一种车载动力锂电池热失控预警保护方法及系统

技术领域

本发明属于锂电池技术领域，具体涉及一种车载动力锂电池热失控预警保护方法及系统。

背景技术

由于锂电池具有高能量密度比，循环使用寿命长和无污染等优点，其已经广泛应用于新能源汽车等行业，2022年我国新能源汽车产量预测将有500多万辆。

新能源汽车的安全问题主要与锂电池的热失控密切相关，锂电池热失控产生的主要诱因有机械滥用，热滥用和电滥用。这些滥用将导致锂电池内短路，从而产生大量的热，导致电池内部温度逐渐升高，进而引起锂电池内部副反应发生，造成锂电池热失控现象。所以锂电池的热失控预警就显得尤为重要。通常，锂电池热失控发生后，留给车辆驾驶及随乘人员逃离时间非常短暂。因此，对热失控进行有效预警，并采取相应的保护措施，对于保护人员生命安全有重要的意义。

目前锂电池热失控预警保护系统主要利用传感器探测锂电池特征物理量，再对特征信息进行融合，判断若达到报警条件，立即给报警模块发送报警信号，并采取相应的保护措施。预警系统受传感器影响较大，且利用单一传感器容易发生误报，造成预警准确率不高。虽然现有研究在一定程度上增加了报警的准确率，但还存在以下问题：

(1)虽然使用了多种传感器对锂电池特征物理量进行探测，避免了使用单一类型传感器预警的缺点，但是由于对采集的原始数据处理不够充分，导致模型的输入数据质量不高，且不能有效的融合同类传感器和异类传感器的信息，使得预警准确率难以进一步提升。

(2)当前针对动力锂电池包安全预警系统，各类传感器的数量、构成及分布尚未形成有效的设计方法与策略。

发明内容

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，提供一种车载动力锂电池热失控预警保护方法及系统，用于解决现有锂电池预警误报率与漏报率高的技术问题。

本发明采用以下技术方案：

一种车载动力锂电池热失控预警保护方法，包括以下步骤：

S1、获取锂电池包的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量；

S2、利用加权滑动平均滤波对步骤S1得到的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量进行预处理；

S3、使用卡尔曼滤波对步骤S2预处理后的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量进行一级融合；

S4、利用PNN对步骤S3得到的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量进行融合并做出预警分类决策，得到预警分类等级。

步骤S1中，采用矩形阵列方式在锂电池包内布置传感器，采集锂电池包的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量。

具体的，步骤S2中，预处理具体为：

将连续采样的传感器的10个采样值存入缓存区；然后每采样一个数据便将采样值加入缓存区首端，同时去除缓存区末端的采样值，并计算传感器的10个采样值的加权平均值。

进一步的，加权平均值

其中，x

具体的，步骤S3具体为：

利用上一时刻的最优估计值计算这一时刻的状态估计

进一步的，当前时刻最优估计值

其中，Z

进一步的，当前时刻最优估计值的误差协方差P

P

其中，P

具体的，步骤S4具体为：

S401、将步骤S3卡尔曼滤波输出的四种不同类型的传感器数据进行归一化处理，使得数据在[0，1]之间；

S402、将归一化后的特征向量X_r输入到训练好的PNN神经网络模型；

S403、将PNN神经网络分类决策结果输出。

具体的，步骤S403中，获得到预警分类结果y，y＝{0，1，2，3}，y＝0时为正常，y＝1时表示一级预警，y＝2时表示二级预警，y＝3时表示三级预警。

第二方面，本发明实施例提供了一种车载动力锂电池热失控预警保护系统，包括：

数据模块，获取锂电池包的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量；

预处理模块，利用加权滑动平均滤波对数据模块得到的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量进行预处理；

融合模块，使用卡尔曼滤波对预处理模块预处理后的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量进行一级融合；

