轨道交通设备状态预测方法、装置、设备及存储介质

技术领域

本发明涉及城市轨道交通智能运维技术领域，尤其涉及一种轨道交通设备状态预测方法、装置、设备及存储介质。

背景技术

以地铁为首的城市轨道交通在我国发展迅速，轨道交通已成为我国城市建设的重要组成部分。根据中国城市轨道交通协会发布的《2020年中国内地城轨交通线路概况》数据显示，截止至2020年12月31日，我国城市轨道交通运营总里程约7978km，通车城市45个，共新增运营线路里程约1241km，新增运营线路36条。随着各地新建线路的不断增加，带来的是相关设备数量大量增长，设施设备系统承受了很重的负荷。

目前我国的轨道交通运维业务大多采用故障维修和计划维修的管理模式，这已经落后于设备智能化、复杂化的发展要求，既容易造成设备维修不足和维修过剩的问题，导致故障的频发和资源浪费，又会带来安全隐患。

发明内容

本发明实施例提供一种轨道交通设备状态预测方法、装置、设备及存储介质。本发明实施例的技术方案是这样实现的：

本发明实施例提供一种轨道交通设备状态预测方法，包括：

获取目标设备在预设时段内的监测数据；其中，所述监测数据包括：所述目标设备的传感数据和所述目标设备的外部环境的传感数据；

根据所述目标设备的待预测状态，从所述监测数据中筛选出特征数据集，所述特征数据集为与所述目标设备的待预测状态的关联性达到预设范围的监测数据的集合；

利用预测模型处理所述特征数据集，得到所述待预测状态对应的预测结果；其中所述预测模型是基于随机森林回归算法构建的。

上述方案中，所述根据所述目标设备的待预测状态，从所述监测数据中筛选出特征数据集，包括：

对所述监测数据进行数据清洗，得到有效监测数据，其中所述数据清洗至少包括：重复值处理；

根据熵值法，基于所述有效监测数据对应的互信息从所述有效监测数据中筛选出所述所述特征数据集。

上述方案中，所述重复值处理，包括：

根据皮尔逊系数，剔除与所述待预测状态相关性系数低于预设值的所述监测数据；

根据滑动窗口以及预设欧氏距离阈值，对经过剔除处理后的监测数据进行筛选；

对筛选后的所述监测数据进行下采样，得到所述有效监测数据。

上述方案中，所述利用预测模型处理所述特征数据集，得到所述待预测状态对应的预测结果，包括：

根据集成学习方法以及所述特征数据集，随机生成与所述特征数据集容量相同的k个特征数据子集；k为大于1的整数；

根据每个特征数据子集，构建k个与所述特征数据子集一一对应的回归树模型；

将k个所述特征数据子集分别输入对应的所述回归树模型，得到k组预测数据；

根据所述k组预测数据的平均值，确定所述预测结果。

上述方案中，所述方法还包括：根据所述目标设备的结构信息确定监测点的位置信息，所述监测点用于获取所述监测数据。

本发明实施例还提供一种轨道交通设备状态预测装置，包括：

数据采集单元，用于获取目标设备在预设时段内的监测数据；其中，所述监测数据包括：所述目标设备的传感数据和所述目标设备的外部环境的传感数据；

数据处理单元，用于根据所述目标设备的待预测状态，从所述监测数据中筛选出特征数据集，所述特征数据集为与所述目标设备的待预测状态的关联性达到预设范围的监测数据的集合；

预测单元，用于利用预测模型处理所述特征数据集，得到所述待预测状态对应的预测结果；其中所述预测模型是基于随机森林回归算法构建的。

上述方案中，所述数据处理单元，包括：

数据清洗单元，用于对所述监测数据进行数据清洗，得到有效监测数据，其中所述数据清洗至少包括：重复值处理；

特征处理单元，用于根据熵值法，基于所述有效监测数据对应的互信息从所述有效监测数据中筛选出所述所述特征数据集。

上述方案中，所述数据清洗单元，具体用于根据皮尔逊系数，剔除与所述待预测状态相关性系数低于预设值的所述监测数据；根据滑动窗口以及预设欧氏距离阈值，对经过剔除处理后的监测数据进行筛选；对筛选后的所述监测数据进行下采样，得到所述有效监测数据。

上述方案中，所述预测单元，还用于：根据集成学习方法以及所述特征数据集，随机生成与所述特征数据集容量相同的k个特征数据子集；k为大于1的整数；根据每个特征数据子集，构建k个与所述特征数据子集一一对应的回归树模型；将k个所述特征数据子集分别输入对应的所述回归树模型，得到k组预测数据；根据所述k组预测数据的平均值，确定所述预测结果。

