基于光纤光栅传感的电力电子设备可靠性监测方法与系统

1.本技术涉及电力电子设备的领域，尤其是涉及一种基于光纤光栅传感的电力电子设备可靠性监测方法与系统。


背景技术：

2.电力电子设备的可靠性提高是当下最重要的研究趋势之一，电力系统也已逐渐成为能源生产的支柱产业。在许多需要高质量服务的应用中，特别是当设备位于偏远地区(高压输电系统，工业系统，海上风电场)时，电力电子设备计划外维护成本可能非常高。在现存框架中，无论是从服务质量的角度来看，还是从经济角度来看，评估电力电子设备健康状况的能力变得至关重要。
3.如今的检测方式大都需要将传感器布置于电力电子设备中来，一般来说，采用内置热电偶的设计方式虽然可以对各点的温度进行测量以预估电力电子设备的健康状况，但是热电偶容易受到强电磁场的影响而造成读数误差。为了解决这种误差，现有的技术也有通过光纤光栅传感器代替热电偶来测量各个点位的温度，但是其由于嵌入在电力电子设备的内部，解决方案复杂，也难以维护和更换，极易导致电子电力系统受损。


技术实现要素：

4.为了提供在电力电子设备的表面进行监控以实现健康状况检测的解决方案，本技术提供一种基于光纤光栅传感的电力电子设备可靠性监测方法与系统。
5.第一方面，本技术提供的一种基于光纤光栅传感的电力电子设备可靠性监测方法采用如下的技术方案：一种基于光纤光栅传感的电力电子设备可靠性监测方法，包括：获取预布置于电力电子设备中的光纤光栅传感器的光谱传感特征数据信息；获取电力电子设备运行参数信息；将光谱传感特征数据信息以及电力电子设备运行参数信息输入预先训练的学习模型中以获取电力电子设备内部的时序温度信息；根据在线雨流计数算法将时序温度信息转换为极小温度信息以及温差信息；根据所获取极小温度信息以及温差信息计算可实现的功率循环次数以获取电力电子设备的剩余使用寿命信息。
6.其中，该种方式使用了光纤光栅传感器对电力电子设备正常运行的影响较低的特点，并且通过学习模型的方式来得到电力电子设备内部的时序温度信息，一方面使得电力电子设备可以正常运行，另一方面也无需使用复杂的线路排布来采集电力电子设备内部的温度，此外，在通过学习模型获取了时序温度信息之后也可以直观的计算出电力电子设备的剩余使用寿命信息，从而提供在电力电子设备的表面进行监控以实现健康状况检测的解决方案。
7.优选的，所述电力电子设备运行参数信息包括电气特征信息以及控制参数特征信
息，所述学习模型的训练方法包括：获取预布置于电力电子设备中的光纤光栅传感器的光谱传感特征数据信息；将电气特征信息、控制参数特征信息以及光谱传感特征数据信息作为输入变量数据集；根据所获取的输入变量数据集以及输出变量数据集训练预测模型，其中，所述输出变量数据集至少包括预设节点的节点温度数据或预设节点的历史节点温度数据中的一种或多种。
8.优选的，所述预设节点的节点温度数据的获取方法包括：获取电力电子设备运行参数信息；根据电力电子设备运行参数信息构建热路模型，以获取电力电子设备在预设节点的节点温度数据。
9.优选的，所述输入变量数据集包括训练数据集以及测试数据集，所述训练预测模型的方法包括：根据训练数据集中的输入变量数据集构建学习模型，所述学习模型具有若干预设且待定的超参数；将测试数据集中的输入变量数据集输入学习模型，并将结果与对应的输出变量数据集进行验证以判断是否达到预设的终止训练条件；若未达到预设的终止训练条件，改变并更新各超参数的信息以进行迭代优化，直至达到预设的终止训练条件。
10.通过采用上述技术方案，通过对预测模型所需的超参数组合进行迭代和进化来使预测模型向最优的预测模型进行进化，从而在不断训练和迭代的过程中提高预测模型的准确性。
11.优选的，所述终止训练条件包括根据输出目标预测模型函数的结果与对应的输出变量数据集依次运算平均绝对误差、平均绝对百分比误差、均方根误差以及回归决定系数中的至少一个或多个，并将所获得的结果与对应的终止条件进行比较；其中，所述平均绝对误差采用公式：所述平均绝对百分比误差采用公式：所述均方根误差采用公式：所述回归决定系数采用公式：
