一种航空发动机排气温度裕度预测方法、存储介质及设备

技术领域

本发明属于航空发动机技术领域，具体涉及一种航空发动机排气温度裕度预测方法、存储介质及设备。

背景技术

航空发动机排气温度裕度(EGTM)是反映民用航空发动机性能衰退的主要参考依据之一。EGTM定义为航空发动机在海平面压力以及拐点温度条件下，全功率飞行的发动机排气温度(EGT)与EGT红线之间的差值。航空公司通过分析EGTM的变化趋势，可评估发动机的可靠性水平，以保证飞机的安全飞行，降低维修成本。因此，EGTM的预测对于航空公司检修发动机，安排下发时间以及航空发动机的安全性具有积极意义。

EGTM的预测一直以来都是航空发动机领域的研究热点。现有国内外在航空发动机排气温度及其裕度的预测研究中，取得了不少的成果，很多研究在EGTM预测中获得了较好的效果，但仍然存在一些问题尚未解决，如大多数研究采用数值分析或者单一模型的方式，预测过程复杂，另外，由于EGTM的变化趋势具有较强的非线性以及随机性，数值分析方法以及单一模型的预测精度还不够令人满意。

近年来，基于深度学习的神经网络模型获得了很大的发展，其直接从大量真实实验数据中进行学习，无需考虑输入与输出之间的数学关系，可避免非线性对模型精度的影响。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种航空发动机排气温度裕度预测方法、存储介质及设备，能够准确预测航空发动机的实时排气温度裕度，并实现了输出结果可视化。

本发明采用以下技术方案：

一种航空发动机排气温度裕度预测方法，包括以下步骤：

S1、将航空发动机的历史数据分为训练集和测试集，；

S2、利用步骤S1获得的训练集构造EGTM序列数据集；

S3、对步骤S2构造的EGTM序列数据集进行预处理，删除EGTM序列数据集中的异常点，对EGTM序列数据集的噪声进行处理，补充EGTM序列数据集的缺失值，添加EGTM序列数据集的标签；对EGTM序列数据集进行归一化处理；

S4、设计基于卷积神经网络和长短期记忆网络的航空发动机排气温度裕度模型，将步骤S3归一化处理后的EGTM序列数据集作为卷积神经网络的输入，对航空发动机排气温度裕度模型进行训练；

S5、将步骤S1获得的测试集数据放入步骤S4训练完成的航空发动机排气温度裕度模型中，得出测试集在航空发动机排气温度裕度模型训练中的平均绝对误差值、均方根误差值以及拟合度可决系数R

S6、将步骤S5准确率最高的航空发动机排气温度裕度模型封装到计算单元中，采集新数据进行实时预测，并将预测结果可视化。

具体的，步骤S3具体为：采取距离检测法计算出所有样本间的测量距离，找出不符合测量距离分布特征的异常点并剔除；采取移动平滑的方式去除EGTM序列数据集中的噪声并采用回归分析原理对缺失值进行补充，采用线性函数归一化的方法对EGTM序列数据集进行归一化处理，将线性变换到[0,1]区间。

进一步的，EGTM序列数据集是平稳随机序列

其中，

具体的，步骤S4具体为：

将步骤S3归一化处理后的EGTM序列数据集作为卷积神经网络的输入，首先经过CNN卷积和池化运算后，提取出数据特征作为长短期记忆网络的输入，然后经过LSTM网络训练后，得到航空发动机排气温度裕度预测模型。

进一步的，CNN卷积和池化运算对数据进行特征重构与特征向量降维具体为：

其中，y

经过CNN提取数据特征后作为LSTM网络的输入具体为：

其中，f

具体的，步骤S5中，平均绝对误差值MAE和均方根误差值RMSE具体为：

其中，m代表样本总数，h

具体的，步骤S5中，拟合度可决系数R

其中，m代表样本总数，h

具体的，步骤S6中，将步骤S1得到的测试集中的数据放入计算单元中封装的航空发动机排气温度裕度预测模型中进行预测，得到测试集中的排气温度裕度预测值，然后将预测值与测试集中真实的排气温度裕度值进行比较，判断排气温度裕度预测的精度。

