基于ANFIS的储能系统断路器故障诊断方法及系统与流程

基于anfis的储能系统断路器故障诊断方法及系统
技术领域
1.本技术涉及故障诊断技术领域，尤其涉及基于anfis的储能系统断路器故障诊断方法及系统。


背景技术：

2.储能系统断路器是保证电力网络稳定运行的一种电气设备，它通过控制和保护其他电气设备来维持电力线路的稳定运行。当电力线路出现例如短路，断线等不正常运行状态或者是电气元件停止运行时，储能系统断路器可以及时正确地隔离分开，从而使得其他正常部分得以继续稳定的工作。由此可见，储能系统断路器性能能否满足正常要求对于电力网络的运行有着重要的作用。
3.通过长期对储能系统断路器运行中出现的故障进行分析研究，储能系统断路器故障类型众多，其中以机械故障为主。但是现有对储能系统断路器运行中出现的故障进行诊断的方法误差较大且计算复杂，实用性不强。


技术实现要素：

4.本技术提供基于anfis的储能系统断路器故障诊断方法及系统，以至少解决现有技术对储能系统断路器运行中出现的故障进行诊断的方法误差较大且计算复杂，实用性不强的技术问题。
5.本技术第一方面实施例提出一种基于anfis的储能系统断路器故障诊断方法，所述方法包括：
6.获取待诊断储能系统断路器在分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间，并进行归一化处理；
7.将归一化处理后的所述电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间输入预先训练好的基于自适应模糊神经系统(adaptive neuro-fuzzy inference system，anfis)的储能系统断路器故障诊断模型中，得到所述待诊断储能系统断路器的状态；
8.其中，所述基于anfis的储能系统断路器故障诊断模型是以归一化处理后的储能系统断路器在分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间为输入，以预设的断路器的状态为输出进行训练得到的。
9.优选的，所述预设的断路器的状态包括：正常分闸、铁芯在合闸起始阶段动作不完整、操作源电压过低、铁芯空行程过大和动作开关接触不良。
10.进一步的，所述基于anfis的储能系统断路器故障诊断模型是由模糊化层、规则推理层、归一化层、逆模糊化层和输出层构成的。
11.优选的，所述基于anfis的储能系统断路器故障诊断模型的训练过程包括：
12.获取历史时段内所述断路器在各状态下的样本数据，并将所述样本数据划分为训练集和测试集；其中所述样本数据中包含所述断路器在各分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间数据，及各分合闸线圈过程对应的断路器的状态数据；
13.利用所述训练集对初始的自适应模糊神经系统进行训练，得到初始的基于anfis的储能系统断路器故障诊断模型；
14.基于所述测试集对所述初始的基于anfis的储能系统断路器故障诊断模型进行优化，得到训练好的基于anfis的储能系统断路器故障诊断模型。
15.进一步的，所述利用所述训练集对初始的自适应模糊神经系统进行训练，得到初始的基于anfis的储能系统断路器故障诊断模型，包括：
16.将训练集中的数据依次输入所述初始的自适应模糊神经系统的模糊化层、规则推理层、归一化层、逆模糊化层和输出层进行训练，当达到最大迭代次数，终止训练，得到初始的基于anfis的储能系统断路器故障诊断模型。
17.进一步的，所述基于所述测试集对所述初始的基于anfis的储能系统断路器故障诊断模型进行优化，得到训练好的基于anfis的储能系统断路器故障诊断模型，包括：
18.将测试集中的各分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间数据输入所述初始的基于anfis的储能系统断路器故障诊断模型中，得到所述初始的基于anfis的储能系统断路器故障诊断模型输出的各分合闸线圈过程对应的断路器的状态数据；
19.将所述初始的基于anfis的储能系统断路器故障诊断模型输出的各分合闸线圈过程对应的断路器的状态数据与所述测试集中的各分合闸线圈过程对应的断路器的状态数据对比，若所述初始的基于anfis的储能系统断路器故障诊断模型输出的所述状态数据与测试集中的所述状态数据的误差小于等于预设的误差阈值，则将所述初始的基于anfis的储能系统断路器故障诊断模型作为训练好的基于anfis的储能系统断路器故障诊断模型，否则调整所述模型的参数重新进行训练，直至所述误差小于等于预设的误差阈值。。。。。
