考虑两维动态特性的间歇过程故障检测方法及系统

摘要

本发明提供了考虑两维动态特性的间歇过程故障检测方法及系统。其中该方法包括利用两维动态核慢特征分析模型的负荷矩阵提取测试数据的低维特征信息，计算测试数据在主元空间和残差空间的监控统计量；依据监控统计量与相应控制限的比较结果，判断间歇过程是否发生故障；其中，利用自回归移动平均时间序列模型对三维训练数据集中的每个批次数据集扩展，得到对应增广批次数据集；训练数据为间歇过程的正常操作工况数据；将增广批次数据集非线性映射到高维特征空间，建立时间动态核慢特征分析模型，再引入核函数技巧计算核矩阵和时间变化核矩阵，基于全局建模策略计算总平均核矩阵和总时间变化核矩阵，构建出两维动态核慢特征分析模型。

说明书

技术领域

本发明属于动态非线性多变量间歇过程故障检测技术领域，尤其涉及一种考虑两维动态特性的间歇过程故障检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

由于间歇过程日益趋于高集成、大规模化和复杂化，间歇过程的故障检测已经成为保证其安全稳定运行的关键技术。随着现代计算机控制技术的发展，间歇过程中采集并存储了丰富的过程运行数据。因此，基于数据驱动的故障检测技术逐渐成为间歇过程监控领域的研究热点。研究人员提出了一系列基于数据驱动的故障检测方法，比如主元分析(PCA)、偏最小二乘(PLS)和典型变量分析(CVA)等。然而间歇过程在本质上具有两维动态特性(批次维度的动态特性和时间维度的动态特性)和显著的非线性特征，上述提到的监控方法在对间歇过程进行故障检测时具有很大的局限性。因此针对间歇过程的两维动态特性和非线性特征，如何从测量数据中提取出有用的特征信息以监控间歇过程的运行状态是一个挑战性的研究课题。

为了提取间歇过程数据中固有的动态时变特征，基于慢特征分析(SFA)的方法逐渐被引入间歇过程故障检测领域。近几年来，慢特征分析作为一种有效的间歇过程故障检测技术，引起了国内外研究人员的广泛关注。该方法能够从间歇过程的动态时变数据中提取出缓慢变化的低维特征信息，表征导致间歇过程动态时变的潜在驱动力，在一定程度上解决了间歇过程数据的动态时变特性。虽然慢特征分析技术在间歇过程的故障检测领域取得了一定的应用成果，但是发明人发现，慢特征分析技术在间歇过程的故障检测领域的缺点在于：(1)间歇过程在本质上具有两维动态特性：批次维度的动态特性和时间维度的动态特性，虽然慢特征分析能够处理间歇过程时间维度上的动态特性，但是无法消除间歇过程批次维度上的动态特性，会影响故障检测的效果。(2)慢特征分析实际上是一种线性降维方法，无法处理间歇过程的强非线性特征，降低了故障检测的性能。

发明内容

为了解决上述问题，本发明提供一种考虑两维动态特性的间歇过程故障检测方法及系统，其首先将自回归移动平均时间序列模型和核函数技巧融入到慢特征分析方法中构造时间动态核慢特征分析技术，处理间歇过程的强非线性和时间维度上的动态特性；然后将全局建模策略与时间动态核慢特征分析相结合构造两维动态核慢特征分析技术，进一步消除间歇过程不同批次间的动态变化和随机偏移，有效解决批次维度上的动态特性；最后基于提取出的低维慢特征信息，在主元空间和残差空间分别构建监控统计量，实时监控间歇过程的运行状态，能够提高间歇过程故障实时检测的性能。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种考虑两维动态特性的间歇过程故障检测方法。

一种考虑两维动态特性的间歇过程故障检测方法，包括：

利用两维动态核慢特征分析模型的负荷矩阵提取测试数据的低维特征信息，计算测试数据在主元空间和残差空间的监控统计量；所述测试数据为间歇过程的不同工况数据；

依据监控统计量与相应控制限的比较结果，判断间歇过程是否发生故障；

其中，负荷矩阵由求解两维动态核慢特征分析模型的最优化问题所对应的广义特征向量构造而成；两维动态核慢特征分析模型的构建过程为：

利用自回归移动平均时间序列模型对三维训练数据集中的每个批次数据集扩展，得到对应增广批次数据集；训练数据为间歇过程的正常操作工况数据；

将增广批次数据集非线性映射到高维特征空间，建立时间动态核慢特征分析模型，再引入核函数技巧计算核矩阵和时间变化核矩阵，然后基于全局建模策略计算总平均核矩阵和总时间变化核矩阵，最后构建出两维动态核慢特征分析模型。

