具体实施方式

以下结合附图对本申请实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。

本申请实施例提供的用于确定开关故障类型的方法，可以应用于如图1所示的应用环境中。如图1所示，智能开关102通过网络与处理器104通过网络进行通信。智能开关102可以通过网络，将其在实际运行过程中所对应的实时运行数据上传至处理器104，处理器104可以对实时运行数据进行预处理，再将预处理后的实时运行数据输入至故障识别模型，以确定出该智能开关102的故障类型。智能开关102是电力系统中重要的设备之一，具有控制和保护电力系统的双重功能，可用于分配电能，对电源线路及电动机等进行保护。

图2示意性示出了根据本申请实施例的用于确定开关故障类型的方法的流程示意图。如图2所示，在本申请一实施例中，提供了一种用于确定开关故障类型的方法，包括以下步骤：

步骤201，获取开关的实时运行数据。

步骤202，对实时运行数据进行预处理。

步骤203，将预处理后的实时运行数据输入至故障识别模型。

步骤204，通过故障识别模型确定开关的故障类型。

开关可以是智能开关，具备通信功能，具有控制和保护电力系统的双重功能，可用于分配电能，对电源线路及电动机等进行保护。当电力系统发生严重的过载或者短路、欠压及断路等故障时能自动切断电路，其功能相当于熔断器式开关与过欠热继电器等的组合。智能开关被广泛应用于如配电系统、电力输送系统以及用电设备中，用来保护用电设备和电缆等。本申请中的智能开关具备通信功能，可将自身在使用过程中的实时运行数据传输至处理器。具体地，实时运行数据可以包括智能开关获取到的电流、电压、电流谐波、电压谐波和接头温度中的至少一者。其中，接头温度是指开关的温度，可以通过温度传感器采集得到，温度传感器可以安装在开关上，以便可以实时采集到开关的温度。

处理器在获取到智能开关的实时运行数据后，可以对实时运行数据进行预处理，通过预处理的过程可以将实时运行数据中包括的多个运行参数进行归一化。

在一个实施例中，对实时运行数据进行预处理包括：将实时运行数据中包含的运行参数进行归一化处理，以将运行参数缩放至预设范围内。

智能开关在实际运行中，可能发生的故障类型有多种，如过载、短路、欠压、断路等。在发生每种故障类型时，智能开关所对应的实时运行数据会有对应的变化。因此，可以理解的是，根据智能开关的实时运行数据即可分析出智能开关是否发生了故障，以及发生的故障类型。例如，假设有N种不同的故障类型(过载、短路、欠压、断路等)，每种故障类型特征数量为M种。{m₁,m₂,m₃...m_M}∈M，其中m₁为智慧开关获取到的电压，m₂为智能开关获取到的电流，m₃为智慧开关获取到的电压谐波等数据。利用min-max标准化方法可以对这些实时运行数据进行预处理，将特征数据缩放到[0,1]或者[-1,1]范围内，以对数据实现标准化处理。

在一个实施例中，对实时运行数据进行预处理包括：根据公式(1)将所述实时运行数据缩放到预设范围内：

其中，x为实时运行数据，x′为预处理后的数据，A_min和A_max分别是x中的最小值和最大值。

对实时运行数据进行预处理后，处理器可以将预处理后的实时运行数据输入至故障识别模型，故障识别模型则可以对输入的实时运行数据进行特征提取，并根据提取出的特征对智能开关的故障类型进行预测。故障识别模型可以是神经网络模型，例如可以包括反向传播神经网络。

在一个实施例中，通过故障识别模型确定开关的故障类型包括：获取故障识别模型输出的故障类型和与每个故障类型对应的预测概率；将最大的预测概率对应的故障类型确定为开关的故障类型。

故障识别模型的输入数据为经过预处理后的实时运行数据。故障识别模型的输出数据为预测的多个故障类型和每个故障类型对应的预测概率。例如，故障识别模型的输出为：过载(20％)、短路(85％)、欠压(60％)、断路(75％)，这一输出表明，故障识别模型根据输入的数据判断智能开关发生过载故障的概率为20％，发生短路故障的概率为85％，发生欠压故障的概率为(60％)，发生断路故障的概率为75％。此时，可以将数值最大的预测概率对应的故障类型确定为智能开关的故障类型，例如，将上述例子中数值最大的85％对应的短路确定为智能开关的故障类型。

进一步地，在一个实施例中，上述方法还包括：将故障类型的预测概率与预设概率阈值进行比较；在故障类型的预测概率大于预设概率阈值的情况下，执行与故障类型对应的保护动作。

