发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的采油设备故障诊断方法及装置,方案如下:
本发明实施例公开了一种采油设备故障的诊断方法,包括:
获得第一油井的采油设备的示功图的参数值以及所述示功图的测量周期数据;
根据所述示功图的参数值以及所述测量周期数据获得所述第一油井的采油设备的二次特征值;其中,所述二次特征值用于表征与所述参数值不同类型工作参数的参数值;
将获得的所述示功图的参数值、所述测量周期数据以及所述二次特征值输入所述采油设备的故障诊断模型中,得到所述故障诊断模型输出的用于表征所述采油设备故障类型的诊断结果,其中,所述采油设备的故障诊断模型为对所述第一油井的采油设备的训练数据进行机器学习后得到的用于输出所述第一油井的采油设备故障类型的模型。
优选的,所述第一油井的采油设备的训练数据包括:
所述第一油井的采油设备在第一历史时间段内的表征有故障的第一历史示功图的参数值、所述第一历史示功图对应的第一历史测量周期数据和根据所述第一历史示功图的参数值、所述第一历史测量周期数据获得的所述第一油井的第一历史二次特征值以及第一历史示功图对应的故障特征类型;
和/或,与所述第一油井位于同一油气田开发区块的至少一个其他油井的采油设备在第二历史时间段内表征有故障的第二历史示功图的参数值、所述第二历史示功图对应的第二历史测量周期数据和根据所述第二历史示功图的参数值、所述第二历史测量周期数据获得的所述其它油井的第二历史二次特征值以及所述第二历史示功图对应的故障特征类型。
优选的,所述采油设备为抽油机。
优选的,所述对所述第一油井的采油设备的训练数据进行机器学习包括:
将多个历史时间段内的训练数据作为训练样本划分为训练集和验证集;
将所述训练集中的训练样本输入到多种机器学习模型中进行训练得到多个训练模型;
将验证集中的训练样本在得到的多个所述训练模型中分别进行验证得到多个验证结果;
确定多个所述验证结果中符合最优条件的一个训练模型作为第一油井的采油设备的故障诊断模型。
优选的,所述得到所述故障诊断模型输出的用于表征所述采油设备故障类型的诊断结果包括:
得到所述故障诊断模型输出的第一诊断结果,所述第一诊断结果用于表征所述采油设备处于非故障状态;
或,得到所述故障诊断模型输出的第二诊断结果,所述第二诊断结果用于表征所述采油设备的故障特征类型以及对应的故障可能性概率。
本发明另一方面公开了一种采油设备故障的诊断装置,包括:
第一获取单元,用于获得第一油井的采油设备的示功图的参数值以及所述示功图的测量周期数据;
第二获取单元,用于根据所述示功图的参数值以及所述测量周期数据获得所述第一油井的采油设备的二次特征值;其中,所述二次特征值用于表征与所述参数值不同类型工作参数的参数值;
故障诊断单元,用于将获得的所述示功图的参数值、所述测量周期数据以及所述二次特征值输入所述采油设备的故障诊断模型中,得到所述故障诊断模型输出的用于表征所述采油设备故障类型的诊断结果,其中,所述采油设备的故障诊断模型为对所述第一油井的采油设备的训练数据进行机器学习后得到的用于输出所述第一油井的采油设备故障类型的模型。
优选的,所述第一油井的采油设备的训练数据包括:
所述第一油井的采油设备在第一历史时间段内的表征有故障的第一历史示功图的参数值、所述第一历史示功图对应的第一历史测量周期数据和根据所述第一历史示功图的参数值、所述第一历史测量周期数据获得的所述第一油井的第一历史二次特征值以及第一历史示功图对应的故障特征类型;
和/或,与所述第一油井位于同一油气田开发区块的至少一个其他油井的采油设备在第二历史时间段内表征有故障的第二历史示功图的参数值、所述第二历史示功图对应的第二历史测量周期数据和根据所述第二历史示功图的参数值、所述第二历史测量周期数据获得的所述其它油井的第二历史二次特征值以及所述第二历史示功图对应的故障特征类型。
优选的,所述采油设备为抽油机。
本发明另一方面还公开了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在的设备执行上述所述的采油设备故障的诊断方法。
本发明另一方面还公开了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述所述的采油设备故障的诊断方法。
借由上述技术方案,本发明提供的一种采油设备故障诊断方法及装置,可以通过示功图的参数值、测量周期数据以及根据示功图的参数值、测量周期数据获得的二次特征值,并将参数值、测量周期数据、二次特征值输入第一油井的故障诊断模型中获得诊断结果。由于本发明的第一油井的采油设备的故障诊断模型模型是根据该油井的采油设备的训练数据进行机器学习得到,无需进行人工进行参与和分析,更加方便和快捷,且由于是针对单一油井的采油设备的故障诊断模型,因此,针对性较强。
