本發(fā)明涉及一種設(shè)備預(yù)警技術(shù)，特別涉及一種綜合馬爾科夫模型和概率網(wǎng)絡(luò)的設(shè)備狀態(tài)識別方法。

背景技術(shù)：

在每年的運營成本當中，設(shè)備檢修成本通常也占到15％以上。設(shè)備故障每年給世界各地的制造企業(yè)造成的損失是巨大的。由于相關(guān)設(shè)備的復(fù)雜度越來越高，相關(guān)設(shè)備的故障率也隨之升高。傳統(tǒng)的故障診斷方法有很多，包括神經(jīng)網(wǎng)絡(luò)，專家系統(tǒng)，信號分析處理等，每種方法都有自己的特點，有優(yōu)勢也有不足之處。想通過傳統(tǒng)的單一故障診斷方法作出判斷難度將會很大。

由于電廠的實時數(shù)據(jù)和歷史數(shù)據(jù)非常多，而且人們通過長時間的經(jīng)驗積累將數(shù)據(jù)模型和故障機理結(jié)合起來，通過搭建相關(guān)設(shè)備的綜合故障預(yù)警模型，有效地進行狀態(tài)識別和剩余壽命預(yù)測，可以在設(shè)備故障形成的早期發(fā)現(xiàn)征兆，進而做出深入的分析和診斷，并在此基礎(chǔ)上提前采取措施避免故障的發(fā)生，變被動檢修為主動檢修，變非計劃停機為計劃停機，就能夠減少不必要的經(jīng)濟損失。

傳統(tǒng)的故障預(yù)警模型的狀態(tài)識別方法精度不高，模型狀態(tài)數(shù)均是通過主觀經(jīng)驗的方法直接給出，缺乏科學性、通用性，導(dǎo)致只能在問題發(fā)生時進行維修和修理的被動式維修。而且模型參數(shù)隨著設(shè)備狀態(tài)的增加呈指數(shù)倍增，導(dǎo)致模型復(fù)雜度和計算時間大大增加。

技術(shù)實現(xiàn)要素：

本發(fā)明是針對傳統(tǒng)的故障預(yù)警模型的狀態(tài)識別方法存在的問題，提出了一種綜合馬爾科夫模型和概率網(wǎng)絡(luò)的設(shè)備狀態(tài)識別方法，有效應(yīng)用復(fù)雜系統(tǒng)的“基于條件的維護”(cbm)和“故障預(yù)警和健康管理”(phm)需要對預(yù)測模型的開發(fā)，應(yīng)用和利用采用統(tǒng)一，一致和嚴格的方法，有效地進行狀態(tài)識別和剩余壽命預(yù)測。

本發(fā)明的技術(shù)方案為：一種綜合馬爾科夫模型和概率網(wǎng)絡(luò)的設(shè)備狀態(tài)識別方法，具體包括如下步驟：

1)實驗采集帶采集時間的設(shè)備振動信號數(shù)據(jù)或調(diào)用帶時間的歷史振動信號數(shù)據(jù)，按時間組成數(shù)組數(shù)據(jù)，取一部分作為模型訓(xùn)練數(shù)據(jù)，另一部分作為驗證數(shù)據(jù)；

2)狀態(tài)數(shù)優(yōu)化：選取模型訓(xùn)練數(shù)據(jù)，對振動信號進行小波包分解，提取各頻帶能量作為特征向量，以該特征向量為依據(jù)，用k均值算法對全壽命過程振動信號的小波包頻帶能量特征向量進行聚類，得到聚類結(jié)果，再用交叉驗證方法分別計算聚類結(jié)果的分類錯誤率，得到優(yōu)化后錯誤率最小的狀態(tài)數(shù)，將聚類中心作為狀態(tài)的分界點，并記錄優(yōu)化分類后全壽命數(shù)據(jù)的類別順序；

2)hhmm-dbn模型建立：構(gòu)建馬爾可夫-概率網(wǎng)絡(luò)模型，優(yōu)化的狀態(tài)作為頂層，每個狀態(tài)包含一個子hmm，這個子hmm表示觀測數(shù)據(jù)與狀態(tài)之間的關(guān)系，從左至右型，只允許狀態(tài)向右轉(zhuǎn)移，狀態(tài)分別產(chǎn)生某個序列的概率值計算出來，其中具有最大概率的狀態(tài)即是當前序列所處的狀態(tài)；初始化模型參數(shù)，選擇每個聚類中心所對應(yīng)的原始信號作為訓(xùn)練數(shù)據(jù)，對模型進行訓(xùn)練；

