一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置与流程

1.本发明涉及一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置，属于机电装备故障诊断技术领域。


背景技术：

2.机电装备是保障制造业蓬勃发展的重中之重，机电装备可靠性愈发重要。但是机电装备一般工作环境恶劣，故障时有发生，必将影响机电装备的使用效率及运行状态。因此，进行机电装备故障诊断和健康管理尤为重要。
3.基于振动信号分析是目前机电装备故障诊断的主要手段，但是机电装备运行状态中的振动信号往往比较复杂，并包含有一定噪声干扰，影响振动信号的分析处理效果。目前，常用的故障诊断流程包含信号预处理-故障特征提取-故障类型识别，整个故障诊断算法的信号处理流程需要大量的人为参与和经验，故障特征提取的过程缺乏自动化和自主学习性。故障类型识别常用浅层神经网络实现，例如bp神经网络、概率神经网络等，但是浅层神经网络数据学习能力有限。
4.浅层神经网络向深度学习的发展促进了故障诊断技术发展，深度学习能够充分发挥数据学习能力，能够从数据中学习故障特征，并完成分类识别，具有较好的技术潜力。但是从传感器获得的振动数据比较复杂，故障信息微弱，并存在干扰噪声等，具有应用的局限性。


技术实现要素：

5.本发明的目的在于克服现有技术中的不足，提供一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置，能够准确实现机电装备故障诊断。
6.为达到上述目的，本发明是采用下述技术方案实现的：
7.第一方面，本发明提供了一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法，包括以下步骤：
8.基于待诊断机电装备的具体机械结构，通过有限元功率流分析，确定最优的振动传感器布置位置，基于最优的振动传感器布置位置布置传感器，测量获取机电装备的振动信号；
9.针对所述机电装备的振动信号，在stft时频分析的基础上引入信息熵，利用信息熵的极值点预估信号初始中心频率，并基于所述信号初始中心频率对所述机电装备的振动信号采用改进的变分模态分解ivmd实现振动信号分解，获取多个ivmd分解分量；
10.逐个对每个ivmd分解分量选取不同的mo数值进行频谱幅值调制，获得每个ivmd分解分量不同mo数值下的改进信号；设定基于机电装备故障特征频率幅值能量最大的准则对每个ivmd分解分量进行最优改进信号筛选，获得各ivmd分解分量的最优mo值下的最优改进分量，并对各ivmd分解分量的最优mo值下的最优改进分量进行hilbert变换，获得各ivmd分
解分量最优 mo值下最优改进分量的hilbert平方包络谱；
11.以各ivmd分解分量最优mo值下最优改进分量的hilbert平方包络谱输入改进的堆栈降噪稀疏自动编码机深度学习模型，输出机电装备故障诊断的状态类型标号，实现机电装备故障诊断和健康状态评估。
12.进一步的，基于待诊断机电装备的具体机械结构，通过有限元功率流分析，确定最优的振动传感器布置位置，基于最优的振动传感器布置位置布置传感器，测量获取机电装备的振动信号的方法包括：
13.基于机电装备的具体机械结构，首先进行有限元模态分析，选取整个机电装备中振动位移最大点做为最优的振动传感器布置位置；
14.将高精度振动传感器采用螺钉紧固方式安装在最优的振动传感器布置位置上，采用24位高精度数采卡实时测量机电装备的振动信号。
15.进一步的，针对所述机电装备的振动信号，在stft时频分析的基础上引入信息熵，利用信息熵的极值点预估信号初始中心频率的方法包括：
16.所述机电装备的振动信号具有n个数据点x＝{x1,x2,...,xn}，针对该振动信号进行短时傅里叶变换：
[0017][0018]
其中，stft(t,f)为短时傅里叶变换结果，x(τ)为振动信号序列，w()为所采用的窗函数，t为时间，τ为变量，f为频率；
