一种基于云边协同的配电终端健康状态诊断方法和装置与流程

1.本发明涉及电力系统智能运维技术领域，特别是涉及一种基于云边协同的配电终端健康状态诊断方法和装置。


背景技术：

2.近年来，随着能源互联网的持续演进，网络基础设施、互联效率及服务支撑能力显著提升。以点多、线长、面广、结构复杂、管理环节交叉等为基本特征的配电网社会责任和影响巨大，边缘计算、人工智能等新技术的应用推动着配电网由原来的传输电能、服务客户逐步演进为信息流、电力流、能源流高度融合的智能配电网。
3.作为配电网的最底层单元的低压配电台区也是智能配电网建设的关键元素。随着一二次融合成套设备的部署，配电自动化、电能质量监控、用户能效管理等系统的推广应用，台区产生的异构、多元数据成指数级增长，但由于智能化数据分析水平低，海量数据价值并没有被有效挖掘和利用，多主体间尚未建立有效的协作模型和成熟的协作机制，无法对供电可靠性和精益化管理的提升产生价值。
4.以往配电终端设备的状态分析主要分为基于层次分析法、基于故障树分析法、基于关联关系分析法三种研究思路，但主要应用于非实时/离线分析，分析数据有时候没有发挥资源协同、业务协同等技术优势，尤其不能实时反映智能终端设备的健康状况。


技术实现要素：

5.本发明所要解决的技术问题是提供一种基于云边协同的配电终端健康状态诊断方法和装置，通过云端和边缘侧的信息协同、计算资源协同、业务协同，挖掘探索配电网运维数据中隐含规律，实时反映智能终端设备的健康状况；还根据模型更新机制动态调整研判模型以增强自适应性。
6.本发明解决其技术问题所采用的技术方案是：提供一种基于云边协同的配电终端健康状态诊断方法，包括：
7.通过云端获取数据集，其中，所述数据集包括配电终端的多维度数据和状态影响因素；
8.在云端基于所述多维度数据和所述状态影响因素训练得到设备健康评价模型；
9.通过云端将所述设备健康评价模型下发至配电终端，就地诊断配电终端的健康状态。
10.所述在云端基于所述多维度数据和所述状态影响因素训练得到设备健康评价模型，包括：
11.根据所述多维度数据和所述状态影响因素来构建故障关键因素集合；
12.基于所述故障关键因素集合，利用关联规则算法同时融合专家经验获取配电终端的所述状态影响因素与故障类型的强规则、故障类型与故障模块的强规则；
13.构建关于所述状态影响因素与故障类型的强规则的故障规律规则库；
14.构建关于所述故障类型与故障模块的强规则的故障自诊断规则库；
15.基于所述故障规律规则库和故障自诊断规则库融合拼接，得到设备健康评价模型。
16.所述故障关键因素集合的表达式为：dr＝{dm,fn,mi,pj}，其中，dr为故障关键因素集合，dm为故障类型，fn为影响设备健康状态的因素，mi为设备制造厂家，pj为故障模块(相当于故障设备故障部位)。
17.所述状态影响因素与故障类型的强规则的公式为：其中，r1为状态影响因素与故障类型的强规则，dm为故障类型，fn为影响设备健康状态的因素。
18.所述故障类型与故障设备故障部位的强规则的公式为：其中，r2为故障类型与故障设备故障部位的强规则，dm为故障类型，pj为故障模块(相当于故障设备故障部位)。
19.所述配电终端的状态影响因素包括设备本体运行状态因素、时间因素、环境因素和检修历史。
20.还包括：所述配电终端进行硬件更换后，所述云端接收到更换信息，并根据接收到的更换信息重新训练设备健康评价模型。
21.本发明解决其技术问题所采用的技术方案是：提供一种基于云边协同的配电终端健康状态诊断装置，包括：
22.数据获取单元：用于通过云端获取数据集，其中，所述数据集包括配电终端的多维度数据和多维度状态影响因素；
23.模型训练单元：用于在云端基于所述多维度数据和所述状态影响因素训练得到设备健康评价模型；
24.诊断单元：用于通过云端将所述设备健康评价模型下发至配电终端，实现对配电终端的健康状态进行诊断。
25.本发明解决其技术问题所采用的技术方案是：提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述配电终端的健康状态诊断方法的步骤。
