基于BP神经网络的智能轮胎磨损寿命预估方法及装置

技术领域

本发明涉及神经网络技术领域，尤其涉及一种基于BP神经网络的智能轮胎磨损寿命预估方法及装置。

背景技术

随着汽车行业的不断发展，汽车已经逐渐成为人们出门的主要代步工具，车辆的安全行驶也逐渐成为人们关注的焦点。目前，我国在高速公路上发生的交通事故有半数以上是由于轮胎磨损问题引起的，大部分表现为爆胎，而爆胎的主要由轮胎表面磨损严重及轮胎气压异常，在高速行驶或急刹车等情况下引起。轮胎作为汽车的主要部件之一，影响车辆行驶时的性能和安全，对车辆轮胎检测的重要性不言而喻，可以很大程度上提高车辆行驶的安全性。

目前，汽车轮胎磨损程度的主要检测方法是人工检测，主要通过检测轮胎花纹深度及胎肩的花纹磨损来定义测量胎面花纹磨损程度，虽然能够凭借经验对汽车轮胎的磨损程度进行判断，但是精确度并不高，尤其对于新手来说较为困难。此外，日常生活中驾驶员经常会忽略对轮胎磨损程度的检查，从而引发事故。是以，一种能够准确预测出汽车轮胎磨损程度并定时提醒驾驶员的方法成为一种需求。

发明内容

针对上述问题，本发明提供了一种基于BP神经网络的智能轮胎磨损寿命预估方法及装置，基于BP神经网络技术，针对汽车轮胎磨损寿命预估提供了一种低成本、高效率的预测方法，解决了轮胎寿命预测的难题。

