加氢裂化催化剂的失活预测方法、装置和存储设备与流程

本发明涉及石油化工领域，特别是涉及加氢裂化催化剂的失活预测方法、装置和存储设备。

背景技术：

随着信息技术的发展，石油炼化生产装置信息化程度越来越高，随之也就积累了大量生产数据；这些数据背后隐藏着大量重要的生产信息，而大数据技术正是挖掘和利用这些信息的最有效手段。它是通过对庞大的数据进行专业化处理，从而发现数据内在的规律，来对生产流程中的各个环节进行预判，进而支撑生产决策。

催化剂是指能够参与并加快或降低化学反应速度，但化学反应前后其本身性质和数量不发生变化的物质。催化剂作用的基本特征是改变反应历程，改变反应的活化能，改变反应速率常数，但不改变反应的化学平衡。

加氢裂化工艺流程主要有单段串联、两段串联工艺，可以采用全循环流程或一次通过流程，一般依次包括加氢精制、加氢裂化、高低压分离及分馏系统四个主要单元，加氢精制单元主要包括加氢精制反应器，加氢裂化单元主要包括加氢裂化反应器。加氢裂化催化剂属于双功能催化剂，即催化剂由具有加(脱)氢双功能的金属组分和具有裂化功能的酸性载体两部分组成。加氢裂化过程是在氢压下把低质量大分子的原料油转化为洁净的小分子产品，产品主要包括重石脑油、航煤、柴油和尾油，副产干气、液化气和轻石脑油。

现有技术中，一般通过转化率来表示催化剂的活性，即在一定反应条件下,已转化掉反应物的量占进料量的百分数；或者，用每小时每升催化剂所得到的产物重量的数值，即空速时的量来表示催化剂的活性，或者，用在一定反应条件下反应后某一组分的残余量来表示催化剂活性,例如烃类蒸气转化反应中用出口气残余甲烷量表示。现有技术中，cn103045296b公开了一种预测煤焦油加氢催化剂寿命的方法。包括：选取加氢产品油的氮含量作为考察催化剂失活程度的影响因素。所建立的模型包括反应温度、液体体积空速、氢分压等操作参数，也包括反应级数、arrhenius方程的指前因子、活化能等动力学参数。根据加氢装置的实测数据通过对动力学方程进行非线性拟合，拟合采用麦夸特法，求出动力学参数和所预测的催化剂理论运行时间即催化剂寿命。

发明人经过研究发现，现有技术中通过大数据进行石油炼化生产过程中各个环节的预判方式至少存在以下缺陷：

由于催化剂的活性不但与催化剂的化学组成、物理结构、制备的条件有关,而且也和具体使用环境有关，因此通过上述催化剂的活性的表示方法获得结果不够准确。

技术实现要素：

针对现有技术中的不足之处，本发明提供了加氢裂化催化剂的失活预测方法、装置和存储设备。本发明可以提高加氢裂化催化剂的失活预测的精确度。

本发明提供了一种加氢裂化催化剂的失活预测方法，包括步骤：

s11、将加氢裂化装置的实时数据库系统的历史数据中的工况信息的预设工况参数项，和，实验室信息管理系统lims的历史数据中的性质信息数据的预设性质参数项，以及催化剂使用天数确定为自变量；所述预设工况参数项包括：原料油进料流量、高压分离器压力、精制反应器反应温度、裂化反应器反应温度、反应器入口氢气流量和尾油流量或收率；所述性质信息数据包括产品属性信息和多种原料的原料性质信息；所述预设性质参数项包括：原料油密度（比如20℃密度）、原料油终馏点或接近终馏点的馏出温度（比如95%馏出温度）和原料油氮含量；

