一种基于LSTM和TCN的旋转机械故障诊断方法及系统

一种基于lstm和tcn的旋转机械故障诊断方法及系统
技术领域
1.本发明属于旋转机械的深度学习故障诊断技术领域，具体涉及一种基于长短期记忆(long short-term memory，lstm)网络和时域卷积网络(temporal convolutional network，tcn)的旋转机械故障诊断方法及系统。


背景技术：

2.随着工业的发展，机械设备变得越来越复杂，其中旋转机械作为机械设备中的关键设备，已经被广泛应用到核电、火电、化工、航空航天等领域。旋转机械的工作环境通常极为恶劣，很容易发生各种各样的故障，最终导致不必要的时间和经济损失，甚至造成人员的伤亡。而在旋转机械中，轴承是一个非常关键的部件，对旋转机械中的转子起到了支撑作用。因此，旋转机械对安全性和可靠性的高需求使得在短时间内准确有效地诊断出其轴承发生的故障是至关重要的。
3.当前，随着工业大数据时代的到来和传感器技术的发展，传统的故障诊断方法已经无法满足海量数据的诊断需求。基于传统人工经验的故障诊断对于异常工况的诊断能力十分有限，为保证故障工况下机械设备的安全性，可以加强对工作人员的培训，提高他们对突发故障的处理能力。但是这种故障诊断方法需要非常合理的人员配置以及大量的人力消耗，并且不能保证很高的诊断准确率。由此可见，大量的故障数据以及不合理的人员配置使得传统的人工故障诊断方法的弊端逐渐显露。而深度学习算法由于其强大的特征提取、非线性映射等能力，在故障诊断领域的应用愈发广泛，包括循环神经网络、卷积神经网络等。相比于传统的人工经验故障诊断方法，这些深度学习算法对于大量故障数据的诊断准确率有着极大的提升。
4.基于深度学习的故障诊断方法通过对信号的特征进行提取以及对不同故障特征的学习，可以拟合出最优的网络权值对信号的特征进行合理的分类，从而实现复杂系统端到端的高效准确故障诊断。这种智能诊断方法提高了机械设备的安全性，面对大量的数据也可以做到快速有效地处理，故障模式识别的准确率也得到了极大的提高。


技术实现要素：

5.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于lstm和tcn的旋转机械故障诊断方法及系统，用于解决统诊断方法诊断效率低、诊断效果差的技术问题。
6.本发明采用以下技术方案：
7.一种基于lstm和tcn的旋转机械故障诊断方法，包括以下步骤：
8.s1、采集旋转机械在不同位置不同类型的故障工况，以及正常工况下的振动信号数据，并划分得到训练集和测试集；
9.s2、对步骤s1得到的训练集进行预处理及归一化；
10.s3、构建多层lstm网络和多层tcn并联的旋转机械故障诊断模型；
11.s4、利用步骤s2得到的训练集对步骤s3构建的旋转机械故障诊断模型进行训练，将步骤s1得到的测试集输入训练好的旋转机械故障诊断模型中，实现旋转机械故障诊断。
12.具体的，步骤s1中，振动信号包括旋转机械在不同位置和时间点发生的故障征兆数据。
13.具体的，步骤s1中，训练集和测试集按8:2的比例划分。
14.具体的，步骤s3中，旋转机械故障诊断模型包括输入层、由lstm网络和tcn组成的并行特征提取层、特征合并层、全连接层、softmax层和输出层，梯度阈值为2。
15.进一步的，输入层：接收经归一化处理后的单维时间序列训练样本；
16.并行特征提取层：包含多层lstm模块和多层tcn模块；
17.特征合并层：用于将并行特征提取层提取的时空特征进行合并，输出更加全面的时空特征；
18.全连接层：把特征合并层得到的时空特征作为输入值，输出值为表示故障种类特征的单维向量；
19.softmax层：使用softmax函数，将任意大小一维向量的所有值进行压缩，处理后向量大小不变，所有元素的值都被压缩到[0，1]之间，并且所有的元素之和为1。
[0020]
更进一步的，并行特征提取层中的多层lstm模块包含多个隐含层；多层tcn模块包含4个残差块，每个残差块通过残差连接的方式相连。
[0021]
具体的，步骤s4中，训练过程的最大迭代次数为900，600次迭代以后学习率衰减为0.1。
[0022]
第二方面，本发明实施例提供了一种基于lstm和tcn的旋转机械故障诊断系统，包括：
[0023]
数据模块，采集旋转机械在不同位置不同类型的故障工况，以及正常工况下的振动信号数据，并划分得到训练集和测试集；
[0024]
预处理模块，用于对数据模块得到的训练集进行预处理及归一化；
[0025]
构建模块，用于构建多层lstm网络和多层tcn并联的旋转机械故障诊断模型；
