设备材料力学性能测试方法、系统、介质、计算机设备与流程

本发明属于设备材料力学性能微损测试
技术领域：
，尤其涉及一种设备材料力学性能测试方法、系统、介质、计算机设备。
背景技术：
：目前，核能、电力、石油化工等领域有很多高危的设施，所以其中的一些结构设计都是按比较保守的原则来设计的。随着时间的推移部分设备的运行时间即将到达设计的寿命，于是，人们面临停止使用或继续运行的选择。因此，必须对在役结构的材料力学性能进行测试。由于这些材料长期处于高温、高压、辐照等条件下运行，其材料可能会发生劣化和损伤，导致安全事故的发生。因此在服役一段时间以后，需要确定在役设备材料的性能有没有变化，以便确定这些结构能否延寿安全运行。常规力学性能评价方法如单轴拉伸试验、紧凑拉伸试验等，虽可直接得到材料弹性模量、屈服强度、抗拉强度与断裂韧性等材料力学性能参数，但试验所需试样尺寸较大，通常需要对设备进行破坏性取样，极易导致设备停机或直接报废。因此，为了获得在役设备材料力学性能，并尽可能降低损失与成本，微损试样试验测试方法得到迅速发展。小冲杆试验(smallpunchtest，spt)是一种近乎“无损”的微型试样试验方法，通过试验可以得到试样中心点的载荷-位移曲线、断口相关数据等，其中包含了材料的弹塑性变形行为与断裂特征。众多学者基于自己的试验结果均采用经验关联的方式给出获取材料强度和断裂韧性等力学性能参数的关联公式，然而由于试验所用材料、试验机结构、尺寸、加载方式，以及小冲杆试验载荷-位移曲线上屈服载荷定义方法的差异，通过试验数据拟合得到的经验公式也不尽相同，彼此之间并能不通用，造成重复研究与研究资源的浪费。因此，亟待找到更合理和有效的方法关联小冲杆试验结果与常规试验结果。人工智能bp神经网络可以处理大量多元非线性数据，在不同数据之间建立关联关系，相较于常规经验关联法，具有计算速度快、结果准确、适用性广的特点，使更加准确、方便地获取材料力学性能参数成为可能。但是bp神经网络是基于梯度的最速下降法，以误差平方为目标函数，所以存在着训练容易陷入局部极小值、学习过程收敛速度慢、网络结构难以确定等缺陷。另外，网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但是又无法准确获得，针对这些特点可以采用遗传算法对神经网络进行优化。遗传算法是模拟生物在自然界环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法，即通过对生物遗传和进化过程中选择、交叉、变异机理的模仿，完成对问题最优解的自适应搜索过程。因此可以通过遗传算法对bp神经网络的初始权值和阈值进行优化，使优化后的bp神经网络能够更好的进行样本预测。现有标准试验虽然可直接得到材料的力学性能，但试样尺寸较大，对在役设备取样会造成无法修复的损伤。利用小冲杆试验与标准试验相关联获得材料力学性能对设备损伤较小，但由于试验所用材料、试验机结构、尺寸、加载方式，以及小冲杆试验载荷-位移曲线上屈服载荷定义方法的差异，通过试验数据拟合得到的经验公式也不尽相同，彼此之间并能不通用，造成研究资源的浪费。通过上述分析，现有技术存在的问题及缺陷为：(1)现有标准试验虽然可直接得到材料的力学性能，但试样尺寸较大，对在役设备取样会造成无法修复的损伤。(2)现有利用小冲杆试验与标准试验相关联获得材料力学性能的方法较为流行，但通过试验数据拟合得到的经验公式不尽相同，彼此之间并能不通用，造成资源的浪费。解决以上问题及缺陷的难度为：(1)对在役设备进行取样时，需严格保证设备在不停工情况下安全运行，对取样设备有较高的要求，切割造成的损伤应尽可能小，但要满足小冲杆试样尺寸要求。(2)现有经验公式适用性较差，且不同种材料试验结果差异较大，难以找到统一的经验公式关联多种不同种材料的试验结果。