预测模型增强 背景技术 [0001] 本发明总体上涉及故障率预测模型，并且更具体地涉及增强故障预测模型以便进行更准确的故障率预测。 [0002] 需要故障率预测来为系统和部件提供保证。存在用于执行生活数据分析的许多类型的预测模型。系统的故障率通常取决于时间，其中速率在系统或组件的寿命周期内变化。 然而，一些预测模型并不很好地适用于一些行业。此外，输入数据的量或质量可以影响由预测模型提供的故障预测的准确性。例如，用于估计部件故障率的当前方法具有涉及例如样本大小、冷启动和模型波动的限制。特别地，故障估算的有用性在单一组分年份品 (vintages)的生命周期早期减弱，这使未来的预测偏斜。因此，这些限制降低了故障率估计的有用性。 [0003] 此外，通常难以隔离产品故障的根本原因。因此，不能有效地采取校正动作。此外，监视产品性能历史可以提供针对已经发生的事物的提醒，但是它不提供针对将来将要发生的事物的提醒。例如，用于预测五年返回速率的数据将仅在收集了约两年价值的数据之后以稳定的建模输出来实现高精确度。仅在两年后获得稳定且准确的预测可能太晚而不能随后请求供应商采取纠正措施，因为系统或组件可能在其寿命的末期。每两年或三年，下一代系统或组件显得具有更好的能力。由此，增强预测模型的故障率预测的准确性允许更快速地采取预防性动作以改善产品可靠性。 发明内容 [0004] 应当理解，提供本概述以便以简化形式介绍将在以下具体实施方式中进一步描述的概念的选择。本概述并不旨在用于限制所要求保护的主题的范围。 [0005] 本发明的实施例针对一种用于增强预测模型以生成未来故障预测的计算机实现的方法。计算机实现的方法的非限制性示例包括将输入数据分割成组。针对经分割的输入数据的每一群组实施预测模型。该计算机实现的方法还包括将历史预测数据分割成组，然后比较经分割的历史预测数据的每个组内的实际和预测参数。基于所述比较，调整由预测模型为经分割的输入数据的每一群组定义的参数。计算机实现的方法然后包括输出用于输入数据的预测模型的更新的参数。 [0006] 根据另一实施例，计算机实现的方法的非限制性示例包括将数据输入到预测模型中以生成第一产品的初始故障模式。初始故障模式提供由至少两个参数定义的第一产品的未来故障率。所述计算机实现的方法还包括：对历史预测数据进行分割，所述历史预测数据包括已经在第二产品的生命周期期间发生的故障模式；以及然后基于所述分割的历史预测数据来修改由所述第一产品的所述预测模型生成的所述初始故障模式的所述至少两个参数。然后，利用所述预测模型生成新的故障模式，所述预测模型利用所述经修改的至少两个参数来定义所述第一产品的新的未来故障率。 [0007] 本发明的实施例针对用于增强预测模型以生成未来故障预测的系统。所述系统的非限制性实例包括通信地耦合到存储器的处理器以及存储在所述存储器中的计算机指令集，当由所述处理器执行时，执行一种方法，所述方法包括：基于生命周期将输入数据分割成多个组，并且每组输入数据与所述生命周期的不同故障模式相对应。针对经分割的输入数据的每一群组实施预测模型。历史预测数据基于在生命周期期间已经发生的故障模式被分割成组。然后比较每一组分割后的历史预测数据的实际参数和预测参数。基于这些比较，针对经分割的输入数据的每一群组调整由预测模型定义的参数。该方法还包括利用预测模型的更新的参数来输出未来故障率。该方法然后可以包括将更新的参数存储为历史预测数据。 [0008] 根据另一实施例，一种用于增强预测模型以生成未来故障预测的系统的非限制性示例包括通信地耦合到存储器的处理器和存储在存储器中的计算机指令集，当由所述处理器执行时，执行包括将数据输入到预测模型中以生成第一产品的初始故障模式的方法。故障模式提供由至少两个参数定义的第一产品的未来故障率。所述方法接着包含：分割历史预测数据，所述历史预测数据包含在第二产品的生命周期期间已发生的多个故障模式；以及基于所述分割的历史预测数据修改由所述第一产品的所述预测模型产生的所述初始故障模式的所述至少两个参数。利用所述预测模型生成新的故障模式以利用所述经修改的至少两个参数来定义所述第一产品的新的未来故障率。 [0009] 本发明的实施例针对一种用于生成未来故障预测的计算机程序产品，所述计算机程序产品包括计算机可读存储介质，所述计算机可读存储介质具有随其体现的程序指令。 程序指令可由处理器执行以致使处理器执行方法。