26.本发明解决其技术问题所采用的技术方案是：提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述配电终端的健康状态诊断方法的步骤。
27.有益效果
28.由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明可以在云端训练出设备健康评价模型的情况下，将模型参数下发到边缘侧配电终端中，并实施就地研判设备健康程度，实现云端和边缘侧的信息协同、计算资源协同、业务协同，可实时反映配电设备的健康状态；并根据模型更新机制，实现研判设备健康评价模型的动态调整，适应性更强，为配电设备的运行维护提供切实可行的指导意见。本发明基于低压配电台区实际环境，以真实的配电终端运行状态数据为基础，从上传至云端的原始电压电流数据中，提取配电终端的多维度影响因素，通过智能分析，训练得到配电终端的健康状态模型参数，将模型参数下发至边侧的配电终端中的智能控制设备，实现配电终端的健康程度实时就地研判，并同步发送给云端，推送对应级别的预警，云端工作人员可依据程度
进行主动运维等应对处理措施。本发明根据定期巡检与故障检修结果，若需更换硬件，如电池、通信模块等或者添加家族缺陷记录等，云端收到变更信息后，触发云端设备健康评价模型更新机制，重新训练模型参数并下发至边侧的智能控制设备，从而实现研判模型的动态调整。
附图说明
29.图1是本发明实施方式的方法架构框图；
30.图2是本发明实施方式的配电终端状态的多维度影响因素示意图；
31.图3是本发明实施方式的数据上传云端流程图；
32.图4是本发明实施方式的配电终端故障分类示意图；
33.图5是本发明实施方式的配电终端故障分析及自诊断示意图；
34.图6是本发明实施方式的apriori算法流程图；
35.图7是本发明实施方式的设备健康评价模型构建流程图；
36.图8是本发明实施方式的设备健康评价模型参数下发流程图；
37.图9是本发明实施方式的配电终端健康状态就地研判流程图；
38.图10是本发明实施方式的故障规律规则库示意图。
具体实施方式
39.下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
40.本发明的实施方式涉及一种基于云边协同的配电终端健康状态诊断方法，首先，本实施方式中的配电终端包括但不限于一二次融合馈线终端、站所终端、配变终端。请参阅图1，基于低压配电台区(低压配电台区包括多种终端设备)实际环境，以真实的配电终端运行状态数据为基础，从上传至云端的原始电压电流数据中，提取配电终端健康多维度特征指标，通过智能分析，训练得到配电终端健康状态模型参数，将模型参数下发至边侧的配电终端中的智能控制设备，实现配电终端健康程度实时就地研判，并同步发送给云端，推送对应级别的预警，云端工作人员可依据程度进行主动运维等应对处理措施。
41.根据定期巡检与故障检修结果，若配电终端需添加家族缺陷记录，或者需更换硬件，如电池、通信模块等等，云端收到变更信息后，触发云端设备健康评价模型更新机制，重新训练模型参数并下发至边侧的智能控制设备，从而实现研判模型的动态调整。
42.本实施方式以一二次融合配电终端设备为例对本实施方式进行详细介绍：
43.1云边协同
44.随着电网的数字化转型，新兴业务的不断涌现，云端无法承载指数增长的海量数据带来的通讯压力，边缘计算终端的各种资源都是比较有限的，无法达到和云端一样的数据计算能力，无法匹配不断更新/增长的业务带来的计算资源需求。云边协同机制的应用为很多传统的问题提供了新的解决思路。
45.将原有云计算模型的部分或全部计算任务迁移到边缘计算终端，在海量的物联网
