工业互联网的设备状态监测方法、装置和电子设备与流程

1.本发明涉及工业互联网技术领域，尤其涉及一种工业互联网的设备状态监测方法、装置和电子设备。


背景技术：

2.现有的工业互联网的设备状态监测方案，通常是通过人工自主检查，判断工业互联网的设备状态，但是由于客观因素，人工往往不能时时监测工业互联网的设备状态，导致无法实现对工业互联网的设备状态的实时监测。


技术实现要素：

3.有鉴于此，本发明的目的在于提出一种工业互联网的设备状态监测方法、装置和电子设备，能够实现对工业互联网的设备状态的实时监测。
4.根据本发明的一个方面，提供一种工业互联网的设备状态监测方法，包括：实时采集工业互联网的设备的运行数据；根据所述采集的运行数据，绘制出所述工业互联网的设备的运行数据曲线；将所述绘制出的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果；根据所述得到的对比结果，在所述对比结果是所述绘制出的运行数据曲线与预设的正常工作运行数据曲线是一致时，不作所述互联网的设备状态的异常提示，所述预设的正常工作运行数据曲线由机器学习算法习得，在所述对比结果是所述绘制出的运行数据曲线与预设的正常工作运行数据曲线是不一致时，作所述互联网的设备状态的异常提示。
5.其中，所述根据所述采集的运行数据，绘制出所述工业互联网的设备的运行数据曲线，包括：根据所述采集的运行数据，采用机器学习算法建模方式，获取所述采集的运行数据的第一起点和最远拼接点，和获取所述采集的运行数据的第二起点，确定所述第一起点和所述最远拼接点之间的第一拼接段，和确定所述第二起点和所述最远拼接点之间的第二拼接段，对所述第一拼接段、所述第二拼接段进行线性拟合拼接，绘制出所述工业互联网的设备的运行数据曲线。
6.其中，所述将所述绘制出的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果，包括：将所述绘制出的运行数据曲线与预设的正常工作运行数据曲线分别进行从测深到垂深的计算，按照同一技术条件和同一曲线起点，将所述分别经从测深到垂深的计算后的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果。
7.其中，在所述根据所述得到的对比结果，在所述对比结果是所述绘制出的运行数据曲线与预设的正常工作运行数据曲线是一致时，不作所述互联网的设备状态的异常提示，所述预设的正常工作运行数据曲线由机器学习算法习得，在所述对比结果是所述绘制出的运行数据曲线与预设的正常工作运行数据曲线是不一致时，作所述互联网的设备状态的异常提示之后，还包括：对所述提示状态异常的互联网的设备的运行数据进行修复。
8.其中，所述对所述提示状态异常的互联网的设备的运行数据进行修复，包括：采用
对所述提示状态异常的互联网的设备的运行数据从所述预设的正常工作运行数据曲线中确定一条或多条匹配线，每条匹配线通过至少一个待估计的数据点且与至少一个所述预设的正常工作运行数据曲线方向信息相匹配的方式，对所述提示状态异常的互联网的设备的运行数据进行修复。
9.根据本发明的另一个方面，提供一种工业互联网的设备状态监测装置，包括：采集模块、绘制模块、对比模块和提示模块；所述采集模块，用于实时采集工业互联网的设备的运行数据；所述绘制模块，用于根据所述采集的运行数据，绘制出所述工业互联网的设备的运行数据曲线；所述对比模块，用于将所述绘制出的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果；所述提示模块，用于根据所述得到的对比结果，在所述对比结果是所述绘制出的运行数据曲线与预设的正常工作运行数据曲线是一致时，不作所述互联网的设备状态的异常提示，所述预设的正常工作运行数据曲线由机器学习算法习得，在所述对比结果是所述绘制出的运行数据曲线与预设的正常工作运行数据曲线是不一致时，作所述互联网的设备状态的异常提示。
10.其中，所述绘制模块，具体用于：根据所述采集的运行数据，采用机器学习算法建模方式，获取所述采集的运行数据的第一起点和最远拼接点，和获取所述采集的运行数据的第二起点，确定所述第一起点和所述最远拼接点之间的第一拼接段，和确定所述第二起点和所述最远拼接点之间的第二拼接段，对所述第一拼接段、所述第二拼接段进行线性拟合拼接，绘制出所述工业互联网的设备的运行数据曲线。
11.其中，所述对比模块，具体用于：将所述绘制出的运行数据曲线与预设的正常工作运行数据曲线分别进行从测深到垂深的计算，按照同一技术条件和同一曲线起点，将所述分别经从测深到垂深的计算后的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果。
12.其中，所述工业互联网的设备状态监测装置，还包括：修复模块；所述修复模块，用于对所述提示状态异常的互联网的设备的运行数据进行修复。
13.其中，所述修复模块，具体用于：采用对所述提示状态异常的互联网的设备的运行数据从所述预设的正常工作运行数据曲线中确定一条或多条匹配线，每条匹配线通过至少一个待估计的数据点且与至少一个所述预设的正常工作运行数据曲线方向信息相匹配的方式，对所述提示状态异常的互联网的设备的运行数据进行修复。
14.根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述的工业互联网的设备状态监测方法。
15.根据本发明的又一个方面，提供一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述任意一项所述的工业互联网的设备状态监测方法。
