一种感控系统故障预测方法及装置

技术领域

本发明涉及感控技术领域，具体而言，涉及一种感控系统故障预测方法及装置。

背景技术

在感控领域，设备的故障或潜在的故障风险会给清洗、干燥、消毒、灭菌等环节带来工作失败、进度停滞延期等不良影响，进而影响了消毒医疗器械的稳定及时供应，甚至造成手术中止等医疗事故。事实上，这种不稳定性、不可靠性是感控领域的最突出问题。

为解决不稳定性、不可靠性的问题，除了提高单台设备的可靠性的常规途径，对设备整个感控领域各个环节，各个设备的状态的实时监测并对其故障进行预测和诊断，成为一项充满希望的有效途径，借此可以适时采取适当的检查、维护、维修等积极主动措施。

目前，故障预测及诊断技术已经在工业领域有了成熟应用，随着工业物联网和智能传感技术的高速发展，工业生产设备越来越多开始采用工厂设备故障预测及诊断系统，以便能够及时、准确的对生产过程或设备状态进行实时监控与故障预测，这种故障预测方法在感控领域也同样适用，然而，现有的故障预测方法存在不准确的问题，导致感控系统可靠性较低。

发明内容

本发明的目的在于提供一种感控系统故障预测方法及装置，用以改善现有技术中故障预测存在不准确，导致感控系统可靠性较低的问题。

第一方面，本申请实施例提供一种感控系统故障预测方法，包括以下步骤：

将感控系统中的设备按照工作阶段进行划分，得到多个设备集，所述设备集中包括一个或多个设备；

实时获取各个所述设备集中设备的参数信息；

分别根据各个所述设备集中设备的参数信息，采用各个设备集对应的健康评估模型进行评估，得到各个工作阶段的评估结果；

根据所述各个工作阶段的评估结果，从各个所述设备集中设备的参数信息中确定故障特征；

根据所述故障特征，采用基于核主元成分分析算法和随机森林算法构建的故障预测模型对所述感控系统进行故障预测，得到系统故障预测结果。

基于第一方面，在本发明的一些实施例中，所述健康评估模型的构建，包括以下步5骤：

分别获取各个设备集的历史数据样本，所述各个设备集的历史数据样本包括历史设备参数信息，以及对应工作阶段的健康状态；

根据所述各个设备集的历史数据样本，分别采用基于XGBoost算法的评估模型进行训练，得到各个设备集对应的健康评估模型。

0基于第一方面，在本发明的一些实施例中，根据所述各个工作阶段的评估结果，从

各个所述设备集中设备的参数信息中确定出故障特征，包括以下步骤：

将所述各个工作阶段的评估结果分别与对应的阶段阈值进行对比，得到多个对比结果；

根据所述多个对比结果，确定异常工作阶段；

5根据所述异常工作阶段，提取出对应设备集中设备的参数信息；

根据所述对应设备集中设备的参数信息和对应的对比结果，确定出故障特征。

基于第一方面，在本发明的一些实施例中，根据所述对应设备集中设备的参数信息和对应的对比结果，确定出故障特征，包括以下步骤：

将所述异常工作阶段对应的对比结果作为权重；

0将所述对应设备集中设备的参数信息作为特征参数；

将所述特征参数与所述权重相乘，得到故障特征。

基于第一方面，在本发明的一些实施例中，还包括以下步骤：

获取故障训练集和故障测试集；

根据所述故障训练集，采用核主元成分分析算法和随机森林算法进行模型构建，得5到初始预测模型；

采用所述故障测试集，对所述初始预测模型进行优化，得到故障预测模型。

基于第一方面，在本发明的一些实施例中，根据所述故障训练集，采用核主元成分分析算法和随机森林算法进行模型构建，得到初始预测模型，包括以下步骤：

对所述故障训练集中的特征样本进行归一化处理，得到预处理特征样本；0对预处理特征样本加入随机噪声，得到新的特征样本；

采用核主元成分分析算法，对所述新的特征样本进行核主元提取，得到新的特征样本矩阵；

根据所述新的特征样本矩阵与所述故障训练集，对预置的随机森林模型进行训练，得到初始预测模型。

基于第一方面，在本发明的一些实施例中，还包括以下步骤：

根据系统故障预测结果，确定故障设备，并根据所述故障设备生成故障提醒信息。

第二方面，本申请实施例提供一种感控系统故障预测装置，包括：

设备划分模块，用于将感控系统中的设备按照工作阶段进行划分，得到多个设备集，所述设备集中包括一个或多个设备；

参数信息获取模块，用于实时获取各个所述设备集中设备的参数信息；

