基于分布式典型相关性分析的动态系统数据驱动故障检测方法

1.本发明涉及复杂工业过程的控制、监测和诊断技术领域，特别涉及一种基于分布式典型相关性分析的动态系统数据驱动故障检测方法。


背景技术：

2.近几十年来，工业过程中的故障检测问题一直是控制领域研究的热点，受到越来越多的关注。随着工厂规模的不断扩大，系统机理复杂造成的建模困难、工序繁杂造成的测量数据急剧增加、存在动态特性造成的不好处理等问题使得系统的故障检测成为重中之重。如此庞大的系统一旦发生故障且没有在故障初期及时处理，后果将不堪设想，轻则设备损害，重则整个系统崩溃，甚至造成安全事故。综上所述，设计一种合适的故障检测方法成为急切的需要，且设计的该方法需要能够通过对动态系统的实时监控，在故障初期就及时检测出故障，从而保证系统的可靠性和安全性。
3.在传统的故障检测方法中，集中式的故障诊断应用广泛。集中式的方式就是将测量量集中传输到一个中心节点，在中心节点进行相应的故障检测操作，这个过程会导致中心节点的计算损耗巨大，传输数据的过程繁琐以及风险系数过高。基于cca的最优故障检测方法是集中式故障诊断中常用的方法，但是由于集中式cca方法在求解关键参数时计算量过大，使得中心节点负担过重，使得cca在大型互联系统中应用受限。
4.近年来，由于传感器技术和计算能力的提升驱使了分步式策略的研发。平均一致性算法成功地应用到了分布式领域。据了解，在动态系统中，开发基于数据驱动的cca的分布式故障诊断，并且采用分布式的方式求解cca相关参数的研究非常有限。大多数将cca应用到动态系统中的方式为局部进行cca，并没有从全局的角度去做故障检测，或者只针对特殊的拓扑结构来基于cca做故障诊断。


技术实现要素：

5.本发明针对大规模动态系统故障检测中存在的上述问题，提供一种基于分布式典型相关性分析的动态系统数据驱动故障检测方法，离线部分，采用分布式的方式对每个子系统中相关的cca参数进行求解；在线部分，构造分布式残差产生器，使用平均一致性算法对残差信号进行融合，从而进行最优的故障检测。
6.为解决上述技术问题，本发明的实施例提供如下方案：
7.一种基于分布式典型相关性分析的动态系统数据驱动故障检测方法，包括以下步骤：
8.s1，离线过程中，利用各个子系统中传感器采集正常工况时的历史数据，构建集中式cca残差产生器；
9.s2，根据动态系统中子系统之间的网络拓扑结构，基于平均一致性算法确定子系统之间信息传递的权重系数，构建求解各个子系统cca参数的迭代矩阵，将集中式cca残差
产生器转化为分布式cca残差产生器，应用于分布式系统；
10.s3，求解各个子系统的cca参数，在线过程中，每个子系统用求解的cca参数构造基于cca的残差产生器，并基于平均一致性算法对每个子系统的残差信号进行分布式融合，最终进行动态系统中基于数据驱动的分布式最优故障检测。
11.优选地，所述步骤s1具体包括以下步骤：
12.s11，采集动态系统中各个子系统正常工况时的历史数据，利用提升技术构建数据矩阵如下：
[0013][0014]
其中，
[0015][0016][0017]
和是第i个子系统中第k次采样的输入与输出数据值，u
i，p
和y
i，p
分别为第i个子系统中过去的输入和输出数据值，u
i，f
和y
i，f
分别为第i个子系统未来的输入和输出数据值，s和sf为整数，m为子系统的个数；
[0018]
收集n个样本即可得到：
[0019][0020]
其中，z和yf分别为公式中所描述数据的n个样本所组成的矩阵；
[0021]
s12，假设子系统的模型为：
[0022]
x(k+1)＝ax(k)+bu(k)+w(k)
ꢀꢀꢀ
(3)
[0023]
y(k)＝cx(k)+du(k)+v(k)
ꢀꢀꢀ
(4)
[0024]
其中，a、b、c、d是适当维数的未知常量参数矩阵，x(k)是状态变量，w(k)和v(k)分别是过程噪声和测量噪声，u(k)和y(k)分别代表系统的输入和输出数据值，其相关形式为：
[0025][0026]
为推导方便，这里使用系统模型的预测器形式：
[0027]
