一种基于生成式机器学习的退役电池健康状态快速估计方法

技术领域

本发明涉及退役电池健康状态估计技术，特别是涉及一种基于生成式机器学习的退役电池健康状态快速估计方法。

背景技术

退役电池处理方法通常包括二次利用和回收两种策略。在二次利用方面，退役电池可以被重新应用于电网储能系统、用户电源和低速车辆等。用于二次利用的退役电池需要经过一些预处理步骤，包括一致性筛选、容量排序和根据特定应用要求的重新分组。然而，由于对二次利用场景和电池退役路径缺乏严格的标准，退役电池的剩余容量难以合理利用。电池回收的目标是通过提取或修复退役电池的材料来最大化电池的剩余价值，通常用于整体电池降解程度较高的情况。与传统的火法和湿法回收相比，直接回收方法在盈利性、能耗和碳排放方面更具优势。通过对退役电池的正极材料进行锂补充和处理，直接回收可以实现材料修复、性能恢复，并最小化电池二次损伤。在实际应用中，电池的退役条件具有随机性，表现为退役电池的健康状态(SOH)和荷电状态(SOC)不确定。然而，电池的退役条件对回收处理所需化学剂量和锂补充策略至关重要，对直接回收效果具有显著影响。因此，电池退役条件的随机性制约着直接回收的产业化发展，影响了回收效率、能源成本、碳排放以及盈利性。在退役电池预处理中获取SOH和SOC的信息通常需要进行多维材料表征，耗时较长，能源消耗大。因此，对随机退役条件进行快速、非侵入性和可持续的识别预处理对电池回收至关重要。

云平台和电池护照技术可以对电动汽车电池进行全寿命数据监测，解决退役条件识别问题。然而，该技术仅可在电动汽车使用阶段进行监测，无法监测电池退役后的信息，不能获取完整的全寿命数据。退役电池现场充放电测试的方法通过直接测量电池容量，无需历史数据即可识别退役条件，但这种测试方法耗时长，电力成本高。数据驱动的方法有望加速电池预处理过程，其核心思想是通过测量相关物理量反映电池的剩余容量，常用的快速物理测量包括X射线成像、电化学阻抗测量、光纤传感、声学传感、部分充电和动态脉冲测试。由于设备成本和侵入性测量性质，传感器相关测量技术仍仅适用于实验室测量。动态脉冲测试不会对电池造成物理损伤，且比部分充电和电化学阻抗方法快，测量准确性高。然而，这种方法需要获取与退役条件相关的数据，由于测试条件高度不可测，基于迁移学习的方法无法解决数据获取的问题，且测试效果受退役条件变化影响大。因此，数据不足制约了脉冲测试方法的应用。在电池回收领域，特定条件下的实际测量数据可能非常有限，这导致了与电池健康状态相关的测试数据稀缺。通过增加退役电池测试实验，测量更多数据，能缓解数据稀缺问题，但同时降低了电池回收产业规模化的经济性和可行性。

需要说明的是，在上述背景技术部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明针对传统退役电池健康状态估计方法耗时长、能耗大的问题，提出一种基于生成式机器学习的退役电池健康状态快速估计方法，能够指导在退役电池回收时退役条件的识别预处理。