16.可以发现，以上方案，可以实时采集工业互联网的设备的运行数据，和可以根据该采集的运行数据，绘制出该工业互联网的设备的运行数据曲线，和可以将该绘制出的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果，以及可以根据该得到的对比结果，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是一
致时，不作该互联网的设备状态的异常提示，该预设的正常工作运行数据曲线由机器学习算法习得，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是不一致时，作该互联网的设备状态的异常提示，能够实现对工业互联网的设备状态的实时监测。
17.进一步的，以上方案，可以根据该采集的运行数据，采用机器学习算法建模方式，获取该采集的运行数据的第一起点和最远拼接点，和获取该采集的运行数据的第二起点，确定该第一起点和该最远拼接点之间的第一拼接段，和确定该第二起点和该最远拼接点之间的第二拼接段，对该第一拼接段、该第二拼接段进行线性拟合拼接，绘制出该工业互联网的设备的运行数据曲线，这样的好处是能够实现该绘制出该工业互联网的设备的运行数据曲线具有更大的动态范围。
18.进一步的，以上方案，可以将该绘制出的运行数据曲线与预设的正常工作运行数据曲线分别进行从测深到垂深的计算，按照同一技术条件和同一曲线起点，将该分别经从测深到垂深的计算后的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果，这样的好处是能够实现提高该得到的对比结果的准确性。
19.进一步的，以上方案，可以对该提示状态异常的互联网的设备的运行数据进行修复，这样的好处是能够实现实时保障工业互联网的设备状态为正常工作状态。
20.进一步的，以上方案，可以采用对该提示状态异常的互联网的设备的运行数据从该预设的正常工作运行数据曲线中确定一条或多条匹配线，每条匹配线通过至少一个待估计的数据点且与至少一个该预设的正常工作运行数据曲线方向信息相匹配的方式，对该提示状态异常的互联网的设备的运行数据进行修复，这样的好处是能够实现提高对该提示状态异常的互联网的设备的运行数据进行修复的准确率。
附图说明
21.为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
22.图1是本发明工业互联网的设备状态监测方法一实施例的流程示意图；图2是本发明工业互联网的设备状态监测方法另一实施例的流程示意图；图3是本发明工业互联网的设备状态监测装置一实施例的结构示意图；图4是本发明工业互联网的设备状态监测装置另一实施例的结构示意图；图5是本发明的电子设备的计算机系统的结构示意图。
具体实施方式
23.下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，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它实施例，都属于本发明保护的范围。
24.本发明提供一种工业互联网的设备状态监测方法，能够实现对工业互联网的设备
状态的实时监测。
25.请参见图1，图1是本发明工业互联网的设备状态监测方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：s101：实时采集工业互联网的设备的运行数据。
26.在本实施例中，工业互联网的设备包括工业机器人、智能rtu（remote terminal unit，远程终端单元）、智能装备包括各类有触觉或者感应类的设备、智能工程设备，无人机、智能管道运输监控终端等。
27.s102：根据该采集的运行数据，绘制出该工业互联网的设备的运行数据曲线。
28.其中，该根据该采集的运行数据，绘制出该工业互联网的设备的运行数据曲线，可以包括：根据该采集的运行数据，采用机器学习算法建模方式，获取该采集的运行数据的第一起点和最远拼接点，和获取该采集的运行数据的第二起点，确定该第一起点和该最远拼接点之间的第一拼接段，和确定该第二起点和该最远拼接点之间的第二拼接段，对该第一拼接段、该第二拼接段进行线性拟合拼接，绘制出该工业互联网的设备的运行数据曲线，这样的好处是能够实现该绘制出该工业互联网的设备的运行数据曲线具有更大的动态范围。
29.s103：将该绘制出的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果。
30.其中，该将该绘制出的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果，可以包括：将该绘制出的运行数据曲线与预设的正常工作运行数据曲线分别进行从测深到垂深的计算，按照同一技术条件和同一曲线起点，将该分别经从测深到垂深的计算后的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果，这样的好处是能够实现提高该得到的对比结果的准确性。
31.在本技术一实施例中，在将绘制出的运行数据曲线与预设的正常工作运行数据曲线进行对比的过程中，包括如下步骤：对所述运行数据曲线和所述正常工作运行数据曲线进行抽样处理，得到离散的实际数据和正常数据；基于同一自变量对应的实际数据和正常数据，计算两个数据之间的差异值；基于全部数据之间的差异值，确定运行数据曲线和正常工作运行数据曲线之间的曲线差异参数；若所述曲线差异参数小于或者等于预设阈值，则对比结果是运行数据曲线与正常工作运行数据曲线一致。