解决以上问题及缺陷的意义为：(1)可在不停机情况下对设备进行取样，减小对设备的破坏同时对其材料的力学性能进行测试，不需要对设备进行更换，大大节省成本。(2)解决经验公式适用性问题后，只需要小冲杆试验便可得到在役设备材料的力学性能参数，评估和预测其结构完整性和剩余寿命，节约实验成本。技术实现要素：针对现有技术存在的问题，本发明提供了一种设备材料力学性能测试方法、系统、介质、计算机设备。本发明是这样实现的，一种设备材料力学性能测试方法，所述设备材料力学性能测试方法包括：对管道钢材料进行小冲杆试验，并建立小冲杆试验的二维轴对称有限元模型；将试验结果与模拟结果进行对比，确定有限元模型的准确性；改变hollomon公式中的参数k与n，获得大量假想材料的真应力-应变曲线；将每一条真应力-应变曲线代入经试验验证的小冲杆试验有限元模型中得到其对应的小冲杆载荷-位移曲线；归一化预处理后得到bp神经网络所需的训练样本数据；设计输入层、隐含层、输出层的层数构建最佳的bp神经网络结构，选择合适的激活函数、目标误差；将bp神经网络的权值和阈值作为遗传算法中的一个种群，并将其初始化；利用遗传算法计算其适应度函数，选择适应度高的染色体进行复制，使其交叉、变异得到新的种群，根据约束条件确定最优个体，并将其作为bp神经网络的权值和阈值；使用经过优化的bp神经网络对样本数据进行训练，在同种材料小冲杆载荷-位移曲线与真应力-应变曲线之间建立关联关系；对于训练好的bp神经网络，应用于在役设备材料的力学性能预测，实现在役设备不停机便可对其材料的力学性能进行微损测试的目的。进一步，所述设备材料力学性能测试方法的有限元软件为abaqus。进一步，所述设备材料力学性能测试方法hollomon公式中的参数变化范围均在合理范围内，共得到457组假想材料的材料参数。进一步，所述设备材料力学性能测试方法最佳的bp神经网络结构包括：输入层神经元个数为120个，隐含层神经元个数为241个，输出层神经元个数为100个，激活函数分别为logsig和purelin，目标误差为1×10-5。进一步，所述设备材料力学性能测试方法的约束条件为已经达到的迭代次数或者网络误差满足最小误差要求；网络误差计算过程包括如下步骤：(1)将遗传算法优化后的权值和阀值赋予bp网络；(2)计算每个训练样本按照bp网络前向方向的输出值，通过与期望值进行比较，得出每个训练样本的误差；(3)计算所有训练样本的误差均方根值，即得网络误差。进一步，所述设备材料力学性能测试方法通过训练好的bp神经网络可得到在役设备材料的真应力-应变曲线，得到该材料的屈服强度与抗拉强度。本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：对管道钢材料进行小冲杆试验，并建立小冲杆试验的二维轴对称有限元模型；将试验结果与模拟结果进行对比，确定有限元模型的准确性；改变hollomon公式中的参数k与n，获得大量假想材料的真应力-应变曲线；将每一条真应力-应变曲线代入经试验验证的小冲杆试验有限元模型中得到其对应的小冲杆载荷-位移曲线；归一化预处理后得到bp神经网络所需的训练样本数据；设计输入层、隐含层、输出层的层数构建最佳的bp神经网络结构，选择合适的激活函数、目标误差；将bp神经网络的权值和阈值作为遗传算法中的一个种群，并将其初始化；利用遗传算法计算其适应度函数，选择适应度高的染色体进行复制，使其交叉、变异得到新的种群，根据约束条件确定最优个体，并将其作为bp神经网络的权值和阈值；使用经过优化的bp神经网络对样本数据进行训练，在同种材料小冲杆载荷-位移曲线与真应力-应变曲线之间建立关联关系；对于训练好的bp神经网络，应用于在役设备材料的力学性能预测，实现在役设备不停机便可对其材料的力学性能进行微损测试的目的。