在通过故障识别模型确定出智能开关的故障类型后，还需要确定是否对该故障进行处理。例如，假设故障识别模型的输出为：过载(20％)、短路(40％)、欠压(35％)、断路(55％)。此时，可以确定出预测概率数值最大的55％所对应的断路是故障识别模型判定出开关可能发生的故障类型。在实际过程中还需要考虑的是，这一结论之后的处理过程。当智能开关发生断路故障的概率为55％时，表明该智能开关并不一定是真正的发生了断路，因此，还需要进一步对故障识别模型的预测结果进行再一次的确认。具体地，可以预先设定一个预设概率阈值，再将最终确定的故障类型的预测概率与该预设概率阈值进行比较。若最终确定的故障类型的预测概率大于预设概率阈值，则可以确定该智能开关确实发生了故障，需要对智能开关执行与该故障类型对应的保护动作；反之，则确定该智能开关未发生故障，无需执行相应的保护动作。例如，根据上述的例子，可以将预测概率数值最大的55％所对应的断路故障确定为故障识别模型的最终预测结果。即，根据故障识别模型确定智能开关发生故障的类型为断路。此时，再将断路所对应的预测概率55％与预设概率阈值85％进行比较。明显地，开关的故障类型的预测概率55％小于预设概率阈值85％，此时无需对智能开关执行相应的保护动作。假设，若断路所对应的预测概率为90％，此时开关的故障类型的预测概率90％小于预设概率阈值85％，那么则需要对智能开关执行相应的保护动作，以处理智能开关发生的断路故障。

在一个实施例中，执行与故障类型对应的保护动作包括：在数据库中查找与故障类型对应的保护动作；在查找到与故障类型对应的保护动作的情况下，对开关执行对应的保护动作。

为了在确定出智能开关的故障类型后，可以对故障进行有效地处理，智能开关进行有效地保护，可以根据历史经验与历史的操作处理建立对应的数据库。数据库中包含有在智能开关在发生每个故障类型时所可以采取的保护动作。例如，确定智能开关在发生过载故障时，可以采取的保护动作为A；智能开关在发生短路故障时，可以采取的保护动作为B；智能开关在发生欠压故障时，可以采取的保护动作为C；智能开关在发生断路故障时，可以采取的保护动作为D，等等。在确定故障类型的预测概率大于预设概率阈值的情况下，可以在数据库中查找是否包含有与该故障类型对应的保护动作。若在数据库中查找到与该故障类型对应的保护动作，则可以对智能开关执行数据库中存储的与该故障类型对应的保护动作。反之，若是在数据库中未查找到与该故障类型对应的保护动作，则可以将智能开关的实时运行数据上传至服务器，即上传至远程控制中心，以通过远程中心对与该智能开关相关的用电设备进行监测和/或控制。具体地，可以通过远程4G或5G通讯接口将智能开关的实时运行数据推送至远程控制中心，以实现对用电设备的在线监测和远程控制。

上述用于确定开关故障类型的方法，通过获取开关的实时运行数据，对实时运行数据进行预处理，将预处理后的实时运行数据输入至故障识别模型，通过故障识别模型确定开关的故障类型。该方法基于深度学习技术构建深度神经网络模型，通过神经网络模型输出智能开关的故障类型并对智能开关执行进行相应的保护动作，实现对保护线路及用电设备以精准、可靠的保护，还能够及时发现电气线路的超温、过载、短路和接地等安全隐患，并快速动作，实现保护智能化。相较于传统的开关只有短路故障保护功能，存在功能单一、测量精度低，通电前没有预检功能，通电过程中没有检测功能，不能确定故障原因和位置，不具备通讯能力，无状态告警，断电额定电流大，故障产生时容易产生高温、电火花，故障排除后需要人工合闸通电等问题，且传统的配电保护方案需要主站下达控制命令，而主站需要处理的信息量非常大，不能及时的作出决策，且受通信延迟等影响，无法实现故障的及时处理和精细化管理，无法满足智能电网建设的需求。而本申请中的智能开关可以主动获取到与之连接的电路和各个用电设备的各个电力参数，并通过故障识别模型可以准确地确定出电路和用电设备发生的故障类型，以可以快速地进行相应的保护动作，能够精准、可靠地保护线路及用电设备，及时发现电气线路的超温、过载、短路和接地等安全隐患，快速动作，实现保护的智能化，也提高了用户的用电安全性。

