基于支持向量机的钢轨波磨识别方法、装置、设备及介质

1.本发明涉及城市轨道交通轨道钢轨波磨的智能识别技术领域，具体涉及基于支持向量机的钢轨波磨识别方法、装置、设备及介质。


背景技术：

2.钢轨波浪形磨耗(简称钢轨波磨)一直是城市轨道交通面临的一个重要问题，近年来，随着地铁线路中大量减振轨道的应用，以及地铁车辆运营速度、载重量的提高，轮轨之间的相互作用力加剧，使得钢轨波磨问题更加突出。大多数城市轨道交通车辆-轨道系统的零部件破坏，如扣件弹条断裂，构架裂纹等，都是由严重的钢轨波磨引起的，此外，严重的钢轨波磨还会引起强烈的振动噪声问题，影响沿线居民生活以及司乘人员的生活乘坐舒适性。避免或者减缓这些问题最为直接有效地方法就是进行钢轨打磨，目前大多数地铁运营单位对钢轨的打磨依然是按照一定的运营时间而开展的计划修，但是钢轨波磨的发展规律比较复杂，与轨道类型、列车运营状态等有着密切的关系，计划修往往与钢轨波磨的发展规律不一致，造成过度打磨从而浪费大量运维成本，或者打磨不足而造成故障频发。状态修是根据实时的列车-轨道运营状态而制定的维修计划，能最大程度避免运维成本的增加以及故障的频发。因此，需要实时对钢轨波磨进行快速的诊断。
3.然而，现有的钢轨波磨智能识别方法存在识别准确度不高和效率低等问题，因此，急需一种高准确识别度和高效率的钢轨波磨识别方法。


技术实现要素：

4.本发明所要解决的技术问题是现有的钢轨波磨智能识别方法存在识别准确度不高和效率低等问题。本发明目的在于提供基于支持向量机的钢轨波磨识别方法、装置、设备及介质，本发明方法对采集的城市轨道交通车辆沿轨道非匀速运动时产生的特定轮轨噪声信息提取特征向量，构建支持向量机二元分类模型具有高效，准确的识别能力。本发明可以实现钢轨波磨的实时在线检测，具有高效、准确、快速、节省大量运维成本等优点，有助于促进轨道交通运维向着便捷化、智能化、高效化的方向发展。
5.本发明通过下述技术方案实现：
6.第一方面，本发明提供了基于支持向量机的钢轨波磨识别方法，该方法包括：
7.获取不同时间段的轮轨噪声信号，根据所述轮轨噪声信号得到轮轨噪声时域信息；
8.将所述轮轨噪声时域信息分割为与各个不同时间段依次对应的分段轮轨噪声时域信息，并保证每个分段轮轨噪声时域信息所对应的城市轨道交通车辆运动路径相等；
9.对各个分段轮轨噪声时域信息进行预处理，提取各个分段轮轨噪声时域信息的时域统计特征量和频域本征模态能量；
10.根据所述时域统计特征量和频域本征模态能量，得到多维度轮轨噪声特征向量；
11.根据多维度轮轨噪声特征向量，构建基于支持向量机的钢轨波磨状态识别模型，
并进行基于支持向量机的钢轨波磨状态识别模型训练；
12.采用基于支持向量机的钢轨波磨状态识别模型对待识别的轮轨噪声数据进行识别，得到钢轨波磨状态；其中，所述钢轨波磨状态包括钢轨无波磨状态和钢轨有波磨状态。
13.以上技术方案，是考虑到故障状态下与正常状态下城市轨道交通车辆沿轨道非匀速运动时产生的噪声信号的时域统计特征具有显著的差异，时域统计特征对城市轨道交通车辆状态具有较强的辨别能力；但是时域统计特征受到众多因素的影响，如城市轨道交通车辆运行速度以及运行环境等，而城市轨道交通车辆不同状态下噪声信号的频域特征受到这些因素的影响较小，因此本发明提出城市轨道交通车辆噪声信号时域、频域特征相结合的特征向量构建方法。本发明将城市轨道交通车辆故障状态下的噪声信号采取变分模态分解，并提取各个分解本征模态系数，转换为不同频段的能量信息。构造包含时域统计特征以及变分模态分解本征模态能量信息的特征向量，并进行归一化处理；构建基于上述特征向量的支持向量机智能识别模型，对城市轨道交通钢轨波磨的状态进行识别，识别城市轨道交通车辆故障的频率特征以及严重程度特征。