20.本技术第二方面实施例提出一种基于anfis的储能系统断路器故障诊断系统，所述系统包括：
21.获取模块，用于获取待诊断储能系统断路器在分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间，并进行归一化处理；
22.诊断模块，用于将归一化处理后的所述电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间输入预先训练好的基于anfis的储能系统断路器故障诊断模型中，得到所述待诊断储能系统断路器的状态；
23.其中，所述基于anfis的储能系统断路器故障诊断模型是以归一化处理后的储能系统断路器在分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间为输入，以预设的断路器的状态为输出进行训练得到的。
24.优选的，所述预设的断路器的状态包括：正常分闸、铁芯在合闸起始阶段动作不完整、操作源电压过低、铁芯空行程过大和动作开关接触不良。
25.进一步的，所述基于anfis的储能系统断路器故障诊断模型是由模糊化层、规则推理层、归一化层、逆模糊化层和输出层构成的。
26.优选的，所述系统还包括：训练模块，所述训练模块用于：
27.获取历史时段内所述断路器在各状态下的样本数据，并将所述样本数据划分为训练集和测试集；其中所述样本数据中包含所述断路器在各分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间数据，及各分合闸线圈过程对应的断路器的状态数据；
28.利用所述训练集对初始的自适应模糊神经系统进行训练，得到初始的基于anfis的储能系统断路器故障诊断模型；
29.基于所述测试集对所述初始的基于anfis的储能系统断路器故障诊断模型进行优化，得到训练好的基于anfis的储能系统断路器故障诊断模型。
30.本技术的实施例提供的技术方案至少带来以下有益效果：
31.本技术提出了基于anfis的储能系统断路器故障诊断方法及系统，基于anfis的储能系统断路器故障诊断方法及系统，所述方法包括：获取待诊断储能系统断路器在分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间，并进行归一化处理；将归一化处理后的所述电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间输入预先训练好的基于anfis的储能系统断路器故障诊断模型中，得到所述待诊断储能系统断路器的状态。本技术提出的技术方案，可以准确速度对储能系统断路器的状态进行诊断，保证电力系统安全稳定运行具有重要的实用意义。
32.本技术附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
33.本技术上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
34.图1为根据本技术一个实施例提供的一种基于anfis的储能系统断路器故障诊断方法的流程图；
35.图2为根据本技术一个实施例提供的anfis的结构图；
36.图3为根据本技术一个实施例提供的不同迭代次数下故障正确识别率示意图；
37.图4为根据本技术一个实施例提供的anfis网络的预测结果示意图；
38.图5为根据本技术一个实施例提供的svm神经网络的识别结果示意图；
39.图6为根据本技术一个实施例提供的bp神经网络的识别结果示意图；
40.图7为根据本技术一个实施例提供的一种基于anfis的储能系统断路器故障诊断系统的第一种结构图；
41.图8为根据本技术一个实施例提供的一种基于anfis的储能系统断路器故障诊断
系统的第二种结构图。
具体实施方式
42.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
43.本技术提出的基于anfis的储能系统断路器故障诊断方法及系统，基于anfis的储能系统断路器故障诊断方法及系统，所述方法包括：获取待诊断储能系统断路器在分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间，并进行归一化处理；将归一化处理后的所述电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间输入预先训练好的基于anfis的储能系统断路器故障诊断模型中，得到所述待诊断储能系统断路器的状态。本技术提出的技术方案，可以准确速度对储能系统断路器的状态进行诊断，保证电力系统安全稳定运行具有重要的实用意义。
44.下面参考附图描述本技术实施例的基于anfis的储能系统断路器故障诊断方法及系统。