作为一种具体实施方式，对三维训练数据集中的每个批次数据集扩展之前，还包括：

将间歇过程的原始三维训练数据集首先按照批次方向展开成两维数据矩阵并对其进行零均值和单位方差的标准化操作，然后将标准化后的两维数据矩阵重新排列成一个新的三维训练数据集，利用该新的三维训练数据集进行扩展。

上述技术方案的优点在于，这样能够更加充分的捕获间歇过程变量间的相关性和时间维度上的动态特性，提高故障检测的准确性。

作为一种具体实施方式，监控统计量的控制限的确定过程为：

利用两维动态核慢特征分析模型的负荷矩阵从标准化的两维数据矩阵中提取低维特征信息，分别构建出在主元空间和残差空间的监控统计量并确定出相应控制限。

作为一种具体实施方式，总平均核矩阵和总时间变化核矩阵的计算过程为：

利用当前批次数据集和剩余其他批次数据集，计算对应的核矩阵；

基于所有核矩阵计算当前批次数据集的平均核矩阵，并对其进行均值中心化操作，获得中心化的平均核矩阵；

基于所有均值中心化的批次平均核矩阵，计算得到总平均核矩阵和总时间变化核矩阵。

上述技术方案的优点在于，这样能够利用全局建模策略，能够消除间歇过程不同批次数据集间的动态变化和随机偏移，有效解决了间歇过程批次维度上的动态特性；此外，由于运用了核函数技巧，可以处理间歇过程的强非线性特征。

作为一种具体实施方式，从均值中心化的平均测试核向量中提取测试数据的低维特征信息。

作为一种具体实施方式，均值中心化的平均测试核向量的计算过程为：

利用自回归移动平均时间序列模型对测试数据进行扩展，获得增广向量；

基于增广向量和任一批次数据集的增广矩阵，利用核函数技巧计算测试数据的核向量；

计算得到相对于所有批次数据集的测试核向量后，进一步计算平均测试核向量并对其进行均值中心化，获得中心化的平均测试核向量。

上述技术方案的优点在于，利用自回归移动平均时间序列模型对其进行扩展，能够充分捕获间歇过程变量间的相关性和时间维度上的动态特性。为了处理间歇过程的强非线性特征，引入核函数技巧计算核矩阵和时间变化核矩阵，能够避免明确求解非线性变换函数的棘手问题。

作为一种具体实施方式，主元空间的监控统计量为T

本发明的第二个方面提供一种考虑两维动态特性的间歇过程故障检测系统。

一种考虑两维动态特性的间歇过程故障检测系统，包括：

监控统计量计算模块，其利用两维动态核慢特征分析模型的负荷矩阵提取测试数据的低维特征信息，计算测试数据在主元空间和残差空间的监控统计量；所述测试数据为间歇过程的不同工况数据；

间歇过程故障判断模块，其用于依据监控统计量与相应控制限的比较结果，判断间歇过程是否发生故障；

其中，负荷矩阵由求解两维动态核慢特征分析模型的最优化问题所对应的广义特征向量构造而成；两维动态核慢特征分析模型的构建过程为：

利用自回归移动平均时间序列模型对三维训练数据集中的每个批次数据集扩展，得到对应增广批次数据集；训练数据为间歇过程的正常操作工况数据；

将增广批次数据集非线性映射到高维特征空间，建立时间动态核慢特征分析模型，再引入核函数技巧计算核矩阵和时间变化核矩阵，然后基于全局建模策略计算总平均核矩阵和总时间变化核矩阵，最后构建出两维动态核慢特征分析模型。

本发明的第三个方面提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的考虑两维动态特性的间歇过程故障检测方法中的步骤。

本发明的第四个方面提供一种计算机设备。

一种计算机设备，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程序时实现如上述所述的考虑两维动态特性的间歇过程故障检测方法中的步骤。

与现有技术相比，本发明的有益效果是：

(1)本发明将自回归移动平均时间序列模型和核函数技巧融入到慢特征分析方法中构造时间动态核慢特征分析技术，不仅能够处理间歇过程的强非线性特征，而且还能更加充分的提取间歇过程时间维度上的动态特性，改善了间歇过程故障检测的效果；

(2)本发明将全局建模策略与时间动态核慢特征分析相结合构造两维动态核慢特征分析技术，能够消除间歇过程不同批次数据集间的动态变化和随机偏移，有效解决了间歇过程批次维度上的动态特性，最后基于提取出的低维慢特征信息，在主元空间和残差空间分别构建监控统计量，实时监控间歇过程的运行状态，提高了间歇过程故障实时检测的性能。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例的考虑两维动态特性的间歇过程故障检测流程图。