式中，n为测试数据集中的输入变量数据集的数量，e
mae
为平均绝对误差，e
mape
为平均绝对百分比误差，e
rmse
为均方根误差，r为回归决定系数，代表第i个输入变量数据集输入学习模型后获得的输出数据，代表第i个输出变量数据集的数据。
12.优选的，改变并更新各超参数的方法采用网格搜索法对各超参数在指定的优化范围内进行组合以更新各超参数的信息。
13.优选的，在分为训练数据集以及测试数据集之前，将所获取的输入变量数据集以及输出变量数据集进行标准化处理；其中，所述标准化处理满足公式：式中为标准化后的输入变量数据集，xi为未标准化前的输入变量数据集，和分别是未标准化前的输入变量数据集的最大值和最小值。
14.优选的，所述雨流计数算法对时序温度信息按照时序的先后顺序进行递归运算，所述算法包括：在识别当前时刻的时序温度信息为极大值时，判断极大值堆栈中是否存在存储的极大值；当极大值堆栈中不存在存储的极大值，则将当前的极大值存储入极大值堆栈中，反之，将极大值堆栈中的数值与当前的极大值进行比较；如果当前的极大值大于极大值堆栈中的任意一个数值，则检测极小值堆栈中数值的个数；若极小值堆栈中仅存在一个数值，则将该极小值堆栈中的数值与极大值堆栈内的第一个数值的差作为温差信息，随后将极大值堆栈中的第一个数值替换为当前的极大值；若极小值堆栈中存在多个数值，则将极小值堆栈中的第一个数值与极大值堆栈内的第一个数值的差作为温差信息，随后将极小值堆栈中的第一个数值移除，将极大值堆栈中的第一个数值替换为当前的极大值；如果当前的极大值小于极大值堆栈中的任意一个数值，则将当前的极大值存入极大值堆栈中，其中，所述极小温度信息为极小值堆栈中的值。
15.优选的，在获取极小温度信息以及温差信息后，计算剩余使用寿命信息的方法包括：获取电力电子设备的规格参数信息；对各规格参数信息赋予相应的所预设的系数关系并与所获取的极小温度信息以及温差信息计算剩余使用寿命信息。
16.第二方面，本技术提供的一种基于光纤光栅传感的电力电子设备可靠性监测系统采用如下的技术方案：一种基于光纤光栅传感的电力电子设备可靠性监测系统，包括：
fbg传感器模块，包括光纤光栅传感器，用于获取预布置于电力电子设备表面的光纤光栅传感器的光谱传感特征数据信息；运行参数读取模块，用于获取电力电子设备运行参数信息；温度测量模块，用于将光谱传感特征数据信息以及电力电子设备运行参数信息输入预先训练的学习模型中以获取电力电子设备内部的时序温度信息；健康状态监测模块，用于根据雨流计数算法将时序温度信息转换为极小温度信息以及温差信息；并根据所获取极小温度信息以及温差信息计算可实现的功率循环次数以获取电力电子设备的剩余使用寿命信息。
17.综上所述，本技术包括以下至少一种有益技术效果：1.该种方式使用了光纤光栅传感器对电力电子设备正常运行的影响较低的特点，并且通过学习模型的方式来得到电力电子设备内部的时序温度信息，一方面使得电力电子设备可以正常运行，另一方面也无需使用复杂的线路排布来采集电力电子设备内部的温度，此外，在通过学习模型获取了时序温度信息之后也可以直观的计算出电力电子设备的剩余使用寿命信息，从而提供在电力电子设备的表面进行监控以实现健康状况检测的解决方案；2.涵盖了基于场景的学习模型的建模过程。热路模型和光纤光栅传感器在目标电力电子设备上的结合为温度监测的学习模型的构建提供了全面的数据集。是的可以以高精度呈现电力电子设备的实时内部温度。
附图说明
18.图1是本发明其中一实施例的可靠性监测方法的流程示意图。
19.图2是本发明其中一实施例的学习模型的构建方法的流程示意图。
20.图3是本发明其中一实施例的训练学习模型的流程示意图。
21.图4是本发明其中一实施例的在线雨流计数算法的流程示意图。
22.图5是本发明中一种实施方式下传感光纤的布置方式的示意图。
23.附图说明：1、传感光纤；2、电解质电容；3、fbg解调仪。
具体实施方式
24.以下结合附图1-5对本技术作进一步详细说明。
