技术领域
[0001] 本
发明涉及电流互感器故障检测技术，具体涉及一种纯光纤电子式电流互感器故障辨识方法、系统及介质。
背景技术
[0002] 近年来，随着全光纤电子式互感器在智能变电站中逐步应用普及，对其进行传感特性和运行状态特征识别就显得非常必要。随着电
力系统向大容量和特高压方向发展，对电力设备小型化、智能化、高可靠性的要求越来越高。近年来，伴随光纤和电子技术的进步，各种电子式互感器得到了迅猛的发展。区别于传统互感器，电子式互感器具有质轻体小、绝缘性能优良、抗
电磁干扰能力强、动态测量范围大、
频率响应范围宽、灵敏度高和便于实现智能化等优点。其中全光纤电流互感器是电子式电流互感器的主要技术路线之一，具备上述电子式互感器的通用优势，同时由于测量原理是利用了电流感生
磁场对光纤中传播光束造成的
相位差，故除可测量交流电流外，还可以测量直流电流。
[0003] 光纤电流
传感器是一种基于Faraday磁光效应和数字闭环检测技术的光纤传感器，具有检测
精度高、绝缘性能好、带宽高、抗外界干扰能力强、体积小、结构灵活等优点。电力系统中采用
电磁感应原理的电磁式电流互感器较多，但此种互感器存在着许多问题，比如：绝缘结构在高压时体积大、成本高、可靠性下降；线性度差，动态范围小等问题。纯光纤电子式互感器是一种理论成熟、
频谱范围宽、响应特性优良的新型电流、
电压传感器，是未来建设坚强智能
电网应用设备的发展趋势之一，也是泛在电力
物联网感知层的一种重要传感元件，目前在特高压直流系统中应用较多，在
智能电网建设前期，包括纯光纤电子式互感器在内的电子式互感器也得到过少量试点应用，但由于器件适应性和长期运行可靠性(与原理性能无关)表现不够理想，目前在电力系统中应用很少，研究较少。研究光纤传感
信号的特征提取以及故障辨识，特征提取对
模式识别的准确率有着非常重要的影响。
[0004] 对纯光纤电流式互感器的故障进行辨识能够很好的利用纯光纤电子式电流互感器，一方面能利用光纤传感的敏感性准确地传感环境
扰动信号，另一方面能对光纤传感器传感的包含着各类噪声以及扰动信息的混合信号进行
信号处理和特征提取、然后进行故障辨识，以便工作人员采取相应的措施，为后续泛在电力物联网及智能电网的应用起到了一定的促进作用。
发明内容
[0005] 本发明要解决的技术问题：针对
现有技术的上述问题，提供一种纯光纤电子式电流互感器故障辨识方法、系统及介质，本发明能够有效实现纯光纤电子式电流互感器故障辨识，且具有故障辨识准确度高、原理简单快捷、辨识速度快的优点。
[0006] 为了解决上述技术问题，本发明采用的技术方案为：
[0007] 一种纯光纤电子式电流互感器故障辨识方法，实施步骤包括：
[0008] 1)获取纯光纤式电流式互感器的状态信号x(t)；
[0009] 2)对状态信号x(t)进行模态分解得到多个本征模态函数分量；
[0010] 3)利用主成分分析法对多个本征模态函数分量进行主成分分析提取用于故障辨识的
特征向量；
[0011] 4)将特征向量输入预先训练好的
机器学习分类模型得到纯光纤式电流式互感器的故障辨识结果，所述机器学习分类模型被预先训练建立了特征向量、故障辨识结果之间的映射。
[0012] 可选地，步骤2)的详细步骤包括：
[0013] 2.1)确定状态信号x(t)的所有极值点，包括极大值点与极小值点；
[0014] 2.2)采用样条函数对所有极值点进行插值，求出上、下包络线，并按顺序连接上、下包络线的均值m(t)得到均值线；
[0015] 2.3)根据状态信号x(t)的
波形特点找到左右两端的极值，利用镜像延拓消除端点效应；
[0016] 2.4)将状态信号x(t)与均值线的均值m(t)做差得到差值h(t)；
[0017] 2.5)检验差值h(t)是否满足本征模态函数条件，若不满足本征模态函数条件则将差值h(t)作为新输入的状态信号x(t)跳转执行步骤2.1)；否则计算状态信号x(t)、差值h(t)之间的残差r(t)；
