用于确定水泵运行状态及故障类型的方法和计算设备与流程

1.本发明涉及水泵领域，具体而言涉及用于确定水泵运行状态及故障类型的方法和计算设备。


背景技术：

2.水泵在现代工业中的应用非常广泛，当水泵发生故障时，常常通过人工巡检的方式来判断故障的位置和类型。然而，部分故障无法在水泵运行时进行人工巡检，导致发现故障的周期较长。另外，诸如水泵产生气蚀等故障无法通过人工巡检的方式发现，导致人工巡检定位水泵故障的方式很难做到全时段、全方位覆盖，存在错检、漏检的风险，且人工巡检定位故障需要借助人耳辨音，但人耳辨音技术依赖专家经验传授和长时间的学习积累，学习成本较高。
3.因此，需要一种新型的用于确定水泵运行状态及故障类型的方法和计算设备，以解决上述问题。


技术实现要素：

4.在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
5.根据本发明的一个实施例，提供了一种用于确定水泵运行状态及故障类型的方法，所述方法包括：获取水泵工作时的音频数据，所述音频数据包括水泵和水泵中的水的各自的音频数据，其中水泵的音频数据为第一音频数据，水的音频数据为第二音频数据；利用经训练的声纹提取模型从所述音频数据中提取出所述第一音频数据；将所述第一音频数据与声纹数据库中存储的音频样本数据进行比较，以确定所述水泵的运行状态；以及在确定所述水泵的运行状态为故障时，确定所述故障的故障类型。
6.在一个实施例中，所述方法还包括：在获取水泵工作时的音频数据后，先利用经训练的声纹识别模型识别出所述音频数据中水泵和水泵中的水的各自的音频数据，然后利用经训练的声纹提取模型从经识别的音频数据中提取出所述第一音频数据。
7.在一个实施例中，其中利用经训练的声纹识别模型识别出所述音频数据中水泵和水泵中的水的各自的音频数据，包括：利用经训练的声纹识别模型提取所述音频数据的频谱特征；以及基于所述频谱特征识别所述音频数据中水泵和水泵中的水的各自的音频数据。
8.在一个实施例中，其中所述音频样本数据包括正样本数据和负样本数据，其中所述正样本数据为水泵正常工作时的音频数据，所述负样本数据为水泵发生故障时的音频数据，所述方法还包括：将所述第一音频数据与所述正样本数据进行比较，以确定所述第一音频数据是否在所述正样本数据的范围内，从而确定所述水泵的运行状态。
9.在一个实施例中，所述方法还包括：将所述正样本数据转换为正样本声纹波谱图；
将所述第一音频数据转换为第一声纹波谱图；以及将所述第一声纹波谱图与所述正样本声纹波谱图进行比较，以确定所述第一声纹波谱图与所述正样本声纹波谱图的重合度，从而确定所述水泵的运行状态。
10.在一个实施例中，所述方法还包括：确定所述正样本声纹波谱图的左风险值和右风险值；确定所述第一声纹波谱图的左风险值和右风险值；以及将所述第一声纹波谱图的左风险值和右风险值分别与所述正样本声纹波谱图的左风险值和右风险值进行比较，以确定所述水泵的运行状态。
11.在一个实施例中，所述方法还包括：在确定所述水泵的运行状态为故障时，将所述第一音频数据与所述负样本数据进行比较，以确定所述故障的故障类型。
12.在一个实施例中，所述方法还包括：将所述负样本数据转换为负样本声纹波谱图；将所述第一音频数据转换为第一声纹波谱图；以及将所述第一声纹波谱图与所述负样本声纹波谱图进行比较，以确定所述第一声纹波谱图与所述负样本声纹波谱图的重合度，从而确定所述故障的故障类型。
13.在一个实施例中，所述方法还包括：确定所述负样本声纹波谱图的左偏离值和右偏离值；确定所述第一声纹波谱图的左偏离值和右偏离值；以及将所述第一声纹波谱图的左偏离值和右偏离值分别与各个负样本声纹波谱图的左偏离值和右偏离值进行比较，以确定所述故障的故障类型。
14.在一个实施例中，所述方法还包括：当所述第一声纹波谱图与所有负样本声纹波谱图均不重合时，确定所述第一音频数据指示新的故障类型，以及将所述第一音频数据作为新的负样本数据存储在所述声纹数据库中。
15.根据本发明的另一实施例，提供了一种计算设备，所述计算设备包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行如上所述的方法。
16.根据本发明的又一实施例，提供了一种计算机可读介质，所述计算机可读介质上存储有计算机程序，所述计算机程序在被运行时，执行如上所述的方法。
17.根据本发明实施例的用于确定水泵运行状态及故障类型的方法、计算设备和计算机可读介质，通过自动采集水泵运行时的音频，对音频进行降噪处理并进行分析，能够确定水泵的运行状态和故障类型，大大提高了水泵故障及其类型的识别效率、全面性和遗传性。
附图说明