x(k+1)＝akx(k)+bku(k)+ky(k)
ꢀꢀꢀ
(6)
[0028]
y(k)＝cx(k)+du(k)+e(k)
ꢀꢀꢀ
(7)
[0029]
其中，ak＝a-kc，bk＝b-kd，k为卡尔曼增益；
[0030]
s13，验证cca在动态系统中使用的合理性；
[0031]
根据上述公式得出：
[0032][0033]
由于ak是稳定的，当s足够大时，趋近于0，则上式转换为：
[0034][0035]
其中，
[0036][0037]zp
(k)＝[y(k-1)
t
u(k-1)
t
…
y(k-s)
t
u(k-s)
t
]
t
ꢀꢀꢀ
(11)
[0038]
得到：
[0039][0040]
其中，
[0041][0042]
观察可知，
[0043][0044][0045]
其中，t和t
′
均为初等矩阵的乘积；
[0046]
转化为：
[0047][0048]
令：
[0049][0050][0051]
能够转化为与cca形式相同的形式：
[0052][0053]
即cca在动态系统中使用是合理的；
[0054]
s14，由上已知yf(k)和z(k)是相关的，因此使用cca构建残差产生器为：
[0055]
r(k)＝l
t
yf(k)-λj
t
z(k)
ꢀꢀꢀ
(20)
[0056]
其中，r(k)为k时刻的系统的残差信号，l、j和λ为cca的关键参数，后续会对其进行求解。
[0057]
优选地，所述步骤s2具体包括以下步骤：
[0058]
s21，为了将集中式cca残差产生器转换成分布式cca残差产生器的形式，令：
[0059][0060]
这里将参数j和l按照子系统进行分割，ji和li代表子系统i的cca参数；
[0061]
代入得：
[0062][0063]
其中，残差r(k)为各个子系统残差ri(k)之和，即每个子系统只需要计算自身的残差，然后使用平均一致性算法对残差信号进行融合；
[0064]
s22，根据平均一致性算法，计算各个子系统之间信息传递的权重系数：
[0065][0066]
其中，n＝{1，
…
，m}，ni＝{j|节点j和第i个子系统相连接，j∈n}，ki表示节点i的邻居节点的个数；
[0067]
这里子系统之间的权重系数的含义是当子系统j想要给子系统i传递信息时，要将传递的信息乘上w
ij
，这个权重系数矩阵也是平均一致性算法迭代过程中最关键的参数；
[0068]
s23，根据动态系统的网络拓扑图，计算各个节点信息传输的权重系数，从而得到平均一致性算法中的迭代矩阵w：＝(w
ij
)m×m；
[0069]
s24，各个子系统基于平均一致性算法计算所有子系统状态的平均值，每个子系统使用如下迭代公式进行迭代运行：
[0070][0071]
其中，φ
i，0
为子系统i的初始值；φ
i，k
为子系统i的第k次迭代的值；当平均一致性算法收敛后，各个节点迭代的终值均为：
[0072][0073]
为了平衡迭代延迟与迭代准确性之间的关系，增加一个界限γ，当||φ
i，k+1-φ
i，k
||≤γ时，认为各个子系统收敛到最终值；
[0074]
s25，使用平均一致性算法得到各个子系统初始值加和的平均，只需要每个节点得到各自的ri(k)，再使用平均一致性算法即可；后续使用分布式求解cca参数的算法来求解ri(k)中的li和ji参数。
[0075]
优选地，所述步骤s3具体包括以下步骤：
[0076]
s31，设置迭代次数i＝0，每个子系统分别初始化和k＝1，
…
，m，其中上标为迭代次数；
[0077]
其中，第k个子系统只需要初始化和即在式中所代表的相关的参数，并且初始化的参数值为随机值即可，初始化的参数值并不会影响最终的收敛结果；
[0078]
s32，每个子系统同时计算：
[0079][0080][0081]
其中，和的上标为迭代次数，下标表示第k个子系统，且y
i，f，l
＝[y
i，f
[iθ]y
i，f
[iθ+1]
…yi，f
[iθ+θ-1]]
ꢀꢀꢀ
(28)
[0082]zi，l
＝[zi[iθ]zi[iθ+1]
…
zi[iθ+θ-1]]
ꢀꢀꢀ
(29)
[0083]