该方法的非限制性示例包括基于生命周期将输入数据分割成组，并且每组经分割的输入数据对应于不同的故障。该方法然后包括为每组分割的输入数据实现预测模型并且基于多个故障模式将历史预测数据分割成组。将每组分割的历史预测数据的实际参数和预测参数相互比较，以确定证明预测误差的差异。 基于这些比较，该方法包括调整由预测模型定义的用于分割的输入数据的每个组的参数。 该方法还包括输出预测模型的更新的参数。该方法还可包括将经更新的参数存储为历史预测数据。 [0010] 通过本发明的技术实现了附加的技术特征和益处。在此详细描述了本发明的实施例和方面，并且这些实施例和方面被认为是所要求保护的主题的一部分。为了更好地理解，参考具体实施方式和附图。 附图说明 [0011] 在说明书结尾的权利要求书中特别指出并清楚地要求保护本文描述的独占权利的细节。从以下结合附图的详细描述中，本发明的实施例的前述和其他特征和优点是显而易见的，其中： [0012] 图1描绘了可以用于实现本发明的示范性实施例的示范性计算机处理系统的框 图； [0013] 图2描绘了根据本发明的一个或多个实施例的用于生成未来故障预测的具有不同层的增强型预测模型的流程图； [0014] 图3描绘了根据本发明的一个或多个实施例的基于生命周期的阶段的输入数据的一般化分割； [0015] 图4描绘了根据本发明的一个或多个实施例的根据特定系统、产品或组件的特定生命周期的阶段的输入数据的更具体的分割； [0016] 图5是根据本发明的优选实施例的、根据图2的流程图的增强的预测模型的概括描绘； [0017] 图6根据本发明的优选实施例描绘了根据图2的流程图的特定系统、产品或组件的增强的韦布尔(Weibull)预测模型； [0018] 图7描绘了根据本发明的一个或多个实施例如何计算图2的流程图的学习层的向量对的均衡系数； [0019] 图8描述根据本发明的一个或多个实施例的利用韦布尔预测模型并计算图2的流程图的学习层的向量对的均衡系数；并且 [0020] 图9描绘了用于增强预测模型以提供更准确的故障预测的示范性过程。 [0021] 本文所描绘的图是说明性的。在不脱离本发明的精神的情况下，这里描述的图或操作可以有许多变化。例如，这些动作可按不同次序执行，或动作可被添加、删除或修改。同样，术语“耦合”及其变体描述了在两个元件之间具有通信路径并且不暗示这些元件之间的直接连接，而在它们之间没有中间元件/连接。所有这些变化被视为说明书的一部分。 [0022] 在附图和所披露实施例的以下详细说明中，附图中展示的这些不同元件配备有两个或三个数字参考号。在次要例外的情况下，每个参考号的最左边的数字对应于首先展示其元件的图。 具体实施方式 [0023] 在此参考相关附图描述本发明的不同实施例。在不脱离本发明的范围的情况下，可以设计本发明的替代实施例。在以下描述和附图中的元件之间阐述了各种连接和位置关系(例如，上方、下方、相邻等)。除非另有说明，这些连接和/或位置关系可以是直接的或间接的，并且本发明在这方面并示意图进行限制。因而，实体的耦合可以指直接或间接耦合，并且实体之间的位置关系可以是直接或间接位置关系。此外，本文所述的各种任务和工艺步骤可并入到具有本文未详细描述的附加步骤或功能的更全面的程序或工艺中。 [0024] 以下定义和缩写用于解释权利要求书和说明书。如在此使用的，术语“包括”(“comprises”)、“包含”(“comprising”)、“包括”(“includes”)、“包括”(“including”)、“具有”(“has”)、“含有”(“having”)、“含有”(“contains”)或“含有”(“containing”)、或其任何其他变体旨在覆盖非排他性的包括。例如，包含一系列元素的组合物、混合物、工艺、方法、制品或设备不一定仅限于那些元素，而是可包括未明确列出的或此类组合物、混合物、工艺、方法、制品或设备固有的其他元素。 [0025] 此外，术语“示例性”在此用于指“用作实例、实例或说明。”本文中描述为“示例性”的任何实施例或设计不一定被解释为比其他实施例或设计优选或有利。术语“至少一个”和“一个或多个”可以被理解为包括大于或等于一的任何整数，即.一个、两个、三个、四个等。 术语“多个”可以理解为包括大于或等于2的任何整数，即.两个、三个、四个、五个等。