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,在此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。
请参阅图1为本发明实施例提供的基于集成混合模型的故障预测方法的流程示意图,该方法包括步骤S110~S150。
步骤S110、获取终缩聚反应器的减速箱的初始的震动特征数据并对初始的震动特征数据进行变分模态分解,得到最终的震动特征数据;
本实施例中,根据预设的间隔时间,采集终缩聚反应器中搅拌器的减速箱(标准齿轮减速箱)的四个齿轴的输入轴和输出轴的震动特征数据,并对震动特征数据按照时间序列进行合并收集,得到初始的震动特征数据,然后对初始的震动特征数据进行变分模态分解(VMD),得到最终的震动特征数据。需要知道的是,终缩聚搅拌器的减速箱作为搅拌器的重要组成部分,是该仪器的故障易发和常发部件。
在一实施例中,如图2所示,步骤S110包括:
步骤S111、将初始的震动特征数据对应时域信号的本征模态函数进行变换,得到初始的震动特征数据对应的调幅-调频信号;
步骤S112、引入二次惩罚因子与乘法算子,对所述调幅-调频信号进行迭代更新以及等距变换,得到最终的震动特征数据。
本实施例中,将初始的震动特征数据对应的时域信号的本征模态函数变换为调幅-调频信号,接着引入二次惩罚因子与乘法算子,再进行迭代更新、等距变换,得到最终的震动特征数据。
具体步骤如下:
(1)将初始的震动特征数据的本征模态函数变换为调幅-调频信号,变化方法如下:
μk(t)=Ak(t)cosφk(t)
其中,Ak(t)为瞬时幅值,ωk(t)为瞬时频率,φk(t)为相位,μk(t)为Ak(t)和ωk(t)所组成的谐波信号。
(2)引入二次惩罚因子α与Lagrange乘法算子λ(t),从而可以加强约束条件并保证调幅-调频信号的重构精度,将表达式扩展为:
其中θt为L2正则化系数,δ(t)为狄克拉分布,f(t)为原始信号。
(3)通过迭代更新
λ
n+1对(2)中表达式的鞍点进行求解,然后通过等距变换将其转换到频域,从而获得模态分量μ
k最优解,以及相应的中心频率ω
k,如下式:
其中,
为当前剩余量
的维纳滤波;
为当前本征模态功率谱的重心。
(4)设定相应的判别精度ε(ε>0),若满足以下公式条件则迭代停止,得到k个模态分量;否则返回(2)重新初始化:
步骤S120、获取终缩聚反应器的减速箱的环境特征数据,集合所述环境特征数据与震动特征数据得到数据集并从所述数据集筛选出输入特征数据;
本实施例中,考虑到终缩聚反应器的搅拌器减速箱在聚酯固相缩聚(SSP)生产线中,搅拌原材料密度,工况环境,电机输入扭矩,联轴器连接的紧密程度都会对减速箱的本身寿命产生影响,因此在对震动特征向量处理后,同时依照时间序列,在模型中加入了终缩聚反应器的减速箱的环境特征数据,通过传感技术采集减速箱的环境特征数据,环境特征数据至少包括壳体温度、油箱温度、设备运行噪音、齿轴振动、输入轴振动和输出轴振动。由于环境特征数据的单位,数值量级不一样,对所有特征数据进行了归一化的操作,从而得到标准的数据集。其中,归一化操作的函数公式如下:
其中,xj为归一化后的数值,xi为归一化前当前维度的目标数据,xmin为归一化前当前维度中数据的最小值,xmax为归一化前当前维度中数据的最大值。
在一实施例中,如图3所示,步骤S120包括:
步骤S121、获取终缩聚反应器的减速箱的环境特征数据,集合所述环境特征数据与震动特征数据得到数据集;
步骤S122、通过XGBoost模型对所述数据集进行重要性计算,得到所述数据集中各特征数据的重要值;
步骤S123、选取重要值大于预设阈值的特征数据作为输入特征数据。
本实施例中,为了减少模型的复杂程度,增快模型的计算速度,通过XGBoost算法对归一化处理后的数据集中各特征数据进行重要性计算并排序,选择重要性大于预设重要性阈值的特征数据作为模型的输入特征数据,具体计算步骤如下:
(1)定义预测值与决策树叶子节点之间的关系:
其中x
i表示归一化处理后的特征数据;
表示第i个特征数据x
i的预测值,q(x
i)为决策树相应叶子节点的映射,T为叶子个数,ω
j为第j个节点的权重值。