3)hhmm-dbn模型訓(xùn)練：將某時刻的測量數(shù)據(jù)輸入模型中，用em算法，通過初始參數(shù)迭代估計出與觀測數(shù)據(jù)最匹配的參數(shù)，再用前后向算法計算每組參數(shù)產(chǎn)生觀測數(shù)據(jù)y的概率p(y|λ),計算出p(y|λ)，如果則得到模型最優(yōu)參數(shù),ε為終止閾值；

4)取所有模型訓(xùn)練數(shù)據(jù)對模型進行訓(xùn)練，列出各個狀態(tài)的最終訓(xùn)練結(jié)果，對應(yīng)各參數(shù)均為頂層模型參數(shù)；

5)實際運用：將驗證數(shù)據(jù)輸入訓(xùn)練好的模型中，通過數(shù)據(jù)預(yù)處理和hhmm-dbn算法得到概率最大值所對應(yīng)的狀態(tài)就是識別結(jié)果，通過這個狀態(tài)識別結(jié)果預(yù)測故障的發(fā)展并合理制定必須的維修計劃。

本發(fā)明的有益效果在于：本發(fā)明綜合馬爾科夫模型和概率網(wǎng)絡(luò)的設(shè)備狀態(tài)識別方法，將分層隱馬爾科夫模型和動態(tài)貝葉斯網(wǎng)絡(luò)結(jié)合起來，有效地降低模型的計算復(fù)雜度并縮短推理時間，還提出了基于k均值算法和交叉驗證方法相結(jié)合的狀態(tài)數(shù)優(yōu)化方法，更精確的劃分故障發(fā)展過程的階段數(shù)目，為設(shè)備狀態(tài)的精確識別打下基礎(chǔ)。不僅可以在功能故障之前檢測到健康狀態(tài)的改變，而且該改變也可以使用這些模型根據(jù)在當前行為中觀察到的變化來預(yù)測潛在的未來行為，進行設(shè)備的剩余壽命預(yù)測。

附圖說明

圖1為本發(fā)明三層分層隱markov模型的動態(tài)貝葉斯網(wǎng)絡(luò)表達圖；

圖2為本發(fā)明概率網(wǎng)絡(luò)和分層隱markov模型之間接口的原理圖；

圖3為本發(fā)明hhmm-dbn狀態(tài)識別框架圖；

圖4為本發(fā)明齒輪箱狀態(tài)數(shù)優(yōu)化圖；

圖5為本發(fā)明用全壽命振動數(shù)據(jù)作為驗證數(shù)據(jù)，其識別結(jié)果圖；

圖6為本發(fā)明不同時刻狀態(tài)識別概率圖；

圖7為用于實現(xiàn)本發(fā)明的計算機系統(tǒng)框架圖。

具體實施方式

將概率圖形模型應(yīng)用于狀態(tài)識別的案例已經(jīng)有很多了。其中之一是數(shù)據(jù)驅(qū)動方法，這種方法從歷史數(shù)據(jù)自動學習概率圖形模型。與傳統(tǒng)的馬爾科夫模型相比，將馬爾科夫模型結(jié)合到貝葉斯概率網(wǎng)絡(luò)中進行狀態(tài)識別可以很大程度簡化計算。只需訓(xùn)練一個綜合的集成模型就可以完成對所有狀態(tài)的識別，對于待識別狀態(tài)觀測序列，通過模型計算每個狀態(tài)產(chǎn)生該序列的概率，概率最大的狀態(tài)即為設(shè)備的當前狀態(tài)。本發(fā)明針對這種思路提供了一種解決方案。

本發(fā)明使用分層隱markov模型(hhmm)對設(shè)備進行狀態(tài)識別,能以概率的形式更為精確地計算識別結(jié)果。針對模型參數(shù)隨著設(shè)備狀態(tài)的增加呈指數(shù)倍增這一問題,引入動態(tài)貝葉斯網(wǎng)絡(luò),由于該方法可以有效地降低模型的計算復(fù)雜度并縮短推理時間,將hhmm表達為動態(tài)貝葉斯網(wǎng)絡(luò),利用預(yù)處理的振動信號對設(shè)備的健康狀態(tài)進行識別；針對現(xiàn)有狀態(tài)分類方法的局限性,提出了基于k均值算法和交叉驗證方法相結(jié)合的狀態(tài)數(shù)優(yōu)化方法。可能健康狀態(tài)的概率值可以包括系統(tǒng)或系統(tǒng)組件的每個可能健康狀態(tài)的似然值?？梢栽谀Ｐ椭胁⑷胨迫恢底鳛椴淮_定證據(jù)。似然值可以是與特征的不同離散狀態(tài)相關(guān)聯(lián)的邊際似然值。將似然值并入不確定證據(jù)可以包括將虛擬證據(jù)節(jié)點附接到給定數(shù)據(jù)驅(qū)動模型的每個時間段中的觀察節(jié)點。