术语“连接”可包括间接“连接”和直接“连接”两者。” [0026] 术语“约”、“基本上”、“大约”及其变体旨在包括与基于在提交本申请时可用的设备的具体量的测量相关联的误差程度。例如，“约”可以包括给定值的±8％或5％、或2％的范围。 [0027] 为了简洁起见，与制作和使用本发明的多个方面相关的常规技术可以或可以不在此详细描述。具体地，用于实现本文描述的不同技术特征的计算系统和特定计算机程序的不同方面是公知的。因而，为了简洁起见，许多常规实现细节在此仅简要地提及，或者完全省略，而不提供公知的系统和/或过程细节。 [0028] 现在转向在此披露的解决方案的概述，本发明的一个或多个实施例通过增强预测模型以便确定更准确的预测参数来解决现有技术的上述缺点。通过在新输入数据上利用多变量分割并且然后使预测模型单独地处理输入数据的每个分割组来增强预测模型。然后，还通过将历史预测数据分割成组并且确定历史预测数据的每个分割的组的均衡系数因子对，来进一步增强预测模型。将先前的预测参数与对应的实际参数进行比较以确定误差随着时间在哪里发生。这些均衡系数因子对被用作对均衡系数模型的反馈，并且由预测模型确定的用于分割的输入数据的预测参数也被反馈到相同的均衡系数模型中。均衡系数因子对用于调整或修改经分割的输入数据的预测参数。由此，修改经分割的输入数据的预测参数增强预测模型，从而导致改善的故障率准确性。 [0029] 现有技术的缺点优选地通过允许在多个分割的组上使用相同的故障预测模型来解决，而不需要更新预测模型本身。更新或修改预测参数，以便跨多个分割在生命周期上正则化预测模型。换句话说，在分割级别应用正则化，从而允许预测模型跨多个分割保持稳定。 [0030] 参见图1，示出了处理系统100的实施例，该处理系统被配置为用于实现在此的传授内容的个人计算机。在本实施例中，系统100具有一个或多个中央处理单元(处理器) 121a、121b、121c等。(统称为或一般称为处理器121)。在一个或多个实施例中，每个处理器 121可以包括精简指令集计算机(RISC)微处理器。处理器121经由系统总线133耦合到系统存储器134和不同其他组件。只读存储器(ROM)122耦合到系统总线133，并且可以包括基本输入/输出系统(BIOS)，其控制系统100的某些基本功能。 [0031] 图1进一步描绘了耦合至系统总线133的输入/输出(I/O)适配器127和网络适配器 126。I/O适配器127可以是与硬盘123和/或磁带存储驱动器125或任何其他类似组件通信的小型计算机系统接口(SCSI)适配器。I/O适配器127、硬盘123和磁带存储设备125在本文中统称为大容量存储设备124。用于在处理系统100上执行的操作系统140可以存储在大容量存储装置124中。网络适配器126将总线133与外部网络136互连，使得数据处理系统100能够与其他这样的系统通信。屏幕(例如，显示监视器)135通过显示适配器132连接到系统总线 133，显示适配器132可包括用于改进图形密集型应用的性能的图形适配器和视频控制器。 在一个实施例中，适配器127、126和132可连接到经由中间总线桥(未示出)连接到系统总线 133的一个或多个I/O总线。用于连接诸如硬盘控制器、网络适配器和图形适配器之类的外围设备的合适的I/O总线通常包括诸如外围组件互连(PCI)之类的公共协议。附加的输入/输出设备被示出为经由用户接口适配器128和显示适配器132连接到系统总线133。键盘 129、鼠标130和扬声器131全部经由用户接口适配器128互连至总线133，该用户接口适配器可以包括例如将多个设备适配器集成到单个集成电路中的超级I/O芯片。 [0032] 在示范性实施例中，处理系统100包括图形处理单元141。图形处理单元141是专门的电子电路，其被设计成操纵和更改存储器以加速在帧缓冲器中创建旨在输出到显示器的图像。通常，图形处理单元141在操纵计算机图形和图像处理方面是非常有效的，并且具有高度并行的结构，这使得其比并行完成大数据块的处理的算法的通用CPU更有效。 [0033] 因此，如图1中配置的，系统100包括处理器121形式的处理能力、包括系统存储器 134和大容量存储器124的存储能力、诸如键盘129和鼠标130的输入装置以及包括扬声器 131和显示器135的输出能力。