基于一维卷积自编码网络的故障电弧识别方法及装置与流程

1.本发明涉及电弧识别的技术领域，尤其是涉及一种基于一维卷积自编码网络的故障电弧识别方法及装置。


背景技术：

2.故障电弧是引起电气火灾的重要原因，通常串联故障电弧的电流要小于线路正常工作时的电流，线路中安装的断路器或熔断器等保护装置通常无法切除此类故障。非线性负载电流与故障电弧电流在时频域方面具有相似特征，导致故障电弧特征量选取困难，因此，能否在非线性负载条件下准确检测出串联故障电弧对于火灾防护至关重要。
3.故障电弧的传统识别方法主要包括三类：基于电弧数学模型的识别方法，多用于电弧理论的研究；基于故障电弧物理现象的识别方法，常用到弧光、热、电磁辐射等，受设备安装位置的影响较大，一般应用于开关柜等特殊环境中；基于电弧电压电流特征的识别方法，依赖于所设置的阈值大小，而实际情况中非线性负载种类繁多，其工作特性存在较大差异，限制了阈值的泛化能力。
4.近年来深度学习算法在故障电弧诊断领域取得了一定成果。在当前已发表的文献中有应用经验模态分解提取电弧电流多个特征量，并构建概率神经网络模型进行故障电弧识别，利用傅里叶变换、梅尔频率倒谱变换以及离散小波变换对数据进行预处理，结合深度神经网络实现了故障电弧识别，也有应用分形维数对电流高频信号的混沌特性进行定量衡量，并通过盒维数与关联维数构造出故障电弧特征向量，最后采用支持向量机对其进行分类。人工智能算法能在一定程度上解决阈值设置的问题，应用前景广阔。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种基于一维卷积自编码网络的故障电弧识别方法及装置，以缓解现有技术中对电弧非线性负载多，工作特性差异大，处理难度大的技术问题。
6.本发明提供了一种基于一维卷积自编码网络的故障电弧识别方法，包括：
7.获取第一电弧电流数据并对所述第一电弧电流数据进行小波包分解以获取第二电弧电流数据；
8.将所述第二电弧电流数据分为第二电弧电流数据训练集、第二电弧电流数据验证集、第二电弧电流数据测试集；
9.构建卷积自动编码器神经网络模型，所述卷积自动编码器神经网络模型包括输入层、隐含层以及输出层，所述隐含层包括卷积层、池化层、自动编码器以及softmax多分类器，基于所述第二电弧电流数据训练集、第二电弧电流数据验证集获取所述卷积自动编码器模型的隐含层参数以对所述卷积自动编码器神经网络模型进行训练；
10.采用第二电弧电流数据测试集对训练好的卷积自动编码器神经网络模型进行测试。
11.优选的，所述基于所述第二电弧电流数据训练集、第二电弧电流数据验证集获取所述卷积自动编码器模型的中间层参数以对所述卷积自动编码器神经网络模型进行训练的步骤包括：
12.设置所述卷积自动编码器神经网络模型的隐含层的卷积核尺寸、首层卷积核数量、池化比例以及卷积层数，所述卷积自动编码器神经网络模型的输入层输出所述第二电弧电流数据训练集至隐含层，所述自动编码器基于所述第二电弧电流数据训练集优化输入层与隐含层、隐含层与输出层的权重以完成预训练；
13.对预训练好的卷积自动编码器神经网络模型进行隐含层与输出层的权重进行微调。
14.优选的，所述自动编码器基于所述第二电弧电流数据训练集、第二电弧电流数据验证集优化输入层与隐含层、隐含层与输出层的权重以完成预训练的步骤包括：
15.基于无标签的第二电弧电流数据训练集对所述自动编码器进行逐层训练并获取自动解码器输入输出的差异程度；
16.若差异程度小于阈值，则结束预训练；
17.若差异程度大于阈值，则执行所述基于无标签的第二电弧电流数据训练集集对所述自动编码器进行逐层训练并获取准确率的步骤。
18.优选的，所述自动编码器包括编码器以及解码器，所述对预训练好的卷积自动编码器神经网络模型进行隐含层与输出层的权重进行微调的步骤包括：
19.将所述编码器直接与所述softmax多分类器相连，基于有标签的第二电弧电流数据训练集、第二电弧电流数据验证集采用反向传播算法对隐含层与输出层的权重进行微调。