上述方案中，所述装置还包括：确定单元，用于根据所述目标设备的结构信息确定监测点的位置信息，所述监测点用于获取所述监测数据。

本发明实施例还提供一种电子设备，所述设备至少包括：处理器和配置为存储可执行指令的存储介质，其中：处理器配置为执行存储的可执行指令，所述可执行指令配置为执行上述实施例提供的轨道交通设备状态预测方法。

本发明实施例还提供一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时，实现本发明实施例提供的轨道交通设备状态预测方法。

本发明实施例，一方面通过对目标设备运行状态趋势进行预测，可进行预测性维修可以定位故障原因，确保质量，节约成本、提高效率，改变了传统的维修方法带来的维护效率低，设备停机时间长，运营成本高以及安全方面等问题。另一方面，通过对从监测数据中筛选出特征数据集，提高了数据的有效性，提升了预测模型训练和计算的效率。

附图说明

图1是本发明实施例提供的轨道交通设备状态预测方法的实施场景示意图；

图2是本发明实施例提供的城市轨道交通运行设备预测装置结构示意图；

图3是本发明实施例提供的桥梁测点位置示意图；

图4是本发明实施例提供的轨道交通运行设备故障预测模型的建立步骤示意图；

图5是本发明实施例提供的轨道交通运行设备故障预测模型的结构示意图；

图6是本发明实施例提供的基于回归树算法的预测结果效果示意图；

图7是本发明实施例提供的轨道交通设备状态预测装置的结构示意图

图8是本发明实施例提供的电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，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它实施例，都属于本发明保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

下面说明本发明实施例提供的轨道交通设备状态预测方法。参见图1，图1是本发明实施例提供的轨道交通设备状态预测方法的流程示意图；本发明实施例提供的轨道交通设备状态预测方法包括：

步骤S110：获取目标设备在预设时段内的监测数据；其中，所述监测数据包括：所述目标设备的传感数据和所述目标设备的外部环境的传感数据；

步骤S120：根据所述目标设备的待预测状态，从所述监测数据中筛选出特征数据集，所述特征数据集为与所述目标设备的待预测状态的关联性达到预设范围的监测数据的集合；

步骤S130：利用预测模型处理所述特征数据集，得到所述待预测状态对应的预测结果；其中所述预测模型是基于随机森林回归算法构建的。

在一实施例中，所述目标设备为目标轨道交通设备，包括但不限于与：桥梁、铁轨、高架桥等。所述待预测状态包括但不限于：目标设备的运行状态。例如：当目标设备为桥梁时，所述待预测状态包括但不限于桥梁振幅加速度状态等。

在一实施例中，目标设备的传感数据包括目标设备运行状态数据；所述目标设备的外部环境的传感数据包括在预设范围内目标设备的外部环境的状态数据，包括但不限于外部环境的温度、湿度、粉尘浓度、风速等。

在一实施例中，预设时段为预设历史时刻至当前时刻之间的时间段。预测结果为当前时刻之后的一段时间内的待预测状态的参数值变化情况。预设历史时刻为当前时刻之前的时刻，可由用户进行任意设置。所述预设范围也可由用户根据预测需求设置。

在一实施例中，监测数据与目标设备的待预测状态的关联性可为基于相关性分析算法(例如：皮尔逊相关系数，熵值法等)计算监测数据与待预测状态参数之间的相关性，若监测数据与待预测状态参数的相关性系数在预设范围内，则该监测数据为特征数据，属于特征数据集。

在一实施例中，监测数据与目标设备的待预测状态的关联性还可由历史监测数据的变化确定，即若监测数据的变化会带来待预测状态的显著改变，则该监测数据即为特征数据，属于特征数据集。这里的显著改变包括：待预测状态对应的参数的变化量达到预设阈值。在一实施例中，预设阈值是基于目标设备的类型和待预测状态确定的。所述预设阈值随目标设备和待预测状态的不同而不同。在另一实施例中，所述预设阈值可由用户根据预测需求进行任意设置。

在一实施例中，预测模型由一系列回归树组成。所述回归树可为CART回归树(Classification And Regression Tree，分类回归树)。

在一些实施例中，所述利用预测模型处理所述特征数据集，得到所述待预测状态对应的预测结果，包括：

根据集成学习方法以及所述特征数据集，随机生成与所述特征数据集容量相同的k个特征数据子集；k为大于1的整数；

根据每个特征数据子集，构建k个与所述特征数据子集一一对应的回归树模型；

将k个所述特征数据子集分别输入对应的所述回归树模型，得到k组预测数据；

根据所述k组预测数据的平均值，确定所述预测结果。

在一实施例中，集成学习方法包括但不限于Bagging(Bootstrap aggregatin g，引导聚集算法)集成方法。本实施例中，利用集成算法提升预测的准确度。

