设备状态检测方法、装置、设备和存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本发明实施例涉及自动化控制技术领域，尤其涉及一种设备状态检测方法、装置、设备和存储介质。背景技术：2.机床设备是工业流水线中的重要设备，机床设备的加工质量直接决定产品的好坏，对机床设备状态的监控和异常检测是工业界亟需的技术，对于提高生产效率，增强产品质量以及实现流水线的自动化管理有着举足轻重的作用。3.目前机床类设备的监控面临着以下困难：首先，机床设备种类繁多，目前缺乏通用的监控方法，现有的机床监控方法只能做到“一机一模型”，必须针对具体设备和场景进行二次开发，二次开发的效果直接影响机床设备状态监控的准确性，也需要花费大量人力物力。其次，由于机床设备的加工对象通常不唯一，机床设备的参数常常变化，无法准确检测机床设备状态，导致产品加工质量的不可控，降低机床设备的生产质量，目前迫切需要一种用于机床设备状态监测的方法。技术实现要素：4.本发明提供一种设备状态监测方法、装置、电子设备和存储介质，以实现对机床设备状态的准确检测。5.第一方面，本发明实施例提供了一种设备状态监测方法，包括：6.采集目标设备的原始噪声，并根据触发信号确定原始噪声对应的加工周期；7.在各加工周期内确定原始噪声的噪声特征信号；8.根据各噪声特征信号与预设加工对象模板信号的比较结果确定设备状态。9.第二方面，本发明实施例还提供了一种设备状态监装置，该装置包括：10.周期确定模块，用于采集目标设备的原始噪声，并根据触发信号确定所述原始噪声对应的加工周期；11.特征信号模块，用于在各加工周期内确定原始噪声的噪声特征信号；12.状态检测模块，用于根据各噪声特征信号与预设加工对象模板信号的比较结果确定设备状态。13.第三方面，本发明实施例还提供了一种计算机设备，包括：14.一个或多个处理器；15.存储装置，用于存储一个或多个程序；16.当所述一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述第一方面所述的设备状态检测方法。17.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的设备检测方法。18.本发明实施例所提供的技术方案中，首先采集目标设备的原始噪声之后，根据触发信号确定原始噪声对应的加工周期，然后分别在各加工周期内确定原始噪声的噪声特征信号，以基于各噪声特征信号与预设加工对象模板信号的比较结果确定设备状态。通过对各噪声特征信号与预设加工模板信号的比较实现了对机床类设备状态的准确检测，提高了设备生产的可靠性，增强了产品的生产质量。附图说明19.图1为本发明实施例一提供的一种设备检测方法的流程图；20.图2是本发明实施例二提供的一种设备检测方法的流程图；21.图2a是本发明实施例二提供的一种触发信号模板示意图；22.图2b是本发明实施例二提供的一种生产区间初定位效果示意图；23.图2c是本发明实施例二提供的一种不同加工对象的模板信号示意图；24.图2d是本发明实施例二提供的一种细分类的锚点与凭据区间示例示意图；25.图2e是本发明实施例二提供的一种设备检测方法的效果示意图；26.图2f是本发明实施例二提供的一种设备检测方法的效果示意图；27.图2g是本发明实施例二提供的一种加工进度实时监测和下一数据点预估值效果示意图；28.图3是本发明实施例三提供的一种设备检测装置的结构示意图；29.图4是本发明实施例四提供的一种计算机设备的结构示意图。具体实施方式30.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构，此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。31.实施例一32.图1为本发明实施例一提供的一种设备检测方法的流程图，本实施例可适用于实现对生产环境中机床类设备的状态监测的情况，该方法可以由一种设备检测装置来执行，该装置可以采用硬件和/或软件的方式来实现，通常可配置于计算机设备中。