另外,本发明实施例中,由于示功图的参数值、测量周期数据以及二次特征值属于示功图原始数据,实现了通过对示功图原始数据的输入就可以得到采油设备的故障类型的诊断结果,只需要保证原始数据的精确性,就可以得到精确的诊断结果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明实施例提供了一种采油设备故障的诊断方法,可以包括:
S100、获得第一油井的采油设备的示功图的参数值以及所述示功图的测量周期数据;
本发明实施例中,采油设备优选的可以为抽油机。示功图的参数值可以包括示功图位移、示功图载荷。测量周期数据是指该采集该示功图的时长、周期、频率等参数。示功图可以如图2所示,示功图是反映抽油机工作状况的图形,一般横坐标为位移,纵坐标为载荷。
其中,示功图载荷为抽油机在上下运动过程中所承受的力量大小,单位为千牛,可以通过示功图传感器对抽油杆的伸长量变化引起的直径变化测量计算得到。具体的,示功图传感器的形式有多种,如:载荷位移一体化传感器,本发明实施例在此不做限定。除测量得到示功图载荷外,载荷位移一体化传感器还可以测量得到抽油杆移动的距离,即示功图位移,从而生成由144个位移与载荷的对应数据点构成的示功图。
144个数据点的分部规律直接决定了示功图的形状,所有的示功图位移和示功图载荷在示功图的位置聚合构成了示功图的形状特征,示功图的形状特征可以反应出抽油机的工作状态。
实际使用中,由于每个数据点的变化都会反应出抽油机的工作状态变化,因此,获得的第一油井的采油设备的示功图中数据点的采集频率可以为20分钟一次的高频率采集,这样频率采集到的示功图才符合机器学习的基础条件。
S200、根据所述示功图的参数值以及所述测量周期数据获得所述第一油井的采油设备的二次特征值;其中,所述二次特征值用于表征与所述参数值不同类型工作参数的参数值;
本发明实施例中,获得了示功图的参数值以及测量周期数据后,还会根据这两个参数进一步得到二次特征值。
其中,获得的二次特征值可以包括:采油机有效冲程、示功图面积和采油机冲次中的至少一种。可以理解的是,通过示功图获得的多种工作参数需要对示功图进行分析、计算才能得到。
具体的,采油机有效冲程为采油机的抽油泵活塞在泵筒内上下运动过程中实际带动液体做功的有效距离,包括:上有效冲程和下有效冲程。采油机有效冲程的获得方式可以为:先将示功图中144个位移与载荷的对应数据点进行低通滤波平滑处理,然后通过曲率求导得到示功图中144个数据点的上下冲程拐点,将环状曲线分割成单值曲线即可得到采油机有效冲程,即上下冲程的有效值。
其中,冲次为采油机的抽油泵活塞在工作筒内每分钟上下运动的次数。一个完整的示功图的测量周期(一个完整示功图的测量时间)直接反应了抽油泵活塞的运动周期,一分钟时长包含的测量周期个数即为冲次。
其中,示功图面积为示功图中144个点构成的不规则形状的面积,它的获得方式可以为:先将示功图中144个点构成的不规则形状切割成规则形状(如三角形或四边形),然后对各规则形状的面积分别进行计算然后累加即可得到示功图面积。
仅通过示功图的形状,分析出的结果并不准确,完全依靠人工经验也无法在短时间内快速大量的分析出分析结果,因此,在得到了示功图的参数值以及测量周期数据后,根据该参数值和测量周期数据进一步得到采油机有效冲程、示功图面积和采油机冲次等数据,这些数据可以更加精确的反映出抽油机的工作状态,使得分析结果更加准确。
S300、将获得的采油设备的示功图的参数值、所述测量周期数据以及所述二次特征值输入所述第一油井的采油设备的故障诊断模型中,得到所述故障诊断模型输出的用于表征所述采油设备故障类型的诊断结果,其中,所述第一油井的故障诊断模型为对所述第一油井的训练数据进行机器学习后得到的用于输出所述第一油井的采油设备的故障类型的模型。
本发明实施例中,建立有第一油井的采油设备的故障诊断模型,其中,采油设备的故障诊断模型为对所述第一油井的采油设备的训练数据进行机器学习后得到的用于输出采油设备故障类型的模型。关于建立故障诊断模型的具体方式在后面进行详细介绍。
本发明实施例中,将前述获得的第一油井的采油设备的示功图的参数值、测量周期数据以及二次特征值输入到建立好的第一油井的采油设备的故障诊断模型中,会得到诊断结果。
其中,得到所述故障诊断模型输出的用于表征所述采油设备故障类型的诊断结果包括:
得到所述故障诊断模型输出的第一诊断结果,所述第一诊断结果用于表征所述采油设备处于非故障状态;
或,得到所述故障诊断模型输出的第二诊断结果,所述第二诊断结果用于表征所述采油设备的故障特征类型以及对应的故障可能性概率。
本发明实施例中,如果示功图的参数值以及测量周期数据不存在异常情况,则表明第一油井的采油设备处于正常运行状态,则输出异常状态为否的第一诊断结果,来表明采油设备处于正常运行状态。
如果存在故障,则会输出故障的类型以及该类型出现的可能性概率的第二诊断结果,例如故障类型:固定凡尔漏失,可能性:80%。
可以看出,本发明实施例可以通过示功图的参数值、测量周期数据以及根据示功图的参数值、测量周期数据获得的二次特征值,并将参数值、测量周期数据、二次特征值输入第一油井的故障诊断模型中获得诊断结果。由于本发明的第一油井的故障诊断模型模型是根据该油井的训练数据进行机器学习得到,无需进行人工进行参与和分析,更加方便和快捷,且由于是针对单一油井的采油设备的故障诊断模型,因此,针对性较强。
另外,本发明实施例中,由于示功图的参数值、测量周期数据以及二次特征值属于示功图原始数据,实现了通过对示功图原始数据的输入就可以得到采油设备的故障类型的诊断结果,只需要保证原始数据的精确性,就可以得到精确的诊断结果。
上述实施例中介绍了利用第一油井的采油设备的故障诊断模型来进行采油设备故障的诊断和识别,下面对此过程进行详细介绍。
参见图3,图3是本发明实施例中故障诊断模型建立的流程示意图。
本发明实施例中,第一油井的采油设备的训练数据包括:
所述第一油井的采油设备在第一历史时间段内的表征有故障的第一历史示功图的参数值、所述第一历史示功图对应的第一历史测量周期数据以和根据所述第一历史示功图的参数值、所述第一历史测量周期数据获得的所述第一油井的第一历史二次特征值以及第一历史示功图对应的故障特征类型;
和/或,与所述第一油井位于同一油气田开发区块的至少一个其他油井的采油设备在第二历史时间段内表征有故障的第二历史示功图的参数值、所述第二历史示功图对应的第二历史测量周期数据和根据所述第二历史示功图的参数值、所述第二历史测量周期数据获得的所述其它油井的第二历史二次特征值以及第二历史示功图对应的故障特征类型。
本发明实施例中,对训练数据进行机器学习包括:
S400、将多个历史时间段内的训练数据作为训练样本划分为训练集和验证集;
由于单口井的采油设备的历史故障特征类型有限,因此,还需要将与该油井处于同一区块内具有相同储层特征、相同生产特征的所有表征为故障的示功图的参数值、测量周期以及故障特征类型作为训练数据进行机器学习。
本发明实施例中,可以将多个历史时间段内的训练数据作为训练样本划分为训练集和验证集,实际使用中,可以将每一类故障特征类型平均分为10份,将其中的8份作为训练集,将2份作为验证集。
S500、将所述训练集中的训练样本输入到多种机器学习模型中进行训练得到多个训练模型;
然后将训练集中的训练样本输入到多种机器学习模型中进行训练。其中,机器学习模型可以包括梯度提升树、支持向量机、朴素贝叶斯、决策树、随机森林。
将训练集中的训练样本输入到这些机器学习模型中利用机器学习方法进行训练,得到多个机器学习模型。
S600、将验证集中的训练样本在得到的多个所述训练模型中分别进行验证得到多个验证结果;
然后将验证集中的训练样本输入到上个步骤中得到的多个训练模型中得到多个诊断结果,然后对诊断结果进行识别准确率、准确性以及召回率的验证,得到多个验证结果。例如通过梯度提升树机器学习模型进行训练后得到的模型进行验证后,得到的验证结果为,准确率95%,准确性100%,召回率90%。
S700、确定多个所述验证结果中符合最优条件的一个训练模型作为第一油井的采油设备的故障诊断模型。
最后,在这些验证结果中,将符合最优条件的一个训练模型作为第一油井的采油设备的故障诊断模型。其中,最优条件可以是准确率、准确性以及召回率最高,或者综合对比后得出每一个验证结果的综合权重,取综合权重最高的一个座位故障诊断模型。
可以看出,本发明实施例中,利用示功图原始数据的分析来代替现有人工通过经验对示功图形状的分析的方法来实现对采油设备故障的诊断,只需要保证所采集数据的准确性,就可以实现大批量的对采油设备进行故障诊断,大大提高了工作效率,且精确度也很高。
与上述一种采油设备故障的诊断方法相对应,本发明实施例还提供了一种采油设备故障的诊断装置。
如图4所示,本发明实施例提供一种采油设备故障的诊断装置,可以包括:第一获取单元100、第二获取单元200和故障诊断单元300,
第一获取单元100,用于获得第一油井的采油设备的示功图的参数值以及所述示功图的测量周期数据;
