变压器振动信号分离方法及终端设备与流程

本发明属于变压器信号分析技术领域，尤其涉及一种变压器振动信号分离方法及终端设备。

背景技术：

电力变压器是电力系统最重要的设备之一，如果电力变压器出现故障，将导致大面积停电，严重影响民众的生产生活。电力变压器上的铁心和绕组是发生故障较多的部件。目前，基于振动分析法所测的电力变压器油箱表面信号包含铁心及绕组等部件丰富的振动信息。振动信号自振动源产生以后，由于经过混叠及互相作用，并经过变压油、油箱固件等一系列通道传递到变压器表面，使得油箱表面所测的振动信号为铁心与绕组的混合信号。

为了及时发现故障隐患，需要将铁心及绕组的振动混合信号进行分离及故障诊断。现有技术中通常采用以独立成分分析(ica，independentcomponentcorrelationalgorithm)为代表的盲源分离算法将铁心及绕组的振动信号进行分离。但将此分离算法应用到变压器的振动信号分离时，由于铁心及绕组振动信号在振幅和频谱等方面相似性特别高，不满足ica等盲源分离算法对源信号独立性的要求，使得分离出的信号并不能准确地保留绕组及铁心的振动特性。

技术实现要素：

有鉴于此，本发明实施例提供了一种变压器振动信号分离方法及终端设备，以解决现有技术通过盲源分离算法对变压器振动信号进行处理后分离出的信号不能准确地保留绕组及铁心的振动特性的问题。

根据第一方面，本发明实施例提供了一种变压器振动信号分离方法，包括：获取所述变压器的振动信号；通过预设的分离模型对所述变压器的振动信号进行处理，得到所述变压器的铁心振动信号或绕组振动信号。

本发明实施例提供的变压器振动信号分离方法，由于使用预设的分离模型对变压器的振动信号进行分类，从而实现振动信号中铁心振动信号和绕组振动信号的分离，相较于传统的盲源分离算法，该方法的分离结果在可靠性和准确性方面均得到显著提高。

结合第一方面，在第一方面第一实施方式中，所述预设的分离模型为bp神经网络模型。

本发明实施例提供的变压器振动信号分离方法，选用bp神经网络模型对变压器的振动信号进行处理，能够实现振动信号中铁心振动信号和绕组振动信号的分类，从而使上述两种混合在一起的信号实现分离。

结合第一方面第一实施方式，在第一方面第二实施方式中，所述通过预设的分离模型对所述变压器的振动信号进行处理，得到所述变压器的铁心振动信号或绕组振动信号，包括：向所述bp神经网络模型输入所述变压器的振动信号；获取所述bp神经网络模型的输出信号，并将所述bp神经网络模型的输出信号作为所述变压器的铁心振动信号或绕组振动信号。

本发明实施例提供的变压器振动信号分离方法，通过向bp神经网络模型输入变压器的振动信号，能够使bp神经网络模型输出从振动信号中分类并提取出的铁心振动信号或绕组振动信号，从而使上述两种原本混合在一起的信号实现分离。

结合第一方面第一实施方式，在第一方面第三实施方式中，所述的变压器振动信号分离方法，还包括：训练所述bp神经网络模型。

本发明实施例提供的变压器振动信号分离方法，通过对bp神经网络模型进行训练，能够使其分类准确度和可靠度达到实际应用需要，从而保证变压器振动信号分离结果的可靠性和准确性，进而提高利用分离信号进行故障诊断的准确性和可靠性，对保障变压器长期稳定运行具有重要意义。

结合第一方面第三实施方式，在第一方面第四实施方式中，所述训练所述bp神经网络模型，包括：设置所述bp神经网络模型的初始参数；向所述bp神经网络模型的输入层输入预设的振动训练数据，向所述bp神经网络模型的输出层输入预设的铁心振动训练数据或绕组振动训练数据；根据所述bp神经网络模型的输出层的输出数据，计算所述bp神经网络模型的相关系数；判断所述相关系数是否大于或等于预设阈值；当所述相关系数大于或等于预设阈值时，记录所述bp神经网络模型的参数。