预警模块，利用PNN对融合模块得到的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量进行融合并做出预警分类决策，得到预警分类等级。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种车载动力锂电池热失控预警保护方法，在锂电池包内布置多个传感器，能够实时且准确的测得锂电池当前状态，检测的覆盖面积大，特征物理量多，能够有效的监控锂电池健康状态，检测的可靠性高；对采集的传感器数据采用加权滑动平均滤波处理，设置一个可容纳10个数据的缓存区，每个传感器连续采样并将10个采样值存入缓存区中进行加权平均计算，然后每测得一个采样值就会剔除缓存区内最旧的采样值，并对缓存区内新的数据进行计算，该滤波方法实时性好，平滑程度高，能够提高各类传感器采集数据的精度；采用卡尔曼滤波进行同类传感器数据融合，可以很好的控制噪声对各类传感器的干扰，尽可能消除某一个传感器故障或受到噪声干扰的影响，使得PNN网络输入数据的质量提高；使用PNN神经网络融合异类传感器数据，并对报警等级进行预测。该算法网络结构简单，且没有模型参数需要训练，使用的样本数据较少，收敛速度非常快，相比较传统的决策方法，可以准确的对预警等级进行判断；根据预警等级，发出相应的控制指令进行预警与保护。可以有效的提醒车内人员及时做出反应，并采取保护措施，避免人员发生伤害。同时，可以通过5G通信模块，发送预警信息给紧急联系人，车内无人时也可以查看车辆预警状态。

进一步的，采用矩形阵列布置传感器可以采集多方位不同的数据信息。阵列布置为检测增强了新的维度，有助于获取更多参数并提高精确度和系统性能。

进一步的，采用加权平均计算连续采样的传感器的10个采样值，可以使采样的数据更加平滑。消除噪声干扰，提高读取数据的精确度。

进一步的，加权平均数表示某个数据在一组数据中的重要程度。每个数据所占权重不同，影响就不同，权重越大的数据在总体中所占的比例越大，它对加权平均数的影响也越大。因此评价系统整体性能时需要利用加权平均值算法。

进一步的，因为同一环境参数需要在不同区域布置多个传感器来进行检测，因此会存在大量的冗余数据，当传感器精度不高而导致误差较大或测量波动明显时会导致系统效果不好，所以需要借助卡尔曼滤波算法过滤掉多余的数据，可以有效地减小系统测量误差。

进一步的，卡尔曼滤波的核心思想即是根据当前时刻的“测量值”和上一时刻对当前时刻的“预测值”和“误差”进行加权平均，得到当前时刻的最有估计值，并对下一时刻的值进行预测，从而完成一次循环。所以需要得到当前时刻的最有估计值和最有估计值的误差协方差。

进一步的，用神经网络模型对数据进行预测之前，需要先进行归一化处理，使得预处理的数据被限定在一定的范围内，从而消除奇异样本数据导致的不良影响，并且可以加快求最优解的速度。

进一步的，设置四级预警分类，根据预警等级，车内发出相应的控制指令进行预警与保护。可以有效的提醒车内人员及时做出正确的反应，并采取相应保护预防措施，保证了车内人员的安全。

可以理解的是，上述第二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。

综上所述，本发明利用加权滑动平均滤波对传感器数据进行预处理，可以提高各类传感器采集数据的精度；进一步使用卡尔曼滤波对同类传感器数据进行融合，可以很好的控制噪声对真实数据的影响，为神经网络的输入提供更有效数据；再将四种异类传感器数据输入训练好的概率神经网络(PNN)对锂电池包热失控报警等级进行预测，可以有效的降低预警的误报率与漏报率。

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

图1为热失控预警方法总流程图；

图2为滑动平均滤波算法流程图；

图3为传感器数据融合总流程图；

图4为卡尔曼滤波流程图；

图5为PNN神经网络模型构建流程；

图6为本发明PNN神经网络结构图；

图7为本发明硬件结构框图；

图8为卡尔曼滤波一级融合结果图；

图9为卡尔曼滤波误差协方差变化曲线图；

图10为PNN神经网络预测结果图；

图11为各类传感器位置分布图。

其中：1.锂电池包；2.烟雾传感器；3.红外可燃气体探测器；4.温度传感器；5.CO浓度探测器。

具体实施方式

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。

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。

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。

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。

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。

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)”。

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。

本发明提供了一种车载动力锂电池热失控预警保护方法，通过使用温度传感器，烟雾探测器，CO浓度探测器与红外可燃气体探测器对锂电池的热失控特征物理量进行检测，并在锂电池包内对传感器的分布情况进行部署；利用加权滑动平均滤波对传感器数据进行预处理，可以提高各类传感器采集数据的精度；进一步使用卡尔曼滤波对同类传感器数据进行融合，可以很好的控制噪声对真实数据的影响，为神经网络的输入提供更有效数据；再将四种异类传感器数据输入训练好的概率神经网络(PNN)对锂电池包热失控报警等级进行预测，可以有效的降低预警的误报率与漏报率。

