列车转向架蛇形失稳检测方法、装置、系统和存储介质与流程

本申请涉及轨道交通技术领域，特别是涉及一种列车转向架蛇形失稳检测方法、装置、系统和存储介质。

背景技术：

铁路是交通运输的大动脉，近年来我国铁路事业发展日新月异，随着列车运行速度的不断提升，列车运行安全面临着巨大的挑战。由于我国幅员辽阔、不同线路工况差异性较大，列车转向架振动加速度呈现出多样性、随机性、频带丰富等随速度变化的特征，其蛇形运动是影响列车安全性的重要因素之一。

在实现过程中，发明人发现传统技术中至少存在如下问题：列车转向架蛇形失稳检测的准确率低。

技术实现要素：

基于此，有必要针传统技术对列车转向架蛇形失稳的检测存在准确率低的问题，提供一种列车转向架蛇形失稳检测方法、装置、系统和存储介质。

为了实现上述目的，一方面，本申请实施例提供了一种列车转向架蛇形失稳检测方法，包括：

对实时采集得到的转向架的横向振动数据进行特征分析，得到横向振动数据的特征数据；特征分析为时域分析和/或频域分析，特征数据为时域特征数据和/或频域特征数据。

将特征数据输入到预设的失稳分类模型，获取失稳分类模型输出的失稳检测结果；失稳分类模型为基于转向架的历史特征数据进行训练得到，历史特征数据为对转向架的历史数据进行时域分析和/或频域分析得到。

在其中一个实施例中，列车转向架蛇形失稳检测方法还包括：

对获取到的历史数据进行数据滤波。

对滤波后的历史数据进行时域分析，得到数据离散程度的特征值；和/或，对滤波后的历史数据进行频域分析，得到频谱分布的特征值。其中，数据离散程度的特征值包括横向加速度的峰值、峰峰值和方差中的至少一种；频谱分布的特征值包括频率、幅值和能量中的至少一种。

基于数据离散程度的特征值，和/或频谱分布的特征值，分析列车正常运行时的加速度变化规律及分布情况，构建失稳分类模型。

在其中一个实施例中，失稳分类模型为通过支持向量机构建的分类模型，或为通过k最邻近分类算法构建的分类模型。

在其中一个实施例中，对实时采集得到的转向架的横向振动数据进行特征分析，得到横向振动数据的特征数据的步骤包括：

对实时采集得到的数据进行数据滤波。

对滤波后的数据进行时域分析，得到时域特征数据；时域特征数据包括横向加速度的峰值、峰峰值和方差中的至少一种。

对滤波后的数据进行频域分析，得到频域特征数据；频域特征数据包括频率、幅值和能量中的至少一种。

在其中一个实施例中，频域分析为采用傅里叶分析、小波分析或经验态分解来进行的时频转换。

在其中一个实施例中，数据滤波为中位值平均滤波法、限幅滤波法、加权递推平均滤波法或中位值滤波法。

在其中一个实施例中，在获取失稳分类模型输出的失稳检测结果的步骤之后，还包括步骤：

若失稳检测结果为出现蛇形失稳，则进行报警提示和/或降速处理。

另一方面，本申请实施例还提供了一种列车转向架蛇形失稳检测装置，包括：

特征分析模块，用于对实时采集得到的转向架的横向振动数据进行特征分析，得到横向振动数据的特征数据；特征分析为时域分析和/或频域分析，特征数据为时域特征数据和/或频域特征数据。

失稳检测模块，用于将特征数据输入到预设的失稳分类模型，获取失稳分类模型输出的失稳检测结果；失稳分类模型为基于转向架的历史特征数据进行训练得到，历史特征数据为对转向架的历史数据进行时域分析和/或频域分析得到。

在其中一个实施例中，提供了一种系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，系统还包括连接处理器的转向架。