为实现上述目的，本发明采用以下技术方案：

一种基于生成式机器学习的退役电池健康状态快速估计方法，其特征在于，包括以下步骤：

a.通过变分自动编码器VAE将已测得的脉冲电压响应数据压缩成潜在空间的潜变量表示；

b.使用交叉注意力机制整合潜在空间的脉冲电压响应数据和退役条件信息，生成蕴含电池退役条件信息的潜在空间脉冲电压响应数据；

c.VAE解码器神经网络利用生成的蕴含电池退役条件信息的潜变量，恢复原始空间重构输入数据，和/或根据原始或未见的退役条件来生成新数据；

d.使用步骤c得到的数据，通过机器学习预测算法预测退役电池的健康状态SOH。

进一步地：

步骤a包括以下子步骤：

a1.通过VAE的编码器神经网络将脉冲电压响应数据压缩成潜在空间的潜变量表示；

a2.通过VAE的解码器神经网络将潜变量解压缩回原始数据维度，以重构脉冲电压响应数据。

步骤a2中的解码器神经网络的处理包括以下子步骤：

a21.使用权重矩阵和偏差矩阵对采样得到的潜变量进行全连接层变换，生成中间表示，其中权重矩阵和偏差矩阵是可训练的参数；

a22.通过激活函数对全连接层变换的输出进行非线性变换，以生成数据的潜变量表示，用于重构原始数据或生成新的数据样本。

步骤b包括以下子步骤：

b1.将退役电池的退役条件信息作为条件输入，与脉冲电压响应数据一起输入VAE的编码器神经网络；

b2.在潜在空间，使用交叉注意力机制结合脉冲电压响应数据和退役条件信息，生成反映退役条件的潜变量；

b3.通过VAE的解码器神经网络，利用反映退役条件的潜变量重构或生成新的脉冲电压响应数据，以形成用于退役电池健康状态估计的数据集。

步骤b2进一步包括以下子步骤：

b21.对于退役电池的脉冲电压响应数据和对应的退役条件信息，计算查询序列、键序列和值序列之间的注意力权重；

b22.对计算得到的注意力权重进行归一化，形成有效的概率分布；

b23.根据归一化得到的注意力权重，调整VAE的编码器神经网络的输出，集中VAE对脉冲电压响应数据中与退役条件信息相关联的特定部分的关注，以生成反映退役条件的潜变量。

步骤b3中的解码器神经网络的处理包括以下子步骤：

b31.根据退役条件信息，调整权重矩阵和偏差矩阵，以专注于与退役条件相关的脉冲电压响应数据的特定部分；

b32.利用解码器神经网络的输出和未见的退役条件信息，通过交叉注意力机制生成新的脉冲电压响应数据。

VAE的潜在空间由参数定义的高斯分布构成；

在步骤a中，使用VAE的编码器神经网络输出的均值和对数方差参数，通过添加从标准正态分布中抽取的高斯噪声向量来生成潜变量；

在步骤c中，使用VAE的解码器神经网络和采样得到的潜变量，通过全连接层和交叉注意力机制，重构或生成新的脉冲电压响应数据，以形成蕴含退役条件信息的数据集。

用于训练VAE的损失函数包括重构损失和Kullback-Leibler散度损失，且优化VAE模型性能的步骤包括：

计算原始脉冲电压响应数据与由VAE重构或生成的脉冲电压响应数据之间的均方误差MSE，作为重构损失；

计算原始数据和由VAE重构或生成的数据之间的Kullback-Leibler(KL)散度，作为KL散度损失；

将重构损失和KL散度损失结合，形成总损失，用于VAE模型训练过程中的参数优化。

所述机器学习预测算法可以为随机森林方法。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序由处理器执行时实现所述的基于生成式机器学习的退役电池健康状态快速估计方法。

一种计算机程序产品，所述计算机程序产品由处理器运行时实现所述的基于生成式机器学习的退役电池健康状态快速估计方法。

本发明具有如下有益效果：

本发明提供一种基于生成式机器学习的退役电池健康状态快速估计方法，实现利用生成式机器学习方法生成脉冲电压响应数据，获得覆盖退役条件信息的充足数据信息，再通过机器学习预测算法(例如随机森林方法)实现退役电池SOH估计，实现退役电池健康状态准确估计。本发明解决了基于电池脉冲测试的SOH估计中退役条件相关数据量不足的问题，同时避免增加脉冲测试实验造成的测试时间和成本的增加。本发明能够指导在退役电池回收预处理时的电池健康状态估计，克服了现有测量数据有限和测量成本高的缺点，为电池回收领域提供了一种快速、便捷、高精度、低成本的健康状态估计方法，促进电池回收和梯次利用。