[0019]
计算获得每个时间点频率幅值的能量：
[0020]
其中，e(ti,fi)为在ti时间fi频率的能量，stft(ti,fi)为在ti时间fi频率的短时傅里叶结果；
[0021]
进行时间序列频率幅值信息熵计算，具体计算公式为：
[0022][0023]
其中，e(ti,fi)为在ti时间fi频率的能量，m为不同数据点的序号，enm(ti,fi)为时间序列频率幅值信息熵；变量m的取值为从1到n，则对于一系列的m数值，即可获得相对应的enm(ti,fi)熵序列，提取enm(ti,fi)熵序列中的最大极值点，所获得的一系列熵极值点所对应的一系列频率即为预估的信号分量初始中心频率。
[0024]
进一步的，基于所述信号初始中心频率对所述机电装备的振动信号采用改进的变分模态分解ivmd实现振动信号分解，获取多个ivmd分解分量的方法包括：
[0025]
步骤a：设置分解信号个数k，利用预估的信号分量初始中心频率进行变分模态分解vmd参数初始化第一个迭代形成的分解分量和初始中心频率
[0026]
步骤b：根据下列公式迭代更新信号分量、中心频率和拉格朗日乘数：
[0027]
[0028][0029][0030]
其中，为第n+1次迭代获得的信号分量，f(w)表示需要分解的信号的频谱，α表示二次惩罚因子；^表示进行傅里叶变换，为第n次迭代中的中心频率，为第n次迭代的第i个信号分量，λn为第n次迭代中拉格朗日乘数，n放在右上角代表第n次迭代，τ表示噪声容限，代表正常工作的最大噪声幅度，
[0031]
步骤c：根据下式进行精度判断：
[0032]
其中，ε为信号分解精度，为第n+1次迭代获得的第k个分量；
[0033]
当达到分解信号个数k，或者精度ε小于预设数值，则完成分解，最终获得一系列ivmd分解分量否则，跳转步骤b。
[0034]
进一步的，对每个ivmd分解分量选取不同的mo数值进行频谱幅值调制，获得各ivmd分解分量不同mo数值下的改进信号包括：
[0035]
对于ivmd的分解结果针对每个ivmd分解分量对其进行傅里叶变换，得到：
[0036][0037]
式中：a(f)为幅值，为相位，j是虚部，ft为傅里叶变换，x(f)为获得的傅里叶变换结果；
[0038]
对以上得到的幅值a(f)进行幂运算，并进行傅里叶逆变换得
[0039][0040]
其中xm(t,n)即为修正的改进信号；a(f)为幅值，为相位，ift为傅里叶变换mo被称为数量级，a≤mo≤b，a和b为任意常数，在mo取不同数值时，具有不同的凸显信号特征和抑制噪声效果。
[0041]
进一步的，设定基于机电装备故障特征频率幅值能量最大的准则对每个 ivmd分解分量进行最优改进信号筛选，获得各ivmd分解分量的最优mo值下的最优改进分量的方法包括：
[0042]
针对不同的mo数值，计算获取不同mo数值下特征频率附近总能量计算方法为：针对机电装备一系列特征频率{f
f1
,f
f2
,...,f
fs
,}，按下式进行特征频率附近总能量计算：
[0043]esum
＝|a(f
f1
)|2+|a(f
f2
)|2+...+|a(f
fs
)|2；
[0044]
其中，e
sum
为特征频率附近的总能量，e
sum
＝|a(f
f1
)|2+|a(f
f2
)|2+...+|a(f
fs
)|2， a
(f
fs
)为第s个特征频率的幅值
[0045]
比较不同mo数值下特征频率附近总能量，以能量最大为原则，确定最优mo数值，即获得该ivmd分解分量的最优mo值下的最优改进分量。
[0046]
进一步的，对各ivmd分解分量最优mo值下最优改进分量进行hilbert变换，获得各ivmd分解分量最优mo值下最优改进分量的hilbert平方包络谱的方法包括：
[0047]
按下式计算解析信号和平方包络谱：
[0048][0049][0050]
其中，即为第k个信号分解分量在最优mo值下的最优改进分量，为信号的hilbert变换，为第k个信号分解分量在最优mo值下的最优改进分量的解析信号，为第k个信号分解分量在最优mo值下的最优改进分量的平方包络谱。
