一种设备参数最优值的预估方法及预估装置

技术领域

本发明涉及工业自动化控制领域，具体而言，涉及一种设备参数最优值的预估方法及预估装置。

背景技术

工控领域，在对设备的安全性、经济性、稳定性进行研究时，往往需要将某一具体的运行工况下设备的各项参数的最优值，作为深入分析的基础数据。例如，在进行设备故障诊断时，通过对比实际值和预估的最优值之间的差异，可以及时发现设备异常情况，避免造成更大的损失。而一旦预估值不准确，就会出现漏报或者误报，影响整个系统的可靠性，造成巨大损失或人力成本的增加。

现有技术中，通常通过传感器采集设备的各项参数，如温度、压力、电压、电流、转速、振动等,参数集合为{p

现有技术的不足之处在于：1、工况指标选取和最优判定条件都与设备的机理模型息息相关，有时甚至很难选出最合适的工况指标，很难决定最优判定条件；2、此方法是将工况指标分段用穷举法生成的工况库，大量的工况实际并不会发生，做了很多不必要的计算；3、由于将特定参数做为工况指标了，那么对这些参数本身无法寻优。

针对上述问题，亟需提供一种精确性、普适性、操作性、独立性更强的、更优化的设备参数最优值的预估方法及预估装置。

发明内容

本发明实施例提供了一种设备参数最优值的预估方法及预估装置，以至少解决现有技术很难决定最优判定条件、无用计算量大等技术问题。

根据本发明实施例的一个方面，提供了一种设备参数最优值的预估方法，包括：获取并存储设备参数的历史数据；将所述历史数据经数据清洗后获得模型训练数据；以所述模型训练数据建立训练模型；获取所述设备参数的实时数据，并根据所述训练模型预估所述设备参数的最优值。其中，所述设备参数包括同一设备的不同参数、不同型号设备的相同或不同参数、不同设备的不同参数，可根据实际应用进行选择设定。

可选地，所述数据清洗包括：按照预设时间段及取值间距对所述历史数据进行筛选。即选择某一个或多个时间段的历史数据作为源数据，按照设定的取值间距进行取值，获得模型训练数据。所述取值间距可以是时间间距，即按照预设时间间距对预设时间段的历史数据进行筛选。

可选地，所述数据清洗还包括：根据预设过滤器对筛选获得的数据进行过滤，所述过滤器包括恒定数据过滤器、超时数据过滤器、参数限值过滤器中的一个或多个。由于数据采集设备异常或者网络中断等原因，可能会造成数据不更新或者更新超时，或者由于设备自身运行异常导致参数数据严重偏离正常值，为了过滤这类无效数据，可以应用“恒定数据过滤器”、“超时数据过滤器”、“参数限值过滤器”等过滤器中的一个或多个对按照预设时间段及取值间距筛选后的数据进行过滤，获得模型训练数据。

可选地，所述数据清洗还包括：根据过滤指令对异常数据进行过滤。所述过滤指令可以由操作员手动选择或输入。

可选地，所述训练模型的建立方法包括：将所述模型训练数据转化为数据矩阵A，其中，同一设备参数不同时刻的数据作为所述数据矩阵A的行，不同设备参数同一时刻的数据作为所述数据矩阵A的列；采用数据精选算法将所述数据矩阵A转换为精选数据矩阵B；采用特征提取算法将所述精选数据矩阵B转换为特征矩阵C；存储所述精选数据矩阵B和所述特征矩阵C。所述训练模型包括所述精选数据矩阵B和所述特征矩阵C。

