基于物联网的风机故障评价设备

【技术领域】

本发明涉及风机技术领域，尤其涉及一种基于物联网的风机故障评价设备。

【背景技术】

风机数据在采集过程中由于样本采样不均匀、数据产生过程复杂等原因，使得后续的数据挖掘处理过程较为困难，而且风机的风力运行机制复杂，各种变量之间可能存在许多非线性相关性，自动的故障评价通常准确率较低，所以通常需要维护人员到现场进行故障检测与评价。

【发明内容】

有鉴于此，本发明实施例提供了一种基于物联网的风机故障评价方法、系统及设备。

第一方面，本发明实施例提供了一种基于物联网的风机故障评价方法，该方法包括：

S1、采集指定时段内风机设备的状态信息数据，并对状态信息数据进行预处理，得出能够与分类器匹配的数据集；

S2、通过XGBoost模型获得数据集的各特征的特征权重，选取符合预设特征权重条件的特征；

S3、通过k-fold交叉验证将特征选择后的所述数据集随机分为K个大小相同的子数据，K-1个子数据作为训练集，1个子数据作为测试集，分别输入到对应的分类器中；

S4、基于TPE算法，对全部分类器通过加权投票表决的方式进行预测，其中，分类器e的投票权重

S5、将所述最优分类器数量输入至深度级联森林模型中，深度级联森林模型进行逐次运行直至满足预设精度，获得风机故障的分类结果；

S66、建立风机故障程度评价模型，该模型包括耗电损失、维修成本、停车成本和寿命损失分别对应的数值组与数值组权重向量；

S7、计算每种故障对于每个数值的灰色权评估矩阵，将灰色权评估矩阵与对应的数值权重向量相乘获得故障程度评价向量，通过故障程度评价向量计算出故障程度值。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，S1具体包括：

S11、采集指定时段T内风机设备的状态信息数据；

S12、将态信息数据的采样点长度统一到13维后，进行Min-Max标准化归一化到(0，1)之间，归一化转换公式为：

其中，x为原始数据，x*为归一化后数据，max为原始样本中每条数据的最大值，min为原始样本中每条数据的最小值；

S13、按照数据类型对状态信息数据进行分类；

S14、分别针对每个类别的状态信息数据进行筛选处理，所述筛选处理的步骤为：每轮根据采集时刻依序选择相邻两个数据为一组并进行大小值判断，每组数据随机采样5个维度的数据进行大小比较，维度数量获胜者为较大值，维度数量失败者为较小值，若无法判断出较大值和较小值，则可以依次增加采样维度并保证维度数量为奇数，直至判断出大小值；若第x组取较大值，则第x+1组取较小值，未被分组的数据直接取该数据对应的值，此过程为一轮筛选处理；进行y轮筛选处理后，得到筛选后数据；

S15、通过公式u

S16、将修正后的数据的格式处理为分类器要求的形式。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述状态信息数据包括叶片状态信息数据、电机状态信息数据、温度状态信息数据、风机电流信息数据和风机电压信息数据。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述分类器包括：RF分类器、ET分类器、AdaBoost分类器和GBDT分类器。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，S7具体包括：

S71、建立样本矩阵X，a

S72、设置k＝4个灰类，变量u表示1、10、40、100依次表示数值a

S73、根据样本矩阵、白化权函数和数值组，计算k个灰类的灰色统计数s

S74、将灰色权评估矩阵与对应的数值权重向量相乘获得故障程度评价向量，E＝(ε

S75、通过故障程度评价向量计算出故障程度值，

第二方面，本发明实施例提供了一种基于物联网的风机故障评价系统，所述系统包括：

预处理模块，用于采集指定时段内风机设备的状态信息数据，并对状态信息数据进行预处理，得出能够与分类器匹配的数据集；

获取模块，用于通过XGBoost模型获得数据集的各特征的特征权重，选取符合预设特征权重条件的特征；

分配模块，用于通过k-fold交叉验证将特征选择后的所述数据集随机分为K个大小相同的子数据，K-1个子数据作为训练集，1个子数据作为测试集，分别输入到对应的分类器中；

