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，所描述的实施例仅仅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。

本发明针对现有技术动车组故障预测系统的缺陷，提供一种基于深度学习的神经网络的动车组牵引系统超温故障预测方法，根据降低牵引系统超温故障风险。

如图1所示，为本发明提供了一种动车组牵引系统超温故障预测方法的流程图，其包括：

步骤S101，获取动车组车载数据和天气温度数据；

步骤S102，根据所述的车载数据、天气温度数据以及预先训练的神经网络超温预警模型确定在不同维修条件下的牵引系统温度；所述的神经网络超温预警模型为预先根据历史车载数据和历史天气温度数据进行神经网络训练得到的模型；

步骤S103，根据确定的不同维修条件下的牵引系统温度和牵引系统温度报警值进行超温故障预测。

本发明提供的动车组牵引系统超温故障预测方法，利用历史车载数据和历史天气温度数据进行神经网络训练得到神经网络超温预警模型，利用神经网络超温预警模型确定不同维修维修条件下的牵引系统温度，根据预测的牵引系统温度和牵引系统温度报警值，提供一种应用于动车组的牵引系统超温故障预测方法，可在动车组入动车所后的当晚，评估第二日的牵引系统超温故障风险，若识别出风险，当晚即开展牵引系统的散热装置清洁等预防性维修措施，避免第二日的牵引系统超温故障的发生，通过多因素多变量的信息融合，克服了阈值模型虚警率高的缺点，提升了模型预警准确性。

本发明实施例中，根据历史车载数据和历史天气温度数据进行神经网络训练确定神经网络超温预警模型；其中，包括：

按预设的采样率对所述的历史车载数据和历史天气温度数据进行采样确定电机电流平方、列车速度、环境温度、牵引系统温度及维修系数的训练样本数据；

根据列车速度和牵引系统温度数据确定牵引系统通风量训练样本数据；

将电机电流的平方、列车速度、环境温度、维修系数、牵引系统通风量作为神经网络模型的输入训练样本数据，所述牵引系统温度作为神经网络模型的输出训练样本数据，对GRU神经网络模型进行训练，确定神经网络超温预警模型。

具体的，本发明实施例中，根据历史车载数据进行神经网络训练确定神经网络超温预警模型包括：

步骤一，提取一预设时段的动车组历史MVB车载数据，筛选出牵引电机定子T_motor、牵引变流器冷却水温T_converter、列车速度v、电机电流I_motor、环境温度T_environment，本发明实施例中，车载数据数据的采样率为5Sample/s；通过资料提取提供的动车组牵引系统散热装置维修清洁数据F_maintain，简化为三种状态作为历史维修系数，即0代表前一晚未进行散热系统维修清洁，1代表清扫或吹风等普通清洁，2代表拆卸清洗等深度清洁。本发明实施例中，所述的车载数据包括：电机电流、列车速度、牵引系统温度数据及预设的维修系数。本实施例中，根据动车组历史MVB车载数据确定所需车载数据。

本实施例中，牵引系统温度数据包括：牵引电机定子T_motor、牵引变流器冷却水温T_converter，即本实施例中，可分别利用牵引电机定子T_motor、牵引变流器冷却水温T_converter，对牵引电机定子和牵引变流器进行温度预警，从而实现对动车组牵引系统温度预警。

步骤二，对采集的数据作进一步的数据预处理作为神经网络模型的训练数据；本实施例中神经网络模型的训练数据具体包括：散热系统维修数据F_maintain,电机电流平方值列车速度v，牵引变流器的风机通风量Q_motor，环境温度T_environment五个特征量作为输入以牵引变流器冷却水温度值T_convert。

动车组MVB车载数据原采样率为5Sample/s，本实施例中，进行重采样，采样率为1Sample/s，获得重采样后的牵引电机定子温度T_motor、列车速度v及电机电流I_motor；