将裂化反应器的平均反应温度确定为所述预测模型的目标变量；

s12、通过所述实时数据库系统和所述lims提取所述预设工况参数项和所述预设性质参数项的数据；

s13、根据提取的所述预设工况参数项和所述预设性质参数项的数据，生成建模数据；优选包括：分别对各个所述预设工况参数项的提取数据进行数据修正，优选预设时段为单位，生成每个所述预设时段的工况参数项的数据值；分别对各个所述预设性质参数项的提取数据进行数据修正，优选以所述预设时段为单位，生成每个所述预设时段的性质参数项的数据值；

s14、根据所述目标变量和所述自变量通过分类模型对所述建模数据进行模型训练，以建立用于预测所需反应温度的变化趋势的预测模型；

s15、将加氢裂化的平均工艺水平下的各所述预设工况参数项和各所述预设性质参数项的数据值作为所述预测模型的输入参数；包括：分别获取与所述自变量所对应的各所述预设工况参数项和各所述预设性质参数项的数据值的中值；

s16、根据所述预测模型生成所需反应温度的变化趋势图；并根据所述变化趋势图计算每单位时段的温度的增加值，生成所述加氢裂化催化剂的失活曲线图。

优选的，在本发明中，所述根据所述目标变量和所述自变量通过分类模型对所述建模数据进行训练，以建立用于预测未来时间所需反应温度的变化趋势的预测模型，包括：

s21、将所述建模数据按照预设比例划分为训练数据和测试数据；

s22、使用所述训练数据进行建模，并使用所述测试数据进行评估；

s23、当评估的结果未达到预设要求，调整建模时的参数项和/或迭代次数后返回步骤s21；当评估的结果达到预设要求，建模结束。

优选的，在本发明中，所述分类模型包括通用线性回归模型、逻辑回归模型、决策树模型、支持向量机模型、判别式模型和神经网络模型中的一种及其任意组合。

优选的，在本发明中，所述分别对各个所述预设工况参数项的提取数据进行数据修正，优选以预设时段为单位，生成每个所述预设时段的工况参数项的数据值，包括：

分别将每个预设工况参数项的每个所述预设时段的多个数据值进行均值计算的结果，作为每个预设工况参数项所述预设时段的数据值。

优选的，在本发明中，所述分别对各个所述预设性质参数项的提取数据进行数据修正，优选以所述预设时段为单位，生成每个所述预设时段的性质参数项的数据值，包括：

当所述预设性质参数项的数据值生成频率大于每个所述预设时段一次时，对每个所述预设时段内的多个数据值进行均值计算的结果，作为每个预设性质参数项所述预设时段的数据值；当所述预设性质参数项的数据值缺失时，将上一所述预设时段的预设性质参数项的数据值作为个所述预设时段的数据值。

优选的，在本发明中，所述预设性质参数项，还包括：

原料油初馏点或接近初馏点的馏出温度（比如5%馏出温度）、精制油氮含量、原料油金属（比如fe）和杂质（比如硫）含量和循环氢中氢含量中的一种及其任意组合。

优选的，在本发明中，所述预设比例为70%的训练数据和30%的测试数据。

优选的，在本发明中，所述裂化反应器平均反应温度的获取，包括：根据裂化反应器各床层的平均反应温度，计算所述裂化反应器的平均反应温度。

其中，裂化反应器至少包括一个催化剂床层，一般为1~8个催化剂床层，以4个催化剂床层为例，各床层为裂化反应器一床层、裂化反应器二床层、裂化反应器三床层和裂化反应器四床层。

在本发明的另一面，还提供了一种存储设备，包括软件程序，所述软件程序适于由处理器执行加氢裂化催化剂的失活预测方法中的各个步骤；

所述加氢裂化催化剂的失活预测方法包括的步骤为：

s11、将加氢裂化装置的实时数据库系统的历史数据中的工况信息的预设工况参数项，和，实验室信息管理系统lims的历史数据中的性质信息数据的预设性质参数项，以及催化剂使用天数确定为预测模型的自变量；所述预设工况参数项包括：原料油进料流量、高压分离器压力、精制反应器反应温度、裂化反应器反应温度、反应器入口氢气流量和尾油流量或收率；所述性质信息数据包括产品属性信息和多种原料的原料性质信息；所述预设性质参数项包括：原料油密度、原料油终馏点或接近终馏点的馏出温度、原料油氮含量；