具体的，利用集成学习方法从特征数据集中有放回的随机抽取k组数据(k个特征数据子集)，k组数据中的每组数据的数据量相同。基于k组数据组成k棵回归树模型。将k个所述特征数据子集分别输入对应的所述回归树模型，得到k组预测数据；采用平均的方法，将k棵回归树模型的预测结果综合平均，得到最终的预测结果。

在一实施例中，基于所述特征数据子集，构建回归树模型，包括：

将所述特征数据子集中的数据放在根节点，在这些数据中选择最优特征，将根节点二分为两个内部节点，内部节点接着划分特征，最终将训练集划分为有限个子集。子集的划分过程如下：对于所有输入的特征向量，选择第j个特征向量x

在一些实施例中，所述根据所述目标设备的待预测状态，从所述监测数据中筛选出特征数据集，包括：

对所述监测数据进行数据清洗，得到有效监测数据，其中所述数据清洗至少包括：重复值处理；

根据熵值法，基于所述有效监测数据对应的互信息从所述有效监测数据中筛选出所述所述特征数据集。

有效监测数据对应的互信息包括待预测状态对应的数据和除待预测状态对应的数据以外的其他监有效监测数据之间的互信息。

具体的，采取熵值法，定义两组数据(待预测状态对应的数据和其他监有效监测数据)的互信息，互信息可以用公式

在一些实施例中，所述数据清洗还包括：缺值处理、异常处理和去噪处理。

在一实施例中，缺值处理包括：缺失值补全。例如：均值插补、同类均值插补、建模预测、高维映射、多重插补、极大似然估计、压缩感知和矩阵补全等。

本实施例采用数据清洗和筛选特征数据集的方法，提高了数据的有效性和精确性，降低了预测模型的训练误差和训练时间，使预测模型更好的鲁棒性。

在一些实施例中，所述重复值处理，包括：

根据皮尔逊系数，剔除与所述待预测状态相关性系数低于预设值的所述监测数据；

根据滑动窗口以及预设欧氏距离阈值，对经过剔除处理后的监测数据进行筛选；

对筛选后的所述监测数据进行下采样，得到所述有效监测数据。

在一实施例中，预设值可由用户任一设置，一般预设值的取值为0.2。

具体的，计算待预测状态对应的数据与其他监测数据之间的皮尔逊系数，即待预测状态对应的数据种类与其他监测数据种类之间的皮尔逊系数，例如：若待预测状态为桥的加速度状态，则计算桥的加速度与震动频率等之间的皮尔逊系数。将皮尔逊系数低于0.2的监测数据剔除。将筛选出的不同种类的监测数据按列排布，设置滑动窗口，窗口大小为k；将窗口从第一行数据开始滑动，计算第一行不同种类的监测数据(即特征)之间的欧式距离，再将其与剩余k-1行不同特征之间的欧式距离作差，设置最小阈值，若差值在最小阈值之内，则删除第一行数据；接着滑动窗口，依次执行以上步骤，直至结束。假设在筛选前特征数目为n，筛选后为m，在计算不同特征欧式距离时，筛选前需要计算

在一些实施例中，所述方法还包括：根据所述目标设备的结构信息确定监测点的位置信息，所述监测点用于获取所述监测数据。

根据目标设备的结构以及使用情况，在所述目标设备上和/或目标设备周围设置监测点，以使获得的检查数据能更加全面的覆盖影响所述目标设备状态的监测数据，从而进行更为准确的预测。

在另一实施例中，根据所述目标设备的结构信息确定监测点的位置信息还包括：根据目标设备的结构信息以及目标设备的历史故障维修信息，确定监测点的位置信息。

在一实施例中，所述方法还包括：对特征数据集中的待预测状态正常的情况下的监测数据和待预测状态异常的情况下的监测数据分别进行存储，以便于后续对目标设备的状态分析。

在一些实施例中，所述方法还包括：基于所述预测结果，确定所述目标设备的待预测状态是否异常。

具体的，比较预测结果和与预测结果对应的当前实际采集的监测数据，若预测结果与所述实际采集的监测数据的误差超过预设异常阈值，则确定目标设备的待预测状态异常。

本实施例，一方面通过对目标设备运行状态趋势进行预测，可进行预测性维修可以定位故障原因，确保质量，节约成本、提高效率，改变了传统的维修方法带来的维护效率低，设备停机时间长，运营成本高以及安全方面等问题。另一方面，通过对从监测数据中筛选出特征数据集，提高了数据的有效性，提升了预测模型训练和计算的效率。