在一个实施例中，如图3所示，也提供了一种用户确定开关故障类型的方法，包括：

步骤301，获取开关的实时运行数据。

步骤302，将实时运行数据中包含的运行参数进行归一化处理，以将运行参数缩放至预设范围内。

步骤303，将预处理后的实时运行数据输入至故障识别模型。

步骤304，获取故障识别模型输出的故障类型和与每个故障类型对应的预测概率。

步骤305，将最大的预测概率对应的故障类型确定为开关的故障类型。

步骤306，将故障类型的预测概率与预设概率阈值进行比较。

步骤307，在故障类型的预测概率大于预设概率阈值的情况下，在数据库中查找与故障类型对应的保护动作。

步骤308，判断是否查找到与故障类型对应的保护动作，若是，执行步骤309；若否，执行步骤310。

步骤309，对开关执行对应的保护动作。

步骤310，将实时运行数据上传至远程控制中心，以通过远程中心对开关进行监测和/或控制。

智能开关具备通信功能，可将自身在使用过程中的实时运行数据传输至处理器。具体地，实时运行数据可以包括智能开关获取到的电流、电压、电流谐波、电压谐波和接头温度中的至少一者。智能开关在实际运行中，可能发生的故障类型有多种，如过载、短路、欠压、断路等。在发生每种故障类型时，智能开关所对应的实时运行数据会有对应的变化。因此，可以理解的是，根据智能开关的实时运行数据即可分析出智能开关是否发生了故障，以及发生的故障类型。处理器在获取到智能开关的实时运行数据后，可以对实时运行数据进行预处理，通过预处理的过程可以将实时运行数据中包括的多个运行参数进行归一化。对故障识别模型的样本数据进行标准化处理，可以消除数据的不一致性，减小计算量，加快故障识别模型的收敛速度。同时通过权重向量矩阵对训练数据进行加权，可以使得对模型有利的指标被强化，对模型不利的指标被弱化，从而实现对故障类型的精确识别。

对实时运行数据进行预处理后，处理器可以将预处理后的实时运行数据输入至故障识别模型，故障识别模型则可以对输入的实时运行数据进行特征提取，并根据提取出的特征对智能开关的故障类型进行预测。故障识别模型可以是神经网络模型，例如可以包括反向传播神经网络。反向传播神经网络可以是BP神经网络。故障识别模型的输入数据为经过预处理后的实时运行数据。故障识别模型的输出数据为预测的多个故障类型和每个故障类型对应的预测概率，可以将数值最大的预测概率对应的故障类型确定为智能开关的故障类型。在通过故障识别模型确定出智能开关的故障类型后，还需要确定是否对该故障进行处理。处理器可以进一步对故障识别模型的预测结果进行再一次的确认，预先设定一个预设概率阈值，再将最终确定的故障类型的预测概率与该预设概率阈值进行比较。在确定故障类型的预测概率大于预设概率阈值的情况下，可以在数据库中查找是否包含有与该故障类型对应的保护动作。若在数据库中查与该故障类型对应的保护动作，则可以对智能开关执行数据库中存储的与该故障类型对应的保护动作。反之，若是在数据库中未查找到与该故障类型对应的保护动作，则可以将智能开关的实时运行数据上传至服务器，即上传至远程控制中心，以通过远程中心对与该智能开关相关的用电设备进行监测和/或控制。

进一步地，还可以在通过故障识别模型确定出智能开关的故障类型后，将最终确定的故障类型的预测概率与该预设概率阈值进行比较，并确定二者之间的差值。根据差值可以确定出故障的等级。具体地，在最终确定的故障类型的预测概率大于预设概率阈值，且预测概率与预设概率阈值之间的差值达到第一差值阈值的情况下，可以确定故障等级为高等级；在预测概率大于预设概率阈值，且预测概率与预设概率阈值之间的差值大于第二差值阈值且小于第一差值阈值的情况下，确定故障等级为中等级；在预测概率大于预设概率阈值，且预测概率与预设概率阈值之间的差值大于第三差值阈值且小于第二差值阈值的情况下，确定故障等级为低等级，其中第一差值阈值>第二差值阈值>第三差值阈值。然后，可以根据故障的等级来确定具体针对该故障的保护动作。相对应地，在数据库中存储有每个故障类型对应的保护动作时，也可以根据每个故障类型对应的等级来细分。例如，短路故障的故障等级有高、中、低三种，根据每个故障等级都存储有与其对应的保护动作。

在一个实施例中，在将故障识别模型投入至实际使用之前，可以先对故障识别模型进行训练，再使用训练好的故障识别模型对开关的故障类型进行确定。具体地，故障识别模型的训练步骤包括：获取多个开关的历史运行数据；对历史运行数据进行预处理；将预处理后的历史运行数据输入至故障识别模型中，以对故障识别模型进行训练。