(2)为了减少过拟合的现象,引入树的复杂度,经过推导最终得到如下目标函数:
其中Obj为目标函数,λ为惩罚项系数,Gj为叶子节点j所包含特征数据的一阶偏导累加和,Hj为叶子节点j所包含特征数据的二阶偏导累加和,γ为控制叶子数量的权重参数。
(3)从而可以得到,每个特征数据节点的分裂收益:
其中Gain为相应维度的分裂收益值,ObjL+R为分解前的节点得分数,ObjL为分解后的左叶子节点得分数,ObjR为分解后右叶子节点的得分数,GL为左叶子节点所包含特征数据的一阶偏导累加和,GR为右叶子节点所包含特征数据的一阶偏导累加和,HL为左叶子节点所包含特征数据的二阶偏导累加和,HR为左叶子节点所包含特征数据的二阶偏导累加和,γ为惩罚项系数。
(4)循环求解每一棵树的相同维度的分裂收益,相加后除以树的数量,就可以得到平均分裂收益,保留收益值大于预设重要值阈值的特征数据,作为模型的输入特征维度。本实施例中,优选收益值大于1的值的输入特征数据。
步骤S130、基于所述输入特征数据,分别通过预置的CNN-LSTM2模型、SVM模型、CatBoost模型以及KNN算法进行设备状态预测,得到第一历史预测值、第二历史预测值、第三历史预测值和第四历史预测值;
本实施例中,为了综合多个算法的优点,使预测结果更准确,基于输入特征数据,通过预置的CNN-LSTM2模型、SVM模型、CatBoost模型以及KNN算法进行设备状态预测,得到第一历史预测值、第二历史预测值、第三历史预测值和第四历史预测值。各模型预测过程具体如下:
在一实施例中,如图4所示,步骤S130包括:
步骤S131、将所述输入特征数据划分为若干份,选取其中一份作为验证集,选取剩余份作为若干份训练集;
步骤S1321、基于所述若干份训练集,分别构建若干个CNN-LSTM2模型,通过若干个所述CNN-LSTM2模型分别对所述验证集进行设备状态预测,得到若干个第一预测值,以若干个所述第一预测值的平均值作为第一历史预测值;
步骤S1322、基于所述若干份训练集,分别构建若干个SVM模型,通过若干个所述SVM模型分别对所述验证集进行设备状态预测,得到若干个第二预测值,以若干个所述第二预测值的平均值作为第二历史预测值;
步骤S1323、基于所述输入特征数据,通过预置的CatBoost模型进行设备状态预测,得到第三历史预测值;
步骤S1324、基于所述输入特征数据,通过预置的KNN算法进行设备状态预测,得到第四历史预测值。
本实施例中,为了方便后续应用输入特征数据,将输入特征数据划分为若干份,并选取其中一份作为验证集,选取剩余份作为若干份训练集。接着基于输入特征数据,利用预置的CNN-LSTM2模型、SVM模型、CatBoost模型以及KNN算法进行设备状态预测的具体过程如下:基于若干份训练集,分别构建若干个CNN-LSTM2模型,得到若干个不同模型参数的CNN-LSTM2模型;通过若干个不同模型参数的CNN-LSTM2模型分别对验证集进行预测,得到若干个第一预测值,以若干个第一预测值的平均值作为CNN-LSTM2模型预测的第一历史预测值。此外,需要知道的是,由于终缩聚反应器的设备状态存在五种,故通过模型预测得到的设备故障概率为一个五分类的向量。最优的,本实施例中将输入特征数据划分为5份,其中一份作为验证集,剩余的作为4份训练集。
具体的:将输入特征数据进行图像化处理,得到灰度图;根据预置的CNN模型的卷积层对灰度图进行空间特征提取,得到输入特征数据的空间特征向量;将空间特征向量输入CNN模型中的压平层进行一维化处理,得到输入特征数据的时序特征向量;基于时序特征向量,根据预置的LSTM2模型进行故障预测,得到第一历史预测值。CNN-LSTM2模型的网络结构如图7所示:
(1)将输入特征数据处理为一维向量数据集,处理过的一维向量数据集数据乘以255,映射到0~255区间,将维度数据转换为灰度图;
(2)通过4层1维CNN卷积层对生成灰度图像进行卷积,提取空间特征,如下式:
其中,ω为卷积核,h为卷积窗口的大小,b为偏差因子,f为非线性函数,
为感受野中的值。为了增加非线性和防止梯度消失,设置Relu作为激活函数,为了增强鲁棒性,防止过拟合,在每一个卷积积层后设置步长为2的区域取最大值,进行降采样。
