信号重构模块14，其可以用于将指定时间段内采集的振动信号进行信号重构。
参考图11所示，本申请实施例的另一种机械设备振动信号的自适应变采样装置可以包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时执行如下步骤：
采集机械设备的振动信号；
对所述振动信号分别进行时域分析和频域分析，以对应确认所述机械设备的振动烈度及故障特征频率幅值是否异常；
当所述振动烈度异常或所述故障特征频率幅值异常时，自适应提高下一采样的采样率；
当所述振动烈度异常和所述故障特征频率幅值正常时，自适应降低下一采样的采样率。
虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、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。
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。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。