[0018] 2.6)判断残差r(t)是否满足终止条件，若残差r(t)为非单调函数则判定不满足终止条件，将残差r(t)作为新输入的状态信号x(t)跳转执行步骤2.1)；否则判定满足终止条件，结束模态分解过程，输出本征模态函数作为本轮
迭代得到的本征模态函数分量，跳转执行步骤3)。
[0019] 可选地，步骤3)的详细步骤包括：
[0020] 3.1)将多个本征模态函数分量作为数据样本集，计算样本数据集中样本的均值向量；
[0021] 3.2)对每个样本去均值，将样本
数据中心化；
[0022] 3.3)构造样本数据中心化得到的数据矩阵的协方差矩阵；
[0023] 3.4)对所述协方差矩阵进行特征分解求取特征值和对应的特征向量；
[0024] 3.5)筛选出贡献率大于设定贡献率
阈值的特征向量作为用于故障辨识的特征向量。
[0025] 可选地，步骤4)中的机器学习分类模型为有
支持向量机SVM1～SVMk构成的SVM辨识分类器，支持向量机SVM1～SVMk的数量一共k个且分别一一对应k种故障辨识结果，且支持向量机SVM1～SVMk构成层级关系，任意一级支持向量机SVMi的输出结果包括对应的故障辨识结果以及其他故障，且在输出其他故障的情况下其输入会被输入下一级支持向量机SVMi+1，步骤4)之前还包括训练机器学习分类模型的步骤，详细步骤包括：
[0026] S1)对纯光纤式电流式互感器的各种故障辨识结果分别获取其对应的状态信号样本，且每一种故障辨识结果的状态信号样本数量相同；对所有状态信号样本附加对应的故障辨识结果分类标签形成带有标签的训练样本以及测试样本；
[0027] S2)建立机器学习分类模型；
[0028] S3)针对机器学习分类模型中的每一个支持向量机SVMi：将训练样本输入支持向量机SVMi进行训练寻找支持向量机SVMi的最优参数；将测试样本输入支持向量机SVMi进行测试得到对应的故障辨识结果，如果测试样本的故障辨识结果识别准确率达到预设要求则判定已经完成支持向量机SVMi的训练；否则继续训练支持向量机SVMi直至测试样本的故障辨识结果识别准确率达到预设要求。
[0029] 可选地，步骤S1)中对所有状态信号样本附加对应的故障辨识结果分类标签具体是
指针对正常状态、光纤链路故障、起偏器故障、光纤收发器故障、电源故障五种故障辨识结果分别附加“1”、“2”、“3”、“4”、“5”五种标签，且以机器学习分类模型输出的“1”、“2”、“3”、“4”、“5”五种标签分别指代正常状态、光纤链路故障、起偏器故障、光纤收发器故障、电源故障五种故障辨识结果。
[0030] 可选地，步骤S3)中训练寻找支持向量机SVMi的最优参数具体是指利用天
牛须搜索
算法寻找核函数参数gamma与罚参数C的最优值，具体步骤包括：
[0031] S3.1)用xl表示左须坐标，xr表示右须坐标，x表示质心坐标，用d0表示两须之间距离，利用随机向量dir＝rands(n,1)表示两须之间的朝向并对其进行归一化：将坐标表示为 随机函数rands(k,1)用于取1～迭代次数n
之间的随机数rands；
[0032] S3.2)将初始化的核函数参数gamma与罚参数C相应的模型建立寻优函数，令函数H＝
并求取左右两须的适应度值Hleft和Hright，Hleft＝H(xl),Hright＝H(xr)；基于t时刻的位置的适应度值H(xt)及t-1时刻的位置的适应度值H(xt-1)根据下式计算概率p；
[0033]
[0034] 若H(xt)大于H(xt-1)成立，则接受概率p的值为1，跳转执行步骤S3.4)以更新位置；若H(xt)小于或等于H(xt-1)成立，判断概率p的值小于1，并进一步判断概率p小于随机数rands是否成立，如果成立则跳转执行步骤S3.4)以更新位置；否则不更新位置并直接跳转执行步骤S3.5)；
[0035] S3.4)根据该位置天牛左右两须的适应度值的大小更新位置：若左须的值小于右须的值(Hleft＜Hright)，为了找寻函数H的最大值，需要天牛向着右须的方向进行搜索，行进距离step，更新位置为 若左须的值大于右须的值(Hleft＞Hright)，为了找寻函数H的最大值，需要天牛向着左须的方向进行搜索，行进距离step，更新位置为 其中，xt为当前位置，xt+1为天