电机电流I_motor平方处理后得到作为神经网络模型的训练数据之一；

本实施例中，散热系统通风量数据Q通过电机和牵引电机定子温度T_motor、动车组速度v进行判断获得，具体规则如下：

牵引电机通风量采用如下规则确定：

如果列车速度10≤v＜60km/h，T_motor＞85℃，则牵引电机的风机通风量为：Q_motor＝2.5m³/s；

如果列车速度v≥60km/h，T_motor＞140℃，则牵引电机的风机通风量为：Q_motor＝5m³/s；

如果列车速度v＜10km/h，则牵引电机的风机通风量为：Q_motor＝0m³/s。

牵引变流器通风量采用如下规则确定：

如果列车速度1＜v＜65km/h或35≤T_converter＜45℃，则牵引变流器的风机通风量为：Q_converter＝2.5m³/s；

如果列车速度v≥65km/h或T_converter＞45℃，则牵引变流器的风机通风量为：Q_converter＝5m³/s；

如果列车速度v＜1km/h，则牵引变流器的风机通风量为：Q_converter＝0m³/s。

通风量Q采样率应设置也为1Sample/s。

将通过上述步骤二中变流器散热系统维修数据F_maintain，电机电流平方值列车速度v，牵引电机的通风量Q_convert，环境温度T_environment五个特征量作为输入，以牵引变流器冷却温度值T_convert为输出，训练构建GRU神经网络超温预警模型(，具体步骤如下：

1、构建以步骤二得到的特征值为输入，以牵引变流器冷却水温度值为输出的GRU神经网络。

本发明实施例中，模型训练参数初始设置包括：隐藏节点设置为200个，特征量为5，输出为1，梯度临界值为1，初始学习率0.005，学习速率下降周期1.25，学习速率下降因子0.2。

2、将训练样本输入GRU神经网络，迭代次数最大250次，达到250次后完成训练。

3、利用三天未参与训练的特征值作为预测样本，输入到已训练完成的GRU神经网络，得到输出值T_predict，将T_predict与实际T_real进行比较，计算均方根RMSE误差，RMSE计算公式如下：

4、当RMSE≤1.5℃，GRU神经网络模型训练完成，当RMSE＞1.5℃，隐藏节点增加50个，继续按照1-3开展训练，直至RMSE≤1.5℃停止训练，取最近一次GRU神经网络模型。

本发明实施例中，牵引电机的温度模型构建方法与牵引变流器的温度模型构建方法相同，即将通过上述步骤二中变流器散热系统维修数据F_maintain，电机电流平方值列车速度v，牵引电机的通风量Q_motor，环境温度T_environment五个特征量作为输入，以牵引变流器冷却温度值T_motor为输出，训练构建GRU神经网络超温预警模型，具体训练步骤同牵引变流器的温度模型的训练过程，在此不再赘述。

本发明实施例中，所述的根据所述的车载数据、天气温度数据以及预先训练的神经网络超温预警模型确定在不同维修条件下的牵引系统温度包括：

根据所述车载数据确定维修系数、电机电流的平方值、牵引系统的通风量、列车速度；

将所述维修系数、电机电流的平方值、牵引系统的通风量、列车速度及天气温度数据作为神经网络超温预警模型的输入，确定不同维修条件下的牵引系统温度。

训练好的GRU神经网络模型后输入第二天运营线路数据，天气预报数据，利用仿真的方法根据运营线路数据和天气预报数据分别预测电机电流、动车组速度，牵引变流器的风机通风量，环境温度等，当晚的变流器散热系统维修数据F_maintain分别设置为0，1和2。即实现根据所述车载数据确定维修系数、电机电流的平方值、牵引系统的通风量、列车速度。

F_maintain分别设置为0，1和2，将其余4个仿真预测特征量输入到GRU神经网络模型中，分别得到T_predict0，T_predict1，T_predict2。即将所述维修系数、电机电流的平方值、牵引系统的通风量、列车速度及天气温度数据作为神经网络超温预警模型的输入，确定不同维修条件下的牵引系统温度。