以下结合上述实施例提供一个具体示例：

当前，城市轨道交通设备状态监测系统采集到的数据量大，数据类型多。而传统的数据处理预测精度较低，不能满足目前的需求。为了解决上述的问题，提高地铁维修工作的管理水平，就需要继续加强信息化的手段，引入最新的互联网和计算机技术来对地铁公司的设备维修进行管理。但是目前的故障诊断主要是在发生故障后，将设备调度到相应的维修库，由工程师对系统中的故障数据进行分析，判断故障类型和故障程度，做出维修决策。这种传统的维修方法其结果是维护的效率低，设备非预期的停机时间长，从而导致运营成本上升，最严重的还会带来重大安全问题。基于此，本示例设计了一种基于随机森林算法的城市轨道交通关键设备故障预测方法，将传统运维故障修、计划修转换为预测修的模式。

本示例提出的基于随机森林算法的城市轨道交通运行设备预测方法，应用于如图2的城市轨道交通运行设备预测装置，所述装置包括：数据采集模块、数据处理模块、数据存储模块和故障预测模块。以桥梁设备为例，其中，所述数据采集模块包括：加速度检测模块、压力检测模块、索力检测模块、震动频率检测模块、位移检测模块、挠度检测模块、裂缝检测模块、温度检测模块、湿度检测模块和风速检测模块等。

基于随机森林算法的城市轨道交通关键设备预测方法包括以下步骤：

步骤1、轨道交通运行设备数据采集。

具体的，在所述对到交通运行设备为桥梁设备时，利用数据采集模块用于对轨道交通桥梁设备的监测传感器实时数据采集。对桥梁设备的监测包括桥梁内部结构实时监测和桥梁外部环境实时监测，其中，桥梁内部结构监测包括加速度、压力、索力、振动、结构温度、挠度和裂缝；桥梁外部环境监测包括温度、湿度和风速。本示例以某区域桥梁为例，选定时间段设置为3个月，共选取五个不同测点位置，主跨跨中上侧、主跨1/4等分点上侧、墩横梁正中，如图3所示，表1为测点1在3个月内的某区域桥梁的统计测量数据示例。在3个月内的测量数据中结构位移、温度、支座位移的采样频率为1次/s，共计有7776853个采样数据点，而加速度、压力、风速传感器的采样频率是50Hz，采样数据达到388500231个。

表1统计测量数据示例

步骤2、轨道交通运行设备的数据处理。利用数据处理模块对采集数据进行数据处理，数据处理包括数据清洗和特征提取。数据清洗包括对采集数据缺失值处理、异常值处理、重复值处理和去噪处理。特征提取包括：从经过数据清洗的采集数据中，筛选出对轨道交通运行设备的状态具有显著影响的数据特征(即数据的种类，例如频率数据、压力数据等)。

在采集数据过程中，由于实际采样间隔过短，数据在一段时间内的数值是恒定的。针对数据清洗的数值重复值处理，本示例首先对所有采集的数据进行分析，分析结果为桥梁各传感器数据符合正态分布，且不同特征(不同种类的数据)之间大部分具有一定线性关系，因此在处理重复值之前，对特征计算皮尔逊系数，具体计算公式为：

针对特征提取：轨道交通运行设备特征筛选，根据目标桥梁设备状态，判断目标传感器数据变化，进行特征筛选。例如预测桥梁振幅加速度状态，随着桥梁振幅性能状态下降，其振动频率会加快。其它特征状态值提取，采用类似的方法进行。本示例采取熵值法，首先定义两组数据的互信息，互信息可以用公式

利用数据存储模块将各个检测模块异常状态下和正常状态下输出的异常数据、正常数据分别进行存储。

步骤3、轨道交通运行设备故障预测，如图4所示，轨道交通运行设备故障预测模型的建立步骤如下：

步骤S410：确定模型的输入输出：运行设备故障预测模型输入为经过数据处理和特征筛选之后的采集数据中对振幅加速度影响显著的特征，包括振动频率、挠度以及竖向位移；运行设备故障预测模型的输出为桥梁振幅加速度。

步骤S420：构造CART回归树：将所有筛选出来的采集数据放在根节点，在这些数据中选择最优特征，将根节点二分为两个内部节点，内部节点接着划分特征，最终将采集数据划分为有限个子集。子集的划分过程如下：对于所有输入的特征向量，选择第j个特征向量x

