CN113091872A

CN113091872A - 一种诊断故障传感器的方法与装置

Info

Publication number: CN113091872A
Application number: CN202110368569.3A
Authority: CN
Inventors: 苗少光; 刘阳; 苏永青
Original assignee: Shenzhen Hand Hitech Co ltd
Current assignee: Shenzhen Hand Hitech Co ltd
Priority date: 2021-04-06
Filing date: 2021-04-06
Publication date: 2021-07-09
Anticipated expiration: 2041-04-06
Also published as: CN113091872B

Abstract

本公开提供了一种诊断故障传感器的方法、装置和系统，其中方法包括：获取传感器采集的数据，提取第一特征向量，输入第一故障诊断模型，得到关于传感器的第一故障诊断结果；对第一故障诊断结果中待定的传感器，提取第二特征向量，并输入第二故障诊断模型，得到关于待定传感器的第二故障诊断结果；其中，第一故障诊断模型和第二故障诊断模型是由传感器采集的数据为样本数据，以及预先确定的诊断结果为样本标签，经过训练后得到的。

Description

一种诊断故障传感器的方法与装置

技术领域

本公开涉及传感器自动检测领域，特别涉及一种诊断故障传感器的方法、装置、系统、电子设备及计算机可读存储介质。

背景技术

众所周知，通过在公路上设立检查站，利用地磅称车辆的载重，可以治理车辆超载。但是，被检测车辆相对集中，检测效率较低，容易造成交通堵塞，且车辆容易绕行逃避检查。另一种车载称重技术，能实时显示所装货物的重量，有效防止超载，其主要利用传感器测量重量，传感器必须保证在恶劣环境下也能长期稳定的正常工作。

因此，急需一种对传感器进行故障检测的方法，及时检测到已损坏的传感器，才能保证车载称重系统的正常运行。

发明内容

有鉴于此，本公开实施例的目的在于提供一种诊断故障传感器的方法，可以及时的、自动的发现存在故障的传感器，通知维修，及时停用出现故障的传感器，提高称重系统的抗干扰能力，提高了称重的精确性。

根据本公开的第一方面，提供了一种诊断故障传感器的方法，包括：

获取传感器采集的数据，提取第一特征向量，输入第一故障诊断模型，得到关于传感器的第一故障诊断结果；

对于第一故障诊断结果中待定的传感器，提取第二特征向量，并输入第二故障诊断模型，得到关于待定传感器的第二故障诊断结果；

其中，第一故障诊断模型和第二故障诊断模型是由传感器采集的数据为样本数据，以及预先确定的诊断结果为样本标签，经过训练后得到的。

在一个可能的实施例中，其中，所述第一特征向量包括：原始数据特征向量、滤波数据特征向量、差分数据特征向量、跑车漂移特征向量、静止抖动特征向量。

在一个可能的实施例中，其中，所述第二特征向量包括：原始数据特征向量、滤波数据特征向量、上货特征向量、卸货特征向量。

在一个可能的实施例中，其中，第一故障诊断模型是多分类梯度提升决策树模型；第二故障诊断模型是二分类梯度提升决策树模型，包括多个强学习器。

在一个可能的实施例中，其中，当所述多个强学习器的诊断结果不一致时，最终诊断结果以多数结果确定；对于在同一设备上安装有多个传感器的情况，若有诊断结果为异常，则将该异常传感器屏蔽并发出维修指令。

在一个可能的实施例中，其中，所述多分类梯度提升决策树模型的基底包括CART回归树，建立所述CART回归树的过程为：针对训练集中的不同特征，选择切分点；计算不同切分点对应的均值；合理选择属性值的切分点，使得目标函数值最小，以该属性值切分点划分；从而选取最优特征和最优切分点。

根据本公开的第二方面，提供一种建立两层故障诊断模型的方法，所述方法包括：

采集传感器数据，选取采样周期，得到多个数据序列；

对得到的数据序列进行数据清洗，对传感器的状态进行人工标注，建立样本集，所述样本集分为异常、正常、待定；

利用多分类梯度提升决策树模型训练第一故障诊断模型，调整第一故障诊断模型的参数，使得损失函数数值较小，得到训练完成的第一故障诊断模型；

将第一故障诊断模型分类为待定的输入序列，加入上货情况、卸货情况的相关统计量，得到第二故障诊断模型的输入数据集，用二分类梯度提升决策树模型训练第二故障诊断模型；

调整第二故障诊断模型的参数，使得损失函数数值较小，得到训练完成的第二故障诊断模型。

根据本公开的第三方面，提供一种诊断故障传感器的系统，所述系统包括：

故障诊断平台，包括第一故障诊断单元，用于获取传感器采集的数据，提取第一特征向量，输入第一故障诊断模型，得到关于传感器的第一故障诊断结果；第二故障诊断单元，用于对第一故障诊断结果中待定的传感器，提取第二特征向量，并输入第二故障诊断模型，得到关于待定传感器的第二故障诊断结果；其中，第一故障诊断模型和第二故障诊断模型是由传感器采集的数据为样本数据，以及预先确定的诊断结果为样本标签，经过训练后得到的；

