爱游戏一种轴承故障特征提取方法、系统、介质以及设备pdf本公开提供了一种轴承故障特征提取方法，引入了高斯‑伯努利受限玻尔兹曼机模型，解决了传统受限玻尔兹曼机输入向量受限于伯努利二值分布且对于非二项分布的数据重构拟合效果差的问题；利用余弦损失函数作为损失函数，保留了Softmax损失函数扩大类间差异的优势，并减小了对不同信号强度的敏感性；结合了注意力机制自适应对描述轴承状态有效的特征进行更有效的提取。

　　(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114781448 A (43)申请公布日 2022.07.22 (21)申请号 8.X (22)申请日 2022.04.19 (71)申请人 齐鲁工业大学 地址 250353 山东省济南市长清区大学路 3501号 (72)发明人 耿玉水张雪峰赵晶林雪 (74)专利代理机构 济南圣达知识产权代理有限 公司 37221 专利代理师 杨琪 (51)Int.Cl. G06K 9/00 (2022.01) G06N 3/04 (2006.01) G06N 3/08 (2006.01) G01M 13/045 (2019.01) 权利要求书2页 说明书8页 附图2页 (54)发明名称 一种轴承故障特征提取方法、系统、介质以 及设备 (57)摘要 本公开提供了一种轴承故障特征提取方法， 引入了高斯‑伯努利受限玻尔兹曼机模型，解决 了传统受限玻尔兹曼机输入向量受限于伯努利 二值分布且对于非二项分布的数据重构拟合效 果差的问题；利用余弦损失函数作为损失函数， 保留了Softmax损失函数扩大类间差异的优势， 并减小了对不同信号强度的敏感性；结合了注意 力机制自适应对描述轴承状态有效的特征进行 更有效的提取。 A 8 4 4 1 8 7 4 1 1 N C CN 114781448 A 权利要求书 1/2页 1.一种轴承故障特征提取方法，其特征在于，具体训练过程包括以下步骤： 步骤1：采集滚动轴承的不同位置的振动信号，并将所述的振动信号作为输入数据，划 分训练数据集和测试数据集； 步骤2：提取输入数据的时域特征指标以及频域特征指标； 步骤3：分别对所述时域特征和频域特征两个维度特征进行深度挖掘，形成两个深度特 征集合； 步骤4：对所述的两个深度特征集合利用注意力机制进行自适应的动态加权形成特征 集合，输入全连接层，对轴承进行初步故障识别； 步骤5：利用改进后的损失函数对模型进行训练，实现对训练数据集上轴承的精确故障 识别； 步骤6：对测试数据集中的振动信号按照步骤2～4进行数据特征处理，输入模型进行识 别输出轴承故障识别结果。 2.如权利要求1所述的一种轴承故障特征提取方法，其特征在于，所述提取的时域特征 指标根据有无量纲进行分类，有量纲指标包括均值、均方根值、峭度，无量纲指标包括波性 指标、裕度指标。 3.如权利要求1所述的一种轴承故障特征提取方法，其特征在于，所述频域特征指标通 过快速傅里叶转换的方式进行提取，所述频域特征指标反映频谱分布情况、振动能量大小 以及频带位置的变化，包括重心频率、频率方差和均方频率。 4.如权利要求1所述的一种轴承故障特征提取方法，其特征在于，利用改进的DBN的贪 婪学习方法分别对两个维度特征进行深度的挖掘，形成P1，P2两个深度特征集合，利用注意 力机制对P1、P2进行自适应的动态加权形成特征集合P，并输入全连接层，完成对轴承的故 障识别。 5.如权利要求4所述的一种轴承故障特征提取方法，其特征在于，DBN是由多个受限玻 尔兹曼机‑RBM栈式堆叠形成，在RBM模型中引入独立高斯分布的连续值来处理连续数据，把 RBM的结构单元输出值限定在0～1之间的连续值，GB‑RBM是假设可见层变量为高斯分布，隐 层变量为伯努利分布，其能量函数定义为： a 为可见单元偏置；b为隐单元偏置；σ为可见单元的高斯噪声标准差；w 为可见单元与 i j ij 隐单元之间的连接权重。 6.如权利要求1所述的一种轴承故障特征提取方法，其特征在于，利用注意力机制将通 过DBN后获取的时域、频域特征结合形成轴承故障诊断的全局特征计算为： 2 2 CN 114781448 A 权利要求书 2/2页 其中，hi分别是时域、频域的深度特征；a 是他们相对应的重要性权值；c为通过注意力 i 获得的全局特征。 