故障分析模型的建立方法和装置

技术领域

本申请涉及信号处理技术领域，尤其涉及一种故障分析模型的建立方法和装置。

背景技术

目前，工业设备中出现了由多个组件共同配合运动的高维度系统。比如，汽车变速器滚动轴承就是由多个组件共同配合运动的高维度系统。高维度系统在安装或配合运动的过程中会产生误差，造成自振，且随着误差的持续增加，振动不断叠加形成复杂的噪声，这给高维度系统的故障分析带来一定的难度。

现有的，一般会通过时域分析法、频域分析法或者时频分析方法对故障信号进行信号处理，建立故障分析模型。然而，采用时域分析法进行信号处理时，虽然可以表征信号随时间的变化，但不能显示信号的内部特征(比如，传感器噪声和信号内部干扰)。采用频域分析法分析信号时，信号的正弦波成分不能表征出信号发生的时刻，因此不适用于时间序列信号特征解析。另外，高维度系统中有多个状态量并且各个状态量间往往存在相互耦合的特点，采用时频分析法时，一维时序特征无法完全表征系统的信号特征。

可以看出，现有的故障分析模型的建立方法均存在一定的局限性，不能完整的表征原始信号，所以，采用现有的故障分析模型的建立方法建立的故障分析模型在应用时，对于故障分析的准确率较低。

发明内容

本申请提供一种故障分析模型的建立方法和装置，通过该方法建立的故障分析模型，可以提高对于故障分析的准确率。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请提供一种故障分析模型的建立方法，包括：故障分析模型的建立装置获取包括有初始状态信号的样本数据集，对样本数据集中的初始状态信号进行离散小波变换处理，确定出去除噪声后的低频状态信号。然后，故障分析模型的建立装置进一步对低频状态信号进行相空间重构处理，确定出包括有深度信息的高维状态信号。之后，故障分析模型的建立装置将高维状态信号作为训练样本集，确定出故障分析模型。

本申请提供的故障分析模型的建立方法中，首先采用离散小波变换对样本数据集中的初始状态信号进行处理，去除初始状态信号中的噪声。然后进一步对去噪后的信号做相空间重构处理，将小波信号映射至高维空间，从而可以挖掘出初始状态信号中的深度信息，最后以相空间重构处理后的信号作为训练样本集，确定出故障分析模型。可以看出，本申请建立的故障分析模型应用的训练样本集可以更为完整的表征初始状态信号的深度信息，且去除了噪声等干扰因素的影响，所以采用本申请建立的故障分析模型可以更为准确地实现对于待检测设备的故障分析。

可选地，在一种可能的设计方式中，上述“获取包括有初始状态信号的样本数据集”可以包括：从历史数据库中获取包括有初始状态信号样本数据集；或者，采用仿真模型确定出包括有初始状态信号样本数据集。

可选地，在另一种可能的设计方式中，上述“将高维状态信号作为训练样本集，确定出故障分析模型”可以包括：采用奇异值分解算法对高维状态信号进行降维处理，确定出降维后的状态信号，将降维后的状态信号作为训练样本集，确定出故障分析模型。

可选地，在另一种可能的设计方式中，上述“将降维后的状态信号作为训练样本集，确定出故障分析模型”可以包括：将降维后的状态信号作为训练样本集，确定故障分析模型的输入层节点个数、输出层节点个数以及隐含层节点个数；确定故障分析模型的模型参数；模型参数包括：输入权值、自反馈阈值、隐含层阈值、输入层与输出层之间的权值；根据模型参数确定故障分析模型。

可选地，在另一种可能的设计方式中，上述“根据模型参数确定故障分析模型”可以包括：根据模型参数确定故障分析模型的变化系数；变化系数用于表征训练样本集中样本随时间变化的趋势；根据变化系数确定故障分析模型的自反馈系数；根据自反馈系数确定故障分析模型的建立模型的自反馈输出信号；确定隐含层的输出信号；隐含层输出信号为初始输出信号与自反馈输出信号的叠加信号，初始输出信号为隐含层无自反馈时的输出信号；根据隐含层的输出信号，确定故障分析模型。

第二方面，本申请提供一种故障分析模型的建立装置，包括：获取模块和确定模块。其中，获取模块，用于获取样本数据集，样本数据集包括初始状态信号。确定模块，用于对获取模块获取的样本数据集中的初始状态信号进行离散小波变换处理，确定出去除噪声后的低频状态信号。确定模块还用于，对低频状态信号进行相空间重构处理，确定出包括有深度信息的高维状态信号。确定模块还用于，将高维状态信号作为训练样本集，确定出故障分析模型。