图2为本发明实施例的两维动态核慢特征分析的方框图。

图3为本发明实施例中青霉素发酵过程的原理图。

图4为本发明实施例对青霉素发酵过程三维训练数据的标准化和重新排列示意图。

图5为本发明实施例对青霉素发酵过程的总平均核矩阵计算流程图。

图6(a)为本发明实施例对青霉素发酵过程故障F3的BDKPCA方法的T

图6(b)为本发明实施例对青霉素发酵过程故障F3的BDKPCA方法的SPE监控统计量故障检测结果。

图6(c)为本发明实施例对青霉素发酵过程故障F3的TKSFA方法的T

图6(d)为本发明实施例对青霉素发酵过程故障F3的TKSFA方法的SPE监控统计量故障检测结果。

图6(e)为本发明实施例对青霉素发酵过程故障F3的TDKSFA方法的T

图6(f)为本发明实施例对青霉素发酵过程故障F3的TDKSFA方法的SPE监控统计量故障检测结果。

图7(a)为本发明实施例对青霉素发酵过程故障F6的BDKPCA方法的T

图7(b)为本发明实施例对青霉素发酵过程故障F6的BDKPCA方法的SPE监控统计量故障检测结果。

图7(c)为本发明实施例对青霉素发酵过程故障F6的TKSFA方法的T

图7(d)为本发明实施例对青霉素发酵过程故障F6的TKSFA方法的SPE监控统计量故障检测结果。

图7(e)为本发明实施例对青霉素发酵过程故障F6的TDKSFA方法的T

图7(f)为本发明实施例对青霉素发酵过程故障F6的TDKSFA方法的SPE监控统计量故障检测结果。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本发明的故障检测方法及系统是基于两维动态核慢特征分析来实现，其适用于间歇过程的故障检测。其中，间歇过程包括青霉素发酵过程、注塑过程、污水处理过程、啤酒酿造过程和半导体制造过程等。

本发明的间歇过程故障检测方法的原理为：

利用两维动态核慢特征分析模型的负荷矩阵提取测试数据的低维特征信息，计算测试数据在主元空间和残差空间的监控统计量；所述测试数据为间歇过程的不同工况数据；

依据监控统计量与相应控制限的比较结果，判断间歇过程是否发生故障；

其中，负荷矩阵由求解两维动态核慢特征分析模型的最优化问题所对应的广义特征向量构造而成；两维动态核慢特征分析模型的构建过程为：

利用自回归移动平均时间序列模型对三维训练数据集中的每个批次数据集扩展，得到对应增广批次数据集；训练数据为间歇过程的正常操作工况数据；

将增广批次数据集非线性映射到高维特征空间，建立时间动态核慢特征分析模型，再引入核函数技巧计算核矩阵和时间变化核矩阵，然后基于全局建模策略计算总平均核矩阵和总时间变化核矩阵，最后构建出两维动态核慢特征分析模型。

下面以青霉素发酵过程为例，青霉素发酵过程是一个众所周知的广泛用来评价间歇过程故障检测方法的基准仿真过程。

实施例一

青霉素发酵过程的原理图见图3，该发酵过程包括两个操作阶段：预培养阶段和分批补料阶段。在初始的预培养阶段，大量细胞所必须的营养物质开始产生并且青霉素细胞在细胞指数增长期出现。在分批补料阶段，为了维持较高的青霉素产量，需要连续不断的给发酵过程供给葡萄糖以使生物质增长率保持不变。为了给青霉素的生产提供最好的条件，对发酵罐的温度和PH值采用闭环控制。

在仿真实验中，采用仿真器Pensim V2.0产生青霉素发酵过程的仿真数据。选择表1中列出的10个变量作为监控变量，并在变量采样过程中添加高斯噪声。采集正常工况下的40个批次数据组成训练数据集，每个批次的长度均为400个小时，其中前面的45个小时是预培养阶段，后面的355个小时是分批补料阶段。考虑到不同批次的正常工况数据集之间存在动态变化和偏移，青霉素发酵过程的正常操作条件在一定的允许范围内波动，具体的波动范围请参见表2。此外，我们还仿真产生了6个批次的故障数据，每个批次的长度也是400个小时。所添加的故障类型包括通风率、搅拌功率和底物进料速率这三个变量的阶跃变化和斜坡变化，有关仿真中所添加故障模式的详细信息见表3。