[0051]
进一步的，所述改进的堆栈降噪稀疏自动编码机深度学习模型的构建和训练方法包括：
[0052]
在自动编码机的基础上，以添加随机噪声干扰的数据输入增强模型的抗干扰性；
[0053]
引入稀疏性限制形成降噪稀疏自动编码机模型，通过堆叠降噪稀疏自动编码机，构建深度学习模型，并确定深度学习模型层数，以机电装备故障诊断的类型作为深度学习模型的输出；
[0054]
选用贪婪逐层预训练结合随机梯度下降微调训练算法进行深度学习模型训练，完成模型的训练和优化后，实现机电装备故障诊断和健康状态评估。
[0055]
进一步的，所述改进的堆栈降噪稀疏自动编码机深度学习模型的构建和训练方法包括：
[0056]
在降噪自动编码机上引入稀疏性限制获取单个降噪稀疏自动编码机，降噪自动编码机包括输入层，隐含层和输出层，每个信号分解分量在最优mo值下的最优改进分量的平方包络谱向量为u，添加噪声干扰后的输入为
[0057]
降噪自动编码机编码过程为解码过程为 y＝f(h)＝sf(w'h+b')
[0058]
其中，为加入噪声的输入向量，sg和sf为非线性激活函数，w和w'为编码和解码权重，b和b'为编码和解码偏置；
[0059]
降噪自动编码机训练损失函数为
[0060]
其中，λ为约束权重，x、y分别如输入和输出，w和w'为编码和解码权重；
[0061]
在以上基础上引入针对隐含层稀疏性限制，构建降噪稀疏自动编码机模型，所建立的模型损失函数l
dase
为：
[0062]
[0063]
其中，l
dsae
为单个降噪稀疏自动编码机损失函数，ρ是稀疏参数，为隐含层第j个神经元所对应的平均激活度，β为稀疏权重，x、y分别如输入和输出， w和w'为编码和解码权重；
[0064]
将多个降噪稀疏自动编码机模型进行堆栈连接，最终输出为机电装备故障诊断的状态类型标号；
[0065]
每个降噪稀疏自动编码机采用损失函数l
dsae
进行预训练，然后对堆栈的降噪稀疏自动编码机深度模型参数进行微调，整体微调阶段的损失函数：
[0066][0067]
其中，l
sdsae
为整体微调阶段损失函数，x、y分别如输入和输出，w和w'为编码和解码权重；
[0068]
损失函数l
sdsae
最小即训练完成，利用训练完毕后的深度学习模型即可实现机电装备的故障诊断。
[0069]
第二方面，本发明提供一种融合信号频谱幅值调制和深度学习的机电装备故障诊断装置，所述装置包括：
[0070]
信号获取模块：用于基于待诊断机电装备的具体机械结构，通过有限元功率流分析，确定最优的振动传感器布置位置，基于最优的振动传感器布置位置布置传感器，测量获取机电装备的振动信号；
[0071]
信号分解模块：用于对所述机电装备的振动信号采用ivmd实现振动信号分解，获取多个ivmd分解分量；
[0072]
幅值调制模块：用于逐个对每个ivmd分解分量选取不同的mo数值进行频谱幅值调制，获得每个ivmd分解分量不同mo数值下的改进信号；设定基于机电装备故障特征频率幅值能量最大的准则对每个ivmd分解分量进行最优改进信号筛选，获得各ivmd分解分量的最优mo值下的最优改进分量，并对各ivmd分解分量的最优mo值下的最优改进分量进行hilbert变换，获得各 ivmd分解分量最优mo值下最优改进分量的hilbert平方包络谱；
[0073]
模型输出模块：用于将各ivmd分解分量最优mo值下最优改进分量的 hilbert平方包络谱输入改进的堆栈降噪稀疏自动编码机深度学习模型，输出机电装备故障诊断的状态类型标号，实现机电装备故障诊断和健康状态评估
[0074]
第三方面，本发明提供一种融合信号频谱幅值调制和深度学习的机电装备故障诊断装置，包括处理器及存储介质；
[0075]
所述存储介质用于存储指令；
[0076]
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
[0077]