32.具体的，本实施例中，基于设定的抽样比例对运行数据曲线和正常工作运行数据曲线进行抽样处理，获取到离散的实际数据和正常数据，以便于我们计算差异参数，提高计算效率。通过基于同一自变量xi对应的实际数据yi和正常数据si，计算两个数据之间的差异值为：
其中，α于表示预设的差异参数，通过上述方式计算得到离散的数据之间的差异参数。在计算得到离散的差异参数之后，基于差异参数和抽样情况，计算曲线差异参数为：其中，n表示抽样得到的数据量，i表示小于或者等于n的自然数。
33.上述方式通过对曲线进行抽样处理，对抽样得到的离散数据计算差异参数，进而得到两条曲线之间的差异参数，在保证差异对比的精确性的前提下，提高了差异计算的效率。
34.在计算得到曲线差异参数之后，若所述曲线差异参数小于或者等于预设阈值，则对比结果是运行数据曲线与正常工作运行数据曲线一致；若曲线差异参数大于预设阈值，则对比结果是运行数据曲线与正常工作运行数据曲线不一致。
35.s104：根据该得到的对比结果，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是一致时，不作该互联网的设备状态的异常提示，该预设的正常工作运行数据曲线由机器学习算法习得，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是不一致时，作该互联网的设备状态的异常提示。
36.在本实施例中，该预设的正常工作运行数据曲线由机器学习算法习得，可以是由机器学习算法获取该工业互联网的设备的运行数据的起点、过程点和终点，按照同一技术条件，连接该运行数据的起点、过程点和终点习得该工业互联网的设备的正常工作运行数据曲线，也可以是由其他技术方式习得该工业互联网的设备的正常工作运行数据曲线等，本发明不加以限定。
37.其中，在该根据该得到的对比结果，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是一致时，不作该互联网的设备状态的异常提示，该预设的正常工作运行数据曲线由机器学习算法习得，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是不一致时，作该互联网的设备状态的异常提示之后，还可以包括：对该提示状态异常的互联网的设备的运行数据进行修复，这样的好处是能够实现实时保障工业互联网的设备状态为正常工作状态。
38.在本实施例中，按预设的上限阈值和下限阈值，分别绘制关联该预设的正常工作运行数据曲线的上限阈值的第一数据曲线和关联该预设的正常工作运行数据曲线的下限阈值的第二数据曲线，并形成关联该第一数据曲线和该第二数据曲线的区域，在该对比结果是该绘制出的运行数据曲线被该区域覆盖时，则预设该绘制出的运行数据曲线与预设的正常工作运行数据曲线是一致，在该对比结果是该绘制出的运行数据曲线没有被该区域覆盖时，则预设该绘制出的运行数据曲线与预设的正常工作运行数据曲线是不一致。
39.在本实施例中，理论上可以采用对负载原始数据进行直接建立分类模型，但是直接对负载进行处理分类的话，将面临两个问题，一个是不能保证每次采集的数据起始点结
束点一致，这将导致数据长短不一致，第二个问题是样本的数据维度过高。由于不能保证数据起始点结束点一致，为保证模型泛化能力，需对样本数据进行数据增强，对数据进行十、百或者千倍的扩充，而此时同时得面对数据维度过高的问题，将不能快速建立模型并优化，而且这种raw数据（原始数据）的方式往往性能表现还不如引入特征工程。据此，例如，可以对原始数据先进行特征提取，提取负载信息的100多个统计量特征，然后再建模，参数优化。避免过拟合可以在训练时加入正则项，以及在参数优化时采用10折交叉验证的方法，即把数据拆分成均等的十份，每次用9份训练，1份测试。数据的一致则必须通过数据采集、分析数据分布是否已经稳定一致。
[0040] 在本实施例中，在建立特征集后，可以使用如下算法进行建模。实现过程如下：首先从训练集用初始权重训练出一个弱学习器h1，根据弱学习器的学习误差率表现来更新训练样本的权重，使得之前h1学习误差率高的训练样本点的权重变高，使得这些误差率高的点在后面的 h2中得到更多的重视。然后基于调整权重后的训练集来训练h2，如此重复进行，直到弱学习器数达到事先指定的数目m，最终将这m个弱学习器通过集合策略进行整合，得到最终的强学习器h(x) 。
[0041]
其中hi是第i个基分类器（两层的决策树），αi是它的权重。弱分类器的权重计算公式为：其中，是带权错误率，计算公式为：样本权重初始为1/n，更新公式为: 其中zk为规范化因子这样，最终的h(x)是m个弱学习器的加权平均再通过sign函数。可以成功地把原始数据诊断分类，把分析的结果给到应用端就可以实时的监控生产过程、及时发出警报信息，防止产生报废的物料。
[0042]
可以发现，在本实施例中，可以实时采集工业互联网的设备的运行数据，和可以根据该采集的运行数据，绘制出该工业互联网的设备的运行数据曲线，和可以将该绘制出的
运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果，以及可以根据该得到的对比结果，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是一致时，不作该互联网的设备状态的异常提示，该预设的正常工作运行数据曲线由机器学习算法习得，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是不一致时，作该互联网的设备状态的异常提示，能够实现对工业互联网的设备状态的实时监测。