表1青霉素发酵过程用于监控的过程变量

表2青霉素发酵过程的正常操作条件变化范围

表3青霉素发酵过程的六种故障模式信息

上述青霉素发酵过程的故障检测方法，如图1所示，含有以下步骤：

离线建模阶段：

(一)收集青霉素发酵过程40个批次的正常操作数据X

计算两维训练数据集

通过公式(1)对训练数据集X(I×KJ)进行标准化处理，表达式如下：

X(I×KJ)＝(X(I×KJ)-mean(X(I×KJ)))/std(X(I×KJ)) (1)

青霉素发酵过程原始三维训练数据集首先按批次方向展开并进行标准化，然后重新排列成一个新的三维训练数据集，其数据预处理过程如图4所示

需要说明的是，对训练数据集进行标准化的方法也可采用其他现有的方法来实现，本领域技术人员可根据实际情况来具体选择。

(二)为了更加充分的捕获间歇过程变量间的相关性和时间维度上的动态特性，将新组成的三维训练矩阵X(I×J×K)中的每个批次数据集X

第i个批次数据集X

其中，d表示时间滞后的阶次。

(三)时间动态核慢特征分析模型的构建过程为：对标准化的三维训练矩阵中的每个批次数据集进行扩展，得到增广批次数据集，然后采用非线性变换函数将数据集映射到高维特征空间，得到对应的数据集，再通过核函数技巧建立时间动态核慢特征分析模型。

具体地，采用非线性变换函数将每一个增广批次数据集

给定数据集

其中，

相对于时间的一阶导数

将公式(4)带入公式(3)，时间动态非线性慢特征分析的目标函数改写为：

考虑到负荷向量w

其中，α

将公式(6)带入公式(5)，时间动态非线性慢特征分析的目标函数进一步表述为：

为了避免明确求解非线性变换函数

其中，

ΔK

(四)利用第i个批次数据集和其余I-1个批次数据集继续计算其余的I-1个核矩阵K

第i个批次数据集的平均核矩阵

其中，矩阵K

对批次平均核矩阵

其中，I

(五)为了消除间歇过程批次维度上的动态特性，利用全局建模策略基于I个均值中心化的批次平均核矩阵

其中，两维动态核慢特征分析模型是在时间动态核慢特征分析模型的基础上，根据总平均核矩阵和总时间变化核矩阵而构建，总平均核矩阵由总平均核向量构成，总时间变化核矩阵由相邻总平均核向量的变化量构成。