选择模块，用于基于TPE算法，对全部分类器通过加权投票表决的方式进行预测，其中，分类器e的投票权重

分类模块，用于将所述最优分类器数量输入至深度级联森林模型中，深度级联森林模型进行逐次运行直至满足预设精度，获得风机故障的分类结果；

建立模块，用于建立风机故障程度评价模型，该模型包括耗电损失、维修成本、停车成本和寿命损失分别对应的数值组与数值组权重向量；

评估模块，用于计算每种故障对于每个数值的灰色权评估矩阵，将灰色权评估矩阵与对应的数值权重向量相乘获得故障程度评价向量，通过故障程度评价向量计算出故障程度值。

第三方面，本发明提供了一种基于物联网的风机故障评价设备，该设备包括：

风机系统，该风机系统上安装设置有用于采集状态数据的振动传感器、转速传感器和温度传感器，风机设备和底座组件之间还安装有缓冲组件；

网关系统，用于接收传感器采集的状态数据，并将其转化为蜂窝数据后传输至终端系统；

终端系统，包括风机厂家终端和风机用户终端，该终端系统中内置有基于物联网的风机故障评价系统，该终端系统用于接收网关系统的蜂窝数据并在故障评价后进行显示。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，

所述风机系统包括风机组件、缓冲组件和底座组件；所述风机组件包括风机主体和底板，所述风机主体内至少设有电机组件、叶片组件和微处理器，叶片组件的转轴根部安装有振动传感器、转速传感器和温度传感器，电机组件的输入轴和输出轴上也安装有振动传感器、转速传感器和温度传感器，微处理器的输出端连接有采集电流和电压数据信息的采集传感器；

所述底板上设置有两块固定板，两块固定板位于风机主体的相对两侧并与风机主体固定连接，风机设备通过底板与缓冲组件固定连接；所述缓冲组件包括上座、下座、轴向缓冲件和径向缓冲件，所述上座的上表面的中部设有凸起平台，上座的下表面开设有容置槽和两个第一安装槽，所述下座的上表面设有与容置槽榫卯配合的凸块，该凸块上开设有可与两个第一安装槽对应形成两个完整安装槽的两个第二安装槽，径向缓冲件为两个且分别置于对应的完整安装槽内，两个径向缓冲件对称设置，径向缓冲件的形状与完整安装槽的形状相适应，轴向缓冲件为两个分别安装在凸块的两侧，凸起平台的两侧还安装有振动传感器；所述底座组件与缓冲组件固定连接，底座组件为圆台形，底座组件的侧面设有若干加强筋，底座组件的上表面居中设有导向桩。

第四方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。

第五方面，本发明提供了一种电子设备，包括：处理器、存储器和总线；

所述存储器用于存储执行指令，所述处理器与所述存储器通过所述总线连接，当所述电子设备运行时，所述处理器执行所述存储器存储的所述执行指令，以使所述处理器执行如第一方面中任一所述的方法。

上述技术方案中的一个技术*/方案具有如下有益效果：

本发明实施例的方法中，首先对采集到的状态信息数据进行预处理并得出能够与分类器匹配的数据集，然后通过机器学习对数据集进行分类，分类后再通过建立的风机故障程度评价模型对故障程度进行评价，最终计算出故障程度值。本发明的方法是基于物联网进行的，从数据采集和处理到故障的评价与计算，节约了大量的人力，同时评价的结果也较为准确。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。

图1是本发明实施例所提供的基于物联网的风机故障评价方法的流程示意图；

图2为本发明实施例所提供的一种基于物联网的风机故障评价系统的功方块；

图3为本发明的一种基于物联网的风机故障评价设备的结构示意图；

图4为本发明提供的一种风机系统的结构示意图；

图5为本发明实施例提供的一种电子设备的结构示意图。

【具体实施方式】

为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅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。