18.本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施例及其描述，用来解释本发明的原理。
19.附图中：
20.图1为根据本发明的一个实施例的实现根据本发明实施例的用于确定水泵运行状态及故障类型的方法和计算设备的电子设备的示意性结构框图；
21.图2为根据本发明的一个实施例的用于确定水泵运行状态及故障类型的方法的示例性步骤流程图。
22.图3示出了根据本发明的另一实施例的计算设备的示意性结构框图。
具体实施方式
23.为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
24.如上所述，现有的通过人工巡检的方式来发现水泵故障位置和类型的方式，发现周期较长，容易错检、漏检，且依赖于专家经验。
25.因此，为了快速、准确地发现水泵故障位置和类型，本发明提供了一种用于确定水泵运行状态及故障类型的方法，所述方法包括：获取水泵工作时的音频数据，所述音频数据包括水泵和水泵中的水的各自的音频数据，其中水泵的音频数据为第一音频数据，水的音频数据为第二音频数据；利用经训练的声纹提取模型从所述音频数据中提取出所述第一音频数据；将所述第一音频数据与声纹数据库中存储的音频样本数据进行比较，以确定所述水泵的运行状态；以及在确定所述水泵的运行状态为故障时，确定所述故障的故障类型。
26.根据本发明的用于确定水泵运行状态及故障类型的方法，通过自动采集水泵运行时的音频，对音频进行降噪处理并进行分析，能够确定水泵的运行状态和故障类型，大大提高了水泵故障及其类型的识别效率、全面性和遗传性。
27.下面结合具体实施例详细描述根据本发明的用于确定水泵运行状态及故障类型的方法和计算设备。
28.首先，参照图1来描述用于实现根据本发明实施例的用于确定水泵运行状态及故障类型的方法和计算设备的电子设备100。
29.在一个实施例中，电子设备100可以是例如笔记本电脑、台式计算机、平板电脑、学习机、移动设备(诸如，智能手机、电话手表等)、嵌入式计算机、塔式服务器、机架服务器、刀片服务器或任何其他合适的电子设备。
30.在一个实施例中，电子设备100可以包括至少一个处理器102和至少一个存储器104。
31.其中，存储器104可以是易失性存储器，诸如随机存取存储器(ram)、高速缓存存储器(cache)、动态随机存取存储器(dram)(包括堆叠的dram)或高带宽存储器(hbm)等，也可以是非易失性存储器，诸如只读存储器(rom)、闪存、3d xpoint等。在一个实施例中，存储器104的某些部分可以是易失性存储器，而另一部分可以是非易失性存储器(例如，使用两级存储器层次结构)。存储器104用于存储计算机程序，该计算机程序在被运行时，能够实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其他期望的功能。
32.处理器102可以是中央处理单元(cpu)、图形处理单元(gpu)、微处理器或具有数据处理能力和/或指令执行能力的其他处理单元。处理器102可经由通信总线通信地耦合到任何合适数量或种类的组件、外围设备、模块或设备。在一个实施例中，通信总线可以使用任何合适的协议来实现，诸如外围组件互连(pci)、快速外围组件互连(pcie)、加速图形端口(agp)、超传输或任何其他总线或一个或更多个点对点通信协议。
33.电子设备100还可以包括输入装置106和输出装置108。其中，输入装置106是用于接收用户输入的装置，其可以包括键盘、鼠标、触摸板、麦克风等。此外，输入装置106也可以
是任何接收信息的接口。输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音)，其可以包括显示器、扬声器等中的一个或更多个。
34.下面参考图2描述根据本发明的一个实施例的用于确定水泵运行状态及故障类型的方法200的示例性步骤流程图。
35.如图2所示，用于确定水泵运行状态及故障类型的方法200可以包括如下步骤：
36.在步骤s210中，获取水泵工作时的音频数据，该音频数据包括水泵和水泵中的水的各自的音频数据，其中水泵的音频数据为第一音频数据，水的音频数据为第二音频数据。
37.在步骤s220中，利用经训练的声纹提取模型从该音频数据中提取出第一音频数据。
38.在步骤s230中，将第一音频数据与声纹数据库中存储的音频样本数据进行比较，以确定水泵的运行状态。
39.在步骤s240中，在确定水泵的运行状态为故障时，确定该故障的故障类型。
40.在一个实施例中，可以利用部署在水泵周边的声探头实时采集水泵运行时的音频数据。在一个实施例中，水泵可以包括单机组水泵、双机组水泵等。示例性地，声探头可以包括本领域公知的任何类型的声传感器，例如压电陶瓷传感器、电容式传感器、磁电式传感器等，本发明对此不作限定。示例性地，声探头可以为麦克风。其中，声探头的结构在本领域中是公知的，在此不再展开描述。