数据中极大的解放网络带宽，降低数据在通信过程中产生的时延，减缓边缘计算终端的计算资源需求，提高海量数据的处理效率，从而提高边缘数据的处理效率，加强边缘计算终端的靠近数据端的优势。具体应用时需要统筹、权衡、分配计算资源，资源调度方法、系统性能和计算卸载决策开销等，包括能耗最小化、服务质量保证和经验质量提高等等。应用到本实施方式即各个一二次融合配电终端设备采集低压配电台区的原始数据并粗略计算，同步上传至云端，引入历史数据集，采用数据驱动的人工智能技术开展有效的特征提取与模型训练。
46.2数据获取
47.数据的获取是开展任何大数据应用研究的前提，数据质量决定了模型效果的上限。一二次融合配电终端设备中的智能控制设备汇总电气、通信、环境、状态等多元信息并粗略计算和小规模存储，通过云边协同架构模式下常用的mqtt与http/https等通信方式实时上送至拥有足够计算能力和存储能力的云端，进行海量数据分析、存储，必要时通过清洗、补齐等技术手段对原始数据进行预处理。
48.设备状态多维度评价指标体系涉及要素复杂、点多、面广，其构建原则：指标的内涵与外延界定义准确，尽可能避免相互交叉，关联程度合理；数据来源可靠，统计口径无歧义，可操作性强，同时衔接电网目前的统计指标；能够覆盖设备运行的各个关键环节，可真实、客观地揭示终端的实际运行状态等。
49.基于此，一二次融合配电终端设备状态的多维度影响因素主要分为四个部分：设备本体运行状态因素、时间因素、环境因素、检修历史。检修历史涵盖了家族缺陷、检修情况以及故障历史记录；时间因素包括设备新旧程度和设备运行年限；环境因素涉及温度变化和湿度变化；具体请见图2。
50.如图2所示，设备本体运行状态因素包括：
51.通信模块主要完成与其他设备以及主站之间的信息交互。其自诊断模块主要考察终端对主站以及终端对其他设备的通信质量。通过虚拟通道分析信号延时、通信丢包率、信号抖动以及信息接收方(如主站和其他设备)是否能收到通信信号等指标来判定通信模块是否故障。
52.电源模块包含蓄电池和接入电网侧的充电模块。电网正常运行时，电网侧通过充电模块给配电终端供电并对蓄电池浮充电。电网侧失电时则蓄电池支持终端运行。电源模块的自诊断模块判定电网侧充电电压和蓄电池电压是否为标准，预测蓄电池的荷电状态和放电深度，对其状态进行评价。
53.一二次回路状态包括遥测、遥信和遥控回路状态信息。遥测量又包括电压值和电流值。若采集的电压互感器、电流互感器和开关的遥测遥信数据出现异常的情况下，采集模块的自诊断模块根据数据偏差值情况确定是采集单元内部电路故障或外部传感器故障。遥控回路用于实现对线路开关的遥控功能，完成故障隔离。遥控回路自诊断模块判定中央处理单元发出的遥控指令是否正确执行到断路器及开关上。将中央处理器下发的遥控指令与采集得到遥测、遥信状态进行智能比对，判断两者的因果关系是否匹配，从而实现遥控回路的自诊断。开关机构卡涩及电操机构故障均能造成遥控回路异常。
54.任务运行状态自诊断：在中央处理单元运行的过程中，可能会出现由于环境问题(如高温潮湿等因素)或者软件bug造成任务状态运行异常的现象。通过软件运行状态监测
程序，判断软件任务运行是否正常。
55.参数、定值自诊断：诊断配电终端系统参数(ip地址、设备地址)和限值整定参数(防抖时间、遥控保持时间、越死区值)。诊断方法是将终端内参数与自诊断模块中参数进行自诊断。
56.对时自诊断：在对时中断恢复后将对时结果与程序进行比较判定。若相同，则对时无故障。
57.3云处理
58.3.1上传云端
59.一二次融合配电终端设备中的智能控制设备汇总电气、通信、环境、状态等多元信息并小规模存储和粗略计算后，通过mqtt协议连接云端，以json格式发布到云端，云端读取到实时数据后，存入数据库。检修历史和时间因素可从其他系统中导入或者人工录入数据库。数据库用于为后续云端训练设备健康评价模型提供数据集。数据上传云端流程请见图3。
60.3.2云端设备健康评价模型训练
61.(1)一二次融合配电终端设备故障特征分析
62.按照故障现象，一二次融合配电终端设备的故障可划分为遥信故障(遥信频繁变位等)、遥控失败(遥控分合失败)、遥测故障(遥测不刷新、遥测量异常等)、终端离线、频繁投退及其他故障，详见图4。其中前三项可归为终端“三遥”功能性故障，其余项为设备故障。
