本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法和裝置。

背景技術(shù)：

目前，主要采用主元分析(pca)和主元回歸(pcr)的方法分析故障診斷問題。具體地，對存在相關(guān)性的自變量進(jìn)行處理，從而得出內(nèi)在相關(guān)性最大的主要變元，然后對于這些主元進(jìn)行回歸運算求出在誤差最小約束下的最優(yōu)解。

上述方式在一些領(lǐng)域有著非常廣泛的應(yīng)用和顯著的效果，然而在處理某些問題上卻不是特別有效。舉例而言，對于高爐煉鐵的問題，用pca和pcr的方法，檢測一些變量大小的變化往往有效，但對于閥門開關(guān)的問題，控制量是否施加這種簡單的問題檢測效果卻并不是很理想，尤其是多維度強耦合的系統(tǒng)。可以理解的是，一般pcr采用的是誤差二范數(shù)最小的約束，但當(dāng)優(yōu)化目標(biāo)為二值化變量時，這種方法就有一定的局限性了。我們通常假設(shè)只是某一些盡可能少的節(jié)點出現(xiàn)了問題，而大多數(shù)節(jié)點我們認(rèn)為還是正?？煽抗ぷ鞯?。

因此，針對上述類似這種可以二值化或者是離散系統(tǒng)問題的故障診斷就需要一種有效的分析方法，解決故障診斷準(zhǔn)確性低的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問題之一。

為此，本發(fā)明的第一個目的在于提出一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法，該方法通過基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

本發(fā)明的第二個目的在于提出一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置。

為達(dá)上述目的，本發(fā)明第一方面實施例提出了一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法，包括：對獲取的故障狀態(tài)進(jìn)行二值化處理；根據(jù)所述處理結(jié)果建立故障診斷的線性測量模型；通過壓縮感知方法根據(jù)所述線性測量模型的測量數(shù)據(jù)推斷系統(tǒng)狀態(tài)；利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對所述系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。

本發(fā)明實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法，通過對獲取的故障狀態(tài)進(jìn)行二值化處理，并根據(jù)處理結(jié)果建立故障診斷的線性測量模型，然后通過壓縮感知方法根據(jù)線性測量模型的測量數(shù)據(jù)推斷系統(tǒng)狀態(tài)，最后利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。由此，通過基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

另外，根據(jù)本發(fā)明上述實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法還可以具有如下附加的技術(shù)特征：

可選地，所述故障診斷的線性測量模型為：r＝ax+w，其中，a∈r^m×n為已知測量矩陣，r∈r^m為測量數(shù)據(jù)向量，為噪聲向量，x∈xⁿ為系統(tǒng)狀態(tài)變量。

可選地，通過壓縮感知方法根據(jù)所述線性測量模型的測量數(shù)據(jù)推斷系統(tǒng)狀態(tài)的故障診斷為：

可選地，所述第一預(yù)設(shè)范數(shù)為范數(shù)和所述第二預(yù)設(shè)范數(shù)為范數(shù)、或者所述聯(lián)合范數(shù)為范數(shù)。

可選地，所述目標(biāo)優(yōu)化函數(shù)為：其中，λ為可調(diào)參數(shù)。

為達(dá)上述目的，本發(fā)明第二方面實施例提出了一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置，包括：處理模塊，用于對獲取的故障狀態(tài)進(jìn)行二值化處理；建立模塊，用于根據(jù)所述處理結(jié)果建立故障診斷的線性測量模型；推斷模塊，用于通過壓縮感知方法根據(jù)所述線性測量模型的測量數(shù)據(jù)推斷系統(tǒng)狀態(tài)；求解模塊，用于利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對所述系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。

本發(fā)明實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置，通過對獲取的故障狀態(tài)進(jìn)行二值化處理，并根據(jù)處理結(jié)果建立故障診斷的線性測量模型，然后通過壓縮感知方法根據(jù)線性測量模型的測量數(shù)據(jù)推斷系統(tǒng)狀態(tài)，最后利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。由此，通過基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

另外，根據(jù)本發(fā)明上述實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置還可以具有如下附加的技術(shù)特征：

