煤矸识别方法及煤矿运送系统与流程

1.本发明涉及矿产开采领域，尤指一种煤矸识别方法及煤矿运送系统。


背景技术：

2.随着现代自动化控制技术的快速发展，综采放顶煤工作面自动化技术逐步向无人开采时代迈进。目前，工作面前部的综采自动化已经初步实现。但是由于技术水平和理论研究的掣肘，当前放顶煤工作面智能化放煤尚处于起步阶段，主要通过操作人员耳听和目测来判定放出煤和矸石的程度，并采取“见矸关窗”的原则停止放煤。但是通过人工操作，必然会出现顶煤过放和欠放的情况，还有可能造成操作人员的人身伤害。为了提高煤炭开采效率，保障人员人身安全，实现放顶煤工作面自动化放煤意义重大。作为放顶煤工作面自动化放煤的关键技术，煤矸识别方法主要分为伽马射线法、雷达探测法、截割力响应分析法、图像识别法等，但是由于井下工作面环境恶劣，能见度低，导致上述煤矸识别方法识别率较低，且部署性不高。因此，设计一种可靠的煤矸自动识别方法已经成为放顶煤工作面自动化放煤技术中的关键问题。
3.为了解决工作面多粉尘、潮湿、昏暗等恶劣环境导致的煤矸人工识别精度不高的问题，该技术提出了一种基于多传感信息融合的放顶煤过程中煤矸识别方法。首先分别收集放顶煤液压支架尾梁上采集到的音频信号和振动信号，然后使用经验模态分解(emd)进行特征提取，并训练支持向量机和bp神经网络对音频信号和振动信号进行煤矸识别，最后根据d-s证据理论将识别结果进行决策及融合，极大地提高了煤矸识别的准确性和可信度。但是，该技术选择将振动传感器安装在放顶煤液压支架尾梁上来收集煤与矸石落于尾梁上产生的振动信号。但是在放顶煤实际工况中，尾梁的上部一直堆放着煤，煤与矸石在下落过程中，是无法直接落于尾梁上的，因此安装在液压支架尾梁上的振动传感器很难收集到有效的煤矸信号。其次，该技术在使用支持向量机和bp神经网络模型进行煤矸识别时，都需要额外提取音频信号和振动信号的有效特征，判别能力不强的特征可能使得煤矸识别率过低。最后，该技术使用的支持向量机和bp神经网络模型属于典型的监督学习模型，在进行模型训练时，需要耗费大量的人力对煤矸信号进行标注，训练代价较大。
4.为了解决目前煤矿开采工艺中放煤率低，且散体煤矸放出时产生的大量粉尘对人体造成了伤害等问题，该技术设计了一种煤矸识别与自动化放煤控制系统。首先在放煤设备的放煤口处安装声纹传感器以及图像传感器并收集音频信号和视频信号，然后使用dsp快速处理器将音频信号与预设的声音频谱进行匹配并对视频信号进行数字化图像分析，最后根据处理后的结果发出控制指令，使得电液控制设备实现放顶煤的控制。但是，由于工作面现场的背景噪声极其复杂，使得采集高质量的煤矸声信号的过程比较困难，信号分析不容易实现。在放煤口处，煤与矸石在下落过程中会产生大量粉尘，再加上部分煤与矸石之间的相似度较大，导致视频信号的分辨率不高。


技术实现要素：

5.本发明目的在于提供一种煤矸识别方法和煤矿运送系统，以煤与矸石落于后运输机上产生的振动信号为研究对象，围绕煤矸识别技术的特点和需求，以提高煤矸识别精确度为核心目标。
6.为达上述目的，本发明所提供的煤矸识别方法，所述煤矸识别方法：通过安装于后运输机机体上的振动加速度传感器采集下落至所述后运输机上的煤产生的冲击信号；根据所述冲击信号进行频谱分析获得特征频率，根据所述特征频率通过数字信号处理构建特征阈值，和/或通过深度学习方法训练识别模型；通过所述特征阈值和/或所述识别模型对待测冲击信号进行分析，根据分析结果识别确定所述后运输机机体上煤或矸石。
7.在上述煤矸识别方法中，优选的，根据所述冲击信号进行频谱分析获得特征频率还包含：对煤产生的冲击信号进行频谱分析获得第一冲击频率；对矸在后运输机上产生的冲击信号进行频谱分析获得第二冲击频率；根据所述第一冲击频率和第二冲击频率之间的比较结果获得所述特征频率。
8.在上述煤矸识别方法中，优选的，根据所述特征频率通过数字信号处理构建特征阈值包含：对所述特征频率进行带通滤波获得特征频谱，对所述特征频谱进行频谱分析逆变换，并计算逆变换后所述特征频谱的有效值；根据所述有效值构建特征阈值。