服务器，用于响应故障诊断平台和客户端的请求和指令；

客户端，用于登录所述故障诊断平台和服务器。

根据本公开的第四方面，提供一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。

根据本公开的第五方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有可执行指令，该指令被处理器执行时使处理器执行如第一方面所述的方法。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。通过附图所示，本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本申请的主旨。

图1示出了根据本公开实施例的典型的在车辆上安装传感器的示意图。

图2示出了根据本公开实施例的典型的诊断故障传感器的方法的示意图。

图3示出了根据本公开实施例的典型的诊断故障传感器的全流程的示意图。

图4示出了根据本公开实施例的典型的诊断故障传感器的装置的示意图。

图5示出了根据本公开实施例的典型的诊断故障传感器的系统的示意图。

图6示出了用于实现本公开实施例的电子设备的结构示意图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

但是，传统的检测车载称重传感器是否存在故障的方法是通过人工查看传感器数据是否正常，或者在车载称重订单异常后，追溯订单异常的原因，才发现是由于传感器的损坏造成的订单异常，而此时应变传感器可能已经损坏很久，造成大量的损失。

因此，急需一种对传感器进行故障检测的方法，及时检测到已损坏的传感器，才能保证车载称重系统的正常运行。同时，需要解决由于人工检测标准不统一，凭借经验，主观性大且检测效率低、滞后性大的问题。

以下结合附图详细描述本公开。

由于车辆在行驶中的状态具有复杂性，会对传感器信号产生影响，从而影响车辆载重变化的判断。同时，在车辆上安装传感器的位置具有多样性。由于车辆的不同类型、不同安装位置，甚至不同安装手法都会对传感器信号表现产生影响。

因此，本公开在如图1所示的位置安装传感器。在车辆车桥位置安装应变传感器，将车辆状态通过应变传感器转化为模拟数值。应变传感器是一种能捕捉刚体的微型变，将物理信号转变为电信号的感应元件。为了让应变传感器充分地获取由货物施加给车桥的力，避免因偏载导致的前后车桥或车桥左右受力不均的情况，可以在车辆前、后车桥部位对称的安装偶数数量的传感器。

在一个可能的实施例中，传感器101和传感器102安装于靠近车头的车桥前轴处，传感器101与传感器102到车辆外沿的距离相等。传感器103和传感器104安装于靠近车尾的车桥后轴处，传感器103与传感器104到车辆外沿的距离相等。

参见图2，所述诊断故障传感器的方法包括：

步骤201:获取传感器采集的数据，提取第一特征向量，输入第一故障诊断模型，得到关于传感器的第一故障诊断结果。

在一个可能的实施例中，在如图1所示的位置上，安装4个应变传感器。应变传感器是一种能捕捉刚体的微型变，将物理信号转变为电信号的感应元件，电阻应变片则是其最常采用的传感元件，它是一种能将机械构件上应变的变化转换为电阻变化的传感元件。也可以使用其他方法获取传感器参数与车载称重之间的关系，本公开对此不做限制。

获得传感器采集的数据之后，提取其第一特征向量，输入到经过训练的第一故障诊断模型，可以得到对传感器状态的第一故障诊断结果。第一故障诊断结果有三种：正常、异常、待定。正常和异常情况都是可信的诊断结果，无需进行第二次诊断。但是，在一些情况下，由于第一次诊断时无法判断某些应变传感器是否正常，故将其判定为待定，在第一次诊断完毕后进行二次诊断，并根据同一车辆其它应变传感器的诊断结果来判断当前应变传感器是否正常。

步骤202:对于第一故障诊断结果中待定的传感器，提取第二特征向量，并输入第二故障诊断模型，得到关于待定传感器的第二故障诊断结果。

对于在第一次诊断中分类为待定的传感器，将继续进行二次诊断，提取第二特征向量，输入到经过训练的第二故障诊断模型，可以得到对传感器状态的第二故障诊断结果。第二故障诊断结果有：正常、异常。