45.实施例一
46.图1为根据本技术一个实施例提供的一种基于anfis的储能系统断路器故障诊断方法的流程图，如图1所示，所述方法包括：
47.步骤1：获取待诊断储能系统断路器在分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间，并进行归一化处理；
48.步骤2：将归一化处理后的所述电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间输入预先训练好的基于anfis的储能系统断路器故障诊断模型中，得到所述待诊断储能系统断路器的状态；
49.需要说明的是，所述预设的断路器的状态包括：正常分闸、铁芯在合闸起始阶段动作不完整、操作源电压过低、铁芯空行程过大和动作开关接触不良。
50.在本公开实施例中，所述基于anfis的储能系统断路器故障诊断模型是以归一化处理后的储能系统断路器在分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间为输入，以预设的断路器的状态为输出进行训练得到的，其中所述基于anfis的储能系统断路器故障诊断模型是由模糊化层、规则推理层、归一化层、逆模糊化层和输出层构成的。
51.具体的，所述基于anfis的储能系统断路器故障诊断模型的训练过程包括：
52.步骤f1:获取历史时段内所述断路器在各状态下的样本数据，并将所述样本数据划分为训练集和测试集；其中所述样本数据中包含所述断路器在各分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所
持续时间或电流最小值至最大值所持续时间数据，及各分合闸线圈过程对应的断路器的状态数据；
53.步骤f2：利用所述训练集对初始的自适应模糊神经系统进行训练，得到初始的基于anfis的储能系统断路器故障诊断模型；
54.需要说明的，将训练集中的数据依次输入所述初始的自适应模糊神经系统的模糊化层、规则推理层、归一化层、逆模糊化层和输出层进行训练，当达到最大迭代次数，终止训练，得到初始的基于anfis的储能系统断路器故障诊断模型，其中所述最大迭代次数可以等于250。
55.步骤f3：基于所述测试集对所述初始的基于anfis的储能系统断路器故障诊断模型进行优化，得到训练好的基于anfis的储能系统断路器故障诊断模型。
56.进一步的，所述步骤f3具体包括：
57.将测试集中的各分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间数据输入所述初始的基于anfis的储能系统断路器故障诊断模型中，得到所述初始的基于anfis的储能系统断路器故障诊断模型输出的各分合闸线圈过程对应的断路器的状态数据；
58.将所述初始的基于anfis的储能系统断路器故障诊断模型输出的各分合闸线圈过程对应的断路器的状态数据与所述测试集中的各分合闸线圈过程对应的断路器的状态数据对比，若所述初始的基于anfis的储能系统断路器故障诊断模型输出的所述状态数据与测试集中的所述状态数据的误差小于等于预设的误差阈值，则将所述初始的基于anfis的储能系统断路器故障诊断模型作为训练好的基于anfis的储能系统断路器故障诊断模型，否则调整所述模型的参数重新进行训练，直至所述误差小于等于预设的误差阈值。
59.需要说明的是，所述anfis在功能上相当于0阶或1阶takage-sugeno模糊推理系统，是前馈型自适应模糊神经网络中的一种。它使用神经网络的自学习机制制定模糊推理系统中的模糊逻辑规则和隶属函数参数，并能够自动产生模糊规则，克服了模糊推理系统中的模糊规则主要由领域专家凭经验设计的缺点，与bp神经网络相比，具有更强的自学习能力、鲁棒性和自适应性，可以任意精度逼近非线性函数。anfis的结构如图2所示，此系统有两个输入：x1和x2；一个输出y1规则库由如下两条规则组成；
60.ifx1isa1andx2isb2y＝p1x1 q2x2 r1(1)
61.ifx1isa2andx2isb2y＝p2x1 q2x2 r2(2)
62.以双输入单输出的anfis为例，其网络结构分为五层：模糊化层、规则推理层、归一化层、逆模糊化层和输出层。
63.需要说明的是，由于anfis是一个5层前馈网络，如果输入量太多则会导致网络节点数成倍增加，网络结构过于复杂，使得计算开销过大或者整个系统难以收敛[10-12]。通过多次试验与对比，本技术的anfis以输入点不超过5个，规则层节点不超过27个为宜，既可以达到诊断结果要求的精度，又不会影响计算时间。
[0064]