第三方面，本申请提供一种故障分析模型的建立装置，包括处理器，处理器用于与存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面提供的故障分析模型的建立方法。

可选地，该故障分析模型的建立装置还可以包括存储器，该存储器用于保存该故障分析模型的建立装置的程序指令和数据。进一步可选地，该故障分析模型的建立装置还可以包括收发器，该收发器用于在故障分析模型的建立装置的处理器的控制下，执行收发数据、信令或信息的步骤，例如，获取样本数据集。

可选地，该故障分析模型的建立装置可以是服务器，也可以是服务器中的一部分装置，例如可以是服务器中的芯片系统。该芯片系统用于支持故障分析模型的建立装置实现第一方面中所涉及的功能，例如，接收，发送或处理上述故障分析模型的建立方法中所涉及的数据和/或信息。该芯片系统包括芯片，也可以包括其他分立器件或电路结构。

第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当计算机执行该指令时，以实现如第一方面提供的故障分析模型的建立方法。

第五方面，本申请提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在计算机上运行时，使得所述计算机执行如第一方面所述的故障分析模型的建立方法。

需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与故障分析模型的建立装置的处理器封装在一起的，也可以与故障分析模型的建立装置的处理器单独封装，本申请对此不作限定。

本申请中第二方面、第三方面、第四方面以及第五方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面、第四方面、以及第五方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

在本申请中，上述故障分析模型的建立装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本发明类似，属于本申请权利要求及其等同技术的范围之内。

本申请的这些方面或其他方面在以下的描述中会更加简明易懂。

附图说明

图1为本申请实施例提供的故障分析模型的建立系统的结构示意图；

图2为本申请实施例提供的一种故障分析模型的建立方法的流程示意图；

图3为本申请实施例提供的一种初始状态信号进行离散小波变换处理的流程示意图；

图4为本申请实施例提供的一种故障分析模型的神经网络架构示意图；

图5为本申请实施例提供的另一种故障分析模型的建立方法的流程示意图；

图6为本申请实施例提供的一种故障分析模型的建立装置的结构示意图；

图7为本申请实施例提供的另一种故障分析模型的建立装置的结构示意图。

具体实施方式

下面结合附图对本申请实施例提供的故障分析模型的建立方法和装置进行详细地描述。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象，或者用于区别对同一对象的不同处理，而不是用于描述对象的特定顺序。

此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，本申请实施例中，“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。

在本申请的描述中，除非另有说明，“多个”的含义是指两个或两个以上。

随着科技的不断进步以及工业技术的发展，工业设备也趋于集成化和智能化。对于设备需要监测的状态量不断增加，且随着时间的增长，采集的信号的信息量、复杂度也逐渐增加，信号向量呈现高维度特性，这类设备目前统称为高维度系统。比如，汽车变速器滚动轴承就是由多个组件共同配合运动的高维度系统。

高维度系统在安装或配合运动的过程中会产生误差，造成自振，且随着误差的持续增加，振动不断叠加形成复杂的噪声，这给高维度系统的故障分析带来一定的难度。

现有的，一般会通过时域分析法、频域分析法或者时频分析方法对故障信号进行信号处理，建立故障分析模型。然而，采用时域分析法进行信号处理时，虽然可以表征信号随时间的变化，但不能显示信号的内部特征(比如，传感器噪声和信号内部干扰)。采用频域分析法分析信号时，信号的正弦波成分不能表征出信号发生的时刻，因此不适用于时间序列信号特征解析。另外，高维度系统中有多个状态量并且各个状态量间往往存在相互耦合的特点，采用时频分析法时，一维时序特征无法完全表征系统的信号特征。

可以看出，现有的故障分析模型的建立方法均存在一定的局限性，不能完整的表征原始信号，所以，采用现有的故障分析模型的建立方法建立的故障分析模型在应用时，对于故障分析的准确率较低。

针对上述现有技术中存在的问题，本申请实施例提供了一种故障分析模型的建立方法。首先采用离散小波变换对样本数据集中的初始状态信号进行处理，去除初始状态信号中的噪声。然后进一步对去噪后的信号做相空间重构处理，将小波信号映射至高维空间，从而可以挖掘出初始状态信号中的深度信息，最后以相空间重构处理后的信号作为训练样本集，确定出故障分析模型。