14.不同于其他机械结构在一定工作时间段内往往具有固定旋转频率，即速度为定值，城市轨道交通车辆由于其频繁的牵引制动，复杂的线路条件，钢轨波磨的局部性特点，导致轮轨噪声呈现出显著的非稳态特征。
15.相比于传统的采用钢轨波磨分析小推车cat进行检测识别，采用本发明方法，通过支持向量机训练后，后续只需要采集轮轨噪声信息即可，将该轮轨噪声信息输入含有特定训练后的支持向量机模型的计算机处理，便可以快速、高效的对钢轨波磨进行识别。
16.进一步地，所述的对各个分段轮轨噪声时域信息进行预处理，提取各个分段轮轨噪声时域信息的时域统计特征量和频域本征模态能量；具体包括：
17.对各个分段轮轨噪声时域信息进行预处理，剔除异常数据，提取各个分段轮轨噪声时域信息的时域统计特征量；
18.采用变分模态分解法对各个分段轮轨噪声时域信息进行变分模态分解，提取各个分解本征模态系数，转换为不同频段的频域本征模态能量。
19.进一步地，所述时域统计特征量包括轮轨噪声总值、轮轨噪声均方根值、轮轨噪声平均幅值、轮轨噪声方差和轮轨噪声功率信息。
20.进一步地，根据实测的波磨数据和轮轨噪声数据，对各分段轮轨噪声数据进行分类标记，得到钢轨正常状态标签、钢轨波磨状态标签。
21.进一步地，所述多维度轮轨噪声特征向量是由钢轨状态标签、轮轨噪声的时域统计特征量和频域本征模态能量组成的多维度特征向量；
22.所述多维度轮轨噪声特征向量表示为{钢轨状态标签；轮轨噪声的时域统计特征量；轮轨噪声的频域本征模态能量}。
23.具体的是，对于二分类问题，无波磨时标签值为-1，有波磨时标签值为+1(以
±
1为例，对于二分类，只要两个标签不为相同数值即可)；轮轨噪声时域统计特征包括但不仅限于{轮轨噪声总值，轮轨噪声均方根值，轮轨噪声平均幅值，轮轨噪声方差，轮轨噪声功率}。
24.进一步地，所述的进行基于支持向量机的钢轨波磨状态识别模型训练，包括：
25.将所述多维度轮轨噪声特征向量组成特征空间，并将所述特征空间分为训练集和验证集；其中，训练集用于寻找最优参数以及训练模型，验证集用于验证训练好的模型的可
靠性；具体的是，一般将所述特征空间中的三分之二-五分之四样本作为训练集，剩余样本作为训练集；
26.将所述训练集输入到基于支持向量机的钢轨波磨状态识别模型中，通过交叉验证和参数寻优，寻找最优模型参数；
27.将所述最优模型参数作为训练模型的输入参数，将所述训练集输入到左右参数模型中进行训练，得到最优参数支持向量机分类器模型；
28.将所述验证集输入到所述最优参数支持向量机分类器模型中，对模型进行验证；
29.其中，所述交叉验证和参数寻优同时进行，所述交叉验证设置为n折交叉验证，将训练集均分为n份，其中1份作为验证集，剩余n-1份作为训练集进行模型训练；该过程进行n次，每次换1个验证集，剩余n-1份作为训练集；所述参数寻优算法可采取多种方法，如网格搜索、遗传算法或粒子群寻优等。
30.进一步地，所述的采用基于支持向量机的钢轨波磨状态识别模型对待识别的轮轨噪声数据进行识别，得到钢轨波磨状态；即将未知标签的实测数据特征向量输入到所述最优参数支持向量机分类器模型中，对其进行智能识别。
31.进一步地，所述轮轨噪声信号为城市轨道交通车辆沿轨道非匀速运动时产生的特定轮轨噪声信号。
32.进一步地，所述轮轨噪声信号通过噪声信号采集器进行采集，所述噪声信号采集器设置于列车轮轨区域，且列车的左右轮轨区域均设置有噪声信号采集器；这样以将两边的钢轨波磨均检测出来，保障噪声信息更加完善。