评估模块，用于分别根据各个所述设备集中设备的参数信息，采用各个设备集对应的健康评估模型进行评估，得到各个工作阶段的评估结果；

故障特征确定模块，用于根据所述各个工作阶段的评估结果，从各个所述设备集中设备的参数信息中确定故障特征；

故障预测模块，用于根据所述故障特征，采用基于核主元成分分析算法和随机森林算法构建的故障预测模型对所述感控系统进行故障预测，得到系统故障预测结果。

第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当所述一个或多个程序被所述处理器执行时，实现如上述第一方面中任一项所述的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项所述的方法。

本发明实施例至少具有如下优点或有益效果：

本发明实施例提供一种感控系统故障预测方法及装置，通过将感控系统中的设备按照工作阶段进行划分，得到多个设备集，所述设备集中包括一个或多个设备；然后实时获取各个所述设备集中设备的参数信息；分别根据各个所述设备集中设备的参数信息，采用各个设备集对应的健康评估模型进行评估，得到各个工作阶段的评估结果；根据所述各个工作阶段的评估结果，从各个所述设备集中设备的参数信息中确定故障特征；通过对不同工作阶段分别采用健康评估模型进行健康评估，从而可以确定各个工作阶段的健康状态，进而通过健康状态来确定出可能影响感控系统出现故障的故障特征，说明是有效的故障特征，从而保证了故障特征的有效性。最后，根据所述故障特征，采用基于核主元成分分析算法和随机森林算法构建的故障预测模型对所述感控系统进行故障预测，得到系统故障预测结果。由于核主元成分分析能够有效选择特征样本，随机森林对噪声具有较好的容忍度和很高的评估准确率，使得到的故障预测模型的预测准确度大大提高，从而使得到的系统故障预测结果更加准确。并且得到故障特征都是有效的故障特征，进一步提高了系统故障预测的准确度，进而提高了整个感控系统消杀工作链的可靠性。

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，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例提供的一种感控系统故障预测方法流程图；

图2为本发明实施例提供的一种感控系统故障预测装置结构框图；

图3为本发明实施例提供的一种电子设备的结构框图。

图标：110-设备划分模块；120-参数信息获取模块；130-评估模块；140-故障特征确定模块；150-故障预测模块；101-存储器；102-处理器；103-通信接口。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

实施例

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

请参看图1，图1为本发明实施例提供的一种感控系统故障预测方法流程图。本发明提供的感控系统故障预测方法可以运用于医院中的感染控制系统。该感控系统故障预测方法，包括以下步骤：

步骤S110：将感控系统中的设备按照工作阶段进行划分，得到多个设备集，所述设备集中包括一个或多个设备；在本实施例中，感控系统根据工作环节的不同，可以包括清洗、干燥、消毒三个工作阶段，其中，各个工作阶段不同，所涉及到的设备也不相同，具体根据实际运用场景不同而选择配置。比如：消毒阶段包括紫外灯消杀器、空气消毒装置等，干燥阶段包括热风机、排风扇等。需要说明的是，感控系统还可以根据其他的方式划分工作阶段，本实施例不做限定。

步骤S120：实时获取各个所述设备集中设备的参数信息；在本实施例中，上述参数信息是指设备工作时的实时参数信息，包括设备内部的技术参数信息、实时采集的信息等，比如，在设备中常见的传感器采集的数据信息、设备中电机的转速、风机的转速等。具体可以是根据实际使用的设备的不同，设置不同的参数信息。通过实时获取设备的参数信息，可以及时了解设备的运行情况，便于后期设备故障诊断分析。

步骤S130：分别根据各个所述设备集中设备的参数信息，采用各个设备集对应的健康评估模型进行评估，得到各个工作阶段的评估结果；在本实施例中，可以预先对不同的工作阶段分别构建一个相应的健康评估模型，以用于评估当前这个工作阶段的设备健康状况。