33.该方法具体包括如下步骤：34.s101、采集目标设备的原始噪声，并根据触发信号确定所述原始噪声对应的加工周期。35.其中，目标设备可以为需要监测的设备。触发信号可以是目标设备周期性工作规律的信号，可以反映目标设备的工作状态，该触发信息可以是人工发出的信号，例如，目标设备的启动信号或者关闭信号，也可以是目标设备执行操作的信号，例如，设备加工的准备信号或者清洗信号等。36.示例性的，当目标设备处于启动状态时，机床每次加工结束后都会有一个清洗的流程，在特征信号中表现为两个较高的脉冲，这一信号的辨识度很高且稳定出现，可以将清洗流程中出现的两个较高的脉冲信号作为本发明实施中使用的触发信号。37.在本实施例中，加工周期可以是目标设备生产一个产品的周期，由于生产周期内生产的产品不同，目标设备的噪声也不同。示例性的，机床类设备可以生成多种产品，每个产品的生成时间可以作为一个加工周期。38.s102、在各加工周期内确定原始噪声的噪声特征信号。39.其中，噪声特征信号可以是从原始噪声中提取到的特征信号。通过提取到的特征信号可以使与目标设备处于运转状态时所产生的噪声特性更加明确。40.在本实施例中，噪声特征信号的提取方式可以包括提取原始噪声中声信号特定频段成分，并将其进行均值或者标准差的计算，可以将计算结果作为噪声特征信号。噪声特征信号提取的方式不限于此种方法，例如，还可以包括使用神经网络模型提取原始噪声中的噪声特征信号。41.s103、根据各噪声特征信号与预设加工对象模板信号的比较结果确定设备状态。42.其中，加工对象可以是目标设备的零件。例如可以是目标设备的轴联器，例如还可以是目标设备的齿轮等，本实施例在此不作限制。预设加工对象模板信号是指对生产加工对象时的各种声音信号。例如，预设加工对象模板信号可以是反映设备生产加工对象时的声音信号，预设加工对象模板信号可以是设备一个完整加工周期内的所有声音信号，也可以是一个或多个特定频段内的设备加工的声音信号。43.在本实施例中，根据各噪声特征信号与预设加工对象模板信号的比较方式可以为各噪声特征信号与预设加工对象模板信号交并比的比较；也可以为各噪声特征信号与预设加工对象模板信号在时域系统经过傅里叶变换转化为频域得到频率值，然后将得到的低频与高频的频率值进行比较；还可以为将得到各噪声特征信号与预设加工对象模板信号转化为图形信号，根据所得图形信号的匹配相关程度进行比较的方式。44.本发明实施例所提供的技术方案中，通过采集目标设备的原始噪声，并根据触发信号确定原始噪声对应的加工周期，然后在各所加工周期内确定原始噪声的噪声特征信号，最后根据各噪声特征信号与预设加工对象模板信号的比较结果确定设备状态。本实施例上述技术方案，通过噪声特征信号与预设加工对象模板信号的比较结果，准确检测机床设备的状态，及时发现故障，提高设备生产的可靠性，增强了产品的生产质量。45.实施例二46.图2为本发明实施例二提供的一种设备检测方法的流程图，本实施例在上述各实施例地基础上，进一步进行了细化。具体可以包含如下步骤：47.s201、采集目标设备的机床转轴处的原始噪声。48.其中，原始噪声是指通过安置在目标设备附近的麦克风以采集其机床转轴处运转时的噪声。采集的原始噪声可以是轴承噪声，也可以是撞击噪声，还可以是摩擦噪声，本发明实施例对此不进行限制。49.具体的，通过s201可以采集到目标设备处于启动状态时的原始噪声。50.s202、按照触发信号将原始噪声划分为至少一个加工周期，其中，触发信号包括设备冲洗脉冲信号。51.其中，设备冲洗脉冲信号是一种离散信号，具有一定的周期性。设备冲洗脉冲信号可以用来表示信息，也可以用来作为载波，还可以作为各种数字电路、高性能芯片的时钟信号。设备冲洗脉冲信号之间的时间间隔称为周期。示例性的，设备冲洗脉冲信号可以为当目标设备处于启动状态时，机床每次加工结束后都会有一个清洗的流程，在特征信号中表现为两个较高的脉冲，可以将清洗流程中产生的两个较高的脉冲信号称为设备冲洗脉冲信号。