牛移动后位置，sign()为符号函数，stept为当前步长，H(xl),H(xr)为左右两须的值；
[0036] S3.5)判断是否满足第n次的寻优函数值Hn和第n-1次迭代的寻优函数值Hn-1之间的差值小于预设阈值(本
实施例中具体判断条件为Hn-Hn-1≤Hn*1％)，若满足则停止迭代，得到核函数参数gamma与罚参数C的最优值；若不满足，判断迭代次数n等于预设上限值是否成立，如果不成立则将迭代次数n加1，直接跳转执行步骤S3.1)继续寻找核函数参数gamma与罚参数C的最优值；否则判定寻优失败，结束并退出。
[0037] 可选地，步骤S3.4)之后还包括采用下式改进步长的步骤：
[0038] stept+1＝ε×stept
[0039] 上式中，stept+1为改进后的步长，stept为当前步长，ε为改进系数。
[0040] 此外，本发明还提供一种纯光纤电子式电流互感器故障辨识系统，包括：
[0041] 信号输入程序单元，用于获取纯光纤式电流式互感器的状态信号x(t)；
[0042] 信号分解程序单元，用于对状态信号x(t)进行模态分解得到多个本征模态函数分量；
[0043] 主成分分析程序单元，用于利用主成分分析法对多个本征模态函数分量进行主成分分析提取用于故障辨识的特征向量；
[0044] 故障辨识程序单元，用于将特征向量输入预先训练好的机器学习分类模型得到纯光纤式电流式互感器的故障辨识结果，所述机器学习分类模型被预先训练建立了特征向量、故障辨识结果之间的映射。
[0045] 此外，本发明还提供一种纯光纤电子式电流互感器故障辨识系统，包括计算机设备，该计算机设备被编程或配置以执行所述纯光纤电子式电流互感器故障辨识方法的步骤，或该计算机设备的
存储器上存储有被编程或配置以执行所述纯光纤电子式电流互感器故障辨识方法的
计算机程序。
[0046] 此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行所述纯光纤电子式电流互感器故障辨识方法的计算机程序。
[0047] 和现有技术相比，本发明具有下述优点：本发明对纯光纤式电流式互感器的状态信号x(t)进行模态分解得到多个本征模态函数分量，利用主成分分析法(PCA)对多个本征模态函数分量进行主成分分析提取用于故障辨识的特征向量，将特征向量输入预先训练好的机器学习分类模型得到纯光纤式电流式互感器的故障辨识结果，所述机器学习分类模型被预先训练建立了特征向量、故障辨识结果之间的映射，能够更加有效的提取传感器的故障信息，并且更加有利于后续辨识故障。在整个过程中能够减少人为参与，提高了分析的准确性，同时基于SVM的故障辨识，原理更加简单快捷，对于纯光纤电流式传感器的辨识速度快且精度高。
附图说明
[0048] 图1为本发明实施例方法的基本流程示意图。
[0049] 图2为本发明实施例中改进EMD算法的基本
流程图。
[0050] 图3为本发明实施例中机器学习分类模型的结构原理示意图。
[0051] 图4为本发明实施例中采用天牛须搜索算法寻优参数的流程示意图。
具体实施方式
[0052] 如图1所示，本实施例纯光纤电子式电流互感器故障辨识方法的实施步骤包括：
[0053] 1)获取纯光纤式电流式互感器的状态信号x(t)；
[0054] 2)对状态信号x(t)进行模态分解得到多个本征模态函数分量；
[0055] 3)利用主成分分析法(PCA)对多个本征模态函数分量进行主成分分析提取用于故障辨识的特征向量；
[0056] 4)将特征向量输入预先训练好的机器学习分类模型得到纯光纤式电流式互感器的故障辨识结果，所述机器学习分类模型被预先训练建立了特征向量、故障辨识结果之间的映射。