20.优选的，所述卷积层的层数为4，所述池化比例为2，所述首层卷积核数量为16，所述卷积核尺寸为3。
21.优选的，所述获取第一电弧电流数据并对所述第一电弧电流数据进行小波包分解以获取第二电弧电流数据的步骤包括：
22.小波包分解的层数为5。
23.优选的，所述自动编码器基于所述第二电弧电流数据训练集、第二电弧电流数据验证集优化输入层与隐含层、隐含层与输出层的权重以完成预训练的步骤包括：
24.所述自动编码器包括编码器以及解码器：
25.采用如下公式优化输入层与隐含层的权重：
26.h＝c(x)＝sc(w1x b1)
27.w1—输入层与隐含层之间权重；
28.b1—输入层与隐含层之间的偏置；
29.sc—编码器的激活函数；
30.采用如下公式优化隐含层与输出层的权重：
31.y＝d(h)＝sd(w2h b2)
32.w2—隐含层与输出层之间权重；
33.b2—隐含层与输出层之间的偏置；
34.sd—解码器的激活函数；
35.y＝{yi|1≤i≤n}—输出向量集合；
36.h＝{hi|1≤i≤n}—隐含层输出向量集合，其中，hi表示第i个电弧样本对应的特征向量，其维数为n。
37.优选的，所述基于无标签的第二电弧电流数据训练集对所述自动编码器进行逐层训练并获取自动解码器输入输出的差异程度的步骤中；
38.采用如下公式获取损失函数：
[0039][0040]
m—训练样本的个数；
[0041]
λ—权重衰减参数
[0042]nl
—网络层数；
[0043]sl
—第l层网络中神经元节点的个数；
[0044]sl 1
—第l 1层网络中神经元节点的个数。
[0045]
优选的，所述将所述编码器直接与所述softmax多分类器相连，基于有标签的第二电弧电流数据训练集、第二电弧电流数据验证集采用反向传播算法对隐含层与输出层的权重进行微调的步骤中；
[0046]
采用如下公式获取交叉熵损失函数：
[0047][0048]
j—交叉熵损失函数值；
[0049]dn
、yn分别为第n个样本的真值与模型预测值；
[0050]
n—样本总数；
[0051]
k—类别总数。
[0052]
另一方面，本发明提供了一种基于一维卷积自编码网络的故障电弧识别装置，包括：
[0053]
小波包分解模块：用于获取第一电弧电流数据并对所述第一电弧电流数据进行小波包分解以获取第二电弧电流数据；
[0054]
测试子集分解模块：用于将所述第二电弧电流数据分为第二电弧电流数据训练集、第二电弧电流数据验证集、第二电弧电流数据测试集；
[0055]
训练模块：用于构建卷积自动编码器神经网络模型，所述卷积自动编码器神经网络模型包括输入层、隐含层以及输出层，所述隐含层包括卷积层、池化层、自动编码器以及softmax多分类器，基于所述第二电弧电流数据训练集、第二电弧电流数据验证集获取所述卷积自动编码器模型的隐含层参数以对所述卷积自动编码器神经网络模型进行训练；
[0056]
测试模块：用于采用第二电弧电流数据测试集对训练好的卷积自动编码器神经网络模型进行测试。
[0057]
本发明实施例带来了以下有益效果：本发明提供了一种基于一维卷积自编码网络的故障电弧识别方法及装置，涉及电弧识别的技术领域，包括：获取第一电弧电流数据并对第一电弧电流数据进行小波包分解以获取第二电弧电流数据；将第二电弧电流数据分为第
二电弧电流数据训练集、第二电弧电流数据验证集、第二电弧电流数据测试集；构建卷积自动编码器神经网络模型，基于第二电弧电流数据训练集、第二电弧电流数据验证集获取卷积自动编码器模型的隐含层参数以对卷积自动编码器神经网络模型进行训练；采用第二电弧电流数据测试集对训练好的卷积自动编码器神经网络模型进行测试。通过本发明提供的方法及装置可以缓解现有技术中对电弧非线性负载多，工作特性差异大，处理难度大的技术问题。
[0058]
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0059]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0060]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