需要说明的是，本申请实施例提供的故障分析模型的建立方法可以应用于多个组件共同配合运动的高维度系统。本申请实施例的以下描述中，将以汽车变速器滚动轴承组成的高维度系统展开说明。可以理解的是，在实际应用中，本申请实施例提供的故障分析模型的建立方法还可以应用其他组件组成的高维度系统。

本申请实施例提供的故障分析模型的建立方法可以适用于图1所示的故障分析模型的建立系统，图1示出了该故障分析模型的建立系统的一种可能的结构。如图1所示，故障分析模型的建立系统包括：多个待检测设备01、多个数据采集设备02以及故障分析模型的建立装置03。

示例性地，在汽车变速器滚动轴承组成的高维度系统中，多个待检测设备01可以包括输入输出电机、前驱变速器以及电子控制装置等设备。当然，在实际应用中，多个待检测设备01还可以包括其他设备。

多个数据采集设备02可以包括扭矩传感器和功率计等设备。当然，在实际应用中，多个数据采集设备02还可以包括其他设备。多个数据采集设备02与多个待检测设备01连接，用于采集多个待检测设备01的状态信号。示例性地，多个数据采集设备02可以与前驱变速器连接，采集前驱变速器的内圈状态信号、外圈状态信号以及滚动体的状态信号。

故障分析模型的建立装置03可以为物理机(如服务器)，也可以为部署在物理机上的虚拟机(virtual machine，VM)。故障分析模型的建立装置03与多个数据采集设备02连接，可以获取多个数据采集设备02采集的状态信号，实现故障分析模型的建立。本申请实施例中，故障分析模型的建立装置03是一个独立部署的物理机或虚拟机。但在其他实施例中，故障分析模型的建立装置03也可以为多个分开部署的物理机或虚拟机。

基于上述系统架构，如图2所示，本申请实施例提供一种故障分析模型的建立方法，该方法可以包括S101-S104：

S101、故障分析模型的建立装置获取样本数据集。

其中，样本数据集包括初始状态信号。

在一种可能实现的方式中，样本数据集可以是故障分析模型的建立装置从历史数据库中获取的。历史数据库中存储有已标记的历史故障信号和已标记的历史正常信号。

在另一种可能实现的方式中，样本数据集可以是故障分析模型的建立装置采用仿真模型确定出的。示例性地，故障分析模型的建立装置采用仿真软件搭建包括有待检测设备(比如，输入输出电机、前驱变速器以及电子控制装置)和数据采集设备(比如，扭矩传感器和功率计)的平台，采用模拟仿真的方式采集在预设转速和预设采样频率下的状态信号。

其中，预设转速和预设采样频率可以是人为事先确定的参数。示例性地，预设转速可以是1730r/min(转速单位，转/每分钟)、1750r/min、1772r/min或者1797r/min等，预设采样频率可以是12kHz(频率单位，千赫兹)。

状态信号可以包括变速器内圈正常时的状态信号、变速器内圈故障时的状态信号、变速器外圈时的状态信号、变速器外圈故障时的状态信号、变速器滚动体正常时的状态信号以及变速器滚动体故障时的状态信号等。

S102、故障分析模型的建立装置对样本数据集中的初始状态信号进行离散小波变换处理，确定出去除噪声后的低频状态信号。

由于样本数据集中的数据一般为离散数据，所以故障分析模型的建立装置获取到样本数据集之后，可以采用离散小波变换分解样本数据集中的初始状态信号，分解得到一系列的子带信号。

示例性地，若初始状态信号为x

S103、故障分析模型的建立装置对低频状态信号进行相空间重构处理，确定出包括有深度信息的高维状态信号。

采用相空间重构处理低频状态信号，可以将去噪后的低频状态信号从低维空间映射到高维空间，将初始状态信号中的深度信息显示出来。

示例性地，若通过离散小波变换处理后的低频信号为X

其中，i＝1，2，3，……，N，N可以表示低频信号为X

S104、故障分析模型的建立装置将高维状态信号作为训练样本集，确定出故障分析模型。

故障分析模型的建立装置采用相空间重构将低频状态信号中的深度信息显示出来之后，即可以将高维状态信号作为训练样本集，确定出故障分析模型。

由于高维状态信号的信息会增加计算的复杂度，所以可选地，可以采用奇异值分解算法对高维状态信号进行降维处理，确定出降维后的状态信号，将降维后的状态信号作为训练样本集，确定出故障分析模型。