本发明实施例提供的变压器振动信号分离方法，利用预设的振动训练数据，以及预设的铁心振动训练数据和绕组振动训练数据，对bp神经网络模型进行训练，从而不断优化bp神经网络模型的参数，使其输出的分类或分离结果能够在准确性和可靠性等方面满足对变压器振动信号进行分离的要求。

结合第一方面第四实施方式，在第一方面第五实施方式中，当所述相关系数小于预设阈值时，重复执行所述向所述bp神经网络模型的输入层输入预设的振动训练数据，向所述bp神经网络模型的输出层输入预设的铁心振动训练数据或绕组振动训练数据；根据所述bp神经网络模型的输出层的输出数据，计算所述bp神经网络模型的相关系数的步骤，直至所述bp神经网络模型的相关系数大于或等于预设阈值。

本发明实施例提供的变压器振动信号分离方法，在对bp神经网络模型的训练未达到预设要求时，即bp神经网络模型的相关系数小于预设阈值时，控制bp神经网络模型不断重复进行训练和学习，从而不断优化bp神经网络模型的参数，保证训练结束后得到的最终的bp神经网络模型能够可靠应用于变压器振动信号分离。

根据第二方面，本发明实施例提供了一种变压器振动信号分离装置，包括：输入单元，用于获取所述变压器的振动信号；分离单元，用于通过预设的分离模型对所述变压器的振动信号进行处理，得到所述变压器的铁心振动信号或绕组振动信号。

结合第二方面，在第二方面第一实施方式中，所述预设的分离模型为bp神经网络模型。

根据第三方面，本发明实施例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如第一方面或第一方面任一实施方式所述方法的步骤。

根据第四方面，本发明实施例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如第一方面或第一方面任一实施方式所述方法的步骤。

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性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明实施例提供的变压器振动信号分离方法的一个具体示例的流程图；

图2示出了bp神经网络的结构示意图；

图3出了本发明实施例提供的变压器振动信号分离方法的另一个具体示例的流程图；

图4示出了某bp神经网络模型的学习效果图；

图5示出了bp神经网络模型对三种不同变负载工况下所得变压器振动信号进行分离处理的分离结果时频域图；

图6示出了另一bp神经网络模型对三种不同变负载工况下所得变压器振动信号进行分离处理的分离结果时频域图；

图7示出了本发明实施例提供的变压器振动信号分离装置的一个具体示例的结构示意图；

图8示出了本发明实施例提供的终端设备的一个具体示例的结构示意图。

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。

绕组是变压器中的核心部件，属于导电回路，通过将铝线或铜线缠绕在铁心上能够制成绕组，导线外一般采用纸绝缘。不同容量的变压器，其结构也各不相同，内部设置的绕组也不尽相同。在电力系统中，广泛应用的有圆筒式、纠结式、螺旋式、连续式这四种形式的绕组。由于高压绕组一般都是由较细的导线绕制，并且匝数较多，为了便于引出，一般布置在外侧；由于低压绕组电压较低且铁心对地绝缘容易布置，一般放置在内侧。但对于大型的三相变压器来说则刚好相反，高压绕组布置在内侧，低压绕组布置在外侧。

绕组的振动一般是由流过电流的绕组在漏磁场中所产生的电磁力引起的。为了得到绕组振动的具体形式，对于流过稳态短路电流的绕组来说，假设其元电流段i·dl处于磁感应强度为b的磁场中，可得绕组受到的电磁力为：

df＝b·i·dl(1)

其中，磁感应强度b为：

其中，μ表示磁导率；r表示绕组的半径。

由式(1)和式(2)得，绕组所受电磁力与电流平方成正比，即绕组的振动加速度与电流平方成正比，绕组的振动基频为二倍的电源频率(在我国，电源频率约为100hz)，其振动幅值正比于电流的平方。由于流过绕组的电流存在一定量的谐波成分，且受到垫块等材料的非线性约束，因此，绕组振动信号中含有一定量的100hz整数次谐波。