θ为常数；
[0084]
s33，利用平均一致性算法对式和式分别进行迭代，最终每个子系统都可以收敛并求得：
[0085][0086]
其中，和为各个子系统第i次迭代后值的平均值；
[0087]
s34，每个子系统同时构造用于分布式求解cca关键参数的迭代矩阵，这里以子系统k来说明构造的迭代矩阵的形式：
[0088][0089]
s35，此时每个子系统都得到了如所示的矩阵，每个子系统同时对构造的矩阵和使用cca并且按照下述方式求得参数和更新λ
i+1
；
[0090][0091][0092]
[0093][0094]
其中，∑
x
、∑y、∑
x，y
和∑
y，x
为相应的协方差，式为cca核心步骤，采用奇异值分解即可求出参数γ、λ和δ；
[0095]
根据式-更新参数和
[0096][0097]
s36，令迭代次数i＝i+1，跳到步骤s32不断循环直到参数和收敛；
[0098]
s37，根据上述步骤每个子系统可以得到cca的相关参数，每一个子系统得到ri(k)后，使用平均一致性分析即可得到检测统计量和阈值为：
[0099][0100][0101]
当检测统计量大于检测阈值时，判定为出现故障，反之为无故障。
[0102]
本发明实施例提供的技术方案带来的有益效果至少包括：
[0103]
本发明提供的基于分布式典型相关性分析的动态系统数据驱动故障检测方法主要分为离线过程和在线过程两个部分；离线过程中，利用传感器采集各个子系统中正常工况时的历史数据，并利用提升技术构建相应的数据矩阵；然后根据动态系统中各个子系统之间的网络拓扑结构，构建平均一致性算法迭代矩阵，基于平均一致性算法，各个子系统分别求解出相应的cca关键参数；在线过程中，每个子系统构建基于cca的残差产生器，每个子系统将实时采集的数据转化为残差信号，并再次利用平均一致性算法将残差信号进行分布式融合；最后设计控制统计量，确定阈值，根据故障检测逻辑对此动态系统进行判断。
[0104]
本发明所述的故障检测方法能够实时地、低损耗地、有效地对动态系统进行分布式故障检测，为动态系统的故障检测提供了一种新的技术方案。所述方法降低了集中式故障检测的计算损耗，增强了数据传输的安全系数，在求解cca参数方面，将平均一致性算法使用到了cca分布式参数求解的过程，极大地降低了求解的复杂度，具有损耗低、传输数据少、安全性高等优点。
附图说明
[0105]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0106]
图1是本发明实施例提供的基于分布式典型相关性分析的动态系统数据驱动故障检测方法的流程图；
[0107]
图2是本发明实施例提供的动态系统的网络拓扑图；
[0108]
图3是本发明实施例提供的te化工过程进行数据仿真的模型示意图；
[0109]
图4a-图4f是本发明实施例提供的子系统1至子系统6的检测结果示意图；
[0110]
图5是本发明实施例提供的故障检测方法与集中式故障检测方法的效果一致性示意图。
[0111]
如图所示，为了能明确实现本发明的实施例的结构，在图中标注了特定的结构和器件，但这仅为示意需要，并非意图将本发明限定在该特定结构、器件和环境中，根据具体需要，本领域的普通技术人员可以将这些器件和环境进行调整或者修改，所进行的调整或者修改仍然包括在本发明的保护范围中。
具体实施方式
[0112]
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0113]
本发明的实施例提供了一种基于分布式典型相关性分析的动态系统数据驱动故障检测方法，如图1所示，所述方法包括以下步骤：
[0114]
s1，离线过程中，利用各个子系统中传感器采集正常工况时的历史数据，构建集中式cca残差产生器；
[0115]
s2，根据动态系统中子系统之间的网络拓扑结构，基于平均一致性算法确定子系统之间信息传递的权重系数，构建求解各个子系统cca参数的迭代矩阵，将集中式cca残差产生器转化为分布式cca残差产生器，应用于分布式系统；
[0116]
