一种工业设备的故障检测方法、计算设备及可读存储介质与流程

1.本发明涉及计算机领域，尤其涉及一种工业设备的故障检测方法、计算设备及可读存储介质。


背景技术：

2.近年来，深度学习以其在特征提取与模式识别方面的独特优势在故障检测领域取得了显著进展。目前，深度置信网络、自编码网络、卷积神经网络、递归神经网络等深度学习模型已被广泛应用于故障检测领域。
3.然而，在将这些深度学习模型应用于故障检测领域时，需要利用大量的样本数据和充足的计算资源来对其进行训练。否则，故障分类的效果便会不佳。也就是说，基于深度学习的故障检测需要依赖大量的样本数据来保证其检测的准确度。但是，对于工业设备而言，获取大量的故障实例样本非常困难，或者甚至可以说是根本无法获取大量的故障实例样本。
4.为此，亟需一种新的故障检测方法以解决上述问题。


技术实现要素：

5.为此，本发明提供了一种工业设备的故障检测方法、计算设备及可读存储介质，以力图解决或者至少缓解上面存在的问题。
6.根据本发明的一个方面，提供一种工业设备的故障检测方法，在计算设备中执行，该方法包括：获取待检测设备运行时预设时长内的振动数据的频谱；将振动数据的频谱进行归一化处理，得到振动数据的归一化频谱；将振动数据的归一化频谱输入到训练好的故障检测模型中进行处理，得到待检测设备的故障类别，故障检测模型基于度量元学习模型构建。
7.可选地，在根据本发明的工业设备的故障检测方法中，获取待检测设备运行时预设时长内的振动数据的频谱的步骤，包括：获取待检测设备运行时预设时长内的振动数据；利用短时傅里叶变换，获取振动数据的频谱。
8.可选地，在根据本发明的工业设备的故障检测方法中，振动数据为加速度数据。
9.可选地，在根据本发明的工业设备的故障检测方法中，度量元学习模型为原型网络。
10.可选地，在根据本发明的工业设备的故障检测方法中，故障检测模型包括特征提取模块和度量模块。
11.可选地，在根据本发明的工业设备的故障检测方法中，特征提取模块包括四层卷积网络，每层卷积网络包括一个卷积层、一个激活层和一个池化层。
12.可选地，在根据本发明的工业设备的故障检测方法中，故障检测模型基于下述方法训练：从总训练样本集中随机抽取第一预设数量种故障类别，总训练样本集中的每种故障类别下包括多个样本数据，样本数据为工业设备运行时预设时长内的振动数据的归一化
频谱；对于抽取的每种故障类别，从总训练样本集中随机抽取第二预设数量个样本数据；将第二预设数量个样本数据中的第三预设数量个样本数据作为元训练的支持集，并将剩余的样本数据作为元训练的查询集；利用支持集和查询集对故障检测模型进行训练，得到初始故障检测模型；重复上述步骤，直到达到预定次数，获得训练好的故障检测模型。
13.可选地，在根据本发明的工业设备的故障检测方法中，利用支持集和查询集对故障检测模型进行训练的步骤，包括：将支持集中每种故障类别下的样本数据输入到特征提取模块中，得到每个样本数据的特征向量；基于得到的每个样本数据的特征向量，获取支持集中每种故障类别的原型表示；将查询集中每种故障类别下的样本数据输入到特征提取模块中，得到查询集中每个样本数据的特征向量；基于查询集中每个样本数据的特征向量和获取的每种故障类别的原型表示，获取查询集中每个样本数据所对应的预测故障类别；基于查询集中每个样本数据所对应的预测故障类别和真实故障类别之间的损失值，更新故障检测模型，得到初始故障检测模型。
14.根据本发明的又一个方面，提供一种计算设备，包括：至少一个处理器；以及存储器，存储有程序指令，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行根据本发明的工业设备的故障检测方法的指令。
15.根据本发明的又一个方面，提供一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行根据本发明的工业设备的故障检测方法。
16.根据本发明的工业设备的故障检测方法，首先获取待检测设备运行时预设时长内振动数据的频谱。然后，将振动数据的频谱进行归一化处理，得到振动数据的归一化频谱。最后，根据振动数据的归一化频谱，利用基于度量元学习模型构建的故障检测模型来获取待检测设备的故障类别。可见，本发明的故障检测方法采用的是基于度量元学习模型所构建的故障检测模型，这样在小样本情况下也可以获得很好的故障检测效果，从而提高了小样本下故障检测的准确率。
17.并且，本发明对待检测设备的振动数据的频谱进行了归一化处理，如此便能消除频谱幅值范围不同所对故障检测造成的影响，从而进一步提高了故障检测的准确率。
附图说明
18.为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
19.图1示出了根据本发明一个实施例的计算设备100的结构框图；
20.图2示出了根据本发明一个实施例的工业设备的故障检测方法200的流程图；
21.图3示出了根据本发明一个实施例的故障检测模型的结构图的示意图。