[0026]
诊断模块，用于利用预处理模块得到的训练集对构建模块构建的旋转机械故障诊断模型进行训练，将数据模块得到的测试集输入训练好的旋转机械故障诊断模型中，实现旋转机械故障诊断。
[0027]
第三方面，一种计算机设备，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上述基于lstm和tcn的旋转机械故障诊断方法的步骤。
[0028]
第四方面，本发明实施例提供了一种计算机可读存储介质，包括计算机程序，所述计算机程序被处理器执行时实现上述基于lstm和tcn的旋转机械故障诊断方法的步骤。
[0029]
与现有技术相比，本发明至少具有以下有益效果：
[0030]
本发明一种基于lstm和tcn的旋转机械故障诊断方法，通过数据归一化的方式对获取的样本数据进行预处理，归一化之后数据特征被压缩至[0，1]之间，有利于提高交叉熵损失函数在梯度下降求最优解值时的速度，并且可以提高模型在训练时的精准度，构建多层lstm网络和多层tcn并联的旋转机械故障诊断模型；首次提出了将lstm网络和tcn相结合并行地对旋转机械故障进行诊断，能够准确地识别出具体的故障部位和故障类型。
[0031]
进一步的，通过实验或仿真方法获取旋转机械在典型故障工况下的振动信号，能够利用有限信号的频域特征对旋转机械的故障类型进行识别。
[0032]
进一步的，使用滑动窗口数据获取方式在不同工况下随机采集数据，其中80％数据作为训练集，包括在不同位置和时间点发生的各种类型的故障征兆数据，保证了训练集的多样性并且避免了不同工况下训练集出现数据倾斜。
[0033]
进一步的，采用多层lstm网络和多层tcn并行的架构，能够有效地对旋转机械设备的振动信号进行时空特征的提取，大大提高了预测模型的准确度。
[0034]
进一步的，对网络模型结构进行合理地设置，启发式地选取最优超参数，有利于提高预测准确度，全连接层可以将提取的特征很好地对应到故障类型，从而实现多种故障类型的高效准确诊断。
[0035]
进一步的，多层lstm模块包含多个隐含层，隐含层数过多会导致模型过拟合，降低模型泛化能力，层数过少会导致模型欠拟合，而降低模型预测准确度，设置多个隐含层，使得模型泛化能力与预测准确度达到最优；多层tcn模块包含多个残差块，多个残差块以及递增的隐含通道数使得tcn模块的网络深度增加，特征提取时的感受野逐渐变大，有利于提取有效的时空特征。
[0036]
进一步的，训练过程最大迭代次数设置为900，通过设置足够多的迭代次数以保证模型训练时的损失函数可达到收敛状态。600次迭代后学习率衰减值设为0.1，可以保证模型在反向传播更新权值参数时更快且更平滑地找到最优值，从而避免了损失函数在训练过程中的过度振荡。
[0037]
可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
[0038]
综上所述，本发明通过建立多层lstm网络和多层tcn并行的神经网络架构，准确地对旋转机械的故障进行诊断；面对一些未知的故障，预测的结果为与其特征最接近的现有故障，从而达到实时有效地诊断旋转机械故障类型的目的。
[0039]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0040]
图1为本发明的逻辑流程图；
[0041]
图2为lstm单元的结构图；
[0042]
图3为tcn中残差块的结构图；
[0043]
图4为lstm网络和tcn并行的诊断模型架构图；
[0044]
图5为美国凯撒西储大学公布的滚动轴承故障类型的信息图；
[0045]
图6为诊断模型在训练过程中训练集和测试集的对比示意图，其中，(a)为模型训练准确率曲线，(b)为模型训练损失曲线；
[0046]
图7为诊断模型测试集的混淆矩阵结果图。
具体实施方式
[0047]
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，本领域普通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。
[0048]
在本发明的描述中，需要理解的是，术语“包括”和“包含”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。
[0049]
还应当理解，在本发明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发明。如在本发明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。
