1.本发明属于风力发电技术领域，具体涉及一种齿轮箱油池温度预警方法、系统、设备及介质。
背景技术：
2.风电机组的日常运行环境比较恶劣复杂，长期的运行会对风机内部造成一定影响，风机的运行可靠性就会降低，运行寿命缩减。风机一旦出现故障报警进而停机，就会造成不少的经济损失。齿轮箱是风力发电机组的重要部件，风能推动风轮旋转产生机械能，但是发电机旋转需要输入足够高的转速，齿轮箱便是将风轮传达给发电机的机械能对应的转速提升到相应标准的设备。鉴于齿轮箱这种作用，若齿轮箱发生故障未能及时维修，会产生重大的电量损失，因此，要对齿轮箱的实时运行状态进行监测，在故障发生之前提前发出预测显得至关重要。
3.目前风电机组均配有监控与数据采集系统(scada系统)，能够监控风电机组功率、转速，以及齿轮箱、发电机等大部件的温度等参数，对主要部件的运行状态进行简单的判定，但是一般只针对单一参数设定固定阈值，时效性较差；且对齿轮箱油池温度进行监测容易受到周围环境的影响，造成无法实时对齿轮箱油池温度进行预警。
技术实现要素：
4.为了克服现有技术的缺点，本发明的目的在于提供一种齿轮箱油池温度预警方法、系统、设备及介质，以解决现有的监控系统时效性较差，对齿轮箱油池温度进行预警时无法实时对齿轮箱油池温度进行预警的问题。
5.为了达到上述目的，本发明采用以下技术方案实现：
6.第一方面，本发明提供一种齿轮箱油池温度预警方法，包括：
7.获取所有风机历史运行数据，进行数据预处理，对风机的相关性进行分析，建立健康机组群，选择健康机组群的主特征值；
8.选择健康机组群的历史运行数据作为正样本数据，通过健康机组群的主特征值，建立齿轮箱油池温度预警模型，确定齿轮箱油池温度残差的平均值和标准差的阈值；
9.选择有齿轮箱温度预警的机组的运行数据作为负样本数据，输入到建立好齿轮箱油池温度预警模型，获得预警机组的齿轮箱油池温度预测值，计算负样本数据的齿轮箱油池温度残差的平均值和标准差；
10.将计算出的负样本数据的齿轮箱油池温度残差的平均值和标准差，与确定的齿轮箱油池温度残差的平均值和标准差的阈值进行对比，对齿轮箱油池温度进行预警判断。
11.进一步的，所述获取所有风机历史运行数据，进行数据预处理，具体包括：
12.获取风电场所有风机的历史运行数据，对数据进行预处理；
13.历史运行数据取自scada系统数据，数据采集周期为5分钟，数据源包含同一时间序列的风机运行状态、发电机有功功率、瞬时风速、环境温度、主轴前轴承温度、主轴后轴承
温度、发电机转速、齿轮箱高速轴前端温度、齿轮箱高速轴后端温度、齿轮箱进口油温、齿轮箱油池温度、齿轮箱进口压力、齿轮箱油泵出口压力和齿轮箱冷却水温度14项特征参数；
14.对获取的历史运行数据进行异常数据清洗，清洗原则为：排除齿轮箱油池温度小于-50℃，大于120℃的点；选取风机有功功率大于零的时刻点进行分析，若某个时刻点某项特征参数有缺失数据，则对应时刻的采集到的所有数据都删除。
15.进一步的，所述对风机的相关性进行分析，建立健康机组群，选择健康机组群的主特征值，具体包括：
16.采用皮尔逊相关系数，计算相同时间周期中发生过齿轮箱油池温度预警的风机与邻近机组中，相同特征参数之间的相似度；
17.(xi,yi)为总样本中的任意一组值，变量x与变量y之间的皮尔逊相关性系数ρ
pearson
为：
[0018][0019]
皮尔逊系数为两组变量的协方差与标准偏差乘积的比值，值域范围为[-1,1]；
[0020]
根据得到的相关性较大的风机，建立健康机组群；相关性较大为相关系数的绝对值大于或等于0.6；
[0021]
对健康机组群中，齿轮箱油池温度参数与风机的其余所有特征参数进行相关性进行分析，选取相关性较大的特征作为健康机组群的主特征值；相关性较大为相关系数的绝对值大于或等于0.6。
[0022]
进一步的，所述选择健康机组群的历史运行数据作为正样本数据，通过健康机组群的主特征值，建立齿轮箱油池温度预警模型，具体包括：