本发明提供的技术方案如下：

一方面，本发明提供了一种基于BP神经网络的智能轮胎磨损寿命预估方法，包括：

获取包含轮胎气压、车速、负载及轮胎径向2～6阶升高模态频率的数据集，并将所述数据集随机拆分为训练集、验证集及测试集；

创建BP神经网络模型，所述网络模型的输入为所述数据集中的数据，输出为轮胎磨损量；

基于所述训练集、验证集和预先设定的均方误差对所述BP神经网络模型训练，确定所述BP神经网络模型的结构及网络参数；

将所述测试集中的数据输入训练好的BP神经网络模型，对其数据所属轮胎的磨损寿命进行预估。

进一步优选地，所述BP神经网络模型中包括一层隐藏层，激活函数为tan sig；

所述创建BP神经网络模型中，包括：

根据隐藏层节点数、输入层节点数和输出层节点数之间的关系确定隐藏层节点数的范围：

其中，p为隐藏层节点数，n为输入层节点数，q为输出层节点数，a为1～10之间的常数；

根据所述隐藏层节点数的范围建立相应的BP神经网络模型。

进一步优选地，基于所述训练集和预先设定的均方误差对所述BP神经网络模型训练，确定所述BP神经网络模型的结构及网络参数中，包括：

依次对包含不同数量隐藏层节点数的BP神经网络模型进行迭代训练，并记录每次迭代后的均方误差，所述训练方法为trainlm训练法；

比较各次迭代的均方误差，选定均方误差最小值对应的节点数作为隐藏层节点数，并以此确定所述BP神经网络模型的结构及网络参数。

进一步优选地，在确定的所述BP神经网络模型的结构及网络参数中，隐藏层节点数为11，隐藏层各节点的激励函数为：

其中，O

BP神经网络模型预测的轮胎磨损量M为：

其中，purelin函数为输出层的激励函数；w

另一方面，本发明还提供了一种基于BP神经网络的智能轮胎磨损寿命预估装置，包括：

数据获取模块，用于获取包含轮胎气压、车速、负载及轮胎径向2～6阶升高模态频率的数据集，并将所述数据集随机拆分为训练集、验证集及测试集；

神经网络创建模块，用于创建BP神经网络模型，所述网络模型的输入为所述数据集中的数据，输出为轮胎磨损量；

神经网络训练模块，基于所述训练集、验证集和预先设定的均方误差对所述BP神经网络模型训练，确定所述BP神经网络模型的结构及网络参数；

轮胎磨损寿命预估模块，用于将所述测试集中的数据输入训练好的BP神经网络模型，对其数据所属轮胎的磨损寿命进行预估。

进一步优选地，所述BP神经网络模型中包括一层隐藏层，激活函数为tan sig；

所述神经网络创建模块中包括：

隐藏层节点数范围确定单元，用于根据隐藏层节点数、输入层节点数和输出层节点数之间的关系确定隐藏层节点数的范围：

其中，p为隐藏层节点数，n为输入层节点数，q为输出层节点数，a为1～10之间的常数；

神经网络创建单元，用于根据所述隐藏层节点数的范围建立相应的BP神经网络模型。

进一步优选地，所述神经网络训练模块中包括：

训练单元，用于依次对包含不同数量隐藏层节点数的BP神经网络模型进行迭代训练，并记录每次迭代后的均方误差，所述训练方法为trainlm训练法；

网络确定单元，用于比较各次迭代的均方误差，选定均方误差最小值对应的节点数作为隐藏层节点数，并以此确定所述BP神经网络模型的结构及网络参数。

进一步优选地，所述神经网络训练模块确定的BP神经网络模型的隐藏层节点数为11，隐藏层各节点的激励函数为：

其中，O

所述轮胎磨损寿命预估模块预测的轮胎磨损量M为：

其中，purelin函数为输出层的激励函数；w

另一方面，本发明还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，所述处理器运行所述计算机程序时实现上述基于BP神经网络的智能轮胎磨损寿命预估方法的步骤。

另一方面，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上述基于BP神经网络的智能轮胎磨损寿命预估方法的步骤。

本发明提供的基于BP神经网络的智能轮胎磨损寿命预估方法及装置，基于BP神经网络模型，结合BP神经网络模型自身的泛化性和收敛性对轮胎参数这一类非线性系统的回归、预测问题进行处理。通过有限元软件建立目标轮胎的有限元模型提取神经网络训练所需要的数据，从而大大降低时间成本和资金成本；通过训练样本数据进行BP神经网络模型的训练、确定BP神经网络模型的结构和参数后，利用确定的BP神经网络模型预测轮胎的磨损寿命，操作简单，预测的准确度高，克服了难以对轮胎磨损寿命准确预估的难题，便于应用。另外，在实际应用中，预测的轮胎磨损寿命就可以类似于同轮胎气压一样显示到汽车仪表盘上，时刻提醒驾驶员轮胎的磨损状况，从而提高汽车的行车安全性。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对上述特性、技术特征、优点及其实现方式予以进一步说明。

图1为本发明中基于BP神经网络的智能轮胎磨损寿命预估方法一种实施例流程示意图；

图2为本发明中不同气压下轮胎模态频率与模态阶数关系图；

图3为本发明中不同速度下轮胎径向模态频率与模态阶数关系图；

图4为本发明中不同负载下轮胎径向模态频率与模态阶数关系图；

图5为本发明中不同磨损量下轮胎径向模态频率与模态阶数关系图；

图6为本发明一实例中获取的数据集中的部分数据；

图7为如图6获取的数据集实例中MSE随隐含层节点数变化曲线；

图8为如图6获取的数据集实例中隐含层节点数为11的BP神经网络模型结构图；

图9为如图8的BP神经网络模型中MSE与迭代步数之间的关系；

图10为如图8的BP神经网络模型对测试集预测结果；

图11为如图8的BP神经网络模型预测测试集的误差百分比；

图12本发明中基于BP神经网络的智能轮胎磨损寿命预估装置一种实施例结构示意图；

图13为本发明中终端设备结构示意图。

附图标记：

100-胎磨损寿命预估装置，110-数据获取模块，120-神经网络创建模块，130-神经网络训练模块，140-轮胎磨损寿命预估模块。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。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他的附图，并获得其他的实施方式。