在一个实施例中，系统存储器134和大容量存储装置124的一部分共同存储协调图1中所示的不同组件的功能的操作系统。而且，在一个或多个实施例中，该系统可以包括或被联接到一个或多个数据库或数据库管理系统上。 [0034] 图2描绘了用于生成更准确的未来故障预测的具有不同层的增强型预测模型的流程图200。例程层202可被称为预测层。例程层202包括虚线箭头，其示出了用于产生用于预测故障率的故障模式的传统流程。传统流程从新数据输入210直接延伸到预测模型212。 [0035] 在传统流程中，新数据输入跳过行为分割214并且直接去往预测模型212。预测模型212可以是利用机器学习、模式识别或统计技术来给予计算机利用数据进行训练和学习的能力的任何已知模型。直接从预测模型212提供传统输出。例如，从预测模型输出的用于估计未来故障率的参数是所估计的。 [0036] 然而，根据本发明的实施例的智能流程包括通过行为分割214的新数据输入210，使得新数据输入210被分割成多个组1至N。例如，分割可以利用独特的特性将输入数据210分类到诸如所寻求的地理、人口统计、心理图、行为或益处的组中。在如图3所示的一个或多个实施例中，可根据生命周期的阶段对输入数据进行分割。此外，图4描绘了特定实施例，其包括根据特定系统、产品或组件的特定生命周期的阶段来分割输入数据210。换言之，分割可利用系统、产品或组件的生命周期内的阶段来将输入数据210划分成不同的组或不同的故障模式。在一个或多个实施例中，例如，第一产品和第二产品是不同的年份品，并且第一产品比第二产品更新。术语“年份品”是指在相同时间范围内制造的并且具有相同规格(形式/拟合/功能)并且预期具有类似性能特征的组件、产品或系统的单独单元的分组。 [0037] 仍然参见图2，例程层202中的经分割的组1至N被传递到预测模型212，预测模型 212针对每个经分割的组实现机器学习。可以使用任何预测模型，特别是在特定行业中常用的那些。预测模型分析产生模型系数向量，其提供用于进行故障率预测的参数。换言之，在图2中，由预测模型212生成的故障模式可被称为由每组新输入数据210的对应参数定义的初始故障模式。在图5中，描绘了在图2的流程图200中使用的广义增强型预测模型，并且在图6中，描绘了在图2的流程图200中使用的增强型韦布尔预测模型。 [0038] 图5和图6与图2的流程图对应，因为在图5和图6中，描绘了新输入数据210和行为分割214连同被分割成四个组的新输入数据。通用预测模型212的机器学习为每个分割组产生模型系数向量M。模型系数向量M取决于特定预测模型212。 [0039] 在一个或多个实施例中，例如当输入数据的集合小时，可以使用韦布尔预测模型，如图6中所描绘的。韦布尔分析利用两个参数或三个参数分析。两个参数分析产生参数β,η通常分别称为“Beta”和“Eta”。因此，在韦布尔预测模型中，M等于系数向量对(Beta，Eta)。 [0040] 再次参见图2，将来自例程层202的每个分割的组的预测模型212的参数传递到反馈层206。反馈层206还利用来自图2的流程图200的学习层204的信息。学习层204以存储历史预测数据220的一个或多个数据库开始。历史预测数据220包括先前预测的参数以及用于由例程层202的预测模型212先前预测的故障模式的对应实际参数。历史预测数据220的参数定义与存储在一个或多个数据库内的产品相关联的故障率的历史。 [0041] 历史预测数据220被传递通过行为分割224，行为分割224以类似于例程层202的行为分割214的方式将历史预测数据分割成组1至N。历史预测数据220可基于与生命周期(诸如由行为分割214使用的生命周期)相对应的先前故障模式来分组。例如，将输入数据分割成组可以包括基于生命周期将输入数据分割成组，并且每组输入数据对应于生命周期的不同故障模式。将历史预测数据分割成组可以包括基于在生命周期期间已经发生的多个故障模式将历史预测数据分割成组。 [0042] 仍参见图2的流程过程200的学习层204，经分割的组1至N中的每一个的历史预测数据220然后被传递到系数优化模型228。用于每个分割的组1至N的系数优化模型228将从历史预测数据220导出的先前预测值与从历史预测数据220导出的对应实际值进行比较，以生成均衡系数因子对1至N，如层204所示。图4的一般示例一般地描绘了用于预测模型的均衡系数矩阵[A，B]，其中A和B被用于调整由来自例程层202的预测模型212提供的参数。