本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。

本发明的另一个技术方案是，一种计算设备，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种航空发动机排气温度裕度预测方法，立足于航空发动机对飞机飞行安全以及可靠性的影响，对EGTM序列数据集进行预处理，充分挖掘出航空发动机排气温度裕度(EGTM)的变化趋势与航空发动机的性能衰退情况之间潜在的联系和特征，构建基于卷积神经网络和长短期记忆网络的高精度的航空发动机排气温度裕度(EGTM)预测融合模型，得出测试集在航空发动机排气温度裕度模型训练中的平均绝对误差值、均方根误差值以及拟合度可决系数R

进一步的，通过步骤S3去除无效数据、不规范数据、错误数据；补齐缺失值以及对数据范围、量纲、格式、类型进行统一化处理，更容易进行后续计算，提高预测精度。

进一步的，训练数据集作为卷积神经网络的输入，对航空发动机排气温度裕度模型进行训练；测试数据集作为测试样本，验证模型的精度。

进一步的，通过步骤S4融合模型中的卷积神经可对数据中有效特征进行提取，长短期记忆网对时间序列敏感且具有记忆性特点，两者融合可实现数据的深度挖掘，且无需考虑输入与输出之间的数学关系，从而可以解决高度非线性的问题，克服常规循环神经网络梯度消失和梯度爆炸的缺陷，使得建模过程更加简洁，且预测效果更加精准，从而提升了EGTM预测的准确度和稳定性，。

进一步的，对数据进行特征重构与特征向量降维，数据特征重构有效提取了数据抽象特征，从而避免了传统算法的人工选取特征的劣势，提高了算法的移植性；特征向量降维通过充分利用局部相关性和权值共享的思想，减少了网络的参数量，解决了程序运行时间过长的问题；LSTM网络的输入设置的目的在于：通过卷积神经网络对输入特征进行特征重构与特征向量降维，将调整后的特征向量输入到LSTM网络结构，进行训练，实现卷积神经网络与长短期记忆网络的结合。

进一步的，采用平均绝对误差(MAE)和均方根误差(RMSE)作为算法性能指标，衡量预测值与真实值之间的误差，评估基于卷积神经网络和长短期记忆网络融合的航空发动机排气温度裕度模型；同时定义MAE为损失函数(Loss)，记录训练过程中所设置的算法性能的变化，从而反映模型对航空发动机排气温度裕度准确预测的能力。

进一步的，拟合度可决系数R

进一步的，步骤S6充分利用软硬件的优势，将最优的训练模型封装到计算单元内，可以实现实时预测，并将预测结果可视化，实现了软硬件的结合。

综上所述，本发明能够准确预测航空发动机的实时排气温度裕度，并实现了输出结果可视化。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为航空发动机排气温度裕度预测的原理图；

图2为卷积神经网络和长短期记忆网络结合的结构图；

图3为数据采集系统的结构图；

图4为卷积神经网络和长短期记忆网络结合的模型MAE图；

图5为卷积神经网络和长短期记忆网络结合的R2图；

图6为卷积神经网络和长短期记忆网络结合的排气温度裕度预测图。

具体实施方式

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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

请参阅图1和图2，本发明一种航空发动机排气温度裕度预测方法，包括以下步骤：

一、使用航空发动的历史数据构建神经网络模型

S1、对航空发动机的历史数据进行分类，分为训练集和测试集；

S2、构造EGTM序列数据集，对于每台发动机EGTM历史数据序列

为数据的预处理、根据训练集数据设计排气温度裕度预测的神经网络模型、将测试集放入神经网络模型进行评估

S3、对数据进行预处理

采取距离检测法计算出所有样本间的测量距离，找出不符合大部分测量距离分布特征的异常点并剔除；采取移动平滑的方式去除数据中的噪声并采用回归分析原理对缺失值进行补充。另外，为了提高神经网络模型的收敛速率和准确率，采用线性函数归一化(Max-Min Normalization)的方法对数据集进行归一化处理，将其线性变换到[0,1]区间。