[0061]
图1为本发明实施例提供的一种基于一维卷积自编码网络的故障电弧识别方法流程图；
[0062]
图2为本发明实施例提供的一种基于一维卷积自编码网络的故障电弧识别方法自动编码器结构图；
[0063]
图3(a)为本发明实施例提供的一种基于一维卷积自编码网络的故障电弧识别方法真空吸尘器负载原始数据与重构数据正常状态数据样本对比图；
[0064]
图3(b)为本发明实施例提供的一种基于一维卷积自编码网络的故障电弧识别方法真空吸尘器负载原始数据与重构数据故障电弧数据样本对比图；
[0065]
图4(a)为本发明实施例提供的一种基于一维卷积自编码网络的故障电弧识别方法电子式开关电源负载原始数据与重构数据正常状态数据样本对比图；
[0066]
图4(b)为本发明实施例提供的一种基于一维卷积自编码网络的故障电弧识别方法电子式开关电源负载原始数据与重构数据故障电弧数据样本对比图；
[0067]
图5为本发明实施例提供的一种基于一维卷积自编码网络的故障电弧识别方法隐含层结构图；
[0068]
图6为本发明实施例提供的一种基于一维卷积自编码网络的故障电弧识别方法多分类混淆矩阵；
[0069]
图7为本发明实施例提供的种基于一维卷积自编码网络的故障电弧识别方法卷积核尺寸的选择效果图；
[0070]
图8为本发明实施例提供的种基于一维卷积自编码网络的故障电弧识别方法首层卷积核数量的选择对比图；
[0071]
图9为本发明实施例提供的种基于一维卷积自编码网络的故障电弧识别方法池化比例的选择对比图；
[0072]
图10为本发明实施例提供的种基于一维卷积自编码网络的故障电弧识别方法卷积层数的选择图。
具体实施方式
[0073]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0074]
目前，故障电弧的传统识别方法主要包括三类：基于电弧数学模型的识别方法，多用于电弧理论的研究；基于故障电弧物理现象的识别方法，常用到弧光、热、电磁辐射等，受设备安装位置的影响较大，一般应用于开关柜等特殊环境中；基于电弧电压电流特征的识别方法，依赖于所设置的阈值大小，而实际情况中非线性负载种类繁多，其工作特性存在较大差异，限制了阈值的泛化能力，基于此，本发明实施例提供的一种基于一维卷积自编码网络的故障电弧识别方法及装置，可以缓解现有技术中对电弧非线性负载多，工作特性差异大，处理难度大的技术问题。
[0075]
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于一维卷积自编码网络的故障电弧识别方法进行详细介绍。
[0076]
实施例一
[0077]
结合图1，本发明提供了一种基于一维卷积自编码网络的故障电弧识别方法，包括：
[0078]
获取第一电弧电流数据并对所述第一电弧电流数据进行小波包分解以获取第二电弧电流数据；
[0079]
需要说明的是，为了确保同一类电流数据的一致性，需要对数据进行筛选，剔除不合理数据，主要包括试验设备原因造成的数据空值、电弧熄灭导致电流为零的数据等，选择一个工频周期电流数据为一个样本，每个样本包括800个数据点，8种负载中每种负载正常工作和故障电弧电流数据各600组，共计9600组数据，训练集、验证集、测试集按4：1：1进行划分。为了避免不同负载的电流值差异的影响，对电流数据进行归一化处理形成无量纲量，采用离差标准化将电流值限制在[0,1]区间内，表达式为
[0080][0081]
进一步的，在本发明提供的实施例中，由于电弧发生时间不确定，选取适用于突变动态信号检测的dbn基函数。随着小波包阶数n的增大，计算量随之增大，考虑计算的复杂性要求，选用db4小波包基函数。在故障电弧电流信号分解过程中，分解层数过多会导致特征提取过程繁杂，计算量增大；分解层数过少会导致特征提取能力较差。结合数据采样率及电弧信号频段特征，原始电流采样率为40khz，根据奈奎斯特采样定理可知，能真实反映的原始信号频带范围是0～20khz。选取分解层数为5层，其第5 层共有32个小波包系数，则单个