开关的历史运行数据是指开关在历史一段时间上的运行数据，包括智能开关未发生故障时的运行数据，以及智能开关发生各种类型的故障时所对应的运行数据。因此，可以获取到多个智能开关的历史运行数据，并同样对获取到的多个历史运行数据进行预处理。此处对于历史运行数据的预处理操作与对实时运行数据的预处理操作可以是一致的，即对历史运行数据进行标准化处理，将历史运行数据中包含的多个运行参数缩放至预设范围内，例如[0,1]或[-1,1]。然后，将预处理后的历史运行数据输入至故障识别模型中，对故障识别模型进行训练。运行参数可以是指智能开关获取到的电力参数，例如智能开关获取到的电流、电压、电流谐波、电压谐波和接头温度。

在一个实施例中，将预处理后的历史运行数据输入至故障识别模型中，以对故障识别模型进行训练包括：通过故障识别模型的权重向量矩阵对历史运行数据进行加权计算，得到更新后的历史运行数据；通过更新后的历史运行数据调整故障识别模型的权值；确定故障识别模型的误差值；在误差值低于预设误差阈值的情况下，确定故障识别模型训练完毕。

在将预处理后的历史运行数据输入至故障识别模型中后，可以先通过故障识别模型的权重向量矩阵对电力参数进行进一步处理。通过构建出的数学模型揭示宏观数据中整体关联的行为微观特征，有利于把握更为本质的数据信息，对它有利的指标被强化，对它不利的指标被弱化，从而实现对故障类型的精确识别。具体地，在一个实施例中，权重向量矩阵的表达式被定义为如以下公式(7)所示：

其中，T_n表示为权重向量矩阵，r表示为特征值的权重。

经过权重向量矩阵对各个电力参数进行加权，即特征计算后，可以得到更新后的历史运行数据。例如，假设有N种不同的故障类型(过载、短路、欠压、断路等)，每种故障类型对应的特征数量为M种，即每个故障类型的电力参数是不同的，假设电力参数的种类为M，那么针对每种故障类型，其所对应的特征数量则为M。例如，m₁为智慧开关获取到的电压，m₂为智能开关获取到的电流，m₃为智慧开关获取到的电压谐波等数据，m_M为…，等等，且{m₁,m₂,m₃,...,m_M}∈M。也就是说，针对每一种故障类型，都有与其对应的特征集m_n，在每个故障类型对应的特征集m_n中，包含有M个电力参数，分别为m₁,m₂,m₃,...,m_M。针对任意一种故障类型所对应的特征集m_n，经过权重向量矩阵对其电力参数所组成特征集m_n的进行加权后，可得到对应的更新后的特征集m′_n。具体地，可以根据以下计算公式表示更新后的特征集m′_n:

m′_n＝m₁*r_1n+m₂*r_2n+…m_M*r_Mn，其中，r_1n，r_2n，…，r_Mn表示为与每个电力参数对应的权重。以此方式对电力参数进行加权计算后，可得到对应的更新后的历史运行数据。

在一个实施例中，故障识别模型包括反向传播神经网络，具体可以是BP神经网络。BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。采用BP神经网络算法模型，其主要是通过梯度下降法，利用反向传播，使得整个网络的误差最小。通过采集到的历史运行数据中包含的多个电力参数，对BP神经网络进行学习和训练，以完成模型的优化和训练过程。

在一个实施例中，故障识别模型包括输入层、隐藏层以及输出层。通过更新后的历史运行数据调整故障识别模型的权值包括：根据公式(2)和公式(3)调整故障识别模型每个网络层的权值：

Δw_jk＝ηy_j(d_j-y_j)(1-y_j)y_k 公式(2)；

其中，w_jk为隐含层神经元k与输出层神经元j之间的连接权值，v_ki为输入层神经元i与隐含层神经元k之间的连接权值，η为预设学习率，y_j表示网络层的输出结果，d_j为期望输出，y_k为隐含层的输出结果，x_i为输入层输入。

