本申請涉及檢測
技術(shù)領(lǐng)域：
，更具體地涉及一種故障檢測方法和系統(tǒng)。
背景技術(shù)：
：隨著現(xiàn)代化生產(chǎn)的發(fā)展和科學(xué)技術(shù)的進步，現(xiàn)代生產(chǎn)設(shè)備向大規(guī)模、復(fù)雜化和自動化的方向發(fā)展，工業(yè)過程變得越來越復(fù)雜，一旦發(fā)生異常，就可能對生產(chǎn)安全、效率或產(chǎn)品質(zhì)量造成不良的影響，所以對工業(yè)生產(chǎn)的操作狀態(tài)監(jiān)督、過程變化和故障檢測等過程監(jiān)控提出了更高的要求。由于實際工業(yè)過程中，不確定因素多且過程復(fù)雜，一般包括非線性、時變、變量耦合、時間相關(guān)性、多模態(tài)、多時段、大規(guī)模等特性，使其難以建立精確的過程模型。但是工業(yè)過程中產(chǎn)生的大量數(shù)據(jù)能被用來分析去判斷過程中是否有故障發(fā)生，所以基于這些數(shù)據(jù)的故障檢測方法被廣泛用于工業(yè)過程中，對系統(tǒng)運行狀態(tài)和異常情況進行監(jiān)視及診斷，對故障類型、故障部位及原因進行檢測，最終給出解決方案，實現(xiàn)正常運作，為系統(tǒng)故障恢復(fù)提供依據(jù)。主分量分析法是最早應(yīng)用于工業(yè)過程的故障檢測方法之一，該方法把數(shù)據(jù)投影到正交的低維空間中，從而可以消除變量之間的相關(guān)性，能夠在一定范圍內(nèi)對系統(tǒng)運行狀態(tài)和異常情況進行監(jiān)視及診斷，對故障類型、故障部位及原因進行檢測。但是，主分量分析法的應(yīng)用范圍僅限于分析變量之間的線性關(guān)系，而工業(yè)過程中產(chǎn)生的數(shù)據(jù)通常具有非線性性質(zhì)，因此主分量分析法并不能滿足高精度的檢測要求。技術(shù)實現(xiàn)要素：有鑒于此，本發(fā)明提供了一種故障檢測方法和系統(tǒng)，以提高對于故障的檢測精度。為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種故障檢測方法，包括：將工業(yè)過程中的已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間，生成映射后的訓(xùn)練樣本數(shù)據(jù)集；將在所述工業(yè)過程中收集的數(shù)據(jù)映射到所述非線性特征空間，生成映射后的測試數(shù)據(jù)；根據(jù)所述訓(xùn)練樣本數(shù)據(jù)集判斷所述測試數(shù)據(jù)是否為故障數(shù)據(jù)。優(yōu)選的，所述將工業(yè)過程中的已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間，生成映射后的訓(xùn)練樣本數(shù)據(jù)集，包括：利用非線性映射函數(shù)k(xi,xj)＝exp(-γ||xi-xj||2)將工業(yè)過程中的已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間xi→zi＝[k(xi,x1),k(xi,x2),…,k(xi,xN)]T，生成映射后的訓(xùn)練樣本數(shù)據(jù)集其中，xi∈RD表示工業(yè)過程中的過程變量，D表示所述過程變量的個數(shù)，yi＝{+1,-1}表示xi的類別標(biāo)簽，所述類別標(biāo)簽包括正常數(shù)據(jù)標(biāo)簽和故障數(shù)據(jù)標(biāo)簽，N表示所述已有訓(xùn)練數(shù)據(jù)集中的訓(xùn)練數(shù)據(jù)的個數(shù)，zi∈RN為xi在所述非線性特征空間中的像，是所述已有訓(xùn)練數(shù)據(jù)集中距離排序的第三四分位數(shù)，是所述已有訓(xùn)練數(shù)據(jù)集中距離排序的第一四分位數(shù)。優(yōu)選的，所述將在所述工業(yè)過程中收集的數(shù)據(jù)映射到所述非線性特征空間，生成映射后的測試數(shù)據(jù)，包括：利用非線性映射函數(shù)k(x,xi)將在所述工業(yè)過程中收集的數(shù)據(jù)x∈RD映射到所述非線性特征空間x→z＝[k(x,x1),k(x,x2),…,k(x,xN)]T，生成映射后的測試數(shù)據(jù)z∈RN。