7.如权利要求1所述的一种轴承故障特征提取方法，其特征在于，损失函数的改进方式 为： 对于相同故障信号q ，q ，其对于故障标签为p ，在以Softmax作为损失函数时，得到最 1 2 1 终损失函数Ls以下所示： B，N分别为一批次训练样本数与故障类别数；x为隐藏层输出；W为权重矩阵；θ为其间夹 角。 8.一种轴承故障特征提取系统，其特征在于，包括： 信号采集传感器：用于采集滚动轴承的不同位置的振动信号； 数据处理模块：将所采集的振动信号进行训练数据集以及测试数据集的划分； 特征提取模块：用于提取输入数据的时域特征指标以及频域特征指标； 特征识别模块：用于对两个深度特征集合利用注意力机制进行自适应的动态加权形成 特征集合，输入全连接层，对轴承进行初步故障识别； 模型训练模块：用于对模型进行训练，实现对轴承的精确故障识别。 9.一种计算机可读存储介质，用于存储计算机程序，该程序执行时能够运行上述如权 利要求1‑7所述的任一项一种轴承故障特征提取方法的步骤。 10.一种电子设备，包括处理器、储存器及储存在储存器中的计算机程序，当设备运行 时，该处理器能够运行储存在储存器中的计算机程序以执行上述如权利要求1‑7所述的任 一项一种轴承故障特征提取方法的步骤。 3 3 CN 114781448 A 说明书 1/8页 一种轴承故障特征提取方法、系统、介质以及设备 技术领域 [0001] 本公开属于特征提取技术领域，具体涉及一种基于改进深度信念网络的轴承故障 特征提取方法。 背景技术 [0002] 本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技 术。 [0003] 随着机器学习的发展，基于机器学习模型的故障特征提取方法成为研究热点，如 支持向量机(SVM)、k‑近邻(KNN)、模糊推理等，然而在高维大数据情况下，将浅层学习模型 应用于齿轮箱故障诊断时，故障诊断缺乏诊断泛化能力，其准确性依赖于大数据中故障特 征的提取质量，作为机器学习领域的一种新的方法。 [0004] 在滚动轴承发生故障时，产生不平稳的振动信号特征。而且时域、频域特征由于对 非平稳信号不敏感、特征性能不稳定等原因单独作为轴承故障诊断特征参数不适用，传统 的特征提取，不能有效的提取隐藏的轴承故障特征，使得故障识别率较低。由于滚动轴承会 在不同的位置发生故障，不同的故障引起的振动信号的混乱程度都有所不同；当前的特征 提取是对于时域、频域的特征值进行的提取，没有经过细致的筛选和深度的挖掘，在过得全 面的特征集合后，如何挖掘内在信息从而精确识别不同负载下的轴承故障是至关重要的。 部分学者通过增加深度学习模型层数，通过大规模参数训练来学习轴承故障特征，由此也 带来了训练时间长、收敛困难等问题。 发明内容 [0005] 本公开为了解决上述问题，提出了一种轴承故障特征提取方法、系统、介质以及设 备，利用融合注意力机制的改进深度信念网络对轴承特征提取，引入了高斯‑伯努利受限玻 尔兹曼机模型，结合注意力机制自适应对描述轴承状态有效的特征进行提取。 [0006] 根据一些实施例，本公开采用如下技术方案： [0007] 一种轴承故障特征提取方法，具体训练过程包括以下步骤： [0008] 步骤1：采集滚动轴承的不同位置的振动信号，并将所述的振动信号作为输入数 据，划分训练数据集和测试数据集； [0009] 步骤2：提取输入数据的时域特征指标以及频域特征指标； [0010] 步骤3：分别对所述时域特征和频域特征两个维度特征进行深度挖掘，形成两个深 度特征集合； [0011] 步骤4：对所述的两个深度特征集合利用注意力机制进行自适应的动态加权形成 特征集合，输入全连接层，对轴承进行初步故障识别； [0012] 步骤5：利用改进后的损失函数对模型进行训练，实现对训练数据集上轴承的精确 故障识别； [0013] 步骤6：对测试数据集中的振动信号按照步骤2～4进行数据特征处理，输入模型进 4 4 CN 114781448 A 说明书 2/8页 行识别输出轴承故障识别结果。 [0014] 根据另一些实施例，本公开采用如下技术方案： [0015] 一种轴承故障特征提取系统，包括： [0016] 信号采集传感器：用于采集滚动轴承的不同位置的振动信号； [0017] 数据处理模块：将所采集的振动信号进行训练数据集以及测试数据集的划分； [0018] 特征提取模块：用于提取输入数据的时域特征指标以及频域特征指标； [0019] 特征识别模块：用于对两个深度特征集合利用注意力机制进行自适应的动态加权 形成特征集合，输入全连接层，对轴承进行初步故障识别； [0020] 模型训练模块：用于对模型进行训练，实现对轴承的精确故障识别。 [0021] 根据另一些实施例，本公开还采用如下技术方案： [0022] 一种计算机可读存储介质，用于存储计算机程序，该程序执行时能够运行所述的 一种轴承故障特征提取方法的步骤。 [0023] 一种电子设备，包括处理器、储存器及储存在储存器中的计算机程序，当设备运行 时，该处理器能够运行储存在储存器中的计算机程序以执行一种轴承故障特征提取方法的 步骤。 [0024] 与现有技术相比，本公开的有益效果为： [0025] (1)该方法在利用时域、频域特征的基础上，利用注意力机制融合深度特征，有效 提取了对于故障影响的有效特征并提升了不同负载下轴承故障诊断的精确度。 [0026] (2)通过引入高斯‑伯努利受限玻尔兹曼机模型解决了传统的数据重构拟合效果 较差的问题。 [0027] (3)通过改进了DBN模型的损失函数，降低了模型对故障信号的幅度值的敏感性， 因此降低了网络的过拟合负担、提升了泛化的能力。 附图说明 [0028] 构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示 意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。 [0029] 图1是本公开注意力结合深度信念网络模型训练流程图； [0030] 图2是本公开余弦损失函数示意图； [0031] 图3是本公开融合注意力机制的改进深度信念网络轴承故障特征提取流程图。 具体实施方式： [0032] 下面结合附图与实施例对本公开作进一步说明。 [0033] 应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另 有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常 理解的相同含义。 [0034] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根 据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式 也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包 括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。 5 5 CN 114781448 A 说明书 3/8页 [0035] 本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序 产品。因此，本公开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，本公开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。 [0036] 实施例1 [0037] 本公开实施例提供了一种轴承故障特征提取方法，如图3所示，具体的识别训练流 程为： [0038] 步骤1：采集滚动轴承的不同位置的振动信号，并将所述的振动信号作为输入数 据，划分训练数据集和测试数据集； [0039] 步骤2：提取输入数据的时域特征指标以及频域特征指标； [0040] 对于提取的时域特征指标根据有无量纲进行分类，有量纲指标包括均值、均方根 值、峭度等，无量纲指标包括波性指标、裕度指标等，共计11个特征， [0041] 然后通过快速傅里叶转换的方式对频域特征进行提取，频域特征指标可反映频谱 分布情况、振动能量大小及频带位置的变化，常用特征指标有重心频率、频率方差和均方频 率等，共计13个频域特征。 [0042] 步骤3：分别对所述时域特征和频域特征两个维度特征进行深度挖掘，形成两个深 度特征集合； [0043] 具体的，利用改进的DBN的贪婪学习方法分别对两个维度特征进行深度的挖掘，形 成P1，P2两个深度特征集合。 [0044] 步骤4：对所述的两个深度特征集合利用注意力机制进行自适应的动态加权形成 特征集合，输入全连接层，对轴承进行初步故障识别； [0045] 具体的，利用注意力机制对P1，P2进行自适应的动态加权形成特征集合P，并输入 全连接层，完成对轴承的故障识别。 [0046] 步骤5：利用改进后的损失函数对模型进行训练，实现对训练数据集上轴承的精确 故障识别； [0047] 步骤6：对测试数据集中的振动信号按照步骤2～4进行数据特征处理，输入模型进 行识别输出轴承故障识别结果。 [0048] 本公开提出了一种融合注意力机制的改进深度信念网络(DBN)的轴承故障特征提 取方法。该方法引入了高斯‑伯努利受限玻尔兹曼机模型，解决了传统受限玻尔兹曼机输入 向量受限于伯努利二值分布且对于非二项分布的数据重构拟合效果差的问题；利用余弦损 失函数作为损失函数，保留了Softmax损失函数扩大类间差异的优势，并减小了对不同信号 强度的敏感性；结合了注意力机制自适应对描述轴承状态有效的特征给予更多的“注意”。 同时，利用时域和频域为故障诊断做准备。实验表明该方法能有有效的提高模型的自适应 特征提取能力和故障诊断的准确率，具有较好的泛化能力。 [0049] GB‑RBM： [0050] DBN是由多个受限玻尔兹曼机(restricted Boltz‑mann machines,RBM)栈式堆叠 而成。其中RBM是一个二分图结构的无向概率图模型，包含一个由m个神经元组成的可见层v 和一个由n个神经元组成的隐藏层h，层内各个节点互不连接相互独立。 6 6 CN 114781448 A 说明书 4/8页 [0051] 由于传统受限玻尔兹曼机的可见层和隐含层都是二进制单元，即v 和h 的取值均 i j 为0或者1，而振动信号是一组连续的时间序列数据，二进制单元模型不利于连续数据的运 算。 [0052] 所以本公开在传统的RBM模型中引入独立高斯分布的连续值来处理连续数据，把 RBM的结构单元输出值限定在0～1之间的连续值。 [0053] 高斯‑伯努利受限玻尔兹曼机(Gaussian  Ber‑noulli  RBM，GB‑RBM)是由 Krizhevsky和Hinton共同提出的，GB‑RBM是假设可见层变量为高斯分布，隐层变量为伯努 利分布，其能量函数定义为： [0054] [0055] 公式(1)中:a 为可见单元偏置；b为隐单元偏置；σ为可见单元的高斯噪声标准差； i j w 为可见单元与隐单元之间的连接权重。 ij [0056] 其中，可见层和隐藏层的条件概率分别为： [0057] [0058] [0059] N(μ，σ)为具有均值为μ和标准差为σ的高斯函数。 i [0060] GB‑RBM与传统RBM一样均采用对比散度(CD)算法进行预训练。对比散度算法使用 估计的概率分布与真实概率分布之间的K‑L距离作为度量准则，对每个批次的训练样本进 行k步Gibbs采样，以最大概率生成样本。 [0061] 使用随机梯度上升法求取似然函数最大值，得到GB‑RBM网络参数更新规则为 [0062] [0063] [0064] [0065] 式中:η为学习率；〈·〉 和〈 ·〉 分别为真实数据的期望值和网络输出值 data model [0066] 当RBM逐层无监督预训练完成后，将学习到的模型参数当做有监督学习的初始值， 提供了输入数据的先验知识。在全局微调阶段，基于训练数据的类别信息，对比Softmax分 类器判定的类别，统计识别错误，并利用反向传播算法对DBN网络反向训练，微调各个初始 连接权重。 [0067] 本公开引入了高斯‑伯努利受限玻尔兹曼机模型，解决了传统受限玻尔兹曼机输 入向量受限于伯努利二值分布且对于非二项分布的数据重构拟合效果差的问题，并利用 DBN中RBM结构具有的贪婪学习优势和对于数据特征的凸显能力分别对时域、频域的特征进 7 7 CN 114781448 A 说明书 5/8页 行深度挖掘，学习其中对于轴承故障有效的深度特征。 [0068] 注意力机制的融合 [0069] 在获得度的深度特征图之后，需要结合这些特征来获得更加全面的故障信 息。