[0043]
进一步的，在本实施例中，可以根据该采集的运行数据，采用机器学习算法建模方式，获取该采集的运行数据的第一起点和最远拼接点，和获取该采集的运行数据的第二起点，确定该第一起点和该最远拼接点之间的第一拼接段，和确定该第二起点和该最远拼接点之间的第二拼接段，对该第一拼接段、该第二拼接段进行线性拟合拼接，绘制出该工业互联网的设备的运行数据曲线，这样的好处是能够实现该绘制出该工业互联网的设备的运行数据曲线具有更大的动态范围。
[0044]
进一步的，在本实施例中，可以将该绘制出的运行数据曲线与预设的正常工作运行数据曲线分别进行从测深到垂深的计算，按照同一技术条件和同一曲线起点，将该分别经从测深到垂深的计算后的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果，这样的好处是能够实现提高该得到的对比结果的准确性。
[0045]
请参见图2，图2是本发明工业互联网的设备状态监测方法另一实施例的流程示意图。本实施例中，该方法包括以下步骤：s201：实时采集工业互联网的设备的运行数据。
[0046]
可如上s101所述，在此不作赘述。
[0047]
s202：根据该采集的运行数据，绘制出该工业互联网的设备的运行数据曲线。
[0048]
可如上s102所述，在此不作赘述。
[0049]
s203：将该绘制出的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果。
[0050]
可如上s103所述，在此不作赘述。
[0051]
s204：根据该得到的对比结果，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是一致时，不作该互联网的设备状态的异常提示，该预设的正常工作运行数据曲线由机器学习算法习得，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是不一致时，作该互联网的设备状态的异常提示。
[0052]
可如上s104所述，在此不作赘述。
[0053]
s205：对该提示状态异常的互联网的设备的运行数据进行修复。
[0054]
其中，该对该提示状态异常的互联网的设备的运行数据进行修复，可以包括：采用对该提示状态异常的互联网的设备的运行数据从该预设的正常工作运行数据曲线中确定一条或多条匹配线，每条匹配线通过至少一个待估计的数据点且与至少一个该预设的正常工作运行数据曲线方向信息相匹配的方式，对该提示状态异常的互联网的设备的运行数据进行修复，这样的好处是能够实现提高对该提示状态异常的互联网的设备的运行数据进行修复的准确率。
[0055]
可以发现，在本实施例中，可以对该提示状态异常的互联网的设备的运行数据进行修复，这样的好处是能够实现实时保障工业互联网的设备状态为正常工作状态。
[0056]
进一步的，在本实施例中，可以采用对该提示状态异常的互联网的设备的运行数据从该预设的正常工作运行数据曲线中确定一条或多条匹配线，每条匹配线通过至少一个待估计的数据点且与至少一个该预设的正常工作运行数据曲线方向信息相匹配的方式，对该提示状态异常的互联网的设备的运行数据进行修复，这样的好处是能够实现提高对该提示状态异常的互联网的设备的运行数据进行修复的准确率。
[0057]
本发明还提供一种工业互联网的设备状态监测装置，与上述工业互联网的设备状态监测方法一一对应，能够实现对工业互联网的设备状态的实时监测。
[0058]
请参见图3，图3是本发明工业互联网的设备状态监测装置一实施例的结构示意图。本实施例中，该工业互联网的设备状态监测装置30包括采集模块31、绘制模块32、对比模块33和提示模块34。
[0059]
该采集模块31，用于实时采集工业互联网的设备的运行数据。
[0060]
该绘制模块32，用于根据该采集的运行数据，绘制出该工业互联网的设备的运行数据曲线。
[0061]
该对比模块33，用于将该绘制出的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果。
[0062]
该提示模块34，用于根据该得到的对比结果，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是一致时，不作该互联网的设备状态的异常提示，该预设的正常工作运行数据曲线由机器学习算法习得，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是不一致时，作该互联网的设备状态的异常提示。
[0063]
可以发现，以上方案，可以实时采集工业互联网的设备的运行数据，和可以根据该采集的运行数据，绘制出该工业互联网的设备的运行数据曲线，和可以将该绘制出的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果，以及可以根据该得到的对比结果，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是一致时，不作该互联网的设备状态的异常提示，该预设的正常工作运行数据曲线由机器学习算法习得，在该对比结果是该绘制出的运行数据曲线与预设的正常工作运行数据曲线是不一致时，作该互联网的设备状态的异常提示，能够实现对工业互联网的设备状态的实时监测。
[0064]
可选地，该绘制模块32，可以具体用于：根据该采集的运行数据，采用机器学习算法建模方式，获取该采集的运行数据的第一起点和最远拼接点，和获取该采集的运行数据的第二起点，确定该第一起点和该最远拼接点之间的第一拼接段，和确定该第二起点和该最远拼接点之间的第二拼接段，对该第一拼接段、该第二拼接段进行线性拟合拼接，绘制出该工业互联网的设备的运行数据曲线。