s3，求解各个子系统的cca参数，在线过程中，每个子系统用求解的cca参数构造基于cca的残差产生器，并基于平均一致性算法对每个子系统的残差信号进行分布式融合，最终进行动态系统中基于数据驱动的分布式最优故障检测。
[0117]
进一步地，所述步骤s1具体包括以下步骤：
[0118]
s11，采集动态系统中各个子系统正常工况时的历史数据，利用提升技术构建数据矩阵如下：
[0119][0120]
其中，
[0121][0122]
[0123]
和是第i个子系统中第k次采样的输入与输出数据值，u
i，p
和y
i，p
分别为第i个子系统中过去的输入和输出数据值，u
i，f
和y
i，f
分别为第i个子系统未来的输入和输出数据值，s和sf为整数，m为子系统的个数；
[0124]
收集n个样本即可得到：
[0125][0126]
其中，z和yf分别为公式中所描述数据的n个样本所组成的矩阵；
[0127]
s12，假设子系统的模型为：
[0128]
x(k+1)＝ax(k)+bu(k)+w(k)
ꢀꢀꢀ
(3)
[0129]
y(k)＝cx(k)+du(k)+v(k)
ꢀꢀꢀ
(4)
[0130]
其中，a、b、c、d是适当维数的未知常量参数矩阵，x(k)是状态变量，w(k)和v(k)分别是过程噪声和测量噪声，u(k)和y(k)分别代表系统的输入和输出数据值，其相关形式为：
[0131][0132]
为推导方便，这里使用系统模型的预测器形式：
[0133]
x(k+1)＝akx(k)+bku(k)+ky(k)
ꢀꢀꢀ
(6)
[0134]
y(k)＝cx(k)+du(k)+e(k)
ꢀꢀꢀ
(7)
[0135]
其中，ak＝a-kc，bk＝b-kd，k为卡尔曼增益；
[0136]
s13，验证cca在动态系统中使用的合理性；
[0137]
根据上述公式得出：
[0138][0139]
由于ak是稳定的，当s足够大时，趋近于0，则上式转换为：
[0140][0141]
其中，
[0142][0143]zp
(k)＝[y(k-1)
t
u(k-1)
t
…
y(k-s)
t
u(k-s)
t
]
t
ꢀꢀꢀ
(11)
[0144]
得到：
[0145][0146]
其中，
[0147][0148]
观察可知，
[0149][0150][0151]
其中，t和t
′
均为初等矩阵的乘积；
[0152]
转化为：
[0153][0154]
令：
[0155][0156][0157]
能够转化为与cca形式相同的形式：
[0158][0159]
即cca在动态系统中使用是合理的；
[0160]
s14，由上已知yf(k)和z(k)是相关的，因此使用cca构建残差产生器为：
[0161]
r(k)＝l
t
yf(k)-λj
t
z(k)
ꢀꢀꢀ
(20)
[0162]
其中，r(k)为k时刻的系统的残差信号，l、j和λ为cca的关键参数，后续会对其进行求解。
[0163]
进一步地，所述步骤s2具体包括以下步骤：
[0164]
s21，为了将集中式cca残差产生器转换成分布式cca残差产生器的形式，令：
[0165][0166]
这里将参数j和l按照子系统进行分割，ji和li代表子系统i的cca参数；
[0167]
代入得：
[0168][0169]
其中，残差r(k)为各个子系统残差ri(k)之和，即每个子系统只需要计算自身的残差，然后使用平均一致性算法对残差信号进行融合；
[0170]
s22，根据平均一致性算法，计算各个子系统之间信息传递的权重系数：
[0171][0172]
其中，n＝{1，
…
，m}，ni＝{j|节点j和第i个子系统相连接，j∈n}，ki表示节点i的邻居节点的个数；
[0173]
这里子系统之间的权重系数的含义是当子系统j想要给子系统i传递信息时，要将传递的信息乘上w
ij
，这个权重系数矩阵也是平均一致性算法迭代过程中最关键的参数；
[0174]
s23，根据动态系统的网络拓扑图，计算各个节点信息传输的权重系数，从而得到平均一致性算法中的迭代矩阵w∶＝(w
ij
)m×m；
[0175]