其中，健康评估模型的构建方式可以相同，也可以不同。为了节约计算资源，便于快速构建健康评估模型，可以采用相同的构建方式，具体可以包括以下步骤：

首先，分别获取各个设备集的历史数据样本，所述各个设备集的历史数据样本包括历史设备参数信息，以及对应工作阶段的健康状态；在本实施例中，所述历史数据样本包括有多组历史数据，其中历史数据包括设备参数信息，以及对应工作阶段的健康状态。

然后，根据所述各个设备集的历史数据样本，分别采用基于XGBoost算法的评估模型进行训练，得到各个设备集对应的健康评估模型。

在本实施例中，XGBoost常用的处理方法是将多分类任务转化成多个诸如“该工作阶段是否正常？”的二分类任务。因此，模型由三个子模型组成，每个子模型分别输出一个评分值用来判断输入样本是否属于此种类别。健康评估模型输出的是该工作阶段的状态，共有正常、工作效率低、工作能耗高三种。健康评估模型即基于XGBoost算法的分类模型。其中，评估模型以最小化损失函数为优化目标，使用反向传播进行梯度提升。

其中，可以通过KMeans聚类建立状态区间，KMeans聚类算法是将相似的样本自动归到一个类别中。可以获取多个历史健康评估数据，并将多个历史健康评估数据作为样本，然后设定两个类簇，分别为正常和异常，然后分别确定初始中心点，再分别将各个历史健康评估数据采用KMeans聚类进行聚类，得到两种类别，分别提取各个类别中历史健康评估数据的状态类别，从而得到各个类别的状态区间。通过KMeans聚类建立状态区间使输出的分数具有区分度，基于XGBoost算法建立健康评估模型，对处于正常和异常状态之间的工作阶段给出评分，通过状态区间呈现工作阶段健康评估结果。所述评估模型以设备参数信息作为输入数据。设备参数信息包括设备技术参数、设备实时采集的数据。健康评估模型提取XGBoost模型中间层概率为工作阶段健康状况打分，通过状态区间呈现工作阶段健康评估结果。

在本实施例中，所述健康评估模型输出的是评分，还可以根据输出的评分自动生成显式的状态区间。

具体实施时，可以是基于XGBoost算法构建得到健康评估模型，首先是获取到历史数据样本，包括正常和异常样本，然后利用XGBoost算法，设定参数，构建评估模型以判断工作阶段是否异常，具体为判断模型准确率和泛化性是否满足要求，若满足，则提取模型评分层，并对所有历史数据样本进行健康评价；若不满足，则再次用XGBoost算法，设定参数，构建评估模型以判断工作阶段是否异常。在进行健康评价后，再判断评分是否有区分度，若有，则通过聚类形成健康状态区间，完成健康评估模型构建；若没有，则再次用XGBoost算法，设定参数，构建评估模型以判断工作阶段是否异常。

在本实施例中，各个工作阶段可以分别按照上述过程预先构建得到相应的健康评估模型，然后根据各个设备集中设备的参数信息，分别进行工作阶段的健康状态评估，从而可以得到各个工作阶段的健康评估结果，以便于后期根据评估结果对整个感控系统的故障进行预测。

步骤S140：根据所述各个工作阶段的评估结果，从各个所述设备集中设备的参数信息中确定故障特征；在得到评估结果后，可以确定出哪些工作阶段出现异常，从而确定出可能会影响感控系统的特征参数，具体可以是通过以下步骤实现：

首先，将所述各个工作阶段的评估结果分别与对应的阶段阈值进行对比，得到多个对比结果；在本实施例中，上述评估结果为分值，可以预先设置不同工作阶段的阶段阈值，上述对比的过程可以是将评估结果与阶段阈值相减，以得到差值，这个差值作为对比结果，需要说明的是，上述阶段阈值可以是根据不同的工作阶段分别进行设置，可以是根据实际需要进行设置。

然后，根据所述多个对比结果，确定异常工作阶段；在本实施例中，若对比结果较小，则说明与阶段阈值比较接近，反之则说明与阶段阈值差距较大。可以将对比结果中较大值的筛选出来，从而找到对应的工作阶段，作为异常工作阶段。比如：清洗阶段的对比结果为0.1，干燥阶段的对比结果为0.1，消毒阶段的对比结果为0.8，则可以得到异常工作阶段为消毒阶段。需要说明的是，上述异常工作阶段可以是一个或多个工作阶段。