可选地，将所述数据矩阵A的各元素按照行的顺序排列，各元素之间采用分隔符分隔，记为PARAMS，并进行存储。其中，所述分隔符优选“,”。

可选地，所述数据精选算法包括：若所述数据矩阵A的列数小于等于预设值，则将所述数据矩阵A作为精选数据矩阵B；若所述数据矩阵A的列数大于所述预设值，则将其中每个设备参数的数据按照大小排序，选取其中中位数、平均值、最小值、最大值，直至所选数据量达到所述预设值；其中，若所述数据矩阵A中某一个或多个设备参数的数据中中位数、平均值、最小值、最大值的数量之和不足所述预设值，则依据预设规则进行二次数据选取，以使所选数据量总和达到所述预设值。所述预设规则可以是按照预设取值间距对剩余数据进行二次筛选，即在所述数据矩阵A中某一个或多个设备参数的数据中中位数、平均值、最小值、最大值的数量之和不足所述预设值的情况下，依据预设取值间距对剩余数据进行二次数据选取，以使所选数据量总和达到所述预设值。所述预设值可根据实际应用进行设定。

可选地，所述特征提取算法为：

C＝(B

可选地，所述预估包括：将所述实时数据转换成矩阵U；采用预估算法获得所述设备参数的最优值矩阵V，所述预估算法为：

V＝B×(W÷sum)；其中，W＝C×(B

可选地，所述设备参数最优值的预估方法还包括在建立所述训练模型后对所述训练模型进行验证，所述验证包括正向验证和逆向验证，所述正向验证选取所述设备参数的正常数据对所述训练模型进行验证，所述逆向验证选取所述设备参数的异常数据对所述训练模型进行验证。

可选地，所述验证的方法包括：将所选取的用于验证所述训练模型的数据转换成矩阵X；采用预估算法获得验证矩阵Y，所述预估算法为：

Y＝B×(Z÷sum′)；其中，Z＝C×(B

将所述验证矩阵Y中各值与所述矩阵X中的对应数据进行比对分析。

可选地，所述将所述验证矩阵Y中各值与所述矩阵X中的对应数据进行比对分析包括：对比所述矩阵X中各元素与所述验证矩阵Y中对应元素，分别统计每一行偏差较大的元素的数量；将所述每一行偏差较大的元素的数量与所述矩阵X的列数进行对比。本可选技术方案采用异常时刻计数法验证训练模型。具体地，若所述矩阵X中某一元素与所述验证矩阵Y中的对应元素偏差较大，则认为所述矩阵X中该元素数据异常，异常时刻计数增1；对于正向验证，若异常时刻数量远小于矩阵X的列数，则认为训练模型较优；对于逆向验证，若异常时刻数量接近矩阵X的列数，则认为训练模型较优。

根据本发明实施例的另一方面，还提供了一种设备参数最优值的预估装置，包括：获取单元，用于获取设备参数的历史数据和实时数据；存储单元，用于存储所述历史数据和所述实时数据；清洗单元，用于将所述历史数据进行数据清洗；模型训练单元，用于以所述模型训练数据建立训练模型；预估单元，用于根据所述训练模型预估所述设备参数的最优值。

可选地，所述清洗单元包括筛选子单元，用于按照预设时间段及取值间距对所述历史数据进行筛选。

可选地，所述清洗单元还包括过滤子单元，用于根据预设过滤器对筛选获得的数据进行过滤，所述过滤器包括恒定数据过滤器、超时数据过滤器、参数限值过滤器中的一个或多个。

可选地，所述过滤子单元还用于根据过滤指令对异常数据进行过滤。

可选地，所述存储单元还用于存储所述训练模型。

可选地，所述设备参数最优值的预估装置还包括验证单元，用于对所述训练模型进行验证。

根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述设备参数最优值的预估方法。

根据本发明实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器通过所述计算机程序执行上述设备参数最优值的预估方法。

在本发明实施例中，通过采用上述方法对设备参数的最优值进行预估，无需预知设备机理即可进行建模，获得的最优值更合理，准确性更高。此外，本发明通过数据清洗，筛选正常数据进行机器训练，所建立的训练模型更加准确，可操作性强。再者，本发明的训练模型不依赖与设备机理，对任何设备均可适用，大大提高了方法的普适性。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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。在附图中：