33.第二方面，本发明又提供了基于支持向量机的钢轨波磨识别装置，该装置支持所述的基于支持向量机的钢轨波磨识别方法，该装置包括：
34.获取单元，用于获取不同时间段的轮轨噪声信号，所述轮轨噪声信号为城市轨道交通车辆沿轨道非匀速运动时产生的特定轮轨噪声信号；
35.轮轨噪声时域信息单元，用于根据所述轮轨噪声信号得到轮轨噪声时域信息；
36.分段轮轨噪声时域信息单元，用于将所述轮轨噪声时域信息分割为与各个不同时间段依次对应的分段轮轨噪声时域信息，并保证每个分段轮轨噪声时域信息所对应的城市轨道交通车辆运动路径相等；
37.特征提取单元，用于对各个分段轮轨噪声时域信息进行预处理，提取各个分段轮轨噪声时域信息的时域统计特征量和频域本征模态能量；
38.多维度轮轨噪声特征向量单元，用于根据所述时域统计特征量和频域本征模态能量，得到多维度轮轨噪声特征向量；
39.模型构建及训练单元，用于根据多维度轮轨噪声特征向量，构建基于支持向量机的钢轨波磨状态识别模型，并进行基于支持向量机的钢轨波磨状态识别模型训练；
40.钢轨波磨状态识别单元，用于采用基于支持向量机的钢轨波磨状态识别模型对待识别的轮轨噪声数据进行识别，得到钢轨波磨状态，所述钢轨波磨状态包括钢轨无波磨状态和钢轨波磨状态。
41.第三方面，本发明又提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的基于支持向量机的钢轨波磨识别方法。
42.第四方面，本发明又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的基于支持向量机的钢轨波磨识别方法。
43.本发明与现有技术相比，具有如下的优点和有益效果：
44.相比于传统的采用钢轨波磨分析小推车cat进行检测识别，本发明基于支持向量机的钢轨波磨识别方法、装置、设备及介质，对采集的城市轨道交通车辆沿轨道非匀速运动时产生的特定轮轨噪声信息提取特征向量，构建支持向量机二元分类模型；通过支持向量机训练后，后续只需要采集轮轨噪声信息即可，将该轮轨噪声信息输入含有特定训练后的支持向量机模型的计算机处理，便可以快速、高效、准确的对钢轨波磨进行识别。本发明可以实现钢轨波磨的实时在线检测，具有高效、准确、快速、节省大量运维成本等优点，有助于促进轨道交通运维向着便捷化、智能化、高效化的方向发展。
附图说明
45.此处所说明的附图用来提供对本发明实施例的进一步理解，构成本技术的一部分，并不构成对本发明实施例的限定。在附图中：
46.图1为本发明基于支持向量机的钢轨波磨识别方法流程图。
47.图2为本发明用于说明城市轨道交通钢轨波磨示意图。
48.图3为本发明基于支持向量机的钢轨波磨识别方法详细流程示意图。
49.图4为本发明用于说明城市轨道交通车辆轮轨噪声测试示意图。
50.图5为本发明用于说明实施例中有无波磨状态下轮轨噪声时域信号对比示意图。
51.图6为本发明用于说明实施例中有无波磨状态下轮轨噪声变分模态分解本征模态能量对比示意图。
52.图7为本发明用于说明实施例中支持向量机参数寻优结果示意图。
53.图8为本发明用于说明实施例中支持向量机测试集预测分类结果示意图。
54.图9为本发明基于支持向量机的钢轨波磨识别装置流程图。
具体实施方式
55.为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
56.实施例1
57.如图1、图3所示，本发明基于支持向量机的钢轨波磨识别方法，该方法包括：
58.获取不同时间段的轮轨噪声信号，根据所述轮轨噪声信号得到轮轨噪声时域信息；