[0023]
对健康机组群的主特征值进行归一化处理，选用最大值最小值归一化，具体公式如下：
[0024][0025]
其中：x为某个特征值；x
max
、x
min
为某个特征值的最大值与最小值，x
std
为最大值最小值归一化后的主特征值；
[0026]
将归一化后的主特征值作为模型的输入，以齿轮箱油池温度作为模型的输出，建立齿轮箱油池温度预警模型；
[0027]
引入决策系数评估模型准确性，公式如下：
[0028][0029]
式中：r2为决策系数；y
true
为风机齿轮箱油池温度实际值，通过scada系统获得，y
true_mean
为风机齿轮箱油池温度实际值的平均值，y
pred
为风机齿轮箱油池温度预测值，为齿轮箱油池温度预警模型输出值。
[0030]
进一步的，所述确定齿轮箱油池温度残差的平均值和标准差的阈值，具体包括：
[0031]
采用滑动窗口分析方法对预测残差进行处理，滑动窗口的宽度为n，该窗口下包含
采样点的残差均值和标准差的计算公式如下：
[0032][0033][0034]
式中，erri为窗口中的第i个残差，n为当前滑动窗口中采集点数，为当前滑动窗口的残差平均值，s为当前滑动窗口的残差标准差；
[0035]
erri＝y
pred-y
true
[0036]
使用滑动窗口法计算整个正样本数据，确定残差均值的绝对值的最大值和残差标准差的最大值s_max，作为残差平均值和残差标准差的阈值。
[0037]
进一步的，所述选择有齿轮箱温度预警的机组的运行数据作为负样本数据，输入到建立好的齿轮箱油池温度预测模型，获得预警机组的齿轮箱油池温度预测值，计算负样本数据的齿轮箱油池温度残差的平均值和标准差，具体包括：
[0038]
将负样本数据输入建立好的齿轮箱油池温度预警模型进行预测，获得预警机组的齿轮箱油池温度；
[0039]
根据预警机组的齿轮箱油池温度预测值与实际值，使用滑动窗口分析方法计算负样本数据的齿轮箱油池温度残差的平均值和标准差，滑动窗口的宽度为n。
[0040]
进一步的，所述将计算出的负样本数据的齿轮箱油池温度残差的平均值和标准差，与确定的齿轮箱油池温度残差的平均值和标准差的阈值进行对比，对齿轮箱油池温度进行预警判断，具体包括：
[0041]
当计算出的负样本数据的齿轮箱油池温度残差的平均值和标准差，连续k个时刻大于确定好的齿轮箱油池温度残差的平均值和标准差阈值时，发出齿轮箱温度超限预警。
[0042]
第二方面，本发明提供一种齿轮箱油池温度预警系统，包括：
[0043]
数据获取及主特征值选择模块，用于获取所有风机历史运行数据，进行数据预处理，对风机的相关性进行分析，建立健康机组群，选择健康机组群的主特征值；
[0044]
模型的建立及阈值的确定模块，用于选择健康机组群的历史运行数据作为正样本数据，通过健康机组群的主特征值，建立齿轮箱油池温度预警模型，确定齿轮箱油池温度残差的平均值和标准差的阈值；
[0045]
油池温度预测值获得模块及平均值和标准差的计算模块，用于选择有齿轮箱温度预警的机组的运行数据作为负样本数据，输入到建立好的齿轮箱油池温度预警模型，获得预警机组的齿轮箱油池温度预测值，计算负样本数据的齿轮箱油池温度残差的平均值和标准差；
[0046]
齿轮箱油池温度预警模块，用于将计算出的负样本数据的齿轮箱油池温度残差的平均值和标准差，与确定的齿轮箱油池温度残差的平均值和标准差的阈值进行对比，对齿轮箱油池温度进行预警判断。
[0047]
第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述
中任一项所述的一种齿轮箱油池温度预警方法。
[0048]
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述中任一项所述的一种齿轮箱油池温度预警方法。