優(yōu)選的，所述根據(jù)所述訓(xùn)練樣本數(shù)據(jù)集判斷所述測試數(shù)據(jù)是否為故障數(shù)據(jù)，包括：在訓(xùn)練樣本數(shù)據(jù)集中查找與所述測試數(shù)據(jù)z∈RN距離最近的訓(xùn)練數(shù)據(jù)z*；判斷所述訓(xùn)練數(shù)據(jù)z*是否為正常數(shù)據(jù)；如果所述訓(xùn)練數(shù)據(jù)z*是正常數(shù)據(jù)，則判定所述測試數(shù)據(jù)z∈RN為正常數(shù)據(jù)，如果所述訓(xùn)練數(shù)據(jù)z*是故障數(shù)據(jù)，則判定所述測試數(shù)據(jù)z∈RN為故障數(shù)據(jù)。一種故障檢測系統(tǒng)，包括：第一映射模塊，用于將工業(yè)過程中的已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間，生成映射后的訓(xùn)練樣本數(shù)據(jù)集；第二映射模塊，用于將在所述工業(yè)過程中收集的數(shù)據(jù)映射到所述非線性特征空間，生成映射后的測試數(shù)據(jù)；判斷模塊，用于根據(jù)所述訓(xùn)練樣本數(shù)據(jù)集判斷所述測試數(shù)據(jù)是否為故障數(shù)據(jù)。優(yōu)選的，所述第一映射模塊，具體用于：利用非線性映射函數(shù)k(xi,xj)＝exp(-γ||xi-xj||2)將工業(yè)過程中的已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間xi→zi＝[k(xi,x1),k(xi,x2),…,k(xi,xN)]T，生成映射后的訓(xùn)練樣本數(shù)據(jù)集其中，xi∈RD表示工業(yè)過程中的過程變量，D表示所述過程變量的個數(shù)，yi＝{+1,-1}表示xi的類別標(biāo)簽，所述類別標(biāo)簽包括正常數(shù)據(jù)標(biāo)簽和故障數(shù)據(jù)標(biāo)簽，N表示所述已有訓(xùn)練數(shù)據(jù)集中的訓(xùn)練數(shù)據(jù)的個數(shù)，zi∈RN為xi在所述非線性特征空間中的像，是所述已有訓(xùn)練數(shù)據(jù)集中距離排序的第三四分位數(shù)，是所述已有訓(xùn)練數(shù)據(jù)集中距離排序的第一四分位數(shù)。優(yōu)選的，所述第二映射模塊，具體用于：利用非線性映射函數(shù)k(x,xi)將在所述工業(yè)過程中收集的數(shù)據(jù)x∈RD映射到所述非線性特征空間x→z＝[k(x,x1),k(x,x2),…,k(x,xN)]T，生成映射后的測試數(shù)據(jù)z∈RN。優(yōu)選的，所述判斷模塊，包括：查找單元，用于在訓(xùn)練樣本數(shù)據(jù)集中查找與所述測試數(shù)據(jù)z∈RN距離最近的訓(xùn)練數(shù)據(jù)z*；判斷單元，用于判斷所述訓(xùn)練數(shù)據(jù)z*是否為正常數(shù)據(jù)；如果所述訓(xùn)練數(shù)據(jù)z*是正常數(shù)據(jù)，則判定所述測試數(shù)據(jù)z∈RN為正常數(shù)據(jù)，如果所述訓(xùn)練數(shù)據(jù)z*是故障數(shù)據(jù)，則判定所述測試數(shù)據(jù)z∈RN為故障數(shù)據(jù)。經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開了一種故障檢測方法和系統(tǒng)，將工業(yè)過程中的已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間，生成映射后的訓(xùn)練樣本數(shù)據(jù)集；將在所述工業(yè)過程中收集的數(shù)據(jù)映射到所述非線性特征空間，生成映射后的測試數(shù)據(jù)；根據(jù)所述訓(xùn)練樣本數(shù)據(jù)集判斷所述測試數(shù)據(jù)是否為故障數(shù)據(jù)。本申請?zhí)峁┑募夹g(shù)方案把工業(yè)過程中采集的數(shù)據(jù)經(jīng)非線性映射投影到非線性特征空間，在非線性特征空間中利用訓(xùn)練樣本數(shù)據(jù)集對測試數(shù)據(jù)進行高效的故障檢測，可以提高對于故障的檢測精度，能夠獲得更高的故障檢測率。附圖說明為了更清楚地說明本申請實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。圖1示出了本發(fā)明一個實施例公開的一種故障檢測方法的流程示意圖；圖2示出了本發(fā)明一個實施例公開的一種故障檢測系統(tǒng)的結(jié)構(gòu)示意圖。