9.在上述煤矸识别方法中，优选的，通过深度学习方法训练识别模型包含：所述识别模型为深度支持向量数据描述的超球模型；其中，所述超球模型包含：将所述冲击信号标记为样本数据；通过所述样本数据利用深度学习方法训练深度支持向量数据描述的超球模型，获得超球模型的距离阈值；根据所述距离阈值识别所述后运输机机体上煤或矸石。
10.在上述煤矸识别方法中，优选的，所述超球模型在训练时的损失函数包含：
[0011][0012]
在上式中，xi为训练数据，n为训练样本个数，c为超球球心，λ为惩罚参数，φ(
·
；w)为deep svdd特征提取器的映射函数，w＝{w1,
…wl
}为特征提取器的网络参数。
[0013]
在上述煤矸识别方法中，优选的，根据所述特征频率通过数字信号处理构建特征阈值和通过深度学习方法训练识别模型包含：对煤产生的冲击信号进行频谱分析获得特征频谱；根据煤信号的信号特点对所述特征频谱进行带通滤波后予以训练深度自编码模型获得识别模型。
[0014]
在上述煤矸识别方法中，优选的，所述识别模型在训练时的损失函数包含：
[0015][0016]
在上式中，m为训练样本个数，w,b分别为dae模型的权重与偏置，h(ω)
(r)
为输入数据，为重构结果。
[0017]
在上述煤矸识别方法中，优选的，根据分析结果识别确定所述后运输机机体上煤或矸石还包含：当识别结果为矸石时生成控制信号；根据所述控制信号停止将煤矸矿石传输至所述后运输机机体。
[0018]
本发明还提供一种适用于所述煤矸识别方法的煤矿运送系统，所述系统包含崩落区、放煤口、输出控制器、后运输机机体、振动加速度传感器和处理模块；所述崩落区为煤矸矿石待放落区域；所述输出控制器用于根据接收到的控制指令开启或关闭所述放煤口；所
述放煤口用于将所述崩落区内积累的煤矸矿石滑落至所述后运输机机体；所述振动加速度传感器安设于所述后运输机机体上，用于采集下落至所述后运输机上的煤矸矿石产生的冲击信号；所述处理模块用于根据所述冲击信息识别所述后运输机机体上矿石为煤矸矿石，当所述后运输机机体上为矸矿石时，生成控制指令控制所述输出控制器关闭所述放煤口。
[0019]
在上述煤矿运送系统中，优选的，所述振动加速度传感器为单轴压电式加速度传感器，所述单轴压电式加速度传感器通过强磁吸座的方式安装在后运输机机体上。
[0020]
在上述煤矿运送系统中，优选的，所述振动加速度传感器还包含功耗单元，所述功耗单元用于当所述输出控制器开启或关闭所述放煤口时控制所述振动加速度传感器对应开启或关闭冲击信号采集。
[0021]
本发明还提供一种计算机设备，包括存储器、处理器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计算机程序时实现上述方法。
[0022]
本发明还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执行上述方法的计算机程序。
[0023]
本发明的有益技术效果在于：通过将振动加速度传感器安装于后运输机机体上，采集到的振动信号能直接反映放顶煤工作面放煤矸的具体状态。在此基础上，为满足不同综放工作面的需求，本发明均能实时判定落于后运输机上的是煤还是矸，最终能根据模型的输出结果控制放煤动作，提高煤矿的生产效率。
附图说明
[0024]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，并不构成对本发明的限定。在附图中：
[0025]
图1为本发明一实施例所提供的煤矸识别方法的流程示意图；
[0026]
图2a为本发明一实施例所提供的特征频率的获取流程示意图；
[0027]
图2b为本发明一实施例所提供的特征阈值的构建流程示意图；
[0028]
图3为本发明一实施例所提供的超球模型的构建流程示意图；
[0029]
图4为本发明一实施例所提供的识别模型的构建流程示意图；
[0030]
图5为本发明一实施例所提供的煤矸识别方法的应用流程示意图；
[0031]
图6为本发明一实施例所提供的煤矿运送系统的原理结构示意图；
[0032]
图7为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