59.将所述轮轨噪声时域信息分割为与各个不同时间段依次对应的分段轮轨噪声时域信息，并保证每个分段轮轨噪声时域信息所对应的城市轨道交通车辆运动路径相等；
60.对各个分段轮轨噪声时域信息进行预处理，提取各个分段轮轨噪声时域信息的时域统计特征量和频域本征模态能量；
61.根据所述时域统计特征量和频域本征模态能量，得到多维度轮轨噪声特征向量；
62.根据多维度轮轨噪声特征向量，构建基于支持向量机的钢轨波磨状态识别模型，并进行基于支持向量机的钢轨波磨状态识别模型训练；
63.采用基于支持向量机的钢轨波磨状态识别模型对待识别的轮轨噪声数据进行识别，得到钢轨波磨状态；其中，所述钢轨波磨状态包括钢轨无波磨状态和钢轨有波磨状态。
64.本实施例中，所述的对各个分段轮轨噪声时域信息进行预处理，提取各个分段轮轨噪声时域信息的时域统计特征量和频域本征模态能量；具体包括：
65.对各个分段轮轨噪声时域信息进行预处理，剔除异常数据，提取各个分段轮轨噪声时域信息的时域统计特征量；
66.采用变分模态分解法对各个分段轮轨噪声时域信息进行变分模态分解，提取各个分解本征模态系数，转换为不同频段的频域本征模态能量。
67.本实施例中，所述时域统计特征量包括轮轨噪声总值、轮轨噪声均方根值、轮轨噪声平均幅值、轮轨噪声方差和轮轨噪声功率信息。
68.本实施例中，根据实测的波磨数据和轮轨噪声数据，对各分段轮轨噪声数据进行分类标记，得到钢轨正常状态标签、钢轨波磨状态标签。
69.本实施例中，所述多维度轮轨噪声特征向量是由钢轨状态标签、轮轨噪声的时域统计特征量和频域本征模态能量组成的多维度特征向量；
70.所述多维度轮轨噪声特征向量表示为{钢轨状态标签；轮轨噪声的时域统计特征量；轮轨噪声的频域本征模态能量}。
71.具体的是，对于二分类问题，无波磨时标签值为-1，有波磨时标签值为+1(以
±
1为例，对于二分类，只要两个标签不为相同数值即可)；轮轨噪声时域统计特征包括但不仅限于{轮轨噪声总值，轮轨噪声均方根值，轮轨噪声平均幅值，轮轨噪声方差，轮轨噪声功率}。
72.本实施例中，所述的进行基于支持向量机的钢轨波磨状态识别模型训练，包括：
73.将所述多维度轮轨噪声特征向量组成特征空间，并将所述特征空间分为训练集和验证集；其中，训练集用于寻找最优参数以及训练模型，验证集用于验证训练好的模型的可靠性；具体的是，一般将所述特征空间中的三分之二-五分之四样本作为训练集，剩余样本作为训练集；
74.将所述训练集输入到基于支持向量机的钢轨波磨状态识别模型中，通过交叉验证和参数寻优，寻找最优模型参数；
75.将所述最优模型参数作为训练模型的输入参数，将所述训练集输入到左右参数模型中进行训练，得到最优参数支持向量机分类器模型；
76.将所述验证集输入到所述最优参数支持向量机分类器模型中，对模型进行验证；
77.其中，所述交叉验证和参数寻优同时进行，所述交叉验证设置为n折交叉验证，将训练集均分为n份，其中1份作为验证集，剩余n-1份作为训练集进行模型训练；该过程进行n次，每次换1个验证集，剩余n-1份作为训练集；所述参数寻优算法可采取多种方法，如网格搜索、遗传算法或粒子群寻优等。
78.本实施例中，所述的采用基于支持向量机的钢轨波磨状态识别模型对待识别的轮轨噪声数据进行识别，得到钢轨波磨状态；即将未知标签的实测数据特征向量输入到所述最优参数支持向量机分类器模型中，对其进行智能识别。
79.本实施例中，所述轮轨噪声信号为城市轨道交通车辆沿轨道非匀速运动时产生的
特定轮轨噪声信号。
80.本实施例中，所述轮轨噪声信号通过噪声信号采集器进行采集，所述噪声信号采集器设置于列车轮轨区域，且列车的左右轮轨区域均设置有噪声信号采集器；这样以将两边的钢轨波磨均检测出来，保障噪声信息更加完善。