示例性地，若高维状态信号用矩阵U

其中，∑r＝diag(σ

在一种可能的实现方式中，故障分析模型的建立装置可以建立如图4所示的故障分析模型。如图4所示，该故障分析模型的神经网络架构包括输入层神经元、隐含层神经元以及输出层神经元，该架构中增加了隐含层的自反馈过程，自反馈过程可以保存历史数据并保留隐含层在前一时刻的输出信号，当输入信号和输出信号同时存在线性和非线性关系时，该双并行结构可以更为准确地根据训练样本集建立故障分析模型。

如图4所示的架构中，X

可选地，故障分析模型的建立装置可以采用极限学习机(Extreme LearningMachine，ELM)作为故障分类的分类器，将降维后的状态信号作为训练样本集，确定如图4所示的故障分析模型中的输入层节点个数、输出层节点个数以及隐含层节点个数。之后，故障分析模型的建立装置可以确定输入权值ω

在一种可能的实现方式中，故障分析模型的建立装置可以先根据模型参数确定故障分析模型的变化系数，该变化系数用于表征训练样本集中样本随时间变化的趋势。示例性地，若用η表示变化系数，则η可以基于滑动窗口法根据表达式(3)确定：

其中，g(x)表示隐含层神经元的激活函数，X(k)可以表示ELM在k时刻的输入，g(k-1)可以表示隐含层在k时刻的输出，g(k)可以表示隐含层在k时刻的前一时刻的输出，C表示滑动窗口大小。

故障分析模型的建立装置确定出变化系数η之后，可以根据变化系数η确定故障分析模型的自反馈系数。示例性地，若用ω

ω

其中，自反馈阈值ω

故障分析模型的建立装置确定出自反馈系数ω

H′(k)＝ω

之后，故障分析模型的建立装置将初始输出信号与自反馈输出信号H′(k)叠加，确定出隐含层的输出信号。其中，初始输出信号为隐含层无自反馈时的输出信号。若用V′表示隐含层的输出信号，则隐含层的输出信号可以根据表达式(6)确定：

其中，表达式(6)可以简化为V′(k)＝V(k)+ω

当输出偏差和反馈偏差为零，输出层神经元的激活函数g(x)是线性的。若用Y表示ELM的输出，则具有L个隐含层节点的ELM的输出可以根据表达式(7)确定：

Y＝ω

在一种可能的实现方式中，可以采用广义逆方法确定ω

之后，故障分析模型的建立装置可以根据ω

为了验证采用本申请实施例提供的故障分析模型的建立方法建立的故障分析模型的准确性，分别在转速为1730r/min、1750r/min、1772r/min以及1797r/min下对汽车变速器滚动轴承进行了测试，测试结果如表1所示：

表1

其中，方法1为采用本申请实施例提供的故障分析模型的建立方法建立的ELM的测试精度，方法2为采用现有的故障分析模型的建立方法建立的ELM的测试精度，可以看出，本申请实施例提供的故障分析模型的建立方法建立的ELM的测试精度明显高于现有的故障分析模型的建立方法建立的ELM的测试精度。

本申请实施例提供的故障分析模型的建立方法，首先采用离散小波变换对样本数据集中的初始状态信号进行处理，去除初始状态信号中的噪声。然后进一步对去噪后的信号做相空间重构处理，将小波信号映射至高维空间，从而可以挖掘出初始状态信号中的深度信息，最后以相空间重构处理后的信号作为训练样本集，确定出故障分析模型。可以看出，本申请建立的故障分析模型应用的训练样本集可以更为完整的表征初始状态信号的深度信息，且去除了噪声等干扰因素的影响，所以采用本申请实施例的方法建立的故障分析模型可以更为准确地实现对于待检测设备的故障分析。

综合上述描述，如图5所示，图2提供的故障分析模型的建立方法中的步骤S104可以替换为S1041-S1048：

S1041、故障分析模型的建立装置采用奇异值分解算法对高维状态信号进行降维处理，确定出降维后的状态信号。

S1042、故障分析模型的建立装置将降维后的状态信号作为训练样本集，确定故障分析模型的输入层节点个数、输出层节点个数以及隐含层节点个数。

S1043、故障分析模型的建立装置确定故障分析模型的模型参数。

S1044、故障分析模型的建立装置根据模型参数确定故障分析模型的变化系数。

S1045、故障分析模型的建立装置根据变化系数确定故障分析模型的自反馈系数。

S1046、故障分析模型的建立装置根据自反馈系数确定故障分析模型的建立模型的自反馈输出信号。

S1047、故障分析模型的建立装置确定隐含层的输出信号。

S1048、故障分析模型的建立装置根据隐含层的输出信号，确定故障分析模型。

如图6所示，本申请实施例还提供了一种故障分析模型的建立装置03，该故障分析模型的建立装置03可以是图1所示的故障分析模型的建立系统中的故障分析模型的建立装置03，该故障分析模型的建立装置03包括：获取模块31和确定模块32。

