基于深度状态空间模型的可解释过程监测方法及相关设备

技术领域

本申请属于工业过程监测技术领域，尤其涉及一种基于深度状态空间模型的可解释过程监测方法及相关设备。

背景技术

在当代工业生产过程中，过程监测是维护生产线安全和稳定性的关键。传统的基于模型的方法要求预先具备物理和数学知识，仅适用于结构简单、数学表达清晰的系统。然而，随着现代工业过程的复杂化，建立模型变得困难。现代工业硬件设备和大数据分析工具快速发展，大量过程数据被记录和收集。基于数据的过程监控方法仅依赖于测量的过程变量，设计要求较为简单，因此快速发展。如何处理过程变量之间的复杂非线性关系是过程监测准确与否的关键，核方法和深度学习是解决变量间非线性关系的主要策略。核方法通过将非线性关系从原始空间映射到高维空间，将其转化为线性相关关系。然而，核方法对核函数和超参数的选择非常敏感。因此，深度学习由于其强大的非线性特征提取能力而被广泛应用于过程监测领域。

基于深度学习的过程监测方法能够通过无监督训练提取特征，进而构建对故障敏感的统计量，实现故障检测。然而，基于深度学习的过程监测方法难以应用的根本原因是其不具备可解释性，这导致现场工人难以相信模型的准确性，否则误报、漏报将造成人力浪费与经济损失。

发明内容

本申请实施例提供了一种基于深度状态空间模型的可解释过程监测方法及相关设备，可以解决工业过程监测模型不具备可解释性，造成过程故障监测结果的可信度低的问题。

第一方面，本申请实施例提供了一种基于深度状态空间模型的可解释过程监测方法，包括：

获取多个历史时刻的工业过程数据样本，并利用聚类算法对获取到的工业过程数据样本进行模态划分，得到每个历史时刻的工业过程数据样本对应的模态标签；

将携带有模态标签的工业过程数据样本按照时间窗进行分割，生成训练样本集；

构建深度状态空间模型；深度状态空间模型的生成网络的隐变量包括可理解的离散部分和不可理解的连续部分，离散部分用于反映工业过程数据所属工业系统的工况，连续部分用于反映工业系统的状态；

利用训练样本集对深度状态空间模型进行训练，得到训练后的深度状态空间模型；其中，训练过程中以最大化观测的对数似然和最小化模态的分类交叉熵作为模型训练损失；

利用训练后的深度状态空间模型对在线工业过程数据进行处理，得到隐变量监测指标和观测值监测指标；

根据隐变量监测指标和观测值监测指标，确定工业系统是否存在故障。

第二方面，本申请实施例提供了一种基于深度状态空间模型的可解释过程监测装置，包括：

获取模块，用于获取多个历史时刻的工业过程数据样本，并利用聚类算法对获取到的工业过程数据样本进行模态划分，得到每个历史时刻的工业过程数据样本对应的模态标签；

生成模块，用于将携带有模态标签的工业过程数据样本按照时间窗进行分割，生成训练样本集；

构建模块，用于构建深度状态空间模型；深度状态空间模型的生成网络的隐变量包括可理解的离散部分和不可理解的连续部分，离散部分用于反映工业过程数据所属工业系统的工况，连续部分用于反映工业系统的状态；

训练模块，用于利用训练样本集对深度状态空间模型进行训练，得到训练后的深度状态空间模型；其中，训练过程中以最大化观测的对数似然和最小化模态的分类交叉熵作为模型训练损失；

处理模块，用于利用训练后的深度状态空间模型对在线工业过程数据进行处理，得到隐变量监测指标和观测值监测指标；

故障分析模块，用于根据隐变量监测指标和观测值监测指标，确定工业系统是否存在故障。

第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的可解释过程监测方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的可解释过程监测方法。

本申请的上述方案有如下的有益效果：

在本申请的实施例中，通过在深度状态空间模型的隐变量中引入具备实际意义的离散部分使隐变量部分可理解，并以最大化观测的对数似然和最小化模态的分类交叉熵作为模型训练损失，对深度状态空间模型进行训练，显著提高了模型的可解释性，从而使得在利用该深度状态空间模型对在线工业过程数据进行分析处理时，基于该模型的推理网络输出的隐变量监测指标和观测值监测指标确定的故障监测结果的可解释性强，进而大大提升了工业过程故障监测结果的可信度。