41.在一个实施例中，方法200还可以包括：在获取水泵工作时的音频数据后，先利用经训练的声纹识别模型识别出该音频数据中水泵和水泵中的水的各自的音频数据，然后利用经训练的声纹提取模型从经识别的音频数据中提取出所述第一音频数据。
42.在一个实施例中，可以利用本领域公知的任何合适的机器学习模型来构建声纹识别模型，例如文本无关类型声纹建模方法，诸如gmm-ubm(高斯混合模型-通用背景模型)、jfa(联合因素分析)模型、gmm-ubm i-vector模型、监督ubm i-vector模型、深度神经网络i-vector模型等，本发明对此不作限定。
43.以用gmm-ubm模型构建声纹识别模型为例，在构建了该声纹识别模型后，收集大量目标声音和测试声音，通过该声纹识别模型提取频谱特征(例如mfcc(梅尔频率倒谱系数))，经过大量声音数据的反复训练和自适应处理(例如，使用map(最大后验概率)算法、mllr(最大似然线性回归)算法等)及确认决策，得到声纹识别率较高的声纹识别模型。
44.然后，利用水泵的声音和水的声音继续训练该声纹识别模型，微调该声纹识别模型的模型参数，最后得到能够区分水泵和其中的水的声音的经训练的声纹识别模型。
45.在一个实施例中，利用经训练的声纹识别模型识别出音频数据中水泵和水泵中的水的各自的音频数据，可以包括：利用经训练的声纹识别模型提取该音频数据的频谱特征；以及基于所提取的频谱特征识别该音频数据中水泵和水泵中的水的各自的音频数据。
46.在一个实施例中，所提取的频谱特征可以为本领域公知的任何合适的频谱特征，例如mfcc(梅尔频率倒谱系数)特征、fbank(滤波器组)特征、bnf(巴科斯范式)特征、深度特征等，本发明对此不作限定。
47.由于水泵是和水同时在同一个环境中运行，水泵运转产生的声音中必然夹杂着水的声音，因此在对获取的音频数据进行分析判断之前，需要滤除识别出的水的音频数据，即第二音频数据，以去除水的声音的影响，得到水泵的音频数据，即第一音频数据。本发明的
实施例可以利用经训练的声纹提取模型来从经识别的音频数据中提取出第一音频数据。
48.在一个实施例中，可用采用如下方法对声纹提取模型进行训练：将水泵充水时声纹转折点检测转化为一个序列标注任务进行有监督的模型训练。其中，在训练数据标注阶段，声纹发生转折的转折点的音频帧被标注“1”的标签，而声纹没有发生转折的转折点的音频帧被标注“0”的标签。利用采用该方法标注的训练数据训练声纹提取模型，使得经训练的声纹提取模型能够正确得到转折点存在的音频帧位置，从而能够正确提取出水泵的音频数据。
49.在一个实施例中，声纹提取模型可以采用多种神经网络进行构建，例如时延神经网络(tdnn)、循环神经网络(rnn)、卷积神经网络(cnn)等，本发明对此不作限定。
50.在一个实施例中，可以采用水泵的声音和水的声音两者对声纹提取模型进行联合训练，以提高声纹提取模型的提取效果。
51.在一个实施例中，音频样本数据可以包括正样本数据和负样本数据，其中正样本数据为水泵正常工作时的音频数据，负样本数据为水泵发生故障时的音频数据。
52.在一个实施例中，方法200还可以包括预先建立声纹数据库的步骤。在一个实施例中声纹数据库可以包括标准声纹数据库和故障声纹数据库。其中，标准声纹数据库用于存储水泵正常运转时的正样本数据，故障声纹数据库用于存储水泵发生各类故障时的各种类型的负样本数据。
53.在一个实施例中，建立声纹数据库可以包括如下步骤：
54.在步骤a中，采集水泵正常运转时的声音并将其标记为正样本数据，采集水泵发生各类故障时的声音并将其标记为负样本数据；
55.在步骤b中，将采集的水泵正常运转时的正样本数据存储到标准声纹数据库，将采集的水泵发生各种类型的故障时的负样本数据存储到故障声纹数据库中。
56.在一个实施例中，各种类型的故障可以包括叶轮损坏、轴瓦磨损等，本发明对此不作限定。其中，故障声纹数据库中的负样本数据可以按照不同的故障类型标记为相应的负样本数据，分别进行存储。
57.在一个实施例中，可以采用本领域公知的任何分类核心算法来对故障类型进行分类，例如少样本学习(few-shot learning)、主动学习(active learning)、迁移学习(transfer learning)等，本发明对此不作限定。
58.在一个实施例中，可将正样本数据转换为正样本声纹波谱图，将故障声纹数据库中的负样本数据转换为负样本声纹波谱图，将该正样本声纹波谱图和负样本声纹波谱图存储在标准声纹数据库中。
