一种设备故障预测方法、装置、可读介质及电子设备与流程

1.本发明涉及能源技术领域，尤其涉及一种设备故障预测方法、装置、可读介质及电子设备。


背景技术：

2.智能制造系统中的工业设备一旦发生故障，将会影响智能制造系统的正常工作，造成十分严重的影响，因此通常需要对工业设备进行设备故障预测。
3.目前，在对某一工业设备进行预测时，由于该工业设备的运行数据没有标签数据，因此需要采集若干个其他工业设备的历史运行数据以及历史运行数据对应的标签数据，采用机器学习方法建立这些历史运行数据与设备故障预测之间的映射关系，得到设备故障预测模型，使用设备故障预测模型实现该工业设备的设备故障预测。
4.但是，上述技术方案为了学习到有效的模型，在对多个工业设备的设备故障预测时，可能需要共享工业设备的历史运行数据以及历史运行数据对应的标签数据，因此导致工业设备之间的数据安全性较低。


技术实现要素：

5.本发明针对现有技术中存在的上述技术问题提供了一种设备故障预测方法、装置、计算机可读存储介质及电子设备，可将非共享数据迁移到目标设备上，建立目标设备的特征数据和设备故障之间的关系，无需共享的设备之间的特征数据，确保了数据安全。
6.第一方面，本发明提供了一种设备故障预测方法，包括：
7.确定目标设备的特征信息和目标设备对应的检测点数据信息；
8.基于所述目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据概率分布模型和具有非共享数据的检测点数据的概率分布模型；
9.根据所述特征数据概率分布模型和所述检测点数据的概率分布模型，确定所述非共享数据的权重；
10.根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，建立联邦学习模型；
11.根据所述联邦学习模型进行所述目标设备的设备故障预测。
12.第二方面，本发明提供了一种设备故障预测装置，包括：
13.信息确定模块，用于确定目标设备的特征信息和目标设备对应的检测点数据信息；
14.概率模型确定模块，用于基于所述目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据概率分布模型和具有非共享数据的检测点数据的概率分布模型；
15.权重确定模块，用于根据所述特征数据概率分布模型和所述检测点数据的概率分布模型，确定所述非共享数据的权重；
16.模型建立模块，用于根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，建立联邦学习模型；
17.预测模块，用于根据所述联邦学习模型进行所述目标设备的设备故障预测。
18.第三方面，本发明提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如第一方面中任一所述的方法或如第二方面中任一所述的方法。
19.第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法或如第二方面中任一所述的方法。
20.本发明提供了一种设备故障预测方法、装置、计算机可读存储介质及电子设备，该方法通过确定目标设备的特征信息和目标设备对应的检测点数据信息，然后，基于目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据概率分布模型和具有非共享数据的检测点数据的概率分布模型，然后根据特征数据概率分布模型和检测点数据的概率分布模型，确定非共享数据的权重，然后，根据非共享数据、非共享数据的权重和非共享数据对应的设备故障标签，建立联邦学习模型，最后，根据联邦学习模型进行目标设备的设备故障预测。本发明提供的技术方案，通过将非共享数据迁移到目标设备上，从而建立目标设备的特征数据和设备故障之间的关系，无需共享设备之间的特征数据，确保了数据安全。
21.上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
22.为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
23.图1为本发明一实施例提供的一种设备故障预测方法的流程示意图；
24.图2为本发明一实施例提供的另一种设备故障预测方法的流程示意图；
25.图3为本发明一实施例提供的一种设备故障预测装置的结构示意图；
26.图4为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
27.为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅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。
28.如图1所示，本发明实施例提供了一种设备故障预测方法，包括如下多个步骤：