s24，各个子系统基于平均一致性算法计算所有子系统状态的平均值，每个子系统使用如下迭代公式进行迭代运行：
[0176][0177]
其中，φ
i，0
为子系统i的初始值；φ
i，k
为子系统i的第k次迭代的值；当平均一致性算法收敛后，各个节点迭代的终值均为：
[0178][0179]
为了平衡迭代延迟与迭代准确性之间的关系，增加一个界限γ，当||φ
i，k+1-φ
i，k
||≤γ时，认为各个子系统收敛到最终值；
[0180]
s25，使用平均一致性算法得到各个子系统初始值加和的平均，只需要每个节点得到各自的ri(k)，再使用平均一致性算法即可；后续使用分布式求解cca参数的算法来求解ri(k)中的li和ji参数。
[0181]
进一步地，所述步骤s3具体包括以下步骤：
[0182]
s31，设置迭代次数i＝0，每个子系统分别初始化和k＝1，
…
，m，其中上标为迭代次数；
[0183]
其中，第k个子系统只需要初始化和即在式中所代表的相关的参数，并且初始化的参数值为随机值即可，初始化的参数值并不会影响最终的收敛结果；
[0184]
s32，每个子系统同时计算：
[0185][0186][0187]
其中，和的上标为迭代次数，下标表示第k个子系统，且y
i，f，l
＝[y
i，f
[iθ]y
i，f
[iθ+1]
…yi，f
[iθ+θ-1]]
ꢀꢀꢀ
(28)
[0188]zi，l
＝[zi[iθ]zi[iθ+1]
…
zi[iθ+θ-1]]
ꢀꢀꢀ
(29)
[0189]
θ为常数；
[0190]
s33，利用平均一致性算法对式和式分别进行迭代，最终每个子系统都可以收敛并
求得：
[0191][0192]
其中，和为各个子系统第i次迭代后值的平均值；
[0193]
s34，每个子系统同时构造用于分布式求解cca关键参数的迭代矩阵，这里以子系统k来说明构造的迭代矩阵的形式：
[0194][0195]
s35，此时每个子系统都得到了如所示的矩阵，每个子系统同时对构造的矩阵和使用cca并且按照下述方式求得参数和更新λ
i+1
；
[0196][0197][0198][0199][0200]
其中，∑
x
、∑y、∑
x，y
和∑
y，x
为相应的协方差，式为cca核心步骤，采用奇异值分解即可求出参数γ、λ和δ；
[0201]
根据式-更新参数和
[0202][0203]
s36，令迭代次数i＝i+1，跳到步骤s32不断循环直到参数和收敛；
[0204]
s37，根据上述步骤每个子系统可以得到cca的相关参数，每一个子系统得到ri(k)后，使用平均一致性分析即可得到检测统计量和阈值为：
[0205][0206]
[0207]
当检测统计量大于检测阈值时，判定为出现故障，反之为无故障。
[0208]
为了验证本发明所提出的基于分布式典型相关性分析的动态系统数据驱动故障检测方法的有效性与实用性，下面通过一个动态系统的仿真来进行详细阐述。
[0209]
本实施例采用美国田纳西州的te化工过程进行数据仿真。te过程是基于实际化学反应产生的数据，能够广泛用于测试复杂工业过程的故障诊断模型(如图3所示)。该模型主要分为五个操作单元：产品汽提塔、循环式压缩机、气液分离冷凝器、产品冷凝器和反应器。te过程有41个测量数据和12个操作变量。为了验证所提出方法的可行性，这里选取6个测量变量和6个输出变量(如表1中所示)分别代表6个子系统节点的输入输出，子系统之间的拓扑结构图如图2所示。te过程共收录了一个无故障的样本数据集和21批不同故障的数据集，每个数据集样本数为960，故障的引入在第160个样本处。在仿真中，参数设置为s＝5，n＝960，sf＝5，可接收的误报率为a＝0.01。
[0210]
表1子系统与变量的关系
[0211][0212]
注：xmeas代表测量量，xmv代表控制量。
[0213]
使用故障1用于分布式方法的在线验证，各个子系统的检测结果如图4a-图4f所示。各个子系统通过分布式的方式求解出自身相关的cca的部分参数，并利用此参数，结合平均一致性算法进行故障检测，最终各个子系统具有一致的检测性能，并与集中式故障检测(如图5所示)的效果相同。
[0214]