图6描绘了用于特定组件或产品(诸如硬盘驱动器)的三参数韦布尔预测模型的系数优化因子集(BA、EA、PA)。PA、BA和EA是用于在不同区段上均衡韦布尔模型的系数。BA系数调节传统的韦布尔β系数。EA系数调整传统的韦布尔Eta系数。PA系数调整模型输入，其在电子/计算机部件的情况下是部件的上电时间(POH)。学习层204的均衡系数因子对1至N然后被提供给反馈层206的均衡系数模型236。来自例程层202的预测模型212的预测参数也被提供给反馈层 206的均衡系数模型236。 [0043] 如图5和图6中所示，比较定义先前预测参数与分割的历史预测数据210的每个组内的实际参数之间的差或差距，以确定先前故障模式的参数中的任一个是否存在错误。可以监测历史预测数据，然后通过将预测故障率的参数与实际故障率的参数进行比较来确定预测故障率的错误。定义差值或间隙的均衡系数随后被用作反馈以生成预测模型的更新的参数。换言之，差或间隙被提供给均衡系数模型236以与例程层202的预测模型212的预测参数组合使用，以便最小化预测模型212的预测参数中的任何可能的误差。由此，基于经分割的历史预测数据修改由特定产品的预测模型产生的故障模式的参数可包含确定存储在历史预测数据220内的故障模式的参数之间的差。更具体地，图7描绘了如何计算用于流程图 200的反馈层2的向量对的均衡系数的一般过程。图8然后描绘当流程图200利用韦布尔预测模型时如何计算反馈层2的向量对的均衡系数的过程。因此，均衡系数模型236提供增强的输出，使得预测模型212的参数被修改或更新并且因此变得更准确。 [0044] 在一个或多个实施例中，输出预测模型212的经更新的参数包括利用经调整的参数来生成未来故障率。同样，在一个或多个实施例中，来自均衡系数模型236的更新参数的输出变成反馈并且作为历史预测数据220存储在学习层204中。 [0045] 同样，预测模型212的经更新的参数可以用于在制造过程中触发动作，诸如抢先或纠正动作。例如，更新的参数可用于向自动化组装系统、线或设备发起指令。可以控制或指令该组装系统、管线或装置改变，例如停止、加速或减速。在另一实例中，更新的参数可导致指令通过自动组装设备从组装线移除部件或一批部件。预测模型212的经更新的参数也可以用于其他类型的过程中。 [0046] 图9描绘了根据本发明的一个或多个实施例的用于增强预测模型以更准确地生成未来故障预测的方法的流程图。方法900包括用于将输入数据分割成组的过程框902。过程框904接着包含针对每一经分割群组实施预测模型212。方法900还包括用于分割历史预测数据的过程块906和用于在系数优化模型228处比较每个分割组内的实际参数和预测参数的过程块908。接下来，过程900包括基于比较来调整每组分割的输入数据的参数。过程900还包括输出用于输入数据的预测模型的更新的参数。 [0047] 过程900还可包含预测模型执行韦布尔分析。过程900还可以包括基于生命周期将输入数据分割成组，并且每组输入数据对应于生命周期的不同故障模式。过程900还可包括确定每一组分割的历史预测内的实际参数与预测参数之间的差。过程900还可以包括利用每一组分割的历史预测内的实际参数与预测参数之间的差作为反馈来生成预测模型的经更新的参数。 [0048] 还可以包括附加过程。应理解，图9中描绘的过程表示说明，且可添加其他过程或可移除、修改或重新布置现有过程而不脱离本发明的范围和精神。 [0049] 本发明可以是任何可能的集成技术细节水平的系统、方法和/或计算机程序产品。 所述计算机程序产品可包含上面具有计算机可读程序指令的计算机可读存储媒体(或媒体)，所述计算机可读程序指令用于致使处理器执行本发明的方面。 [0050] 计算机可读存储介质可以是可以保留和存储指令以供指令执行设备使用的有形设备。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述各项的任何合适的组合。计算机可读存储介质的更具体例子的非穷举列表包括以下：便携式计算机盘，硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)，静态随机存取存储器(SRAM)、便携式致密盘只读存储器(CD‑ROM)，数字通用盘(DVD)、记忆棒、软盘、机械编码设备(诸如穿孔卡片)或具有记录在其上的指令的凹槽中的凸起结构)，以及上述的任意合适的组合。