小波包系数所覆盖的频带宽度为625hz；
[0082]
选取第五层的32个节点系数形成小波包特征向量数据集，每个节点系数包括992个数据点。每类负载包含1200组数据，其中600组正常工作数据，600组故障电弧数据，8类负载共计9600组数据。不同负载种类的故障电弧与正常工作状态的样本标签如表1所示：
[0083]
表1小波包特征向量数据集标签
[0084][0085][0086]
将所述第二电弧电流数据分为第二电弧电流数据训练集、第二电弧电流数据验证集、第二电弧电流数据测试集；
[0087]
构建卷积自动编码器神经网络模型，所述卷积自动编码器神经网络模型包括输入层、隐含层以及输出层，所述隐含层包括卷积层、池化层、自动编码器以及softmax多分类器，基于所述第二电弧电流数据训练集、第二电弧电流数据验证集获取所述卷积自动编码器模型的隐含层参数以对所述卷积自动编码器神经网络模型进行训练；
[0088]
采用第二电弧电流数据测试集对训练好的卷积自动编码器神经网络模型进行测试。
[0089]
优选的，所述基于所述第二电弧电流数据训练集、第二电弧电流数据验证集获取所述卷积自动编码器模型的中间层参数以对所述卷积自动编码器神经网络模型进行训练的步骤包括：
[0090]
设置所述卷积自动编码器神经网络模型的隐含层的卷积核尺寸、首层卷积核数量、池化比例以及卷积层数，所述卷积自动编码器神经网络模型的输入层输出所述第二电弧电流数据训练集至隐含层，所述自动编码器基于所述第二电弧电流数据训练集优化输入层与隐含层、隐含层与输出层的权重以完成预训练；
[0091]
对预训练好的卷积自动编码器神经网络模型进行隐含层与输出层的权重进行微
调。
[0092]
优选的，所述自动编码器基于所述第二电弧电流数据训练集、第二电弧电流数据验证集优化输入层与隐含层、隐含层与输出层的权重以完成预训练的步骤包括：
[0093]
基于无标签的第二电弧电流数据训练集、第二电弧电流数据验证集对所述自动编码器进行逐层训练并获取自动解码器输入输出的差异程度；
[0094]
若差异程度大于阈值，则结束预训练；
[0095]
若差异程度小于阈值，则执行所述基于无标签的第二电弧电流数据训练集、第二电弧电流数据验证集对所述自动编码器进行逐层训练并获取自动解码器输入输出的差异程度的步骤。
[0096]
结合图2优选的，所述自动编码器包括编码器以及解码器，所述对预训练好的卷积自动编码器神经网络模型进行隐含层与输出层的权重进行微调的步骤包括：
[0097]
将所述编码器直接与所述softmax多分类器相连，基于有标签的第二电弧电流数据训练集、第二电弧电流数据验证集采用反向传播算法对隐含层与输出层的权重进行微调。
[0098]
结合图7至图10，优选的，所述卷积层的层数为4，所述池化比例为2，所述首层卷积核数量为16，所述卷积核尺寸为3。
[0099]
进一步的，在本发明提供的实施例中，卷积核能看成一个个的特征提取滤波器，能够从电弧原始电流数据中提取到有用特征，进行数据重构。当数量较少时，卷积自动编码器不能有效学习输入电弧数据的特征并进行重构。首层卷积核数量为16和32两种情况下，在训练20次左右时，重构误差能够很大程度降低。考虑到卷积核数量过多时会增加网络发生过拟合的可能性。因此，选取首层卷积核数量为16；
[0100]
构建卷积自动编码器时在卷积层后面设置池化层能够减少网络参数数量，加快计算速度，增强网络鲁棒性。池化层虽然能在一定程度上增强卷积自动编码器的泛化性能，但是池化比例过高时会导致网络丢失更多的特征信息，削弱网络提取特征的能力，所以池化比例的选择至关重要。设置池化比例分别为1、2、3、4；
[0101]
当池化比例为4时，由于池化比例过高，网络丢失了大量有用信息，反而使得提取到的电弧特征不具有代表性；池化比例为1时，相当于不进行池化运算，使得网络模型参数较多，训练时间较长。根据重构误差的收敛性，池化比例为2时能够加快网络收敛，且重构误差较低。因此，选取池化比例为2。