59.在一个实施例中，还可以分析确定正样本声纹波谱图的左风险值和右风险值以及负样本声纹波谱图的左偏离值和右偏离值，将该正样本声纹波谱图的左风险值和右风险值以及负样本声纹波谱图的左偏离值和右偏离值存储在标准声纹库中。
60.在一个实施例中，正样本声纹波谱图的左风险值和右风险值可以结合水泵的型号参数等进行确定，其分别等于正样本声纹波谱图的左边界值和右边界值，还可以分别略大于或略小于正样本声纹波谱图的左边界值和右边界值。
61.在一个实施例中，负样本声纹波谱图的左偏离值和右偏离值可以分别等于负样本声纹波谱图的左边界值和右边界值，还可以分别略大于或略小于负样本声纹波谱图的左边
界值和右边界值。
62.在一个实施例中，将用于水泵的第一音频数据与声纹数据库中存储的音频样本数据进行比较，可以包括：将第一音频数据与标准声纹数据库中的正样本数据进行比较，以确定该第一音频数据是否在正样本数据的范围内，从而确定水泵的运行状态。其中，当第一音频数据在正样本数据的范围内时，确定水泵的运行状态为正常；当第一音频数据不在正样本数据的范围内时，确定水泵的运行状态为故障。
63.在一个实施例中，将用于水泵的第一音频数据与声纹数据库中存储的音频样本数据进行比较，还可以包括：将第一音频数据转换为第一声纹波谱图，将第一声纹波谱图与正样本声纹波谱图进行比较，以确定第一声纹波谱图与该正样本声纹波谱图的重合度，从而确定水泵的运行状态。其中，当第一声纹波谱图与该正样本声纹波谱图的重合度大于等于预先设置的重合度阈值时，确定水泵的运行状态为正常；当第一声纹波谱图与该正样本声纹波谱图的重合度小于预先设置的重合度阈值时，确定水泵的运行状态为故障。
64.在一个实施例中，将用于水泵的第一音频数据与声纹数据库中存储的音频样本数据进行比较，还可以包括：确定第一声纹波谱图的左风险值和右风险值；将第一声纹波谱图的左风险值和右风险值分别与正样本声纹波谱图的左风险值和右风险值进行比较，以确定水泵的运行状态。其中，第一声纹波谱图的左风险值和右风险值可以分别等于第一声纹波谱图的左边界值和右边界值，还可以分别略大于或略小于第一声纹波谱图的左边界值和右边界值。其中，当第一声纹波谱图的左风险值大于等于正样本声纹波谱图的左风险值和/或第一声纹波谱图的右风险值小于等于正样本声纹波谱图的右风险值时，确定水泵的运行状态为正常；当第一声纹波谱图的左风险值和右风险值均小于正样本声纹波谱图的左风险值，或者第一声纹波谱图的左风险值和右风险值均大于正样本声纹波谱图的右风险值时，确定水泵的运行状态为故障。
65.在一个实施例中，在确定所述水泵的运行状态为故障时，确定所述故障的故障类型，可以包括：在确定水泵的运行状态为故障时，将第一音频数据与故障声纹数据库中的各种类型的负样本数据进行比较，以确定该故障的故障类型。其中，当第一音频数据在故障声纹数据库中的某一类型的负样本数据的范围内时，确定水泵发生该负样本数据所对应的该类型的故障。
66.在一个实施例中，在确定所述水泵的运行状态为故障时，确定所述故障的故障类型，还可以包括：将第一音频数据转换为第一声纹波谱图，将该第一声纹波谱图与负样本声纹波谱图进行比较，以确定第一声纹波谱图与负样本声纹波谱图的重合度，从而确定水泵故障的故障类型。其中，当第一声纹波谱图与某一负样本声纹波谱图的重合度大于等于预先设置的重合度阈值时，确定水泵发生与该负样本声纹波谱图相对应的类型的故障。
67.在一个实施例中，在确定所述水泵的运行状态为故障时，确定所述故障的故障类型，还可以包括：确定第一声纹波谱图的左偏离值和右偏离值，将该第一声纹波谱图的左偏离值和右偏离值分别与各个负样本声纹波谱图的左偏离值和右偏离值进行比较，以确定故障的故障类型。其中，第一声纹波谱图的左风险值和右风险值可以分别等于第一声纹波谱图的左边界值和右边界值，还可以分别略大于或略小于第一声纹波谱图的左边界值和右边界值。其中，当第一声纹波谱图的左偏离值大于等于某一负样本声纹波谱图的左偏离值且第一声纹波谱图的右偏离值小于等于该负样本声纹波谱图的右偏离值时，确定水泵发生与
该负样本声纹波谱图相对应的类型的故障。
68.在一个实施例中，可以采用如下方法对标准声纹数据库中的正样本数据进行分析，以确定正样本声纹波谱图的左风险值和右风险值：
69.对于标准声纹数据库中的正样本数据，即观察向量o，找出相应的词序列w，使得条件概率p(w|o)的值最大：
70.w＝arg max(p(w|o))
71.由贝叶斯公式可得：
72.p(w|o)＝p(o|w)
·
p(w)/p(o)
73.省略p(o)，得到：
74.w＝arg max(p(o|w)
·
p(w))
75.同理，也可以采用上述分析方法分析故障声纹库中的负样本数据。根据上述分析结果可以确定正样本声纹波谱图的左风险值和右风险值，以及负样本声纹波谱图的左偏离值和右偏离值。