本发明的基于生成式机器学习的退役电池健康状态快速估计方法，可通过动态脉冲测试获得现场测试数据，再基于生成式机器学习利用离散的有限测量数据生成连续数据，用于识别退役电池的健康状态，解决了测试数据稀缺的问题，节约了测试时间和成本，提高了电池回收的盈利性，可推进回收产业规模化发展。通过实例验证，证明了所提出的电池健康状态快速估计方法在提高大规模退役电池直接回收效率和回收盈利的有效性。

本发明实施例中的其他有益效果将在下文中进一步述及。

附图说明

图1为本发明实施例的基于生成式机器学习的退役电池健康状态快速估计方法的流程图。

图2为使用生成数据和仅使用测试数据的SOH估计结果图。

图3为额外脉冲测试和数据生成时间对比图。

具体实施方式

以下对本发明的实施方式做详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

参阅图1，本发明实施例提供一种基于生成式机器学习的退役电池健康状态快速估计方法，包括以下步骤：

一种基于生成式机器学习的退役电池健康状态快速估计方法，其特征在于，包括以下步骤：

a.通过变分自动编码器VAE将已测得的脉冲电压响应数据压缩成潜在空间的潜变量表示；

b.使用交叉注意力机制整合潜在空间的脉冲电压响应数据和退役条件信息，生成蕴含电池退役条件信息的潜在空间脉冲电压响应数据；

c.VAE解码器神经网络利用生成的蕴含电池退役条件信息的潜变量，恢复原始空间重构输入数据，和/或根据原始或未见的退役条件来生成新数据；

d.使用步骤c得到的数据，通过机器学习预测算法预测退役电池的健康状态SOH。

在优选的实施例中，步骤a包括以下子步骤：

a1.通过VAE的编码器神经网络将脉冲电压响应数据压缩成潜在空间的潜变量表示；

a2.通过VAE的解码器神经网络将潜变量解压缩回原始数据维度，以重构脉冲电压响应数据。

在更优选的实施例中，步骤a2中的解码器神经网络的处理包括以下子步骤：

a21.使用权重矩阵和偏差矩阵对采样得到的潜变量进行全连接层变换，生成中间表示，其中权重矩阵和偏差矩阵是可训练的参数；

a22.通过激活函数对全连接层变换的输出进行非线性变换，以生成数据的潜变量表示，用于重构原始数据或生成新的数据样本。

在优选的实施例中，步骤b包括以下子步骤：

b1.将退役电池的退役条件信息作为条件输入，与脉冲电压响应数据一起输入VAE的编码器神经网络；

b2.在潜在空间，使用交叉注意力机制结合脉冲电压响应数据和退役条件信息，生成反映退役条件的潜变量；

b3.通过VAE的解码器神经网络，利用反映退役条件的潜变量重构或生成新的脉冲电压响应数据，以形成用于退役电池健康状态估计的数据集。

在更优选的实施例中，步骤b2进一步包括以下子步骤：

b21.对于退役电池的脉冲电压响应数据和对应的退役条件信息，计算查询序列、键序列和值序列之间的注意力权重；

b22.对计算得到的注意力权重进行归一化，形成有效的概率分布；

b23.根据归一化得到的注意力权重，调整VAE的编码器神经网络的输出，集中VAE对脉冲电压响应数据中与退役条件信息相关联的特定部分的关注，以生成反映退役条件的潜变量。