本发明的第一种实施例，如图1所示，一种基于BP神经网络的智能轮胎磨损寿命预估方法，包括：

S10获取包含轮胎气压、车速、负载及轮胎径向2～6阶升高模态频率的数据集，并将数据集随机拆分为训练集、验证集及测试集；

S20创建BP神经网络模型，网络模型的输入为数据集中的数据，输出为轮胎磨损量；

S30基于训练集、验证集和预先设定的均方误差对BP神经网络模型训练，确定BP神经网络模型的结构及网络参数；

S40将测试集中的数据输入训练好的BP神经网络模型，对其数据所属轮胎的磨损寿命进行预估。

在本实施例中，基于模态分析相关理论对轮胎磨损寿命进行预估，基本的模态公式如(1)：

其中，f为模态频率，k为轮胎的刚度，m为轮胎的质量。

当轮胎气压、车速、负载和轮胎磨损量发生变化时，对应的轮胎会分别发生刚度和质量的变化，从而影响轮胎的模态频率，即轮胎气压、车速、负载、轮胎磨损量及轮胎模态频率之间存在着一定关系，满足神经网络输出、输出参数的基本关系，基于此，本实施例中选用有限元轮胎模态频率中最易识别的径向模态升高频率作为参考对象。在选定过程中，由图2～5(图2为不同气压下轮胎模态频率与模态阶数关系图；图3为不同速度下轮胎径向模态频率与模态阶数关系图；图4为不同负载下轮胎径向模态频率与模态阶数关系图；图5为不同磨损量下轮胎径向模态频率与模态阶数关系图)可以看出，轮胎径向模态频率随着充气压力和轮胎磨损量的上升(图2中压力从0.18MPa逐步上升至0.24MPa，图5中轮胎磨损量从无磨损逐步上升至磨损6mm)总体呈上升趋势，随着负载和车速的增加(图3中速度从0逐步上升至60km/h，图4中负载从2000N逐步上升至5000N)而增加。但是，从图3中可以进一步看出，径向一阶模态频率对车速并不敏感，因此为了提高BP神经网络模型的预测精度，选定2～6阶升高模态频率的数据作为BP神经网络模型的输入，输出为轮胎磨损量。

选定了BP神经网络模型的输入和输出之后，对BP神经网络模型进行创建，并将采集到的数据集随机拆分为训练集、验证集及测试集，其中，训练集对BP神经网络模型进行训练，验证集用于网络训练过程中防止网络陷入过拟合，测试集被用来测试训练完成的网络的性能。对于训练集、验证集及测试集的数据量，可以根据实际情况进行设定，如，一实例中，训练集、验证集及测试集分别为占数据集总量0.7、0.2和0.1。

对于创建的BP神经网络模型，考虑到采集的数据量以及输入参数的数量并不大，为了避免复杂，将隐藏层层数定为1，并选用tan sig作为激活函数。为确定该隐藏层中隐藏层节点的数量，在创建BP神经网络模型中，首先根据如式(2)的隐藏层节点数、输入层节点数和输出层节点数之间的关系确定隐藏层节点数的范围，之后根据隐藏层节点数的范围建立相应的BP神经网络模型。

其中，p为隐藏层节点数，n为输入层节点数(由实际的输入个数决定)，q为输出层节点数(根据实际需求来决定)，a为1～10之间的常数。由本实施例中输入参数和输出参数的个数(n＝8，q＝1)结合式(2)可初步确定隐含层节点数的范围在[4,13]区间内，以此依次建立隐含层节点个数从4递增到13的BP神经网络模型。