[0102]
随着卷积层数的增多，得益于深度网络优异的学习性能，网络学习能力加强。但层数过多时容易出现过拟合现象，设置卷积层数分别为2、3、4、 5，比较这四种卷积层数对卷积自动编码器的损失函数值的影响，
[0103]
当卷积层为4层时，重构误差收敛较快，且最终收敛于一个较低值，卷积自动编码器所提取到的电弧特征具有很强的代表性。5层卷积层时，在迭代初期损失函数起伏波动，且层数增多时训练时间大大增加。3层卷积时，迭代初期损失函数下降比较缓慢。2层卷积时，受限于网络深度的影响，不能有效学习到更充分的特征。因此，设置4层卷积层。
[0104]
为了研究深度自编码神经网络隐含层的层数对准确率的影响，选用递减型隐含层节点组合，分别测试1-6层时的识别准确率，其结果如表2所示。可以分析出，随着自动编码器层数的增加，得益于深度网络较强的学习能力，网络识别准确率会有所升高。隐含层为4
层相对3层来说准确率略有升高，虽然3层的训练时间相对较短，但4层网络的最后一层隐含层输出数据规模较小，能够提取到数据的压缩表示，加快softmax多分类器的收敛速度。此后随着层数的增加，准确率升高极其缓慢，甚至会出现下降的情况。当层数为6层时由于隐含层神经元较少，导致神经元学习不彻底，准确率略有下降，且训练时间增加。受限于准确率和训练时间的要求，当隐含层在6层以上时，最后一层神经元个数过少将导致神经元学习不彻底。综合考虑，本算法选取4层自动编码器结构。
[0105]
自动编码器层数选取
[0106]
tab.2 automatic encoder layer selection
[0107][0108]
选择4层一维卷积层构建卷积自动编码器的编码部分，每层卷积核尺寸为3，池化比例为2，首层卷积核数量为16，后续三层分别为32、64、 128；解码部分与编码部分对称，设置4层反卷积层，每层反卷积核尺寸为 3，反池化比例为2，首层反卷积核数量为128，后续三层分别为64、32、 16。
[0109]
优选的，所述获取第一电弧电流数据并对所述第一电弧电流数据进行小波包分解以获取第二电弧电流数据的步骤包括：
[0110]
小波包分解的层数为5。
[0111]
优选的，所述自动编码器基于所述第二电弧电流数据训练集、第二电弧电流数据验证集优化输入层与隐含层、隐含层与输出层的权重以完成预训练的步骤包括：
[0112]
结合图3(a)、图3(b)、图4(a)、图4(b)，所述自动编码器包括编码器以及解码器：
[0113]
采用如下公式优化输入层与隐含层的权重：
[0114]
h＝c(x)＝sc(w1x b1)
[0115]
w1—输入层与隐含层之间权重；
[0116]
b1—输入层与隐含层之间的偏置；
[0117]
sc—编码器的激活函数；
[0118]
采用如下公式优化隐含层与输出层的权重：
[0119]
y＝d(h)＝sd(w2h b2)
[0120]
w2—隐含层与输出层之间权重；
[0121]
b2—隐含层与输出层之间的偏置；
[0122]
sd—解码器的激活函数；
[0123]
y＝{yi|1≤i≤n}—输出向量集合；
[0124]
h＝{hi|1≤i≤n}—隐含层输出向量集合，其中，hi表示第i个电弧样本对应的特征向量，其维数为n。
[0125]
优选的，所述基于无标签的第二电弧电流数据训练集、第二电弧电流数据验证集对所述自动编码器进行逐层训练并获取自动解码器输入输出的差异程度的步骤中；
[0126]
采用如下公式获取损失函数：
[0127][0128]
m—训练样本的个数；
[0129]
λ—权重衰减参数
[0130]nl
—网络层数；
[0131]sl
—第l层网络中神经元节点的个数；
[0132]sl 1
—第l 1层网络中神经元节点的个数。
[0133]