其中，获取模块31执行上述方法实施例中的S101，确定模块32执行上述方法实施例中的S102、S103以及S104。

具体地，获取模块31，用于获取样本数据集；样本数据集包括初始状态信号；

确定模块32，用于对获取模块31获取的样本数据集中的初始状态信号进行离散小波变换处理，确定出去除噪声后的低频状态信号；

确定模块32还用于，对低频状态信号进行相空间重构处理，确定出包括有深度信息的高维状态信号；

确定模块32还用于，将高维状态信号作为训练样本集，确定出故障分析模型。

可选地，获取模块31具体用于：从历史数据库中获取样本数据集；或者，采用仿真模型确定出样本数据集。

可选地，确定模块32具体用于：采用奇异值分解算法对高维状态信号进行降维处理，确定出降维后的状态信号，将降维后的状态信号作为训练样本集，确定出故障分析模型。

可选地，确定模块32具体用于：

将降维后的状态信号作为训练样本集，确定故障分析模型的输入层节点个数、输出层节点个数以及隐含层节点个数；

确定故障分析模型的模型参数；模型参数包括：输入权值、自反馈阈值、隐含层阈值、输入层与输出层之间的权值；

根据模型参数确定故障分析模型。

可选地，确定模块32具体用于：

根据模型参数确定故障分析模型的变化系数；变化系数用于表征训练样本集中样本随时间变化的趋势；

根据变化系数确定故障分析模型的自反馈系数；

根据自反馈系数确定故障分析模型的建立模型的自反馈输出信号；

确定隐含层的输出信号；隐含层输出信号为初始输出信号与自反馈输出信号的叠加信号，初始输出信号为隐含层无自反馈时的输出信号；

根据隐含层的输出信号，确定故障分析模型。

可选地，故障分析模型的建立装置还包括存储模块。存储模块用于存储该故障分析模型的建立装置的程序代码等。

如图7所示，本申请实施例还提供一种故障分析模型的建立装置，包括存储器41、处理器42、总线43和通信接口44；存储器41用于存储计算机执行指令，处理器42与存储器41通过总线43连接；当故障分析模型的建立装置运行时，处理器42执行存储器41存储的计算机执行指令，以使故障分析模型的建立装置执行如上述实施例提供的故障分析模型的建立方法。

在具体的实现中，作为一种实施例，处理器42(42-1和42-2)可以包括一个或多个中央处理器(central processing unit，CPU)，例如图7中所示的CPU0和CPU1。且作为一种实施例，故障分析模型的建立装置可以包括多个处理器42，例如图7中所示的处理器42-1和处理器42-2。这些处理器42中的每一个CPU可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器42可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

存储器41可以是只读存储器41(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器41可以是独立存在，通过总线43与处理器42相连接。存储器41也可以和处理器42集成在一起。

在具体的实现中，存储器41，用于存储本申请中的数据和执行本申请的软件程序对应的计算机执行指令。处理器42可以通过运行或执行存储在存储器41内的软件程序，以及调用存储在存储器41内的数据，故障分析模型的建立装置的各种功能。

通信接口44，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如控制系统、无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。通信接口44可以包括接收单元实现接收功能，以及发送单元实现发送功能。

总线43，可以是工业标准体系结构(industry standard architecture，ISA)总线、外部设备互连(peripheral component interconnect，PCI)总线或扩展工业标准体系结构(extended industry standard architecture，EISA)总线等。该总线43可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

作为一个示例，结合图6，故障分析模型的建立装置中的获取模块实现的功能与图7中的接收单元实现的功能相同，故障分析模型的建立装置中的确定模块实现的功能与图7中的处理器实现的功能相同，故障分析模型的建立装置中的存储模块实现的功能与图7中的存储器实现的功能相同。

本实施例中相关内容的解释可参考上述方法实施例，此处不再赘述。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当计算机执行该指令时，使得计算机执行上述实施例提供的故障分析模型的建立方法。

其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、ROM、可擦式可编程只读存储器(erasable programmable read only memory，EPROM)、寄存器、硬盘、光纤、CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性地存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(application specificintegrated circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。