81.工作原理是：本发明是考虑到故障状态下与正常状态下城市轨道交通车辆沿轨道非匀速运动时产生的噪声信号的时域统计特征具有显著的差异，时域统计特征对城市轨道交通车辆状态具有较强的辨别能力；但是时域统计特征受到众多因素的影响，如城市轨道交通车辆运行速度以及运行环境等，而城市轨道交通车辆不同状态下噪声信号的频域特征受到这些因素的影响较小，因此本发明提出城市轨道交通车辆噪声信号时域、频域特征相结合的特征向量构建方法。本发明将城市轨道交通车辆故障状态下的噪声信号采取变分模态分解，并提取各个分解本征模态系数，转换为不同频段的能量信息。构造包含时域统计特征以及变分模态分解本征模态能量信息的特征向量，并进行归一化处理；构建基于上述特征向量的支持向量机智能识别模型，对城市轨道交通钢轨波磨的状态进行识别，识别城市轨道交通车辆故障的频率特征以及严重程度特征。
82.不同于其他机械结构在一定工作时间段内往往具有固定旋转频率，即速度为定值，城市轨道交通车辆由于其频繁的牵引制动，复杂的线路条件，钢轨波磨的局部性特点，导致轮轨噪声呈现出显著的非稳态特征。
83.相比于传统的采用钢轨波磨分析小推车cat进行检测识别，采用本发明方法，通过支持向量机训练后，后续只需要采集轮轨噪声信息即可，将该轮轨噪声信息输入含有特定训练后的支持向量机模型的计算机处理，便可以快速、高效的对钢轨波磨进行识别。
84.实施例2
85.如图1至图8所示，本实施例与实施例1的区别在于，本实施例基于实施例1的基于支持向量机的钢轨波磨识别方法，实施如下：
86.分为以下六个步骤：1)根据实测城市轨道交通车辆轮轨噪声与钢轨波磨情况，对数据进行分类打标签；2)对时域轮轨噪声进行时域统计特征提取；3)对时域轮轨噪声进行变分模态分解，并计算各个本征模态的能量；4)构造形如{钢轨状态标签；轮轨噪声的时域统计特征量；轮轨噪声的频域本征模态能量}的多维度特征向量，并进行归一化处理；5)将样本分为训练集和测试集两部分，训练集用于参数寻优、支持向量机模型训练，测试集用于对模型的可靠性进行测试；6)对未知标签的轮轨噪声进行智能识别。
87.本发明方法采用的设备，包括：
88.噪声信号采集器，该噪声信号采集器设置于车辆上，用于获取车辆轮轨噪声信息；
89.数据采集系统，该数据采集系统与噪声信号采集器连接，用于收集噪声信号采集器采集的车辆轮轨噪声信息；所述数据采集系统为多通道数据采集系统；
90.数据处理装置，所述数据处理装置与数据采集系统连接，用于对数据采集系统接收数据进行处理，用于将车辆轮轨噪声信息处理后识别钢轨波磨状态。
91.所述噪声信号采集器为噪声传感器。所述噪声传感器设置于列车轮轨区域。列车的左右轮轨区域均设置所述的噪声传感器，这样以将两边的钢轨波磨均检测出来，保障噪声信息更加完善。
92.以下进行实施方式举例：
93.(1)数据说明
94.对国内某城市地铁某区间线路进行现场试验，利用b&k多通道数据采集系统获取车辆轮轨噪声信号，如图4所示。
95.(2)轮轨噪声分类标签
96.对测试得到的轮轨噪声时域信号，按照上述方法分割为与各个不同时间段依次对应的分段噪声时域信息并确保每个分段噪声时域信息所对应的城市轨道交通车辆运动路径等长，构成样本空间；结合实际情况对样本空间中的样本数据进行分类打标签；
97.(3)轮轨噪声时域统计特征提取
98.提取各样本噪声时域统计特征，包括{轮轨噪声总值，轮轨噪声均方根值，轮轨噪声平均幅值，轮轨噪声方差，轮轨噪声功率}等；
99.(4)轮轨噪声变分模态分解