步骤S430：采用剪枝算法优化构建的回归树。采用PEP剪枝防止回归树出现过拟合的现象。

步骤S440：构造随机森林，实现轨道交通运行设备故障预测：随机森林是由一系列回归树组成的，根据Bagging集成方法来提高算法的准确度，图5为轨道交通运行设备故障预测模型的结构示意图。具体步骤如下：从提取的桥梁监测指标样本集中有放回地随机抽取k组数据，作为每棵子树的训练集，每组数据的数据量相同，作为回归树的输入数据。将抽取的k个训练集组成k棵回归树，每棵回归树依据步骤S220方法进行分裂，得到对应的回归预测数据，共得到k组结果。采用平均的方法，将k棵回归树的预测结果综合平均，得到最终的预测结果，即

本示例提出的方法充分挖掘了采集的传感数据潜在的信息，通过经验发现数据中的价值，对设备运行状态趋势进行预测，且通过预测性维修可以定位故障原因，确保质量，节约成本、提高效率，改变了传统的维修方法带来的维护效率低，设备停机时间长，运营成本高以及安全方面等问题。

下面继续说明本发明实施例提供的轨道交通设备状态预测装置，在一些实施例中，轨道交通设备状态预测装置可采用软件模块的方式实现。参见图7，图7是本发明实施例提供的轨道交通设备状态预测装置的结构示意图，本发明实施例提供的轨道交通设备状态预测装置700包括：

数据采集单元710，用于获取目标设备在预设时段内的监测数据；其中，所述监测数据包括：所述目标设备的传感数据和所述目标设备的外部环境的传感数据；

数据处理单元720，用于根据所述目标设备的待预测状态，从所述监测数据中筛选出特征数据集，所述特征数据集为与所述目标设备的待预测状态的关联性达到预设范围的监测数据的集合；

预测单元730，用于利用预测模型处理所述特征数据集，得到所述待预测状态对应的预测结果；其中所述预测模型是基于随机森林回归算法构建的。

在一些实施例中，所述数据处理单元，包括：

数据清洗单元，用于对所述监测数据进行数据清洗，得到有效监测数据，其中所述数据清洗至少包括：重复值处理；

特征处理单元，用于根据熵值法，基于所述有效监测数据对应的互信息从所述有效监测数据中筛选出所述所述特征数据集。

在一些实施例中，所述数据清洗单元，具体用于根据皮尔逊系数，剔除与所述待预测状态相关性系数低于预设值的所述监测数据；根据滑动窗口以及预设欧氏距离阈值，对经过剔除处理后的监测数据进行筛选；对筛选后的所述监测数据进行下采样，得到所述有效监测数据。

在一些实施例中，所述预测单元，还用于：根据集成学习方法以及所述特征数据集，随机生成与所述特征数据集容量相同的k个特征数据子集；k为大于1的整数；根据每个特征数据子集，构建k个与所述特征数据子集一一对应的回归树模型；将k个所述特征数据子集分别输入对应的所述回归树模型，得到k组预测数据；根据所述k组预测数据的平均值，确定所述预测结果。

在一些实施例中，所述装置还包括：确定单元，用于根据所述目标设备的结构信息确定监测点的位置信息，所述监测点用于获取所述监测数据。

本发明实施例还提供一种电子设备，所述设备至少包括：处理器和配置为存储可执行指令的存储介质，其中：

处理器配置为执行存储的可执行指令，所述可执行指令配置为执行本发明实施例提供的轨道交通设备状态预测方法。

需要说明的是，图8为本申请实施例提供的一种电子设备结构示意图，如图8所示，该设备800至少包括：处理器810、通信接口820和存储器830，其中：

处理器810通常控制设备800的总体操作。

通信接口820可以使设备通过网络与其他设备通信。

存储器830配置为存储由处理器810可执行的指令和应用，还可以缓存待处理器810以及设备800中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述轨道交通设备状态预测方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例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中，包括若干指令用以使得一台服务器执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

对应地，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例提供的轨道交通设备状态预测方法中的步骤。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

当然，本申请实施例中的装置还可有其他类似的协议交互实现案例，在不背离本申请精神及其实质的情况下，本领域的技术人员当可根据本申请实施例做出各种相应的改变和变形，但这些相应的改变和变形都应属于本申请方法所附的权利要求的保护范围。

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和光学存储器等)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设备。

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设备的制造品，该指令设备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。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，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，如：多个模块或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的模块可以是、或也可以不是物理上分开的，作为模块显示的部件可以是、或也可以不是物理模块；既可以位于一个地方，也可以分布到多个网络模块上；可以根据实际的需要选择其中的部分或全部模块来实现本实施例方案的目的。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，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以所述权利要求的保护范围为准。