本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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他的附图。

图1为本申请一实施例提供的基于深度状态空间模型的可解释过程监测方法的流程图；

图2为本申请实施例提供的深度状态空间模型的示意图；

图3为本申请实施例中故障1基于

图4为本申请实施例中故障2基于

图5为本申请实施例中故障3基于

图6为本申请实施例中故障4基于

图7为本申请实施例中故障5基于

图8为本申请实施例中故障1基于

图9为本申请实施例中故障2基于

图10为本申请实施例中故障3基于

图11为本申请实施例中故障4基于

图12为本申请实施例中故障5基于

图13为本申请一实施例提供的终端设备的结构示意图。

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，以便透彻理解本申请实施例。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申请。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申请的描述。

应当理解，当在本申请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。

如在本申请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]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

针对目前工业过程监测模型不具备可解释性，造成过程故障监测结果的可信度低的问题，本申请实施例提供了一种基于深度状态空间模型的可解释过程监测方法，通过在深度状态空间模型的隐变量中引入具备实际意义的离散部分使隐变量部分可理解，并以最大化观测的对数似然和最小化模态的分类交叉熵作为模型训练损失，对深度状态空间模型进行训练，显著提高了模型的可解释性，从而使得在利用该深度状态空间模型对在线工业过程数据进行分析处理时，基于该模型的推理网络输出的隐变量监测指标和观测值监测指标确定的故障监测结果的可解释性强，进而大大提升了工业过程故障监测结果的可信度。

下面结合具体实施例对本申请实施例提供的基于深度状态空间模型的可解释过程监测方法进行示例性说明。

如图1所示，本申请实施例提供的基于深度状态空间模型的可解释过程监测方法包括如下步骤：

步骤11，获取多个历史时刻的工业过程数据样本，并利用聚类算法对获取到的工业过程数据样本进行模态划分，得到每个历史时刻的工业过程数据样本对应的模态标签。

上述工业过程数据样本具体包含的数据内容由工业过程的工艺要求和流程等决定。示例性的，若上述工业过程为钾盐浮选过程，则上述工业过程数据样本具包括在历史时刻的重量、温度、流量、电流等实时可测变量。

上述多个历史时刻的工业过程数据样本包括故障样本和正常样本，上述模态划分可以理解为工况划分，如将各工业过程数据样本划分为正常浮选、过浮选、弱浮选、少浮选四种工况，并将所属工况作为工业过程数据样本的模态标签。

在本申请的一些实施例中，可通过对工业过程进行监测得到上述工业过程数据样本。

在本申请的一些实施例中，为提升训练准确性，在获取到多个历史时刻的工业过程数据样本后，可先对对获取到的工业过程数据样本进行异常数据剔除、缺失值补全以及数据归一化等预处理，然后利用kmeans算法(kmeans算法是一种聚类算法)对预处理后的工业过程数据样本进行模态划分，得到每个历史时刻的工业过程数据样本对应的模态标签。

在本申请的一些实施例中，缺失值和异常数据均通过均值填充。随后对样本各个维度进行标准分数(Z-score)标准化，使各维度特征服从标准正态分布。对预处理后的工业过程数据样本进行聚类，选择聚类中心数为4。每个样本都被划分为4种工况之一。

利用kmeans算法对工业过程数据样本进行模态划分的表达式为：

X

其中，

步骤12，将携带有模态标签的工业过程数据样本按照时间窗进行分割，生成训练样本集。

在本申请的一些实施例中，可按照时间窗对携带有模态标签的工业过程数据样本进行分割，其中时间窗口长度T＝20，窗口滑动步长为1。其中，所有故障数据与部分正常数据被选择为测试样本集，其中每个故障的起始点前与终止点后均保留100个正常样本，其余的样本均作为训练样本集。

步骤13，构建深度状态空间模型，该深度状态空间模型的生成网络的隐变量包括可理解的离散部分和不可理解的连续部分，离散部分用于反映工业过程数据所属工业系统的工况，连续部分用于反映工业系统的状态。

其中，该工业系统的工况的具体形式由工业过程决定，不可理解的系统状态由高维特征表示，没有具体的分类和含义。示例性的，若上述工业过程为钾盐浮选过程，则该工况可以分为正常浮选、过浮选、弱浮选、少浮选。