[0049]
本发明至少具有以下有益效果：
[0050]
1、本发明获取所有风机历史运行数据，对风机的相关性进行分析，建立了健康机组群，针对风电场历史运行数据建立了正、负样本数据，选择与齿轮箱油池温度相关性较大的特征作为主特征值进行输入，通过正样本数据建立齿轮箱油池温度预警模型，确定齿轮箱油池温度残差的平均值和标准差的阈值；通过负样本数据对模型进行预测，实时计算当前机组齿轮箱油池温度预测值与实际值的偏差，并于设定的阈值进行对比，当温度偏差大于设定阈值时，发出齿轮箱油池温度超限预警；通过此方法能够通过实时数据对齿轮箱油池温度进行预警，具有实时性、可操作性强的优点。
[0051]
2、本发明无需加装额外的传感器，只对风场的历史运行数据建模分析即可，更具备可实施性和可推广性。
附图说明
[0052]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0053]
图1为齿轮箱油池温度预警方法流程示意图；
[0054]
图2为齿轮箱油池温度预警系统模块示意图；
[0055]
图3为齿轮箱油池温度预测示意图；
[0056]
图4为齿轮箱油池温度残差示意图。
具体实施方式
[0057]
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0058]
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
[0059]
实施例1
[0060]
如图1所示，一种齿轮箱油池温度预警方法，包括：
[0061]
s1：获取所有风机历史运行数据，进行数据预处理，对风机的相关性进行分析，建立健康机组群，选择健康机组群的主特征值；
[0062]
s11：获取风电场平面布置图，了解风机布局，选择目标风机和周围的风机进行相关性分析；
[0063]
s12：获取风电场所有风机的历史运行数据，对数据进行预处理；
[0064]
历史运行数据取自scada系统数据，数据采集周期为5分钟，数据源包含同一时间序列的风机运行状态、发电机有功功率、瞬时风速、环境温度、主轴前轴承温度、主轴后轴承
温度、发电机转速、齿轮箱高速轴前端温度、齿轮箱高速轴后端温度、齿轮箱进口油温、齿轮箱油池温度、齿轮箱进口压力、齿轮箱油泵出口压力和齿轮箱冷却水温度合计14项特征参数；
[0065]
对获取的历史运行数据进行异常数据清洗，清洗原则为：排除齿轮箱油池温度小于-50℃，大于120℃的点；选取风机有功功率大于零的时刻点进行分析，剔除夜晚等情况不发电时，造成有功功率小于等于零的异常点值；此外，若某个时刻点某项特征参数有缺失数据，则对应时刻的采集到的所有数据都删除。
[0066]
s13：采用皮尔逊相关系数对风机的相关性进行分析，获取相关性较大的风机，建立健康机组群；
[0067]
采用皮尔逊相关系数，计算相同时间周期中发生过齿轮箱油池温度预警的风机与邻近机组中，相同特征参数之间的相似度；
[0068]
皮尔逊相关性分析法可以定量分析两组数据间的相似度，假设(xi,yi)为总样本中的任意一组值，那么变量x与变量y之间的皮尔逊相关性系数ρ
pearson
为：
[0069][0070]
皮尔逊系数为两组变量的协方差与标准偏差乘积的比值，值域范围为[-1,1]。当两个变量有很强的线性关系时，皮尔逊系数为1或者-1；相关系数的绝对值越大，表明x与y相关度越高。
[0071]
表1相关系数与相关度的关系
[0072]
相关系数相关度0.8-1.0极强相关0.6-0.8强相关0.4-0.6中等程度相关0.2-0.4弱相关0.0-0.2极弱相关或无相关
[0073]
在本发明中，相关系数的绝对值大于或等于0.6时为相关性较大，根据得到的相关性较大的风机，建立健康机组群。
[0074]