52.在本实施例中，根据触发信号可将采集到的原始噪声划分为一个或多个加工周期。例如可以是，根据人工发出的信号即目标设备的启动信号或者关闭信号将采集到的原始噪声划分为一个或多个加工周期；例如还可以是，根据目标设备执行操作的信号即目标设备加工的准备信号或者清洗信号将采集到的原始噪声划分为一个或多个加工周期。53.需要说明的是，在对触发信号进行检测时，需要在每一次识别加工完成的声音信号结束后开始对上一次识别加工完成的声音信号进行分析，因此需要设定一种在目标设备的每一次周期中都出现的信号作为识别的触发信号，使用基于交并比的目标检测规则，即可捕捉到每一次触发信号，并在发现触发信号后开始执行后续步骤。54.s203、使用预设处理操作处理各加工周期内的原始噪声以获取噪声特征信号。55.具体的，噪声特征信号的获取方式为：使用预处理操作处理一个或多个加工周期内的原始噪声，然后进行原始噪声特征值的提取，之后可以获得噪声特征信号。56.可选的，所述预设处理操作包括高频段成分均值、高频段成分标准差、低频段成分均值、高低频段成分标准差中至少之一。其中，预处理操作是指预先进行一定处理的操作。57.在本实施例中，使用高频段成分均值、高频段成分标准差、低频段成分均值、高低频段成分标准差至少其中之一处理一个或多个加工周期内的原始噪声，首先进行原始噪声特征值的提取，然后得到在该原始噪声特征值下的噪声特征信号。58.其中，均值指的是平均数，它是表示一组数据集中趋势的量数，反映数据集中趋势的一项指标。标准差为总体各单位标准值与其平均数离差平方的算术平均数的平方根，它反映了组内个体间的离散程度。频段是指一定的频率范围。高频段成分均值即指高频率范围下样本频率分布的均值。高频段成分标准差指高频率范围下样本频率分布的标准差。低频段成分均值指低频率范围下样本频率分布的均值。高低频段成分标准差是指高低频率范围下样本频率分布的标准差。59.s204、获取目标设备的加工对象，并确定加工对象对应的对象粗分类。60.其中，加工对象可以为目标设备的零件，例如可以是轴联器，例如还可以是齿轮，本实施例在此不作限制。对象粗分类是指对加工对象进行大类别的划分，在加工对象模板信号的相似度即加工流程上比较相似且仅有小部分细节区分的加工对象划分为同一类。61.具体的，在对目标设备进行监测时，可以获取目标设备当前正在处理的加工对象，可以通过图像传感器检测获知，也可以由用户在启动目标设备生产加工对象时主动输入。该加工对象具体可以为标识信息或者产品名称。可以根据确定该加工对象所属的对象粗分类，该对象粗分类可以包括一种或者多种不同的加工对象，可以理解的是，属于相同对象粗分类的加工对象的机床的噪声特征信号比较接近。62.s205、在对象粗分类内获取预设加工对象模板信号。63.具体的，在一个对象粗分类或多个对象粗分类内得到其预设加工对象模板信号。64.需要说明的是，在对象粗分类内获取预设加工对象模板信号的方式为：在进行对象粗分类之后，预设加工对象模板信号相似度高的会在同一个大类别中，可以直接获取预设加工对象模板信号。65.s206、确定噪声特征信号与预设加工对象模板信号的交并比。66.其中，交并比可作为衡量指标，用来描述产生的噪声特征信号与预设加工对象模板信号之间的重合度，即它们的交集与并集的比值。可以通过计算噪声特征信号与预设加工对象模板信号交并比的值来评估检测的准确性，所得交并比的值越大，测量结果就越准确。67.具体的，根据噪声特征信号与预设加工对象模板信号确定其交并比，用以判断目标设备是否处于正常工作状态。具体步骤为：根据目标设备的加工对象，以此确定其所对应的对象粗分类，然后在对象粗分类内得到预设加工对象模板信号，并确定此时的噪声特征信号与预设加工对象模板信号的交并比，最后基于其交并比与所设阈值进行比较。68.s207、将交并比与阈值进行比较，若交并比小于阈值，则确定目标设备处于故障状态，若交并比大于或等于阈值，则确定目标设备处于正常状态。69.