在训练过程中，设置的循环算法将训练集和验证集带入BP神经网络模型中进行训练，对包含不同隐含层节点数的BP神经网络模型循环迭代计算预设次数(如50次、100次甚至更多)，并设置储存器自动存储每个隐含层节点数循环迭代计算训练集的最小均方误差MSE(训练方法为trainlm训练法，MSE的计算公式如式(3))，同时通过save函数自动保存当前最小均方误差MSE对应的BP神经网络模型。待所有BP神经网络模型都迭代完成之后，比较各次迭代的均方误差，选定均方误差最小值对应的节点数作为最佳隐藏层节点数，并以此确定BP神经网络模型的结构及网络参数，之后使用该BP神经网络模型对测试集中的数据进行轮胎磨损寿命进行预估。

其中，y

在使用训练好的BP神经网络模型对测试集进行预测中，以轮胎磨损预测值和实际值的绝对误差ε对其预测精度进行衡量，如式(4)：

ε＝x-a (4)

其中,x为轮胎磨损预测值，a为轮胎磨损。

由于采集的数据数值差距过大，为了提高预估算法的精度，在其他实施例中，需先对训练集、验证集及测试集中的数据进行归一化处理及用randperm函数进行顺序打乱以提高预估算法的鲁棒性，归一化后数据的取值范围在(0,1)之间，符合标准的正态分布，避免在后续的计算中出现0；待预测完后再进行反归一化处理即可。具体，归一化与反归一化如式(5)～(7)：

Y

其中，X和Y分别表示训练数据的输入值和输出值，X

本发明的另一实施例，一种基于BP神经网络的智能轮胎磨损寿命预估装置100，如图12所示，包括：数据获取模块110，用于获取包含轮胎气压、车速、负载及轮胎径向2～6阶升高模态频率的数据集，并将数据集随机拆分为训练集、验证集及测试集；神经网络创建模块120，用于创建BP神经网络模型，网络模型的输入为数据集中的数据，输出为轮胎磨损量；神经网络训练模块130，基于训练集、验证集和预先设定的均方误差对BP神经网络模型训练，确定BP神经网络模型的结构及网络参数；轮胎磨损寿命预估模块140，用于将测试集中的数据输入训练好的BP神经网络模型，对其数据所属轮胎的磨损寿命进行预估。

在本实施例中，基于模态分析相关理论对轮胎磨损寿命进行预估，当轮胎气压、车速、负载和轮胎磨损量发生变化时，对应的轮胎会分别发生刚度和质量的变化，从而影响轮胎的模态频率，即轮胎气压、车速、负载、轮胎磨损量及轮胎模态频率之间存在着一定关系，满足神经网络输出、输出参数的基本关系，基于此，本实施例中选用有限元轮胎模态频率中最易识别的径向模态升高频率作为参考对象。在选定过程中，由图2～5(图2为不同气压下轮胎模态频率与模态阶数关系图；图3为不同速度下轮胎径向模态频率与模态阶数关系图；图4为不同负载下轮胎径向模态频率与模态阶数关系图；图5为不同磨损量下轮胎径向模态频率与模态阶数关系图)可以看出，轮胎径向模态频率随着充气压力和轮胎磨损量的上升(图2中压力从0.18MPa逐步上升至0.24MPa，图5中轮胎磨损量从无磨损逐步上升至磨损6mm)总体呈上升趋势，随着负载和车速的增加(图3中速度从0逐步上升至60km/h，图4中负载从2000N逐步上升至5000N)而增加。但是，从图3中可以进一步看出，径向一阶模态频率对车速并不敏感，因此为了提高BP神经网络模型的预测精度，选定2～6阶升高模态频率的数据作为BP神经网络模型的输入，输出为轮胎磨损量。

选定了BP神经网络模型的输入和输出之后，对BP神经网络模型进行创建，并将采集到的数据集随机拆分为训练集、验证集及测试集，其中，训练集对BP神经网络模型进行训练，验证集用于网络训练过程中防止网络陷入过拟合，测试集被用来测试训练完成的网络的性能。对于训练集、验证集及测试集的数据量，可以根据实际情况进行设定，如，一实例中，训练集、验证集及测试集分别为占数据集总量0.7、0.2和0.1。