100.对各样本轮轨噪声信号，运用变变分模态方法进行分解，根据轮轨噪声频谱特征确定本征模态个数，并计算各个本征模态能量，如图6所示；
101.(5)构造特征空间
102.对上述处理后的样本，构造形如构造形如{
±
1；噪声总值i，均方根值i，平均幅值i，方差i，功率i；e
i1
，e
i2
，e
i3
，
…
，e
in
}的多维度特征向量，并进行归一化处理，形成特征空间；其中，i为第i个样本，n为本征模态数；如图5所示。
103.(6)划分样本空间
104.随机将样本空间中的2/3至4/5样本作为训练集，其余样本作为测试集；
105.(7)模型训练
106.将所述训练集输入模型，进行参数寻优、交叉验证，得到最优模型参数，利用最优模型参数，重新训练模型，如图7所示；
107.(8)模型验证
108.将所述测试集输入到已训练好的支持向量机模型中，测试模型的可靠性，如图8所示。
109.(9)基于支持向量机的钢轨波磨智能识别
110.对未知标签类型的样本输入到所述支持向量机模型中，智能识别钢轨波磨状态。
111.实施例3
112.如图9所示，本实施例与实施例1的区别在于，本实施例提供了基于支持向量机的钢轨波磨识别装置，该装置支持实施例1所述的基于支持向量机的钢轨波磨识别方法，该装置包括：
113.获取单元，用于获取不同时间段的轮轨噪声信号，所述轮轨噪声信号为城市轨道交通车辆沿轨道非匀速运动时产生的特定轮轨噪声信号；
114.轮轨噪声时域信息单元，用于根据所述轮轨噪声信号得到轮轨噪声时域信息；
115.分段轮轨噪声时域信息单元，用于将所述轮轨噪声时域信息分割为与各个不同时间段依次对应的分段轮轨噪声时域信息，并保证每个分段轮轨噪声时域信息所对应的城市轨道交通车辆运动路径相等；
116.特征提取单元，用于对各个分段轮轨噪声时域信息进行预处理，提取各个分段轮轨噪声时域信息的时域统计特征量和频域本征模态能量；
117.多维度轮轨噪声特征向量单元，用于根据所述时域统计特征量和频域本征模态能量，得到多维度轮轨噪声特征向量；
118.模型构建及训练单元，用于根据多维度轮轨噪声特征向量，构建基于支持向量机的钢轨波磨状态识别模型，并进行基于支持向量机的钢轨波磨状态识别模型训练；
119.钢轨波磨状态识别单元，用于采用基于支持向量机的钢轨波磨状态识别模型对待识别的轮轨噪声数据进行识别，得到钢轨波磨状态，所述钢轨波磨状态包括钢轨无波磨状态和钢轨有波磨状态。
120.各个单元的执行过程按照实施例1所述的基于支持向量机的钢轨波磨识别方法流程步骤执行即可，此实施例中不再一一赘述。
121.同时，本发明又提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的基于支持向量机的钢轨波磨识别方法。
122.同时，本发明又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的基于支持向量机的钢轨波磨识别方法。
123.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。
124.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。
125.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。
126.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。
127.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。