具体的，根据噪声特征信号与预设加工对象模板信号的交并比与阈值的比较，若交并比大于或等于阈值，则确定目标设备处于故障状态，若交并比小于阈值，则确定目标设备处于正常状态。70.示例性的，在已知目标设备加工对象分类类别的前提下，从目标检测参数中可以得到对应加工对象类别的加工对象模板信号，并与目标设备加工周期内的噪声特征信号进行比对，则可以分析出当前目标设备的加工进度，并根据预设加工对象模板信号预测下一阶段的噪声特征信号的大致范围。使用预测结果与后续设备产生的噪声特征信号对比，若出现较大的偏差，则可判断为目标设备生产过程出现了异常。71.本发明实施例中使用设备工作状态下采集到的原始噪声，以基于所采集到原始信号获得噪声特征信号，并通过获取目标设备的加工对象，确定加工对象对应的对象粗分类，以得到预设加工对象模板信号，最后将噪声特征信号与预设加工对象模板信号的交并比与与阈值进行比较，以判断设备是否处于正常状态。本发明实施例通过对设备加工对象的分类，并在已知加工对象分类的前提下，实现加工进度的实时监测，并能捕捉到加工过程中存在的异常行为，进一步提升目标设备检测的准确度。72.进一步的，在上述发明实施例的基础上，设备状态检测方法，还包括：获取至少一个加工对象的噪声数据；提取各噪声数据的噪声特征信号作为加工对象对应的预设加工对象模板信号。73.需要知道的是，获取加工对象的噪声数据的方式包括：当目标设备处于启动状态时，其机床转轴处、轴联器等的可以产生噪声，对此时的噪声数据进行提取，可以将提取到的声音信号作为加工对象的噪声数据。其中，所采集的加工对象的噪声数据为一个或多个。74.具体的，提取一个或多个加工对象的噪声数据的噪声特征信号，将其作为加工对象对应的预设加工对象模板信号。75.在本实施例中，噪声数据的噪声特征信号的提取方式包括：提取一个或多个噪声数据的特征值，所提取的特征值可以为高频段成分均值、高频段成分标准差、低频段成分均值、高低频段成分标准差的其中之一。76.在本实施例中，提取各噪声数据的噪声特征信号作为加工对象对应的预设加工对象模板信号的方式包括：提取各噪声数据的特征值进行分析及方差、标准差计算，得到噪声数据的噪声特征信号，将其直接作为加工对象对应的预设加工对象模板信号。77.可选的，在提取各噪声数据的噪声特征信号作为加工对象对应的预设加工对象模板信号之后，还包括：78.按照各预设加工对象模板信号的相似度将各预设加工对象模板信号划分到至少一个对象粗分类；对所述对象粗分类内各所述噪声特征信号的特征区间进行标注。79.需要说明的是，对对象粗分类内各噪声特征信号的特征区间进行标注可以理解为对加工对象的细分类。具体的，是针对加工对象大类别分类范围内的小类别表现的时间段，仅提取产生区别的局域信号，对该局域信号使用基于交并比的目标检测算法再次进行分类，就可以得到加工对象细分类的点，然后对特征区间进行标注，可以通过标注的特征区间减少噪声特征信号与预设加工对象目标信号的比较量，可降低数据处理规模，提高设备状态检测的实时性。80.在本实施例中，根据预设加工对象模板信号的相似度将其划分为一个对象粗分类或多个对象粗分类。在进行加工对象粗分类划分时，使用基于交并比的目标检测算法，将目标设备的加工对象进行大类别的划分，选取加工流程相似，且仅有细节区分的加工对象划为同一类。由于不同加工对象类别间有加工流程上较大的区别，此时产生的噪声特征信号的形状也会有很大的不同，在这种情况下，通过为每个加工对象类别指定加工对象模板信号，使用基于交并比的目标检测算法即可实现对加工对象粗分类。81.在本实施例中，在根据加工对象模板信号的相似度对加工对象模板信号进行划分时，每个加工对象粗分类内的几种加工对象的加工对象模板信号的相似度往往只有微小细节上的区别，这部分细节信号在整体信号中的占比本身就不高，直接对整体波形进行基于交并比的目标规则进行分类时，这些细节信号产生的交并比波动很小，比较容易被一些偶然因素引起的扰动覆盖掉，导致难以对细节信号进行分类。