将裂化反应器平均反应温度确定为所述预测模型的目标变量；

s12、通过所述实时数据库系统和所述lims提取所述预设工况参数项和所述预设性质参数项的数据；

s13、根据提取的所述预设工况参数项和所述预设性质参数项的数据，生成建模数据；包括：分别对各个所述预设工况参数项的提取数据进行数据修正，优选以预设时段为单位，生成每个所述预设时段的工况参数项的数据值；分别对各个所述预设性质参数项的提取数据进行数据修正，优选以所述预设时段为单位，生成每个所述预设时段的性质参数项的数据值；

s14、根据所述目标变量和所述自变量通过分类模型对所述建模数据进行模型训练，以建立用于预测所需反应温度的变化趋势的预测模型；

s15、将加氢裂化的平均工艺水平下的各所述预设工况参数项和各所述预设性质参数项的数据值作为所述预测模型的输入参数，包括：分别获取与所述自变量所对应的各所述预设工况参数项和各所述预设性质参数项的数据值的中值；

s16、以所述输入参数为输入，根据所述预测模型生成所需反应温度的变化趋势图；并根据所述变化趋势图计算每单位时段的温度的增加值，生成所述加氢裂化催化剂的失活曲线图。

在本发明的另一面，还提供了一种加氢裂化催化剂的失活预测装置，包括总线、通信模块、处理器和存储设备：

所述总线用于连接所述存储设备、所述通信模块和所述处理器；

所述通信模块用于与所述实时数据库系统和所述lims进行通信；

所述处理器用于执行所述存储设备中的软件程序。

在本发明中，为了获得更加准确的加氢裂化的催化剂的失活预测结果，采用了预测模型的方式，首先，利用了实时数据库系统和lims中的历史数据，从中选出特定的参数项分别作为目标变量和自变量，并将其中的目标变量和自变量这些参数项的数据作为建模数据，通过分类模型对所述建模数据进行训练，建立用于预测加氢裂化催化剂的所需反应温度的变化趋势的预测模型；接着，再将加氢裂化的平均工艺水平下的各预设工况参数项和各预设性质参数项的数据值作为预测模型的输入参数，通过预测模型来生成加氢裂化催化剂整个使用周期内所需反应温度的变化趋势图；这样，根据该变化趋势图计算加氢裂化催化剂整个使用周期内每天所需反应温度的增加值，即可生成失活曲线图。

由上可以看出，在本发明中，所需反应温度的变化趋势是通过预测模型根据实时数据库系统和lims中的数据来来生成的，用于温度趋势预测模型的目标变量和自变量均为与加氢裂化中所需反应温度的密切关联的参数项，所以可以获得与实际值拟合度很好的所需反应温度预测结果，进而也就可以获得更加准确的加氢裂化的催化剂的失活预测结果。

进一步的，在本发明中，还可以通过在建模数据进行分类模型训练时，将建模数据按照预设比例划分为训练数据和测试数据的方式来保证预测结果与实际值具有较好的拟合度，因此也就进一步的使由此建立的温度趋势预测模型的预测准确率更加的精确，进而可以进一步的提高加氢裂化催化剂的失活预测结果的精确度。

附图说明

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中记载的一些实施例，对于本领域技术人员来讲，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。

图1为本发明中所述加氢裂化催化剂的失活预测方法的步骤示意图；

图2为本发明中所述加氢裂化催化剂的失活预测方法的又一步骤示意图；

图3为本发明中所述所需温度趋势的示意图；

图4为本发明中所述失活曲线图的示意图；

图5为本发明中所述预测装置的结构示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明方案，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，本领域的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。