综上所述，本发明的实施例提供了一种基于分布式典型相关性分析的动态系统数据驱动故障检测方法，该方法主要分为离线过程和在线过程两个部分；离线过程中，利用传感器采集各个子系统中正常工况时的历史数据，并利用提升技术构建相应的数据矩阵；然后根据动态系统中各个子系统之间的网络拓扑结构，构建平均一致性算法迭代矩阵，基于平均一致性算法，各个子系统分别求解出相应的cca关键参数；在线过程中，每个子系统构建基于cca的残差产生器，每个子系统将实时采集的数据转化为残差信号，并再次利用平均一致性算法将残差信号进行分布式融合；最后设计控制统计量，确定阈值，根据故障检测逻辑对此动态系统进行判断。
[0215]
本发明所述的故障检测方法能够实时地、低损耗地、有效地对动态系统进行分布式故障检测，为动态系统的故障检测提供了一种新的技术方案。所述方法降低了集中式故障检测的计算损耗，增强了数据传输的安全系数，在求解cca参数方面，将平均一致性算法使用到了cca分布式参数求解的过程，极大地降低了求解的复杂度，具有损耗低、传输数据少、安全性高等优点。
[0216]
需要说明的是，在本文中，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
[0217]
在说明书中提到“一个实施例”、“实施例”、“示例性实施例”、“一些实施例”等指示所述的实施例可以包括特定特征、结构或特性，但未必每个实施例都包括该特定特征、结构或特性。另外，在结合实施例描述特定特征、结构或特性时，结合其它实施例(无论是否明确描述)实现这种特征、结构或特性应在相关领域技术人员的知识范围内。
[0218]
通常，可以至少部分从上下文中的使用来理解术语。例如，至少部分取决于上下文，本文中使用的术语“一个或多个”可以用于描述单数意义的任何特征、结构或特性，或者可以用于描述复数意义的特征、结构或特性的组合。另外，术语“基于”可以被理解为不一定旨在传达一组排他性的因素，而是可以替代地，至少部分地取决于上下文，允许存在不一定明确描述的其他因素。
[0219]
如本文使用的，术语“标称/标称地”是指在生产或制造过程的设计阶段期间设置的针对部件或过程操作的特性或参数的期望或目标值，以及高于和/或低于期望值的值的范围。值的范围可能是由于制造过程或容限中的轻微变化导致的。如本文使用的，术语“大约”指示可以基于与主题半导体器件相关联的特定技术节点而变化的给定量的值。基于特定技术节点，术语“大约”可以指示给定量的值，其例如在值的5％-15％(例如，值的
±
5％、
±
10％或
±
15％)内变化。
[0220]
可以理解的是，本公开中的“在
……
上”、“在
……
之上”和“在
……
上方”的含义应当以最宽方式被解读，以使得“在
……
上”不仅表示“直接在”某物“上”而且还包括在某物“上”且其间有居间特征或层的含义，并且“在
……
之上”或“在
……
上方”不仅表示“在”某物“之上”或“上方”的含义，而且还可以包括其“在”某物“之上”或“上方”且其间没有居间特征或层的含义。
[0221]
此外，诸如“在
…
之下”、“在
…
下方”、“下部”、“在
…
之上”、“上部”等空间相关术语在本文中为了描述方便可以用于描述一个元件或特征与另一个或多个元件或特征的关系，如在附图中示出的。空间相关术语旨在涵盖除了在附图所描绘的取向之外的在设备使用或操作中的不同取向。设备可以以另外的方式被定向，并且本文中使用的空间相关描述词可以类似地被相应解释。
[0222]
本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。另外，为了避免对本发明的实质造成不必要的混淆，并没有详细说明众所周知的方法、过程、流程、元件和电路
等。
[0223]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读取存储介质中，如：rom/ram、磁碟、光盘等。
[0224]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。