可選地，所述故障診斷的線性測量模型為：r＝ax+w，其中，a∈r^m×n為已知測量矩陣，r∈r^m為測量數(shù)據(jù)向量，為噪聲向量，x∈xⁿ為系統(tǒng)狀態(tài)變量。

可選地，推斷模塊的故障診斷為：

可選地，所述第一預(yù)設(shè)范數(shù)為范數(shù)和所述第二預(yù)設(shè)范數(shù)為范數(shù)、或者所述聯(lián)合范數(shù)為范數(shù)。

可選地，所述目標(biāo)優(yōu)化函數(shù)為：其中，λ為可調(diào)參數(shù)。

本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

附圖說明

本發(fā)明上述的和/或附加的方面和優(yōu)點從下面結(jié)合附圖對實施例的描述中將變得明顯和容易理解，其中：

圖1是根據(jù)本發(fā)明一個實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法的流程圖；

圖2是根據(jù)本發(fā)明一個實施例不同范數(shù)進(jìn)行優(yōu)化求解的結(jié)果比較示意圖；

圖3是根據(jù)本發(fā)明一個實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置的結(jié)構(gòu)示意圖；

圖4是根據(jù)本發(fā)明另一個實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置的結(jié)構(gòu)示意圖；

圖5是根據(jù)本發(fā)明一個實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷系統(tǒng)的結(jié)構(gòu)示意圖。

具體實施方式

下面詳細(xì)描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

下面參考附圖描述本發(fā)明實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法和裝置。

目前，傳統(tǒng)的故障診斷方法在某些情況下對于系統(tǒng)的故障檢測和識別的效果不是很理想，尤其是對于監(jiān)控變量和控制量特別多的復(fù)雜系統(tǒng)，比如大型的系統(tǒng)如電網(wǎng)系統(tǒng)、水電站系統(tǒng)、高爐煉鐵系統(tǒng)等。

為了克服上述問題，本申請?zhí)岢鲆环N基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。具體如下：

圖1是根據(jù)本發(fā)明一個實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法的流程圖。

如圖1所示，該基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法包括以下步驟：

步驟110，對獲取的故障狀態(tài)進(jìn)行二值化處理。

可以理解的是，不同的系統(tǒng)出現(xiàn)的故障不同?？梢愿鶕?jù)實際應(yīng)用需要進(jìn)行選擇設(shè)置。例如，比如對于具體工業(yè)系統(tǒng)表現(xiàn)為某個閥門的開閉，或者風(fēng)扇的開關(guān)等。

具體地，可以根據(jù)需要通過不同的方法來獲取上述故障，比如通過預(yù)設(shè)的傳感器獲取某個閥門的開啟等。

進(jìn)一步地，在獲取故障后，可以通過二值化的方式對故障狀態(tài)進(jìn)行處理。其中，二值化有很多種方式，可以根據(jù)實際應(yīng)用需要進(jìn)行選擇設(shè)置，舉例說明如下：

示例一，通過設(shè)置閾值的方式。

具體地，針對較為簡單的系統(tǒng)設(shè)置閾值即可進(jìn)行二值化操作。

示例二，通過采用聚類的方法進(jìn)行二值化處理。

具體地，針對較為復(fù)雜的系統(tǒng)，可以對各工作模態(tài)進(jìn)行多元統(tǒng)計建模，結(jié)合數(shù)據(jù)挖掘和多元統(tǒng)計分析的技術(shù)，最后通過采用聚類的方法進(jìn)行二值化處理。

更具體地，為了本領(lǐng)域人員更加清楚直觀了解上述處理結(jié)果。比如正常狀態(tài)可以用0表示，故障狀態(tài)可以用1來表示。進(jìn)一步的，還可以更加細(xì)化故障程度，如0表示無故障，1表示輕度故障，2表示中度故障，3表示嚴(yán)重故障。

步驟120，根據(jù)處理結(jié)果建立故障診斷的線性測量模型。

具體地，在本發(fā)明的一個實施例中，故障診斷的線性測量模型為：r＝ax+w，其中，a∈r^m×n為已知測量矩陣，r∈r^m為測量數(shù)據(jù)向量，為噪聲向量，x∈xⁿ為系統(tǒng)狀態(tài)變量。

