一种锅炉故障诊断方法及装置与流程

本发明属于设备故障分析技术领域，尤其涉及一种锅炉故障诊断方法及装置。

背景技术：

锅炉是发电、石油化工等工业过程中必不可少的重要动力设备，是日常供暖的主要设备，所以锅炉故障的原因诊断有重要的意义和实用价值。

锅炉故障诊断的技术有专家系统诊断法、故障树诊断法、模糊数学诊断法以及模糊识别诊断法等。其中，故障树诊断法是比较常用的方法。所谓的故障树诊断法就是从一个可能的事故开始，自上而下、通过排除法一层层地寻找故障的原因。故障树对于一个现象对应一个原因和一个现象对应多个原因的诊断比较好，但对于多个现象对应多个原因的诊断比较困难，无法得出锅炉故障的准确原因。

技术实现要素：

有鉴于此，本发明实施例提供了一种锅炉故障诊断方法、装置、终端设备及计算机可读存储介质，以解决现有技术中多个现象对应多个原因的诊断难题，从而可以准确获得锅炉故障的原因。

本发明实施例的第一方面，提供了一种锅炉故障诊断方法，包括：

根据锅炉的故障因素，构建所述锅炉故障的贝叶斯网络模型，所述贝叶斯网络模型包括因果关系图和条件概率分布表；

获取锅炉运行数据；

根据所述运行数据和所述贝叶斯网络模型，获取锅炉故障的诊断结果；

根据所述诊断结果，确定所述锅炉发生故障的原因。

本发明实施例的第二方面，提供了一种锅炉故障诊断装置，包括：

构建模块，用于根据锅炉的故障因素，构建所述锅炉故障的贝叶斯网络模型，所述贝叶斯网络模型包括因果关系图和条件概率分布表；

数据获取模块，用于获取锅炉运行数据；

诊断结果获取模块，用于根据所述运行数据和所述贝叶斯网络模型，获取锅炉故障的诊断结果；

故障确定模块，用于根据所述诊断结果，确定所述锅炉发生故障的原因。

本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述锅炉故障诊断方法的步骤。

本发明实施例的第四方面，提供了一种计算机可读存储介质，所述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所述锅炉故障诊断方法的步骤。

本发明实施例提供的锅炉故障诊断方法及装置的有益效果至少在于：本发明实施例根据锅炉的故障因素，构建所述锅炉故障的贝叶斯网络模型，所述贝叶斯网络模型包括因果关系图和条件概率分布表；获取锅炉运行数据；根据所述运行数据和所述贝叶斯网络模型，获取锅炉故障的诊断结果；根据所述诊断结果，确定所述锅炉发生故障的原因，使得多个现象对应多个原因的故障得到诊断，准确确定锅炉故障的原因。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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它的附图。

图1是本发明实施例提供的锅炉故障诊断方法的实现流程示意图一。

图2是本发明实施例提供的锅炉故障诊断方法中构建锅炉故障的贝叶斯网络模型的实现流程示意图。

图3是本发明实施例提供的锅炉故障诊断方法中的因果关系示意图。

图4是本发明实施例提供的锅炉故障诊断方法中获取锅炉故障的诊断结果的实现流程示意图。

图5是本发明实施例提供的锅炉故障诊断方法的实现流程示意图二。

图6是本发明实施例提供的锅炉故障诊断装置的示意图一。

图7是本发明实施例提供的锅炉故障诊断装置中构建模块的示意图。

图8是本发明实施例提供的锅炉故障诊断装置中诊断结果获取模块的示意图。

图9是本发明实施例提供的锅炉故障诊断装置的示意图二。

图10是本发明实施例提供的一种终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

请参阅图1，是本发明一实施例提供的锅炉故障诊断方法的实现流程示意图，该方法可以包括：

步骤s10：根据锅炉的故障因素，构建所述锅炉故障的贝叶斯网络模型，所述贝叶斯网络模型包括因果关系图和条件概率分布表。

为了构建所述的贝叶斯网络模型，必须首先获取所述锅炉的故障因素。请参阅图2，在本实施例中，构建锅炉故障的贝叶斯网络模型的一种方式包括如下步骤：

步骤s101：获取所述锅炉的故障因素，所述故障因素包括故障现象、发生故障的原因以及概率。

故障现象根据锅炉的情况不同而不同，而对于不同的故障现象，发生该故障的原因也不同。例如，故障现象和故障原因可以如图3所示，其中故障现象包括烟气加重、炉腔水侧温度异常、锅炉炉腔烟温异常、节能器+冷凝器烟气温差变小、冷凝器进出口温差异常、锅炉单耗高(其中单耗指的是产生每单位蒸汽需要多少单位的燃气，一般正常的单耗在80nm³/ton左右)、节能器烟气温差变小、节能器出口水温度偏低、扩容器故障、软水箱水温下降、除氧器水温下降等。发生故障的原因包括燃烧器风燃比失调、节能器结垢、扩容器热量未回收利用、冷凝器传热效果差等。当然，在其他实施例中，锅炉的故障现象以及发生故障的原因等还可以为其他类型，并不仅限于上述的情形，此处不做限制。