在本申请的一些实施例中，上述深度状态空间模型由生成网络和推理网络两部分构成，其中生成网络定义为：

z

其中，z

需要说明的是，c

具体的，

其中，g

用来参数化z

其中，p(x

上述深度状态空间模型的推理网络得到的后验隐变量

其中，

模型训练目标的主体是最大化观测的似然函数，其可以通过变分贝叶斯方法推导得到变分下界：

其中，p

推理网络用于参数化变分后验

其中，

因此在训练过程中，隐变量后验的联合分布

其中，

如前文所述，一个双向循环神经网络被用于参数化

其中，

步骤14，利用训练样本集对深度状态空间模型进行训练，得到训练后的深度状态空间模型，在训练过程中以最大化观测的对数似然和最小化模态的分类交叉熵作为模型训练损失。

即，模型的损失函数由最大化观测的对数似然和最小化模态的分类交叉熵损失这两部分组成。最大化观测的对数似然损失搭建了模型参数辨识、状态估计的整体框架。最小化模态的分类交叉熵损失旨在使生成网络、推理网络估计的离散隐变量能正确反映系统的工况，其定义为：

其中，

传统深度状态空间模型中的连续隐变量(即连续部分)是不可理解的，引入具备实际意义的离散变量(即离散部分)可以使隐变量部分可理解。若生成网络能够基于上一时刻隐变量准确预测出当前时刻系统工况，那么生成网络能够准确建模系统的演化规律。同样的，若推理网络能够准确对当前工况进行划分，那么后验概率分布的正确性更高。同时，不同模态对应的离散隐变量将导致推理网络和生成网络处于不同的激发状态，有利于其建模多工况下不同分布的过程数据。综上所述，在利用训练样本集对深度状态空间模型进行训练的过程中，可通过如下公式计算模型训练损失

其中，隐变量的离散部分d

在本申请的一些实施例中，训练后的深度状态空间模型能处理多模态的工业过程数据，其可以理解为一种状态估计器，可以通过量化估计值与真实值之间的差异判断系统(即工业过程数据所属工业系统)是否按照原状态演化或出现严重偏移。

具体的，在将下线获取到的工业过程数据输入训练后的深度状态空间模型的推理网络进行处理后，能得到用于表征工业系统是否按照原状态演化或出现严重偏移的两个监测指标：隐变量监测指标

其中，u

步骤15，利用训练后的深度状态空间模型对在线工业过程数据进行处理，得到隐变量监测指标和观测值监测指标。

在本申请的一些实施例中，可获取当前监测时刻及当前监测时刻前T1个时刻的工业过程数据。具体的，可基于包含当前监测时刻在内的预设个(如T个，T可以理解为训练深度状态空间模型时工业过程数据样本的时间窗口长度)时刻点的工业过程数据对工业系统进行故障分析。可以理解的是，基于这些工业过程数据得到的故障分析结果可以理解为当前监测时刻的故障分析结果。

其中，上述工业过程数据具体包含的数据内容由工业过程的工艺要求和流程等决定。示例性的，若上述工业过程为钾盐浮选过程，则上述工业过程数据具包括重量、温度、流量、电流等实时可测变量。

在本申请的一些实施例中，可通过对工业过程进行监测得到上述在线工业过程数据。

需要说明的是，为提升模型输出结果的准确性，在获取到工业过程数据后，可先对该工业过程数据进行异常数据剔除、缺失值补全以及数据归一化等预处理，然后再将预处理后的工业过程数据输入训练后的深度状态空间模型的推理网络进行处理，得到隐变量监测指标和观测值监测指标。

步骤16，根据隐变量监测指标和观测值监测指标，确定工业系统是否存在故障。

在本申请的一些实施例中，可根据隐变量监测指标和观测值监测指标，确定工业系统的评估统计量；若评估统计量满足预设故障条件，则确定工业系统存在故障；若评估统计量不满足预设故障条件，则确定工业系统不存在故障。