[0033]
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
[0034]
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0035]
请参考图1所示，本发明所提供的煤矸识别方法，具体包含：
[0036]
s101通过安装于后运输机机体上的振动加速度传感器采集下落至所述后运输机上的煤产生的冲击信号；
[0037]
s102根据所述冲击信号进行频谱分析获得特征频率，根据所述特征频率通过数字信号处理构建特征阈值，和/或通过深度学习方法训练识别模型；
[0038]
s103通过所述特征阈值和/或所述识别模型对待测冲击信号进行分析，根据分析结果识别确定所述后运输机机体上煤或矸石。
[0039]
具体的，在实际工作中，所述振动加速度传感器还包含信号收集器，在使用之前将振动加速度传感器安装于后运输机机体上以在放煤过程中当插板收回时，煤与矸石是直接落到后运输机上的，此时采集的煤矸振动信号能直接反映煤矸下落的状态。接着将安装好的振动加速度传感器与信号采集器的信号输入端连接，通过网线传输，信号采集器就能将采集到的煤矸振动信号传输至上位机中进行存储和分析。以便于后续，控制煤矸下放的液压支架实现自动放煤，其中，第一次所采集到的煤矸振动信号可通过人工控制放煤动作的启停得到的，具体实施方式将在后续实施例中详细说明，在此就不再一一详述。
[0040]
请参考图2a所示，在本发明一实施例中，根据所述冲击信号进行频谱分析获得特征频率还包含：
[0041]
s201对煤产生的冲击信号进行频谱分析获得第一冲击频率；
[0042]
s202对矸在后运输机上产生的冲击信号进行频谱分析获得第二冲击频率；
[0043]
s203根据所述第一冲击频率和第二冲击频率之间的比较结果获得所述特征频率。
[0044]
进一步的，请参考图2b所示，根据所述特征频率通过数字信号处理构建特征阈值包含：
[0045]
s204对所述特征频率进行带通滤波获得特征频谱，对所述特征频谱进行频谱分析逆变换，并计算逆变换后所述冲击信号的有效值；
[0046]
s205根据所述有效值构建特征阈值。
[0047]
具体的，在实际工作中可对煤矸振动信号进行重采样与标记，例如将上位机存储的一维煤矸振动信号每隔0.1s记为一个样本，接着根据人工的现场记录，对上位机存储的煤矸振动信号进行标记，放煤信号记为0，放矸信号记为1；其后，使用数字信号处理方法进行煤矸识别；在采集煤矸信号的过程中，放煤进程会存在启停两种情况，在此过程中，信号采集器会将所有数据都进行采集，因此上位机存储的数据中可能存在幅值为0的信号；但是只有冲击信号才有分析意义，因此首先需要对煤矸信号的冲击信号进行提取，然后对提取到的冲击信号进行频谱分析。在实际工况下，矸信号中会存在不同于煤信号的特征频率，筛选出这一部分特征频率的范围并进行带通滤波；接着对滤波之后的频谱进行频谱分析逆变换并求取逆变换后信号的有效值。经过上述操作，此时煤信号与矸信号有效值之间会存在一定的区分度。因此在在线煤矸识别阶段，只需设定一个阈值m，若信号有效值大于m，则该样本为煤信号，反之则为矸信号；一旦煤矸状态标记从煤变为矸时，液压支架控制器发出“停止放煤”控制指令，结束放煤；以此，使用的数字信号处理方法在物理上更为直观，直接通过信号的波形图就可以区分出煤信号与矸信号。当然，本领域相关技术人员也可采用其他时频域分析以及滤波操作予以完成上述特征阈值构建和煤矸识别，本发明对此并不做进一步限定。
[0048]
在本发明一实施例中，通过深度学习方法训练识别模型包含：
[0049]
所述识别模型为深度支持向量数据描述的超球模型；其中，请参考图3所示，所述超球模型包含：
[0050]
s301将所述冲击信号标记为样本数据；
[0051]
s302通过所述样本数据利用深度学习方法训练深度支持向量数据描述的超球模型，获得超球模型的距离阈值；
[0052]
s303根据所述距离阈值识别所述后运输机机体上煤或矸石。
[0053]
在上述实施例中，所述超球模型在训练时的损失函数包含：