请参考图1，其为本发明实施例所提供的基于物联网的风机故障评价方法的流程示意图，如图所示，该方法包括以下步骤：

S1、采集指定时段内风机设备的状态信息数据，并对状态信息数据进行预处理，得出能够与分类器匹配的数据集；

S2、通过XGBoost模型获得数据集的各特征的特征权重，选取符合预设特征权重条件的特征；

S3、通过k-fold交叉验证将特征选择后的所述数据集随机分为K个大小相同的子数据，K-1个子数据作为训练集，1个子数据作为测试集，分别输入到对应的分类器中；

S4、基于TPE算法，对全部分类器通过加权投票表决的方式进行预测，其中，分类器e的投票权重

S5、将所述最优分类器数量输入至深度级联森林模型中，深度级联森林模型进行逐次运行直至满足预设精度，获得风机故障的分类结果；

S7、建立风机故障程度评价模型，该模型包括耗电损失、维修成本、停车成本和寿命损失分别对应的数值组与数值组权重向量；

S8、计算每种故障对于每个数值的灰色权评估矩阵，将灰色权评估矩阵与对应的数值权重向量相乘获得故障程度评价向量，通过故障程度评价向量计算出故障程度值。

需要说明的是，S1具体包括：

S11、采集指定时段T内风机设备的状态信息数据。

S12、将态信息数据的采样点长度统一到13维后，进行Min-Max标准化归一化到(0，1)之间，归一化转换公式为：

其中，x为原始数据，x*为归一化后数据，max为原始样本中每条数据的最大值，min为原始样本中每条数据的最小值。

其中，统一维度的目的是为了保证数据的格式规整并降低处理量，Min-Max标准化也称为离差标准化，是对原始数据的线性变换，使结果值映射到(Min，Max)之间，通过

S13、按照数据类型对状态信息数据进行分类。

需要说明的是，状态信息数据的类别包括叶片状态信息数据、电机状态信息数据、温度状态信息数据、风机电流信息数据和风机电压信息数据。另外，每种类别下面还包括若干子分类，比如叶片状态信息数据包括风机出口压力、风机振动、风机转速、风向偏差、变桨角度等；电机状态信息数据包括电机转速等；温度状态信息数据包括电机线圈温度、电机轴承温度、风机出口空气温度、风机进口空气温度、风机油箱温度等；风机电流信息数据包括风机硬接线电流、变桨电机电流、偏航电机电流等；风机电压信息数据包风机启动电压和风机运行电压等。以上只是对状态信息数据的内容稍作解释与说明，并不限制本发明的保护范围。

S14、分别针对每个类别的状态信息数据进行筛选处理，所述筛选处理的步骤为：每轮根据采集时刻依序选择相邻两个数据为一组并进行大小值判断，每组数据随机采样5个维度的数据进行大小比较，维度数量获胜者为较大值，维度数量失败者为较小值，若无法判断出较大值和较小值，则可以依次增加采样维度并保证维度数量为奇数，直至判断出大小值；若第x组取较大值，则第x+1组取较小值，未被分组的数据直接取该数据对应的值，此过程为一轮筛选处理；进行y轮筛选处理后，得到筛选后数据。

需要说明的是，通过S14可以将数据处理量进一步降低，降低的程度取决于筛选处理的轮数。其中，假设a组和b组数据均采样5个维度进行比较，若a组数据较大的维度数量超出b组，则a组为维度数量获胜者，即为较大值，b组为维度数量失败者，即为较小值，若出现a组和b组数据的维度比较出现平局的情况下，则可以增加2个维度的采样，则采样维度数量为7个，总的原则是保证维度数量为奇数即可。

S15、通过公式u

S16、将修正后的数据的格式处理为分类器要求的形式。

具体的，对修正后的状态信息数据根据分类器的要求进行必要的预处理，获得没有缺失值和错误值的数据集，并生成能够输入分类器的正确格式，形式一般为：D＝{(p

需要说明的是，S2中通过XGBoost模型获得数据集的各特征的特征权重，选取符合预设特征权重条件的特征。即通过XGBoost模型去除掉不重要的特征，从而可以减少数据处理量。XGBoost是GB算法的高效实现，XGBoost中的基学习器可以是决策树分类器，也可以是以性分类器。

需要说明的是，TPE(Tree-structured Parzen Estimator，树形结构的Parzen估计器)主要用于深度神经网络的超参数优化，优化期间，每个分类器i产生类别分布p

在这里我们选择四个基本分类器，分别是RF(Random Forest，随机森林)分类器、ET(Extremely Randomized Trees，极端随机树)分类器、AdaBoost分类器和GBDT(GradientBoosting Regression Tree，梯度提升树)分类器，举例说明，一组ξ