本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：对管道钢材料进行小冲杆试验，并建立小冲杆试验的二维轴对称有限元模型；将试验结果与模拟结果进行对比，确定有限元模型的准确性；改变hollomon公式中的参数k与n，获得大量假想材料的真应力-应变曲线；将每一条真应力-应变曲线代入经试验验证的小冲杆试验有限元模型中得到其对应的小冲杆载荷-位移曲线；归一化预处理后得到bp神经网络所需的训练样本数据；设计输入层、隐含层、输出层的层数构建最佳的bp神经网络结构，选择合适的激活函数、目标误差；将bp神经网络的权值和阈值作为遗传算法中的一个种群，并将其初始化；利用遗传算法计算其适应度函数，选择适应度高的染色体进行复制，使其交叉、变异得到新的种群，根据约束条件确定最优个体，并将其作为bp神经网络的权值和阈值；使用经过优化的bp神经网络对样本数据进行训练，在同种材料小冲杆载荷-位移曲线与真应力-应变曲线之间建立关联关系；对于训练好的bp神经网络，应用于在役设备材料的力学性能预测，实现在役设备不停机便可对其材料的力学性能进行微损测试的目的。本发明的另一目的在于提供一种运行所述设备材料力学性能测试方法的设备材料力学性能测试系统，所述设备材料力学性能测试系统包括：有限元模型确定模块，用于对管道钢材料进行小冲杆试验，并建立小冲杆试验的二维轴对称有限元模型；将试验结果与模拟结果进行对比，确定有限元模型的准确性；训练样本数据处理模块，用于改变hollomon公式中的参数k与n，获得大量假想材料的真应力-应变曲线；将每一条真应力-应变曲线代入经试验验证的小冲杆试验有限元模型中得到其对应的小冲杆载荷-位移曲线；归一化预处理后得到bp神经网络所需的训练样本数据；bp神经网络结构设计模块，用于设计输入层、隐含层、输出层的层数构建最佳的bp神经网络结构，选择合适的激活函数、目标误差；初始化模块，用于将bp神经网络的权值和阈值作为遗传算法中的一个种群，并将其初始化；bp神经网络权值和阈值确定模块，用于利用遗传算法计算其适应度函数，选择适应度高的染色体进行复制，使其交叉、变异得到新的种群，根据约束条件确定最优个体，并将其作为bp神经网络的权值和阈值；关联关系建立模块，用于使用经过优化的bp神经网络对样本数据进行训练，在同种材料小冲杆载荷-位移曲线与真应力-应变曲线之间建立关联关系；微损测试模块，用于对于训练好的bp神经网络，应用于在役设备材料的力学性能预测，实现在役设备不停机便可对其材料的力学性能进行微损测试的目的。本发明的另一目的在于提供一种设备材料力学性能微损测试终端，所述设备材料力学性能微损测试终端搭载所述的设备材料力学性能测试系统。结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明的bp神经网络可对大量数据进行计算，在不同数据之间建立关联关系，具有计算速度快、结果准确、适用性广的特点；利用遗传算法对bp神经网络训练过程进行优化，提高网络的训练速度与精度；排除试验所用材料、试验机结构、尺寸、加载方式等因素对结果的影响，使结果更加准确；可直接从在役设备表面取出小冲杆试样，将小冲杆试验结果代入训练好的bp神经网络便可得到材料力学性能参数。提出一种基于遗传算法优化bp神经网络与小冲杆试验的在役设备材料力学性能测试方法，更加准确、方便的得到材料的力学性能参数，减少人力与试验资源的投入。本发明同现有的经验关联法相比，具有成本低、结果准确、适用性广等特点。训练完成的bp神经网络可应用于在役设备材料力学性能预测，为评估其结构完整性与预测其剩余寿命提供依据。本发明在保证小冲杆试验有限元模型的准确性的基础上，获取假想材料的小冲杆试验载荷-位移曲线，所得到的数据可靠合理，保证了网络的训练质量。