根据核矩阵

总平均核矩阵

其中，矩阵

基于总平均核矩阵

其中，

根据总平均核矩阵

其中，

(六)将两维动态核慢特征分析的最优化问题转化为广义特征值分解问题，通过求解广义特征向量构造负荷矩阵A。

公式(14)中两维动态核慢特征分析的最优化问题可进一步转化成公式(15)所示的广义特征值分解问题。

通过求解公式(15)，能够获得一系列与广义特征值

其中，参数p的数值根据所保留的慢特征信息至少能够提供95％的累积缓慢贡献率确定。

其中，μ

(七)根据负荷矩阵A从标准化的二维训练数据集中提取缓慢变化的低维特征信息，然后分别在主元空间和残差空间上构建监控统计量并确定它们各自的控制限。

比如：在主元空间构造T

为了判断间歇过程是否发生故障，T

此处需要说明的是，在其他实施例中，也可构建其他监控统计量及确定其相应控制限来判断间歇过程是否发生故障。

离线建模步骤的目的是构建两维动态核慢特征分析模型，以及基于间歇过程的正常操作工况数据，确定在主元空间和残差空间的监控统计量的对应控制限数值。

在线监测阶段：

该阶段是对间歇过程的不同工况数据进行检测，下面以T

(一)对测试数据x

其中，向量

(二)基于增广向量

测试核向量k

其中，

(三)计算得到相对于所有I个批次数据集的测试核向量k

平均测试核向量

其中，k

进一步对平均测试核向量

其中，I

(四)根据两维动态核慢特征分析算法从中心化的平均测试核向量

建立T

其中，矩阵A表示负荷矩阵

建立SPE监控统计量：

其中，矩阵A

(五)依据测试数据的T

如果T

在具体实施中，为了评价不同监控方法的故障检测效果，通过故障检测时刻(FDT)和故障检测率(FDR)两个性能指标进行不同方法的故障检测效果对比。

故障检测时刻(FDT)定义为第一个被认为是故障数据的样本所在的采样时刻，故障检测率(FDR)定义为被检测出是故障数据的样本数目与实际总的故障样本数目之比。

很显然，FDT的数值越小，FDR的数值越大，意味着过程监控方法的故障检测效果越好；FDT的数值越大，FDR的数值越小，表明过程监控方法的故障检测效果越差。

在本仿真实例中，将两维动态核慢特征分析(TDKSFA)、两维核慢特征分析(TKSFA)和批次动态核主元分析(BDKPCA)这三种方法对青霉素发酵过程的故障检测效果进行对比分析。在TDKSFA建模时，选用多项式核作为核函数。依据网格搜索算法确定TDKSFA中多项式核函数阶次h的数值为5。TDKSFA中时间滞后d的数值依靠经验选择为2。为了公平的比较，在BDKPCA和TKSFA方法中同样使用多项式核作为核函数。对于BDKPCA，多项式核函数阶次h和时间滞后d的数值分别设置为5和2。对于TKSFA，根据网格搜索算法确定多项式核函数阶次h的数值为4。在BDKPCA、TKPCA和TDKSFA方法中，根据95％的累计信息贡献率选择所要保留的主元数目。对于这三种监控方法，将正常工况数据99％的置信限设置为每个监控统计量的故障检测阈值。在所有的监控图中，如果连续的五个样本点超出控制限，我们就认为检测到故障发生。

综合对比BDKPCA、TKSFA和TDKSFA这三种方法，以故障F3和F6为例说明青霉素发酵过程的故障检测效果。

故障F3为底物进料流速在第100h发生阶跃变化。BDKPCA、TKSFA和TDKSFA的故障检测效果见图6(a)-图6(f)。从图6(a)和图6(b)中可看出，BDKPCA的T

故障F6为底物进料流速在第100h发生斜坡变化。BDKPCA、TKSFA和TDKSFA的故障检测效果见图7(a)-图7(f)。在图7(e)和图7(f)中，TDKSFA的T

表4三种方法的故障检测时刻(FDT)比较表

表5三种方法的故障检测率(FDR)比较表

表4和表5分别给出了BDKPCA、TKSFA和TDKSFA这三种方法对于故障F1～F6的故障检测时间和故障检测率。从表4可以看出，对于阶跃故障F1和F2，这三种方法均能在第100h检测到故障发生，故障检测率均为100％。由于阶跃故障F3中的真实故障变量会缓慢影响其余的正常变量，因此这三种方法不能在故障F3加入后就立即将其检测出来。但是TDKSFA在这三种方法中对故障F3具有最小的故障检测延迟时间。对于检测起来比较困难的斜坡故障F4、F5和F6，相比于BDKPCA和TKSFA，TDKSFA均获得了更快的监控结果。这是因对于故障F4、F5和F6，TDKSFA均给出了最小的故障检测延迟时间。从表5可以看出，虽然DKPCA、TKSFA和TDKSFA对于故障F1和F2均获得了100％的故障检测率。但是对于检测起来比较困难的故障F3、F4、F5和F6，TDKSFA在这三种方法中均取得了最高的故障检测率。综合以上分析，对于故障F1～F6的监控结果表明，本实施例中TDKSFA的故障检测效果明显优于BDKPCA和TKSFA方法。

实施例二

本实施例提供了一种考虑两维动态特性的间歇过程故障检测系统，其包括：

监控统计量计算模块，其利用两维动态核慢特征分析模型的负荷矩阵提取测试数据的低维特征信息，计算测试数据在主元空间和残差空间的监控统计量；所述测试数据为间歇过程的不同工况数据；

间歇过程故障判断模块，其用于依据监控统计量与相应控制限的比较结果，判断间歇过程是否发生故障；

其中，负荷矩阵由求解两维动态核慢特征分析模型的最优化问题所对应的广义特征向量构造而成；两维动态核慢特征分析模型的构建过程为：

利用自回归移动平均时间序列模型对三维训练数据集中的每个批次数据集扩展，得到对应增广批次数据集；训练数据为间歇过程的正常操作工况数据；

将增广批次数据集非线性映射到高维特征空间，建立时间动态核慢特征分析模型，再引入核函数技巧计算核矩阵和时间变化核矩阵，然后基于全局建模策略计算总平均核矩阵和总时间变化核矩阵，最后构建出两维动态核慢特征分析模型。

本实施例的间歇过程故障检测系统中各个模块与实施例一所述的间歇过程故障检测方法中的步骤一一对应，此处不再累述。

实施例三

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的考虑两维动态特性的间歇过程故障检测方法中的步骤。

实施例四

本实施例提供了一种计算机设备，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程序时实现如上述实施例一所述的考虑两维动态特性的间歇过程故障检测方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明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和光学存储器等)上实施的计算机程序产品的形式。

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。

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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。