然后，根据所述异常工作阶段，提取出对应设备集中设备的参数信息；

最后，根据所述对应设备集中设备的参数信息和对应的对比结果，确定出故障特征。在本实施例中，由于对比结果越大，说明与阶段阈值差距较大，则出现故障的几率较大，因此，在确定故障特征时，可以考虑将对比结果作为权重，以体现出现故障的几率大小。具体包括以下步骤：

第一步，将所述异常工作阶段对应的对比结果作为权重；

第二步，将所述对应设备集中设备的参数信息作为特征参数；

第三步，将所述特征参数与所述权重相乘，得到故障特征。

通过考虑权重，可以使故障特征更能体现出工作阶段的健康状态，从而有助于提高后期故障预测的准确度。

步骤S150：根据所述故障特征，采用基于核主元成分分析算法和随机森林算法构建的故障预测模型对所述感控系统进行故障预测，得到系统故障预测结果。

在本实施例中，上述故障预测模型可以采用核主元成分分析算法和随机森林算法相结合构建得到，具体包括以下步骤：

首先，获取故障训练集和故障测试集；上述故障训练集和故障测试集可以是历史数据，上述故障训练集用于训练模型，上述故障测试集用于验证和优化模型。其中，这里故障训练集和故障测试集中所包含的样本数据都是对于整个感控系统的故障数据，包括感控系统中各个设备的参数信息，以及系统故障类别。

然后，根据所述故障训练集，采用核主元成分分析算法和随机森林算法进行模型构建，得到初始预测模型；利用核主元成分分析在高维空间具有较强的特征选取能力和随机森林优秀的故障辨识能力，通过核主元成分分析法可以将原始特征样本映射到高维特征空间提取主元，以构造新的特征样本，再利用随机森林模型进行感控系统的故障诊断。

上述初始预测模型的构建具体可以是通过以下步骤得到：

第一步，对所述故障训练集中的特征样本进行归一化处理，得到预处理特征样本；上述归一化处理可以是归一到[0，1]之间，以消除量纲影响，有助于加快模型训练速度。

第二步，对预处理特征样本加入随机噪声，得到新的特征样本；由于预处理特征样本中可能引入了一定的噪声，为了检验模型的抗干扰能力，可以对预处理特征样本加入随机噪声。

具体为：设D1为加入噪声前的预处理特征样本矩阵，加入噪声后的新的特征样本矩阵为D2。

D2(i，j)＝D1(i，j)×[1+a×rands(1)]

其中，a为噪声控制系数，取值可以为0.2、0.5、0.8；rands(1)为用于生成－1～1的随机函数，i为特征样本矩阵中的行，j为特征样本矩阵中的列。

第三步，采用核主元成分分析算法，对所述新的特征样本进行核主元提取，得到新的特征样本矩阵；核主成分分析(KPCA)是线性主成分分析(PCA)的非线性扩展算法，采用非线性的方法抽取主成分，即KPCA是通过映射函数将新的特征样本映射到高维空间，在高维空间上进行PCA分析。KPCA不仅适合于解决非线性特征提取问题，而且它还能比PCA提供更多的特征数目和更高的特征质量。上述采用核主成分分析进行核主元提取属于现有技术，在此就不再赘述。

第四步，根据所述新的特征样本矩阵与所述故障训练集，对预置的随机森林模型进行训练，得到初始预测模型。选择适当的随机森林模型参数，包括树节点预选的变量个数和随机森林中决策树的个数，然后使用有新的特征样本矩阵的故障训练集训练随机森林模型，从而得到初始预测模型。随机森林通过自助法(bootstrap)重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本(k一般和N相同)生成新的训练样本集，然后根据自助样本集生成n个分类树组成随机森林。其实质是对决策树算法的一种改进，将多个决策树合并在一起，每棵树的建立依赖于一个独立抽取的样本集。上述随机森林模型属于现有技术，在此就不再赘述。

最后，采用所述故障测试集，对所述初始预测模型进行优化，得到故障预测模型。上述优化是指通过故障测试集对上述初始预测模型间验证，并调整初始预测模型的参数，从而得到更加优化的故障预测模型。