(3)为了防止过拟合,并减少参数,在最后一个池化层后进行对CNN特征提取后的多维数据进行压平层(FlattenLayer)降为一维。让中间每一个向量不仅包含现有状态而且包含前一个时序状态,从而强化整个输入特征数据的时序性。
(4)将通过4层CNN特征提取并增强时序性的向量作为输入,本发明实施例设计两层LSTM,具体网络结构如图8所示:
①下层LSTM接收经特征提取过的具有时序性的输入特征数据序列,并将其转换为轮次运行参数信息,所有下层LSTM共享网络结构和参数,下层计算过程如下:
其中
分别表示输入门,遗忘门和输出门,
创建新的候选值的向量,
更新后的状态,meanpooling表示平均池化层,sigmoid和tanh表示相应的激活函数,W
*'是权值矩阵,b
*'为偏置项,
上一时刻隐含层状态,
表示当前时刻的输入。
②上层LSTM通过集成上一时刻的隐层状态,构建出自身的隐层状态,以及结合到当前为止所有的轮次运行参数信息来获取终缩聚搅拌器的减速箱当前的运行状态,通过softmax算法预测当前的状态分布,然后再获得最大值作为当前状态的标签,具体计算公式如下所示:
ht=ot*tanh(ct)
bt=softmax(Wtht+bt)
at=argmax(bt),
其中
分别表示上层LSTM模型的输入门,遗忘门和输出门,W
*'是上层LSTM模型的权值矩阵,b
*'为上层LSTM模型的偏置项,
和c
t表示新的候选值向量和更新后的状态向量,a
t为t时刻的故障分类的结果;
(5)基于若干份训练集依照上述步骤(1)、(2)、(3)、(4)分别构建若干个CNN-LSTM2模型,得到若干个不同模型参数的CNN-LSTM2模型;然后通过若干个不同模型参数的CNN-LSTM2模型分别对验证集进行预测得到若干个第一预测值,对若干个第一预测值求均值,以该均值作为CNN-LSTM2模型的预测结果,记为第一历史预测值P1。
进一步的,因为目前在SSP(聚酯固相缩聚)生产线中,终缩聚反应器中搅拌器的标准齿轮减速箱的运行采集数据存在样本小,纬度高的特点,而且该设备在不同的工况条件以及设备寿命周期中,都具有不同阶段性的数据,因此特征数据也在不断地累积和增加,同时无用数据样本的重复,也会使训练时间和存储空间不断地增加,因此使用支持向量机(SVM)根据特征数据进行设备状态分类,具体步骤如下:
1、初始化模型参数矩阵Q,设定模型的训练精度ξ>0,选取n个初始样本得到分类器H1;
2、根据如下公式设定相应的更新条件,如果满足分类条件则进行舍弃,如果满足更新条件,则重新计算参数矩阵Q并求解其逆矩阵,其中yi表示实际输出,f(xi)表示对样本的识别输出:
更新条件:
0≤yif(xi)<1
-1≤yif(xi)<0
分类条件:
yif(xi)>1+ξ
3、根据如下公式计算模型最优解
如果
那么依据现有模型重新更新分类器:
4、同样的,基于若干份训练集依照上述步骤1、2、3通过SVM进行设备状态分类,得到若干个不同模型参数的SVM模型;然后通过若干个不同模型参数的SVM模分别对验证集进行预测得到若干个第二预测值,对若干个第二预测值求均值,以该均值作为SVM模型的预测结果,记为第二历史预测值P2。
进一步的,由于终缩聚搅拌器的输入输出扭矩的维度数据的特征基数较少,引入CatBoost模型对输入特征数据进行设备状态预测。CatBoost模型是一种基于对称决策树(oblivious trees)为基学习器实现的参数较少、支持类别型变量和高准确性的梯度提升决策树(GBDT)框架。CatBoost模型是XGBoost模型的一种改进。CatBoost模型处理类别型特征相比XGBoost模型来说比较灵活,可直接传入类别型特征的列标识,模型会自动将其使用One-hot编码,还可通过设置one_hot_max_size参数来限制One-hot特征向量的长度。如果不传入类别型特征的列标识,那么CatBoost模型会把所有列视为数值特征。对于One-hot编码超过设定的one_hot_max_size值的特征来说,CatBoost将会使用一种高效的encoding方法,与mean encoding类似,但是会降低过拟合。处理过程如下:
(1)将输入特征数据随机排序,并得到随机排列的多组输入特征数据;
(2)将浮点型或属性值标记转化为整数;