具体实施方式
22.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。
23.故障诊断(同故障检测)对于设备的安全运行和工业生产的有序进行起着关键性作用。故障诊断方法大体可以分为两类,基于机理的故障诊断方法和基于数据驱动的故障诊断方法。其中，基于机理的故障诊断方法能够清晰地刻画每一次故障的机理以及输入和输出之间的关系，简单准确。但是，其存在一定的局限性——不适用于复杂的故障诊断，因为对于过于复杂的设备其无法获取内部机理的全部信息。
24.而基于数据驱动的故障诊断方法则可用于复杂的故障诊断中，例如对内部结构复杂和外部运行环境多样性的旋转设备进行故障诊断。基于数据驱动的故障诊断方法是直接使用状态监测数据来推断机械故障，不需要对潜在的故障机制做出任何假设。
25.其中，基于数据驱动的故障诊断方法经历了两个阶段，基于人工特征的智能故障诊断阶段和基于深度学习的智能故障诊断阶段。基于人工特征的故障诊断是人工从原始数据中提取特征，再将敏感特征输入到支持向量机(svm)，k最近邻(knn)，人工神经网络(ann)等机器学习模型中。这种方法需要工作人员具备丰富的专业知识和诊断经验，同时还需要其根据诊断任务的变化重新设计特征提取算法，显然这些都给基于人工特征的智能故障诊断带来了一定的困难。基于此，数据驱动的故障诊断方法便进入了第二阶段——基于深度学习的智能故障诊断阶段。
26.基于深度学习的智能故障诊断需要借助大量的数据和充足的计算资源来训练模型，以此来保证故障诊断的准确率。但是，对于工业设备而言，深度学习所需的大量故障实例和充足的计算资源是无法满足的。
27.(一)无法获得足够样本来使分类器对每种故障类型都具有鲁棒性的原因主要包括：(1)设备故障尤其是关键系统的故障会带来严重的后果，因此设备通常不会被允许处于故障状态。(2)大多数故障遵循退化路径进行缓慢的劣化，因此设备的故障劣化可能长达数月甚至数年，这使得收集相关数据变得非常困难。(3)机械系统的工作条件非常复杂，并且经常根据生产要求而不断变化，这便使得收集和标记足够的训练样本是不现实的。特别是在实际应用中，故障类别和工作条件通常是不平衡的，因此很难在不同的工作条件下为每种故障类型收集足够的样本。(4)收集和标记足够的训练样本要花费巨额的人力物力。(二)对于充足的计算资源无法满足的原因主要包括：(1)深度学习所需的充足的计算资源和训练时间同样与设备故障诊断领域的实际需求相悖。过高的计算资源意味着大量的成本支出，这使得企业不愿意承担。(2)设备故障诊断需要快速的反应能力和诊断能力，过长的训练时间无法满足设备故障诊断的实际需求。
28.可见，基于深度学习的故障预测方法在应用于工业设备故障检测时其会受到运算资源和样本数量的制约。然而，样本数量过少，深度学习模型会陷入到过拟合的风险中。过拟合是指模型参数拟合过程中的问题。具体地，训练数据包含抽样误差，训练时复杂的模型将抽样误差也考虑了在内(即将抽样误差也进行了很好的拟合)，从而导致模型在训练集上效果很好，但在测试集上效果却较差，即模型的泛化能力较弱。也就是说，在小样本情况下，深度学习模型的故障分类效果较差。
29.基于此，本发明提供了一种基于度量元学习的故障检测方法，通过原型网络等度量元学习将训练过程中学习到的故障识别(即故障检测、故障诊断)快速应用于新工况下的
故障识别，从而可以克服基于深度学习的故障诊断对大量样本数据的依赖，同时在不同的复杂工况下还均能保证故障检测的准确度。另外，度量元学习网络相较于深度学习网络，其结构较为简单，从而能够有效地减少所需的计算资源与训练时间。
30.图1示出了根据本发明一个实施例的计算设备100的结构框图。需要说明的是，图1所示的计算设备100仅为一个示例，在实践中，用于实施本发明的工业设备的故障检测方法的计算设备可以是任意型号的设备，其硬件配置情况可以与图1所示的计算设备100相同，也可以与图1所示的计算设备100不同。实践中用于实施本发明的工业设备的故障检测方法的计算设备可以对图1所示的计算设备100的硬件组件进行增加或删减，本发明对计算设备的具体硬件配置情况不做限制。
31.如图1所示，在基本配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
32.取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μp)、微控制器(μc)、数字信息处理器(dsp)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(alu)、浮点数单元(fpu)、数字信号处理核心(dsp核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