通常，第一特征向量包括的特征有：原始数据、滤波数据、差分数据、跑车漂移、静止抖动。需要特别说明的是，跑车漂移是指车辆在运动时应变传感器数据偏离正常水平的现象，静止抖动是指车辆在静止时出现的不正常抖动，偏离正常水平的现象，以上两种情况均属于应变传感器异常情况。

第二特征向量包括的特征有：原始数据、滤波数据、上货情况、卸货情况。因为进行二次诊断时需要根据同一车辆其它应变传感器的诊断结果来判断当前应变传感器是否正常，所以需要知道的数据包括了车辆的状态，尤其是上货、卸货时由于传感器的非对称性造成的传感器可能出现异常的情况。

第一故障诊断模型和第二故障诊断模型是由传感器采集的数据为样本数据，以及预先确定的诊断结果为样本标签，经过训练后得到的。

通过如图2所示的方法，可以在车辆正常使用中就发现有故障的传感器，不需要在特定的地方由人工去检测，节省了时间成本和经济成本，提高了效率。并且由于故障诊断是非常及时的，能及时发现有故障的传感器，不存在滞后性，使得异常订单的数量大大减少，增加了企业的商业竞争力。而且由于这种故障检测是自动的，经过训练模型得到的结果，可以发现传感器数据的隐含特性，不存在由于人工检测中检测标准有差异造成的结果不统一的情况。

如图3所示的流程300，其中步骤301-303是第一故障诊断模型和第二故障诊断模型的训练过程，通过步骤304可以将模型部署至服务器，步骤305-308是故障诊断的应用过程。

在一个可能的实施例中，一种建立两层故障诊断模型的方法包括：

采集传感器数据，选取采样周期，得到多个数据序列；

具体的，在步骤301中，通过应变传感器采集数据，将经由AD转换后的各条应变传感器数据采样，周期为10秒，得到多个数据序列。

在步骤302中，对得到的数据序列进行数据清洗，对应变传感器的状态进行人工标注为：正常、待定、异常，分别标注为0、1、2，并提取特征：原始数据、滤波数据、差分数据、跑车漂移和静止抖动的相关统计量。

在一个可能的实施例中，第一故障诊断模型是多分类梯度提升决策树模型(GBDT)，生成训练数据集T₁＝{(x_i，y_i)|i＝1，2，…，N₁，

y_i∈{0，1，2}}，其中，N₁＝10000，为第一故障诊断模型的训练样本个数，

为样本i的特征向量，

为样本i的第n₁个特征，其中n₁为样本i的特征个数，y_i为第i个样本的标签，将T₁输入多分类GBDT中训练第一故障诊断模型。

所述多分类梯度提升决策树模型的基底包括多个CART回归树，本公开在建立每个CART回归树时采用以下方法：

针对训练集中的不同特征，选择切分点；计算不同切分点对应的均值；合理选择属性值的切分点，使得目标函数值最小，以该属性值切分点划分；从而选取最优特征和最优切分点。

具体方法如下：

1)针对训练数据集T₁中的不同特征，选择切分点。为方便起见，此处以样本特征向量维度为1时，来说明CART树的构建过程，针对本公开中的特征向量维度n₁，只需对每个特征向量都进行同样的操作，最终选出最优切分特征及切分点即可。选取[x_j，x_j+1]中任意一个数作为切分点s_i，将属性值按切分点分为两个集合：R₁(j,s)＝{x_k|x_k≤s_i}和R₂(j，s)＝{x_k|x_k>s_i}，其中R₁，R₂为切分点划分的左右两个集合。

2)计算不同切分点对应的均值

其中，c_m为切分点划分后R_m对应标签的均值，N_m为R_m中的元素个数。

3)计算目标函数

4)合理选择属性值的切分点，使得上述目标函数值最小，以该属性值切分点划分。

5)遍历所有特征，对每个特征执行步骤1-4，选取最优特征和最优切分点。

6)依次重复上述操作，直到迭代停止。

这样，可以得到第一次故障诊断的分类结果，对于诊断结果为待定的传感器，需要进行第二次诊断，第二故障诊断模型是二分类梯度提升决策树模型(GBDT)，包括多个强学习器，训练第二故障诊断模型的方法如下：

对待定传感器进行人工标注，得到正常、异常两种样本结果，标注为0、1，并提取如下特征：原始数据、滤波数据、上货情况、卸货情况的相关统计量，得到训练数据集T₂＝{(x_i，y_i)|i＝1,2，…，N₂，

y_i∈{0，1}}，其中N₂＝5000，为第二故障诊断模型的样本个数，

为样本i的特征向量，

为样本i的第n₂个特征，其中n₂为样本i的特征个数，y_i为第i个样本的标签，将T₂输入二分类GBDT中，进而将第一次诊断结果为待定的应变传感器状态分为正常和异常两类。