所以给出了对对象粗分类内各噪声特征信号的特征区间进行标注即细分类阶段的分类方法，首先可以针对性地查看该每个加工对象粗分类内的几种小类别地区别表现在哪些时间段，仅提取产生区别的局域信号，对该局域信号再使用与对对象粗分类时相同的方法进行分类，在对象粗分类内各噪声特征信号的特征区间进行标注，标注出来的即为细分类的点。82.示例性的，对粗对象分类内的噪声特征信号的特征区间进行标注的标注点可称为细分类局域信号的锚点位置，锚点位置可以理解为在人工观察对象粗分类内中几种不同加工对象的区别后，将产生区别的区间段标记处出。83.进一步的，在上述发明实施的基础上，设备检测方法还包括：确定加工周期内噪声特征信号与预设加工对象模板信号的匹配长度，将匹配长度作为目标设备的加工进度。84.其中，匹配长度可以为加工周期内噪声特征信号与预设加工对象模板信号两者重合部分的长度。加工进度可以理解为实时产生的噪声特征信号与预设加工对象模板信号进行匹配，两者重合的部分在预设加工对象模板信号中的长度占比可以得出目标设备的加工进度。85.在本实施例中，预设加工对象模板信号的匹配长度可由噪声特征信号的特征区间进行标注的标注点来确定。标注点两侧多长距离内的信号由主要产生区分的信号而定。86.示例性的，以通过噪声监测机床的工作状态为例，本发明实施例的设备状态检测方法可以包括如下过程：通过安装在机床转轴附近的噪声采集装置录制机床工作的噪声，并进行简单的方差特征提取后，获得采样率1hz的特征信号。其中，采样率可以视具体的应用场景可以进行调整，本发明实施例中不存在快速的瞬态过程，且单次加工的持续时长在半小时左右，使用1hz的采样率即可满足要求。87.经观察，机床每次加工结束后都会有一个清洗的流程，在特征信号中表现为两个较高的脉冲，这一信号的辨识度很高且稳定出现，可以作为本实施例设备检测方法的触发信号，选取一次清洗步骤的信号作为模板，如图2a所示。88.接下来，可以使用模板信号对特征信号进行实时扫描，确定其与原始特征信号间的交并比曲线，当模板信号与原始特征信号的某一时段重合时，交并比曲线会出现一次明显的峰值，因此对曲线进行峰值检测，即可定位每一次触发信号的位置。效果如图2b所示。经过这一步骤，机床的加工动作则可以大致定位在触发信号前的一定时间区间内。89.其次，从特征信号中标定出工厂近期生产的11种零件的模板周期，如图2c所示。其中，从图2c中可以看出，从上至下第6、7、8行的模板信号由于加工流程近似，被划分为同一大类。每当算法捕获一次触发信号，就依次使用各个类别的模板信号对本次触发信号与上次触发信号间的信号进行扫描。取各个模板信号扫描得到的交并比曲线的最大值，并在不同模板间再次取最大值，若此最大值大于设定阈值，则判定为该值对应的类别，若低于阈值，则判定为未知零件。90.然后，对细类别的划分方法如图2d所示，由于三处方框内的信号是三种零件的主要区别区间，因此选用黑圈圈出的三处信号作为锚点，在检测到一次该大类别的信号后，使用与前面步骤相同的基于交并比的探测方法，但探测对象改为锚点附近的局域信号，即可确定锚点的位置。通过从锚点出发取左侧或右侧一定区间内的信号，即可获取产生区别的关键局域信号。对局域信号进行同样的模板匹配和阈值比较，即可确定本次生产对应具体哪种细类别。91.再者，加工零件类型识别的效果如图2e所示、如图2f所示，其中，第一条线是传感器输出的特征信号，第二条线是触发信号的匹配曲线，它的峰值对应着清洗的动作，用来触发对加工过程的类别判断，第三条线的每个峰对应着一次识别的触发信号，第四条线是每次加工的零件类别，0表示未触发算法，1表示未知类别，2以上依次对应图2c中给出的11种类别。从图中可以看出算法对不同类别的区分非常准确，并且工厂在一段时期内会主要加工某种零件，但也偶尔穿插个别其他零件的生产，这一情况也在本算法中得到了很好的处理。92.最后，在已知当前加工的零件类型时，算法会从参数库中取出该类型对应的噪声特征模板，在加工过程中，将实时产生的噪声特征信号与模板信号进行匹配，从最佳吻合部分在模板信号中的长度占比即可得知零件目前的加工进度，并且根据模板信号的信息，可以给出后面一段时间内的实时噪声特征的预期范围。