本实施例中，当T_predict0，T_predict1，T_predict2都小于车载变流器车载报警值，即当晚不进行变流器散热装置清洁；

当T_predict0，T_predict1，T_predict2其中有1个值大于车载变流器车载报警值，当晚进行变流器散热装置普通清洁；

当T_predict0，T_predict1，T_predict2有2个或3个值大于车载变流器车载报警值，当晚进行变流器散热装置深度清洁。

即本发明实施例中，所述的根据确定的不同维修条件下的牵引系统温度和牵引系统温度报警值进行超温故障预测包括：

根据确定的牵引系统温度和牵引系统温度报警值进行实时预警；和/或

根据确定的不同维修条件下的牵引系统温度和牵引系统温度报警值确定对动车组变流器散热装置的清洁操作。

本发明实施例可评估第二日的牵引系统超温故障风险，若识别出风险，当晚即开展牵引系统的散热装置清洁等预防性维修措施，避免第二日的牵引系统超温故障的发生，通过多因素多变量的信息融合，克服了阈值模型虚警率高的缺点，提升了模型预警准确性。

同时，输入模型的电机电流、动车组速度，牵引变流器的风机通风量，环境温度为实时数据时，对牵引系统温度进行实时预测，则可实现对牵引系统超温故障风险的实时预测报警。

本发明一实施例提供一动车组故障预测和健康管理系统实现本发明的动车组牵引系统超温故障预测方法，本发明实施例针对现有的缺陷，提供一种基于深度学习的GRU神经网络的温度预测方法，降低牵引系统超温故障风险。具体步骤如下：

步骤一，数据筛选：

提取一年52周，每周三天的动车组MVB车载数据，筛选出牵引电机定子温度值T_motor、牵引变流器冷却水温T_converter、列车速度v、电机电流I_motor、环境温度T_environment，该类型数据的采样率为5Sample/s；

提取各个铁路局运用部门提供的动车组牵引系统散热装置维修清洁数据F_maintain，简化为三种状态，即0代表前一晚未进行散热系统维修清洁，1代表清扫或吹风等普通清洁，2代表拆卸清洗等深度清洁。

步骤二，数据预处理：

动车组MVB车载数据原采样率为5Sample/s，进行重采样，采样率为1Sample/s，电机电流I_motor平方处理后得到散热系统通风量数据Q通过电机和变流器的实时温度、动车组实时速度进行判断：

牵引电机通风量采用如下规则确定：

如果列车速度10≤v＜60km/h，T_motor＞85℃，则牵引电机的风机通风量为：Q_motor＝2.5m³/s；

如果列车速度v≥60km/h，T_motor＞140℃，则牵引电机的风机通风量为：Q_motor＝5m³/s；

如果列车速度v＜10km/h，则牵引电机的风机通风量为：Q_motor＝0m³/s。

牵引变流器通风量采用如下规则确定：

如果列车速度1＜v＜65km/h或35≤T_converter＜45℃，则牵引变流器的风机通风量为：Q_converter＝2.5m³/s；

如果列车速度v≥65km/h或T_converter＞45℃，则牵引变流器的风机通风量为：Q_converter＝5m³/s；

如果列车速度v＜1km/h，则牵引变流器的风机通风量为：Q_converter＝0m³/s。

通风量Q采样率应设置也为1Sample/s。

如图2所示，为本实施例中进行数据筛选和预处理的示意图。根据动车组MVB的通信协议，进行解析，并筛选出目标参数。8编组动车组有4台变流器，4条变流器冷却水温数据，速度信号1个，电机16台，16条电机电流数据，环境温度只有1条。数据重采样的目的是减小计算量，提升深度学习神经网络的训练速度，应从5Sample/s重采样为1Sample/s。牵引变流器的风机通风量是车载固有逻辑，通过速度和变流器水温可推导得出，变流器散热装置的维修数据可查阅各个动车所的维修履历数据。

步骤三：将步骤二中变流器散热系统维修数据F_maintain，电机电流平方值列车速度v，牵引变流器的风机通风量Q_convert，环境温度T_environment五个特征量作为输入，以牵引变流器冷却水温度值Q_convert为输出构建GRU神经网络超温预警模型(牵引电机的温度模型构建方法相同，不在赘述)，其具体步骤如下：

1.构建以步骤二得到的特征值为输入，以牵引变流器冷却水温度值为输出的GRU神经网络，隐藏节点设置为200个，特征量为5，输出为1，梯度临界值为1，初始学习率0.005，学习速率下降周期1.25，学习速率下降因子0.2；

2.将训练样本输入GRU神经网络，迭代次数最大250次，达到250次后完成训练。

3.利用三天未参与训练的特征值作为预测样本，输入到已训练完成的GRU神经网络，得到输出值T_predict，将T_predict与实际T_real进行比较，计算均方根RMSE误差，其中，RMSE计算公式如下：