需要说明的是，S6中的风机故障程度评价模型包括耗电损失、维修成本、停车成本和寿命损失分别对应的数值组与数值组权重向量，分别通过以下公式进行计算：

(1)耗电损失＝预估耗电瓦数×每瓦电费

(2)维修成本＝风机检修费用+线路检修费用

(3)停车成本＝停车时间×单位时间产能损失+停车时间×单位时间工人成本

(4)寿命损失＝故障系数×故障时间

其中，耗电损失、维修成本、停车成本和寿命损失对事故后果严重度影响的权重分别为：ψ＝(ψ

需要说明的是，S7具体包括：

S71、建立样本矩阵X，a

S72、设置k＝4个灰类，变量u表示1、10、40、100依次表示数值a

本发明设置k＝4个灰类，由于后果严重程度越高其损失越大，且其增大趋势呈指数式，故用变量u表示1、10、40、100依次表示指标值大小所对应的后果严重程度由轻到重4级，并确定k个评估灰类的白化权函数f

表1四类白化权函数

S73、根据样本矩阵、白化权函数和数值组，计算k个灰类的灰色统计数s

S74、将灰色权评估矩阵与对应的数值权重向量相乘获得故障程度评价向量，E＝(ε

S75、通过故障程度评价向量计算出故障程度值，

本发明实施例的方法中，首先对采集到的状态信息数据进行预处理并得出能够与分类器匹配的数据集，然后通过机器学习对数据集进行故障分类，分类后再通过建立的风机故障程度评价模型对故障程度进行评价，最终计算出故障程度值。本发明的方法是基于物联网进行的，从数据采集和处理到故障的评价与计算，节约了大量的人力，同时评价的结果也较为准确。本发明的技术方案不仅能够对风机故障进行分类，还可以对故障程度进行定量的展现，从而使得故障评估也更为直观。

本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。

请参考图2，其为本发明实施例所提供的一种基于物联网的风机故障评价系统的功方块图，如图所示，该系统包括：

预处理模块210，用于采集指定时段内风机设备的状态信息数据，并对状态信息数据进行预处理，得出能够与分类器匹配的数据集；

获取模块220，用于通过XGBoost模型获得数据集的各特征的特征权重，选取符合预设特征权重条件的特征；

分配模块230，用于通过k-fold交叉验证将特征选择后的所述数据集随机分为K个大小相同的子数据，K-1个子数据作为训练集，1个子数据作为测试集，分别输入到对应的分类器中；

选择模块240，用于基于TPE算法，对全部分类器通过加权投票表决的方式进行预测，其中，分类器e的投票权重

分类模块250，用于将所述最优分类器数量输入至深度级联森林模型中，深度级联森林模型进行逐次运行直至满足预设精度，获得风机故障的分类结果；

建立模块260，用于建立风机故障程度评价模型，该模型包括耗电损失、维修成本、停车成本和寿命损失分别对应的数值组与数值组权重向量；

评估模块270，用于计算每种故障对于每个数值的灰色权评估矩阵，将灰色权评估矩阵与对应的数值权重向量相乘获得故障程度评价向量，通过故障程度评价向量计算出故障程度值。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预处理模块具体用于执行：

S11、采集指定时段T内风机设备的状态信息数据；

S12、将态信息数据的采样点长度统一到13维后，进行Min-Max标准化归一化到(0，1)之间，归一化转换公式为：

其中，x为原始数据，x*为归一化后数据，max为原始样本中每条数据的最大值，min为原始样本中每条数据的最小值；

S13、按照数据类型对状态信息数据进行分类；

S14、分别针对每个类别的状态信息数据进行筛选处理，所述筛选处理的步骤为：每轮根据采集时刻依序选择相邻两个数据为一组并进行大小值判断，每组数据随机采样5个维度的数据进行大小比较，维度数量获胜者为较大值，维度数量失败者为较小值，若无法判断出较大值和较小值，则可以依次增加采样维度并保证维度数量为奇数，直至判断出大小值；若第x组取较大值，则第x+1组取较小值，未被分组的数据直接取该数据对应的值，此过程为一轮筛选处理；进行y轮筛选处理后，得到筛选后数据；

S15、通过公式u

S16、将修正后的数据的格式处理为分类器要求的形式。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，

所述状态信息数据包括叶片状态信息数据、电机状态信息数据、温度状态信息数据、风机电流信息数据和风机电压信息数据。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述分类器包括：RF分类器、ET分类器、AdaBoost分类器和GBDT分类器。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述评估模块具体用于执行：