上述评估统计量主要用于评估系统的性能，该评估统计量包括隐变评估统计量

在本申请的一些实施例中，可通过公式

其中，∑

实际上，上述公式公式

在本申请的一些实施例中，在计算得到工业系统的评估统计量后，可判断评估统计量是否满足预设故障条件，进而便于判断工业系统是否存在故障。

具体的，可判断隐变评估统计量

需要说明的是，上述隐变监测阈值η

值得一提的是，本申请实施例提供的可解释过程监测方法通过在深度状态空间模型的隐变量中引入具备实际意义的离散部分使隐变量部分可理解，显著提高了模型的可解释性，从而使得在利用该深度状态空间模型对监测时刻的工业过程数据进行分析处理时，基于该模型的推理网络输出的隐变量监测指标和观测值监测指标确定的工业系统的评估统计量的可解释性强，进而使得基于该评估统计量分析出的工业过程故障监测结果的可信度得以大大提升。

下面结合具体实例对上述可解释过程监测方法进行示例性说明。

在该实例中，工业过程为钾盐浮选过程，在该工业过程中，上述可解释过程监测方法包括如下步骤：

步骤S1，获取钾盐浮选过程历史数据。

在该实例中，获取了24348个时间工业过程样本点，每个样本点包含89维度特征。其中包含5种故障，故障样本数分别为：1079，445，312，611，267。如表1，工业过程数据包括重量、温度、流量、电流等实时可测变量。

/>

表1

步骤S2，对历史数据进行异常数据剔除、缺失值补全以及数据归一化等预处理；利用kmeans算法对预处理后的历史数据进行模态划分，获得每个时刻数据对应的模态标签。

在该实例中，缺失值和异常数据均通过均值填充；随后对样本各个维度进行Z-score标准化，使各维度特征服从标准正态分布；对预处理后的历史工业过程数据进行聚类，选择聚类中心数为4。每个样本都被划分为4种工况之一。

步骤S3，将带有模态标签的工业过程数据按照时间窗进行分割，生成训练样本集。

在该实例中，将预处理后的历史工业过程数据按照时间窗进行分割，其中时间窗口长度T＝20，窗口滑动步长为1。上述故障数据与部分正常数据被选择为测试样本集，其中每个故障的起始点前与终止点后均保留100个正常样本，其余20615个样本均作为训练样本集。

步骤S4，离线构建并训练如图2所示的可解释的深度状态空间模型，基于训练样本集，以最大化观测的对数似然和最小化模态的分类误差作为损失，训练可解释的深度状态空间模型。

其中，图2中的x

步骤S41，在该实例中，

其中，p(z

其中，σ

发射网络

其中，MLPσ

步骤S42，在该实例中，一个双向循环神经网络(rnn)被用于参数化变分后验分布(图2中虚线表示用于参数化变分后验分布的rnn)，其具体定义为：

其中rnn隐藏层包含100个神经元，上方箭头表示循环神经网络的方向。

步骤S43，在该实例中，指导网络训练的损失函数定义为：

经过因式分解后，变分下界的解析形式是存在的，因此可以直接使用梯度下降法优化传递网络与推理网络的参数。本实例选择Adam优化器，学习率为1e

步骤S5，分别依据训练后模型的隐变量和重构的观测值构建统计量

步骤S51，在该实例中，深度状态空间模型是一种状态估计器，可以通过量化估计值与真实值之间的差异判断系统是否按照原状态演化或出现严重偏移。因此，两个监测指标可以定义为：

其中u

步骤S52，基于这些检测指标构建测试统计数据，以进一步评估系统的性能：

/>

其中∑

步骤S6，利用核密度估计分别确定统计量

在该实例中，使用核密度估计方法来确定两个统计量的控制限η

步骤S61，将训练集中的样本输入训练好的深度状态空间模型得到先验隐变量、后验隐变量和估计的观测值。

步骤S62，根据先验隐变量与后验隐变量的差异和估计的观测值与真实观测的差异分别计算两种测试统计量。

步骤S63，将两种测试统计量分别排序并使用核密度估计计算每个样本对应的测试统计量的概率密度函数。

步骤S64，对每个概率密度序列计算概率密度分布，根据概率密度分布与设定的误报警率确定控制限。

步骤S65，将测试集五种故障样本输入共同特征提取网络和特殊特征提取网络分别计算两种测试统计量。

步骤S7，对于实际工业过程在线数据，按上述方法预处理，输入至上述训练后的模型，在线计算统计量

在该实例中，图3，4，5，6，7分别展示了五类故障基于

表2

表3

表2具体记录了本申请与其他四种先进方法的故障检测对比结果。故障误报率由测试样本集中的正常样本确定。在该实施例中，动态VAE的平均误报率高于期望的0.5％，且故障漏报率较高，故障诊断整体效果最差。本申请的故障诊断效果最好，其次是LSTM、DMM和动态AAE。实验结果证明了在工况信息的辅助下，本申请能够较好地建模系统的演化规律。