63.(2)构建一二次融合配电终端设备故障关联关系模型
64.根据某供电公司提供的两年度配电设备数据进行分析，总结归纳影响因素与故障之间的映射关系构建专家经验库。
65.遥信故障中开关分合误告警和零序过流告警多与厂家家族性缺陷有关，其他电池电压告警的遥信故障多由电源模块、电压变送器等设备硬件损坏导致。遥控失败主要原因在于开关机构卡涩(一次设备故障)、通信问题(设备通信模块故障)。遥测故障的原因多为家族性缺陷。终端离线原因较多，包括蓄电池耗尽或故障、硬件损坏、终端程序死机(软件运行状态)、无线信号质量较差、通信参数配置错误等。频繁投退的原因大多在于硬件问题与软件运行状态异常，后者通过软件更新即可解决。
66.分析故障规律需要提取有效且有代表性的特征数据构成项集。根据上述影响因素、故障特征分析可知，引发故障的影响因素、故障类型、故障设备故障部位三个数据量是分析终端失效、故障规律的必要元素。由此可构建故障关键因素集合：
67.dr＝{dm,fn,mi,pj}
68.其中，dm为故障类型，fn为影响设备健康状态的因素，mi表示设备制造厂家，pj为故障模块(相当于故障设备故障部位)。
69.基于统计的故障数据筛选出故障关键因素集合dr，利用关联规则算法获取频繁项集并推导所需的关联规则。为分析故障产生规律，需要获取以下强规则：
[0070][0071]
为分析缺陷产生规律并提出自诊断方法，需要获取以下强规则：
[0072]
[0073]
影响因素与故障类型的强规则r1，用于分析何种影响因素导致了何种故障，以获取故障产生规律。
[0074]
故障与故障设备故障部位的强规则r2，表明存在该部位即是引起该种故障的可能性，在发生该种故障时首先自诊断该部位。
[0075]
基于所述故障规律规则库和故障自诊断规则库融合拼接，得到设备健康评价模型。
[0076]
分析以往配电运维过程中的配电终端故障数据，融合专家经验，得到一二次融合配电终端设备故障分析及自诊断流程，详见图5。
[0077]
以下对关联规则算法进行介绍：
[0078]
关联规则算法最早在1993年由rakesh agrawal等人提出，以发掘大量顾客购买不同产品之间的关联规律性。目前应用广泛的算法主要有apriori、fp-growth和eclat算法。其中apriori算法流程如图6所示。
[0079]
首先扫描数据库形成只包含一个元素的候选频繁项集c1，统计各元素出现次数，与最小支持度比较，筛选出频繁项集l1，接着其中的元素两两组合，自连接形成含两个元素的候选频繁项集c2，与最小支持度比较得到频繁项集l2，再自连接形成c3，剪枝后与最小支持度比较形成l3，按此规律循环直到不能得到更大的频繁集即lk＝φ，最终的最大频繁项集即为l
k-1。
[0080]
其中，lm项自连接形成c
m+1
项的条件是项集中有且只有m-1项元素相同，剩余的2项不同的元素与m-1项相同元素组合形成c
m+1
。c
m+1
项集的所有m项子集必须出现在lm中，否则将被剪枝。例如l2中只有一个元素相同的两项集才可自连接形成c3，c3中所有包含不存在于l2两元素项集中的三元素条目将被剪枝删除。
[0081]
剪枝步骤依赖于apriori算法重要的性质：所有包含非频繁项集的项集都是非频繁项集，若x不是频繁项集，那么x∪y一定不是频繁项集。也即是所有频繁项集的子集都是频繁的。
[0082]
通过apriori算法得到最大频繁项集lf，列举出所有待选关联规则其中再计算规则置信度，大于最小置信度阈值的规则即为强规则。
[0083]
3.3一二次融合配电终端设备健康评价模型参数下发
[0084]
云端训练设备健康评价模型后，一二次融合配电终端设备订阅云端数据下发的topic，订阅成功后，以json格式发布含有设备id和相应topic的数据下发请求，获取设备健康评价模型并保存，流程图如图8所示。在没有新的模型参数下发时，无需通过mqtt协议订阅参数，直接使用保存的模型参数执行后续功能。
[0085]
3.4设备健康状态就地研判结果发布
[0086]