如图4所示，故障识别模型包括输入层(状态信息输入)、隐藏层(状态信息训练、学习)以及输出层(信息输出)，通过信息输入层输入上述的电力参数特征集中的数据信息。为达到一定的调节效果，对故障识别模型的每个网络层设置不同的权值或者阈值，以提高模型的训练精度，减少计算误差。故障识别模型可以是BP神经网络，BP神经网络主要包含前向传播和反向传播两个过程。假设输入层有n个神经元，用x_i(i＝1,2,3...,n)表示输入信号，输出层有m个神经元，用y_j(j＝1,2,3...,m)表示输出结果，隐含层有q个神经元，用z_k(k＝1,2,3...,q)表示中间计算结果。那么，BP神经网络的训练过程如图5所示，具体地，BP神经网络的训练过程如下：

1、初始化：

对各个网络层的权值矩阵v、w随机赋数，并将输入至BP神经网络中的样本数量p和BP的训练次数q设置为1，还可以将BP神经网络的误差E重置为零，将学习率η设为0至1内的小数，将BP神经网络训练后所达到的精度E_min设为一个大于零的小数。

2、输入训练数据，计算各层输出：

将历史运行数据输入至BP神经网络，并计算BP神经网络包含的各个网络层的输出。具体地，各个网络层的输出可以通过以下公式(4)和公式(5)确定：

其中，z_k表示中间计算结果，k的取值范围为[1，q]，q为隐藏层的神经元数量，y_j表示网络层的输出结果，j的取值范围为[1，m]，m为输出层的神经元数量，x_i表示网络层的输入数据，i的取值范围为[1，n]，n为输入层的神经元数量，f₁(x)为隐藏层的激励函数，f₂(x)为输出层的激励函数。其中，激励函数被定义为如公式(6)所示：

其中，θ₁为改变函数幅度值的参数，θ₂为改变变量弹性的参数，x为网络层的输入数据。

3、计算各个网络层的误差：

由于各个网络层在传递数据时，会存在一定的误差。即从y_j到z_k、z_k到x_i之间均会存在误差传递。假设输入至BP神经网络进行训练的训练样本数量为n：{(x(1),y(1)),(x(2),y(2)),...,(x(n),y(n))}。x(i)表示为表示网络层的输入信号，y(i)表示为表示网络层的输出结果，d(i)表示输入x(i)的期望输出，则BP网络的误差值E可由公式(8)计算得到：

其中，E为误差值，n为训练样本的数量，E(i)为第i个训练样本的训练误差。E(i)通过以下公式(9)计算得到：

其中，d(i)表示输入x(i)的期望输出，x(i)为故障识别模型的输入数据；k为隐含层神经元。

4、调整各个网络层的权值：

具体地，可以根据以下公式(2)和公式(3)调整故障识别模型每个网络层的权值：

Δw_jk＝ηy_j(d_j-y_j)(1-y_j)y_k 公式(2)；

其中，w_jk为隐含层神经元k与输出层神经元j之间的连接权值，v_ki为输入层神经元i与隐含层神经元k之间的连接权值，η为预设学习率，y_j表示网络层的输出结果，d_j为期望输出，y_k为隐含层的输出结果，x_i为输入层输入。

5、完成对全部的训练样本的训练：

在输入的样本数量p小于训练样本的总数量S的情况下，计数器p和q均增加1，以此方式，完成对全部样本的训练。在在输入的样本数量p大于训练样本的总数量S的情况下，则可以进入下一个步骤。

6、确定BP神经网络的总误差是否达到预设的精度标准：

在BP神经网络的误差值低于预设误差阈值的情况下，可以确定故障识别模型，即BP神经网络训练完毕。

在一个实施例中，上述方法还包括：将故障类型的实时运行数据加入至历史数据集中，以对历史数据集进行更新；通过更新后的历史数据集对故障类型进行训练。

在通过故障识别模型对智能开关的故障类型后，还可以将当前获取到的智能开关的实时运行数据加入至故障识别模型的训练数据集中，即将智能开关的实时运行数据加入至历史数据集中，以对故障识别模型的训练数据集进行更新，以丰富故障识别模型的训练数据，还可以通过更新后的训练集对故障类型进行训练，以完成对故障识别模型的优化，以提高故障识别模型的预测准确率。

本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述用于确定开关故障类型的方法。

在一个实施例中，提供了一种用于确定开关故障类型的装置，包括上述的处理器，可以通过处理器执行的用于确定开关故障类型的方法来确定出智能开关的故障类型，并对相关的电路和用电设备执行相应的保护动作。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现用于确定开关故障类型的方法。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述用于确定开关故障类型的方法。

在一个实施例中，也提供了一种配电设备，包括上述的用于确定开关故障类型的装置。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储智能开关的运行数据等。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于确定开关故障类型的方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现用于确定开关故障类型的方法的步骤。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下用于确定开关故障类型的方法步骤的程序。

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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。