为了提高加氢裂化催化剂的失活预测准确度，如图1所示，本发明实施例提供了一种加氢裂化催化剂的失活预测方法，包括步骤：

s11、将加氢裂化装置的实时数据库系统的历史数据中的工况信息的预设工况参数项，和，实验室信息管理系统lims的历史数据中的性质信息数据的预设性质参数项，以及催化剂使用天数确定为自变量；所述预设工况参数项包括：原料油进料流量、高压分离器压力、精制反应器反应温度、裂化反应器反应温度、反应器入口氢气流量和尾油流量或收率；所述性质信息数据包括产品属性信息和多种原料的原料性质信息；所述预设性质参数项包括：原料油密度（比如20℃密度）、原料油终馏点或接近终馏点的馏出温度（比如95%馏出温度）和原料油氮含量；优选的，在本发明中，预设性质参数项，还可以包括：原料油初馏点或接近初馏点的馏出温度（比如5%馏出温度）、精制油氮含量、原料油金属（比如fe）和杂质（比如硫）含量和循环氢中氢含量中的一种及其任意组合。

将裂化反应器的平均反应温度确定为所述预测模型的目标变量；

在本发明实施例，实时数据库系统中的历史数据中，包括有加氢裂化生产工艺以及相关设备的多方面的参数数据，举例来说，工况信息可以包括在加氢裂化的生产工艺各个主要环节的温度、压力、流量、液位或阀门开度等参数项。本发明实施例从中选取原料油进料流量、高压分离器压力（即高压分离器压力是指加氢裂化反应产物进行高压分离的装置的压力）、精制反应器反应温度、裂化反应器反应温度和反应器入口氢气流量（即氢气原料的进料流量）和尾油流量或收率等参数项作为预设工况参数项。

lims系统的主要作用是针对各种原料和各种产品的组成、质量等性能指标，进行收集、分析、报告和管理，来完成对实验室工作的各个环节进行全面量化和质量管理。lims系统的数据库可以存储加氢裂化生产过程中的原料以及各种主要产品（如液化气、轻石脑油、重石脑油、航煤、柴油和尾油等）的性质信息数据；具体来说，性质信息数据可以包括预设产品的产品属性信息和多种原料的原料性质信息；其中，产品属性信息具体可以包括产品的密度或馏程等。本发明实施例从中选取原料油20℃密度、原料油95%馏出温度和原料油氮含量来作为预设性质参数项。进一步的，还可以通过增加预设性质参数项来进一步提高预测的准确度，具体的，增加的预设性质参数项还可以包括原料油5%馏出温度、精制油氮含量、原料油金属和杂质含量和循环氢中氢含量中的一种及其任意组合。

由于催化剂的使用天数也是重要的影响因素，所以还需要将催化剂的使用天数来作为预测模型的自变量；由于加氢裂化中的反应温度可以用来反应催化剂的活性，因此，在本发明实施例中，将裂化反应器平均反应温度来作为了目标变量；

本发明实施例中，裂化反应器平均反应温度的获取方式，以四个催化剂床层为例，可以包括：分别获得裂化反应器一床层、裂化反应器二床层、裂化反应器三床层和裂化反应器四床层各自的平均反应温度；然后根据各床层的平均反应温度，计算裂化反应器的平均反应温度。

s12、通过实时数据库系统和lims提取预设工况参数项和预设性质参数项的数据；

s13、根据提取的预设工况参数项和预设性质参数项的数据，生成建模数据，包括：分别对各个预设工况参数项的提取数据进行数据修正，优选预设时段为单位，生成每个预设时段的工况参数项的数据值；分别对各个预设性质参数项的提取数据进行数据修正，优选以预设时段为单位，生成每个预设时段的性质参数项的数据值；

获取自实时数据库系统和lims的数据无法直接使用，需要进行数据修正，以使数据标准化，包括：

以预设时段是一天（24小时）为例，对于取自实时数据库系统的各个预设工况参数项的提取数据来说，需要以天为单位，生成建模数据，具体来说，分别将每个预设工况参数项的每天的多个数据值进行均值计算的结果，作为每个预设工况参数项当天的数据值。以预设工况参数项之一的原料油进料流量为例，假使实时数据库系统存储的数据中每天包括有80次的原料油进料流量数据，那么通过分别将每天的80次数据进行均值计算，并将每天的计算结果来作为原料油进料流量每天的数据值。以此类推，可以以天为单位，获取各个预设工况参数项的每天的数据值。