步骤s102：根据所述故障因素中锅炉的故障现象和发生故障的原因，构建所述锅炉故障的因果关系图，其中，所述因果关系图为有向无环图。

不同的锅炉原因会导致不同的故障现象，同样的，不同的故障现象也对应着不同的锅炉原因，因此，根据相互之间的关系，可以构建锅炉故障的因果关系图。在本实施例中，因果关系图是一个有向无环图(dag)，图中的每一个节点代表一个故障原因或者故障现象，而图的每一条边则代表了对应故障原因和故障现象之间的因果关系。有向无环图可以描述一个或多个原因导致的一个或多个结果。而所述的结果可以导致下一个或多个结果，是有方向的。

在本实施例中，构建所述锅炉故障的因果关系图的方法包括：基于评分搜索的结构学习法、基于约束的结构学习法或者混合结构学习法。

其中，基于评分搜索的结构学习法方法主要包含了评分函数和相应的搜索算法，它是基于一个初始的网络，利用搜索算法对该网络进行一些操作(增加边，删除边，逆向边的方向)，再利用评分函数对网络结构评分，计算这一操作对该网络评分的贡献度，检查新的网络结构的分值是否优于旧的网络结构，如果优于则保留这一操作并继续操作，直到找到最优的结构。

贝叶斯评分的核心思想：结合关于网络拓扑结构的先验知识，选择具有最大后验概率(maximumaposterior，简称map)的网络结构。假设网络拓扑结构g的先验概率为p(g)，针对给定样本集d，根据贝叶斯公式，可以得到网络结构g的后验视概率为(所谓的先验视概率和后验视概率，先验概率是事情还没有发生，要求这件事情发生的可能性的大小；事情已经发生，要求这件事情发生的原因是由某个因素引起的可能性的大小，是后验视概率。)

其中p(d)是给定样本集的概率，p(g)为网络拓扑结构g的概率，p(g|d)为网络拓扑结构g在给定样本集d的先验概率。

从公式可以看出，因为p(d)与网络拓扑结构无关，使p(g)p(g|d)取得最大值的网络结构g就是具有最大后验概率的网络结构，因此定义logp(g|d)＝logp(g)p(g|d)＝logp(g)+p(g|d)为网络结构的贝叶斯评分，即为map测度。

以上的拓扑结构g即为期望的贝叶斯网络结构，样本集d即为已有的数据集。贝叶斯评分函数主要包括且不限于以下方法：k2评分、bd(bayesiandirichlet)评分、bde(bayesiandirichlet-likelihoodequivalence)评分和最小描述长度(minimumdescriptionlength，mdl)评分等。

所述的基于约束的结构学习法(也称依赖分析的方法或基于条件独立性测试的方法)的核心思想是：首先对训练数据集进行统计测试，尤其是条件独立性测试，确定出变量之间的条件独立性；然后，利用变量之间的条件独立性，构造一个有向无环图，以尽可能多地涵盖这些条件独立性。包括但不限于以下这些算法：sgs算法、pc算法、tpda算法等。这些算法的复杂度是指数级的。当潜在的贝叶斯网络结构比较复杂时，整个算法的时间复杂度是无法容忍的。由于时间复杂度的限制，基于条件独立性测试的方法更加适用于稀疏图。因为稀疏图当中需要进行的条件独立测试和的数量很少，但是在稠密图中则不然，在稠密图中需要进行的条件独立测试将达到指数级数量。然而在现实应用中，大多数数据集上潜在的贝叶斯网络是稀疏的有向无环图，所以这种方法在实际问题中可以被大量的应用。