变压器的铁心一般由硅钢片制成。由于硅钢是一种磁导率较高的磁性物质，在通电线圈中会产生较高的磁感应强度，因此，为了降低涡流损耗，铁心用彼此绝缘的硅钢片叠成。

变压器的铁心振动大多数由其在交变磁场中的磁致伸缩现象导致，还有一小部分由硅钢片叠缝中漏磁场所产生的电磁力引起。由于现代制造工艺的发展，优化改进了铁心的叠积方式，因此，由叠片间漏磁场所引起的铁心振动信号近似可以忽略。但磁致伸缩现象不易控制，且能量较大，故认为铁心振动基本上是由硅钢片的磁致伸缩决定的。

通常来说，磁致伸缩率为：

ε＝δl/l(3)

其中，ε表示磁致伸缩率，δl表示励磁时硅钢片的长度变化量，l表示原始状态下硅钢片的长度。

假设变压器的运行电压为u1＝us·sinωt，由电磁感应原理，铁心中的磁感应强度为：

其中，φ表示磁通量，s表示铁心的横截面积，n表示匝数。为了简化问题，认为铁心内部的磁场强度h和磁感应强度b是线性关系，因此，铁心中磁场强度为：

其中，μ表示相对磁导率，hc表示铁心硅钢片矫顽力，bs表示铁心饱和时的磁感应强度。

在外磁场作用的影响下，由磁致伸缩效应所引起的铁心硅钢片的形变量满足以下关系式：

其中，εs为铁心硅钢片饱和时的磁感应强度。

联立式(3)、式(4)、式(5)和式(6)，可得由磁致伸缩效应所引起的铁心硅钢片的振动加速度为：

由式(7)可知，铁心硅钢片的振动加速度在数值上同电压平方呈正比：

ac∝us²(8)

根据以上分析，铁心硅钢片本体振动加速度的基频为二倍的电源频率(在我国，电源频率约为100hz)，其幅值正比于施加电压的平方。但考虑到铁心材料的非线性，在实际运行中可能存在饱和情况，且铁心内部的磁通量密度不均匀，因此铁心振动中可能存在幅值较高的高频谐波分量，且都是100hz的整数次谐波。

通过上文对变压器中绕组与铁心振动的分析，可以看出，二者在频率上较为近似，在幅值上分别与电流和电压的平方成正比，即二者在幅值上也存在着一定的关联性。

主流的振动信号分离算法是以ica为代表的盲源分离算法，其分离速度较快，但将上述分离算法应用到变压器振动信号分离时，由于绕组振动信号和铁心振动信号在频谱、幅值及复杂度等方面相似性较高，不满足ica对源信号独立性的要求，因此分离结果的可靠性和准确性较差。针对传统盲源分离算法的分离结果在可靠性和准确性方面表现较差的问题，基于监督学习算法中的bp神经网络，本发明实施例将混合的变压器振动信号作为输入层，将铁心振动信号和绕组振动信号作为输出层，在同一个测点构建bp神经网络模型并令该模型对变压器振动信号、铁心振动信号和绕组振动信号进行学习；而后利用已经学习好的网络，对不同工况下的混合的变压器振动信号进行分离，得到该工况对应的铁心振动信号与绕组振动信号。通过实验，证明该方法的分离结果可靠准确。

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。

本发明实施例提供了一种变压器振动信号分离方法，如图1所示，该方法可以包括以下步骤：

步骤s101：获取变压器的振动信号。在一具体实时方式中，可以利用基于压电式振动加速度传感器的变压器测振系统采集变压器油箱表面的振动信号，该振动信号可近似认为是绕组及铁心振动信号的混合。