对于取自lims的各个预设性质参数项的提取数据来说，也需要以天为单位，生成建模数据，具体来说，当预设性质参数项的数据值生成频率大于每天一次时，对每天内的多个数据值进行均值计算的结果，作为每个预设性质参数项当天的数据值；当预设性质参数项的数据值缺失时，将上一天的预设性质参数项的数据值作为当天的数据值。

lims系统的数据采集方式一般并不统一，具体来说，原料和各种产品的抽样的时间并不统一，从每4小时检验一次到每周检验一次不等，这样，lims的历史数据中的性质信息数据中，两条相邻的性质信息数据之间的时间差就会可能是4小时或是一周；因此，相较于工况信息，性质信息数据的数据量较小，且数据粒度稀疏。基于以上情况，在数据标准化的时候，需要根据lims系统中每种预设性质信息的数据的采集时间频度的不同，来进行相应的处理，当某一预设性质参数项的数据每天都存储多个数据值时，可以通过均值计算的方式来作为当天的数据值；当某一预设性质参数项的数据并非每天都有时，比如取自lims系统的数据每三天才有一次数据值，那么可以采用数据扩展的方式，使用上一次的数据值来修改后续的空白数据值，以使修正后的预设性质参数项每天均包括有一个数据值。也就是说，可以将该预设性质参数项上一次采集到的数据值作为当天的数据值，即，当检测到某一天没有数据值时，获取前一天的数据值来作为当天的数据值。

s14、根据目标变量和自变量通过分类模型对建模数据进行模型训练，以建立用于预测所需反应温度的变化趋势的预测模型；

在确定了目标变量和自变量后，就可以以通过自变量的数据和目标变量数据，进行数据的训练和模型的构建了；具体的，分类模型可以选用的种类包括通用线性回归模型、逻辑回归模型、决策树模型、支持向量机模型、判别式模型和神经网络模型等，只要能够实现通过自变量的进行目标变量的预测即可。

在实际应用中为了使预测结果更加的准确，还可以将建模数据按照预设比例划分为训练数据和测试数据的方式来建模，具体的：

根据目标变量和自变量通过分类模型对建模数据进行训练，建立用于预测未来时间所需反应温度的变化趋势的温度趋势预测模型，如图2所示，包括：

s21、将建模数据按照预设比例划分为训练数据和测试数据；

在实际应用中，可以将预设比例设定为7比3，即，70%的数据用来作为训练数据，另外30%的数据用来作为测试数据。需要说明的是，在本发明实施例中，预设比例的数值设定是可以根据本领域技术人员的需要进行调整和设定，在此并不做具体的限定。

s22、使用训练数据进行建模，并使用测试数据进行评估；

通过训练数据进行建模，来构建温度趋势预测模型；在实际应用中，本发明实施例中所使用的分类模型可以是通用线性回归模型、逻辑回归模型、决策树模型、支持向量机模型、判别式模型或神经网络模型，或是通过其中两种以上的模型来互为印证和修正。

测试数据可以在建模过程中进行结果评估，以验证预测模型的准确度和有效性。

s23、当评估的结果未达到预设要求，调整建模时的参数项和/或迭代次数后返回步骤s21；当评估的结果达到预设要求，建模结束。

本发明实施例中，预设要求可以是对于训练结果与测试数据之间的拟合度的要求；在进行数据训练和建模的过程中，可以通过比较训练结果与测试数据的拟合度来评测所建模型的准确性，这样就可以构建预测结果更加准确的预测模型。

s15、将加氢裂化的平均工艺水平下的各预设工况参数项和各预设性质参数项的数据值作为所述预测模型的输入参数；包括：分别获取与自变量所对应的各预设工况参数项和各预设性质参数项的数据值的中值；

在获得了具有良好预测效果的预测模型后，还需要获得稳定的模型输入参数来进行预测；在本发明实施例中，将与自变量所对应的各预设工况参数项和各预设性质参数项的数据值的中值，来作为加氢裂化的平均工艺水平下的各参数项的数据值。

s16、以输入参数为输入，根据预测模型生成所需反应温度的变化趋势图；并根据变化趋势图计算每单位时段的温度的增加值，生成加氢裂化催化剂的失活曲线图；

在获得了温度趋势的预测模型的输入参数后，就可以生成相应的预测结果了，在本发明实施例中，预测结果可以是所需反应温度的变化趋势图，通过曲线图来表示加氢裂化所需的反应温度与时间的对应关系。