s14：对健康机组群中，齿轮箱油池温度参数与风机的其余所有特征参数进行相关性进行分析，选取相关性较大的特征作为健康机组群的主特征值；相关性较大为相关系数的绝对值大于或等于0.6。
[0075]
s2：选择健康机组群的历史运行数据作为正样本数据，通过健康机组群的主特征值，建立齿轮箱油池温度预警模型，确定齿轮箱油池温度残差的平均值和标准差的阈值；
[0076]
s21：对健康机组群的主特征值进行归一化处理；
[0077]
为了避免不同特征参数范围大小不一致对最终结果造成偏差，需要对与齿轮箱油池温度相关度较大的特征参数进行归一化处理，这里选用最大值最小值归一化，具体公式如下：
[0078]
[0079]
其中：x为某个特征值；x
max
、x
min
为某个特征值的最大值与最小值，x
std
为最大值最小值归一化后的主特征值。
[0080]
s22：将归一化后的主特征值作为模型的输入，以齿轮箱油池温度作为模型的输出，建立齿轮箱油池温度预警模型，预测正常风机的齿轮箱油池温度值；
[0081]
s23：引入决策系数评估模型准确性，公式如下：
[0082][0083]
式中：r2为决策系数；y
true
为风机齿轮箱油池温度实际值，通过scada系统获得，y
true_mean
为风机齿轮箱油池温度实际值的平均值，y
pred
为风机齿轮箱油池温度预测值，为齿轮箱油池温度预警模型输出值；决策系数越接近1，说明模型准确性越高。
[0084]
s24：采用滑动窗口分析方法对预测残差进行处理，以便消除随机因素对残差变化的影响；
[0085]
滑动窗口的宽度为n，该窗口下包含采样点的残差均值和标准差的计算公式如下：
[0086][0087][0088]
式中，erri为窗口中的第i个残差，n为当前滑动窗口中采集点数，为当前滑动窗口的残差平均值，s为当前滑动窗口的残差标准差；
[0089]
erri＝y
pred-y
true
[0090]
使用滑动窗口法计算整个正样本数据，确定残差均值的绝对值的最大值和残差标准差的最大值s_max，作为残差平均值和残差标准差的阈值。
[0091]
s3：选择有齿轮箱温度预警的机组的运行数据作为负样本数据，输入到建立好的齿轮箱油池温度预警模型，获得预警机组的齿轮箱油池温度预测值，计算负样本数据的齿轮箱油池温度残差的平均值和标准差；
[0092]
s31：将负样本数据输入建立好的齿轮箱油池温度预警模型进行预测，获得预警机组的齿轮箱油池温度；
[0093]
s32：根据预警机组的齿轮箱油池温度预测值与实际值，使用滑动窗口分析方法计算负样本数据的齿轮箱油池温度残差的平均值和标准差，滑动窗口的宽度需要与步骤s24一致。
[0094]
s4：将步骤s3计算出的负样本数据的齿轮箱油池温度残差的平均值和标准差，与步骤s2确定的齿轮箱油池温度残差的平均值和标准差的阈值进行对比，对齿轮箱油池温度进行预警判断；
[0095]
当计算出的负样本数据的齿轮箱油池温度残差的平均值和标准差连续k(取值范围为3～6)个时刻大于步骤s24中确定好的阈值时，发出齿轮箱温度超限预警。
[0096]
实施例2
[0097]
如图2所示，一种齿轮箱油池温度预警系统，包括：
[0098]
数据获取及主特征值选择模块，用于获取所有风机历史运行数据，进行数据预处理，对风机的相关性进行分析，建立健康机组群，选择健康机组群的主特征值；
[0099]
模型的建立及阈值的确定模块，用于选择健康机组群的历史运行数据作为正样本数据，通过健康机组群的主特征值，建立齿轮箱油池温度预警模型，确定齿轮箱油池温度残差的平均值和标准差的阈值；
[0100]
油池温度预测值获得模块及平均值和标准差的计算模块，用于选择有齿轮箱温度预警的机组的运行数据作为负样本数据，输入到建立好的齿轮箱油池温度预警模型，获得预警机组的齿轮箱油池温度预测值，计算负样本数据的齿轮箱油池温度残差的平均值和标准差；
[0101]