在更优选的实施例中，步骤b3中的解码器神经网络的处理包括以下子步骤：

b31.根据退役条件信息，调整权重矩阵和偏差矩阵，以专注于与退役条件相关的脉冲电压响应数据的特定部分；

b32.利用解码器神经网络的输出和未见的退役条件信息，通过交叉注意力机制生成新的脉冲电压响应数据。

在优选的实施例中，VAE的潜在空间由参数定义的高斯分布构成；

在步骤a中，使用VAE的编码器神经网络输出的均值和对数方差参数，通过添加从标准正态分布中抽取的高斯噪声向量来生成潜变量；

在步骤c中，使用VAE的解码器神经网络和采样得到的潜变量，通过全连接层和交叉注意力机制，重构或生成新的脉冲电压响应数据，以形成蕴含退役条件信息的数据集。

用于训练VAE的损失函数包括重构损失和Kullback-Leibler散度损失，且优化VAE模型性能的步骤包括：

计算原始脉冲电压响应数据与由VAE重构或生成的脉冲电压响应数据之间的均方误差MSE，作为重构损失；

计算原始数据和由VAE重构或生成的数据之间的Kullback-Leibler(KL)散度，作为KL散度损失；

将重构损失和KL散度损失结合，形成总损失，用于VAE模型训练过程中的参数优化。

在一些实施例中，所述机器学习预测算法可以采用随机森林方法，但本发明不限于此，所述机器学习预测算法可以使用其他的分类和回归算法。

本发明实施例提出的基于生成式机器学习的退役电池健康状态快速估计方法，通过动态脉冲测试获得现场测试数据，再基于生成式机器学习利用离散的有限测量数据生成连续数据，用于识别退役电池的健康状态，解决了测试数据稀缺的问题，节约了测试时间和成本，提高了电池回收的盈利性，可推进回收产业规模化发展。通过实例验证，证明了所提出的电池健康状态快速估计方法在提高大规模退役电池直接回收效率和回收盈利的有效性。

利用生成式机器学习可以通过生成更多的数据，弥补实际测量数据的不足，帮助模型更好地理解退役电池的健康状态，有效解决了基于电池脉冲测试的SOH估计中退役条件相关数据量不足的问题。数据生成技术只需利用现有测试数据进行训练，利用有限的数据空间探索连续的数据空间，挖掘有用的隐藏信息，生成大量蕴含退役条件信息的数据，相比于额外脉冲测试能显著减少测试时间，有助于实现退役电池健康状态快速估计，且不会造成成本的增加，有利于促进电池回收产业规模化发展。

本发明利用生成式机器学习，通过学习测量数据的潜在统计分布，随机地从学到的分布中抽样生成新的样本数据，有效缓解了数据稀缺的问题。本发明利用生成式机器学习的退役电池健康状态快速估计方法有望解决退役电池回收预处理阶段动态脉冲测试获得的数据不足的问题，在节约测量时间和成本的同时，实现退役条件识别所需的数据量需求，提高电池健康状态估计效果，提升电池回收效益。

以下进一步举例描述本发明具体实施例的实现方法。

脉冲电压响应数据生成

本发明实施例基于生成式机器学习的脉冲电压响应数据生成方法，使用已测得的脉冲电压响应数据重构自身，而不是直接生成新的数据样本。生成式机器学习只需利用现有测试数据进行训练，利用有限的数据空间探索连续的数据空间，挖掘有用的隐藏信息，生成大量蕴含退役条件信息的数据，解决基于电池脉冲测试的SOH估计中退役条件相关数据量不足的问题。在脉冲电压响应数据生成过程中，首先将测得的数据压缩成潜变量空间，同时保留从原始统计分布中学到的数据结构，再将其解压缩回到原始维度。在本发明实施例中，重构等同于监督编码神经网络模型和解码神经网络模型，其核心思想是利用有限测量数据和有限数据空间进行数据探索。

在一些具体实施例中，脉冲电压响应数据生成方法说明如下：

交叉注意力是神经网络中的一种机制，使模型能够基于另一个输入的信息，集中关注某一输入的特定部分。在实际应用中，当其中某一数据流中某些特征的相关性取决于另一个数据流的附加信息时，这种机制能发挥显著作用。在电池回收预处理中，退役电池具有不同的退役条件，即电荷状态(SOC)和健康状态(SOH)分布。脉冲电压响应随SOC和SOH的变化呈现显著的偏移，这表明脉冲电压响应与退役条件之间存在一定的条件依赖关系。这种机制使得模型能够发现这种条件依赖关系，从提高预测效果，其中理解不同条件之间的相互作用关系至关重要。一种交叉注意力机制的公式为：