对于创建的BP神经网络模型，考虑到采集的数据量以及输入参数的数量并不大，为了避免复杂，将隐藏层层数定为1，并选用tan sig作为激活函数。为确定该隐藏层中隐藏层节点的数量，在创建BP神经网络模型中，隐藏层节点数范围确定单元首先根据如式(2)的隐藏层节点数、输入层节点数和输出层节点数之间的关系确定隐藏层节点数的范围，之后神经网络创建单元根据隐藏层节点数的范围建立相应的BP神经网络模型。由本实施例中输入参数和输出参数的个数结合式(2)可初步确定隐含层节点数的范围在[4,13]区间内，以此依次建立隐含层节点个数从4递增到13的BP神经网络模型。

在训练过程中，训练单元中设置的循环算法将训练集和验证集带入BP神经网络模型中进行训练，对包含不同隐含层节点数的BP神经网络模型循环迭代计算预设次数(如50次、100次甚至更多)，并设置储存器自动存储每个隐含层节点数循环迭代计算训练集的最小均方误差MSE(训练方法为trainlm训练法，MSE的计算公式如式(3))，同时通过save函数自动保存当前最小均方误差MSE对应的BP神经网络模型。待所有BP神经网络模型都迭代完成之后，网络确定单元比较各次迭代的均方误差，选定均方误差最小值对应的节点数作为最佳隐藏层节点数，并以此确定BP神经网络模型的结构及网络参数，之后使用该BP神经网络模型对测试集中的数据进行轮胎磨损寿命进行预估。在使用训练好的BP神经网络模型对测试集进行预测中，以轮胎磨损预测值和实际值的绝对误差ε对其预测精度进行衡量，如式(4)。

由于采集的数据数值差距过大，为了提高预估算法的精度，在其他实施例中，需先对训练集、验证集及测试集中的数据进行归一化处理及用randperm函数进行顺序打乱以提高预估算法的鲁棒性，归一化后数据的取值范围在(0,1)之间，符合标准的正态分布，避免在后续的计算中出现0；待预测完后再进行反归一化处理即可。具体，归一化与反归一化如式(5)～(7)。

在一实例中，基于有限元模态分析法，结合控制变量方法在轮胎有限元仿真环境中提取了324组不同胎压、负载、车速、磨损量与径向2～6阶径向升高模态频率之间的仿真数据作为数据集，以此降低试验的时间成本和资金成本。提取的部分数据如图6所示，每组数据中包括磨损量、胎压、负载、车速、径向2阶轮胎模态频率、径向3阶轮胎模态频率、径向4阶轮胎模态频率及径向5阶轮胎模态频率8个输入参数。

如图13所示，载入324组数据样本之后，用divideparam函数对数据集划分为训练集、验证集和测试集，占数据总量分别为0.7、0.2和0.1，其中，训练集被用来训练BP神经网络模型，验证集被用来再网络训练的过程之中防止网络陷入过拟合，测试集被用来测试训练完成的网络的性能。之后分别对训练集、验证集和测试集中的数据进行归一化处理。

创建BP神经网络模型之后，设置模型的各项参数训练的精度为0.0004，学习率为0.1，最大迭代步数为10000步，隐含层的激活函数为tan sig，表达式为

在对包含隐藏节点数在[4,13]区间内的BP神经网络模型进行训练中，设置的循环算法将训练集和验证集带入网络中进行训练，其中隐含层的节点个数从4依次递增到13，并在每个节点数处重复计算100次，设置储存器自动存储每个隐含层节点数100次计算训练集的最小均方误差MSE，且通过save函数自动保存当前最小MSE对应的BP神经网络模型，待循环算法执行完毕后储存器中应保存了节点4～13所对应的最小MSE。如图7所示为MSE随隐含层节点数变化曲线，从图中可以看出，该实例中BP神经网络模型的最佳隐含层节点数为11，对应的BP神经网络模型结构如图8所示，包括磨损量、胎压、负载、车速、径向2阶轮胎模态频率、径向3阶轮胎模态频率、径向4阶轮胎模态频率及径向5阶轮胎模态频率8个输入参数，轮胎磨损量1个输出参数，1个包含11个隐藏层节点数的隐藏层。图9为隐含层节点数为11时MSE与迭代步数(对应图示中的Epoch)之间的关系，即BP神经网络模型的训练在第45步停止，此时的均方根误差MSE为7.0026e-4，低于设置的目标值4e5(在训练的过程中验证集的最大验证步数达到了最大设置步数，因此提前终止了网络的训练以防止过拟合现象产生)。