这一过程通过简单地遍历模板信号的各个子串并与已出现的信号进行交并比匹配即可实现，也可以使用马尔科夫链、递归神经网络等方式进行预测。当实时信号与预测范围出现较大偏差时，即可认为加工过程出现了异常。图2g给出了一段通过这种方法实时计算加工进度地效果图，橙色十字表示了算法预测的后续信号的估计值。这种监测逻辑在模板信号的跳变点附近会失效，但通过结合一些跳变点检测算法，在模板的跳变点附近区域改为跳变后回溯的监测方式即可避免这种问题。93.实施例三94.图3为本发明实施例三提供的一种设备检测装置的结构示意图，本实施例所提供的一种设备检测装置可以通过软件和/或硬件来实现，可配置于服务器中来实现本发明实施例中的一种设备检测方法。如图3所示，该装置具体可包括：周期确定模块301、特征信号模块302和状态检测模块303。95.其中，周期确定模块301，用于采集目标设备的原始噪声，并根据触发信号确定所述原始噪声对应的加工周期。96.特征信号模块302，用于在各所述加工周期内确定所述原始噪声的噪声特征信号。97.状态检测模块303，用于根据各所述噪声特征信号与预设加工对象模板信号的比较结果确定设备状态。98.本发明实施例所提供的技术方案中，通过周期确定模块采集目标设备的原始噪声，并根据触发信号确定原始噪声对应的加工周期，然后使用特征信号模块在各所加工周期内确定原始噪声的噪声特征信号，最后通过状态检测模块根据各噪声特征信号与预设加工对象模板信号的比较结果确定设备状态。本实施例上述技术方案，通过状态检测模块中噪声特征信号与预设加工对象模板信号的比较结果，准确检测机床设备的状态，及时发现故障，提高设备生产的可靠性，增强了产品的生产质量。99.可选的，在上述各实施例的基础上，周期确定模块301，具体可以包括：100.噪声采集单元，具体用于采集所述目标设备的机床转轴处的原始噪声。101.加工周期划分单元，具体用于按照触发信号将所述原始噪声划分为至少一个加工周期，其中，所述触发信号包括设备冲洗脉冲信号。102.可选的，在上述各实施例的基础上，特征信号模块302，具体可以包括：103.特征信号获取单元，具体可以用于使用预设处理操作处理各所述加工周期内的所述原始噪声以获取噪声特征信号。其中，所述预设处理操作包括高频段成分均值、高频段成分标准差、低频段成分均值、高低频段成分标准差中至少之一。104.可选的，在上述各实施例的基础上，状态检测模块303，具体可以包括：105.粗分类确定单元，用于获取所述目标设备的加工对象，并确定所述加工对象对应的对象粗分类；106.模板信号获取单元，用于在所述对象粗分类内获取所述预设加工对象模板信号。107.交并比确定单元，用于确定所述噪声特征信号与所述预设加工对象模板信号的交并比。108.比较单元，用于将所述交并比与阈值进行比较，若所述交并比小于所述阈值，则确定所述目标设备处于故障状态，若所述交并比大于或等于所述阈值，则确定所述目标设备处于正常状态。109.可选的，还包括：110.数据获取模块，用于获取至少一个加工对象的噪声数据。111.特征信号提取模块，用于提取各所述噪声数据的噪声特征信号作为所述加工对象对应的预设加工对象模板信号。112.可选的，特征信号提取模块之后，还包括：113.对象粗分类划分单元，具体用于按照各所述预设加工对象模板信号的相似度将各所述预设加工对象模板信号划分到至少一个对象粗分类。114.特征区间标注单元，具体用于对所述对象粗分类内各所述噪声特征信号的特征区access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。130.值得注意的是，上述设备检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。131.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!