[0050]
还应当进一步理解，在本发明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，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0051]
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
[0052]
取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
[0053]
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
[0054]
本发明提供了一种基于lstm和tcn的旋转机械故障诊断方法，选用旋转机械中具有代表性的滚动轴承作为诊断对象，以美国凯撒西储大学轴承数据中心公开的轴承故障诊断数据集作为样本数据，包括外圈故障、内圈故障和滚动体故障等不同位置不同类型的故障；在该样本数据中选取多种振动信号进行采样，建立多层lstm网络和多层tcn并行的旋转机械故障诊断模型，准确预测滚动轴承故障的位置和类型，达到旋转机械故障高效、准确诊断的目的。
[0055]
请参阅图1，本发明一种基于lstm和tcn的旋转机械故障诊断方法，包括以下步骤：
[0056]
s1、根据故障直径、负载数量、转速条件，采集旋转机械在不同位置不同类型的故障工况，以及正常工况下的振动信号数据，并划分得到训练集和测试集；
[0057]
振动信号包括旋转机械在不同位置和时间点发生的各种类型的故障征兆数据。
[0058]
以旋转机械中的核心部件滚动轴承为例，其不同位置不同类型的故障工况包括外圈数据、内圈数据、滚动体数据。
[0059]
根据上述数据故障类型，每种类型采集1000个数据，并且按照8:2的比例分为训练集和测试集，搭建好的旋转机械故障诊断模型使用划分的训练集进行训练，并用测试集来
评判旋转机械故障诊断模型的训练效果，使得故障诊断更加精确。
[0060]
s2、对步骤s1中采集到的训练集的振动信号进行预处理及归一化，预处理即将多维信号处理成所用训练框架能接收的格式；
[0061]
归一化的方法为：
[0062][0063]
其中，min(xi)是第i个数据样本中的最小值，max(xi)是第i个数据样本中的最大值。
[0064]
经过归一化后，训练集数据的范围被压缩的非常接近，可以在训练时使其快速收敛；归一化之后数据集的结构和数量不变。
[0065]
s3、构建多层lstm网络和多层tcn并联的旋转机械故障诊断模型；
[0066]
请参阅图2，单个lstm单元，包括一个遗忘门f
t
、一个输入门i
t
和一个输出门o
t
，每个lstm单元通过这三个门机制来对前一个时刻的隐含信息h
t-1
，上一个lstm单元细胞状态c
t-1
和当前输入x
t
进行有选择地筛选，并由tanh函数确定单个lstm单元的输出：
[0067]it
＝σ(wi[h
t-1
,x
t
]+bi)
[0068]ft
＝σ(wf[h
t-1
,x
t
]+bf)
[0069]ct
＝f
tct-1
+i
t
tanh(wc[h
t-1
,x
t
]+bc)
[0070]ot
＝σ(wo[h
t-1
,x
t
]+bo)
[0071]ht
＝o
t
tanh(c
t
)
[0072]
其中，σ表示sigmoid激活函数，wi、wf、wo和wc分别表示输入门、遗忘门、输出门和计算单元状态的权重矩阵；bi、bf、bo和bc分别表示输入门、遗忘门、输出门和计算单元状态的偏置项。
[0073]
请参阅图3，多层tcn中的单个残差块，包括两次空洞因果卷积、两次实例正则化、两次relu激活函数、两次dropout操作。
[0074]
请参阅图4，多层lstm网络和多层tcn并联的旋转机械故障诊断模型的架构包括输入层、由lstm网络和tcn组成的并行特征提取层、特征合并层、全连接层、softmax层和输出层；多层网络模型中设置梯度阈值为2，其余的初始权值随机生成，在训练过程中不断优化。
[0075]
多层lstm网络和多层tcn并联的旋转机械故障诊断模型结构具体如下：
[0076]
输入层：接收经过归一化处理后序列大小为512的单维时间序列训练样本；
[0077]
并行特征提取层：包含多层lstm模块和多层tcn模块，其中lstm模块包含256个隐含层，用于提取输入信号中隐藏的时间特征；tcn模块包含4个残差块，各个残差块的隐含通道数分别为64、128、256和256，每个残差块通过残差连接的方式相连使网络深度增加，并且有效地解决了深层网络模型存在的梯度弥散和网络退化问题，深层的tcn模块用于提取输入信号中隐藏的空间和时间特征，用来和lstm模块提取的时间特征进行互补。