请参阅图1，本发明一种车载动力锂电池热失控预警保护方法，包括锂电池特征物理量检测系统，热失控预警系统与抑制措施；基于温度，烟雾浓度，CO浓度与可燃气体浓度的探测系统，利用卡尔曼滤波对同类传感器数据融合，使用PNN对异类传感器数据融合，并进行三级预警决策，通过5G通信模块将预警信息发送给紧急联系人，再根据预警等级不同做出不同的抑制措施，具体包括以下步骤：

S1、在锂电池包内布置多个传感器，并测得温度，CO浓度，烟雾浓度与可燃气体浓度特征物理量；

S2、采用步骤S1测得的特征物理量，利用加权滑动平均滤波对传感器数据进行预处理，该算法平滑程度高，且实时性好，能够提高各类传感器采集数据的精度；

请参阅图2，传感器数据预处理流程如下：

S201、令计算机将连续采样的传感器的10个采样值存入缓存区；

S202、每采样一个数据便将采样值加入缓存区首端，同时去除缓存区末端的采样值，并计算传感器的10个采样值的加权平均值；

设采样的10个数据为x

根据实际情况，越接近当前时刻的数据，权值应该越大，这样才能更接近当前时刻的真实值，即max{w

S203、输出当前时刻每个传感器滤波后的值；

S204、剔除缓存区末端一个采样值；

S205、新一个采样值加入缓存区首端，并返回到步骤S202。

S3、采用步骤S2处理过后的传感器数据，使用卡尔曼滤波对四种同类特征物理量进行一级融合，减少噪声干扰，将输出结果作为异类传感器融合的输入数据；

请参阅图3，对四种同类特征物理量进行一级融合具体为：

使用卡尔曼滤波对四种同类特征物理量进行一级融合，减少噪声干扰，将输出四个传感器融合结果作为异类传感器融合的输入数据，下面以本发明的温度传感器融合方法为例，其他类型传感器融合与温度传感器融合过程相同，不再赘述；

利用卡尔曼滤波算法，融合同类传感器数据，其核心思想是依据同类型传感器当前时刻的所有测量点的测量值Z

请参阅图4，利用卡尔曼滤波进行一级同类传感器数据融合具体为：

S301、一步状态预测：利用上一时刻的最优估计值计算这一时刻的状态估计；

其中，

S302、计算预测与真实值之间的误差协方差；

P

其中，P

S303、计算卡尔曼增益K

K

其中，H是量测矩阵，R为量测噪声，设置参数

S304、计算当前时刻最优估计值

其中，Z

S305、计算当前时刻最优估计值的误差协方差；

P

其中，P

S306、将当前时刻最优估计值

S4、采用步骤S3融合后的传感器数据，通过PNN对四种异类传感器数据进行融合并做出预警分类决策，根据预警分类等级，做出相应的抑制措施。

S401、将步骤S3卡尔曼滤波输出的四种不同类型的传感器数据进行归一化处理，使得数据在[0，1]之间，本发明使用的是最大最小标准化方法，公式如下：

其中，X为输入的特征向量，即X＝[x

S402、将归一化后的特征向量X_r输入到训练好的PNN神经网络模型，获得到预警分类结果y，且y的可能取值y＝{0，1，2，3}，y＝0时为正常，y＝1时表示一级预警，y＝2时表示二级预警，y＝3时表示三级预警；

S403、将PNN神经网络分类决策结果输出。

通过PNN概率神经网络输出预测分类结果y，y的可能取值y＝{0,1,2,3}，y＝0时为正常，y＝1时表示一级预警，y＝2时表示二级预警，y＝3时表示三级预警。

获得预警等级，采取相应的预警与保护措施，结合图1，预警与保护措施如下：

一级预警，当神经网络输出为1时，判断为一级预警，主控单元将报警信号通过CAN总线发送给报警模块，报警模块使用指示灯和语音提示车内人员。

二级预警，当神经网络输出为2时，判断为二级预警，主控单元将报警信号通过CAN总线发送给报警模块，采用上一级预警所有措施，并通过5G车载通信模块将报警信息发送给紧急联系人；同时，主控单元将控制信号通过CAN总线发送给抑制模块，抑制模块启动液冷散热装置，并加大风冷散热。