29.步骤101、确定目标设备的特征信息和目标设备对应的检测点数据信息。
30.具体地，目标设备为智能制造系统的任意一种工业设备，本发明实施例对此不作
具体限定，优选地，目标设备为能源设备，比如，燃气锅炉、内燃机、汽轮机、热电联产设备、光伏设备等。
31.具体地，目标设备的特征信息指的是目标设备的特征数据的属性或功能。
32.具体地，检测点数据信息指的是检测点数据的属性或功能。
33.需要说明的是，检测点数据包括非共享数据。
34.步骤102、基于所述目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据概率分布模型和具有非共享数据的检测点数据的概率分布模型。
35.具体地，目标设备的特征数据有多个，每个特征数据包括若干个特征分别对应在目标设备的特征值，其中，若干个特征为设备故障的影响因素，具体需要结合实际场景确定，比如，目标设备为燃气锅炉，则若干个特征包括但不限于燃气流量、燃气温度、排烟温度、烟气流量、燃气压力、开停机状态、烟气湿度以及烟气压力等。
36.具体地，特征数据服从连续概率分布，因此，特征数据概率分布模型可以是正态分布模型，也可以是指数分布模型，本发明实施例对此不做限定，优选地，特征数据概率分布模型是由多个正态分布模型混合成的混合高斯模型，其中，正态分布模型又称高斯分布模型。
37.具体地，检测点数据的概率分布模型与特征数据概率分布模型相同，优选地，可以是混合高斯模型，当然，也可以是其他概率分布模型，具体需要结合实际情况确定，此处不做具体限定。
38.本发明一实施例中，所述基于所述目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据概率分布模型和具有非共享数据的检测点数据的概率分布模型确定所述特征数据概率分布模型，包括：
39.基于所述目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据和具有非共享数据的检测点数据；
40.根据特征数据参数模型计算所述特征数据的数据分布，并将确定好参数的特征数据参数模型确定为所述特征数据概率分布模型；
41.根据检测点数据参数模型计算所述检测点数据的数据分布，并将确定好参数的检测点数据参数模型确定为所述检测点数据的概率分布模型。
42.具体地，特征数据参数模型可以是高斯模型也可以是混合高斯模型，优选混合高斯模型。检测点数据参数模型与特征数据参数模型相同，本发明实施例对此不做过多赘述。
43.具体地，特征数据概率分布模型是通过将各个特征数据代入到混合高斯模型中进行计算来确定模型参数，其中计算方法可以是em算法，将确定好模型参数的混合高斯模型确定为特征数据概率分布模型。
44.检测点数据的概率分布模型，是通过将多个检测点数据代入到混合高斯模型中进行计算来确定模型参数，其中计算方法可以是em算法，将确定好模型参数的混合高斯模型确定为检测点数据的概率分布模型。
45.步骤103、根据所述特征数据概率分布模型和所述检测点数据的概率分布模型，确定所述非共享数据的权重。
46.该实施例中，通过非共享数据的权重，从而将检测点的非共享数据迁移到目标设备换上，换言之，建立了检测点和目标设备之间的数据关联，检测点不会直接获取到目标设
备的特征数据，即目标设备和检测点之间不存在数据共享，从而确保了数据安全。
47.本发明一个实施例中，所述根据所述特征数据概率分布模型和所述检测点数据的概率分布模型，确定所述非共享数据的权重，包括：
48.根据所述特征数据概率分布模型，确定所述非共享数据的目标设备分布概率；
49.根据所述检测点数据的概率分布模型，确定所述非共享数据的检测点分布概率；
50.将所述非共享数据的目标设备分布概率和所述非共享数据的检测点分布概率的比值，确定为所述非共享数据的权重。
51.该实施例中，通过将非共享数据的目标设备分布概率和非共享数据的检测点分布概率的比值，确定非共享数据的权重，从而将检测点上的非共享数据迁移到目标设备上，同时无需共享目标设备的特征数据，确保了数据安全。
52.具体地，将非共享数据代入特征数据概率分布模型中，特征数据概率分布模型输出的值即为非共享数据的目标设备分布概率。
53.具体地，将非共享数据代入检测点数据的概率分布模型，检测点数据的概率分布模型输出的值即为共享数据的检测点分布概率。
54.步骤104、根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，建立联邦学习模型。
55.该实施例中，通过非共享数据、非共享数据的权重和非共享数据对应的设备故障标签，建立联邦学习模型，实现将非共享数据到目标设备的迁移，无需共享目标设备的特征数据，从而确保了数据安全。