在使用训练好的BP神经网络模型对测试集进行预测中，预测结果如图10所示，可以看出，在不同的测试样本(测试集中的样本)中误差值均较小，神经网络的轮胎磨损平均误差为0.0874mm。图11为BP神经网络模型预测测试集的误差百分比，预测误差百分比均在±10％以内，平均误差百分比为2.78％，可见预测精度较高。

此时，隐藏层各节点的激励函数如式(8)：

其中，O

BP神经网络模型预测的轮胎磨损量M如式(9)：

其中，purelin函数为输出层的激励函数；w

BP神经网络模型对测试集中的数据样本进行轮胎磨损量M预测之后，对预测数据进行反归一化处理，并根据式(4)对预测精度进行评价，以此确定最终的轮胎磨损寿命预估神经网络。

此时，假设新轮胎的胎台面厚度为D

在实际应用中，可以将预测的轮胎磨损寿命类似于同轮胎气压一样显示到汽车仪表盘上，也可以通过其他方式进行显示，时刻提醒驾驶员轮胎的磨损状况及使用寿命，解决驾驶员经常会忽视轮胎状态的问题，从而提高汽车的行车安全性。

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，仅以上述各程序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程序模块完成，即将装置的内部结构划分成不同的程序单元或模块，以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中，也可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处理单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序单元的形式实现。另外，各程序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。

图13是本发明一个实施例中提供的终端设备的结构示意图，如所示，该终端设备200包括：处理器220、存储器210以及存储在存储器210中并可在处理器220上运行的计算机程序211，例如：基于BP神经网络的智能轮胎磨损寿命预估关联程序。处理器220执行计算机程序211时实现上述各个基于BP神经网络的智能轮胎磨损寿命预估方法实施例中的步骤，或者，处理器220执行计算机程序211时实现上述基于BP神经网络的智能轮胎磨损寿命预估装置实施例中各模块的功能。

终端设备200可以为笔记本、掌上电脑、平板型计算机、手机等设备。终端设备200可包括，但不仅限于处理器220、存储器210。本领域技术人员可以理解，图13仅仅是终端设备200的示例，并不构成对终端设备200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：终端设备200还可以包括输入输出设备、显示设备、网络接入设备、总线等。

处理器220可以是中央处理单元(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)、现场可编程门阵列(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。通用处理器220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。

存储器210可以是终端设备200的内部存储单元，例如：终端设备200的硬盘或内存。存储器210也可以是终端设备200的外部存储设备，例如：终端设备200上配备的插接式硬盘，智能TF存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器210还可以既包括终端设备200的内部存储单元也包括外部存储设备。存储器210用于存储计算机程序211以及终端设备200所需要的其他程序和数据。存储器210还可以用于暂时地存储已经输出或者将要输出的数据。

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细描述或记载的部分，可以参见其他实施例的相关描述。

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/终端设备和方法，可以通过其他的方式实现。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，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、机械或其他的形式。

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，在本申请各个实施例中的各功能单元可能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。

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211发送指令给相关的硬件完成，计算机程序211可存储于一计算机可读存储介质中，该计算机程序211在被处理器220执行时，可实现上述各个方法实施例的步骤。其中，计算机程序211包括：计算机程序代码，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。计算机可读存储介质可以包括：能够携带计算机程序211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-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读存储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。

应当说明的是，上述实施例均可根据需要自由组合。以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通相关人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。