具體實施方式下面將結(jié)合本申請實施例中的附圖，對本申請實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例?；诒旧暾堉械膶嵤├?，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。參見圖1示出了本發(fā)明一個實施例公開的一種故障檢測方法的流程示意圖。由圖1可知，該方法包括：S101：將工業(yè)過程中的已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間，生成映射后的訓(xùn)練樣本數(shù)據(jù)集；在本申請實施例中，可以利用非線性映射函數(shù)k(xi,xj)＝exp(-γ||xi-xj||2)將工業(yè)過程中的已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間xi→zi＝[k(xi,x1),k(xi,x2),…,k(xi,xN)]T，生成映射后的訓(xùn)練樣本數(shù)據(jù)集其中，xi∈RD表示工業(yè)過程中的過程變量，D表示所述過程變量的個數(shù)，yi＝{+1,-1}表示xi的類別標(biāo)簽，所述類別標(biāo)簽包括正常數(shù)據(jù)標(biāo)簽和故障數(shù)據(jù)標(biāo)簽，當(dāng)類別標(biāo)簽為+1時代表該訓(xùn)練數(shù)據(jù)是正常數(shù)據(jù)，當(dāng)類別標(biāo)簽為-1時代表該訓(xùn)練數(shù)據(jù)是故障數(shù)據(jù)，N表示所述已有訓(xùn)練數(shù)據(jù)集中的訓(xùn)練數(shù)據(jù)的個數(shù)，zi∈RN為xi在所述非線性特征空間中的像，是所述已有訓(xùn)練數(shù)據(jù)集中距離排序的第三四分位數(shù)，是所述已有訓(xùn)練數(shù)據(jù)集中距離排序的第一四分位數(shù)。S102：將在所述工業(yè)過程中收集的數(shù)據(jù)映射到所述非線性特征空間，生成映射后的測試數(shù)據(jù)；在本申請實施例中，可以利用非線性映射函數(shù)k(x,xi)將在所述工業(yè)過程中收集的數(shù)據(jù)x∈RD映射到所述非線性特征空間x→z＝[k(x,x1),k(x,x2),…,k(x,xN)]T，生成映射后的測試數(shù)據(jù)z∈RN。k(x,xi)函數(shù)的形式及參數(shù)設(shè)置和上述步驟S101中的非線性映射函數(shù)k(xi,xj)＝exp(-γ||xi-xj||2)的映射過程相同。S103：根據(jù)所述訓(xùn)練樣本數(shù)據(jù)集判斷所述測試數(shù)據(jù)是否為故障數(shù)據(jù)。在本申請實施例中，所述根據(jù)所述訓(xùn)練樣本數(shù)據(jù)集判斷所述測試數(shù)據(jù)是否為故障數(shù)據(jù)，可以包括：在訓(xùn)練樣本數(shù)據(jù)集中查找與所述測試數(shù)據(jù)z∈RN距離最近的訓(xùn)練數(shù)據(jù)z*；判斷所述訓(xùn)練數(shù)據(jù)z*是否為正常數(shù)據(jù)；如果所述訓(xùn)練數(shù)據(jù)z*是正常數(shù)據(jù)，則判定所述測試數(shù)據(jù)z∈RN為正常數(shù)據(jù)，如果所述訓(xùn)練數(shù)據(jù)z*是故障數(shù)據(jù)，則判定所述測試數(shù)據(jù)z∈RN為故障數(shù)據(jù)。經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開了一種故障檢測方法和系統(tǒng)，將工業(yè)過程中的已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間，生成映射后的訓(xùn)練樣本數(shù)據(jù)集；將在所述工業(yè)過程中收集的數(shù)據(jù)映射到所述非線性特征空間，生成映射后的測試數(shù)據(jù)；根據(jù)所述訓(xùn)練樣本數(shù)據(jù)集判斷所述測試數(shù)據(jù)是否為故障數(shù)據(jù)。本申請?zhí)峁┑募夹g(shù)方案把工業(yè)過程中采集的數(shù)據(jù)經(jīng)非線性映射投影到非線性特征空間，在非線性特征空間中利用訓(xùn)練樣本數(shù)據(jù)集對測試數(shù)據(jù)進行高效的故障檢測，可以提高對于故障的檢測精度，能夠獲得更高的故障檢測率。