针对载荷-位移曲线与真应力-应变曲线建立了基于bp神经网络的在役设备材料力学性能预测模型，并使用遗传算法对bp神经网络的训练过程进行优化，提高了网络训练的速度与精度，实现了在役设备力学性能的良好预测。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。图1是本发明实施例提供的设备材料力学性能测试方法流程图。图2是本发明实施例提供的设备材料力学性能测试系统的结构示意图；图2中：1、有限元模型确定模块；2、训练样本数据处理模块；3、bp神经网络结构设计模块；4、初始化模块；5、bp神经网络权值和阈值确定模块；6、关联关系建立模块；7、微损测试模块。图3是本发明实施例提供的设备材料力学性能测试方法实现流程图。图4是本发明实施例提供的小冲杆试验二维轴对称有限元模型示意图。图5是本发明实施例提供的三层bp神经网络结构图。图6是本发明实施例提供的部分真应力-应变曲线示意图。图7是本发明实施例提供的部分小冲杆试验载荷-位移曲线示意图。图8是本发明实施例提供的bp神经网络预测结果与试验结果对比示意图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。针对现有技术存在的问题，本发明提供了一种设备材料力学性能测试方法、系统、介质、计算机设备，下面结合附图对本发明作详细的描述。如图1所示，本发明提供的设备材料力学性能测试方法包括以下步骤：s101：对管道钢材料进行小冲杆试验，并建立小冲杆试验的二维轴对称有限元模型；将试验结果与模拟结果进行对比，确定有限元模型的准确性；s102：改变hollomon公式中的参数k与n，获得大量假想材料的真应力-应变曲线；将每一条真应力-应变曲线代入经试验验证的小冲杆试验有限元模型中得到其对应的小冲杆载荷-位移曲线；归一化预处理后得到bp神经网络所需的训练样本数据；s103：设计输入层、隐含层、输出层的层数构建最佳的bp神经网络结构，选择合适的激活函数、目标误差；s104：将bp神经网络的权值和阈值作为遗传算法中的一个种群，并将其初始化；s105：利用遗传算法计算其适应度函数，选择适应度高的染色体进行复制，使其交叉、变异得到新的种群，根据约束条件确定最优个体，并将其作为bp神经网络的权值和阈值；s106：使用经过优化的bp神经网络对样本数据进行训练，在同种材料小冲杆载荷-位移曲线与真应力-应变曲线之间建立关联关系；s107：对于训练好的bp神经网络，应用于在役设备材料的力学性能预测，实现在役设备不停机便可对其材料的力学性能进行微损测试的目的。本发明提供的设备材料力学性能测试方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的设备材料力学性能测试方法仅仅是一个具体实施例而已。如图2所示，本发明提供的设备材料力学性能测试系统包括：有限元模型确定模块1，用于对管道钢材料进行小冲杆试验，并建立小冲杆试验的二维轴对称有限元模型；将试验结果与模拟结果进行对比，确定有限元模型的准确性；训练样本数据处理模块2，用于改变hollomon公式中的参数k与n，获得大量假想材料的真应力-应变曲线；将每一条真应力-应变曲线代入经试验验证的小冲杆试验有限元模型中得到其对应的小冲杆载荷-位移曲线；归一化预处理后得到bp神经网络所需的训练样本数据；bp神经网络结构设计模块3，用于设计输入层、隐含层、输出层的层数构建最佳的bp神经网络结构，选择合适的激活函数、目标误差；初始化模块4，用于将bp神经网络的权值和阈值作为遗传算法中的一个种群，并将其初始化；bp神经网络权值和阈值确定模块5，用于利用遗传算法计算其适应度函数，选择适应度高的染色体进行复制，使其交叉、变异得到新的种群，根据约束条件确定最优个体，并将其作为bp神经网络的权值和阈值；关联关系建立模块6，用于使用经过优化的bp神经网络对样本数据进行训练，在同种材料小冲杆载荷-位移曲线与真应力-应变曲线之间建立关联关系；微损测试模块7，用于对于训练好的bp神经网络，应用于在役设备材料的力学性能预测，实现在役设备不停机便可对其材料的力学性能进行微损测试的目的。