在一个可能的实施例中，训练模型的逻辑回归的预测函数

(表示结果取1的概率)，可得逻辑回归单个样本(x_i，y_i)的损失函数为：

其中

是逻辑回归的预测结果，log表示对数，假设第M¹步迭代之后当前学习器为

其中h_m(x)为第m步迭代所得的学习器，将

替换为

后，可将损失函数表示为:

由此，调整合理的参数，使得损失函数数值较小，达到第一故障诊断模型的要求。

本公开将多分类GBDT模型分类问题转变为多个二分类GBDT问题，在每次迭代过程中，针对每个类别都独立的训练一棵CART树，训练一棵CART树流程如下：

第一，初始化第一个弱学习器F₀(x)，我们利用先验信息来初始化学习器，

其中，P(Y＝1|x)是训练样本中标签为1(即异常)的比例，P(Y＝0|x)是训练样本中标签为0(即正常)的比例。

第二，分别建立M₂＝100棵分类回归树m＝1，2，…,M₂：

1)对i＝1,2,…,N₂，计算第m棵树的残差

2)对i＝1,2,…,N₂，利用CART回归树拟合数据(x_i,r_m,i)，得到第m棵CART回归树，其对应的叶子结点区域为R_m,j，其中j＝1,2,…，J_m，且J_m为第m棵树的叶子结点的个数。

3)对于J_m个叶子结点区域j＝1，2，…，J_m，计算出最佳拟合值：

其中argmin为使后面式子取最小值时c的取值。

4)更新强学习器F_m(x)：

其中，I(x∈R_m，j)为指示函数，当x∈R_m，j时取值为1，否则为0，F_m(x)表示第m个学习器。

5)得到最终强学习器的表达式

由于二元GBDT分类模型用一系列的梯度提升树去拟合对数几率

其中，ln表示以e为底的对数函数，最终得到的是一系列CART回归树，其分类模型可表达为：

由此，调整合理的参数，使得损失函数数值较小，达到第二故障诊断模型的要求。

这样，通过步骤301-303的方法，训练并建立了第一故障诊断模型和第二故障诊断模型，将其通过步骤304部署至服务器。

步骤305-308是诊断故障传感器的应用过程。

通过步骤306获取安装在车辆上的传感器的数据，通过步骤305，第一故障诊断模型获取到传感器的数据后，第一故障诊断模型将传感器的状态分类为正常、异常、待定。通过步骤307，将待定的传感器进一步通过第二故障诊断模型，将其再次分类为正常、异常。

由于最终得到了M₂个强学习器，在自动诊断时，每个强学习器各自生成了一个诊断结果，最终对所有学习器的结果进行统计，采取决策规则中少数服从多数的规则，最终诊断结果以多数结果确定，对单个应变传感器故障进行分类。

在步骤308中，对于同一车辆，不管第一故障诊断模型还是第二故障诊断模型的诊断结果为异常，都对异常应变传感器屏蔽，并发出维修指令，若所有应变传感器检测结果为正常，则不进行任何操作。

在其他可能的实施例中，第一故障诊断模型和第二故障诊断模型可以采用支持向量机、随机森林、K最邻近、决策树等模型训练而成，通过合理的样本集、测试集、损失函数进行训练，也可以基本达到符合工程要求的模型。

本公开通过三个二分类的GBDT模型，首先将传感器分类为三类，对于分类为待定的传感器，进一步提取其特征，尤其是新增了车辆上货、卸货时期的传感器数据特征，经过二分类GBDT将待定的传感器状态分为两类，即正常和异常。这样在诊断分类时，可以根据同一台车其它传感器的诊断结果来判断当前传感器的状态。而且，由于故障诊断标准统一，正常传感器程度统一，有利于标定算法的研发工作。

所述装置400，包括：

第一故障诊断单元401，用于获取传感器采集的数据，提取第一特征向量，输入第一故障诊断模型，得到关于传感器的第一故障诊断结果；

第二故障诊断单元402，用于对于第一故障诊断结果中待定的传感器，提取第二特征向量，并输入第二故障诊断模型，得到关于待定传感器的第二故障诊断结果；

所述系统500包括：

故障诊断平台503，包括第一故障诊断单元，用于获取传感器采集的数据，提取第一特征向量，输入第一故障诊断模型，得到关于传感器的第一故障诊断结果；第二故障诊断单元，用于对第一故障诊断结果中待定的传感器，提取第二特征向量，并输入第二故障诊断模型，得到关于待定传感器的第二故障诊断结果；其中，第一故障诊断模型和第二故障诊断模型是由传感器采集的数据为样本数据，以及预先确定的诊断结果为样本标签，经过训练后得到的；