33.取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如ram)、非易失性存储器(诸如rom、闪存等)或者它们的任何组合。计算设备中的物理内存通常指的是易失性存储器ram，磁盘中的数据需要加载至物理内存中才能够被处理器104读取。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。操作系统120例如可以是linux、windows等，其包括用于处理基本系统服务以及执行依赖于硬件的任务的程序指令。应用122包括用于实现各种用户期望的功能的程序指令，应用122例如可以是浏览器、即时通讯软件、软件开发工具(例如集成开发环境ide、编译器等)等，但不限于此。当应用122被安装到计算设备100中时，可以向操作系统120添加驱动模块。
34.在计算设备100启动运行时，处理器104会从系统存储器106中读取操作系统120的程序指令并执行。应用122运行在操作系统120之上，利用操作系统120以及底层硬件提供的接口来实现各种用户期望的功能。当用户启动应用122时，应用122会加载至系统存储器106中，处理器104从系统存储器106中读取并执行应用122的程序指令。
35.计算设备100还包括储存设备132，储存设备132包括可移除储存器136和不可移除储存器138，可移除储存器136和不可移除储存器138均与储存接口总线134连接。
36.计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个a/v端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个i/o端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸
输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
37.网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(rf)、微波、红外(ir)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
38.在根据本发明的计算设备100中，应用122包括用于执行本发明的工业设备的故障检测方法200的指令，该指令可以指示处理器104执行本发明的工业设备的故障检测方法。本领域技术人员可以理解，除了用于执行工业设备的故障检测方法200的指令之外，应用122还可以包括用于实现其他功能的其他应用126。
39.图2示出了根据本发明一个实施例的工业设备的故障检测方法200的流程图，方法200适于在计算设备(例如图1所示的计算设备100)中执行。如图2所示，该方法始于步骤s210。
40.在步骤s210中，获取待检测设备运行时预设时长内的振动数据的频谱。具体地：首先，获取待检测设备运行时预设时长内的振动数据。然后，利用短时傅里叶变换，获取振动数据的频谱。简而言之，利用短时傅里叶变换将获得的振动信号数据转换为频谱数据，从而获的振动数据的频谱。其中，待检测设备可以为旋转设备，振动数据可以为加速度数据。
41.当振动数据为加速度数据时，可以利用加速度传感器来获取。根据本发明的一个实施例，获取待检测设备运行时预设时长内的加速度数据的频谱的步骤具体为：首先通过加速度传感器获取待检测设备运行时预设时长内的加速度数据，然后利用短时傅里叶变换将加速度数据转换为频谱信息，得到待检测设备运行时预设时长内的加速度数据的频谱。其中，预设时长可以为两分钟，对此本发明不作限制。在具体的实施例中，本领域的技术人员可以根据实际需要进行设定。
42.另外，考虑到在不同工况条件下(例如负载不同)获得的振动数据的频谱的幅值范围差异较大，而幅值范围不同又会影响故障诊断的准确率，因此为了提高故障检测的准确率，可以对获得的振动数据的频谱进行归一化处理。
43.随后进入步骤s220，将振动数据的频谱进行归一化处理，得到振动数据的归一化频谱。根据本发明的一个实施例，可以通过下式来对获取的预设时长内的振动数据的频谱进行归一化处理：
[0044][0045]
其中，x’(t)为预设时长内振动数据的频谱中第t个采样点归一化后的幅值，x(t)为预设时长内振动数据的频谱中第t个采样点的幅值，mean(x)为预设时长内振动数据的频谱的平均幅值，max(x)为预设时长内振动数据的频谱中的最大幅值，min(x)为预设时长内振动数据的频谱中的最小幅值。
[0046]
随后进入步骤s230，将振动数据的归一化频谱输入到训练好的故障检测模型中进行处理，得到待检测设备的故障类别，故障检测模型基于度量元学习模型构建。
[0047]