三级预警，当神经网络输出为3时，判断为三级预警，主控单元将报警信号通过车内CAN总线发送给报警模块，采用上一级预警所有措施；主控单元将切断整车电源，限制车辆行驶；同时，抑制模块启动氮气发生器，在锂电池包内充满氮气，尽可能的让电池包内氧气变少，阻断燃烧条件；同时，抑制模块启动气溶胶灭火器，抑制火焰燃烧。

优选的，将预警信息显示在车辆显示装置，并进行语音播报提示，同时通过5G通信模块将预警信息发送给紧急联系人。

本发明再一个实施例中，提供一种车载动力锂电池热失控预警保护系统，该系统能够用于实现上述车载动力锂电池热失控预警保护方法，具体的，该车载动力锂电池热失控预警保护系统包括锂电池状态检测模块、电池管理模块、融合模块与预警模块。

其中，锂电池状态检测模块，获取锂电池包的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量；

电池管理模块，利用加权滑动平均滤波对数据模块得到的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量进行预处理；

融合模块，使用卡尔曼滤波对预处理模块预处理后的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量进行一级融合；

预警模块，利用PNN对融合模块得到的温度，CO浓度，烟雾浓度与可燃气体浓度的特征物理量进行融合并做出预警分类决策，得到预警分类等级。

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。

请参阅图5，具体的，本发明PNN神经网络的构建与预测过程可按以下方法实施：

S1、获取数据集：在现场实验平台进行实验，对锂电池做挤压，针刺，三点弯曲，过充，加热，碰撞实验；记录在不同条件下锂电池从正常到完全热失控时每个传感器数据，采样时间为0.1s，本发明共采样了1001个样本数据；

S2、确定数据集标签：根据不同条件下现场实验现象以及测得的电学特性、机械特性和热力学特性等曲线，可以较为容易判断出锂电池热失控开始的临界点；将电池热失控开始的临界点前20s的数据标记为一级预警，即在热失控临界点前20s，确定数据标签为1，此时锂电池受轻微影响，但不会引发完全热失控；将热失控开始的临界点到SEI膜溶解现象发生时的临界点之间的数据标记为二级预警，即数据标签为2，此时锂电池处于热失控的第一个阶段，称为热积累阶段，在此阶段采取降温措施，物质活性下降，热失控副反应会减慢，可能会终止反应；将SEI膜发生大规模溶解现象后的所有数据标记为三级预警，即数据标签为3，此时锂电池热失控已经不可逆转，只有反应物耗尽热失控才能终止；将剩余数据都标记为正常，即数据标签为0；

S3、构建PNN神经网络结构；

图6，为本发明中PNN神经网络结构；PNN神经网络共分为4层，分别是输入层，模式层，求和层，输出层。

其中，输入层为4个神经元节点，输入的特征为四个传感器数据；模式层的神经元节点数为训练数据样本的数量，如图，属于0类的样本数量为m，属于1类的样本数量为n，属于2类的样本数量为q，属于3类的样本数量为r,则该层神经元数量为m+n+q+r；求和层的神经元节点数为4，此为类别数目；输出层，输出求和层中这四类得分最高的一类；

S4、将实验获得的数据，经过本发明所述数据处理方法后训练PNN神经网络，并随机选取800个数据作为训练集，其余201个数据作为测试集，通过多次测试集检验，选取使得PNN分类准确率最高的平滑因子σ＝0.75，且测试集准确率能够达到96.51％；

S5、PNN神经网络模型构建完成，输入本发明所述处理后的数据，PNN神经网络会输出预警分类结果。

请参阅图7，车载动力锂电池热失控预警保护系统包括锂电池状态检测模块、电池管理模块、预警模块、通信模块与抑制模块。

其中，锂电池状态检测模块，包括十六个温度传感器，四个CO浓度探测器，五个烟雾浓度探测器与四个红外可燃气体检测器，检测四种锂电池特征物理量，其中温度为T，CO浓度为C，烟雾浓度为S，可燃气体浓度为K；