56.需要说明的是，目标设备的特征数据和检测点数据分布在物联网中的不同的检测点，共享数据进行模型训练会产生数据安全问题，本发明实施例通过检测点数据中的非共享数据、非共享数据的权重以及非共享数据对应的设备故障标签，实现将非共享数据迁移到目标设备上，使得检测点之间不存在数据共享，避免了直接共享数据带来的数据安全问题。其中，检测点是能进行数据处理以及数据交互的节点，包括但不限于边缘服务器、边缘网关以及边缘控制器中的任意一种或多种。
57.具体地，设备故障标签可以是设备运行状态的特征信息预测设备失效的概率，比如，设备故障标签可以是故障类型，还可以是故障程度，本发明实施例对此不作限定，具体需要结合实际需求确定。需要说明的是，本发明实施例并不意图对每个非共享数据分别对应的设备故障标签的获取方法进行限定，也可以是人工标注，也可以是规则标注，还可以是聚类标注，上述标注方法均为现有技术，此处不做过多赘述。值得注意的是，本发明实施例提供的设备故障预测方法，也可以用来预测设备剩余使用寿命，具体地，通过设备剩余使用寿命替换设备故障标签即可。
58.在一个实施例中，所述根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，建立联邦学习模型，包括：
59.根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，确定检测点局部模型；
60.根据至少两个所述检测点局部模型，建立联邦学习模型。
61.具体地，基于非共享数据、非共享数据对应的权重和设备故障标签进行模型训练，确定检测点局部模型，然后，对多个检测点局部模型进行融合，建立联邦学习模型。
62.具体地，非共享数据以及非共享数据的权重能够实现将检测点的非共享数据迁移到目标设备上，后续，通过多个非共享数据各自的权重调整模型参数，从而使得调整后的模型参数能够反映出目标设备的特征数据和设备故障之间的关系，不涉及到检测点数据和目标设备的特征数据的共享，从而确保了数据安全。
63.本发明的一个实施例中，所述根据至少两个所述检测点局部模型，建立联邦学习模型，包括：
64.基于联合学习算法，对至少两个所述检测点局部模型进行反复迭代，并基于至少两个所述检测点的迭代好的检测点局部模型，建立联邦学习模型。
65.具体地，联合学习算法指的是将各个检测点局部模型中的检测点局部模型参数发送到目标设备的检测点，目标设备的检测点对各个检测点局部模型参数进行平均或加权平均得到联邦学习模型参数，基于联邦学习参数进行检测点局部模型更新迭代。
66.具体地，通过将各个检测点的检测点局部模型的模型参数发送到目标设备的检测点，目标设备的检测点将来自各检测点的检测点局部模型的模型参数进行融合得到联邦学习模型参数，并将融合后的联邦学习模型参数再分发给各个检测点的检测点局部模型，之后根据各个检测点的非共享数据和融合后的联合模型参数进行本地训练得到更新后的模型参数，将更新后的的模型参数发送给目标设备的检测点，按照上述方法反复迭代，直到迭代次数满足预设次数，或者，迭代后的检测点局部模型的模型误差满足预设值。将迭代好的检测点局部模型参数进行融合以得到联邦学习模型参数，进而得到联邦学习模型。其中，各个检测点局部模型的模型参数的融合的方式可以是平均也可以是加权平均，本发明实施例对此不做限定。
67.具体地，检测点局部模型可以是神经网络模型，也可以是回归模型，具体需要结合实际需求确定。
68.具体地，可通过如下方式对检测点局部模型进行迭代：
69.a1、根据多个非共享数据、每个非共享数据分别对应的设备故障标签以及每个非共享数据分别对应的权重进行模型训练，以确定检测点局部模型；
70.a2、判断检测点局部模型的模型误差是否满足迭代条件，若是，则将检测点局部模型确定为最终模型发送给目标设备的检测点，若否，则执行a3；
71.a3、将检测点局部模型的模型参数发送给目标设备的检测点；
72.a4、接收目标设备的检测点发送的融合后的模型参数，并根据多个非共享数据、多个非共享数据分别对应的设备故障标签以及多个非共享分别对应的权重，对融合后的模型参数进行调整，以确定调整后的模型参数，并将调整后的模型参数替换检测点局部模型的模型参数，执行a2。
73.步骤s105、根据至少两个所述检测点的局部模型，建立联邦学习模型。
74.具体地，采集目标设备的当前特征数据，将当前特征数据代入联邦学习模型中，即可判断目标设备是否故障。
75.为了更好的理解目标设备的检测点和非共享数据的检测点之间的数据处理过程，举例来说，假设3个非共享数据的检测点设为a、b以及c，目标设备的节点设为d，以a为例进行说明，a根据混合高斯模型确定好非共享数据的概率分布模型，并接收d发送来的特征数据概率分布模型，从而确定非共享数据对应的权重，b以及c按照上述a相似的处理过程，得
到b及c中的每个非共享数据分别对应的权重，之后，a、b、c分别根据各个非共享数据、非共享数据对应的设备故障标签以及每个非共享数据分别对应的权重进行模型训练，以得到检测点局部模型，之后，d对a、b、c发来的检测点局部模型进行联邦学习，即可得到目标设备的联邦学习模型。