其中，度量元学习模型是指基于度量的元学习模型，主要包括原型网络(prototypical networks)、匹配网络(matching networks)和关系网络(relation network)。其中，原型网络利用聚类思想，将支持集(support set)投影到一个度量空间，在欧式距离度量的基础上获取向量均值，对测试样本计算其到每个原型的距离，实现分类。匹配网络利用支持集经过特征提取后，在嵌入(embedding)空间中利用余弦(cosine)距离来度量，通过对测试样本进行计算匹配程度来实现分类。关系网络提出的relation module结构替换了匹配网络和原型网络中的余弦和欧式距离度量，使其成为了一种学习的非线性分类器用于判断关系，实现分类。
[0048]
根据本发明的一个实施例，故障检测模型基于原型网络构建。图3示出了根据本发明一个实施例的故障检测模型的结构图的示意图。如图3所示，故障检测模型包括特征提取模块和度量模块。特征提取模块由四层卷积网络相互串联构成。每层卷积网络包括一个卷积层、一个用于去线性化的relu函数和一个最大池化层。其中，可以将卷积核的大小设定为3*1，池化核的大小设定为2*1。当然，对于卷积核的大小和池化核的大小，本发明不作限制。在具体的实施例中，本领域的技术人员可以根据实际需要进行设定。可见，该模型抛弃了全连接层，从而可以减少参数的运算。其中，可以通过如下步骤来对构建好的故障检测模型进行训练。
[0049]
第一步，构建一个总训练样本集。总训练样本集中包括多种故障类别，每种故障类别下包括多个样本数据。样本数据为工业设备运行时预设时长内的振动数据的归一化频谱。对于同一种故障类别，可以在不同工况下来获取工业设备运行时预设时长内的振动数据的频谱。
[0050]
第二步，构建元训练集。在总训练样本集构建好之后，从中随机抽取第一预设数量种故障类别，并对于抽取的每种故障类别，随之从总训练样本集中随机抽取第二预设数量个样本数据，将其作为元训练集。
[0051]
第三步，对元训练集进行划分。具体地，将第二预设数量个样本数据中的第三预设数量个样本数据作为元训练的支持集，并将剩余的样本数据作为元训练的查询集。
[0052]
第四步，训练故障检测模型。在将元训练集划分为支持集和查询集之后，利用支持集和查询集对构建好的故障检测模型进行训练，得到初始故障模型。具体地：
[0053]
首先，将支持集中每种故障类别下的样本数据输入到特征提取模块中，得到每个样本数据的特征向量。其中，特征提取模块通过卷积操作抽取每一个故障样本数据的编码表示(即特征向量)。该过程可以表示为一个嵌入函数：r
d
→
r
m
。d是原故障样本数据的维度，m为故障检测模型学习到的故障样本数据的编码表示的维度。
[0054]
然后，基于得到的每个样本数据的特征向量，获取支持集中每种故障类别的原型表示。具体地，对支持集中每种故障类别下的所有样本数据的特征向量求取平均值，将得到的平均值作为该种故障类别的原型表示，如下所示：
[0055]
[0056]
其中，c
k
为故障类别k的原型表示，m为支持集中故障类别k下的样本数量，x
i
为支持集中故障类别k下的第i个样本数据，为样本数据x
i
的特征向量，y
i
为样本数据x
i
所属的故障类别，s
k
为支持集中故障类别k下的样本数据的集合。
[0057]
在得到支持集中每种故障类别的原型表示后，将查询集中每种故障类别下的样本数据依次输入到特征提取模块中，得到查询集中每个样本数据的特征向量。
[0058]
接着，基于查询集中每个样本数据的特征向量和获取的每种故障类别的原型表示，来获取查询集中每个样本数据所对应的预测故障类别。具体地，在得到查询集中任一样本数据的特征向量后，计算其与每种故障类别的原型表示之间的欧式距离，如下所示：
[0059][0060]
其中，表示样本数据z的特征向量与故障类别k的原型表示c
k
之间的欧式距离。
[0061]
随之，对获得的所有欧式距离进行比较，并将与该样本数据的特征向量距离最小的那个原型表示所对应的故障类别作为该样本数据的预测故障类别。其中，对于查询集中任一样本数据的特征向量，当其获得与所有故障类别原型表示之间的欧式距离后，可以使用分类器softmax将各个距离值转化为概率值，然后将概率值最大的作为该样本数据的分类结果，如图3，将故障1、故障2、故障3
…
故障n中概率值最大的那个故障类别作为该样本数据的分类结果。
[0062]
在得到查询集中每个样本数据所对应的预测故障类别后，基于查询集中每个样本数据所对应的预测故障类别和真实故障类别之间的交叉熵损失，更新故障检测模型，得到初始故障检测模型。
[0063]
第五步，重复上述第二步至第四步，直到达到预定次数，获得训练好的故障检测模型。其中，关于预定次数的大小，本发明不作限制。在具体的实施例中，本领域的技术人员可以根据实际需要进行设定。
[0064]
在得到训练好的故障检测模型后，将任一设备工作时预设时长内的振动数据的归一化频谱输入到该模型中，便可得到该设备的故障类别。其中，设备中常见的故障有轴承故障、齿轮故障和工频故障。轴承故障中常见的故障类别包括内圈故障、外圈故障、保持架故障和滚动体故障。齿轮故障中常见的故障类别包括齿面磨损、齿面点蚀、齿根裂纹、断齿、齿面剥落和塑性变形。工频故障中常见的故障类别包括不平衡(把旋转体质量沿旋转中心线的不均匀分布叫做不平衡，由此引起的机器振动或运行时产生的其他问题称为不平衡故障)、不对中(相互耦合的轴的中心线不重合)和松动。