齿轮箱油池温度预警模块，用于将计算出的负样本数据的齿轮箱油池温度残差的平均值和标准差，与确定的齿轮箱油池温度残差的平均值和标准差的阈值进行对比，对齿轮箱油池温度进行预警判断。
[0102]
实施例3
[0103]
本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例1所述的一种齿轮箱油池温度预警方法。
[0104]
实施例4
[0105]
本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的一种齿轮箱油池温度预警方法。
[0106]
实施例5
[0107]
s1：获取所有风机历史运行数据，进行数据预处理，对风机的相关性进行分析，建立健康机组群，选择健康机组群的主特征值；
[0108]
s11：获取风电场平面布置图，了解风机布局，选择目标风机和周围的风机进行相关性分析；
[0109]
s12：获取风电场所有风机的历史运行数据，对数据进行预处理；
[0110]
运行数据取自新疆某风场的scada系统数据，获取的2021年11月14日至2022年10月29日共99065条历史数据，数据采集周期为5分钟，数据源包含同一时间序列的风机运行状态、发电机有功功率、瞬时风速、环境温度、主轴前轴承温度、主轴后轴承温度、发电机转速、齿轮箱高速轴前端温度、齿轮箱高速轴后端温度、齿轮箱进口油温、齿轮箱油池温度、齿轮箱进口压力、齿轮箱油泵出口压力和齿轮箱冷却水温度合计14项特征参数；
[0111]
对获取的历史运行数据进行异常数据清洗，清洗原则为：排除齿轮箱油池温度小于-50℃，大于120℃的点；选取风机有功功率大于零的时刻点进行分析，剔除夜晚等情况不发电时，造成有功功率小于等于零的异常点值；此外，若某个时刻点某项指标有缺失数据，则对应时刻的采集到的所有数据都删除。
[0112]
s13：采用皮尔逊相关系数对风机的相关性进行分析，获取相关性较大的风机，建立健康机组群；
[0113]
采用皮尔逊相关系数，计算相同时间周期中发生过齿轮箱油池温度预警的风机与邻近机组中，相同特征参数之间的相似度；
[0114]
皮尔逊相关性分析法可以定量分析两组数据间的相似度，假设(xi,yi)为总样本中的任意一组值，那么变量x与变量y之间的皮尔逊相关性系数ρ
pearson
为：
[0115][0116]
皮尔逊系数为两组变量的协方差与标准偏差乘积的比值，值域范围为[-1,1]。当两个变量有很强的线性关系时，皮尔逊系数为1或者-1。相关系数的绝对值越大，表明x与y相关度越高。
[0117]
表1相关系数与相关度的关系
[0118]
相关系数相关度0.8-1.0极强相关0.6-0.8强相关0.4-0.6中等程度相关0.2-0.4弱相关0.0-0.2极弱相关或无相关
[0119]
在本发明中，相关系数的绝对值大于或等于0.6时为相关性较大，根据得到的相关性较大的风机，建立健康机组群。
[0120]
s14：对健康机组群中，齿轮箱油池温度参数与风机的其余所有特征参数进行相关性进行分析，选取相关性较大的特征作为健康机组群的主特征值；相关性较大为相关系数的绝对值大于或等于0.6。
[0121]
如对某风机一年的运行数据进行相关性分析，发现以下特征的相关性系数相对较高；
[0122]
xx风机影响因子相关系数齿轮箱进口油温0.96发电机有功功率0.7齿轮箱油泵出口压力0.83齿轮箱进口压力-0.9
[0123]
从表中可以看出，齿轮箱进口压力与齿轮箱油池温度是负相关状态，其他特征均是正相关状态。
[0124]
s2：选择健康机组群的历史运行数据作为正样本数据，通过健康机组群的主特征值，建立齿轮箱油池温度预警模型，确定齿轮箱油池温度残差的平均值和标准差的阈值；
[0125]
s21：对健康机组群的主特征值进行归一化处理；
[0126]
为了避免不同特征参数范围大小不一致对最终结果造成偏差，需要对与齿轮箱油池温度相关度较大的特征参数进行归一化处理，这里选用最大值最小值归一化，具体公式如下：