參見圖2示出了本發(fā)明一個實施例公開的一種故障檢測系統(tǒng)的結(jié)構(gòu)示意圖。由圖2可知，該系統(tǒng)包括：第一映射模塊1，用于將工業(yè)過程中的已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間，生成映射后的訓(xùn)練樣本數(shù)據(jù)集；優(yōu)選的，所述第一映射模塊1，具體用于：利用非線性映射函數(shù)k(xi,xj)＝exp(-γ||xi-xj||2)將工業(yè)過程中的已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間xi→zi＝[k(xi,x1),k(xi,x2),…,k(xi,xN)]T，生成映射后的訓(xùn)練樣本數(shù)據(jù)集其中，xi∈RD表示工業(yè)過程中的過程變量，D表示所述過程變量的個數(shù)，yi＝{+1,-1}表示xi的類別標(biāo)簽，所述類別標(biāo)簽包括正常數(shù)據(jù)標(biāo)簽和故障數(shù)據(jù)標(biāo)簽，N表示所述已有訓(xùn)練數(shù)據(jù)集中的訓(xùn)練數(shù)據(jù)的個數(shù)，zi∈RN為xi在所述非線性特征空間中的像，是所述已有訓(xùn)練數(shù)據(jù)集中距離排序的第三四分位數(shù)，是所述已有訓(xùn)練數(shù)據(jù)集中距離排序的第一四分位數(shù)。第二映射模塊2，用于將在所述工業(yè)過程中收集的數(shù)據(jù)映射到所述非線性特征空間，生成映射后的測試數(shù)據(jù)；優(yōu)選的，所述第二映射模塊2，具體用于：利用非線性映射函數(shù)k(x,xi)將在所述工業(yè)過程中收集的數(shù)據(jù)x∈RD映射到所述非線性特征空間x→z＝[k(x,x1),k(x,x2),…,k(x,xN)]T，生成映射后的測試數(shù)據(jù)z∈RN。判斷模塊3，用于根據(jù)所述訓(xùn)練樣本數(shù)據(jù)集判斷所述測試數(shù)據(jù)是否為故障數(shù)據(jù)。優(yōu)選的，所述判斷模塊，包括：查找單元，用于在訓(xùn)練樣本數(shù)據(jù)集中查找與所述測試數(shù)據(jù)z∈RN距離最近的訓(xùn)練數(shù)據(jù)z*；判斷單元，用于判斷所述訓(xùn)練數(shù)據(jù)z*是否為正常數(shù)據(jù)；如果所述訓(xùn)練數(shù)據(jù)z*是正常數(shù)據(jù)，則判定所述測試數(shù)據(jù)z∈RN為正常數(shù)據(jù)，如果所述訓(xùn)練數(shù)據(jù)z*是故障數(shù)據(jù)，則判定所述測試數(shù)據(jù)z∈RN為故障數(shù)據(jù)。需要說明的是，本申請中的系統(tǒng)實施例提供的故障檢測系統(tǒng)可以采用上述方法實施例中的故障檢測方法，可以用于實現(xiàn)上述方法實施例中的全部技術(shù)方案，其各個功能模塊的功能可以根據(jù)上述方法實施例中的方法具體實現(xiàn)，其具體實現(xiàn)過程可參照上述實施例中的相關(guān)描述，此處不再贅述。下面對本發(fā)明的實例作詳細說明：本實例在以本發(fā)明技術(shù)方案為前提下進行實施，給出了詳細的實施方式和過程，但本發(fā)明的保護范圍不限于下述的實例。本發(fā)明在田納西伊斯曼過程(Tennessee-EastmanProcess，TEP)數(shù)據(jù)集上進行了測試。田納西-伊斯曼過程是一個標(biāo)準(zhǔn)的故障診斷數(shù)據(jù)集，該過程的原型是一個真實的化工過程，包括了52個過程變量。數(shù)據(jù)集包括了正常狀態(tài)和21種不同的故障，每種狀態(tài)包括了訓(xùn)練部分和測試部分。正常狀態(tài)有500個訓(xùn)練樣本，每種故障數(shù)據(jù)有480個訓(xùn)練數(shù)據(jù)。每種故障的測試部分均含有960個樣本，但是這些測試樣本中也包括了160個正常狀態(tài)的樣本?，F(xiàn)在對故障3和故障8分別進行故障檢測。具體實施步驟如下：1.數(shù)據(jù)映射：(1)已有訓(xùn)練數(shù)據(jù)的映射：設(shè)已有訓(xùn)練數(shù)據(jù)集為其中xi∈RD表示某個工業(yè)過程的過程變量，yi＝{+1,-1}表示xi的類別標(biāo)簽，即該數(shù)據(jù)是正常數(shù)據(jù)(+1)，還是故障數(shù)據(jù)(-1)。N表示訓(xùn)練數(shù)據(jù)的個數(shù)，D表示過程變量的個數(shù)。