S301、数据集异常点删除

本发明采取距离检测法计算出所有样本间的测量距离，找出不符合大部分测量距离分布特征的样本，即为异常点；并将其异常点删除。

S302、数据集噪声处理

采用移动平滑的方式去除噪声，使序列数据更加平滑稳定。

假设EGTM历史数据是平稳随机序列，记为

L

其中，x

其中，

S303、数据集缺失值的补充

采用回归分析原理，对含有缺失值的序列建立回归模型，用相应的预测值代替缺失值。

S304、数据集添加标签

在上述预处理步骤的基础上，对于新的EGTM历史数据序列

S305、数据集归一化

为了提高神经网络模型的收敛速率和准确率，本文采用线性函数归一化(Max-MinNormalization)的方法对数据集进行归一化处理，如式5所示，将其线性变换到[0,1]区间。

其中，X为原始数据，

S4、训练模型

设计基于卷积神经网络和长短期记忆网络的航空发动机排气温度裕度模型

卷积神经网络结构从数据流角度可分为输入层、隐藏层和输出层。在数据预测领域的应用中，输入层可对输入数据进行标准化处理，以提高模型性能和实现数据特征自动提取。

将构建好的训练集作为卷积神经网络的输入，首先经过CNN卷积和池化运算后，提取出数据特征作为长短期记忆网络的输入，然后经过LSTM网络训练后，得到一个排气温度裕度预测模型。

其具体的神经网络层设置如表1所示。其中损失函数选择平均绝对误差(MAE)，激活函数采用Relu，优化器采用Adma，为预防训练模型过拟合，所以在每个LSTM层之后都加入Dropout，且设随意丢弃概率设为0.5。

表1神经网络层参数设置

具体的，将经过步骤S1至步骤S3处理过后的数据一起作为卷积神经网络的输入，由于卷积神经网络具有提取数据抽象特征的优势，即对输入特征进行了特征重构与特征向量降维，从而避免了传统算法的人工选取特征的劣势，并且可以提高算法的移植性。因此使用CNN中的卷积和池化运算对数据进行特征重构与特征向量降维，如式1所示。经过CNN提取数据特征后作为LSTM网络的输入，其LSTM如式2所示。经过以上过程可得到一个训练模型。

其中，y

其中，f

S5、模型测试

将测试集的数据放入到步骤S4训练出的模型中，得出测试集在模型训练中平均绝对误差(Mean Absolute Error，MAE)值、均方根误差(Root Mean Squared Error，RMSE)值以及拟合度可决系数R

在确定基于卷积神经网络和长短期记忆网络的航空发动机排气温度裕度模型框架基础上，需进一步评估、优化模型性能。通过对模型的训练和测试，并记录训练过程中所设置的算法性能的变化，从而反映模型对航空发动机排气温度裕度准确预测的能力。本发明采用平均绝对误差(MAE)和均方根误差(RMSE)作为算法性能指标，衡量预测值与真实值之间的误差，评估基于卷积神经网络和长短期记忆网络融合的航空发动机排气温度裕度模型。同时定义MAE为损失函数(Loss)，其随迭代次数的变化如图4所示。MAE以及RMSE的计算方法分别如式6和式7所示：

其中，m代表样本总数，h

本发明采用选取R

其中，m代表样本总数，h

S6、将准确率最高的航空发动机排气温度裕度模型进行封装放到一个计算单元中，方便以后采集到的新的数据进行实时的预测，最后将预测结果可视化。

将测试集中的数据放入排气温度裕度预测模型中预测，得到测试集中的排气温度裕度预测值，然后将预测值与测试集中真实的排气温度裕度值做比较，进而判断排气温度裕度预测的精度，对比图如图6所示。

对航空发动机上的数据进行实时采集和预测

1、对发动机上的传感器进行实时采集

在本发明中，在基于卷积神经网络和长短期记忆网络融合的航空发动机排气温度裕度模型构建完成后，为了实时预测发动机的排气温度以及及时更新数据集，需要通过数据采集系统采集飞机在飞行过程中的实时排气温度裕度。数据采集系统通常由传感器模块，信号调理电路模块，数据采集器模块以及计算机及应用软件部分组成，如图3所示。其具体流程可如下表示：