服务器502，用于响应故障诊断平台503和客户端501的请求和指令；

客户端501，用于登录所述故障诊断平台503和服务器502，执行相关操作。

根据本公开的方法，若采用训练样本集采用时长为24小时，每10秒采集一次应变传感器数据，再对应变传感器数据进行特征提取，最终第一故障诊断模型的训练数据集长度为10000。将原始数据随机划分，80％划分为训练数据，20％划分为测试数据，则实验效果和数据如下：

表1示出了多分类GBDT在测试数据上的分类效果：

表1多分类GBDT分类混淆矩阵表根据混淆矩阵数据，计算多分类GBDT模型的Kappa系数，

其中，P₀为总的分类准确率，k为Kappa系数，混淆矩阵越不平衡，P_e越大，Kappa系数就越低。由上可知，多分类GBDT的Kappa系数为0.967，表明其分类结果与真实结果几乎完全一致。

表2示出了二分类GBDT在测试数据上的分类效果：

表2二分类GBDT分类混淆矩阵表

根据混淆矩阵数据，计算二分类GBDT模型的Kappa系数，

二分类GBDT的Kappa系数为0.988，表明其分类结果与真实结果几乎完全一致。

针对上述方法，重新采集传感器数据进行应变传感器故障诊断，诊断车辆数量为1330，每台车诊断四个应变传感器，共计5320个应变传感器，表3示出了故障诊断结果的统计数据。

表3应变传感器诊断统计表

由表3可以看出，本公开的技术方案对传感器的故障诊断准确率高，且在实际应用中，由于每台车辆安装的传感器数量有限，一旦将所有传感器都误判为异常，则该车辆没有正常传感器，车载称重便失去意义，误判率是非常重要的，即模型构建标准是在保证误判率的前提下尽可能的提高未识别率。由表1-表3可知，本公开的准确率高，且误判率远小于未识别率，因此，本公开的方法是一种高效的、自动的、可靠的、符合实际工程应用特性的诊断故障传感器的方法。

图6示出了用于实现本公开的实施例的电子设备的结构示意图。如图6所示，电子设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有电子设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，包括承载指令的在计算机可读介质，在这样的实施例中，该指令可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该指令被中央处理单元(CPU)601执行时，执行本公开中描述的各个方法步骤。

尽管已经描述了示例实施例，但是对于本领域技术人员来说显而易见的是，在不脱离本公开构思的精神和范围的情况下，可以进行各种改变和修改。因此，应当理解，上述示例实施例不是限制性的，而是说明性的。

Claims

1.一种诊断故障传感器的方法，包括：

2.如权利要求1所述的方法，其中，所述第一特征向量包括：原始数据特征向量、滤波数据特征向量、差分数据特征向量、跑车漂移特征向量、静止抖动特征向量。

3.如权利要求1所述的方法，其中，所述第二特征向量包括：原始数据特征向量、滤波数据特征向量、上货特征向量、卸货特征向量。

4.如权利要求1-3任一项所述的方法，其中，第一故障诊断模型是多分类梯度提升决策树模型；第二故障诊断模型是二分类梯度提升决策树模型，包括多个强学习器。

5.如权利要求4所述的方法，其中，当所述多个强学习器的诊断结果不一致时，最终诊断结果以多数结果确定；对于在同一设备上安装有多个传感器的情况，若有诊断结果为异常，则将该异常传感器屏蔽并发出维修指令。

6.如权利要求4所述的方法，其中，所述多分类梯度提升决策树模型的基底包括CART回归树，建立所述CART回归树的过程为：针对训练集中的不同特征，选择切分点；计算不同切分点对应的均值；合理选择属性值的切分点，使得目标函数值最小，以该属性值切分点划分；从而选取最优特征和最优切分点。

7.一种建立两层故障诊断模型的方法，所述方法包括：

采集传感器数据，选取采样周期，得到多个数据序列；

8.一种诊断故障传感器的系统，所述系统包括：

服务器，用于响应故障诊断平台和客户端的请求和指令；

客户端，用于登录所述故障诊断平台和服务器。

9.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至6任一项所述方法。

10.一种计算机可读存储介质，其上存储有可执行指令，所述可执行指令被处理器执行时使处理器执行如权利要求1至6任一项所述方法。