(3)将所有的类别型特征值结果都根据以下公式,转化为数值结果;
其中,countInClass表示在当前类别型特征值中有多少样本的标记值是1;prior是分子的初始值,根据初始参数确定。totalCount是在所有样本中(包含当前样本)和当前样本具有相同的类别型特征值的样本数量。
本实施例中,基于输入特征数据,通过CatBoost模型进行设备状态预测,得到设备设备状态预测值,记为第三历史预测值P3。
进一步的,基于输入特征数据的环境特征数据,通过KNN算法(最近邻算法)进行故障预测。具体的,计算目标时刻的环境特征数据和所有环境特征数据的明氏距离,根据明氏距离确定与目标时刻的输入特征数据最近的K个时刻的环境特征数据的类别,计算目标时刻的输入特征数据的所属设备状态类别的概率,为第四历史预测值P4。
进一步地,明氏距离的计算如下:
其中,p=5为分类个数,n为同一维度数据数量,xi和yi为同一维度不同时间采集到的数据。
在一实施例中,如图5所示,步骤S1323包括:
步骤S13231、将所述输入特征数据中的温度特征数据按预设转换函数转换为标签数据,并将所述温度特征数据以所述标签数据表示;
步骤S13232、基于所述输入特征数据,通过预置的CatBoost模型进行设备状态预测,得到第三历史预测值。
本实施例中,由于终缩聚搅拌器的输入输出扭矩的维度数据的温度变化幅度对预测结果影响较大,为减少温度变化幅度带来的影响,将温度数值转换为标签数据。再基于处理了温度特征数据的输入特征数据,通过预置的CatBoost模型进行设备状态预测,得到第三历史预测值。具体函数如下:
式中,其中p是添加的先验项,a通常是大于0的权重系数。先验项是根据历史数据得到的设备正常运行的概率。
步骤S140、基于所述第一历史预测值、第二历史预测值、第三历史预测值以及第四历史预测值构建向量矩阵,建立所述向量矩阵与真实值的非线性关系,并根据所述向量矩阵与真实值确定所述非线性关系对应的关系函数;
本实施例中,基于第一历史预测值、第二历史预测值、第三历史预测值以及第四历史预测值构建向量矩阵,该向量矩阵为四维向量矩阵(P1,P2,P3,P4),已知该输入特征数据的真实结果为P′,将P′作为目标与一级算法(即前述各模型)所得到的四维向量矩阵通过逻辑回归的方法建立起非线性关系,然后对非线性关系对应的关系函数的参数进行求解,得到最终的关系函数。其中,关系函数表示如下:
式中,yi表示i时刻的设备状态,w表示回归系数,xi表示i时刻经过一级算法得到的向量矩阵(P1,P2,P3,P4)的值。
步骤S150、分别通过若干个所述CNN-LSTM2模型、若干个所述SVM模型、所述CatBoost模型以及所述KNN模型对目标特征数据进行预测,得到第一目标预测值、第二目标预测值、第三目标预测值以及第四目标预测值;基于所述第一目标预测值、第二目标预测值、第三目标预测值以及第四目标预测值,根据所述关系函数计算最终预测值,并根据所述最终预测值确定故障。
本实施例中,获取目标特征数据,按上述步骤分别通过若干个CNN-LSTM2模型、若干个SVM模型、CatBoost模型以及所述KNN模型对目标特征数据进行预测,得到第一目标预测值、第二目标预测值、第三目标预测值以及第四目标预测值;基于所述第一目标预测值、第二目标预测值、第三目标预测值以及第四目标预测值,构建目标向量矩阵;根据目标向量矩阵及关系函数计算最终预测值,并根据最终预测值预测设备的状态。
在一实施例中,在步骤S150之后,还包括:
根据预设误差函数检验所述最终预测值与实际值的误差,其中,所述误差函数如下:
该方法基于SVM模型、CNN-LSTM2模型、CatBoost模型以及KNN模型分别进行故障预测,之后基于四个模型的预测值构建向量矩阵,基于向量矩阵与真实值构建非线性关系,最后通过非线性关系对应的关系函数计算最终预测值,根据最终预测值确定故障预测结果,相比传统单一的预测方法,有效提高故障预测的准确率。
本发明实施例还提供一种基于集成混合模型的故障预测装置,该基于集成混合模型的故障预测装置用于执行前述基于集成混合模型的故障预测方法的任一实施例。具体地,请参阅图6,图6是本发明实施例提供的基于集成混合模型的故障预测装置的示意性框图。该基于集成混合模型的故障预测装置100可以配置于服务器中。