可以理解的是，x∈x^n×1,x＝{0,1,2,3}，即0表示無故障，1表示輕度故障，2表示中度故障，4表示嚴(yán)重故障。

步驟130，通過壓縮感知方法根據(jù)線性測量模型的測量數(shù)據(jù)推斷系統(tǒng)狀態(tài)。

步驟140，利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。

具體地，壓縮感知方法是將具有稀疏特性的有限維原始信號投影到感知矩陣上，從而由此可以得到觀測向量。對于觀測信號進(jìn)行處理分析原始信號中的重要信息，從而得到重構(gòu)信號。由于觀測向量包含的原始信號的重要信息，且其包含較少的冗余信息，所以，可以對觀測向量進(jìn)行重構(gòu)，得到既包含原始信號重要信息又具有較小冗余信息的重構(gòu)信號。

具體地，在本發(fā)明的一個實施例中，根據(jù)測量數(shù)據(jù)向量r來推斷系統(tǒng)狀態(tài)x的故障診斷為

可以理解的是，由于實際條件限制，往往使得測量數(shù)據(jù)有限，使得測量變量個數(shù)m小于故障狀態(tài)變量數(shù)n，從而構(gòu)成一個病態(tài)故障診斷問題。

進(jìn)一步地，由于出現(xiàn)故障的概率較小，因而故障狀態(tài)是一個稀疏向量，傳統(tǒng)基于最小二乘法的各種檢測算法在本問題中失效。此問題可以轉(zhuǎn)化為一個二進(jìn)制壓縮感知問題。

在實際應(yīng)用當(dāng)中，可以考慮有限字符集因素可以將x＝{0,1}轉(zhuǎn)化為x′＝{-1,1}進(jìn)而原問題松弛為

在實際應(yīng)用當(dāng)中，進(jìn)一步考慮稀疏性因素，可以使用范數(shù)進(jìn)行刻畫，范數(shù)最緊致的凸松弛是范數(shù)。綜合考慮稀疏性和二值性兩方面因素，最合理的思路是引入范數(shù)，從而利用凸優(yōu)化進(jìn)行求解。目標(biāo)優(yōu)化函數(shù)為：

其中，λ為可調(diào)參數(shù)。

需要說明的是，在實際問題中可以通過調(diào)整數(shù)值使得求解更加精確。

需要說明的是，設(shè)計凸優(yōu)化目標(biāo)為使得范數(shù)，也就是對帶參數(shù)的范數(shù)與的聯(lián)合范數(shù)使用凸優(yōu)化的方法求解。傳統(tǒng)方法多為使用投影梯度，最近有研究者采用正交匹配追蹤方法，但基于范數(shù)聯(lián)合優(yōu)化的方法為首創(chuàng)。

綜上所述，本發(fā)明實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法，通過對獲取的故障狀態(tài)進(jìn)行二值化處理，并根據(jù)處理結(jié)果建立故障診斷的線性測量模型，然后通過壓縮感知方法根據(jù)線性測量模型的測量數(shù)據(jù)推斷系統(tǒng)狀態(tài)，最后利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。由此，通過基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

基于上述實施例，為了本領(lǐng)域人員更加清楚上述過程，下面以一個具有256個系統(tǒng)狀態(tài)、160個測量數(shù)據(jù)，并且測量矩陣已知的系統(tǒng)結(jié)合上述步驟舉例說明如下：

具體地，故障診斷的線性測量模型為：r＝ax+w。

設(shè)m為160，n為256且a∈r^m×n為已知測量矩陣，x∈x^n×1,x＝{0,1,2,3}，0表示無故障，1表示輕度故障，2表示中度故障，4表示嚴(yán)重故障。其中，ai,j～n(0,1/m)，

進(jìn)一步，根據(jù)測量數(shù)據(jù)向量r來推斷系統(tǒng)狀態(tài)x，引入范數(shù)，根據(jù)目標(biāo)優(yōu)化函數(shù)利用凸優(yōu)化進(jìn)行求解。選取單純范數(shù)、范數(shù)、正交匹配追蹤、以及投影梯度算法進(jìn)行比較。