其中，Q,K,V分别代表查询、键和值序列。d

其中，分母是向量v中所有元素的指数和。M是向量v中元素的数量。与自注意力(self-attention)不同，自注意力中输入是相同的，而交叉注意机制利用不同的输入集，其中一个集合用作查询，另一个用作键和值，使模型能够整合来自不同来源或上下文的信息。

蕴含退役条件相关信息的数据输入编码器神经网络，获取反映退役条件的潜变量。变分自动编码器中的编码器网络旨在将输入数据处理和压缩到潜在空间。其中，21维电池电压响应特征矩阵

其中，

其中，

H和C通过交叉注意机制整合在一起，使网络专注于由附加退役条件信息cond条件化的电压响应矩阵x：

AttenEncoder ＝ Attention (H,C,C) (5)

其中，

其中，

退役电池通常表现出集中分布的SOH和SOC，当面对某些特殊的退役条件分布(OOD)时，模型估计性能较差。这种现象是因为退役电动汽车电池具有相似的历史使用情况，因此退役电池的SOH也相似。静置后收集到的退役电池的电压值会低于某个阈值，导致静置SOC低于50％。即使电池实际退役条件仍难以确定，实施例仍可以利用这个近似的先验知识生成足够的数据以涵盖实际的退役条件。在插值设置中，缩放矩阵

其中，

VAE中的采样用于连接编码器神经网络的确定性输出和缩放潜在空间的随机性。它允许模型捕捉输入数据的隐藏结构，特别是脉冲电压响应x和cond以探索相似的数据点。采样过程可以表示为：

其中，

解码过程同样受前馈退役条件信息指导，通过训练解码神经网络并重构输入数据样本对潜变量解压缩，实现脉冲电压响应数据生成。解码器网络的主要功能是将采样的潜在变量z转换回原始数据空间，重构输入数据和/或根据原始或未见的退役条件生成新数据。解码器的第一步是一个将z转换为中间表示的全连接层：

其中，

AttenDecodeder＝ Attention (H

其中，

其中，

损失函数由重构损失和Kullback-Leibler(KL)散度损失两部分组成。重构损失即原始数据与重构或生成数据之间的均方误差(MSE)：

其中，

KL散度损失，即原始和重构或生成数据之间的KL散度为：

总损失包含Loss

Loss＝ω

其中，ω

利用脉冲电压响应数据预测退役电池健康状态

由于数据驱动模型很容易基于有限的训练数据产生偏见的预测结果，本实施例利用由生成机器学习模型生成脉冲电压响应数据，获得覆盖退役条件信息的充足数据信息，再通过随机森林方法实现退役电池SOH估计。随机森林回归可以表示如下：

其中，

实验测试

(1)退役电池测试基本概况

采用2720个退役电池样本来验证所提出方法的有效性，样本具有高度质异性，覆盖多种正极材料类型(镍锰钴氧化物、磷酸铁锂和锰酸锂氧化物)、物理形式(圆柱形、袋式和方形)、容量设计和历史使用场景(实验室加速测试、电动汽车使用、纯电力驱动模式和混合动力驱动模式)。

实验过程中，使用恒定电压恒定电流(CCCV)测试估计结果作为SOH基准。考虑不同退役电池的初始SOC不同，实验中采用先放电再充电的方式来确定退役电池的容量。实验步骤分为：容量校准、SOC调整和脉冲测试。首先使用1C恒定电流将退役电池放电至截止电压，再使用1C恒定电流将其充电至截止电压，再使用恒定电压充电直到电流降至0.05C，最后使用1C恒定电流将其放电至截止电压，截止电压设置如表1。

表1.容量校准中的截止电压设置

完成容量校准后，对退役电池进行SOC调整以在所需SOC水平上进行脉冲测试，考虑不同的脉冲参数，如脉冲宽度、脉冲强度和脉冲方向(放电脉冲或充电脉冲)，脉冲测试参数设置如表2。