目前部分学者在结合多网络输出、多域特征时常采用串行连接方式，此方式冥想忽略了 不同特征对故障诊断结果贡献度大小不同的因素。 [0070] 因此本发明在DBN深度挖掘之后加入了注意力机制，它模仿人类在观察不同事物 时，自动将注意力转移到自己感兴趣部分，而减弱对无关信息的关注，从而提升信息的获取 能力。 [0071] 利用注意力机制将通过DBN后获取的时域、频域特征结合形成轴承故障诊断的全 局特征计算为 [0072] [0073] [0074] [0075] 其中hi分别是时域、频域的深度特征；a 是他们相对应的重要性权值；c为通过注 i 意力获得的全局特征。 [0076] 在步骤5中提出利用改进后的损失函数对模型进行训练，实现对训练数据集上轴 承的精确故障识别，其中损失函数的改进的过程为： [0077] 余弦损失函数为在Softmax损失函数基础上，保留其扩大类间差异的优势，但减小 其对不同信号强度的敏感性，而更加注重向量在方向上的差异，如图2所示。 [0078] 对于相同故障信号q ，q ，其对于故障标签为p ，在以Softmax作为损失函数时，得 1 2 1 到最终损失函数Ls如式(10)所示。 [0079] [0080] 式中B，N分别为一批次训练样本数与故障类别数；x为隐藏层输出；W为权重矩阵；θ 为其间夹角。由式(10)可知，Softmax损失与信号幅值相关。而以1‑余弦相似度作为损失函 数，得到最终损失函数Lc如式(11)所示。 [0081] [0082] 2 由式(11)看出，式中‖x‖可消去，因此余弦损失与信号幅值无关。因此将余弦损失 作为齿轮箱故障诊断损失函数，可将损失从欧几里德空间转换为角空间从而消除信号幅值 影响，降低网络的拟合负担。 [0083] 实施例2 8 8 CN 114781448 A 说明书 6/8页 [0084] 本公开一种轴承故障特征提取方法具体过程有： [0085] 采集获取滚动轴承的不同位置的振动信号，设振动信号为s(t)，对s(t)提取时域、 频域特征构成特征集合后分别输入至改进后的DBN中，利用注意力机制的方式结合各个维 度深度特征后，映射至不同故障类型。 [0086] 步骤1将振动信号作为输入，然后提取时域特征指标，时域特征指标根据有无量纲 可分为两大类，包括均值、均方根值、峭度等有量纲指标，及波性指标、裕度指标等无量纲指 标，共计11个特征；然后通过快速傅里叶转换的方式对频域特征进行提取，频域特征指标可 反映频谱分布情况、振动能量大小及频带位置的变化，常用特征指标有重心频率、频率方差 和均方频率等，共计13个频域特征； [0087] 步骤2利用DBN的贪婪学习方法分别对两个维度特征进行深度的挖掘，形成P1，P2 两个深度特征集合； [0088] 步骤3利用注意力机制对P ，P进行自适应的动态加权形成特征集合P，并输入全连 1 2 接层，完成对轴承的故障识别； [0089] 步骤4利用改进后的损失函数对模型进行训练，完成在训练集上轴承的精确识别； [0090] 步骤5对测试集中的振动信号按照步骤1～3对其进行处理，从而识别轴承的状态， 最后输出轴承故障识别结果。 [0091] 实施例3 [0092] 本公开提供了一种轴承故障特征提取系统，其特征在于，包括： [0093] 信号采集传感器：用于采集滚动轴承的不同位置的振动信号； [0094] 数据处理模块：将所采集的振动信号进行训练数据集以及测试数据集的划分； [0095] 特征提取模块：用于提取输入数据的时域特征指标以及频域特征指标； [0096] 特征识别模块：用于对两个深度特征集合利用注意力机制进行自适应的动态加权 形成特征集合，输入全连接层，对轴承进行初步故障识别； [0097] 模型训练模块：用于对模型进行训练，实现对轴承的精确故障识别。 [0098] 上述系统中所涉及的模块执行以下方法步骤： [0099] 步骤1：采集滚动轴承的不同位置的振动信号，并将所述的振动信号作为输入数 据，划分训练数据集和测试数据集； [0100] 步骤2：提取输入数据的时域特征指标以及频域特征指标； [0101] 对于提取的时域特征指标根据有无量纲进行分类，有量纲指标包括均值、均方根 值、峭度等，无量纲指标包括波性指标、裕度指标等，共计11个特征， [0102] 然后通过快速傅里叶转换的方式对频域特征进行提取，频域特征指标可反映频谱 分布情况、振动能量大小及频带位置的变化，常用特征指标有重心频率、频率方差和均方频 率等，共计13个频域特征。 [0103] 步骤3：分别对所述时域特征和频域特征两个维度特征进行深度挖掘，形成两个深 度特征集合； [0104] 具体的，利用改进的DBN的贪婪学习方法分别对两个维度特征进行深度的挖掘，形 成P1，P2两个深度特征集合。 [0105] 步骤4：对所述的两个深度特征集合利用注意力机制进行自适应的动态加权形成 特征集合，输入全连接层，对轴承进行初步故障识别； 9 9 CN 114781448 A 说明书 7/8页 [0106] 具体的，利用注意力机制对P1，P2进行自适应的动态加权形成特征集合P，并输入 全连接层，完成对轴承的故障识别。 [0107] 步骤5：利用改进后的损失函数对模型进行训练，实现对训练数据集上轴承的精确 故障识别； [0108] 步骤6：对测试数据集中的振动信号按照步骤2～4进行数据特征处理，输入模型进 行识别输出轴承故障识别结果。 [0109] 实施例4 [0110] 本实施例提供了一种计算机可读存储介质爱游戏官网，用于存储计算机程序，该程序执行时 能够运行上述一种轴承故障特征提取方法的步骤。 [0111] 实施例5 [0112] 本实施例提供了一种电子设备，包括处理器、储存器及储存在储存器中的计算机 程序，当设备运行时，该处理器能够运行储存在储存器中的计算机程序以执行上述一种轴 承故障特征提取方法的步骤。 [0113] 本发明公开了种融合注意力机制的改进DBN的轴承故障特征提取方法。针对滚动 轴承在实际工作中噪声较大，传统的特征提取方法导致故障提取和分类的困难，提出了一 种融合注意力机制的改进深度信念网络(DBN)的轴承故障特征提取方法。该方法引入了高 斯‑伯努利受限玻尔兹曼机模型，解决了传统受限玻尔兹曼机输入向量受限于伯努利二值 分布且对于非二项分布的数据重构拟合效果差的问题；利用余弦损失函数作为损失函数， 保留了Softmax损失函数扩大类间差异的优势，并减小了对不同信号强度的敏感性；结合了 注意力机制自适应对描述轴承状态有效的特征给予更多的“注意”。同时，利用时域和频域 为故障诊断做准备。实验表明该方法能有有效的提高模型的自适应特征提取能力和故障诊 断的准确率，具有较好的泛化能力。 [0114] 本公开是参照根据本公开实施例的方法、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。 [0115] 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。 [0116] 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。 [0117] 以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技 术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修 改、等同替换、改进等，均应包含在本公开的保护范围之内。 10 10 CN 114781448 A 说明书 8/8页 [0118] 上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范 围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不 需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。 11 11 CN 114781448 A 说明书附图 1/2页 图1 图2 12 12 CN 114781448 A 说明书附图 2/2页 图3 13 13

　　3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。

　　4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

　　原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者