S7、航空发动机上的传感器检测到待测信号并转换为相应的输出信号；

S8、信号调理电路对传感器输出的微弱信号进行检波、转换、滤波、放大处理；

S9、数据采集器对信号调理后的连续模拟信号离散化并转化成与模拟信号电压幅度相对应的一系列数值信息，同时以一定的方式把这些转换数据及时传递给计算机进行发动机排气温度裕度的预测；

S10、计算机将数据采集器采集的转换数据进行存储，同时将此数据传输到数据处理模块；另外由计算机应用软件将发动机排气温度裕度结果可视化，用来实时监控传感器的变化。

为了保证采集到高精度且稳定的数据，采集系统必须具有下述特点：

(1)需要在高温(300～1000℃)、高压(0～0.05MPa)条件下正常工作；

(2)在飞行包线内，当以Ma≥1.0的超音速飞行时，能够正常工作；

(3)需要接收到微弱的信号。例如，在发动机测试中K型热电偶的输出电压范围在-6.458～-54.875mV；

(4)需要较宽泛的采集速率范围。一般要求采集速率从1～200kHz；

(5)测量准确度(或精度)和分辨率要求高。例如发动机的某些参数进行AD转换时，要求使用具有32位分辨率的AD转换器，使系统准确度高达±0.01％FS～±0.03％FS；

(1)抗干扰能力强。由于飞机在飞行时环境复杂，所以要求数据采集系统在较强的电磁干扰(包括工频和射频)以及振动和冲击的环境下，能够正常工作；另外，在测量信号时，会存在噪声等共模干扰，因此数据采集系统必须有强抗干扰能力；

(2)传感器能及时反应温度的变化，即传感器的时间常数要小(小于0.1s)；

(3)放大器的非线性误差小于±0.25％。

2、数据处理模块处理数据和预测

为了使采集到的数据可以正常的被核心计算单元中的排气温度裕度模型预测识别，数据处理模块中的数据处理过程主要包含以下3个方面：

(1)构造数据集：把数据按着收集的时间顺序进行排列并添加标签，形成与发动机历史数据一样的数据形式，以便于下一步处理；

(2)数据预处理：将构造后的数据进行数据预处理，输入到核心计算单元进行排气温度裕度预测；

(3)数据集存储：将原始数据和预处理过后的数据进行数据排序后保存起来，实现实时更新。

结果可视化

为了使排气温度裕度预测系统更加容易理解，故而设置一个数据采集系统和计算机的交互界面。界面显示经过数据收集器转换过的热电偶传感器信息以及经过核心计算单元预测出的发动机排气温度裕度的实时结果。

技术人员通过数据可视化来监测飞机飞行时的飞行参数变化，便于及时发现异常情况，可有效避免飞机处在危险飞行状态。另外，将发动机排气温度裕度值可视化，可为技术人员以及飞行员正确判断发动机工作状态提供依据，对于航空公司检修发动机，安排下发时间以及航空发动机的安全性具有积极意义。

本发明再一个实施例中，提供一种航空发动机排气温度裕度预测系统，该系统能够用于实现上述航空发动机排气温度裕度预测方法，具体的，该航空发动机排气温度裕度预测系统包括数据模块、构造模块、预处理模块、训练模块、计算模块以及输出模块。

其中，数据模块，将航空发动机的历史数据分为训练集和测试集。

构造模块，利用获得的训练集构造EGTM序列数据集。

预处理模块，对构造的EGTM序列数据集进行预处理，删除EGTM序列数据集中的异常点，对EGTM序列数据集的噪声进行处理，补充EGTM序列数据集的缺失值，添加EGTM序列数据集的标签；对EGTM序列数据集进行归一化处理。

训练模块，设计基于卷积神经网络和长短期记忆网络的航空发动机排气温度裕度模型，将归一化处理后的EGTM序列数据集作为卷积神经网络的输入，对航空发动机排气温度裕度模型进行训练。

计算模块，将测试集数据放入训练完成的航空发动机排气温度裕度模型中，得出测试集在航空发动机排气温度裕度模型训练中的平均绝对误差值、均方根误差值以及拟合度可决系数R

输出模块，将准确率最高的航空发动机排气温度裕度模型封装到计算单元中，采集新数据进行实时预测，并将预测结果可视化。

本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于航空发动机排气温度裕度预测方法、存储介质及设备的操作，包括：