[0054][0055]
在上式中，xi为训练数据，n为训练样本个数，c为超球球心，λ为惩罚参数，φ(
·
；w)为deep svdd特征提取器的映射函数，w＝{w1,
…wl
}为特征提取器的网络参数。
[0056]
具体的，使用深度学习方法进行煤矸识别时，选取标记为0的放煤样本作为训练集训练一个深度支持向量数据描述(deep svdd)超球模型，该模型通过寻找能包含煤信号的特征空间中的最小超球，以此得到决策规则。经过训练，deep svdd超球能够将所有煤信号囊括在超球内部，而将矸信号排除在超球外部。因此设定一个距离阈值0，样本距离超球的距离小于该阈值，模型的输出标签为0，对应的样本为放煤样本，大于该阈值时，模型的输出标签为1，对应的样本为放矸样本。deep svdd模型训练时的目标损失可如以下所示：
[0057][0058]
在上式中，xi为训练数据，n为训练样本个数，c为超球球心，λ为惩罚参数，φ(
·
；w)为deep svdd特征提取器的映射函数，w＝{w1,
…wl
}为特征提取器的网络参数。
[0059]
由此，通过上述训练后，deep svdd模型能准确地区分样本是煤还是矸，然后保存该模型的结构及其对应的网络参数。在在线识别阶段，只需将信号采集器采集到的实时振动信号直接输入到训练好的deep svdd模型中，就能得到该信号样本相对应的状态标记。一旦模型输出的煤矸状态标记为矸时，液压支架控制器发出“停止放煤”控制指令，结束放煤。以此，在实际使用时仅用将原始煤矸振动信号输入模型，得到的模型输出就是煤矸状态标记，不需要额外的特征提取和特征选择等操作，易部署性强。除此之外，deep svdd模型属于奇异值检测模型，即训练数据只需要一类数据，在一定程度上能减少数据标注成本；本领域相关技术人员在实际使用时也可采用其他单分类异常检测模型，例如传统基于核方法的svdd模型等同样可以完成，本发明对其并不做进一步限定。
[0060]
请参考图4所示，在本发明一实施例中，根据所述特征频率通过数字信号处理构建特征阈值和通过深度学习方法训练识别模型包含：
[0061]
s401对煤产生的冲击信号进行频谱分析获得特征频谱；
[0062]
s402根据煤信号的信号特点对所述特征频谱进行带通滤波后予以训练深度自编码模型获得识别模型。
[0063]
在上述实施例中，所述识别模型在训练时的损失函数包含：
[0064][0065]
在上式中，m为训练样本个数，w,b分别为dae模型的权重与偏置，h(ω)
(r)
为输入数据，为重构结果。
[0066]
考虑到数字信号处理方法对煤矸信号进行实时状态识别和深度学习模型直接对煤矸信号的原始数据进行实时状态识别两种方式各自的优点，在上述实施例中对其进一步进行融合，即在使用数字信号处理方法对原始煤矸振动信号进行预处理的基础上构建深度学习模型，进一步提高了煤矸识别的精确度。具体的，在实际工作中实施例流程如下：
[0067]
首先提取煤矸信号的冲击信号并进行频谱分析，然后根据煤矸信号的信号特点对频谱进行带通滤波，接着使用带通滤波后的煤信号的频谱训练深度自编码模型(dae)。dae模型训练的思路是利用输入数据本身作为监督，来指导神经网络学习一个映射关系，从而得到一个重构输出。因此根据放煤信号训练出来的dae模型，基本上能够将煤信号重构还原，但却无法重构还原矸信号，从而矸信号的重构误差较大。dae模型训练时的目标损失如下所示：
[0068][0069]
其中，m为训练样本个数，w,b分别为dae模型的权重与偏置，h(ω)
(r)
为输入数据，为重构结果。
[0070]
在在线煤矸识别阶段，只需将信号采集器采集到的实时振动信号直接输入到训练好的dae模型中并设定一个阈值n，若信号的重构误差小于n，则该样本为煤信号，反之则为矸信号。一旦煤矸状态标记从煤变为矸时，液压支架控制器发出“停止放煤”控制指令，结束放煤。当然，在实际工作中，其他各种dae模型的变体，例如去噪自编码器、收缩自编码器、稀疏自编码器以及变分自编码器等同样可以实现上述效果，本领域相关技术人员可根据实际需要选择设定，本发明在此并不做进一步限定。
[0071]