处理器执行计算机程序时实现如上述的列车转向架蛇形失稳检测方法。

在其中一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的列车转向架蛇形失稳检测方法。

上述技术方案中的一个技术方案具有如下优点和有益效果：

基于时域和频域两个维度对列车转向架的横向振动数据进行统计挖掘和建模分析，从不同的角度提取表征转向架蛇形失稳的数据特征及其分布情况，进而可通过失稳分类模型进行诊断判别。采用基于历史数据训练得到的分类模型进行失稳判断，其检测标准更为客观，可降低人为主观因素的影响，提高失稳判别的准确率。基于此，能够实时监测分析列车转向架的横向振动数据，并在转向架出现蛇形失稳现象时，提醒司机及时采取降速等措施，确保列车安全运行。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为一个实施例中列车转向架蛇形失稳检测方法的第一示意性流程图；

图2为一个实施例中列车转向架蛇形失稳检测方法的第二示意性流程图；

图3为一个实施例中列车转向架蛇形失稳检测方法的第一建模示意图；

图4为一个实施例中列车转向架蛇形失稳检测方法的第二建模示意图；

图5为一个实施例中列车转向架蛇形失稳检测方法的第三示意性流程图；

图6为一个实施例中列车转向架蛇形失稳检测方法的第四示意性流程图；

图7为一个实施例中列车转向架蛇形失稳检测装置的结构示意图。

具体实施方式

为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。

需要说明的是，当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件并与之结合为一体，或者可能同时存在居中元件。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

蛇形运动是指列车在行进的过程中，由于某种原因导致轮对运动时偏移中心点，引起车轮与钢轨间的接触点发生变化，产生一种既横向移动、又绕铅垂轴转动的特有的耦合运动，车轮忽左忽右地像蛇一样蠕动行进的现象。蛇行运动是铁道车辆的固有属性，车辆蛇行运动稳定性直接影响蛇行失稳临界速度，即车辆运行的最高速度。列车横向失稳不仅会影响乘客的舒适度，同时还会对车辆轮对和线路造成不可逆的损伤，甚至引发列车脱轨等严重事故，威胁司乘人员人身财产安全。因此，迫切需要一种检测列车转向架是否出现蛇形失稳的方法。

在轨道交通领域，列车横向运动的稳定性没有统一评判标准，转向架蛇形失稳的研究大多通过仿真和实验进行，缺少从运行数据出发的统计挖掘与建模诊断。为了确保列车安全、稳定的运行，本申请实施例采用时域分析方法和频域分析方法对数据进行特征提取、分布统计及建模分析，实现对列车转向架蛇形失稳进行状态监测及异常判断，为判断列车转向架蛇形失稳提供数据支撑。

在一个实施例中，提供了一种列车转向架蛇形失稳检测方法，如图1所示，包括：

步骤s110，对实时采集得到的转向架的横向振动数据进行特征分析，得到横向振动数据的特征数据；特征分析为时域分析和/或频域分析，特征数据为时域特征数据和/或频域特征数据。

步骤s120，将特征数据输入到预设的失稳分类模型，获取失稳分类模型输出的失稳检测结果。失稳分类模型为基于转向架的历史特征数据进行训练得到，历史特征数据为对转向架的历史数据进行时域分析和/或频域分析得到。

具体而言，实时监测转向架，获取其横向振动数据。对横向振动数据进行时域分析，得到时域特征数据；和/或，对横向振动数据进行频域分析，得到频域特征数据。将特征数据输入到预先训练好的失稳分类模型中，进而可获取失稳分类模型对该特征数据的检测结果。失稳分类模型可为基于转向架的历史数据进行训练得到；具体地，可采用时域分析和/或频域分析对历史数据进行分析，得到相应的历史特征数据，例如历史时域特征数据、历史频域特征数据等，并进一步采用现有的分类模型学习训练方法，基于历史特征数据进行训练得到。