在该实例中定义了隐变量代表当前时刻工况，表3展示了本申请通过生成网络和推理网络进行工况划分的精度。生成网络和推理网络均同时完成了最大化观测似然和工况划分任务，具备多任务学习的优势。表3中的先验工况分类精度和后验工况分类精度均为0.996，分别表示生成网络和推理网络的工况划分精度。可以看出不论是生成网络还是推理网络都可以很好地估计得到当前时刻系统所处工况，这解释了本申请故障检测效果较好的原因。

综上，本申请实施例提供的可解释过程监测方法具备如下优点：

(1)模型通过引入具备实际意义的离散变量使隐变量部分可理解，进而可以通过实时观察该部分离散隐变量来判断模型的适用性，显著提高了模型的可信度；

(2)本申请中的离散隐变量的含义被定义为当前工况，以独热编码的形式表示；不同工况对应的离散隐变量使生成模型和推理模型置于不同的初始激发状态以便建模不同分布数据；

(3)本申请沿用了状态空间模型的框架，利用深度网络代替传统模型中的线性矩阵，同时将噪声考虑到了模型构建过程，能够有效应对工业过程数据的动态性和高噪声；

(4)本申请基于提出的深度状态空间模型的特点建立两种不同的统计数据来监测状态空间与观测空间，能获得更多的故障信息。

下面结合具体实施例对本申请提供的基于深度状态空间模型的可解释过程监测装置进行示例性的说明。

本申请实施例提供的可解释过程监测装置包括：

获取模块，用于获取多个历史时刻的工业过程数据样本，并利用聚类算法对获取到的工业过程数据样本进行模态划分，得到每个历史时刻的工业过程数据样本对应的模态标签；

生成模块，用于将携带有模态标签的工业过程数据样本按照时间窗进行分割，生成训练样本集；

构建模块，用于构建深度状态空间模型；深度状态空间模型的生成网络的隐变量包括可理解的离散部分和不可理解的连续部分，离散部分用于反映工业过程数据所属工业系统的工况，连续部分用于反映工业系统的状态；

训练模块，用于利用训练样本集对深度状态空间模型进行训练，得到训练后的深度状态空间模型；其中，训练过程中以最大化观测的对数似然和最小化模态的分类交叉熵作为模型训练损失；

处理模块，用于利用训练后的深度状态空间模型对在线工业过程数据进行处理，得到隐变量监测指标和观测值监测指标；

故障分析模块，用于根据隐变量监测指标和观测值监测指标，确定工业系统是否存在故障。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

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。

如图13所示，本申请的实施例提供了一种终端设备，如图13所示，该实施例的终端设备D10包括：至少一个处理器D100(图13中仅示出一个处理器)、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102，所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。

具体的，所述处理器D100执行所述计算机程序D102时，通过在深度状态空间模型的隐变量中引入具备实际意义的离散部分使隐变量部分可理解，并以最大化观测的对数似然和最小化模态的分类交叉熵作为模型训练损失，对深度状态空间模型进行训练，显著提高了模型的可解释性，从而使得在利用该深度状态空间模型对在线工业过程数据进行分析处理时，基于该模型的推理网络输出的隐变量监测指标和观测值监测指标确定的故障监测结果的可解释性强，进而大大提升了工业过程故障监测结果的可信度。

所称处理器D100可以是中央处理单元(CPU，Central Processing Unit)，该处理器D100还可以是其他通用处理器、数字信号处理器(DSP，Digital Signal Processor)、专用集成电路(ASIC，Application Specific Integrated Circuit)、现成可编程门阵列(FPGA，Field-Programmable Gate Array)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D101在一些实施例中可以是所述终端设备D10的内部存储单元，例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备，例如所述终端设备D10上配备的插接式硬盘，智能存储卡(SMC，SmartMedia Card)，安全数字(SD，Secure Digital)卡，闪存卡(Flash Card)等。进一步地，所述存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

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。

本申请实施例还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可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。

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，本申请实现上述实施例方法中的全部或部分流程，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至少可以包括：能够将计算机程序代码携带到可解释过程监测装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

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申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络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。

以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。