健康狀態(tài)的概率值包括時間索引概率值的向量。用于預(yù)測建模的系統(tǒng)包括耦合到存儲器上可輸入指令的處理器，所輸指令存儲在所述存儲器上，指令在由所述處理器執(zhí)行時使所述處理器使用數(shù)據(jù)獲得系統(tǒng)的可能健康狀態(tài)的概率值驅(qū)動模型和故障機理模型。處理器還可以被配置為將預(yù)測的故障發(fā)送到一個或多個設(shè)備。

本發(fā)明利用動態(tài)貝葉斯網(wǎng)絡(luò)(dbn)來將分層隱markov模型(hhmm)與數(shù)據(jù)驅(qū)動(dd)模型集成。預(yù)測的結(jié)果由語義標簽的離散集合表示，例如{健康，衰退，故障}。模型給出了來自系統(tǒng)建模的一組時間序列向量并返回時間索引的概率值的向量。這些概率可以是似然值，表示系統(tǒng)處于每個狀態(tài)的概率；也可以保持累積概率分布，表示系統(tǒng)是否已經(jīng)故障或者沒有達到給定時間的概率。

可以將分層隱馬爾可夫過程用dbn表達，除了離散或連續(xù)隨機變量，每個節(jié)點都是馬爾可夫過程，其轉(zhuǎn)移強度不隨時間而變化，而是基于網(wǎng)絡(luò)中節(jié)點的父節(jié)點的當前狀態(tài)。令t時刻d層的狀態(tài)則整個狀態(tài)可以用向量表示，該向量從直觀上解釋了整個hhmm圖形結(jié)構(gòu)，尤其體現(xiàn)了狀態(tài)轉(zhuǎn)移中從父節(jié)點到子節(jié)點的整個路徑。

如圖1所述三層分層隱markov模型的動態(tài)貝葉斯網(wǎng)絡(luò)表達圖，是一個二值的控制變量，當它是t時刻d層hmm狀態(tài)轉(zhuǎn)移完成時，取值為1，否則為0。處于0值的f節(jié)點的數(shù)目可以反映當前狀態(tài)所在的層數(shù)。在q節(jié)點之間向下的連線表示一個父狀態(tài)激活了它的一個子狀態(tài)。在f節(jié)點之間向上的連線表示高一層的hmm只有當它的子hmm狀態(tài)轉(zhuǎn)移完成時才能進行狀態(tài)轉(zhuǎn)移。結(jié)構(gòu)的底層、中間層和頂層以及時間序列的開始和結(jié)束條件概率分布可以表示為：底層(d＝d,t＝2；t-1):是一個參數(shù)由所在子hmm決定的隱markov鏈，它由高層的狀態(tài)變量組成的向量引出(是上一層的狀態(tài)變量)。當轉(zhuǎn)移到結(jié)束狀態(tài)時，打開f^d(值變?yōu)?)，表示已經(jīng)完成了狀態(tài)的轉(zhuǎn)移。此時，表示高一層hmm的狀態(tài)可以轉(zhuǎn)移。另外，q^d的另一個值從先驗分布中獲取(代表垂直轉(zhuǎn)移)。(f^d指整個d層的狀態(tài)轉(zhuǎn)移標識，q^d是一個參數(shù)由所在子hmm決定的隱馬爾科夫鏈)那么，它的轉(zhuǎn)移概率可以表示為:

假設(shè)i,j≠end(代表終止狀態(tài))。是d層在給定父節(jié)點處于狀態(tài)k時的狀態(tài)轉(zhuǎn)移概率，僅是一個調(diào)整后的形式。同樣，是d層在給定父節(jié)點處于狀態(tài)k時的初始分布。f^d的方程為:

中間層和底層類似。與底層不同的是，中間層從底層獲得子hmm狀態(tài)轉(zhuǎn)移是否完成的信號是f^d+1。如果子hmm狀態(tài)已經(jīng)轉(zhuǎn)移完成，那么，本層狀態(tài)可以轉(zhuǎn)移到下一個狀態(tài)，否則，繼續(xù)停留在原來的狀態(tài)。公式為:

f^d應(yīng)該僅在q^d允許進入最終狀態(tài)時打開，它的概率取決于其公式為:

頂層不同于中間層的是q節(jié)點沒有父節(jié)點，并沒有指定服從哪種初始分布。其表達式基本與中間層相同，不同的是刪去了條件因此，頂層狀態(tài)就是所有解析樹的根節(jié)點。

初始時刻(t＝1,d＝1:d):初始時刻節(jié)點的連續(xù)概率分布(cdp)表示為：頂層其余層終止時刻(t＝t,d＝1:d):為了確保序列終止時所有的子hmm都到達它的最終狀態(tài)，相對于所有的d，可以使

觀測值：如果觀測值是離散的，可以將p(ot|qt)表示為cpt，如果觀測值是一個向量，可以將qt的每個值表示為高斯分布。也可以將ot的某些父節(jié)點作為它的條件。終止狀態(tài)的處理：dbn不可能真正地到達終止狀態(tài)，相應(yīng)的觀測值也成為未知(和hmm不一樣，dbn在每個時間步必須產(chǎn)生觀測值)。實際上使得打開，并且它在t+1時刻按照初始狀態(tài)分布進入了一個新的狀態(tài)(非終止狀態(tài))。這就意味著dbn和hhmm的轉(zhuǎn)移矩陣并不相同。它們滿足關(guān)系：其中，代表hhmm的轉(zhuǎn)移概率，代表dbn的轉(zhuǎn)移概率，并且是從i狀態(tài)轉(zhuǎn)移到終止狀態(tài)的概率。原因是在dbn中每個水平轉(zhuǎn)移的概率乘以的概率必須和原始概率相匹配。

在每個時間段，向模型給出該時間點的所觀察的狀態(tài)以及所有先前的時間段。由當前和先前時間段返回的狀態(tài)似然值設(shè)置為當前和先前預(yù)測節(jié)點中的虛擬證據(jù)。然后可以查詢dbn以找到要在每個時間段預(yù)測的特征的最可能的狀態(tài)。圖2是概率網(wǎng)絡(luò)和hhmm之間接口的原理圖。

如圖3所示基于hhmm-dbn的狀態(tài)識別框架，綜上所述基于hhmm-dbn的狀態(tài)識別步驟如下：

(1)狀態(tài)數(shù)優(yōu)化。將t(i)作為歷史狀態(tài)數(shù)據(jù)，對振動信號進行小波包3層分解，提取各頻帶能量作為特征向量，以該特征向量為依據(jù)，用k均值算法與交叉驗證相結(jié)合的方法對狀態(tài)數(shù)進行優(yōu)化。

(2)hhmm-dbn模型訓(xùn)練。選擇每個聚類中心所對應(yīng)的原始信號作為訓(xùn)練數(shù)據(jù)，對一個模型進行訓(xùn)練；模型訓(xùn)練是已知模型結(jié)構(gòu)和觀測變量，對模型的參數(shù)進行學習的過程，本文用em算法求解參數(shù)。

(3)向模型輸入待識別觀測數(shù)據(jù)進行識別。分類器訓(xùn)練完畢后，即可對設(shè)備進行狀態(tài)識別，觀測數(shù)據(jù)需要在相同工作條件下采集。將某時刻的測量數(shù)據(jù)輸入模型中，概率值最大的hhmm所對應(yīng)的狀態(tài)，即為設(shè)備當前所處的狀態(tài)。這里用前向后向算法求解概率值。通過模型的訓(xùn)練得到模型的參數(shù)。

(4)實際運用：如圖3下部分是將實際的數(shù)據(jù)輸入訓(xùn)練好的模型中，通過數(shù)據(jù)預(yù)處理和hhmm-dbn算法得到概率最大值所對應(yīng)的狀態(tài)就是識別結(jié)果，通過這個狀態(tài)識別結(jié)果就可以預(yù)測故障的發(fā)展并合理制定必須的維修計劃。