传统技术是采用预先设定失稳阈值，并在实时数据超过失稳阈值时进行提示。相较于传统技术，本申请实施例对转向架的实时数据进行特征数据提取后，采用基于历史数据训练得到的失稳分类模型对特征数据进行检测，进而可获取得到失稳检测结果；基于此，采用历史数据和分类模型的方式来检测分析转向架是否出现蛇形失稳，可从不同的角度提取表征转向架蛇形失稳的数据特征及其分布情况，能够更贴近转向架的运行情况，准确判别是否出现失稳，避免人工设定阈值时的主观因素，提高失稳检测的准确率。

需要说明的是，本申请实施例可应用于列车控制器、列车控制台等计算机设备，由列车上的处理器来实现本申请实施例中的步骤。特征分析用于获取横向振动数据的特征数据，例如横向加速度、振动频率、幅度等。特征分析至少包括时域分析和频域分析中的至少一种。基于此，通过至少两个维度的特征数据分析，可得到多种特征数据；示例性地，在失稳分类模型检测到其中一种特征数据具备失稳的特征时，即可输出出现失稳的检测结果。

其中，时域分析是直接在时间域内对系统的动态过程进行研究的方法，是描述数学函数或物理信号随时间的变化关系。由于时域分析是直接在时间域中进行分析，所以其具有直观、易懂的优点；以时间为自变量描述物理量波形的变化，根据信号的时域表达，可分析系统的瞬态和稳态性能。

频域分析是研究信号的频率成分随时间变化的规律，通过时频分布在时间和频率上同时表示信号，使得在时间域内难以捕捉的信号特征在时频域内能十分清晰地显示出来。常见的时频分析方法有傅立叶变换、小波变换、经验模态分解等，通过对信号的处理和分析，可提取信号在特定时间特定频率所具有的特征，揭示其内在规律。

失稳分类模型可用于对获取到的特征数据进行检测，判断是否出现蛇形失稳。可选地，失稳分类模型的训练方法可采用支持向量机、k最邻近分类算法或adaboost算法等，此处不做具体限制。应该注意的是，训练失稳分类模型所采用的历史数据可为当前转向架的历史运行数据，也可为同型号转向架的历史运行数据。

本申请实施例从时域和频域两个维度对列车转向架的横向振动数据进行统计挖掘和建模分析，从不同的角度提取表征转向架蛇形失稳的数据特征及其分布情况，进而可通过失稳分类模型进行诊断判别。采用经历史数据训练得到的分类模型进行失稳判断，其检测标准更为客观，可降低人为主观因素的影响，提高失稳判别的准确率。基于此，能够实时监测分析列车转向架的横向振动数据，并在转向架出现蛇形失稳现象时，提醒司机及时采取降速等措施，确保列车安全运行。

在一个实施例中，如图2所示，列车转向架蛇形失稳方法还包括：

步骤s102，对获取到的历史数据进行数据滤波。

步骤s104，对滤波后的历史数据进行时域分析，得到数据离散程度的特征值；和/或，对滤波后的历史数据进行频域分析，得到频谱分布的特征值。其中，数据离散程度的特征值包括横向加速度的峰值、峰峰值和方差中的至少一种；频谱分布的特征值包括频率、幅值和能量中的至少一种。

步骤s106，基于数据离散程度的特征值，和/或频谱分布的特征值，分析列车正常运行时的加速度变化规律及分布情况，构建失稳分类模型。

具体而言，获取到转向架的历史数据，先对历史数据进行数据滤波，以消除其它振动信号带来的干扰，降低噪声，提高训练、建模的精度和失稳检测的准确度。在进行数据滤波后，可对历史数据进行时域分析和/或频域分析；其中，对滤波后的历史数据进行时域分析，可得到横向加速度的峰值、峰峰值和方差等数据离散程度的特征值；对滤波后的历史数据进行频域分析，可得到频率、幅值和能量等频谱分布的特征值。根据分析得到的特征值，可分析列车正常运行时的加速度变化规律及分布情况，进而可构建失稳分类模型。