电池管理模块，包括信号调理电路、主控单元与存储单元，将锂电池状态检测模块检测到的传感器信号输入到信号调理电路，将采集到的传感器信号经过放大器提高信号电平，经过滤波器在一定的频率范围内去处不希望的噪声，再通过A/D转换器，将传感器采集的模拟信号转换为可以由处理器处理的数字信号；将采样完成的数字信号输入主控单元中，由微处理器对输入数据进行处理、计算，输出预警与保护信号；存储单元主要用于存储本发明所述方法的指令与计算过程产生的数据；

预警模块，预警模块包括显示装置和语音播放设备，当检测到预警信号时，通过显示装置和语音播报提醒车内人员预警信息；

通信模块，通信模块包括5G车载通信模块，发送预警信息给远程终端设备；

抑制模块，包括气溶胶和氮气发生器。

锂电池预警保护系统的数据采集具体为：

锂电池上放置有29个传感器，因此需要数据采集系统对这29个数据进行实时采集。主要包括数据采集模块，信号调理电路模块和通讯模块及应用软件部分，如图7所示。当锂电池上的传感器将各种信号采集后，经过信号调理电路，消除噪声；放大电路信号然后将模拟信号转化为处理器可以识别的数字信号。最后由微处理器进行处理后显示出来，完成数据采集任务，同时实时地监控传感器的变化。

锂电池数据采集系统具有以下特点：

①被测参数种类多，覆盖面宽。需要测量的参数主要有温度、烟雾浓度、CO含量、可燃气体浓度、压力等多种。

②要求传感器的精度高，响应快。例如，在锂电池测试中如果发生热失控，温度可能会在很短时间内达到几百度，所以其测量应该满足-200～850℃。响应时间<20s还应具有抗振动、稳定性好等特性。

③测试采样速率高。锂电池在热失控状态下各种参数变化很快，单体或模组在一种状态下、同一瞬间的各种参数的变化情况都要求记录下来。一般要求采集速率从1～100kHz之间。

④测量灵敏度和准确率要求高。例烟雾传感器需要在较宽的浓度范围内对可燃气体有很好的灵敏度；温度传感器准确度达到±0.5％；CO传感器检测浓度范围0～3000ppm，基线偏移<10ppm，参数的测量要求具有8位分辨率的AD转换器。

请参阅图8，为卡尔曼滤波融合结果图，以温度传感器为例，利用卡尔曼滤波融合温度传感器数据，0.1秒采样一次，共采样1001个样本，图中为其中30组样本的融合结果，可以看到传感器的融合结果较好，且其融合后的误差协方差P＝0.009。

请参阅图9，为卡尔曼滤波融合结果的误差协方差变化曲线图，可以看到该算法收敛速度快，且滤波稳定。

请参阅图10，共采集1001个样本数据，且0.1秒采集一次，将处理完成的数据随机划分800个样本为训练集，201个样本为测试集，图中为PNN神经网络201个测试集样本预测结果图，预测准确率为96.51％。

请参阅图11，为锂电池包内各个传感器分布情况，如图11所示，锂电池状态检测模块包括锂电池包1、烟雾传感器2、红外可燃气体探测器3、温度传感器4和CO浓度探测器5。将锂电池包1内划分为4个区，每个区内放置4个温度传感器4，锂电池包1内共放置16个温度传感器4，温度传感器4布置范围广，可以全面且准确的监控锂电池包内的温度；锂电池包1内共放置5个烟雾传感器2，放置电池包的中心位置与四角位置，可以有效检测出每个分区的烟雾情况；沿锂电池包1的两个中线分别放置4个CO浓度探测器5与4个红外可燃气体探测器3；锂电池包内共有19个传感器，能够对锂电池的状态全面且准确的进行监控。

综上所述，本发明一种车载动力锂电池热失控预警保护方法及系统，采用加权滑动平均滤波对传感器数据进行预处理，可以提高各类传感器采集数据的精确度；进一步使用卡尔曼滤波对同类传感器数据进行融合，可以很好的控制噪声对真实数据的影响，且融合后的数据误差较小，能为神经网络的输入提供更有效数据；再将融合后的四种异类传感器数据输入训练好的概率神经网络(PNN)对锂电池包热失控报警等级进行预测，预测的准确率可达96.51％，可以有效的降低预警的误报率与漏报率，准确的对热失控等级进行预测，有效避免人员发生伤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

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。