[0057] 如图2所示，本实施例步骤2)对状态信号x(t)进行模态分解(EMD分解)得到多个本征模态函数分量(IMF分量)采用的是改进EMD分解，此外也可以根据需要采用其他现有的各类EMD分解方法。本实施例中步骤2)改进EMD分解的详细步骤包括：
[0058] 2.1)确定状态信号x(t)的所有极值点，包括极大值点与极小值点；
[0059] 2.2)采用样条函数对所有极值点进行插值，求出上、下包络线，并按顺序连接上、下包络线的均值m(t)得到均值线；均值m(t)可表示为：
[0060]
[0061] 上式中，xmax(t)表示极大值点，xmin(t)表示极小值点；
[0062] 2.3)根据状态信号x(t)的波形特点找到左右两端的极值，利用镜像延拓消除端点效应；利用镜像延拓消除端点效应具体是指：利用镜像对称映射特点，将镜子放置在信号具有对称性的极值位置，然后对镜内信号进行对外映射，得到一个两倍于境内信号数据长度的周期信号，并对该周期信号进行首尾相连形成一个闭合的曲线，从而消除端点效应。
[0063] 2.4)将状态信号x(t)与均值线的均值m(t)做差得到差值h(t)，即：h(t)＝x(t)-m(t)；
[0064] 2.5)检验差值h(t)是否满足本征模态函数条件，若不满足本征模态函数条件则将差值h(t)作为新输入的状态信号x(t)跳转执行步骤2.1)；否则计算状态信号x(t)、差值h(t)之间的残差r(t)，即：r(t)＝x(t)-h(t)；本征模态函数条件也可简称为IMF条件，其具体定义如下：(1)函数在整个时间范围内，局部极值点和过零点的数目必须相等，或最多相差一个；(2)在任意时刻点，局部最大值的包络(上包络线)和局部最小值的包络(下包络线)平均必须为零。
[0065] 2.6)判断残差r(t)是否满足终止条件，若残差r(t)为非单调函数则判定不满足终止条件，将残差r(t)作为新输入的状态信号x(t)跳转执行步骤2.1)；否则判定满足终止条件，结束模态分解过程，输出本征模态函数作为本轮迭代得到的本征模态函数分量，跳转执行步骤3)。
[0066] 本实施例步骤3)用于采用PCA主成分分析，对得到的IMF进行特征向量的提取。步骤3)的详细步骤包括：
[0067] 3.1)将多个本征模态函数分量作为数据样本集，计算样本数据集中样本的均值向量，可表示为下述函数表达式：
[0068]
[0069] 上式中，μ为样本数据集XIMF中样本的均值向量，n为样本数量，XIMF为样本数据集。
[0070] 3.2)对每个样本去均值，将样本数据中心化，可表示为下述函数表达式：
[0071] XIMF＝XIMF-μ
[0072] 上式中，XIMF为样本数据中心化得到的数据矩阵，XIMF为样本数据集，μ为样本数据集XIMF中样本的均值向量。
[0073] 3.3)构造样本数据中心化得到的数据矩阵的协方差矩阵，可表示为下述函数表达式：
[0074]
[0075] 上式中，V为协方差矩阵，XIMF为样本数据中心化得到的数据矩阵。
[0076] 3.4)对所述协方差矩阵进行特征分解求取特征值和对应的特征向量，即：对协方差矩阵V求取特征值λi和对应的特征向量ωi；
[0077] 3.5)筛选出贡献率大于设定贡献率阈值的特征向量作为用于故障辨识的特征向量。本实施例中筛选具体是指选取前d(d<原分量个数)个主成分，使其累积方差贡献率满足一定的要求(贡献率达到80％以上)。筛选前，需要降序排列特征值λi，根据贡献率的大小，取前d个特征值Λ＝diag[λ1、λ2、…、λi]和相应的特征向量ωd＝[ω1、ω2、…、ωi]作为子空间的基，那么所要提取的d个主成分为 由所提取的主成分重建原数据X2＝ωF+μ作为用于故障辨识的特征向量。
[0078] 本实施例中，故障辨识结果包括正常状态、光纤链路故障、起偏器故障、光纤收发器故障、电源故障。
[0079] 如图3所示，本实施例步骤4)中的机器学习分类模型为有支持向量机SVM1～SVMk构成的SVM辨识分类器，支持向量机SVM1～SVMk的数量一共k个且分别一一对应k种故障辨识结果，且支持向量机SVM1～SVMk构成层级关系，任意一级支持向量机SVMi的输出结果包括对应的故障辨识结果以及其他故障，且在输出其他故障的情况下其输入会被输入下一级支持向量机SVMi+1。本实施例中每一个支持向量机SVMi的训练情况如下表：