与现有技术相比，本发明所达到的有益效果：
[0078]
1、本发明提供一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法，针对传统基于振动信号的故障诊断方法的局限性和缺点，利用ivmd 获得一系列分解分量，针对一系列分解分量进行频谱幅值调制，获得每个分量在最优mo值下的改进信号，实现数据预处理，能够通过信号频谱幅值调制实现数据预处理，突出信号中的有用特征信息，充分利用深度学习的数据学习能力，准确实现机电装备故障诊断，为机电装备健康管理和智慧运维提供基础。
[0079]
2、本发明从增强深度学习的数据学习能力和抗干扰能力出发，在自动编码机模型基础上引入噪声干扰和稀疏性限制，构建堆栈降噪稀疏自动编码机的深度学习模型，数据学习能力和抗干扰能力达到最优。通过深度学习模型训练后，即可准确实现机电装备故障诊断，为机电装备健康管理和智慧运维提供基础。
[0080]
3、本发明对所述机电装备的振动信号，在stft时频分析的基础上引入信息熵，利用信息熵的极值点实现信号初始中心频率预估；将初始中心频率预估与vmd(变分模态分解)相结合，形成ivmd算法，实现振动信号频率成分的准确分解，同时减少vmd分解算法的参数初始值设定，提高分解准确性。
附图说明
[0081]
图1是本发明的一种用于行星齿轮故障诊断的基于融合型堆栈自动编码机的新型深度特征学习方法的流程图。
具体实施方式
[0082]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0083]
实施例一：
[0084]
如图1所示，本发明提供一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法，具体包括以下步骤：
[0085]
步骤一，基于机电装备的具体机械结构及具体工作环境，首先进行有限元模态分析，选取整个机电装备中振动位移最大点做为振动传感器的最优布置位置；将高精度振动传感器采用螺钉紧固方式安装在最优布置位置上，采用24位高精度数采卡实时准确测量机电装备的振动信号；并在获取振动数据基础上积累大量数据样本；
[0086]
步骤二，以单个振动信号样本为例，假设振动信号具有n个数据点 x＝{x1,x2,...,xn}，针对该振动信号进行短时傅里叶变换
[0087][0088]
其中，stft(t,f)为短时傅里叶变换结果，x(τ)为振动信号序列，w()为所采用的窗函数，t为时间，τ为变量，f为频率；
[0089]
进一步获得每个时间点频率幅值的能量被计算：
[0090][0091]
在此基础上，进行时间序列频率幅值信息熵计算，具体计算公式为：
[0092][0093]
其中，e(ti,fi)为在ti时间fi频率的能量，m为不同数据点的序号，enm(ti,fi)为时间序列频率幅值信息熵；m的取值为从1到n，则对于一系列的m数值，即可获得相对应的enm(ti,fi)熵序列，提取enm(ti,fi)熵序列中的最大极值点，所获得的一系列熵极值点所对应的一系列频率fi即为预估的信号分量初始中心频率；
[0094]
进一步进行ivmd分解，利用预估的信号分量初始中心频率进行vmd参数初始化，同
时设定算法迭代次数n，进行ivmd分解，分解流程如下：首先设置k＝1，求取第k个分解分量，根据以下公式更新分解分量和初始中心频率：
[0095][0096][0097]
其中，为第n+1次迭代获得的信号分量，f(w)表示需要分解的信号的频谱，α表示二次惩罚因子；^表示进行傅里叶变换，为第n次迭代中的中心频率，为第n次迭代的第i个信号分量，λn为第n次迭代中拉格朗日乘数，n放在右上角代表第n次迭代，τ表示噪声容限，代表正常工作的最大噪声幅度，
[0098]
进行第k个分解分量的λk更新，更新公式为
[0099][0100]
其中，τ表示噪声容限，代表正常工作的最大噪声幅度；
[0101]
根据下式进行精度判断：
[0102][0103]