25.本技术实施例公开一种基于光纤光栅传感的电力电子设备可靠性监测方法与系统，其通过设置于电力电子设备表面的光纤光栅传感器采集对应的数据并通过机器学习的方式来较为准确的得到内部各点的温度信息，获取的各个温度信息用来建立健康状态监测模型，通过所构建的健康状态检测模型来模拟所监测的电力电子设备的运行状况，尤其是剩余寿命估计等信息。
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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作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。
27.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在
三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
28.下面结合说明书附图对本发明实施例作进一步详细描述。
29.本发明实施例提供一种基于光纤光栅传感的电力电子设备可靠性监测方法，参照图1，所述方法的主要流程描述如下。
30.步骤s100：获取预布置于电力电子设备中的光纤光栅传感器的光谱传感特征数据信息。
31.其中，光纤光栅传感器一般用于放置在所需测量的电力电子设备中的元件的表面处，或是沿着电力电子设备的周边放置。光纤光栅传感器一般由不导电的导热材料制成，因此其并不会影响电力电子设备中的热性能。一般而言，光纤光栅传感器具有可定制，电磁干扰免疫，空间小(一般单模光纤直径为125微米，耐高温再涂覆后基本也不会超过500微米)等优点。光谱传感特征数据信息包括通过光纤光栅传感器采集的即时中心波长以及换算得到的温度信息。
32.步骤s200：获取电力电子设备运行参数信息。
33.其中，电力电子设备的运行参数信息包括电力电子设备的电气特征、负载特征、控制特征以及电子元件相关物理特征参数等，至少包括电力电子设备运行过程中的电流、电压、负载功率以及开关频率等。
34.步骤s300：将光谱传感特征数据信息以及电力电子设备运行参数信息输入预先训练的学习模型中以获取电力电子设备内部的时序温度信息。
35.参照图2，作为具体的训练方法，具体包括：步骤s10：获取预布置于电力电子设备中的光纤光栅传感器的光谱传感特征数据信息。
36.其中，在训练学习模型的过程中光纤光栅传感器的布置方式与后续监测过程中的布置方式相同，同样的，此处的光谱传感特征数据信息也包括通过光纤光栅传感器采集的即时中心波长以及换算得到的温度信息。
37.步骤s20：将电气特征信息、控制参数特征信息以及光谱传感特征数据信息作为输入变量数据集。
38.此处，电气特征信息包括了运行时电力电子设备的电流i以及电压v，控制参数特征信息包括负载功率p以及开关频率fs，光谱传感特征数据信息包括光纤光栅传感器测量得到的即时中心波长(cw1,
…
cwn)以及测得的pe元件表面温度(t
s1
,
…
t
sn
)，其中，n代表了光纤光栅传感器的数量。为了减小环境温度带来的误差，还可以在输入变量数据集中加入环境温度t
ambient
，而具体的，输入变量数据集需要包含一个时间序列上的若干数据，表示为i表示为输入特征的第i个样本。
39.步骤s30：根据所获取的输入变量数据集以及输出变量数据集训练预测模型，其中，所述输出变量数据集至少包括预设节点的节点温度数据或预设节点的历史节点温度数据中的一种或多种。
40.其中，输出变量数据集中的数据表征了电力电子设备的广泛内部温度，其可以仅仅只是预设节点的节点温度数据，也可以仅仅只是预设节点的历史节点温度数据(值同参数的电力电子设备测量的历史温度)，也可以是二者的结合求其平均以进行表征。此处，节
点指代的是每一个电力电子设备中所需测量温度的一个点位。
41.作为预设节点的节点温度数据的获取方法，其包括：步骤s31：获取电力电子设备运行参数信息。
42.其中，电力电子设备运行参数信息包括电力电子设备的电气特征、负载特征、控制特征以及电子元件相关物理特征参数。