為了本領(lǐng)域人員更加直觀了解上述比較結(jié)果，下面結(jié)合圖2進(jìn)行具體說明。

圖2是根據(jù)本發(fā)明一個實施例不同范數(shù)進(jìn)行優(yōu)化求解的結(jié)果比較示意圖。如圖2所示，從上往下具體描述，第1表示原始故障狀態(tài)(original)；第2表示使用范數(shù)作為目標(biāo)函數(shù)優(yōu)化；第3表示使用范數(shù)作為目標(biāo)函數(shù)優(yōu)化；第4表示使用范數(shù)作為目標(biāo)函數(shù)混合優(yōu)化；第5表示正交匹配追蹤算法；第6表示投影梯度算法?？梢钥闯雎?lián)合范數(shù)優(yōu)化算法精確度比其余算法明顯更高。

由此，通過基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

為了實現(xiàn)上述實施例，本發(fā)明還提出一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置。

圖3是根據(jù)本發(fā)明一個實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置的結(jié)構(gòu)示意圖。

如圖3所示，該基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置包括：處理模塊31、建立模塊32、推斷模塊33和求解模塊34。

其中，處理模塊31用于對獲取的故障狀態(tài)進(jìn)行二值化處理。

建立模塊32用于根據(jù)處理結(jié)果建立故障診斷的線性測量模型。

推斷模塊33用于通過壓縮感知方法根據(jù)線性測量模型的測量數(shù)據(jù)推斷系統(tǒng)狀態(tài)。

求解模塊34用于利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。

在本發(fā)明的一個實施例中，所述故障診斷的線性測量模型為：r＝ax+w，其中，a∈r^m×n為已知測量矩陣，r∈r^m為測量數(shù)據(jù)向量，為噪聲向量，x∈xⁿ為系統(tǒng)狀態(tài)變量。

在本發(fā)明的一個實施例中，推斷模塊的故障診斷為：

在本發(fā)明的一個實施例中，所述第一預(yù)設(shè)范數(shù)為范數(shù)和所述第二預(yù)設(shè)范數(shù)為范數(shù)、或者所述聯(lián)合范數(shù)為范數(shù)。

在本發(fā)明的一個實施例中，所述目標(biāo)優(yōu)化函數(shù)為：其中，λ為可調(diào)參數(shù)。

需要說明的是，前述對基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法實施例的解釋說明也適用于本實施例基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置，此處不再贅述。

綜上所述，本發(fā)明實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置，通過對獲取的故障狀態(tài)進(jìn)行二值化處理，并根據(jù)處理結(jié)果建立故障診斷的線性測量模型，然后通過壓縮感知方法根據(jù)線性測量模型的測量數(shù)據(jù)推斷系統(tǒng)狀態(tài)，最后利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。由此，通過基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

為了本領(lǐng)域人員更加清楚上述實施例中的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置是如何具體基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，獲得求解結(jié)果。下面結(jié)合圖4和圖5具體說明如下：圖4是根據(jù)本發(fā)明另一個實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置的結(jié)構(gòu)示意圖。

如圖4所示，該基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置包括：處理模塊31、建立模塊32、推斷模塊33和求解模塊34。

圖5是根據(jù)本發(fā)明一個實施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷系統(tǒng)的結(jié)構(gòu)示意圖。

如圖5所示，該基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷系統(tǒng)包括：數(shù)據(jù)采集模塊a，聯(lián)合范數(shù)獲取模塊b和基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置c。

具體地，圖5中的數(shù)據(jù)采集設(shè)備a獲取的工業(yè)系統(tǒng)(比如水電站系統(tǒng))中的故障狀態(tài)，將故障狀態(tài)輸入處理模塊31，接著處理模塊31能夠通過多個二值化處理方式對故障狀態(tài)進(jìn)行二值化處理。其中，不同的二值化處理方式得到的結(jié)果不同。

進(jìn)一步地，將處理結(jié)果輸入建立模塊32，接著建立模塊能夠通過處理結(jié)果比如無故障、輕度故障、中度故障和嚴(yán)重故障等建立一個線性測量模型。