ε为信号分解精度；当分解信号个数达到设定数值k，或者精度ε小于一定数值，则完成分解，最终获得一系列信号分量以上实现以单个振动信号样本的ivmd分解。
[0104]
步骤三，对于ivmd的分解结果针对每个信号分量进行频谱幅值调制，获取每个分解分量解调的最优改进分量；流程如下：对于ivmd的分解结果针对每个ivmd分解分量对其进行傅里叶变换，得到：
[0105][0106]
式中：a(f)为幅值，为相位，j是虚部，ft为傅里叶变换，x(f)为获得的傅里叶变换结果；
[0107]
对以上得到的幅值a(f)进行幂运算，并进行傅里叶逆变换得
[0108][0109]
其中xm(t,n)即为修正的改进信号；a(f)为幅值，为相位，ift为傅里叶变换mo被称为数量级，a≤mo≤b，a和b为任意常数，在mo取不同数值时，具有不同的凸显信号特征和抑制噪声效果。
[0110]
进一步选取最优mo值下的最优改进信号，设定机电装备故障特征频率附近能量最
大值为原则，即针对机电装备一系列特征频率{f
f1
,f
f2
,...,f
fs
,}，为了准确获得特征频率附近能量，进行特征频率附近总能量计算：
[0111]esum
＝|a(f
f1
)|2+|a(f
f2
)|2+...+|a(f
fs
)|2[0112]
其中，e
sum
为特征频率附近的总能量，a(f
fs
)为第s个特征频率的幅值；
[0113]
针对不同的mo数值，可获得不同mo数值下特征频率附近总能量则以能量最大为原则，确定最优mo数值，即可获得最优mo值下的最优改进分量大为原则，确定最优mo数值，即可获得最优mo值下的最优改进分量即为第k个信号分解分量在最优mo值下的最优改进分量；
[0114]
对进行hilbert变换，按下式计算解析信号和平方包络谱：
[0115][0116][0117]
其中，即为第k个信号分解分量在最优mo值下的最优改进分量，为信号的hilbert变换，为第k个信号分解分量在最优mo值下的最优改进分量的解析信号，为第k个信号分解分量在最优mo值下的最优改进分量的平方包络谱；
[0118]
以的平方包络谱作为后续深度学习模型的输入；
[0119]
步骤四、以每个ivmd分解信号在最优mo值下最优改进信号的平方包络谱作为输入，为了提高深度学习模型的抗干扰特性和数据学习能力，构建改进的堆栈降噪稀疏自动编码机深度学习模型；单个降噪稀疏自动编码机是在降噪自动编码机上引入稀疏性限制，单个降噪自动编码机由输入层，隐含层和输出层构成，假设每个ivmd分解信号在最优mo值下最优改进信号的平方包络谱向量为u，则添加噪声干扰后的输入为以使得训练的模型具备较好的抗干扰特性；
[0120]
降噪自动编码机编码过程为解码过程为 y＝f(h)＝sf(w'h+b')
[0121]
其中，为加入噪声的输入向量，sg和sf为非线性激活函数，w和w'为编码和解码权重，b和b'为编码和解码偏置；
[0122]
在以上基础上引入针对隐含层稀疏性限制，构建降噪稀疏自动编码机模型，所建立的模型损失函数为
[0123][0124]
其中，l
dsae
为单个降噪稀疏自动编码机损失函数，ρ是稀疏参数，为隐含层第j个神经元所对应的平均激活度，β为稀疏权重，x、y分别如输入和输出， w和w'为编码和解码权重；
[0125]
将多个降噪稀疏自动编码机模型进行堆栈连接，最终输出为机电装备故障诊断的
状态类型标号，每个降噪稀疏自动编码机采用损失函数l
dsae
进行预训练，然后对堆栈的降噪稀疏自动编码机深度模型参数进行微调，整体微调阶段的损失函数：
[0126][0127]
其中，l
sdsae
为整体微调阶段损失函数，x、y分别如输入和输出，w和w'为编码和解码权重；
[0128]
损失函数l
sdsae
最小即训练完成，利用训练完毕后的深度学习模型即可实现机电装备的故障诊断。
[0129]
实施例二：
[0130]
本实施例提供一种融合信号频谱幅值调制和深度学习的机电装备故障诊断装置，所述装置包括：
[0131]