以每单位时段是每天（即24小时）为例，图3示出了根据预测模型生成的变化趋势图的示意图。接着，由于根据每天的所需反应温度，可以计算出每天需要增加的温度值，所以也就由此可以生成用于预测加氢裂化催化剂的失活曲线图（如图4所示）了，根据失活曲线图，可以对加氢裂化的失活进行精确地预测。

综上所述，为了获得更加准确的加氢裂化的催化剂的失活预测结果，采用了预测模型的方式，首先，利用了实时数据库系统和lims中的历史数据，从中选出特定的参数项分别作为目标变量和自变量，并将其中的目标变量和自变量这些参数项的数据作为建模数据，通过分类模型对所述建模数据进行训练，建立用于预测加氢裂化催化剂的所需反应温度的变化趋势的预测模型；接着，再将加氢裂化的平均工艺水平下的各预设工况参数项和各预设性质参数项的数据值作为预测模型的输入参数，通过预测模型来生成加氢裂化催化剂整个使用周期内所需反应温度的变化趋势图；这样，根据该变化趋势图计算加氢裂化催化剂整个使用周期内每天所需反应温度的增加值，即可生成催化剂失活曲线图。

由上可以看出，在本发明中，所需反应温度的变化趋势是通过预测模型根据实时数据库系统和lims中的数据来来生成的，用于温度趋势预测模型的目标变量和自变量均为与加氢裂化中所需反应温度的密切关联的参数项，所以可以获得与实际值拟合度很好的所需反应温度预测结果，进而也就可以获得更加准确的加氢裂化的催化剂的失活预测结果。

进一步的，在本发明中，还可以通过在建模数据进行分类模型训练时，将建模数据按照预设比例划分为训练数据和测试数据的方式来保证预测结果与实际值具有较好的拟合度，因此也就进一步的使由此建立的温度趋势预测模型的预测准确率更加的精确，进而可以进一步的提高加氢裂化的催化剂的失活预测结果的精确度。

在本发明实施例中，还提供了一种存储设备和一种加氢裂化催化剂的失活预测装置，其中，存储设备包括软件程序，软件程序适于处理器执行图1所对应的加氢裂化催化剂的失活预测方法中的各个步骤。

本发明实施例可以通过软件程序的方式来实现，即，通过编写用于实现图1所对应的加氢裂化催化剂的失活预测方法的各个步骤的软件程序（及指令集），所述软件程序存储于存储设备中，存储设备设于计算机设备中，从而可以由计算机设备的处理器调用该软件程序以实现本发明实施例的目的。该计算机设备可以作为本发明实施例中的加氢裂化催化剂的失活预测装置的具体体现形式的一种，也就是说，加氢裂化催化剂的失活预测装置可以通过计算机设备的形式体现。

本发明实施例中的加氢裂化催化剂的失活预测装置可以是计算机设备，如图5所示，计算机终端包括总线201、存储设备202、处理器203和通信模块204；

总线201用于连接存储设备202和处理器203；处理器203用于执行存储设备202中的软件程序；通信模块204用于与实时数据库系统和lims进行通信。

由于本发明实施例中的工作原理和有益效果已经在图1所对应的加氢裂化催化剂的失活预测方法的实施例中做了详尽的记载和描述，这样，就可以参照图1所对应的加氢裂化催化剂的失活预测方法的实施例来理解本发明实施例中的存储设备和加氢裂化催化剂的失活预测装置，在此就不再赘述。

在本发明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。

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。

另外，在本发明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。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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方法的全部或部分步骤。而前述的存储设备包括：u盘、移动硬盘、只读存储器（rom，read-onlymemory）、随机存取存储器（ram，randomaccessmemory）、reram、mram、pcm、nandflash，norflash，memristor、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。