步骤s102：通过预设的分离模型对变压器的振动信号进行处理，得到变压器的铁心振动信号和/或绕组振动信号。在一具体实时方式中，可以选用bp神经网络模型作为预设的分离模型，对变压器的振动信号进行分离处理。bp(backpropogation)神经网络是三层或三层以上的多层神经网络，每一层有若干个神经元构成，如图2所示。通过从微观结构、功能上模拟人脑的组织结构和运行机制，神经网络能够实现人脑的某些功能。它不需要建模找到被描述对象之间的映射关系，适用于描述不确定性系统和非线性系统。神经网络具有自学习能力强、可并行计算、分布式信息存储和自适应等优点，因此广泛应用于非线性领域。在如图2所示的bp神经网络中，上下各神经元之间无连接，左、右各层之间各个神经元全连接。bp神经网络按导师学习方式进行训练，当提供给网络一对学习模式后，其神经元的激活值将从由输入层201经隐含层202向输出层203传播，在输出层203的各神经元输出对应的网络响应。然后，按照减少输出与实际输出误差的原则，由输出层203到输入层201逐层修正各连接权，这个过程称为“误差逆传播算法”。随着误差逆传播训练的不断修正，网络对输入模式响应的正确率不断提高。通过调整层间连接权值和节点阈值，使bp神经网络的实际输出和期望输出之间的误差稳定在一个较小的值内。由上分析，bp神经网络适用于输出信号对输入信号没有反馈影响的情况，适合于绕组和铁心的振动信号分离。

在另一具体实施方式中，如图3所示，可以通过一下几个子步骤实现步骤s102的过程：

步骤s1021：向bp神经网络模型输入变压器的振动信号；

步骤s1022：获取bp神经网络模型的输出信号，并将bp神经网络模型的输出信号作为变压器的铁心振动信号或绕组振动信号。若用于对振动信号进行处理的bp神经网络模型是事先利用铁心振动相关信号训练得到的，则对应得到的bp神经网络模型的输出信号可以作为变压器的铁心振动信号；若用于对振动信号进行处理的bp神经网络模型是事先利用绕组振动相关信号训练得到的，则对应得到的bp神经网络模型的输出信号可以作为变压器的绕组振动信号。

可选的，如图3所示，变压器振动信号分离方法还可以包括以下步骤：

步骤s103：训练bp神经网络模型。在一具体实时方式中，可以通过以下几个子步骤实现步骤s103训练bp神经网络模型的步骤：

步骤s1031：设置bp神经网络模型的初始参数。具体的，bp神经网络模型的初始参数可以包括隐层数、隐层节点数、学习速率、控制精度和迭代次数等。

步骤s1032：向bp神经网络模型的输入层输入预设的振动训练数据，向bp神经网络模型的输出层输入预设的铁心振动训练数据或绕组振动训练数据。通过向bp神经网络模型的输入层输入预设的振动训练数据，并向该bp神经网络模型的输出层输入预设的铁心振动训练数据，经训练后，该该bp神经网络模型能够用于提取变压器振动信号中的铁心振动信号。同理，通过向bp神经网络模型的输入层输入预设的振动训练数据，并向该bp神经网络模型的输出层输入预设的绕组振动训练数据，经训练后，该该bp神经网络模型能够用于提取变压器振动信号中的绕组振动信号。

步骤s1033：根据bp神经网络模型的输出层的输出数据，计算bp神经网络模型的相关系数。

步骤s1034：判断相关系数是否大于或等于预设阈值。当相关系数大于或等于预设阈值时，执行步骤s1035；当相关系数小于预设阈值时，返回步骤s1032，直至bp神经网络模型的相关系数大于或等于预设阈值。具体的，可以将预设阈值设定为0.8。

步骤s1035：记录bp神经网络模型的参数。当相关系数大于或等于预设阈值时，可以认为对应的bp神经网络模型已完成训练，其最终所得各个参数表征的bp神经网络模型能够用于对变压器振动信号的分离。

通过上述执行步骤s1031至步骤s1035，完成对bp神经网络模型的训练，训练所得的最终的bp神经网络模型可以用于对变压器振动信号的分离。本发明实施例提供的变压器振动信号分离方法，通过对bp神经网络模型进行训练，能够使其分类准确度和可靠度达到实际应用需要，从而保证变压器振动信号分离结果的可靠性和准确性，进而提高利用分离信号进行故障诊断的准确性和可靠性，对保障变压器长期稳定运行具有重要意义。