配电终端研判的设备健康程度通过mqtt协议同步到云端，推送对应级别的预警，云端工作人员可依据程度进行主动运维等应对处理措施，详见图9。
[0087]
3.5设备健康状态模型更新
[0088]
根据定期巡检与故障检修结果，若需更换硬件，如电池、通信模块等，云端收到变更信息后，触发云端设备健康评价模型更新机制，重新训练模型；从而得到新终端状态评价。
[0089]
下发新的模型参数至一二次融合配电终端设备。
[0090]
4边缘处理——设备健康状态就地研判
[0091]
边侧智能终端根据云边交互机制获取设备健康评价模型后，将实时采集的数据作为输入，即可实时研判的设备健康程度，研判流程图如图9所示。
[0092]
以下通过一个具体的实施方式进一步说明本发明：
[0093]
本实施方式以一台一二次融合配电终端设备作为边侧，其认证登录的账号密码均设置为1，在华为物联网平台(云端)创建产品的device_id为5fed8387aaafca02dba396b2_123456，保存特征数据和模型参数的service_id为centertest。模型通过认证账户、密码，认证成功后运行后续方法。
[0094]
(1)数据获取并发布云端
[0095]
一二次融合配电终端设备中的智能控制设备通过mqtt协议连接云端，将汇总的电气、通信、环境、状态等多元信息数据以json格式发布到云端，云端读取到边缘侧的实时特征数据后，连接数据库，将数据存入数据库，为后续云端模型训练提供数据集。
[0096]
(2)云端模型训练
[0097]
收集某地区供电公司2021年1月至6月的配电终端故障数据，在云端分析训练收集的故障数据。
[0098]
(2.1)终端故障数据信息
[0099]
对收集的终端故障数据进行处理，可得到1415条有效故障数据集合。分类归纳故障类型d共有5类，分别为遥控失败、遥信变位、终端离线、频繁投退、其他故障；影响因素f包含环境温湿变化、无线信号质量、现场停电故障、人为操作不当、一次设备影响、硬件运行状态、软件运行状态、设备升级调试、设备家族缺陷、运行年限过长共计10类；制造厂家m有25个；故障设备故障部位p共有6个，分别为中央处理单元、通信模块、开入模块、开出模块、电源模块、对时模块。由于样本集数据量较大，设定apriori算法的最小支持度阈值为0.02，最小置信度阈值为0.8，经过频繁项集的循环自连接与剪枝，可得到最大频繁项集，并根据置信度指标挖掘强规则。从中筛选出可供分析缺陷机理及提出自诊断方法的有效强规则共有15条(详见表1)。
[0100]
表1 一二次融合配电终端设备故障数据强规则
[0101]
[0102]
从表1得出的强规则结果划分各类元素，分类归纳总结如下：
[0103]
1)无线信号质量及软件运行状态皆有可能引发终端离线；发生终端离线时，故障设备故障部位为中央处理单元或通信模块的概率较高。造成遥控失败的原因多在于人工操作不当。遥信频繁变位原因可能为设备家族缺陷、环境温湿变化、硬件运行状态、设备升级调试；操作控制回路则可能是引起遥信频繁变位的关键故障模块。
[0104]
2)厂家4、10与遥信频繁变位的规则，厂家2、4、10及设备升级调试与遥信频繁变位的规则，厂家2与终端离线的规则表示厂家设备存在引发缺陷的可能性。这类规则可供供电公司运维检修时参考使用，也可供设备制造厂家升级改进设备使用。
[0105]
根据以上结果分析可构建终端故障规律规则库(详见图10)，图10中数字表示强规则的置信度。其中，影响因素f与故障类型d的强规则r1集合构成终端故障规律规则库，故障类型d与故障设备故障部位p的强规则r2构成终端故障自诊断规律库。
[0106]
(3)模型参数下发
[0107]
云端训练模型后，边侧的一二次融合配电终端设备订阅云端数据下发的topic，订阅成功后，以json格式发布含有设备id和相应topic的参数下发请求。
[0108]
(4)设备健康状态就地研判
[0109]
边侧的一二次融合配电终端设备根据云边交互机制获取设备健康评价模型后，将实时采集的数据作为输入，根据终端缺陷数据规则库，即可实时研判的设备健康程度。