表2.脉冲测试参数设置

(2)退役电池健康状态估计结果分析

基于所提出的方法与电池测试真实数据，得到退役电池健康状态估计结果。对比使用生成的数据进行估计和仅使用测试数据估计SOH的估计效果如图2所示，通过平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)衡量模型的估计误差，结果表明使用生成的数据进行估计的误差上限严格地低于没有生成数据下的估计情况。这种实验结果具有重要的现实意义，即回收商可以通过额外实验统一调整退役电池到预期的SOC区域来优化调整数据，达到更好的估计效果，但增加实验同时会带来成本的增加。而生成式机器学习方法只需利用现有测试数据进行训练，利用有限的数据空间探索连续的数据空间，挖掘有用的隐藏信息，生成蕴含退役条件信息的大量数据，而不会造成成本的增加。

比较进行额外脉冲测试和数据生成所需时间如图3所示，结果表明本发明数据生成能显著减少测试时间，实现退役电池健康状态快速估计。

本发明与传统方法相比的优势：

以往退役电池现场测试耗时长、成本高；退役电池现场测试数据有限，难以全面覆盖电池退役条件相关信息。本发明基于生成式机器学习的退役电池健康状态快速估计方法，能够指导在退役电池回收时退役条件的识别预处理，通过生成蕴含退役条件信息的大量脉冲电压响应数据，解决了传统测试方法耗时长、能耗大的问题，且能避免对电池造成二次破坏，为电池回收领域提供了一种耗时少、高精度、低成本的退役电池健康状态估计方法。本发明可为电池制造商、电池用户及电池回收科研机构等的决策提供参考，加快电池回收产业规模化发展。

本发明的具体应用：

本发明基于生成式机器学习的退役电池健康状态快速估计方法，能够指导在退役电池回收预处理时的电池健康状态估计，数据生成技术只需利用现有测试数据进行训练，生成大量蕴含退役条件信息的数据，相比于额外脉冲测试能显著减少测试时间，有助于实现退役电池健康状态快速估计，解决了现有测量数据有限和测量成本高的问题，有利于促进电池回收产业规模化发展，促进电池回收和梯次利用。本发明有望改善电池管理和再利用的可行性。随着电动汽车和可再生能源的普及，市场前景会更为广阔。可适用于电池回收与梯次利用、电动汽车、智能电网等行业。

1、本发明为电池回收与再利用提供了一种快速、便捷、高精度、低成本的健康状态估计方法。在电池回收与再利用过程中，能够更有效地评估电池的健康状态，解决了现有退役电池回收中测量数据有限和测量成本高的问题，有助于提高电池回收效率。

2、电池是电动车的关键组件之一，数据生成技术对电动汽车电池健康状态监测具有现实意义，能有效解决实际测量数据不足的问题，促进电池的健康状态快速估计，有助于电动车制造商更好地管理和维护电池组件，延长电池寿命，提高整体性能。

3、在智能电网中，电池的性能和健康状态对于平衡能源需求和提高电网稳定性具有重要作用。该技术可以用于智能电网中的电池管理系统，提高电池健康状态估计效率，解决电网中电池健康状态相关实际测量数据不足的问题，减少测试时间和成本，优化电池管理。

本发明能够指导在退役电池回收时退役条件的识别预处理，只需利用现有测试数据进行训练，生成大量蕴含退役条件信息的数据，相比于额外脉冲测试能显著减少测试时间，有助于实现退役电池健康状态快速估计，且不会造成成本的增加，有利于促进电池回收产业规模化发展。

本发明实施例还提供一种存储介质，用于存储计算机程序，该计算机程序被执行时至少执行如上所述的方法。

本发明实施例还提供一种控制装置，包括处理器和用于存储计算机程序的存储介质；其中，处理器用于执行所述计算机程序时至少执行如上所述的方法。

本发明实施例还提供一种处理器，所述处理器执行计算机程序，至少执行如上所述的方法。

所述存储介质可以由任何类型的非易失性存储设备、或者它们的组合来实现。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，ElectricallyErasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，FerromagneticRandom Access Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本发明所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本发明所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本发明所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。