[0065]
可选地，该对比模块33，可以具体用于：将该绘制出的运行数据曲线与预设的正常工作运行数据曲线分别进行从测深到垂深的计算，按照同一技术条件和同一曲线起点，将该分别经从测深到垂深的计算后的运行数据曲线与预设的正常工作运行数据曲线进行对比得到对比结果。
[0066]
请参见图4，图4是本发明工业互联网的设备状态监测装置另一实施例的结构示意图。区别于上一实施例，本实施例所述工业互联网的设备状态监测装置40还包括修复模块41。
[0067]
该修复模块41，用于对该提示状态异常的互联网的设备的运行数据进行修复。
[0068]
可选地，该修复模块41，可以具体用于：采用对该提示状态异常的互联网的设备的运行数据从该预设的正常工作运行数据曲线中确定一条或多条匹配线，每条匹配线通过至少一个待估计的数据点且与至少一个该预设的正常工作运行数据曲线方向信息相匹配的方式，对该提示状态异常的互联网的设备的运行数据进行修复。
[0069]
该工业互联网的设备状态监测装置30/40的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
[0070]
图5示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
[0071]
需要说明的是，图5示出的电子设备的计算机系统500仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0072]
如图5所示，计算机系统500包括中央处理单元（central processing unit，cpu）501，其可以根据存储在只读存储器（read-only memory，rom）502中的程序或者从储存部分508加载到随机访问存储器（random access memory，ram）503中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在ram 503中，还存储有系统操作所需的各种程序和数据。cpu 501、rom502以及ram 503通过总线504彼此相连。输入/输出（input /output，i/o）接口505也连接至总线504。
[0073]
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管（cathode ray tube，crt）、液晶显示器（liquid crystal display，lcd）等以及扬声器等的输出部分507；包括硬盘等的储存部分508；以及包括诸如lan（local area network，局域网）卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入储存部分508。
[0074]
特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元（cpu）501执行时，执行本技术的系统中限定的各种功能。
[0075]
需要说明的是，本技术实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（erasable programmable read only memory，eprom）、闪存、光纤、便携式紧凑磁盘只读存储器（compact disc read-only memory，cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机
可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0076]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、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。其中，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，上述模块、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。
[0077]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0078]
根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
[0079]
作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
[0080]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0081]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是cd-rom，u盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、触控终端、或者网络设备等）执行根据本技术实施方式的方法。
[0082]
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知
常识或惯用技术手段。
[0083]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。