图1是根据本发明实施例的一种可选的设备参数最优值的预估方法的流程图；

图2是根据本发明实施例的一种可选的设备参数最优值的预估装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例的一方面，提供了一种设备参数最优值的预估方法实施例，如图1所示，该方法可以包括以下步骤：

步骤102，获取并存储设备参数的历史数据；

步骤104，将所述历史数据经数据清洗后获得模型训练数据；

步骤106，以所述模型训练数据建立训练模型；

步骤108，获取所述设备参数的实时数据，并根据所述训练模型预估所述设备参数的最优值。

步骤104中，所述数据清洗包括：按照预设时间段及取值间距对所述历史数据进行筛选。即选择某一个或多个时间段的历史数据作为源数据，按照设定的取值间距进行取值，获得模型训练数据。所述取值间距可以是时间间距，即按照预设时间间距对预设时间段的历史数据进行筛选。

其中，所述设备参数包括同一设备的不同参数、不同型号设备的相同或不同参数、不同设备的不同参数，可根据实际应用进行选择设定。例如，设备参数可以是同一设备的各项参数，如温度、压力、电压、电流、转速、振动等；也可以是同一产线不同设备的不同参数；还可以是不同企业同类设备的相同参数；等等。

作为一种具体的实施例，以过去6个月甚至一年的历史数据做为源数据，以10分钟作为取值间距进行数据清洗，获得模型训练数据。可选地，预设时间段可以是多个时间段，也可以是一个时间段。

作为一种优选的实施例，步骤104中，所述数据清洗还包括：根据预设过滤器对筛选获得的数据进行过滤，所述过滤器包括恒定数据过滤器、超时数据过滤器、参数限值过滤器中的一个或多个。由于数据采集设备异常或者网络中断等原因，可能会造成数据不更新或者更新超时，或者由于设备自身运行异常导致参数数据严重偏离正常值，为了过滤这类无效数据，可以应用“恒定数据过滤器”、“超时数据过滤器”、“参数限值过滤器”等过滤器中的一个或多个对按照预设时间段及取值间距筛选后的数据进行过滤，获得模型训练数据。

作为一种优选的实施例，步骤104中，所述数据清洗还包括：根据过滤指令对异常数据进行过滤。所述过滤指令可以由操作员手动选择或输入。

作为一种具体的实施例，以10分钟作为取值间距，对过去6个月的设备参数历史数据进行筛选，筛选后的数据以点线图展示，操作员可以手动选择肉眼可见的异常数据进行过滤，被过滤的数据对应的时间值同步后台，后台会删除相应数据，以使前端显示的数据与后台存储的数据保持一致。

步骤106中，所述训练模型的建立方法包括：

S1061，将所述模型训练数据转化为数据矩阵A，其中，同一设备参数不同时刻的数据作为所述数据矩阵A的行，不同设备参数同一时刻的数据作为所述数据矩阵A的列；

具体地，若模型训练数据包括n个设备参数在m个时刻的数据，则转化为n×m数据矩阵A；

S1062，采用数据精选算法将所述数据矩阵A转换为精选数据矩阵B；

具体地，若所述数据矩阵A的列数m小于等于预设值，则将所述数据矩阵A作为精选数据矩阵B；若所述数据矩阵A的列数m大于所述预设值，则将其中每个设备参数的数据按照大小排序，选取其中中位数、平均值、最小值、最大值，直至所选数据量达到所述预设值；其中，若所述数据矩阵A中某一个或多个设备参数的数据中中位数、平均值、最小值、最大值的数量之和不足所述预设值，则依据预设规则进行二次数据选取，以使所选数据量总和达到所述预设值。所述预设规则可以是按照预设取值间距对剩余数据进行二次筛选，即在所述数据矩阵A中某一个或多个设备参数的数据中中位数、平均值、最小值、最大值的数量之和不足所述预设值的情况下，依据预设取值间距对剩余数据进行二次数据选取，以使所选数据量总和(＝中位数的数量+平均数的数量+最小值的数量+最大值的数量+二次数据选取获得的数据量)达到所述预设值。所述预设值可根据实际应用进行设定。本实施例中数据精选的目的是保留每个参数的主要特征数据(包括中位数、平均值、最小值、最大值)，如果还有空位，则在剩余的时间戳里按时间间距选择数据填补到空位。