76.通过以上技术方案可知，本发明实施例至少存在以下有效效果：通过特征数据概率分布模型和非共享数据的概率分布模型确定非共享数据的权重，以得到目标设备的检测点局部模型，建立非共享数据的检测点和目标设备之间的数据关联，将非共享数据迁移到目标设备上，同时，基于非共享数据建立联邦学习模型，利用该联邦学习模型实现目标设备的设备故障预测，非目标设备和目标设备之间无需共享设备的特征数据，从而确保数据安全。
77.图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
78.为了更加清楚的说明本发明的技术方案，请参考图2，本发明实施例提供了另一种设备故障预测方法，本实施例在前述实施例的基础上，结合具体应用场景进行进一步的叙述。本实施例中，具体可以包括如下各个步骤：
79.步骤201、确定目标设备的特征信息和目标设备对应的检测点数据信息。
80.具体地，假设目标设备对应在物联网中的检测点为n，有n个非共享数据的检测点，分别对应在物联网中的检测点分别为n1、n2、
……
、nn，n1、n2、
……
、nn分别能够获取到非共享数据，n能够获取到目标设备所有的特征数据。需要说明的是，n1、n2、
……
、nn得到检测点局部模型的过程相似，下述仅以n1的处理过程进行描述。
81.步骤202、基于所述目标设备的特征信息和混合高斯模型，计算所述特征信息对应的特征数据的数据分布，并将确定好模型参数的混合高斯模型确定为所述特征数据概率分布模型。
82.n根据高斯混合模型，将各个特征数据代入混合高斯模型中对各个特征数据计算，从而得到各个特征数据概率分布模型，并将各个特征数据概率分布模型分别送给n1、n2、
……
、nn。
83.n1、n2、
……
、nn得到非共享数据的概率分布模型的过程相似，下述以n1的处理过程进行描述
84.步骤203、基于目标设备对应的检测点数据信息和混合高斯模型计算所述检测点数据信息对应的具有非共享数据的检测点数据的数据分布，并将确定好模型参数的混合高斯模型确定为所述非共享数据的概率分布模型。
85.n1获取多个非共享数据，将非共享数据代入混合高斯模型进行计算，得到n1的非共享数据的概率分布模型。
86.步骤204、根据所述特征数据概率分布模型，确定所述非共享数据的目标设备分布概率，根据所述检测点数据的概率分布模型，确定所述非共享数据的检测点分布概率。
87.n1接收到特征数据对应的概率分布模型，将其获得的非共享数据代入特征数据概率分布模型中进行计算，得到非共享数据的目标设备分布概率。
88.n1将非共享数据代入到非共享数据的概率分布模型中进行计算，得到非共享数据的检测点分布概率。
89.步骤205、将所述非共享数据的目标设备分布概率和所述非共享数据的检测点分布概率的比值，确定为所述非共享数据的权重。
90.n1通过将非共享数据相对于目标设备的分布概率和相对于非共享数据的检测点的分布概率的概率比值确定为非共享数据的权重，基于相同的方法，得到每个非共享数据的权重，这样就可以实现建立起目标设备和非共享数据的检测点之间的数据联系。
91.步骤206、根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，确定所述检测点局部模型。
92.n1根据非共享数据、非共享数据的权重及非共享数据对应的设备故障标签进行模型训练，确定目标设备的检测点局部模型。n2、
……
、nn按照n1相似的方法分别确定出目标设备的检测点局部模型。
93.步骤207、基于联合学习算法，对至少两个所述检测点的检测点局部模型进行反复迭代，并基于至少两个所述检测点的迭代好的检测点局部模型，建立联邦学习模型。
94.n与n1、n2、
……
、nn，采用联合学习算法，对n1、n2、
……
、nn分别训练得到的检测点局部模型进行模型迭代后发给n，n对n1、n2、
……
、nn分别训练得到的迭代好的检测点局部模型进行模型平均，建立目标设备的联邦学习模型。
95.步骤208、将所述联邦学习模型进行所述目标设备的设备故障预测。
96.n根据联邦学习模型进行目标设备的设备故障预测。
97.通过以上技术方案可知，本实施例存在的有益效果是：通过非共享数据的概率分布模型与特征数据概率分布模型的比值，得到非共享数据的权重，建立非共享数据的检测点和目标设备之间的数据关联，将非共享数据迁移到目标设备上，通过目标设备和非共享数据在物联网中的检测点实现目标设备的联邦学习模型的建立，从而实现目标设备和非共享数据的检测点之间不涉及到特征数据的共享，确保了数据安全。
98.基于与本发明方法实施例提供的一种设备故障预测方法相同的构思，请参考图3，本发明实施了一种设备状态故障预测装置，包括：
99.信息确定模块301，用于确定目标设备的特征信息和目标设备对应的检测点数据信息；
100.概率模型确定模块302，用于基于所述目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据概率分布模型和具有非共享数据的检测点数据的概率分布模型；