信号获取模块：用于基于待诊断机电装备的具体机械结构，通过有限元功率流分析，确定最优的振动传感器布置位置，基于最优的振动传感器布置位置布置传感器，测量获取机电装备的振动信号；
[0132]
信号分解模块：用于对所述机电装备的振动信号采用ivmd实现振动信号分解，获取多个ivmd分解分量；
[0133]
幅值调制模块：用于逐个对每个ivmd分解分量选取不同的mo数值进行频谱幅值调制，获得每个ivmd分解分量不同mo数值下的改进信号；设定基于机电装备故障特征频率幅值能量最大的准则对每个ivmd分解分量进行最优改进信号筛选，获得各ivmd分解分量的最优mo值下的最优改进分量，并对各ivmd分解分量的最优mo值下的最优改进分量进行hilbert变换，获得各 ivmd分解分量最优mo值下最优改进分量的hilbert平方包络谱；
[0134]
模型输出模块：用于以各ivmd分解分量最优mo值下最优改进分量的hilbert平方包络谱输入改进的堆栈降噪稀疏自动编码机深度学习模型，输出机电装备故障诊断的状态类型标号，实现机电装备故障诊断和健康状态评估。
[0135]
本装置可执行实施例一所述的方法，针对传统基于振动信号的故障诊断方法的局限性和缺点，利用ivmd获得一系列分解分量，针对一系列分解分量进行频谱幅值调制，获得每个分量在最优mo值下的改进信号，实现数据预处理，能够通过信号频谱幅值调制实现数据预处理，突出信号中的有用特征信息，充分利用深度学习的数据学习能力，准确实现机电装备故障诊断，为机电装备健康管理和智慧运维提供基础。
[0136]
实施例三：
[0137]
本发明实施例还提供了一种融合信号频谱幅值调制和深度学习的机电装备故障诊断装置，包括处理器及存储介质；
[0138]
所述存储介质用于存储指令；
[0139]
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
[0140]
步骤a、基于机电装备具体机械结构，通过有限元功率流分析，确定最优的振动传感器布置位置，利用高精度数采卡实时准确测量机电装备的振动信号；
[0141]
步骤b、针对多个传感器获得的多个振动信号，在stft时频分析的基础上引入信息熵，利用信息熵的极值点实现信号初始中心频率预估；并将初始中心频率预估与vmd分解相结合，形成ivmd算法，实现振动信号频率成分的准确分解，同时减少vmd分解算法的参数初
始值设定；
[0142]
步骤c、针对ivmd获得的每个分解分量，对每个分解分量选取不同的mo 数值进行频谱幅值调制，获得不同mo数值下的改进信号；设定基于机电装备故障特征频率幅值能量最大的准则实现最优改进信号筛选，继而以ivmd分解各分量的最优mo数值下最优改进分量的hilbert平方包络谱为后续处理输入；
[0143]
步骤d、以各分量的最优mo数值下最优改进分量的hilbert平方包络谱作为输入，在自动编码机的基础上，以添加随机噪声干扰的数据输入增强模型的抗干扰性，同时增强自动编码机的学习能力，引入稀疏性限制形成降噪稀疏自动编码机模型，通过堆叠降噪稀疏自动编码机，构建深度学习架构，并确定深度学习架构层数，以机电装备故障诊断的类型作为深度学习架构的输出，选用贪婪逐层预训练结合随机梯度下降微调训练算法进行深度学习架构训练，完成模型的训练和优化后，实现机电装备故障诊断和健康状态评估。
[0144]
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。
[0145]
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。
[0146]
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。
[0147]
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。
[0148]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。