[0110]
(5)设备健康状态就地研判结果发布
[0111]
边侧的一二次融合配电终端设备研判的设备健康程度通过mqtt协议同步到云端，推送对应级别的预警，云端工作人员可依据程度进行主动运维等应对处理措施。
[0112]
(6)设备健康状态模型更新
[0113]
根据定期巡检与故障检修结果，若需更换硬件，如电池、通信模块等，云端收到变更信息后，触发云端设备健康评价模型更新机制，重新训练模型；即新的终端状态评价。
[0114]
下发新的模型参数至边侧的一二次融合配电终端设备。
[0115]
本发明还涉及一种配电终端的健康状态诊断装置，包括：
[0116]
数据获取单元：用于通过云端获取数据集，其中，所述数据集包括配电终端的多维度数据和多维度状态影响因素；
[0117]
模型训练单元：用于在云端基于所述多维度数据和所述状态影响因素训练得到设备健康评价模型；
[0118]
诊断单元：用于通过云端将所述设备健康评价模型下发至配电终端，实现对配电终端的健康状态进行诊断。
[0119]
在模型训练单元中，所述在云端基于所述多维度数据和所述状态影响因素训练得到设备健康评价模型，包括：
[0120]
根据所述多维度数据和所述状态影响因素来构建故障关键因素集合；
[0121]
基于所述故障关键因素集合，利用关联规则算法同时融合专家经验获取配电终端的所述状态影响因素与故障类型的强规则、故障类型与故障模块的强规则；
[0122]
构建关于所述状态影响因素与故障类型的强规则的故障规律规则库；
[0123]
构建关于所述故障类型与故障模块的强规则的故障自诊断规则库；
[0124]
基于所述故障规律规则库和故障自诊断规则库融合拼接，得到设备健康评价模
型。
[0125]
在模型训练单元中，所述故障关键因素集合的表达式为：dr＝{dm,fn,mi,pj}，其中，dr为故障关键因素集合，dm为故障类型，fn为影响设备健康状态的因素，mi为设备制造厂家，pj为故障模块。
[0126]
在模型训练单元中，所述状态影响因素与故障类型的强规则的公式为：其中，r1为状态影响因素与故障类型的强规则，dm为故障类型，fn为影响设备健康状态的因素。
[0127]
在模型训练单元中，所述故障类型与故障设备故障部位的强规则的公式为：其中，r2为故障类型与故障设备故障部位的强规则，dm为故障类型，pj为故障模块。
[0128]
在数据获取单元中，所述配电终端的状态影响因素包括设备本体运行状态因素、时间因素、环境因素和检修历史。
[0129]
配电终端的健康状态诊断装置还包括更新单元：用于在配电终端进行硬件更换后，所述云端接收到更换信息，并根据接收到的更换信息重新训练设备健康评价模型。
[0130]
本发明的实施方式还涉及一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例所述配电终端的健康状态诊断方法的步骤。
[0131]
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。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。
[0132]
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。
[0133]
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。
[0134]
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。
[0135]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优
选实施例以及落入本技术范围的所有变更和修改。
[0136]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。