将航空发动机的历史数据分为训练集和测试集；利用获得的训练集构造EGTM序列数据集；对构造的EGTM序列数据集进行预处理，删除EGTM序列数据集中的异常点，对EGTM序列数据集的噪声进行处理，补充EGTM序列数据集的缺失值，添加EGTM序列数据集的标签；对EGTM序列数据集进行归一化处理；设计基于卷积神经网络和长短期记忆网络的航空发动机排气温度裕度模型，将归一化处理后的EGTM序列数据集作为卷积神经网络的输入，对航空发动机排气温度裕度模型进行训练；将测试集数据放入训练完成的航空发动机排气温度裕度模型中，得出测试集在航空发动机排气温度裕度模型训练中的平均绝对误差值、均方根误差值以及拟合度可决系数R

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关航空发动机排气温度裕度预测方法、存储介质及设备的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：

将航空发动机的历史数据分为训练集和测试集；利用获得的训练集构造EGTM序列数据集；对构造的EGTM序列数据集进行预处理，删除EGTM序列数据集中的异常点，对EGTM序列数据集的噪声进行处理，补充EGTM序列数据集的缺失值，添加EGTM序列数据集的标签；对EGTM序列数据集进行归一化处理；设计基于卷积神经网络和长短期记忆网络的航空发动机排气温度裕度模型，将归一化处理后的EGTM序列数据集作为卷积神经网络的输入，对航空发动机排气温度裕度模型进行训练；将测试集数据放入训练完成的航空发动机排气温度裕度模型中，得出测试集在航空发动机排气温度裕度模型训练中的平均绝对误差值、均方根误差值以及拟合度可决系数R

本发明基于某航空公司通过EHM(Engine Health Management)监控软件获得的某型号30台发动机的EGTM历史测量数据，对所提出的航空发动机排气温度裕度预测方法进行训练和测试。可视化结果表明，本发明所提出的航空发动机排气温度裕度预测方法，相比于MLP、CNN以及Simple RNN、LSTM等单一神经网络模型，可分别使MAE和RMSE降低20.26％、39.33％、35.21％、10.29％和10.09％、43.42％、36.99％、10.17％，拟合度分别提高0.28％、1.42％、1.17％、0.27％。

本发明一种航空发动机排气温度裕度预测方法的优点如下：

第一：由于航空发动机的工作环境复杂，使得监测的性能参数具有很强的随机性，且各参数之间具有复杂的相互关系以及明显的非线性特性，很难用明确的模型去描述性能参数的变化趋势。而基于深度学习构建的卷积神经网络和长短期记忆网络融合模型可直接从大量真实实验数据中进行学习，无需考虑输入与输出之间的数学关系，从而可以解决高度非线性的问题，使得建模过程更加简洁，且预测效果更加精准。

第二：采用CNN中的卷积和池化运算对数据进行特征重构与特征向量降维，有效提取了数据抽象特征，从而避免了传统算法的人工选取特征的劣势，提高了算法的移植性。另外，CNN进行卷积操作时，通过充分利用局部相关性和权值共享的思想，减少了网络的参数量，解决了程序运行时间过长的问题。

第三：采用长短期记忆网络对关于时间序列的航空发动机的排气温度进行预测，长短期记忆网络通过不断将过去状态和当前的输入信息传递到存储单元中，使用“门”来处理需要记忆和遗忘的信息，完成细胞状态的更新。首先，通过遗忘门将细胞状态中的信息选择性的遗忘，即进行选择性记忆；其次，通过输入门将新的信息选择性地记录到细胞状态中；最后通过输出门把前面的信息保存到隐层中去。这样就可以利用前一时刻的信息对当前时刻的值进行预测，并且克服了常规循环神经网络梯度消失和梯度爆炸的缺陷。

第四：航空发动机的数据是使用数据采集器实时采集的，然后将采集的数据预处理后输入到神经网络训练好的模型中，可以实现对发动机排气温度裕度的实时预测，且结果可视化。同时，通过监测采集到新的EGTM数据，将其经过相应处理过后加入到历史数据中重新训练，优化模型中的参数，建立发动机发动机排气温度裕度的可靠性实时预测模型，以此达到实时更新的目的，进而提高预测精度。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、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。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。