具体的，第一层：模糊化层，该层的神经元执行模糊化操作。变量x1、x2的取值分别用a1、a2、b1、b2来表示，它们分别表示一个模糊集合。每个模糊集合是以神经元的模糊隶属函数表示的，每一神经元的输出即为隶属度，它表明对应神经元的输入隶属于某一模糊规
则的程度。选用高斯函数，以节点a2为例，则式中，为隶属度函数；d
ij
、分别为隶属度函数的中心和宽度，i为隶属度函数所在的层，j为层中的节点数。
[0065]
第二层：规则推理层，该层中的每个神经元和sugeno类型的单个模糊规则相对应，规则神经元从各自的模糊化神经元接收输入，并计算它表示的规则激发强度。各个神经元的输出一般采用所有输入信号的算术乘积，即将输入信号相乘，将其乘积输出，以x1为例：
[0066][0067]
第三层：归一化层，节点在结构图中用n表示，该层的每个神经元接收来自规则层的所有神经元输入，并计算给定规则的归一化激活强度。第j条规则的归一化的激励强度是该条规则的激励强度与所有规则的激励强度之和的比值，它表示第j条规则对最终结果的贡献:
[0068]
第四层：逆模糊化层，该层中的每个神经元均连接到各自的归一化神经元上，同时接收初始输入x1、x2。该层计算给定规则的带权重的后项值，其输出为：
[0069][0070]
第五层：输出层，节点是一个固定节点，计算所有逆模糊化神经元输出的总和，并产生最后的anfis输出：
[0071]
为了更加清楚地说明本技术实施例的一种基于anfis的储能系统断路器故障诊断方法的实现流程，下面以一个具体的方法实施例进行详细说明：
[0072]
1特征信号的选取：
[0073]
分合闸线圈电流中包含着对故障进行评测的重要信息。依据典型分合闸线圈电流-时间关系[7-9]，提取5个关键i
min
、i
max
、t
min
、t
max
、t
end
参数作为网络的输入向量。i
min
表示分合闸线圈过程中电流最小值，此时的时间是t
min
。i
max
表示分合闸线圈过程中电流对应的最大值，此时的时间是t
max
，t
end
表示整个过程的持续时间。
[0074]
2样本选择：
[0075]
本技术以zn48a-40.5型储能系统断路器为实验对象，选取i
min
、i
max
、t
min
、t
max
、t
end
作为网络的输入向量，建立故障诊断输入样本。该输入样本可表征断路器5种状态量。分别为正常分闸(代号1)、铁芯在合闸起始阶段动作不完整(代号2)、操作源电压过低(代号3)、铁芯空行程过大(代号4)、动作开关接触不良(代号5)。为了便于处理，对这五种状态进行二进制编码，编码如下表1。
[0076]
表1状态编码表
[0077][0078]
为进行有效试验，可选取断路器的100组实测样本，可对100组样本进行归一化，将输入数据转化到区间[0，1]上。
[0079]
其中，前80组数据作为样本训练如表2所示，后20组数据作为测试样本如表3所示。
[0080]
表2故障数据训练集
[0081][0082]
表3故障数据微调及测试集
[0083][0084]
3试验仿真与分析：
[0085]
在对表2的归一化数据进行anfis神经网络仿真时，用表3中的样本训练网络,确定迭代次数。图3为不同迭代次数下故障正确识别率。从图中可以看出测试样本的识别正确率随着微迭代次数增加而上升，但当迭代次数达到250次时，正确识别率已达到稳定水平，此时的正确识别率为96％，结果见图4。
[0086]
4不同算法间的比较：
[0087]
为了验证anfis在储能系统断路器故障诊断中的优越性能，本实验将anfis与svm、bp神经网络进行对比。表4为不同模型的识别正确率比较。svm和bp的识别结果分别如图5、图6所示。
[0088]
从结果可以看出，在本试验中anfis的识别率高于其他两种模型。无论是对bp模型的训练，或者是对svm模型的训练，都存在着可能陷入局部最优的问题，而由于anfis的学习算法是全局收敛的，因此可以有效克服bp、svm算法容易陷入局部最优的缺点，提高anfis诊
断系统的精确度。
[0089]
综上所述，本实施例提出的一种基于anfis的储能系统断路器故障诊断方法，采用anfis对储能系统断路器进行故障诊断，利用分合闸线圈电流-时间关系的时间、电流值能够反映储能系统断路器故障的特点，选取关键的时间点和电流值作为输入。anfis相比其他模型比如bp、svm能够更加精准地识别储能系统断路器操动机构的故障，具有高度的实用性和可靠性。
[0090]
实施例二
[0091]
图7为根据本技术一个实施例提供的一种基于anfis的储能系统断路器故障诊断系统的结构图，如图7所示，所述系统包括：
[0092]