本申请实施例可基于数据驱动，通过时域分析和频域分析对历史运行数据进行统计分析，挖掘表征转向架蛇形失稳的波动特征，并通过支持向量机等方式构建分类模型，进而通过失稳分类模型实现转向架蛇形失稳与否的判别。采用历史数据进行挖掘分析、训练建模，可从不同的角度提取表征转向架蛇形失稳的数据特征及其分布情况，能够得到更客观、准确的正常运行数据，进而能够更准确地判别实时运行数据是否出现失稳的情况。

需要说明的是，数据滤波可为中位值平均滤波法、限幅滤波法、加权递推平均滤波法或中位值滤波法。频域分析可为采用傅里叶分析、小波分析或经验态分解来进行的时频转换。

示例性地，采用时域分析进行模型构建的过程可如图3所示。时域波形描述信号随时间的变化情况，以时间为基本变量考察数据的波动规律。本申请实施例可对滤波后的数据进行计算，得到横向加速度的峰值、峰峰值、方差等描述数据离散程度的特征量；上述特征量可反应列车转向架横向振动幅度的大小，从而获取转向架的工作状态；根据数据离散程度，采用svm(supportvectormachine，支持向量机)构建模型，进而可通过该模型、从时域上判断转向架是否发生蛇形失稳现象。

又例如，采用频域分析进行模型构建的过程可如图4所示。频域分布描述信号频率特性，以频率为基本变量分解信号的复杂结构，揭示其内在规律。本申请实施例可通过傅立叶分析将数据从时间域变换到频域，获取数据的频谱分布，并采用频率、幅值、能量等特征值评价转向架横向振动的剧烈程度；根据上述特征值，采用svm构建模型，进而可通过该模型、从频域上判断转向架是否发生蛇形失稳现象。

本申请实施例采用数据虑波对数据进行降噪，通过时域分析方法提取时域特征，通过傅里叶分析等频域分析方法提取频域特征，进而挖掘分析正常运行时列车的加速度变化规律及分布情况，构建列车转向架蛇形失稳的判别模型。在列车运行时，全程实时监控分析转向架的横向振动情况，当列车横向加速度波动过大时，及时输出报警信息，提醒司机采取降速等手段以抑制失稳现象的继续发展，确保列车运行安全。

在一个实施例中，失稳分类模型为通过支持向量机构建的分类模型，或为通过k最邻近分类算法构建的分类模型。

具体而言，失稳分类模型可通过支持向量机或k最邻近分类算法进行建模得到。其中，支持向量机是一种基于监督学习分类方法对数据进行分类的广义线性分类器，其决策边界是对学习样本求解最大边距超平面，svm可以通过核方法进行非线性分类，是常见的核学习方法之一；具体地，给定样本集d，分类的基本思想就是在样本空间中找到一个划分超平面(其中w＝(w1,w2,...,wd)为法向量，b为截距)，将不同类别的样本分开。支持向量机欲找到具有最大间隔的划分超平面，即：

s.t.yi(w^txi+b)≥1,i＝1,2,...,m.

如图5所示，列车运行时实时采集转向架的横向振动数据，并对数据进行滤波，然后从时域和频域分别进行分析和提取特征数据，进而通过已训练好的svm模型判别是否出现蛇形失稳现象。

在一个实施例中，如图6所示，对实时采集得到的转向架的横向振动数据进行特征分析，得到横向振动数据的特征数据的步骤包括：

步骤s112，对实时采集得到的数据进行数据滤波。

步骤s114，对滤波后的数据进行时域分析，得到时域特征数据；时域特征数据包括横向加速度的峰值、峰峰值和方差中的至少一种。

步骤s116，对滤波后的数据进行频域分析，得到频域特征数据；频域特征数据包括频率、幅值和能量中的至少一种。

具体而言，实时采集转向架的横向振动数据，并进行数据滤波。列车运行中振动数据测量和采集传输会受到各种外界条件的干扰，并且列车转向架上有多种设备，如轮对、电机、齿轮箱等，在运行过程中都会产生振动，不同方向的振动信号叠加在一起，影响转向架稳定性判断的准确性，因此需对采样获得的数据进行滤波，消除由于偶然因素或脉冲干扰引起的采样值偏差，降低数据在采集和传输过程中产生的噪声，提高数据质量，进而提高模型准确率。