4.当RMSE≤1.5℃，GRU神经网络模型训练完成，当RMSE＞1.5℃，隐藏节点增加50个，继续按照1-3开展训练，直至RMSE≤1.5℃停止训练，取最近一次GRU神经网络模型。

如图3所示，为本实施例中进行神经网络训练的示意图。其中，本实施例的模型中，建立5输入1输出，节点数量为200个的GRU神经网络，隐藏节点设置为200个，特征量为5，输出为1，梯度临界值为1，初始学习率0.005，学习速率下降周期1.25，学习速率下降因子0.2，迭代次数最大250次，达到250次后完成训练，计算RMSE值，如小于1.5℃即训练完成，如果大于1.5℃，即每次提升50个节点数，直至小于1.5℃训练完成。

步骤四：将训练好的GRU神经网络模型部署在动车组故障预测和健康管理系统中，在动车组入库后，输入第二天运营线路数据，天气预报数据，分别通过仿真预测电机电流、动车组速度，牵引变流器的风机通风量，环境温度等，对本领域技术人员而言，利用运营线路数据，天气预报数据结合动车组参数数据通过仿真技术即可预测确定电机电流、动车组速度，牵引变流器的风机通风量，环境温度，在此不再赘述。

本实施例中，当晚的变流器散热系统维修数据F_maintain分别设置为0，1和2。

步骤五：F_maintain分别设置为0，1和2，将其余4个仿真预测特征量输入到GRU神经网络模型中，分别得到T_predict0，T_predict1，T_predict2。

当T_predict0，T_predict1，T_predict2都小于车载变流器车载报警值，即当晚不进行变流器散热装置清洁；

当T_predict0，T_predict1，T_predict2其中有1个值大于车载变流器车载报警值，当晚进行变流器散热装置普通清洁；

当T_predict0，T_predict1，T_predict2有2个或3个值大于车载变流器车载报警值，当晚进行变流器散热装置深度清洁。

如图4所示，为本实施例中利用训练的审计网络模型进行预测的示意图。将训练好的GRU神经网络模型部署在动车组故障预测和健康管理系统中，在动车组入库后，输入第二天运营线路数据，天气预报数据，分别预测电机电流、动车组速度，牵引变流器的风机通风量，环境温度等通风量，当晚的变流器散热系统维修数据F_maintain分别设置为0，1和2，将特征值输入到GRU神经网络中，得到的变流器水温值与车载报警值进行比较，根据比较结果，对牵引系统散热装置采取相应的预防性维修措施。

本发明是利用动车组车载存储的牵引系统温度值、列车速度、电机电流、环境温度、散热系统通风量数据、每日在动车所开展散热装置清理、滤网吹风清洁、滤网清洗清洁等维修工序的情况，训练深度学习GRU神经网络，然后将其部署到动车组大数据系统中，在动车组当日完成运行任务回到动车所后，导入第二天将运行的线路数据，目标速度以及天气预报温度，获得预测后的列车速度、电机电流、环境温度、散热系统通风量，输入到深度学习GRU神经网络中，评估第二日的牵引系统超温故障风险，若识别出风险，当晚即开展牵引系统的散热装置清洁等预防性维修措施，避免第二日的牵引系统超温故障的发生。

同时，本发明还提供一种动车组牵引系统超温故障预测装置，如图5所示，包括：

数据获取模块501，用于获取动车组车载数据和天气温度数据；

神经网络处理模块502，用于根据所述的车载数据、天气温度数据以及预先训练的神经网络超温预警模型确定在不同维修条件下的牵引系统温度；所述的神经网络超温预警模型为预先根据历史车载数据和历史天气温度数据进行神经网络训练得到的模型；