43.步骤s32：根据电力电子设备运行参数信息构建热路模型，以获取电力电子设备在预设节点的节点温度数据。
44.其中，通过所获取的电力电子设备运行参数信息可以构建出电力电子设备的热路模型以及电力电子设备的功率损失模型，而功率损失模型也会引入至所构建的热路模型中，从而在构建完成后的热路模型可以生成电力电子设备在预设节点的节点温度数据。作为可实施的一种实施方式，本实施例中的热路模型选用lptn模型。
45.参照图3，在训练学习模型的过程中，包括：步骤s33：根据训练数据集中的输入变量数据集构建学习模型，所述学习模型具有若干预设且待定的超参数。
46.其中，作为对学习模型的训练，首先需要将输入变量数据集进行标准化处理，在经过标准化预处理后，会将其转化为标准化数值，统一比较的标准，保证结果的可靠性，消除不同指标之间因属性不同而带来的影响。随后再将标准化处理后的输入变量数据集随机分为训练数据集以及测试数据集，分别用于在后续步骤中执行不同的处理。而对于训练数据集及以及测试数据集的划分，本技术实施例中将标准化后的数据集采用时序数据划分的方法分为训练数据集和测试数据集，比如，前50％用作训练后50％用作测试。
47.作为具体的标准化预处理的方式，其满足：式中为标准化后的输入变量数据集，xi为未标准化前的输入变量数据集，和分别是未标准化前的输入变量数据集的最大值和最小值。
48.此处，学习模型可以部署多种机器学习模型，例如人工神经网络、支持向量回归、贝叶斯模型、随机森林或其他的学习模型。在本实施例中，优先选用ann模型。一般来说，感知机是神经网络模型的基础，单个感知机(神经元)是一个线性模型，旨在建立一个线性超平面对线性可分的数据集进行分类。但是单层感知机模型无法处理非线性问题，即无法处理“抑或问题”。解决此问题的方法即构建多层感知机结构模型，它与单层感知机在结构上的区别主要在于多层感知机结构模型多了若干隐藏层，这使得神经网络能够处理非线性问题。多层感知机回归模型训练的基本原理是基于梯度下降策略的反向传播算法，具体每个神经元的权重和常数项的计算求解利用链式求导法则。
49.作为ann模型的关键超参数，其至少包括隐藏层个数，每层神经元个数，激活函数种类，优化器函数种类，训练轮次数和学习率等。
50.步骤s34：将测试数据集中的输入变量数据集输入学习模型，并将结果与对应的输出变量数据集进行验证以判断是否达到预设的终止训练条件。
51.其中，输出变量数据集在进行训练之前也需要与输入变量数据集一样进行标准化预处理，并且在经过标准化预处理后的输入变量数据集以及输出变量数据集之间仍是在同
一时刻下处于一一对应的映射关系。
52.在步骤s33中，训练数据集中的数据主要用于构建学习模型，而在学习模型构建完毕后，步骤s34中即将测试数据集中的数据输入至构建完毕后的学习模型后，然后将学习模型的输出结果与输出变量数据集中对应的数据进行比较来判断此时学习模型对应的超参数是否满足所需的要求。此处，所述的终止训练条件具体包括平均绝对误差、平均绝对百分比误差、均方根误差以及回归决定系数中的一个或多个，而上述的终止训练条件均是通过根据输出学习模型的结果与对应的输出变量数据集进行运算所得到的。在优选的实施方式下，需要同时满足所有终止训练条件的超参数所对应的学习模型才是最终所需的学习模型。
53.其中，平均绝对误差采用公式：平均绝对百分比误差采用公式：均方根误差采用公式：回归决定系数采用公式：式中，n为测试数据集中的输入变量数据集的数量，e
mae
为平均绝对误差，e
mape
为平均绝对百分比误差，e
rmse
为均方根误差，r为回归决定系数，代表第i个输入变量数据集输入学习模型后获得的输出数据，代表第i个输出变量数据集的数据。作为一种可实现的方式，设定终止阈值e
mae
《5℃,e
mape
《10％,e
rmse
《5℃,r》0.9。
54.步骤s35：若未达到预设的终止训练条件，改变并更新各超参数的信息以进行迭代优化，直至达到预设的终止训练条件。