分别对滤波后的数据进行时域分析和频域分析，得到时域特征数据，例如横向加速度的峰值、峰峰值和方差等，以及频域特征数据，例如频率、幅值和能量等；进而可将得到特征数据输入到失稳分类模型中进行检测。

在一个实施例中，频域分析为采用傅里叶分析、小波分析或经验态分解来进行的时频转换。

具体而，频域分析可采用傅立叶分析进行时频变换，也可用小波分析、经验模态分解代替完成特征提取。

在一个实施例中，数据滤波为中位值平均滤波法、限幅滤波法、加权递推平均滤波法或中位值滤波法。

具体而言，数据滤波可采用中位值平均滤波法来进行处理，也可采用限幅滤波法、加权递推平均滤波法、中位值滤波方法等进行替代处理，完成数据的滤波及降噪处理。

其中，中位值平均滤波法的过程包括：连续采样n个数据，去掉数据中的一个最大值和一个最小值，然后计算这n-2个数据的算术平均值；基于此，能有效克服偶然因素引起的波动，消除由于脉冲干扰所引起的采样值偏差，降低数据在采集和传输过程中产生的噪声，提高数据质量，进而提高模型准确率。

在一个实施例中，在获取失稳分类模型输出的失稳检测结果的步骤之后，还包括步骤：

若失稳检测结果为出现蛇形失稳，则进行报警提示和/或降速处理。

具体而言，当获取到的失稳检测结果为出现蛇形失稳时，可生成报警信号进行报警提示，或生成降速信号，以指示驱动机构进行降速，降低转向架失稳带来的危险，保障列车的安全运行。

应该理解的是，虽然图1、2和6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、2和6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，提供一种列车转向架蛇形失稳检测装置，如图7所示，包括：

特征分析模块，用于对实时采集得到的转向架的横向振动数据进行特征分析，得到横向振动数据的特征数据；特征分析为时域分析和/或频域分析，特征数据为时域特征数据和/或频域特征数据。

失稳检测模块，用于将特征数据输入到预设的失稳分类模型，获取失稳分类模型输出的失稳检测结果；失稳分类模型为基于转向架的历史特征数据进行训练得到，历史特征数据为对转向架的历史数据进行时域分析和/或频域分析得到。

在一个实施例中，列车转向架蛇形失稳检测装置还包括：

实时数据滤波模块，用于对获取到的历史数据进行数据滤波。

历史特征数据获取模块，用于对滤波后的历史数据进行时域分析，得到数据离散程度的特征值；和/或，对滤波后的历史数据进行频域分析，得到频谱分布的特征值。其中，数据离散程度的特征值包括横向加速度的峰值、峰峰值和方差中的至少一种；频谱分布的特征值包括频率、幅值和能量中的至少一种。

分类模型构建模块，用于基于数据离散程度的特征值，和/或频谱分布的特征值，分析列车正常运行时的加速度变化规律及分布情况，构建失稳分类模型。

在一个实施例中，特征分析模块包括：

滤波单元，用于对实时采集得到的数据进行数据滤波。

时域分析单元，用于对滤波后的数据进行时域分析，得到时域特征数据；时域特征数据包括横向加速度的峰值、峰峰值和方差中的至少一种。

频域分析单元，用于对滤波后的数据进行频域分析，得到频域特征数据；频域特征数据包括频率、幅值和能量中的至少一种。

在一个实施例中，列车转向架蛇形失稳检测装置还包括：

提示模块，用于若失稳检测结果为出现蛇形失稳，则进行报警提示和/或降速处理。

关于列车转向架蛇形失稳检测装置的具体限定可以参见上文中对于列车转向架蛇形失稳检测方法的限定，在此不再赘述。上述列车转向架蛇形失稳检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，系统还包括连接处理器的转向架。