预警处理模块503，用于根据确定的不同维修条件下的牵引系统温度和牵引系统温度报警值进行超温故障预测。

如图6所示，本发明实施例中，所述的装置还包括：模型训练模块504，用于根据历史车载数据和历史天气温度数据进行神经网络训练确定神经网络超温预警模型。

进一步，如图7所示，模型训练模块504包括：

采样单元5041，用于按预设的采样率对所述的历史车载数据和历史天气温度数据进行采样确定电机电流平方、列车速度、环境温度、牵引系统温度及维修系数的训练样本数据；

通风量样本数据确定单元5042，用于根据列车速度和牵引系统温度数据确定牵引系统通风量训练样本数据；

训练单元5043，用于将电机电流的平方、列车速度、环境温度、维修系数、牵引系统通风量作为神经网络模型的输入训练样本数据，所述牵引系统温度作为神经网络模型的输出训练样本数据，对GRU神经网络模型进行训练，确定神经网络超温预警模型。

如图8所示，本发明实施例中，所述的神经网络处理模块502包括：

数据处理单元5021，用于根据所述车载数据确定维修系数、电机电流的平方值、牵引系统的通风量、列车速度；

模型处理单元5022，用于将所述的维修系数、电机电流的平方值、牵引系统的通风量、列车速度及天气温度数据作为神经网络超温预警模型的输入，确定不同维修条件下的牵引系统温度。

如图9所示，本发明实施例中，预警处理模块503包括：

实时预警单元5031，用于根据确定的牵引系统温度和牵引系统温度报警值进行实时预警；

清洁操作预警单元5032，用于根据确定的不同维修条件下的牵引系统温度和牵引系统温度报警值确定对动车组变流器散热装置的清洁操作。

同时，本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照前述方法及装置的实施例，其内容被合并于此，重复之处不再赘述。

图10为本发明实施例的电子设备600的系统构成的示意框图。如图10所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，动车组牵引系统超温故障预测功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：

获取动车组车载数据和天气温度数据；

根据所述的车载数据、天气温度数据以及预先训练的神经网络超温预警模型确定在不同维修条件下的牵引系统温度；所述的神经网络超温预警模型为预先根据历史车载数据和历史天气温度数据进行神经网络训练得到的模型；

根据确定的不同维修条件下的牵引系统温度和牵引系统温度报警值进行超温故障预测。

其中，所述的车载数据包括：电机电流、列车速度、牵引系统温度数据及预设的维修系数。

其中，所述的方法包括：根据历史车载数据和历史天气温度数据进行神经网络训练确定神经网络超温预警模型；其中，包括：

按预设的采样率对所述的历史车载数据和历史天气温度数据进行采样确定电机电流平方、列车速度、环境温度、牵引系统温度及维修系数的训练样本数据；

根据列车速度和牵引系统温度数据确定牵引系统通风量训练样本数据；

将电机电流的平方、列车速度、环境温度、维修系数、牵引系统通风量作为神经网络模型的输入训练样本数据，所述牵引系统温度作为神经网络模型的输出训练样本数据，对GRU神经网络模型进行训练，确定神经网络超温预警模型。

其中，所述的根据所述的车载数据、天气温度数据以及预先训练的神经网络超温预警模型确定在不同维修条件下的牵引系统温度包括：

根据所述车载数据确定维修系数、电机电流的平方值、牵引系统的通风量、列车速度；

将所述维修系数、电机电流的平方值、牵引系统的通风量、列车速度及天气温度数据作为神经网络超温预警模型的输入，确定不同维修条件下的牵引系统温度。

其中，所述的根据确定的不同维修条件下的牵引系统温度和牵引系统温度报警值进行超温故障预测包括：

根据确定的牵引系统温度和牵引系统温度报警值进行实时预警；和/或

根据确定的不同维修条件下的牵引系统温度和牵引系统温度报警值确定对动车组变流器散热装置的清洁操作。

在另一个实施方式中，动车组牵引系统超温故障预测装置可以与中央处理器100分开配置，例如可以将动车组牵引系统超温故障预测装置配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现动车组牵引系统超温故障预测功能。

如图10所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图10中所示的所有部件；此外，电子设备600还可以包括图10中没有示出的部件，可以参考现有技术。

如图10所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。

其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。

输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。

存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。

本发明实施例还提供一种计算机可读程序，其中当在电子设备中执行所述程序时，所述程序使得计算机在所述电子设备中执行如上面实施例所述的动车组牵引系统超温故障预测方法。

本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在电子设备中执行上面实施例所述的动车组牵引系统超温故障预测。

以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此所附权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。