76.在一个实施例中，方法200还可以包括：当第一声纹波谱图与所有负样本声纹波谱图均不重合时，确定第一音频数据指示新的故障类型，以及将该第一音频数据作为新的负样本数据存储在声纹数据库中，具体地，存储在故障声纹数据库中。
77.根据本发明的用于确定水泵运行状态及故障类型的方法，通过自动采集水泵运行时的音频，对音频进行降噪处理并进行分析，能够确定水泵的运行状态和故障类型，大大提高了水泵故障及其类型的识别效率、全面性和遗传性。
78.在又一实施例中，本发明提供了一种计算设备。参考图3，图3示出了根据本发明的另一实施例的计算设备300的示意性结构框图。如图3所示，计算设备300可以包括存储器310和处理器320，其中存储器310上存储有计算机程序，该计算机程序在被该处理器320运行时，使得处理器320执行如上所述的用于确定水泵运行状态及故障类型的方法200。
79.本领域技术人员可以结合前文所述的内容理解根据本发明实施例的计算设备300的具体操作，为了简洁，此处不再赘述具体的细节，仅描述处理器320的一些主要操作如下：
80.获取水泵工作时的音频数据，该音频数据包括水泵和水泵中的水的各自的音频数据，其中水泵的音频数据为第一音频数据，水的音频数据为第二音频数据；
81.利用经训练的声纹提取模型从该音频数据中提取出第一音频数据；
82.将该第一音频数据与声纹数据库中存储的音频样本数据进行比较，以确定水泵的运行状态；以及
83.在确定水泵的运行状态为故障时，确定故障的故障类型。
84.根据本发明的实施例的计算设备，通过自动采集水泵运行时的音频，对音频进行降噪处理并进行分析，能够确定水泵的运行状态和故障类型，大大提高了水泵故障及其类型的识别效率、全面性和遗传性。
85.在又一实施例中，本发明提供了一种计算机可读介质，该计算机可读介质上存储有计算机程序，所述计算机程序在运行时执行如上述实施例所述的用于确定水泵运行状态及故障类型的方法200。任何有形的、非暂时性的计算机可读介质皆可被使用，包括磁存储设备(硬盘、软盘等)、光存储设备(cd-rom、dvd、蓝光光盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机
器，使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中，该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行，这样存储在计算机可读存储器中的指令就可以形成一件制造品，包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上，从而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一个计算机实现的进程，使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。
86.尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
87.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。
88.类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在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，并不应将该本发明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的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。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。
89.本领域的技术人员可以理解，除了特征之间相互排斥之外，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。
90.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。
91.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
92.以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，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
想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。