在本實例中，N＝980，D＝52?，F(xiàn)在把已有訓(xùn)練數(shù)據(jù)集映射到非線性特征空間，即xi→zi＝[k(xi,x1),k(xi,x2),…,k(xi,xN)]T；其中zi∈RN為xi在特征空間中的像，非線性映射函數(shù)為k(xi,xj)＝exp(-γ||xi-xj||2)；其中是已有訓(xùn)練數(shù)據(jù)中距離排序的第三四分位數(shù)，是已有訓(xùn)練數(shù)據(jù)中距離排序的第一四分位數(shù)。在本實例故障3中，γ＝0.0092，故障8中，γ＝0.0013。由此，得到映射后的訓(xùn)練數(shù)據(jù)集為且zi∈RN。(2)新接收數(shù)據(jù)的映射：對新收集到的數(shù)據(jù)x∈RD，和訓(xùn)練數(shù)據(jù)具有相同的過程變量的個數(shù)。對之進行和訓(xùn)練數(shù)據(jù)相似的非線性映射過程，即x→z＝[k(x,x1),k(x,x2),…,k(x,xN)]Tk(x,xi)函數(shù)的形式及參數(shù)設(shè)置和訓(xùn)練過程一樣。由此，得到映射后的測試數(shù)據(jù)z∈RN。2.故障檢測：對測試數(shù)據(jù)z∈RN，在訓(xùn)練樣本數(shù)據(jù)集中，找到和測試數(shù)據(jù)最為匹配，即距離最近的數(shù)據(jù)z*。如果z*是正常數(shù)據(jù)，則測試數(shù)據(jù)為正常數(shù)據(jù)；若z*是故障數(shù)據(jù)，則測試數(shù)據(jù)也為故障數(shù)據(jù)。在本實施例中測試有1760個，要重復(fù)檢測模塊1760次。分別計算正常數(shù)據(jù)和故障樣本的檢測率。同時還對比了本發(fā)明與主分量分析和經(jīng)典近鄰方法的結(jié)果，其中主分量分析采用了Q統(tǒng)計量來進行檢測。故障3和故障8的對比情況分別如表1和表2所示。在故障3上，主分量分析的故障檢測率比較低，而正常數(shù)據(jù)的檢測情況比較高。本發(fā)明的正常數(shù)據(jù)檢測率低，但是故障數(shù)據(jù)的檢測率高。從平均性能上來看，本發(fā)明的檢測率有所提高。在故障8上，本發(fā)明的正常檢測率和近鄰方法相近，比主分量分析高。在故障數(shù)據(jù)檢測率上，本發(fā)明和主分量分析相近，比近鄰方法高。在平均性能上，本發(fā)明占有絕對優(yōu)勢。主分量分析近鄰方法本發(fā)明正常數(shù)據(jù)檢測率74.1757.4145.09故障數(shù)據(jù)檢測率28.8848.8867.13平均檢測率51.5253.1456.11表1在故障3上三種算法的檢測率(％)主分量分析近鄰方法本發(fā)明正常數(shù)據(jù)檢測率74.1797.9597.77故障數(shù)據(jù)檢測率98.2583.2598.00平均檢測率86.2190.6097.88表2在故障8上三種算法的檢測率(％)為了描述的方便，描述以上系統(tǒng)時以功能分為各種模塊分別描述。當(dāng)然，在實施本申請時可以把各模塊的功能在同一個或多個軟件和/或硬件中實現(xiàn)。本說明書中的各個實施例均采用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于系統(tǒng)或系統(tǒng)實施例而言，由于其基本相似于方法實施例，所以描述得比較簡單，相關(guān)之處參見方法實施例的部分說明即可。以上所描述的系統(tǒng)及系統(tǒng)實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性勞動的情況下，即可以理解并實施。專業(yè)人員還可以進一步意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結(jié)合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認為超出本發(fā)明的范圍。結(jié)合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實施。軟件模塊可以置于隨機存儲器(RAM)、內(nèi)存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動磁盤、CD-ROM、或
技術(shù)領(lǐng)域：
內(nèi)所公知的任意其它形式的存儲介質(zhì)中。還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。當(dāng)前第1頁1 2 3