[0080]
[0081] 本实施例中，步骤4)之前还包括训练机器学习分类模型的步骤，详细步骤包括：
[0082] S1)对纯光纤式电流式互感器的各种故障辨识结果分别获取其对应的状态信号样本，且每一种故障辨识结果的状态信号样本数量相同；对所有状态信号样本附加对应的故障辨识结果分类标签形成带有标签的训练样本以及测试样本；
[0083] S2)建立机器学习分类模型；
[0084] S3)针对机器学习分类模型中的每一个支持向量机SVMi：将训练样本输入支持向量机SVMi进行训练寻找支持向量机SVMi的最优参数；将测试样本输入支持向量机SVMi进行测试得到对应的故障辨识结果，如果测试样本的故障辨识结果识别准确率达到预设要求则判定已经完成支持向量机SVMi的训练；否则继续训练支持向量机SVMi直至测试样本的故障辨识结果识别准确率达到预设要求。
[0085] 本实施例步骤S1)中对所有状态信号样本附加对应的故障辨识结果分类标签具体是指针对正常状态、光纤链路故障、起偏器故障、光纤收发器故障、电源故障五种故障辨识结果分别附加“1”、“2”、“3”、“4”、“5”五种标签，且以机器学习分类模型输出的“1”、“2”、“3”、“4”、“5”五种标签分别指代正常状态、光纤链路故障、起偏器故障、光纤收发器故障、电源故障五种故障辨识结果。本实施例中的多组样本中，将训练样本设置标签“1-5”分别对应：1-15号为正常状态，16-30号为光纤链路故障，31-45号为起偏器故障，46-60号为光纤收发器故障，61-75号为电源故障。
[0086] 本实施例中，数据样本总共150组，上述表格中的5种情况，每种情况各30组，计算其特征向量。将数据样本分成两组：训练样本和测试样本，各自包含15组正常状态，15组光纤链路故障、15组起偏器故障、15组光纤收发器故障以及15组电源故障，并设置标签为“1”、“2”、“3”、“4”、“5”。支持向量机SVMi的核函数采用第2号：RBF函数exp(-gamma|(xi-xj)2)，罚参数C，软边界为C-SVM。
[0087] 如图4所示，本实施例步骤S3)中训练寻找支持向量机SVMi的最优参数具体是指利用天牛须搜索算法(BAS)寻找核函数参数gamma与罚参数C的最优值，具体步骤包括：
[0088] S3.1)用xl表示左须坐标，xr表示右须坐标，x表示质心坐标，用d0表示两须之间距离，通过利用随机向量dir＝rands(n,1)表示两须之间的朝向并对其进行归一化：将坐标表示为 随机函数rands(n,1)用于取1～迭代次数n
之间的随机数rands；
[0089] S3.2)将初始化的核函数参数gamma与罚参数C相应的模型建立寻优函数，令函数H＝并求取左右两须的适应度值Hleft和Hright，Hleft＝H(xl),Hright＝H(xr)；基于t时刻的位置的适应度值H(xt)及t-1时刻的位置的适应度值H(xt-1)根据下式计算概率p；
[0090]
[0091] 若H(xt)大于H(xt-1)成立，则接受概率p的值为1，跳转执行步骤S3.4)以更新位置；若H(xt)小于或等于H(xt-1)成立，判断概率p的值小于1，并进一步判断概率p小于随机数rands是否成立，如果成立则跳转执行步骤S3.4)以更新位置；否则不更新位置并直接跳转执行步骤S3.5)；
[0092] S3.4)根据该位置天牛左右两须的适应度值的大小更新位置：若左须的值小于右须的值(Hleft＜Hright)，为了找寻函数H的最大值，需要天牛向着右须的方向进行搜索，行进距离step，更新位置为 若左须的值大于右须的值(Hleft＞Hright)，为了找寻函数H的最大值，需要天牛向着左须的方向进行搜索，行进距离step，更新位置为 其中，xt为当前位置，xt+1为
t