在bp神经网络训练过程中，对于输入到bp神经网络输入层和输出层的数据，bp神经网络会默认将其分成三组：70％的数据用来训练，作为训练集；15％的数据用来验证，作为验证集；15％的数据用来检测，作为检测集。图4是某bp神经网络模型的学习效果图。图4中横轴的“目标”表示输出层数据，纵轴的“输出”表示所训练的bp神经网络对于输入层的信号进行模拟得到的输出数据。图4中的r为相关系数，r的取值范围为[0,1]，且r值越大，相关系数越高。由图4可知，该bp神经网络的训练集的相关系数为0.979，验证集的相关系数为0.987，检测集的相关系数为0.978，总体数据的相关系数为0.979，均十分接近1，因此，可以认为该bp神经网络模型的学习效果良好，可以利用完成训练的bp神经网络模型进行变压器振动信号的分离。

图5是铁心bp神经网络模型对三种不同变负载工况下所得变压器振动信号进行分离处理的分离结果时频域图。在图5中，不同变负载工况下所对应的铁心振动源信号为501，利用已经训练好的bp神经网络模型所模拟得到的分离的铁心振动信号为502。由时域图可以看出，铁心振动源信号与分离出的信号波形类似，但存在一定的相位差；从频域图可以看出，铁心振动源信号与分离出的信号在基频100hz、主频200hz处的振动幅值几乎完全一样，只是在高次谐波，如400hz和500hz等处的幅值存在差异，总体分离效果理想。图5中，纵坐标据表示振动的加速度，单位为m/s²。

同理，可以利用已经训练好的绕组bp神经网络模型分离变压器振动信号。如图6所示，不同变负载工况下所对应的绕组振动源信号为601，利用已经训练的绕组bp神经网络模型分离得到的绕组振动信号为602。由于绕组波形毛刺较多，对称性较差，且绕组振动源信号与经过bp神经网络模型分离出的绕组振动信号存在一定的相位差，因此，由时域图并不容易直观的看出分离的效果；但在经过傅里叶变化以后的频域图可以看出，绕组振动源信号与分离出的绕组振动信号在各个频率下的振动幅值几乎完全一样，认为分离效果总体理想。图6中，纵坐标据表示振动的加速度，单位为m/s²。

本发明实施例提供的变压器振动信号分离方法，由于使用预设的分离模型对变压器的振动信号进行分类，从而实现振动信号中铁心振动信号和绕组振动信号的分离，相较于传统的盲源分离算法，该方法的分离结果在可靠性和准确性方面均得到显著提高。

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。

本发明实施例还提供了一种变压器振动信号分离装置，如图7所示，该装置可以包括：输入单元701和分离单元702。

其中，输入单元701用于获取变压器的振动信号；其具体的工作过程可参见上述方法实施例中步骤s101所述。

分离单元702用于通过预设的分离模型对变压器的振动信号进行处理，得到变压器的铁心振动信号和/或绕组振动信号；其具体的工作过程可参见上述方法实施例中步骤s102所述。在一具体实施方式中，预设的分离模型可以为bp神经网络模型。

可选的，变压器振动信号分离装置还可以包括训练单元703。训练单元703用于训练所述bp神经网络模型；其具体的工作过程可参见上述方法实施例中步骤s103所述。

图8是本发明一实施例提供的终端设备的示意图。如图8所示，该实施例的终端设备800包括：处理器801、存储器802以及存储在所述存储器802中并可在所述处理器801上运行的计算机程序803，例如变压器振动信号分离程序。所述处理器801执行所述计算机程序803时实现上述各个变压器振动信号分离方法实施例中的步骤，例如图1所示的步骤s101至步骤s103。或者，所述处理器801执行所述计算机程序803时实现上述各装置实施例中各模块/单元的功能，例如图7所示输入单元701、分离单元702和训练单元703的功能。

示例性的，所述计算机程序803可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器802中，并由所述处理器801执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序803在所述终端设备800中的执行过程。

所述终端设备800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801、存储器802。本领域技术人员可以理解，图8仅仅是终端设备800的示例，并不构成对终端设备800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801可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、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802可以是所述终端设备800的内部存储单元，例如终端设备800的硬盘或内存。所述存储器802也可以是所述终端设备800的外部存储设备，例如所述终端设备800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802还可以既包括所述终端设备800的内部存储单元也包括外部存储设备。所述存储器802用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器802还可以用于暂时地存储已经输出或者将要输出的数据。

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。

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，本发明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。

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。