5實施例

下面以常見的齒輪箱為例，說明本系統(tǒng)的實際應(yīng)用方法。使用齒輪箱全壽命過程振動信號進行試驗。采樣頻率為20khz，采集長度為4×10⁴，每小時采集12次，分別記為t(θ)，t(θ+5)，t(θ+10)，...，t(θ+55)，共12組數(shù)據(jù)，其中θ表示累計工作小時數(shù)。使用一組齒輪箱數(shù)據(jù)進行模型訓(xùn)練，其他11組數(shù)據(jù)用來驗證。

(一)狀態(tài)數(shù)優(yōu)化

齒輪箱狀態(tài)數(shù)的劃分是進行狀態(tài)識別和故障預(yù)測的關(guān)鍵，首先用k均值算法對齒輪箱全壽命過程振動信號的小波包頻帶能量特征向量進行聚類，將齒輪箱的狀態(tài)劃分為4個至20個，共17種聚類結(jié)果。再用交叉驗證方法分別計算17種聚類結(jié)果的分類錯誤率。由圖4所示的齒輪箱狀態(tài)數(shù)優(yōu)化可以得出，當分為5個狀態(tài)時，其分類錯誤率最小，因此將齒輪箱全壽命過程分為5個狀態(tài)。與此同時，將聚類中心作為狀態(tài)的分界點，并記錄分類后全壽命數(shù)據(jù)的類別順序。

(二)初始化參數(shù)

這里構(gòu)建了一個2層的模型，其中頂層代表齒輪箱的5個狀態(tài)，每個狀態(tài)又包含一個子hmm，這個子hmm表示觀測數(shù)據(jù)與齒輪箱狀態(tài)之間的關(guān)系。為從左至右型，只允許狀態(tài)向右轉(zhuǎn)移，該模型能客觀地反映健康狀態(tài)的退化過程。5個狀態(tài)分別產(chǎn)生某個序列的概率值可以計算出來，其中具有最大概率的狀態(tài)即是當前序列所處的狀態(tài)。表1為初始參數(shù)設(shè)置。表1中，d表示模型的層數(shù)，q¹表示第一層狀態(tài)數(shù)目，q²表示第二層狀態(tài)數(shù)目；π¹表示第一層初始狀態(tài)分布矩陣，π²表示第二層初始狀態(tài)分布矩陣，μ0表示觀測數(shù)據(jù)均值向量，σ0表示觀測數(shù)據(jù)方差向量，a²表示第二層狀態(tài)轉(zhuǎn)移矩陣，a¹表示第一層狀態(tài)轉(zhuǎn)移矩陣。其中第二層初始狀態(tài)分布矩陣應(yīng)該是一個5×3的矩陣，每行代表每個狀態(tài)進入其子狀態(tài)的分布矩陣，因為此處每個狀態(tài)進入其子狀態(tài)的初始分布矩陣相同，所以只列出一個；同理，第二層狀態(tài)轉(zhuǎn)移矩陣代表第一層每個狀態(tài)其子狀態(tài)轉(zhuǎn)移概率矩陣，此處，每個狀態(tài)的子狀態(tài)轉(zhuǎn)移概率設(shè)置都相同，所以只列出一個。

表1

(三)參數(shù)學習

根據(jù)公式(5)-(12)將參數(shù)反復(fù)迭代，每次迭代的目標是最大化觀測數(shù)據(jù)的對數(shù)似然概率值。該迭代過程的收斂條件是對數(shù)似然概率值的變化小于某個特定的閾值或完成設(shè)定循環(huán)的步數(shù)。這里主要用前后向算法計算每組參數(shù)產(chǎn)生觀測數(shù)據(jù)y的概率p(y|λ)以及用em算法計算與觀測數(shù)據(jù)最匹配的參數(shù)。

1.em算法

定義一個觀測數(shù)據(jù)為o1,t，如果多于一個，則將它們統(tǒng)計量的期望相加。由于模型是兩層的結(jié)構(gòu)，所以各狀態(tài)涉及到水平轉(zhuǎn)移和垂直轉(zhuǎn)移，結(jié)合圖一的hhmm的dbn表達公式可得，對于水平轉(zhuǎn)移有：

ξ(t,d,i,k,j)定義為

d層的狀態(tài)轉(zhuǎn)移矩陣可由下式迭代

垂直轉(zhuǎn)出時，d層在i狀態(tài)終止的概率為:

ξe(t,d,k,i)定義為

d層的初始狀態(tài)分布矩陣可由下式迭代

垂直轉(zhuǎn)入時d層在i狀態(tài)開始的概率為:

d層的初始狀態(tài)分布矩陣可由下式迭代

如果觀測值的概率密度為多項式，它取決于整個狀態(tài)矢量，可以表示為:

γ(t,k,o)定義為

混合矩陣b可由下式迭代

上述參數(shù)的期望就是模型的參數(shù)矩陣，通過將表一中的初始參數(shù)迭代估計出模型的最優(yōu)參數(shù)。

2.前后向算法

用前向后向算法進行dbn推理。每組參數(shù)產(chǎn)生觀測數(shù)據(jù)y的概率為p(y|λ)，λ＝(π,a,b)表示一個hmm模型。定義前向變量為αt(i)＝p(y1,y2,...,yt,xt＝i|λ)。截止到t時刻i狀態(tài)時產(chǎn)生觀測數(shù)據(jù)的概率可用下述公式計算：

定義后向變量為βt(i)＝p(yt+1,yt+2,...,yt|xt＝i,λ)。從t時刻i狀態(tài)開始直到終止時刻產(chǎn)生觀測數(shù)據(jù)的概率可用下述公式計算：βt(i)＝1,1≤i≤n；

產(chǎn)生觀測數(shù)據(jù)y的概率最后由下式算得：

(三)訓(xùn)練結(jié)果

將初始化參數(shù)帶入em算法程序進行迭代不斷計算出參數(shù),再帶入前后向算法程序，計算出p(y|λ)，如果則得到模型最優(yōu)參數(shù)。ε為終止閾值，這里取1*10^-4。

取齒輪箱數(shù)據(jù)t(i)對模型進行訓(xùn)練，這里列出5個狀態(tài)的最終訓(xùn)練結(jié)果，各參數(shù)均為頂層模型參數(shù)，如表2～6所示。

表2狀態(tài)1訓(xùn)練結(jié)果

表3狀態(tài)2訓(xùn)練結(jié)果

表4狀態(tài)3訓(xùn)練結(jié)果

表5狀態(tài)4訓(xùn)練結(jié)果

表6狀態(tài)5訓(xùn)練結(jié)果

至此，5個狀態(tài)的模型參數(shù)已經(jīng)得到，將t(θ+20)的全壽命振動數(shù)據(jù)作為驗證數(shù)據(jù)，分別計算5個狀態(tài)模型的對數(shù)似然概率值logp(y|λi),i＝1,2,3,4,5，最大值對應(yīng)的狀態(tài)即為設(shè)備所處的狀態(tài)。其識別結(jié)果如圖5所示，識別的正確率約為90％。

齒輪箱工作50h、150h、250h、350、430h時識別各狀態(tài)的概率餅狀圖見圖6。

圖7是用于實現(xiàn)本發(fā)明的計算機系統(tǒng)框架。系統(tǒng)包括處理節(jié)點702-1…702-n，其被配置為通過網(wǎng)絡(luò)720進行通信。702-1…702-n可以如系統(tǒng)702-1中所示配置，系統(tǒng)702-1包括存儲器710，用戶接口712，網(wǎng)絡(luò)接口714和一個或多個處理器706。存儲器710包括存儲在其上的指令使處理器706執(zhí)行一個或多個步驟。存儲器710包括用于實現(xiàn)方法的一個或多個步驟的診斷/預(yù)測建模模塊708。存儲器710還包括系統(tǒng)(比如說電源)中的每個關(guān)鍵部分或模塊維護的數(shù)據(jù)模塊716。每個數(shù)據(jù)模塊716包括與相應(yīng)部件的材料，制造，組裝，運行和服務(wù)中的至少一個相關(guān)的數(shù)據(jù)。用戶接口712可以被配置為允許用戶輸入到系統(tǒng)中。

系統(tǒng)702-1可選地包括網(wǎng)絡(luò)接口714，其可以被配置為使得系統(tǒng)能夠與網(wǎng)絡(luò)720和其他系統(tǒng)組件連接。程序代碼可以完全在用戶計算機上執(zhí)行,或作為獨立軟件包執(zhí)行。

這些計算機程序指令還可以存儲在計算機可讀介質(zhì)中，可以指示計算機以特定方式工作，使得存儲在計算機可讀介質(zhì)中的指令發(fā)揮作用。包括實現(xiàn)在流程圖的指定的功能/動作的指令。計算機可讀存儲介質(zhì)不應(yīng)被解釋為是短暫信號本身，諸如無線電波或其他自由傳播的電磁波，或通過導(dǎo)線傳輸?shù)碾娦盘枴?/p>