由此，本发明通过上述实施例可结合数字信号处理方法与深度学习方法各自的优点，煤矸识别的准确率更高。同时，dae属于无监督学习模型，只需要煤信号作为训练数据，不需要训练标签，能够避免大量的数据标注工作。
[0072]
在本发明一实施例中，根据分析结果识别确定所述后运输机机体上煤或矸石还包含：当识别结果为矸石时生成控制信号；根据所述控制信号停止将煤矸矿石传输至所述后运输机机体；由此完成了自动识别及控制的目的。为便于更清楚的理解本发明所提供的煤矸识别方法的具体实施流程，以下请参考图5所示，对上述实施例做整体说明：
[0073]
首先在后运输机上安装振动加速度传感器和信号收集装置，该信号收集装置用于收集所述振动加速度传感器所采集到的振动信号；此时人工开启煤矸传输，上位机对通过所述信号收集装置收集到的煤矸振动信号进行存储，其后对煤矸振动信号进行重采样并对煤矸振动信号进行标记，具体可将上位机存储的一维煤矸振动信号每隔0.1s记为一个样本；接着根据人工的现场记录，对上位机存储的煤矸振动信号进行标记，放煤信号记为0，放矸信号记为1。
[0074]
然后进行识别环节，本发明主要提供3种模式，具体如下：
[0075]
模式一：使用数字信号处理方法进行煤矸识别。在采集煤矸信号的过程中，放煤进程会存在启停两种情况，在此过程中，信号采集器会将所有数据都进行采集，因此上位机存储的数据中可能存在幅值为0的信号。但是只有冲击信号才有分析意义，因此首先需要对煤矸信号的冲击信号进行提取；然后对提取到的冲击信号进行频谱分析。在实际工况下，矸信号中会存在不同于煤信号的特征频率，筛选出这一部分特征频率的范围并进行带通滤波；
接着对滤波之后的频谱进行频谱分析逆变换，并求取逆变换后信号的有效值。经过上述操作，此时煤信号与矸信号有效值之间会存在一定的区分度。因此在在线煤矸识别阶段，只需设定一个阈值m，若信号有效值大于m，则该样本为煤信号，反之则为矸信号。一旦煤矸状态标记从煤变为矸时，液压支架控制器发出“停止放煤”控制指令，结束放煤。
[0076]
模式二：使用深度学习方法进行煤矸识别。选取标记为0的放煤样本作为训练集训练一个深度支持向量数据描述(deep svdd)超球模型，该模型通过寻找能包含煤信号的特征空间中的最小超球，以此得到决策规则。经过训练，deep svdd超球能够将所有煤信号囊括在超球内部，而将矸信号排除在超球外部。因此设定一个距离阈值0，样本距离超球的距离小于该阈值，模型的输出标签为0，对应的样本为放煤样本，大于该阈值时，模型的输出标签为1，对应的样本为放矸样本。经过训练之后，此时的deep svdd模型能准确地区分样本是煤还是矸，然后保存该模型的结构及其对应的网络参数。在在线识别阶段，只需将信号采集器采集到的实时振动信号直接输入到训练好的deep svdd模型中，就能得到该信号样本相对应的状态标记。一旦模型输出的煤矸状态标记为矸时，液压支架控制器发出“停止放煤”控制指令，结束放煤。
[0077]
模式三：首先提取煤矸信号的冲击信号并进行频谱分析，然后根据煤矸信号的信号特点对频谱进行带通滤波，接着使用带通滤波后的煤信号的频谱训练深度自编码模型(dae)。dae模型训练的思路是利用输入数据本身作为监督，来指导神经网络学习一个映射关系，从而得到一个重构输出。因此根据放煤信号训练出来的dae模型，基本上能够将煤信号重构还原，但却无法重构还原矸信号，从而矸信号的重构误差较大。在在线煤矸识别阶段，只需将信号采集器采集到的实时振动信号直接输入到训练好的dae模型中并设定一个阈值n，若信号的重构误差小于n，则该样本为煤信号，反之则为矸信号。一旦煤矸状态标记从煤变为矸时，液压支架控制器发出“停止放煤”控制指令，结束放煤。
[0078]
实际工作中，上述模式的选择可根据实际需要设定，本领域相关技术人员可根据实际需要选择设定，本发明在此并不做进一步限定。
[0079]