作为一种优选的实施例，预设值默认为1000，并可根据设备参数的数量n进行调整，例如，当设备参数数量的一定倍数大于默认值1000，则将预设值调整为设备参数数量的一定倍数，上述倍数可根据实际需要确定，优选4倍。如此设置可确保精选数据矩阵B中保留每个参数的主要特征数据，包括中位数、平均值、最小值、最大值；

S1063，采用特征提取算法将所述精选数据矩阵B转换为特征矩阵C；

具体地，所述特征提取算法为：C＝(B

S1064，存储所述精选数据矩阵B和所述特征矩阵C。

可选地，将所述数据矩阵A的各元素按照行的顺序排列，各元素之间采用分隔符分隔，记为PARAMS，并进行存储。其中，所述分隔符优选“,”。所述训练模型包括PARAMS、所述精选数据矩阵B和所述特征矩阵C。

步骤108中，所述预估包括：

S1081，将所述实时数据转换成矩阵U，其中，同一设备参数不同时刻的数据作为所述矩阵U的行，不同设备参数同一时刻的数据作为所述矩阵U的列；

S1082，采用预估算法获得所述设备参数的最优值矩阵V，所述预估算法为：

V＝B×(W÷sum)；其中，W＝C×(B

作为一种优选的实施例，步骤106后还包括：

步骤106′，对所述训练模型进行验证，所述验证包括正向验证和逆向验证，所述正向验证选取所述设备参数的正常数据对所述训练模型进行验证，所述逆向验证选取所述设备参数的异常数据对所述训练模型进行验证。

具体地，所述验证的方法包括：

(1)将所选取的用于验证所述训练模型的数据转换成矩阵X；

(2)采用预估算法获得验证矩阵Y，所述预估算法为：

Y＝B×(Z÷sum′)；其中，Z＝C×(B

(3)将所述验证矩阵Y中各值与所述矩阵X中的对应数据进行比对分析，具体地：

ⅰ)对比所述矩阵X中各元素与所述验证矩阵Y中对应元素，分别统计每一行偏差较大的元素的数量；

ⅱ)将所述每一行偏差较大的元素的数量与所述矩阵X的列数进行对比。

本可选技术方案采用异常时刻计数法验证训练模型。具体地，若所述矩阵X中某一元素与所述验证矩阵Y中的对应元素偏差较大，则认为所述矩阵X中该元素数据异常，异常时刻计数增1；对于正向验证，若异常时刻数量远小于矩阵X的列数，则认为训练模型较优；对于逆向验证，若异常时刻数量接近矩阵X的列数，则认为训练模型较优。此外，根据正向验证结果和逆向验证结果，对模型评分。评分越高的模型越好，评分不达标的模型不能应用，可以重新模型训练的过程建立训练模型并再次评分，直到达标方可应用。本实施例采用上述验证方法对训练模型进行验证，对训练模型的准确度进行把关，从而有利于获得较为合理的训练模型，进而获得更加精准的设备参数最优值。

在本发明实施例中，通过采用上述方法对设备参数的最优值进行预估，无需预知设备机理即可进行建模，获得的最优值更合理，准确性更高。此外，本发明通过数据清洗，筛选正常数据进行机器训练，所建立的训练模型更加准确，可操作性强。再者，本发明的训练模型不依赖与设备机理，对任何设备均可适用，大大提高了方法的普适性。