[0078]
特征合并层：用于将并行特征提取层提取的时空特征进行合并，输出更加全面的时空特征。
[0079]
全连接层：把特征合并层得到的时空特征作为输入值，输出值为表示故障种类特征的单维向量；
[0080]
softmax层：使用softmax函数，将任意大小一维向量的所有值进行压缩，处理后向
量大小不变，所有元素的值都被压缩到[0，1]之间，并且所有的元素之和为1。
[0081]
s4、将步骤s2预处理及归一化后的不同位置不同类型的故障训练集输入步骤s3构建的多层lstm网络和多层tcn并联的旋转机械故障诊断模型进行训练，将步骤s1得到的测试集输入训练好的多层lstm网络和多层tcn并联的旋转机械故障诊断模型中，实现旋转机械故障诊断。
[0082]
将训练集输入多层lstm网络和多层tcn并联的旋转机械故障诊断模型中进行训练，由于深层神经网络需要从大量样本中不断地提取特征并优化网络权值参数以达到理想的分类结果，网络训练过程中设定最大迭代次数为900，600次迭代以后学习率衰减设置为0.1。
[0083]
本发明再一个实施例中，提供一种基于lstm和tcn的旋转机械故障诊断系统，该系统能够用于实现上述基于lstm和tcn的旋转机械故障诊断方法，具体的，该基于lstm和tcn的旋转机械故障诊断系统包括数据模块、预处理模块、构建模块以及诊断模块。
[0084]
其中，数据模块，采集旋转机械在不同位置不同类型的故障工况，以及正常工况下的振动信号数据，并划分得到训练集和测试集；
[0085]
预处理模块，对数据模块得到的训练集进行预处理及归一化；
[0086]
构建模块，构建多层lstm网络和多层tcn并联的旋转机械故障诊断模型；
[0087]
诊断模块，利用预处理模块得到的训练集对构建模块构建的旋转机械故障诊断模型进行训练，将数据模块得到的测试集输入训练好的旋转机械故障诊断模型中，实现旋转机械故障诊断。
[0088]
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，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，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于lstm和tcn的旋转机械故障诊断方法的操作，包括：
[0089]
采集旋转机械在不同位置不同类型的故障工况，以及正常工况下的振动信号数据，并划分得到训练集和测试集；对训练集进行预处理及归一化；构建多层lstm网络和多层tcn并联的旋转机械故障诊断模型；利用训练集对旋转机械故障诊断模型进行训练，将测试集输入训练好的旋转机械故障诊断模型中，实现旋转机械故障诊断。
[0090]
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。
需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0091]
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于lstm和tcn的旋转机械故障诊断方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
[0092]
采集旋转机械在不同位置不同类型的故障工况，以及正常工况下的振动信号数据，并划分得到训练集和测试集；对训练集进行预处理及归一化；构建多层lstm网络和多层tcn并联的旋转机械故障诊断模型；利用训练集对旋转机械故障诊断模型进行训练，将测试集输入训练好的旋转机械故障诊断模型中，实现旋转机械故障诊断。
[0093]
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
[0094]
实施例
[0095]
依托美国凯撒西储大学的滚动轴承故障数据集，选取48k驱动端加速度数据，包括外圈数据、内圈数据、滚动体数据，根据故障直径、负载数量、转速条件，对不同位置不同类型的故障以及正常工况下的合理振动信号进行采集，划分得到训练集和测试集；
[0096]