第二获取单元200,用于根据所述示功图的参数值以及所述测量周期数据获得所述第一油井的采油设备的二次特征值;其中,所述二次特征值用于表征与所述参数值不同类型工作参数的参数值;
故障诊断单元300,用于将获得的所述示功图的参数值、所述测量周期数据以及所述二次特征值输入所述采油设备的故障诊断模型中,得到所述故障诊断模型输出的用于表征所述采油设备故障类型的诊断结果,其中,所述采油设备的故障诊断模型为对所述第一油井的采油设备的训练数据进行机器学习后得到的用于输出所述第一油井的采油设备故障类型的模型。
优选的,所述第一油井的采油设备的训练数据包括:
所述第一油井的采油设备在第一历史时间段内的表征有故障的第一历史示功图的参数值、所述第一历史示功图对应的第一历史测量周期数据和根据所述第一历史示功图的参数值、所述第一历史测量周期数据获得的所述第一油井的第一历史二次特征值以及第一历史示功图对应的故障特征类型;
和/或,与所述第一油井位于同一油气田开发区块的至少一个其他油井的采油设备在第二历史时间段内表征有故障的第二历史示功图的参数值、所述第二历史示功图对应的第二历史测量周期数据和根据所述第二历史示功图的参数值、所述第二历史测量周期数据获得的所述其它油井的第二历史二次特征值以及所述第二历史示功图对应的故障特征类型。
优选的,所述采油设备为抽油机。
优选的所述对所述第一油井的采油设备的训练数据进行机器学习包括:
将多个历史时间段内的训练数据作为训练样本划分为训练集和验证集;
将所述训练集中的训练样本输入到多种机器学习模型中进行训练得到多个训练模型;
将验证集中的训练样本在得到的多个所述训练模型中分别进行验证得到多个验证结果;
确定多个所述验证结果中符合最优条件的一个训练模型作为第一油井的采油设备的故障诊断模型。
优选的,所述得到所述故障诊断模型输出的用于表征所述采油设备故障类型的诊断结果包括:
得到所述故障诊断模型输出的第一诊断结果,所述第一诊断结果用于表征所述采油设备处于非故障状态;
或,得到所述故障诊断模型输出的第二诊断结果,所述第二诊断结果用于表征所述采油设备的故障特征类型以及对应的故障可能性概率。
需要说明的是,本实施例的一种采油设备故障的诊断装置可以采用上述方法实施例中的一种采油设备故障的诊断方法,用于实现上述方法实施例中的全部技术方案,其各个模块的功能可以根据上述方法实施例中的方法具体实现,其具体实现过程可参照上述实施例中的相关描述,此处不再赘述。
可以看出,本发明实施例提供的一种采油设备故障的诊断装置可以通过示功图的参数值、测量周期数据以及根据示功图的参数值、测量周期数据获得的二次特征值,并将参数值、测量周期数据、二次特征值输入第一油井的故障诊断模型中获得诊断结果。由于本发明的第一油井的故障诊断模型模型是根据该油井的训练数据进行机器学习得到,无需进行人工进行参与和分析,更加方便和快捷,且由于是针对单一油井的采油设备的故障诊断模型,因此,针对性较强。另外,本发明实施例中,由于示功图的参数值、测量周期数据以及二次特征值属于示功图原始数据,实现了通过对示功图原始数据的输入就可以得到采油设备的故障类型的诊断结果,只需要保证原始数据的精确性,就可以得到精确的诊断结果。
所述采油设备故障的诊断装置包括处理器和存储器,上述第一获取单100、第二获取单元200和故障诊断单元300等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
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确定采油设备故障诊断结果。
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。
本发明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所述采油设备故障的诊断方法。
本发明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所述采油设备故障的诊断方法。
本发明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以下步骤:
一种采油设备故障的诊断方法,包括:
获得第一油井的采油设备的示功图的参数值以及所述示功图的测量周期数据;
根据所述示功图的参数值以及所述测量周期数据获得所述第一油井的采油设备的二次特征值;其中,所述二次特征值用于表征与所述参数值不同类型工作参数的参数值;