S71、建立样本矩阵X，a

S72、设置k＝4个灰类，变量u表示1、10、40、100依次表示数值a

S73、根据样本矩阵、白化权函数和数值组，计算k个灰类的灰色统计数s

S74、将灰色权评估矩阵与对应的数值权重向量相乘获得故障程度评价向量，E＝(ε

S75、通过故障程度评价向量计算出故障程度值，

由于本实施例中的各单元模块能够执行图1所示的方法，本实施例未详细描述的部分，可参考对图1的相关说明。

图3是本发明的一种基于物联网的风机故障评价设备的结构示意图，如图3所示，该风机故障评价设备包括：

风机系统100，该风机系统上安装设置有用于采集状态数据的振动传感器、转速传感器和温度传感器，风机设备和底座组件之间还安装有缓冲组件；

网关系统200，用于接收传感器采集的状态数据，并将其转化为蜂窝数据后传输至终端系统；

终端系统300，包括风机厂家终端和风机用户终端，该终端系统中内置有基于物联网的风机故障评价系统，该终端系统用于接收网关系统的蜂窝数据并在故障评价后进行显示。

图4是本发明提供的一种风机系统的结构示意图，如图4所示，该风机系统包括风机组件1、缓冲组件2和底座组件3。

风机组件1包括风机主体11和底板12，风机主体内至少设有电机组件、叶片组件和微处理器，叶片组件的转轴根部安装有振动传感器、转速传感器和温度传感器，电机组件的输入轴和输出轴上也安装有振动传感器、转速传感器和温度传感器，微处理器的输出端连接有采集电流和电压数据信息的采集传感器。

底板12上设置有两块固定板121，两块固定板121位于风机主体11的相对两侧并与风机主体11固定连接，风机组件1通过底板12与缓冲组件2固定连接。

缓冲组件2包括上座21、下座22、轴向缓冲件24和径向缓冲件23。上座21的上表面的中部设有凸起平台211，上座21的下表面开设有容置槽212和两个第一安装槽213。第一安装槽213开设在容置槽212的顶部，两个第一安装槽213彼此之间不连通。凸起平台211的两侧还安装有振动传感器4，振动传感器4的高度不超过凸起平台211的高度，凸起平台211的两侧设有螺孔。

下座22的上表面设有与容置槽212榫卯配合的凸块221，该凸块21上开设有可与两个第一安装槽213对应形成两个完整安装槽的两个第二安装槽222，两个第二安装槽222彼此之间不连通。凸块221上还设有与导向桩配合的导向孔，凸块221的两侧设有螺孔。

径向缓冲件23包括缓冲弹簧231、弹簧座232、防脱块233和填充块234，缓冲弹簧231安装在弹簧座232上，该弹簧座232、防脱块233和填充块234为一体结构，弹簧座232和填充块233为立方体结构，防脱块234为圆柱体结构。径向缓冲件23为两个且分别置于对应的完整安装槽内，两个径向缓冲件23对称设置，径向缓冲件23的形状与完整安装槽的形状相适应。

轴向缓冲件24为两个且分别安装在凸块221的两侧，轴向缓冲件24为减震器或者减震气缸。轴向缓冲件24的高度不超过凸块221的高度。

底座组件3为圆台形，底座组件3的侧面设有若干加强筋，底座组件3的上表面居中设有导向桩31。底座组件3设有螺孔。

底板12的螺孔、上座21上的螺孔、下座22上的螺孔以及底座组件3上的螺孔的数量和位置均一一对应，通过螺杆或销钉即可实现设备的整体固定。

图5是本发明的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

在一种可能实现的方式中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，也可从其它设备上获取相应的计算机程序，以在逻辑层面上形成基于物联网的风机故障检测系统。处理器，执行存储器所存放的程序，以通过执行的程序实现本发明任一实施例中提供的基于物联网的风机故障评价方法。

本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行本发明任一实施例中提供的基于物联网的风机故障评价方法。

上述如本发明图2所示实施例提供的基于物联网的风机故障评价系统执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。

结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行本发明任一实施例中提供的基于物联网的风机故障评价方法。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、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。

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。

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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。