处理器执行计算机程序时实现如下步骤：

对实时采集得到的转向架的横向振动数据进行特征分析，得到横向振动数据的特征数据；特征分析为时域分析和/或频域分析，特征数据为时域特征数据和/或频域特征数据。

将特征数据输入到预设的失稳分类模型，获取失稳分类模型输出的失稳检测结果；失稳分类模型为基于转向架的历史特征数据进行训练得到，历史特征数据为对转向架的历史数据进行时域分析和/或频域分析得到。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对获取到的历史数据进行数据滤波。

对滤波后的历史数据进行时域分析，得到数据离散程度的特征值；和/或，对滤波后的历史数据进行频域分析，得到频谱分布的特征值。其中，数据离散程度的特征值包括横向加速度的峰值、峰峰值和方差中的至少一种；频谱分布的特征值包括频率、幅值和能量中的至少一种。

基于数据离散程度的特征值，和/或频谱分布的特征值，分析列车正常运行时的加速度变化规律及分布情况，构建失稳分类模型。

在一个实施例中，处理器对实时采集得到的转向架的横向振动数据进行特征分析，得到横向振动数据的特征数据时，还实现以下步骤：

对实时采集得到的数据进行数据滤波。

对滤波后的数据进行时域分析，得到时域特征数据；时域特征数据包括横向加速度的峰值、峰峰值和方差中的至少一种。

对滤波后的数据进行频域分析，得到频域特征数据；频域特征数据包括频率、幅值和能量中的至少一种。

在一个实施例中，处理器执行在获取失稳分类模型输出的失稳检测结果的之后，还实现以下步骤：

若失稳检测结果为出现蛇形失稳，则进行报警提示和/或降速处理。

关于系统的具体限定可以参见上文中对于列车转向架蛇形失稳检测方法的限定，在此不再赘述。

在一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：

对实时采集得到的转向架的横向振动数据进行特征分析，得到横向振动数据的特征数据；特征分析为时域分析和/或频域分析，特征数据为时域特征数据和/或频域特征数据。

将特征数据输入到预设的失稳分类模型，获取失稳分类模型输出的失稳检测结果；失稳分类模型为基于转向架的历史特征数据进行训练得到，历史特征数据为对转向架的历史数据进行时域分析和/或频域分析得到。

在一个实施例中，计算机程序被处理器执行时，还实现以下步骤：

对获取到的历史数据进行数据滤波。

对滤波后的历史数据进行时域分析，得到数据离散程度的特征值；和/或，对滤波后的历史数据进行频域分析，得到频谱分布的特征值。其中，数据离散程度的特征值包括横向加速度的峰值、峰峰值和方差中的至少一种；频谱分布的特征值包括频率、幅值和能量中的至少一种。

基于数据离散程度的特征值，和/或频谱分布的特征值，分析列车正常运行时的加速度变化规律及分布情况，构建失稳分类模型。

在一个实施例中，计算机程序被处理器对实时采集得到的转向架的横向振动数据进行特征分析，得到横向振动数据的特征数据时，还实现以下步骤：

对实时采集得到的数据进行数据滤波。

对滤波后的数据进行时域分析，得到时域特征数据；时域特征数据包括横向加速度的峰值、峰峰值和方差中的至少一种。

对滤波后的数据进行频域分析，得到频域特征数据；频域特征数据包括频率、幅值和能量中的至少一种。

在一个实施例中，计算机程序被处理器执行在获取失稳分类模型输出的失稳检测结果的之后，还实现以下步骤：

若失稳检测结果为出现蛇形失稳，则进行报警提示和/或降速处理。

关于存储介质的具体限定可以参见上文中对于列车转向架蛇形失稳检测方法的限定，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。