混合结构学习法结合了评分搜索和约束两种结构学习法，最常用的学习方法是max-minhillclimbing(mmhc)。mmhc包括了两个阶段：第一阶段是用max-minparentsandchildren(mmpc)确定了贝叶斯网络中的节点间是否有连接，也就是确定了网路的骨架；第二阶段就是评分搜索法对骨架中的变化进行定向，搜索在某个评分函数下分值最高的贝叶斯网络结构。目前最常用的结构学习是混合结构学习法mmhc。

mmhc算法通过mmpc算法得到每个节点的cpc后，在该贝叶斯网络骨架约束空间中通过评分搜索方法，执行增加边、删除边和转换边的方向等操作找到评分最大的网络。这阶段搜索的空间被限制在仅考虑当y属于x的cpc时才增加边y→x。此约束可以显著地降低搜索空间的复杂性，提高算法的学习效率。

步骤s103：根据所述有向无环图以及发生故障的原因对应的概率，构建条件概率分布表。

所述根据所述有向无环图以及发生故障的原因对应的概率，构建条件概率分布表，构建条件概率分布表的方法包括且不限于以下方法：贝叶斯推理、专家数据库法和参数学习法。

贝叶斯定理是关于随机事件a和b的条件概率(或边缘概率)的一则定理。其中p(a|b)是在b发生的情况下a发生的可能性。贝叶斯推理是从概率论中的贝叶斯定理扩充而来。贝叶斯定理推理：已知一个事件集bi(i＝1,2,...k)中每一bi的概率p(bi)，又知在bi已发生的条件下事件a的条件概率p(a/bi)，就可得出在给定a已发生的条件下任何bi的条件概率(逆概率)p(bi/a)。即p(bi/a)＝p(bi)p(a/bi)/(p(b1)p(a/b1)+p(b2)p(a/b2)+...+p(bn)p(a/bn))。

在一个实施例中，用所述贝叶斯推理求出节能器结垢的概率。节能器结垢一般会导致锅炉单耗高、节能器出口温度偏低和节能器烟气温差变小等现象。如果锅炉单耗高、节能出口温度和烟气温差正常已知，求那节能器结垢的概率。

利用贝叶斯公式计算：

其中，‘1’表示异常，‘0’表示正常，jnq_jg-节能器结垢，gl_dh-锅炉单耗高，jnq_ckwd-节能出口温度，jnq_yqwc-烟气温差。

专家数据库法是指汇聚了众多相关领域经验丰富的专家给出所有节点的发生的概率。然后通过这些数据，采用平均等分法等处理后得到所有节点的条件概率图。所述的专家数据库法可抽象地描述为一个包含两个元素的对偶，一个为条件，另一个为动作，其一般形式为：if(条件)then(结论)。

所述专家数据库法的经验知识描述的是对某一具体事件的分析。具体事件的概率特性是绝大多数专家所清楚认识的，所以所述的专家数据库法有以下优点：每条规则简单且有较好的自然语言属性，易于理解；具有一定的处理不确定性知识的能力；有利于知识的提取与形式化，其问题求解过程符合人的认知过程；计算机易于实现，有利于问题求解和专家系统的开发。

参数学习法需要对样本进行采样，对样本数据进行训练，得到训练参数来预测新样本的值。贝叶斯网络可以通过样本学习给出每个节点的cpd表。参数学习可以根据变量(现象或原因)是否全被观察到和结构是否已知进行分类。一般在结构已知和变量全被观察到的情况下，采用极大似然估计(mle)，而在结构已知和变量部分被观察到的时候，采用em算法。在结构未知时，采用局部搜索的mle或者structuralem算法。

极大似然估计方法(maximumlikelihoodestimate，mle)也称为最大概似估计或最大似然估计，是求估计的另一种方法。一般说来，事件a发生的概率与某一未知参数θ有关，θ取值不同，则事件a发生的概率p(aθ)也不同，当我们在一次试验中事件a发生了，则认为此时的θ值应是t的一切可能取值中使p(aθ)达到最大的那一个，极大似然估计法就是要选取这样的t值作为参数t的估计值，使所选取的样本在被选的总体中出现的可能性为最大。

em算法是一种解决不能直接通过极大似然估计求出模型参数，解决存在隐含变量优化问题的有效方法。em算法是期望极大(expectationmaximization)算法的简称，em算法是一种迭代型的算法，在每一次的迭代过程中，主要分为两步：即求期望(expectation)和最大化(maximization)。

步骤s20：获取锅炉运行数据。获取锅炉运行数据可以是锅炉的蒸汽压、给水流量、节能器出口水温、节能器烟气温差、软水箱水温、除氧器水温、锅炉炉腔烟温、烟气、炉腔水侧温度、冷凝器进出口温差、软水装置出口压力等。