请参阅图5，为本发明在滚动轴承实验台中进行采样的样本数据，包括内圈故障(故障半径0.18mm)、外圈故障(故障半径0.18mm)、球故障(故障半径0.18mm)、内圈故障(故障半径0.36mm)、外圈故障(故障半径0.36mm)、球故障(故障半径0.36mm)、内圈故障(故障半径0.54mm)、外圈故障(故障半径0.54mm)、球故障(故障半径0.54mm)、正常工况共10类型，根据数据量大小的考量，设置滑动窗口大小为512。
[0097]
根据上述数据故障类型，每种类型采集1000个数据，并且按照8:2的比例分为训练集和测试集，搭建好的旋转机械故障诊断模型使用训练集进行训练，并用测试集来评判旋转机械故障诊断模型的训练效果，使得故障诊断更加精确。
[0098]
经过归一化后，数据的范围被压缩的非常接近，可以在网络训练时使其快速收敛；归一化之后数据集的结构和数量不变。
[0099]
使用测试集验证多层lstm网络和多层tcn并联的旋转机械故障诊断模型，并用10
×
10混淆矩阵对诊断性能进行评估。
[0100]
通过混淆矩阵对旋转机械故障诊断模型的诊断准确率进行评估，诊断准确率等于预测正确数量除以预测正确数量和误诊数量之和，其中混淆矩阵的行、列分别代表通过旋转机械故障诊断模型预测的故障种类和数据实际的故障种类，混淆矩阵中的数字记录了预测正确的数量和误诊的数量以及误诊的类别，通过矩阵可以得到旋转机械故障诊断模型最终的诊断准确率为98.65％。
[0101]
请参阅图6，为8000个训练数据在训练过程中的故障诊断准确率和交叉熵损失的变化曲线。准确率越接近100％、损失越接近0，分类效果越好。
[0102]
图6(a)为模型训练过程的准确率变化图，可以看到随着迭代次数的增加模型在训练集和测试集上的预测准确率呈上升趋势，并且最后稳定在98％。图6(b)为模型训练过程的损失值变化图，可以看到随着迭代次数的增加模型在训练集和测试集上的损失值呈下降趋势，并且最后稳定在0.1左右。通过图6可以看出经过迭代训练，模型可以达到很好的智能诊断效果。
[0103]
请参阅图7，其中对角线显示分类正确的数据量，可以直观地评估该模型在测试数据中的诊断性能。从图中可知，所构建的基于lstm网络和tcn并联的故障诊断模型可以准确预测2000个测试数据集中的1973个，能够对滚动轴承的故障进行准确地诊断。
[0104]
综上所述，本发明一种基于lstm和tcn的旋转机械故障诊断方法及系统，以旋转机械中的滚动轴承为验证实例，依托美国凯斯西储大学公开发表的滚动轴承故障数据样本，完成训练数据的采样，构建了多层lstm网络和多层tcn并联的故障诊断模型，通过训练使其能够有效地学习和提取滚动轴承的运行特征，实现轴承故障的准确预测，验证了所提出的方法能够达到旋转机械不同位置不同类型故障准确诊断的目的。
[0105]
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，并不用于限制本技术的保护范围。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。
[0106]
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。
[0107]
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。
[0108]
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。
[0109]
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。
[0110]
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。
[0111]
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(read-only memory，rom)、随机存取存储器(randomaccess memory，ram)、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是电载波信号和电信信号。
[0112]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0113]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0114]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0115]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。