55.其中，在步骤s34中，将一组训练测试集中的数据输入构建的学习模型中后，将输出与输出变量数据集中对应的数据进行计算以得到各中值训练条件的具体值，若有一项不满足对应的终止阈值，则表征当前学习模型所选定的超参数并不满足所需的要求，需要对超参数进行迭代优化。作为具体的优化方法，可以采用网格搜索法对各超参数在指定的优化范围内进行组合以更新各超参数的信息。更新后的超参数的信息所对应的学习模型会重复步骤s34和s35，直至各终止训练条件均满足所需的终止要求。其中，网格搜索法指代的即是穷举法，即在每个超参数合理的优化范围内进行穷举并组合，并将每一个超参数的组合
带入至所构建的机器学习模型中，不断判断是否达到预设的终止训练条件。
56.至此，步骤s300中所需的学习模型即被训练完毕，此时在后续实际检测电力电子设备并执行步骤s300的过程中，通过采集光纤光栅传感器的光谱传感特征数据信息以及运行参数信息即可对应的得到电力电子设备内部的时序温度信息。
57.步骤s400：根据在线雨流计数算法将时序温度信息转换为极小温度信息以及温差信息。
58.其中，时序温度信息指代的是一系列在时序上输入学习模型后所获的温度值，由于电气特征信息、控制参数特征信息以及光谱传感特征数据信息会实时获取，因而在输入至学习模型后会对应得到一个温度值，由于输入变量数据集的各个数据会不断被获取，因此温度值也会不断的随着时间的推移而被更新，从而组成一个时序上的时序温度信息。此处，极大值与极小值指的是在时序上温度发生变化的值，简单来说，对于极大值的定义，当相邻时刻的温度值均小于当前时刻时，即代表当前时刻下的温度为时序温度信息的极大值，反之，当相邻时刻的温度值均大于当前时刻时，即代表当前时刻下的温度为时序温度信息的极小值。此处也可以通过导数的定义来判断时序温度信息中的极大值和极小值。在执行在线雨流计数算法时，会按照时序上的先后顺序依次将时序温度信息中的极大值和极小值通过雨流计数算法进行递归运算。
59.参照图4，对于在线雨流计数算法的具体流程，包括：步骤s410：在识别当前时刻的时序温度信息为极大值时，判断极大值堆栈中是否存在存储的极大值。
60.其中，极大值堆栈指的是用于存储极大值的堆栈。
61.步骤s420：当极大值堆栈中不存在存储的极大值，则将当前的极大值存储入极大值堆栈中，反之，将极大值堆栈中的数值与当前的极大值进行比较。
62.步骤s430：如果当前的极大值大于极大值堆栈中的任意一个数值，则检测极小值堆栈中数值的个数。
63.其中，极小值堆栈指的是用于存储极小值的堆栈，而极小值堆栈中以及极大值堆栈中均会被赋予一个初始值，这个初始值可以是室温等温度信息。
64.步骤s431：若极小值堆栈中仅存在一个数值，则将该极小值堆栈中的数值与极大值堆栈内的第一个数值的差作为温差信息，随后将极大值堆栈中的第一个数值替换为当前的极大值。
65.步骤s432：若极小值堆栈中存在多个数值，则将极小值堆栈中的第一个数值与极大值堆栈内的第一个数值的差作为温差信息，随后将极小值堆栈中的第一个数值移除，将极大值堆栈中的第一个数值替换为当前的极大值。
66.步骤s440：如果当前的极大值小于极大值堆栈中的任意一个数值，则将当前的极大值存入极大值堆栈中。
67.步骤s450：若极大值堆栈内存在多个数值，则重新执行步骤s410-步骤s450。
68.其中，经过步骤s410-步骤s450之后，在线雨流计数算法会按照各步骤将时序温度信息中的数据转而按照对应的存储逻辑存储在极大值堆栈和极小值堆栈中，并且通过各步骤的限定可以得出对应的温差信息。也就是说，只需要读取极小值堆栈中的数值以及所得到的温差信息即可获取后续步骤所需的极小温度信息以及温差信息。
69.步骤s500：根据所获取极小温度信息以及温差信息计算可实现的功率循环次数以获取电力电子设备的剩余使用寿命信息。
70.其中，电力电子设备的剩余使用寿命信息不但与极小温度信息以及温差信息相关，还与电力电子设备的具体规格等有关。在一种实施方式中，剩余使用寿命信息的计算首先需要获取电力电子设备的规格参数信息，再对各规格参数信息赋予相应的所预设的系数关系并与所获取的极小温度信息以及温差信息计算剩余使用寿命信息。其中，电力电子设备的规格参数信息与所监测的电力电子设备相关联，因而不同的电力电子设备其具体所需的规格参数信息也不同，但由于监测的电力电子设备并不会进行更换，因此其所需的规格参数信息以及对应的系数关系都可以预先被设定，在一种可以实现的实施方式中，剩余使用寿命信息满足公式：式中，nf为剩余使用寿命，δtj为温差信息，t