步骤s30：根据所述运行数据和所述贝叶斯网络模型，获取锅炉故障的诊断结果。请参见图4，在本实施例中，步骤s30可以包括以下步骤：

步骤s301：根据所述运行数据，获取所述锅炉的故障现象；

步骤s302：根据所述故障现象，获取所述贝叶斯网络模型中与所述故障现象相关联的故障原因；

步骤s303：根据所述运行数据和所述贝叶斯网络模型，获取锅炉故障的诊断结果，所述诊断结果包括与所述故障现象相关联的各故障原因发生的概率。

s40：根据所述诊断结果，确定所述锅炉发生故障的原因。例如，与故障现象相关联的各故障原因发生的概率中，概率最大的故障原因可以确定为锅炉发生故障的原因。

请参阅图5，进一步地，在本实施例中，步骤s40后还可以包括以下步骤：

s50：对所述贝叶斯网络模型进行存储，存储的数据结构包括变量、结构和分布，所述变量包括所述贝叶斯网络模型的节点以及跟节点相关的信息，所述结构包括所述贝叶斯网络模型中的每条边，所述分布包括每个节点对应的条件概率分布。

s60：对所述诊断结果进行展示。从而可以让使用人员直观获取故障发生的原因。

本实施例提供的锅炉故障诊断方法及装置的有益效果至少在于：本实施例根据锅炉的故障因素，构建所述锅炉故障的贝叶斯网络模型，并根据锅炉运行数据和贝叶斯网络模型，获取锅炉故障的诊断结果，进而根据诊断结果确定锅炉发生故障的原因，从而可以在多个现象对应多个故障原因的情况下，根据现象能够准确确定故障原因。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本发明实施例的目的还在于提供一种锅炉故障诊断装置，图6为锅炉故障诊断装置的示意图，为了便于说明，仅示出与本申请实施例相关的部分。

请参阅图6，锅炉故障诊断装置包括构建模块71、数据获取模块72、诊断结果获取模块73以及故障确定模块74。其中，构建模块71用于根据锅炉的故障因素，构建所述锅炉故障的贝叶斯网络模型，所述贝叶斯网络模型包括因果关系图和条件概率分布表；数据获取模块72用于获取锅炉运行的数据；诊断结果获取模块73用于根据所述运行数据和所述贝叶斯网络模型，获取锅炉故障的诊断结果；故障确定模块74用于根据所述诊断结果，确定所述锅炉发生故障的原因。

请参阅图7，进一步地，构建模块71包括故障因素获取单元711、因果关系构建单元712以及条件概率分布表构建单元713。其中，故障因素获取单元711用于获取所述锅炉的故障因素，所述故障因素包括故障现象、发生故障的原因以及概率；因果关系构建单元712用于根据所述故障因素中锅炉的故障现象和发生故障的原因，构建所述锅炉故障的因果关系图；条件概率分布表构建单元713用于根据所述有向无环图以及发生故障的原因对应的概率，构建条件概率分布表。

请参阅图8，进一步地，诊断结果获取模块73包括故障现象获取单元731、故障原因获取单元732以及诊断结果获取单元733。其中，故障现象获取单元731用于根据所述运行数据，获取所述锅炉的故障现象；故障原因获取单元732用于根据所述故障现象，获取所述贝叶斯网络模型中与所述故障现象相关联的故障原因；诊断结果获取单元733用于根据所述运行数据和所述贝叶斯网络模型，获取锅炉故障的诊断结果。

请参阅图9，进一步地，锅炉故障诊断装置还包括存储模块75以及展示模块76。其中，存储模块75用于对所述贝叶斯网络模型进行存储，存储的数据结构包括变量、结构和分布，所述变量包括所述贝叶斯网络模型的节点以及跟节点相关的信息，所述结构包括所述贝叶斯网络模型中的每条边，所述分布包括每个节点对应的条件概率分布；展示模块76用于对所述诊断结果进行展示。

图10是本发明一实施例提供的终端设备的示意图。如图10所示，所述终端设备8，包括存储器81、处理器80以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现如所述锅炉故障诊断方法的步骤。

所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器80、所述存储器81。本领域技术人员可以理解，图10仅仅是终端设备8的示例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器80可以是中央处理单元(centralprocessingunit，cpu)，还可以是其它通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

所述存储器81可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81也可以是终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

所述集成的模块/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，本申请实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

具体可以如下，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序：

计算机可读存储介质，包括所述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所述锅炉故障诊断方法的步骤。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。

以上所述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，本领域的普通技术人员应当理解：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，均应包含在本发明的保护范围之内。