下面结合附图对本发明的技术方案作进一步的描述。如图3所示，本发明提供的设备材料力学性能测试方法的所需数据包括两部分：材料的真应力-应变曲线与小冲杆试验载荷-位移曲线，主要通过hollomon公式与小冲杆试验有限元模拟来获取。步骤s1，首先对x80管道钢材料进行小冲杆试验，并建立小冲杆试验的二维轴对称有限元模型。将试验结果与模拟结果进行对比，确定有限元模型的准确性；步骤s2，系统的改变hollomon公式中的参数k与n，获得大量假想材料的真应力-应变曲线。将每一条真应力-应变曲线代入经试验验证的小冲杆试验有限元模型中得到其对应的小冲杆载荷-位移曲线。归一化预处理后得到bp神经网络所需的训练样本数据；步骤s3，设计输入层、隐含层、输出层的层数构建最佳的bp神经网络结构，选择合适的激活函数、目标误差；步骤s4，将bp神经网络的权值和阈值作为遗传算法中的一个种群，并将其初始化；步骤s5，利用遗传算法计算其适应度函数，选择适应度高的染色体进行复制，使其交叉、变异得到新的种群，根据约束条件确定最优个体，并将其作为bp神经网络的权值和阈值。步骤s6，使用经过优化的bp神经网络对样本数据进行训练，在同种材料小冲杆载荷-位移曲线与真应力-应变曲线之间建立关联关系；步骤s7，对于训练好的bp神经网络，应用于在役设备材料的力学性能预测，实现在役设备不停机便可对其材料的力学性能进行微损测试的目的。进一步地，在步骤s1中，所用有限元软件为abaqus；进一步地，在步骤s2中，hollomon公式中的参数变化范围均在合理范围内，共得到457组假想材料的材料参数；进一步地，在步骤s3中，最佳的bp神经网络结构包括：输入层神经元个数为120个，隐含层神经元个数为241个，输出层神经元个数为100个，激活函数分别为logsig和purelin，目标误差为1×10-5。进一步地，步在骤s5中的约束条件为已经达到的迭代次数或者网络误差满足最小误差要求；所述网络误差计算过程包括如下步骤：(1)将遗传算法优化后的权值和阀值赋予bp网络；(2)计算每个训练样本按照bp网络前向方向的输出值，通过与期望值进行比较，得出每个训练样本的误差：(3)计算所有训练样本的误差均方根值，即得网络误差。进一步地，在步骤s7中，通过训练好的bp神经网络可得到在役设备材料的真应力-应变曲线，进而得到该材料的屈服强度与抗拉强度。下面结合实验对本发明的技术效果作详细的描述。如图3-图8所示，下面以通过遗传算法优化bp神经网络与小冲杆试验获得x80管道钢材料的真应力-应变曲线为例说明本发明方法的具体实施步骤。步骤s1，对x80管道钢材料进行单轴拉伸试验，采用dic装置采集整个实验过程中试样表面的形变数据，准确地获得x80管道钢材料真应力-应变曲线，为验证bp神经网络准确性提供依据。步骤s2，对x80管道钢材料进行小冲杆试验，试样直径为10mm，厚度为0.5mm。试验机冲头直径为2.5mm，下夹具孔径为4mm，倒角半径为0.5mm。建立小冲杆试验的二维轴对称有限元模型，如图4所示，所有因素均与试验完全一致，有限元模型中的材料参数包括真应力-应变数据与gtn损伤参数。真应力-应变数据由单轴拉伸试验得到，gtn损伤参数由多次试算得到，最终采用数据如表1：表1步骤s3，公式(1)为获得真应力-应变曲线簇的hollomon公式：r＝kεn(1)通过在合理范围内更改公式(1)中的参数k与n获得457组大量真应力-应变曲线，部分真应力-应变数据如图6所示，这些应力-应变曲线对应的均为假想材料。