如图6所示,基于集成混合模型的故障预测装置100包括分解模块110、筛选模块120、训练模块130、关系构建模块140、计算模块150。
获取模块110,用于获取终缩聚反应器的搅拌器的初始的震动特征数据并对初始的震动特征数据进行变分模态分解,得到最终的震动特征数据;
筛选模块120,用于获取终缩聚反应器的减速箱的环境特征数据,集合所述环境特征数据与震动特征数据得到数据集并从所述数据集筛选出输入特征数据;
训练模块130,用于基于所述输入特征数据,分别通过预置的CNN-LSTM2模型、SVM模型、CatBoost模型以及KNN算法进行设备状态预测,得到第一历史预测值、第二历史预测值、第三历史预测值和第四历史预测值;
关系构建模块140,用于基于所述第一历史预测值、第二历史预测值、第三历史预测值以及第四历史预测值构建向量矩阵,建立所述向量矩阵与真实值的非线性关系,并根据所述向量矩阵与真实值确定所述非线性关系对应的关系函数;
计算模块150,用于通过所述CNN-LSTM2模型、SVM模型、CatBoost模型以及KNN模型对目标特征数据进行设备状态预测,得到第一目标预测值、第二目标预测值、第三目标预测值以及第四目标预测值;基于所述第一目标预测值、第二目标预测值、第三目标预测值以及第四目标预测值,根据所述关系函数计算最终预测值,并根据所述最终预测值确定设备状态。
在一实施例中,训练模块130包括:
划分单元,用于将所述输入特征数据划分为若干份,选取其中一份作为验证集,选取剩余份作为若干份训练集;
第一预测单元,用于基于所述若干份训练集,分别构建若干个CNN-LSTM2模型,通过若干个所述CNN-LSTM2模型分别对所述验证集进行设备状态预测,得到若干个第一预测值,以若干个所述第一预测值的平均值作为第一历史预测值;
第二预测单元,用于基于所述若干份训练集,分别构建若干个SVM模型,通过若干个所述SVM模型分别对所述验证集进行设备状态预测,得到若干个第二预测值,以若干个所述第二预测值的平均值作为第二历史预测值;
第三预测单元,用于基于所述输入特征数据,通过预置的CatBoost模型进行设备状态预测,得到第三历史预测值;
第四预测单元,用于基于所述输入特征数据,通过预置的KNN算法进行设备状态预测,得到第四历史预测值。
在一实施例中,第三预测单元包括:
转换单元,用于将所述验证集和若干份训练集中的温度特征数据按预设转换函数转换为标签数据,并将所述温度特征数据以所述标签数据表示;
预测单元,用于基于所述输入特征数据,通过预置的CatBoost模型进行设备状态预测,得到第三历史预测值。
在一实施例中,获取模块110包括:
变换单元,用于将初始的震动特征数据对应时域信号的本征模态函数进行变换,得到初始的震动特征数据对应的调幅-调频信号;
更新单元,用于引入二次惩罚因子与乘法算子,对所述调幅-调频信号进行迭代更新以及等距变换,得到最终的震动特征数据。
在一实施例中,筛选模块120包括:
汇总单元,用于获取终缩聚反应器的减速箱的环境特征数据,集合所述环境特征数据与震动特征数据得到数据集;
计算单元,用于通过XGBoost模型对所述数据集进行重要性计算,得到所述数据集中各特征数据的重要值;
筛选单元,用于选取重要值大于预设阈值的特征数据作为输入特征数据。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的基于集成混合模型的故障预测方法。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如上所述的基于集成混合模型的故障预测方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者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、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或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计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。