将获得的所述示功图的参数值、所述测量周期数据以及所述二次特征值输入所述采油设备的故障诊断模型中,得到所述故障诊断模型输出的用于表征所述采油设备故障类型的诊断结果,其中,所述采油设备的故障诊断模型为对所述第一油井的采油设备的训练数据进行机器学习后得到的用于输出所述第一油井的采油设备故障类型的模型。
优选的,所述第一油井的采油设备的训练数据包括:
所述第一油井的采油设备在第一历史时间段内的表征有故障的第一历史示功图的参数值、所述第一历史示功图对应的第一历史测量周期数据和根据所述第一历史示功图的参数值、所述第一历史测量周期数据获得的所述第一油井的第一历史二次特征值以及第一历史示功图对应的故障特征类型;
和/或,与所述第一油井位于同一油气田开发区块的至少一个其他油井的采油设备在第二历史时间段内表征有故障的第二历史示功图的参数值、所述第二历史示功图对应的第二历史测量周期数据和根据所述第二历史示功图的参数值、所述第二历史测量周期数据获得的所述其它油井的第二历史二次特征值以及所述第二历史示功图对应的故障特征类型。
优选的,所述采油设备为抽油机。
优选的,所述对所述第一油井的采油设备的训练数据进行机器学习包括:
将多个历史时间段内的训练数据作为训练样本划分为训练集和验证集;
将所述训练集中的训练样本输入到多种机器学习模型中进行训练得到多个训练模型;
将验证集中的训练样本在得到的多个所述训练模型中分别进行验证得到多个验证结果;
确定多个所述验证结果中符合最优条件的一个训练模型作为第一油井的采油设备的故障诊断模型。
优选的,所述得到所述故障诊断模型输出的用于表征所述采油设备故障类型的诊断结果包括:
得到所述故障诊断模型输出的第一诊断结果,所述第一诊断结果用于表征所述采油设备处于非故障状态;
或,得到所述故障诊断模型输出的第二诊断结果,所述第二诊断结果用于表征所述采油设备的故障特征类型以及对应的故障可能性概率。
本文中的设备可以是服务器、PC、PAD、手机等。
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方法步骤的程序:
获得第一油井的采油设备的示功图的参数值以及所述示功图的测量周期数据;
根据所述示功图的参数值以及所述测量周期数据获得所述第一油井的采油设备的二次特征值;其中,所述二次特征值用于表征与所述参数值不同类型工作参数的参数值;
将获得的所述示功图的参数值、所述测量周期数据以及所述二次特征值输入所述采油设备的故障诊断模型中,得到所述故障诊断模型输出的用于表征所述采油设备故障类型的诊断结果,其中,所述采油设备的故障诊断模型为对所述第一油井的采油设备的训练数据进行机器学习后得到的用于输出所述第一油井的采油设备故障类型的模型。
优选的,所述第一油井的采油设备的训练数据包括:
所述第一油井的采油设备在第一历史时间段内的表征有故障的第一历史示功图的参数值、所述第一历史示功图对应的第一历史测量周期数据和根据所述第一历史示功图的参数值、所述第一历史测量周期数据获得的所述第一油井的第一历史二次特征值以及第一历史示功图对应的故障特征类型;
和/或,与所述第一油井位于同一油气田开发区块的至少一个其他油井的采油设备在第二历史时间段内表征有故障的第二历史示功图的参数值、所述第二历史示功图对应的第二历史测量周期数据和根据所述第二历史示功图的参数值、所述第二历史测量周期数据获得的所述其它油井的第二历史二次特征值以及所述第二历史示功图对应的故障特征类型。
优选的,所述采油设备为抽油机。
优选的,所述对所述第一油井的采油设备的训练数据进行机器学习包括:
将多个历史时间段内的训练数据作为训练样本划分为训练集和验证集;
将所述训练集中的训练样本输入到多种机器学习模型中进行训练得到多个训练模型;
将验证集中的训练样本在得到的多个所述训练模型中分别进行验证得到多个验证结果;
确定多个所述验证结果中符合最优条件的一个训练模型作为第一油井的采油设备的故障诊断模型。
优选的,所述得到所述故障诊断模型输出的用于表征所述采油设备故障类型的诊断结果包括:
得到所述故障诊断模型输出的第一诊断结果,所述第一诊断结果用于表征所述采油设备处于非故障状态;
或,得到所述故障诊断模型输出的第二诊断结果,所述第二诊断结果用于表征所述采油设备的故障特征类型以及对应的故障可能性概率。
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。
本领域技术人员应明白,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。
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。