自动编码器结构如图所示，电子式开关电源负载的编码器原始输入数据与解码器重构输出数据对比如图3(a)、图3(b)、图4(a)以及图 4(b)所示，卷积自动编码器重构数据与输入数据差异较小，仅开头和末尾数据发生了微小波动，但负载正常状态和故障电弧的边界区分特征得以保留，重构数据的故障电弧波形不对称特征较为明显。因此，解码器重构数据能够有效地还原原始输入数据，说明所设计的卷积自动编码的编码器输出数据能够有效表征输入数据的特征，利用卷积自动编码器提取的特征进行故障电弧多分类识别具有一定的可行性。
[0134]
优选的，所述将所述编码器直接与所述softmax多分类器相连，基于有标签的第二电弧电流数据训练集、第二电弧电流数据验证集采用反向传播算法对隐含层与输出层的权重进行微调的步骤中；
[0135]
采用如下公式获取交叉熵损失函数：
[0136][0137]
j—交叉熵损失函数值；
[0138]dn
、yn分别为第n个样本的真值与模型预测值；
[0139]
n—样本总数；
[0140]
k—类别总数。
[0141]
实施例二：
[0142]
本发明实施例二提供了一种基于一维卷积自编码网络的故障电弧识别装置，包括：
[0143]
小波包分解模块：用于获取第一电弧电流数据并对所述第一电弧电流数据进行小波包分解以获取第二电弧电流数据；
[0144]
测试子集分解模块：用于将所述第二电弧电流数据分为第二电弧电流数据训练集、第二电弧电流数据验证集、第二电弧电流数据测试集；
[0145]
训练模块：用于构建卷积自动编码器神经网络模型，所述卷积自动编码器神经网络模型包括输入层、隐含层以及输出层，所述隐含层包括卷积层、池化层、自动编码器以及softmax多分类器，基于所述第二电弧电流数据训练集、第二电弧电流数据验证集获取所述卷积自动编码器模型的隐含层参数以对所述卷积自动编码器神经网络模型进行训练；
[0146]
测试模块：用于采用第二电弧电流数据测试集对训练好的卷积自动编码器神经网络模型进行测试。
[0147]
实施例三
[0148]
重新选取未知负载类型的故障电弧与正常工作各100组数据形成测试集，共1600个样本，负载类型包括表1所述8种负载。将样本数据输入训练好的网络模型，网络输出的多分类混淆矩阵如图6所示。
[0149]
其中纵轴label的标签表示输入数据的真实标签类别，横轴predict的标签为网络的输出类别标签，对角线数值为分类正确的样本个数，非对角线元素(a,b)为将a样本错判为b样本的样本个数。经试验得到，负载种类识别及故障电弧检测均正确的概率为98.56％，负载种类识别正确的概率为 98.69％，故障电弧检测的准确率为99.88％，将正常工作识别为故障电弧(误判)的概率为0.06％，将故障电弧识别为正常工作(拒判)的概率为0.06％。
[0150]
统计各负载识别结果如表3所示。从识别结果可以看出，所提网络对不同负载的电弧识别准确率较高，均在99％以上；负载类型及电弧均正确识别的概率均在96.5％以上，能够满足故障电弧识别的准确率要求。
[0151]
表3各负载识别结果
[0152]
tab.3 recognition results of each load
[0153][0154]
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
[0155]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0156]
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/ 或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0157]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0158]
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0159]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0160]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。