天牛移动后位置，sign()为符号函数，step为当前步长，H(xl),H(xr)为左右两须的值；
[0093] S3.5)判断是否满足第n次的寻优函数值Hn和第n-1次迭代的寻优函数值Hn-1之间的差值小于预设阈值(本实施例中具体判断条件为Hn-Hn-1≤Hn*1％)，若满足则停止迭代，得到核函数参数gamma与罚参数C的最优值；若不满足，判断迭代次数n等于预设上限值是否成立，如果不成立则将迭代次数n加1，直接跳转执行步骤S3.1)继续寻找核函数参数gamma与罚参数C的最优值；否则判定寻优失败，结束并退出。
[0094] 根据上述步骤得到所需要的迭代过程，最终得到2个参数变量的寻优结果。
[0095] 为了提高算法优化精确度，本实施例中步骤S3.4)之后还包括采用下式改进步长的步骤：
[0096] stept+1＝ε×stept
[0097] 上式中，stept+1为改进后的步长，stept为当前步长，ε为改进系数，改进系数ε在0,1之间靠近1，通常可取ε＝0.95。
[0098] 综上所述，本实施例公开了一种基于改进EMD与BAS-SVM的纯光纤电子式电流互感器故障辨识方法，该方法利用EMD对纯光纤电流式互感器的状态信号进行经验模态分解，对其进行镜像延拓改善端点效应，得到一组本征模态函数的IMF分量。对提取的IMF分量进行PCA主成分分析，根据各个成分的贡献率，提取用于故障辨识的特征向量。并将提取到的特征向量作为样本分成两组，两组样本数目相等，分别作为训练样本以及测试样本，利用天牛须搜索算法寻找出SVM的最优参数后，训练出SVM纯光纤电流式互感器故障辨识器，从而达到辨识故障的效果。本实施例方法充分减小了人为的参与，并且辨识方法原理简单便捷，提高了辨识的精度，对于未来电网的发展有重要的意义。
[0099] 此外，本实施例还提供一种纯光纤电子式电流互感器故障辨识系统，包括：
[0100] 信号输入程序单元，用于获取纯光纤式电流式互感器的状态信号x(t)；
[0101] 信号分解程序单元，用于对状态信号x(t)进行模态分解得到多个本征模态函数分量；
[0102] 主成分分析程序单元，用于利用主成分分析法对多个本征模态函数分量进行主成分分析提取用于故障辨识的特征向量；
[0103] 故障辨识程序单元，用于将特征向量输入预先训练好的机器学习分类模型得到纯光纤式电流式互感器的故障辨识结果，该机器学习分类模型被预先训练建立了特征向量、故障辨识结果之间的映射。
[0104] 此外，本实施例还提供一种纯光纤电子式电流互感器故障辨识系统，包括计算机设备，该计算机设备被编程或配置以执行前述纯光纤电子式电流互感器故障辨识方法的步骤，或该计算机设备的存储器上存储有被编程或配置以执行前述纯光纤电子式电流互感器故障辨识方法的计算机程序。
[0105] 此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行前述纯光纤电子式电流互感器故障辨识方法的计算机程序。
[0106] 本领域内的技术人员应明白，本
申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全
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，本申请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。本申请是参照根据本申请实施例的方法、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。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。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。
[0107] 以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