[0127][0128]
其中：x为某个特征值；x
max
、x
min
为某个特征值的最大值与最小值，x
std
为最大值最
小值归一化后的主特征值。
[0129]
s22：将归一化后的主特征值作为模型的输入，以齿轮箱油池温度作为模型的输出，建立齿轮箱油池温度预警模型，预测正常风机的齿轮箱油池温度值；
[0130]
建立梯度提升决策树模型，即齿轮箱油池温度预警模型，预测正常风机的齿轮箱油池温度值；对应预测模型为：
[0131]
y＝f(t
jk
,p
jk
,p,p
ck
)
[0132]
其中：y为预测的齿轮箱油池温度、t
jk
,p
jk
,p,p
ck
分别为齿轮箱进口油温、齿轮箱进口压力、发电机有功功率、齿轮箱油泵出口压力。
[0133]
所述梯度提升决策树利用串行模型和前向分步算法实现学习的优化过程。基于boosting方法，将基分类器层层叠加，每次训练时对前一次分错的样本，赋予更高的权重，最后根据各层分类器的结果加权得到最终预测结果，下一个弱分类器去拟合预测值与真实值之间的残差。
[0134]
s23：引入决策系数评估模型准确性，公式如下：
[0135][0136]
式中：r2为决策系数；y
true
为风机齿轮箱油池温度实际值，通过scada系统获得，y
true_mean
为风机齿轮箱油池温度实际值的平均值，y
pred
为风机齿轮箱油池温度预测值，为齿轮箱油池温度预警模型输出值；决策系数越接近1，说明模型准确性越高。
[0137]
s24：采用滑动窗口分析方法对预测残差进行处理，以便消除随机因素对残差变化的影响；
[0138]
滑动窗口的宽度为n，该窗口下包含采样点的残差均值和标准差的计算公式如下：
[0139][0140][0141]
式中，erri为窗口中的第i个残差，n为当前滑动窗口中采集点数，为当前滑动窗口的残差平均值，s为当前滑动窗口的残差标准差；
[0142]
erri＝y
pred-y
true
[0143]
使用滑动窗口法计算整个正样本数据，确定残差均值的绝对值的最大值和残差标准差的最大值s_max，作为残差平均值和残差标准差的阈值。
[0144]
s3：选择有齿轮箱温度预警的机组的运行数据作为负样本数据，输入到建立好的齿轮箱油池温度预警模型，获得预警机组的齿轮箱油池温度预测值，计算负样本数据的齿轮箱油池温度残差的平均值和标准差。
[0145]
s31：将负样本数据输入建立好的齿轮箱油池温度预警模型进行预测，获得预警机组的齿轮箱油池温度；
[0146]
s32：根据预警机组的齿轮箱油池温度预测值与实际值，使用滑动窗口分析方法计
算负样本数据的齿轮箱油池温度残差的平均值和标准差，滑动窗口的大小需要与步骤s24一致。
[0147]
s4：将步骤s3计算出的负样本数据的齿轮箱油池温度残差的平均值和标准差，与步骤s2确定的齿轮箱油池温度残差的平均值和标准差的阈值进行对比，对齿轮箱油池温度进行预警判断；
[0148]
当计算出的负样本数据的齿轮箱油池温度残差的平均值和标准差连续k(取值范围为3～6)个时刻大于步骤s24中确定好的阈值时，发出齿轮箱温度超限预警。
[0149]
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。
[0150]
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。
[0151]
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。
[0152]
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。
[0153]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。