101.权重确定模块303，用于根据所述特征数据概率分布模型和所述检测点数据的概率分布模型，确定所述非共享数据的权重；
102.模型建立模块304，用于根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，建立联邦学习模型；
103.预测模块305，用于根据所述联邦学习模型进行所述目标设备的设备故障预测。
104.本发明的一个实施例中，所述概率模型确定模块302，包括：数据确定单元、第一概率分布模型确定单元、第二概率分布模型确定单元；其中，
105.数据确定单元，用于基于所述目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据和具有非共享数据的检测点数据；
106.第一概率分布模型确定单元，用于基于所述目标设备的特征信息和目标设备对应
的检测点数据信息，确定目标设备的特征数据和具有非共享数据的检测点数据；
107.第二概率分布模型确定单元，用于根据检测点数据参数模型计算所述检测点数据的数据分布，并将确定好参数的检测点数据参数模型确定为所述检测点数据的概率分布模型。
108.该实施例中，所述特征数据参数模型和/或检测点数据参数模型包括混合高斯模型。
109.本发明的一个实施例中，所述权重确定模块303，包括：第一分布概率确定单元、第二分布概率单元以及权重确定单元；其中，
110.所述第一分布概率确定单元，用于根据所述特征数据概率分布模型，确定所述非共享数据的目标设备分布概率；
111.所述第二分布概率单元，用于根据所述检测点数据的概率分布模型，确定所述非共享数据的检测点分布概率；
112.所述权重确定单元，用于将所述非共享数据的目标设备分布概率和所述非共享数据的检测点分布概率的比值，确定为所述非共享数据的权重。
113.本发明的一个实施例中，所述模型建立模块304，包括：局部模型确定单元以及模型建立单元；
114.所述局部模型确定单元，用于根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，确定检测点局部模型；
115.模型建立单元，用于根据至少两个所述检测点的检测点局部模型，建立联邦学习模型。
116.本发明的一个实施例中，所述模型建立单元，用于基于联合学习算法，对至少两个所述检测点的检测点局部模型进行反复迭代，并基于至少两个所述检测点的迭代好的检测点局部模型，建立联邦学习模型。
117.本发明的一个实施例中，所述检测点局部模型包括神经网络模型或回归模型。
118.图4是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器401以及存储有执行指令的存储器402，可选地还包括内部总线403及网络接口404。其中，存储器402可能包含内存4021，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器4022(non-volatile memory)，例如至少1个磁盘存储器等；处理器401、网络接口404和存储器402可以通过内部总线403相互连接，该内部总线403可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等；内部总线403可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器501执行存储器502存储的执行指令时，处理器401执行本发明任意一个实施例中的方法，并至少用于执行如图1或图2所示的方法。
119.在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种设备故障预测装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任
一实施例中提供的一种设备故障预测方法。
120.处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
121.本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图4所示的电子设备；执行指令是一种设备故障预测方法所对应计算机程序。
122.本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
123.本发明中的多个实施例均采用递进的方式描述，多个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
124.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
125.以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。