進(jìn)一步地，將線性測量模型應(yīng)用到推斷模塊33中，推斷模塊33基于壓縮感知方法根據(jù)線性測量模型的測量數(shù)據(jù)推斷系統(tǒng)的狀態(tài)。

最后，將系統(tǒng)的狀態(tài)輸入求解模塊34，圖5中具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)獲取模塊b，解模塊34利用b作為目標(biāo)函數(shù)對系統(tǒng)的狀態(tài)進(jìn)行優(yōu)化求解。

由此，通過對獲取的故障狀態(tài)進(jìn)行二值化處理，并根據(jù)處理結(jié)果建立故障診斷的線性測量模型，然后通過壓縮感知方法根據(jù)線性測量模型的測量數(shù)據(jù)推斷系統(tǒng)狀態(tài)，最后利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。由此，通過基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

在本說明書的描述中，參考術(shù)語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不必須針對的是相同的實施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點可以在任一個或多個實施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特征進(jìn)行結(jié)合和組合。

此外，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個該特征。在本發(fā)明的描述中，“多個”的含義是至少兩個，例如兩個，三個等，除非另有明確具體的限定。

流程圖中或在此以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個或更多個用于實現(xiàn)定制邏輯功能或過程的步驟的可執(zhí)行指令的代碼的模塊、片段或部分，并且本發(fā)明的優(yōu)選實施方式的范圍包括另外的實現(xiàn)，其中可以不按所示出或討論的順序，包括根據(jù)所涉及的功能按基本同時的方式或按相反的順序，來執(zhí)行功能，這應(yīng)被本發(fā)明的實施例所屬技術(shù)領(lǐng)域的技術(shù)人員所理解。

在流程圖中表示或在此以其他方式描述的邏輯和/或步驟，例如，可以被認(rèn)為是用于實現(xiàn)邏輯功能的可執(zhí)行指令的定序列表，可以具體實現(xiàn)在任何計算機可讀介質(zhì)中，以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備(如基于計算機的系統(tǒng)、包括處理器的系統(tǒng)或其他可以從指令執(zhí)行系統(tǒng)、裝置或設(shè)備取指令并執(zhí)行指令的系統(tǒng))使用，或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用。就本說明書而言，"計算機可讀介質(zhì)"可以是任何可以包含、存儲、通信、傳播或傳輸程序以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用的裝置。計算機可讀介質(zhì)的更具體的示例(非窮盡性列表)包括以下：具有一個或多個布線的電連接部(電子裝置)，便攜式計算機盤盒(磁裝置)，隨機存取存儲器(ram)，只讀存儲器(rom)，可擦除可編輯只讀存儲器(eprom或閃速存儲器)，光纖裝置，以及便攜式光盤只讀存儲器(cdrom)。另外，計算機可讀介質(zhì)甚至可以是可在其上打印所述程序的紙或其他合適的介質(zhì)，因為可以例如通過對紙或其他介質(zhì)進(jìn)行光學(xué)掃描，接著進(jìn)行編輯、解譯或必要時以其他合適方式進(jìn)行處理來以電子方式獲得所述程序，然后將其存儲在計算機存儲器中。

應(yīng)當(dāng)理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來實現(xiàn)。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實現(xiàn)。如，如果用硬件來實現(xiàn)和在另一實施方式中一樣，可用本領(lǐng)域公知的下列技術(shù)中的任一項或他們的組合來實現(xiàn)：具有用于對數(shù)據(jù)信號實現(xiàn)邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(pga)，現(xiàn)場可編程門陣列(fpga)等。

本技術(shù)領(lǐng)域的普通技術(shù)人員可以理解實現(xiàn)上述實施例方法攜帶的全部或部分步驟是可以通過程序來指令相關(guān)的硬件完成，所述的程序可以存儲于一種計算機可讀存儲介質(zhì)中，該程序在執(zhí)行時，包括方法實施例的步驟之一或其組合。

此外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理模塊中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個模塊中。上述集成的模塊既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能模塊的形式實現(xiàn)。所述集成的模塊如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質(zhì)中。

上述提到的存儲介質(zhì)可以是只讀存儲器，磁盤或光盤等。盡管上面已經(jīng)示出和描述了本發(fā)明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對上述實施例進(jìn)行變化、修改、替換和變型。