获取模块100，用于获取待诊断储能系统断路器在分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间，并进行归一化处理；
[0093]
诊断模块200，用于将归一化处理后的所述电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间输入预先训练好的基于anfis的储能系统断路器故障诊断模型中，得到所述待诊断储能系统断路器的状态；
[0094]
其中，所述基于anfis的储能系统断路器故障诊断模型是以归一化处理后的储能系统断路器在分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间为输入，以预设的断路器的状态为输出进行训练得到的。
[0095]
在本公开实施例中，所述预设的断路器的状态包括：正常分闸、铁芯在合闸起始阶段动作不完整、操作源电压过低、铁芯空行程过大和动作开关接触不良。
[0096]
具体的，所述基于anfis的储能系统断路器故障诊断模型是由模糊化层、规则推理层、归一化层、逆模糊化层和输出层构成的。
[0097]
需要说明的是，如图8所示，所述系统还包括训练模块300，所述训练模块300具体用于：
[0098]
获取历史时段内所述断路器在各状态下的样本数据，并将所述样本数据划分为训练集和测试集；其中所述样本数据中包含所述断路器在各分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间数据，及各分合闸线圈过程对应的断路器的状态数据；
[0099]
利用所述训练集对初始的自适应模糊神经系统进行训练，得到初始的基于anfis的储能系统断路器故障诊断模型；
[0100]
基于所述测试集对所述初始的基于anfis的储能系统断路器故障诊断模型进行优化，得到训练好的基于anfis的储能系统断路器故障诊断模型。
[0101]
进一步的，所述利用所述训练集对初始的自适应模糊神经系统进行训练，得到初始的基于anfis的储能系统断路器故障诊断模型，包括：
[0102]
将训练集中的数据依次输入所述初始的自适应模糊神经系统的模糊化层、规则推理层、归一化层、逆模糊化层和输出层进行训练，当达到最大迭代次数，终止训练，得到初始的基于anfis的储能系统断路器故障诊断模型。
[0103]
进一步的，所述基于所述测试集对所述初始的基于anfis的储能系统断路器故障诊断模型进行优化，得到训练好的基于anfis的储能系统断路器故障诊断模型，包括：
[0104]
将测试集中的各分合闸线圈过程中的电流最大最小值、电流最大值对应的时间、电流最小值对应的时间和电流最大值至最小值所持续时间或电流最小值至最大值所持续时间数据输入所述初始的基于anfis的储能系统断路器故障诊断模型中，得到所述初始的基于anfis的储能系统断路器故障诊断模型输出的各分合闸线圈过程对应的断路器的状态数据；
[0105]
将所述初始的基于anfis的储能系统断路器故障诊断模型输出的各分合闸线圈过程对应的断路器的状态数据与所述测试集中的各分合闸线圈过程对应的断路器的状态数据对比，若所述初始的基于anfis的储能系统断路器故障诊断模型输出的所述状态数据与测试集中的所述状态数据的误差小于等于预设的误差阈值，则将所述初始的基于anfis的储能系统断路器故障诊断模型作为训练好的基于anfis的储能系统断路器故障诊断模型，否则调整所述模型的参数重新进行训练，直至所述误差小于等于预设的误差阈值。
[0106]
综上所述，本实施例提出的本一种基于anfis的储能系统断路器故障诊断系统，采用anfis对储能系统断路器进行故障诊断，利用分合闸线圈电流-时间关系的时间、电流值能够反映储能系统断路器故障的特点，选取关键的时间点和电流值作为输入，能够更加精准地识别储能系统断路器操动机构的故障，具有高度的实用性和可靠性。
[0107]
实施例三
[0108]
为了实现上述实施例，本公开还提出一种电子设备，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程序时，实现如实施例一所述的方法。
[0109]
实施例四
[0110]
为了实现上述实施例，本公开还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的方法。
[0111]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0112]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0113]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。