上述实施例的设备参数最优值的预估方法应用广泛，包括但不限于以下应用场景：

①及时发现设备隐患。定期根据设备的实时数据预估设备参数最优值，当某时刻的个别参数与最优值偏差过大时，认为该时刻数据异常。设备的实时数据连续发生异常，或者高频率发生异常时，设备的健康状况可能出现了问题。据此，可以提前发现设备隐患，对设备进行检修，避免出现重大安全事故等。

②设备性能评估。根据设备实时数据与其最优值的对比，判断设备运行稳定性；此外，对于同行业不同企业同类设备，可通过实时数据及最优值比较，横向对比设备性能。

③设备联调。根据产线不同设备实时数据及其对应最优值，对相关设备进行联调，提高产线效率，降低工艺成本。

④辅助智能制造。根据不同企业同类产线相同设备实时数据及其对应最优值的比较分析，辅助设备制造厂商对设备设计或制造工艺进行调整或改进，使设备在使用时可充分发挥其性能，其各项参数更接近理论最优值。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

根据本发明实施例的另一个方面，还提供了一种用于实施上述预估方法的设备参数最优值的预估装置，该设备参数最优值的预估装置可以是服务器，也可以是具有计算、存储、通信、显示等功能的终端设备。图2是根据本发明实施例的一种可选的设备参数最优值的预估装置的示意图，如图2所示，该装置可以包括：获取单元201、存储单元203、清洗单元205、模型训练单元207、预估单元209，其中，

获取单元201，用于获取设备参数的历史数据和实时数据；

存储单元203，用于存储所述历史数据和所述实时数据；

清洗单元205，用于将所述历史数据进行数据清洗；

模型训练单元207，用于以所述模型训练数据建立训练模型；

预估单元209，用于根据所述训练模型预估所述设备参数的最优值。

需要说明的是，该实施例中的获取单元201和存储单元203可以用于执行本申请实施例中的步骤102，该实施例中的清洗单元205可以用于执行本申请实施例中的步骤104，该实施例中的模型训练单元207可以用于执行本申请实施例中的步骤106，该实施例中的清洗单元209可以用于执行本申请实施例中的步骤108。以下依此类推，不再赘述。

可选地，清洗单元205包括筛选子单元，用于按照预设时间段及取值间距对所述历史数据进行筛选。

作为一种优选的实施例，清洗单元205还包括过滤子单元，用于根据预设过滤器对筛选获得的数据进行过滤，所述过滤器包括恒定数据过滤器、超时数据过滤器、参数限值过滤器中的一个或多个。所述过滤子单元还用于根据过滤指令对异常数据进行过滤。

存储单元203还用于存储所述训练模型。

作为一种优选的实施例，所述设备参数最优值的预估装置还包括验证单元，用于对所述训练模型进行验证。

此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在本发明实施例的硬件环境中，可以通过软件实现，也可以通过硬件实现。

根据本发明实施例的另一个方面，还提供了一种用于实施上述设备参数最优值的预估方法的服务器或终端，可以包括：一个或多个处理器、存储器、以及传输装置，还可以包括输入输出设备。

其中，存储器可用于存储软件程序以及模块，如本发明实施例中的设备参数最优值的预估方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述设备参数最优值的预估方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

上述的传输装置用于经由一个网络接收或者发送数据，还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

其中，具体地，存储器用于存储应用程序。

处理器可以通过传输装置调用存储器存储的应用程序，以执行下述步骤：

获取并存储设备参数的历史数据；

将所述历史数据经数据清洗后获得模型训练数据；

以所述模型训练数据建立训练模型；

获取所述设备参数的实时数据，并根据所述训练模型预估所述设备参数的最优值。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

本领域普通技术人员可以理解，终端可以是具有计算、存储、通信、显示等功能的任何终端设备。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。

本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行设备参数最优值的预估方法的程序代码。

可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：

获取并存储设备参数的历史数据；

将所述历史数据经数据清洗后获得模型训练数据；

以所述模型训练数据建立训练模型；

获取所述设备参数的实时数据，并根据所述训练模型预估所述设备参数的最优值。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。