[0065]
综上，本发明基于原型网络构建模型、使用元学习策略训练模型，通过对多个元任务的学习优化模型，并通过积累故障的特征表示来获得不同故障的原型表示。这样，当将待测数据输入模型时，便可得到与该待测数据的特征表示距离最小的原型表示，该原型表示所对应的故障类别即为待测数据的故障种类。
[0066]
可见，本发明是通过使用元训练方法训练原型网络并提取故障数据的编码表示，从而解决了小样本情况下深度神经网络鲁棒能力差、故障诊断准确率低的问题。另外，本发明的故障检测模型中采用简单的四层卷积网络结构，同时还抛弃了全连接层，从而可以避
免网络参数爆炸，有效的降低了计算资源的需求和训练时间。
[0067]
为了更好的理解本发明的故障检测模型的训练方法，下面通过一个具体的示例来对其进行说明。训练集t中一共有k类故障。
[0068]
首先，采取mini
‑
batcn的方法从k类故障中随机抽取m类作为一次mini
‑
batch训练的种类。对于这m种故障类别，在每种故障类别下随机抽取n p个样本，其中n个样本作为支持集，p个样本作为查询集。
[0069]
然后，故障检测模型利用每种故障的n个支持样本，计算每种故障的原型表示。
[0070]
接着，再将查询集中的每个样本输入到故障检测模型中，得到每个查询样本的编码表示。计算每个查询样本的编码表示与每种故障的原型表示之间的距离，并找到这些距离中的最小距离。将与每个查询样本的编码表示距离最小的那个原型表示所对应的故障类别，作为故障检测模型对这个查询样本的分类结果。
[0071]
最后，获取每个查询样本的分类结果与其真实类别之间的交叉熵损失，并通过这m*p个查询样本的交叉熵损失更新故障检测模型。
[0072]
在对故障检测模型更新完毕后，利用更新后的故障检测模型重复上述步骤，即抽取新的元训练集、计算新的故障原型表示和距离等，训练出最终的故障检测模型。
[0073]
根据本发明的工业设备的故障检测方法，首先获取待检测设备运行时预设时长内振动数据的频谱。然后，将振动数据的频谱进行归一化处理，得到振动数据的归一化频谱。最后，根据振动数据的归一化频谱，利用基于度量元学习模型构建的故障检测模型来获取待检测设备的故障类别。可见，本发明的故障检测方法采用的是基于度量元学习模型所构建的故障检测模型，其能将训练过程中学习到的故障检测快速应用于新工况下的故障检测，这样在小样本情况下便也可以获得很好的故障检测效果，从而提高了小样本下故障检测的准确率。
[0074]
并且，本发明对待检测设备的振动数据的频谱进行了归一化处理，如此便能消除频谱幅值范围不同所对故障检测造成的影响，从而进一步提高了故障检测的准确率。
[0075]
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、u盘、软盘、cd
‑
rom或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
[0076]
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的文档加载方法。
[0077]
以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
[0078]
在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类
系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0079]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0080]
应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0081]
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
[0082]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0083]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0084]
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
[0085]
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
[0086]
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，
本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。