请参考图6所示，本发明还提供一种适用于所述煤矸识别方法的煤矿运送系统，所述系统包含崩落区、放煤口、输出控制器、后运输机机体、振动加速度传感器和处理模块；所述崩落区为煤矸矿石待放落区域；所述输出控制器用于根据接收到的控制指令开启或关闭所述放煤口；所述放煤口用于将所述第一存放模块内存储的煤矸矿石滑落至所述后运输机机体；所述振动加速度传感器安设于所述后运输机机体上，用于采集下落至所述后运输机上的煤矸矿石产生的冲击信号；所述处理模块用于根据所述冲击信息识别所述后运输机机体上矿石为煤矸矿石，当所述后运输机机体上为矸矿石时，生成控制指令控制所述输出控制器关闭所述放煤口。
[0080]
在上述实施例中，所述振动加速度传感器为单轴压电式加速度传感器，所述单轴压电式加速度传感器通过强磁吸座的方式安装在后运输机机体上。进一步的，所述振动加速度传感器还可包含功耗单元，所述功耗单元用于当所述输出控制器开启或关闭所述放煤口时控制所述振动加速度传感器对应开启或关闭冲击信号采集。在实际工作中，将振动加速度传感器安装于后运输机机体上的原因在于，在放顶煤实际工况中，尾梁的上部一直堆放着煤，煤与矸石在下落过程中，是无法直接落于尾梁上，而是直接落到后运输机上的，因此本发明将其安装在后运输机机体上，使得振动传感器收集的煤矸信号最能直接反映煤矸
下落的状态。所述功耗单元可为现有的使能开关，该使能开关能控制振动信号采集的启停，并在振动信号采集的停止阶段，使得模块进入低功耗模式；该使能开关可通过现有技术实现，本发明在此就不再一一详举。
[0081]
本发明的有益技术效果在于：通过将振动加速度传感器安装于后运输机机体上，采集到的振动信号能直接反映放顶煤工作面放煤矸的具体状态。在此基础上，为满足不同综放工作面的需求，本发明均能实时判定落于后运输机上的是煤还是矸，最终能根据模型的输出结果控制放煤动作，提高煤矿的生产效率。
[0082]
本发明还提供一种计算机设备，包括存储器、处理器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计算机程序时实现上述方法。
[0083]
本发明还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执行上述方法的计算机程序。
[0084]
如图7所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图7中所示的所有部件；此外，电子设备600还可以包括图7中没有示出的部件，可以参考现有技术。
[0085]
如图7所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
[0086]
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
[0087]
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0088]
该存储器140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
[0089]
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0090]
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0091]
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处
理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
[0092]
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。
[0093]
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。
[0094]
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。
[0095]
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。
[0096]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。