将每一条真应力-应变曲线代入经试验验证的小冲杆有限元模型中得到其对应的小冲杆载荷位移曲线，如图7所示。归一化预处理后得到bp神经网络所需的训练样本数据。步骤s4，由有限元模拟获得的人工神经网络训练样本对bp神经网络模型进行训练，建立小冲杆试验载荷-位移曲线与材料真应力-应变曲线之间的映射关系，载荷-位移曲线作为输入层，真应力-应变曲线作为输出层，其中载荷-位移曲线选60个坐标点，因此输入数据为120组；真应力-应变曲线选50个坐标点，因此输出数据为100组，由此可以确定bp神经网络的结构。bp神经网络模型的训练过程采用误差反向传播算法，采用三层结构。对于三层网络，隐含层神经网络个数n2和输入层神经元个数n1之间有近似关系：n2＝2×n1+1(2)因此，在本实例中输入层神经元个数为120，隐含层神经元个数为241，输出层神经元个数为100。其中输入层与隐含层之间采用非线性激活函数logsig，隐含层与输出层之间采用线性激活函数purelin，如图5所示。输入层数据为小冲杆试验载荷位移曲线，输出层数据为材料真应力-应变曲线。步骤s5，基于遗传算法对bp神经网络训练过程进行优化。(1)种群初始化。个体编码使用二进制编码，每个个体均为一个二进制串，由输入层与隐含层连接权值、隐含层阀值、隐含层与输出层连接权值、输出层阀值四部分组成，每个权值和阀值使用m位的二进制编码，将所有权值和阀值的编码连接起来即为一个个体的编码。本例的网络结构是120-241-100，所以权值和阀值的个数如表2所列。表2权值和阈值个数输入层与隐含层连接权值隐含层阈值隐含层与输出层连接权值输出层阀值2892024124100100权值与阈值的编码均为10位二进制数，那么个体的二进制编码长度为533610。其中前289200位为输入层与隐含层连接权值编码；289201～291610位为隐含层阈值编码；291611～532610位为隐含层与输出层连接权值编码；532611～533610位为输出层阀值编码。(2)适应度函数，在本案例中，遗传算法是为了使bp神经网络在预测时，预测值与期望值的残差尽可能的小，所以选择预测样本的预测值与期望值的误差函数作为目标函数的输出。其中误差的计算方法为：当一个样本(设为第p个样本)输入网络，并产生输出时，均方差为各输出单元误差平方和，即：当所有样本都输入后，总误差为：其中dk为预测值，yk为期望值。由于目标函数值越小，适应度值越大，目标函数值越大，适应度值越小则适应度函数应取目标函数的倒数，即适应度函数为：f(ea)＝1/ea(5)(3)选择算子，交叉算子，变异算子。本案例中选择算子采用随机遍历抽样，交叉算子采用最简单的单点交叉算子，变异以一定概率产生变异基因数，用随机方法选出发生变异的基因。如果所选的基因的编码为1，则变为0；反之，则变为1。本案例的遗传算法运行参数设定如表3所示：表3遗传算法运行参数设定判断适度值是否满足要求，如果不满足要求则重新进行选择算子，交叉算子，变异算子，将新的参数代入bp神经网络，训练完成后再次计算适度值，直到适度值满足要求或者达到最大遗传代数。步骤s6，将经过最优化选择的权值与阈值代入神经网络，并将经过预处理的训练数据输入bp神经网络进行训练，当误差小于预设误差时，训练完成，至此，便在同种材料小冲杆载荷-位移曲线与之间建立了关联关系。步骤s7，利用训练好的bp神经网络预测x80管道钢材料的真应力-应变曲线，将小冲杆试验得到的x80管道钢材料的载荷位移曲线输入训练好的bp神经网络，可以得到其真应力-应变曲线，将其与单轴拉伸试验结果想对比，如图8所示，最大误差为3.47％。将此bp神经网络应用于在役设备材料的力学性能预测，实现在役设备不停机便可对其材料的力学性能进行微损测试的目的。应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。当前第1页12