j(min)
为极小温度信息，t
on
为脉冲持续时间，ib为引脚电流，vc为电压校准值，d为引脚焊线直径，β
1-β6分别为各参数对应的系数值，a为对应的校准系数。
71.其中，该剩余使用寿命信息是一种电子电力设备中半导体元件所对应的剩余使用寿命信息计算公式，对应的脉冲持续时间、引脚电流、电压校准值以及引脚焊线直径会根据监测对象的不同而做出一定的改变，而具体的各参数对应的系数值也会根据监测对象的使用场景不同而做出一定的改变。
72.此外，通过上述步骤所获取的各项数据，通过将所采集的实时值与历史值进行比较，可以构建一个预诊断故障指示器以指示可能存在硬件故障。指示器的输入可以包括电子电力设备的运行参数信息、雨流计数算法输出的极小温度信息以及温差信息、剩余使用寿命、输出学习模型的时序温度信息、电气特征数据以及光纤光栅传感器所获取的光谱传感特征数据信息。例如，在相同的负载条件下，输出学习模型的时序温度随时间持续升高而不趋于稳态，这意味着功率损耗的增加，可以作为故障发生的预指示。此外，电力电子设备的电流/电压实时变化，pe元件的实时阻抗变化，都可以作为健康状态的额外指标。此外，光纤光栅传感器提供的振动传感数据可以指示电力电子设备的物理状态，任何振幅超过安全阈值的振动谐波都将被视为硬件故障发生的预示。
73.基于同一发明构思，本技术实施例还公开一种基于光纤光栅传感的电力电子设备可靠性监测系统，包括：fbg传感器模块，包括光纤光栅传感器，用于获取预布置于电力电子设备表面的光纤光栅传感器的光谱传感特征数据信息。
74.运行参数读取模块，用于获取电力电子设备运行参数信息。
75.温度测量模块，用于将光谱传感特征数据信息以及电力电子设备运行参数信息输入预先训练的学习模型中以获取电力电子设备内部的时序温度信息。
76.健康状态监测模块，用于根据雨流计数算法将时序温度信息转换为极小温度信息以及温差信息；并根据所获取极小温度信息以及温差信息计算可实现的功率循环次数以获取电力电子设备的剩余使用寿命信息。
77.其中，学习模型的构建方法如前述步骤s10-步骤s30中的各项。
78.在一种可以实施的方式中，电力电子设备可以是呈阵列式的电解质电容2，其可以适用于步骤s500中的公式来对寿命信息进行检测。其中，fbg传感器模块包括具有多栅区的多个传感光纤1，对于fbg传感器模块可以由具有相同类型的光纤(例如温度)构成，或是由不同类型传感器(例如温度和振动)的多个光纤构成。传感光纤1通过预设的布置方式设置于电解质电容2阵列的表面，一端通过光纤连接器连接于fbg解调仪3上。通过fbg解调仪3解调后的数据即为中心波长数据，而该部分数据在经过对应的换算之后来得到温度数据以及振动信息等待测物理量，来作为机器学习模型的输入。
79.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，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
80.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
81.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
82.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
83.以上所述，以上实施例仅用以对本技术的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，不应理解为对本发明的限制。本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。