通过将故障特征作为故障预测模型的输入，进而可以得到系统故障预测结果。由于核主元成分分析能够有效选择特征样本，随机森林对噪声具有较好的容忍度和很高的评估准确率，使得到的故障预测模型的预测准确度大大提高，从而使得到的系统故障预测结果更加准确。

上述实现过程中，通过将感控系统中的设备按照工作阶段进行划分，得到多个设备集，所述设备集中包括一个或多个设备；然后实时获取各个所述设备集中设备的参数信息；分别根据各个所述设备集中设备的参数信息，采用各个设备集对应的健康评估模型进行评估，得到各个工作阶段的评估结果；根据所述各个工作阶段的评估结果，从各个所述设备集中设备的参数信息中确定故障特征；通过对不同工作阶段分别采用健康评估模型进行健康评估，从而可以确定各个工作阶段的健康状态，进而通过健康状态来确定出可能影响感控系统出现故障的故障特征，说明是有效的故障特征，从而保证了故障特征的有效性。最后，根据所述故障特征，采用基于核主元成分分析算法和随机森林算法构建的故障预测模型对所述感控系统进行故障预测，得到系统故障预测结果。由于核主元成分分析能够有效选择特征样本，随机森林对噪声具有较好的容忍度和很高的评估准确率，使得到的故障预测模型的预测准确度大大提高，从而使得到的系统故障预测结果更加准确。并且得到故障特征都是有效的故障特征，进一步提高了系统故障预测的准确度，进而提高了整个感控系统消杀工作链的可靠性。

其中，在得到系统故障预测结果后，还包括以下步骤：

步骤S160：根据系统故障预测结果，确定故障设备，并根据所述故障设备生成故障提醒信息。通过系统故障预测结果可以确定出故障类型，进而确定出故障设备，从而生成故障提醒信息，以便于提醒工作人员进行维护，从而避免故障出现，提高设备运行的可靠性。

相应地，还可以根据系统故障预测结果生成对应的控制信息，以控制故障设备的运行，保证感控系统的正常运行。

基于同样的发明构思，本发明还提出一种感控系统故障预测装置，请参看图2，图2为本发明实施例提供的一种感控系统故障预测装置结构框图。该感控系统故障预测装置包括：

设备划分模块110，用于将感控系统中的设备按照工作阶段进行划分，得到多个设备集，所述设备集中包括一个或多个设备；

参数信息获取模块120，用于实时获取各个所述设备集中设备的参数信息；

评估模块130，用于分别根据各个所述设备集中设备的参数信息，采用各个设备集对应的健康评估模型进行评估，得到各个工作阶段的评估结果；

故障特征确定模块140，用于根据所述各个工作阶段的评估结果，从各个所述设备集中设备的参数信息中确定故障特征；

故障预测模块150，用于根据所述故障特征，采用基于核主元成分分析算法和随机森林算法构建的故障预测模型对所述感控系统进行故障预测，得到系统故障预测结果。

上述实现过程中，通过设备划分模块110将感控系统中的设备按照工作阶段进行划分，得到多个设备集，所述设备集中包括一个或多个设备；参数信息获取模块120实时获取各个所述设备集中设备的参数信息；评估模块130根据各个所述设备集中设备的参数信息，分别采用各个设备集对应的健康评估模型进行评估，得到各个工作阶段的评估结果；故障特征确定模块140根据所述各个工作阶段的评估结果，从各个所述设备集中设备的参数信息中确定故障特征；通过对不同工作阶段分别采用健康评估模型进行健康评估，从而可以确定各个工作阶段的健康状态，进而通过健康状态来确定出可能影响感控系统出现故障的故障特征，说明是有效的故障特征，从而保证了故障特征的有效性。故障预测模块150根据所述故障特征，采用基于核主元成分分析算法和随机森林算法构建的故障预测模型对所述感控系统进行故障预测，得到系统故障预测结果。由于核主元成分分析能够有效选择特征样本，随机森林对噪声具有较好的容忍度和很高的评估准确率，使得到的故障预测模型的预测准确度大大提高，从而使得到的系统故障预测结果更加准确。并且得到故障特征都是有效的故障特征，进一步提高了系统故障预测的准确度，进而提高了整个消杀工作链的可靠性。

请参阅图3，图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的感控系统故障预测装置100对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，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。

可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能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，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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、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。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。