如本文中所使用的计算机可读存储介质不应被解释为瞬态信号本身，诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤电缆的光脉冲)、或通过导线传输的电信号。 [0051] 本文所述的计算机可读程序指令可从计算机可读存储介质下载到相应的计算/处理设备，或经由网络(例如，互联网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。 [0052] 用于执行本发明的操作的计算机可读程序指令可以是汇编指令，指令集架构 (ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据，集成电路的配置数据，或以一种或多种编程语言的任何组合编写的源代码或目标代码，包括面向对象的 Smalltalk、C++等编程语言，以及过程式编程语言，例如“C”编程语言或类似的编程语言。计算机可读程序指令可完全在用户的计算机上执行、部分在用户的计算机上执行、作为独立软件包执行、部分在用户的计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在后一种情形中，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机，或者可以连接到外部计算机(例如，通过使用互联网服务提供商的互联网)。在一些实施例中，电子电路(包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA))可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以使电子电路个性化，以便执行本发明的方面。 [0053] 本文中参考根据本发明的实施例的方法、设备(系统)和计算机程序产品的流程图说明和/或框图描述本发明的方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令来实现。 [0054] 这些计算机可读程序指令可以被提供给通用计算机的处理器，专用计算机或其他可编程数据处理装置，以产生机器，其通过计算机或其他可编程数据处理装置的处理器执行，创建用于实现在流程图和/或方框图的一个或多个方框中指定的功能/动作的装置。这些计算机可读程序指令还可存储在可指导计算机的计算机可读存储介质中，可编程数据处理装置，和/或以特定方式起作用的其他设备，使得具有存储在其中的指令的计算机可读存储介质包括制品，该制品包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各方面的指令。 [0055] 计算机可读程序指令还可以加载到计算机、其他可编程数据处理装置上，或使得在计算机上执行一系列操作步骤的其他装置，其他可编程装置或其他设备，以产生计算机实现的过程，使得在计算机上执行的指令，其他可编程装置或其他设备实现流程图和/或框图中的一个或多个方框中规定的功能/动作。 [0056] 附图中的流程图和框图图示了根据本发明的不同实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。对此，流程图或框图中的每个方框可以代表模块、段或指令的一部分，其包括用于实现规定的逻辑功能的一个或多个可执行指令。在一些替代实施例中，框中所标注的功能可以不以图中所标注的次序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行。还将注意的是，框图和/或流程图中的每个框、以及框图和/或流程图中的框的组合可以由基于专用硬件的系统来实现，所述基于专用硬件的系统执行指定的功能或动作或执行专用硬件与计算机指令的组合。 [0057] 已经出于说明的目的呈现了本发明的不同实施例的描述，但并不旨在是穷尽性的或局限于所披露的实施例。在不背离所描述的实施例的范围和精神的情况下，许多修改和变化对本领域的普通技术人员而言将是显而易见的。选择本文中所使用的术语以最佳地解释实施例的原理、实际应用或对市场中所发现的技术的技术改进，或使得所属领域的其他普通技术人员能够理解本文中所描述的实施例。