一种模型与数据联合驱动热连轧过程故障诊断方法和装置

技术领域

本发明涉及工业过程监测技术领域，特别是指一种模型与数据联合驱动热连轧过程故障诊断方法和装置。

背景技术

现代大规模工业过程具有规模庞大、机理复杂、工序众多、自动化程度高等特点。以带钢热连轧过程为例，该过程主要由加热炉、粗轧机组、热输出辊道和飞剪、精轧机组、层流冷却和卷取机组等构成。生产的带钢产品通常覆盖厚度范围为0.8-12.7mm，宽度范围为700-1550mm。对带钢热连轧过程进行监测与故障诊断，有助于操作人员实时了解生产过程的运行状态，并对运行过程中出现的异常状态及时做出监测，对故障进行定位，便于现场工作人员分析故障产生原因并采取相应改进措施，消除异常状态，提高产品质量和生产效益，降低安全隐患。随着多元统计，机器学习，深度学习等方法的快速发展，基于数据驱动的过程监测方法成为了带钢热连轧过程监测的热点。这些方法擅长处理工业大数据，并且取得了很好地监控效果，但深度学习的“黑箱”特性缺乏可解释性是在实际工业中难以推广的重要障碍。

然而，工业过程的机理模型包含了对各个工序准确的描述。早期专家学者提出许多工业过程数学建模的故障诊断方法，能够准确的检测出故障，并能合理的分析出故障发生原因，但随着现代工业规模的不断扩大，数学建模的方法不再适用。主要原因是庞大的工业过程包含的机理模型十分复杂，工序与工序之间高度耦合，这使得机理模型很难被简单地表达并得到充分地利用。但机理模型中蕴含的物理信息是基于数据驱动的方法所不具备的。如果能合理的利用机理模型不仅能有效提高故障诊断的准确性，更能提高可解释性，这对故障诊断方法在现场实际应用具有极高的工程意义。

因此，现存的基于数据驱动的故障诊断方法虽然有良好的性能但可解释性差，基于模型驱动的方法有良好的可解释性却难以应用到现代大规模工业中。

发明内容

本发明提供了一种模型与数据联合驱动热连轧过程故障诊断方法和装置，以解决现存的基于数据驱动的故障诊断方法虽然有良好的性能但可解释性差，基于模型驱动的方法有良好的可解释性却难以应用到现代大规模工业中的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种模型与数据联合驱动热连轧过程故障诊断方法，包括：

获取带钢热连轧过程历史数据，对所述历史数据进行筛选，从所述历史数据中筛选出带钢热连轧过程关键工艺参数变量，组成历史工艺参数变量数据集；

根据工艺参数变量数据特性设计模型参数约束条件，构建每一工艺参数变量的预测模型，并利用所述历史工艺参数变量数据集对各预测模型进行训练；

基于训练好的预测模型对各工艺参数变量进行因果发现，根据各工艺参数变量之间的因果关系构建基于数据驱动的带钢热连轧因果图；

结合机理模型对所述带钢热连轧因果图进行优化，并实时计算优化后的带钢热连轧因果图中连接变量间动态MI(Mutual Information，互信息)值，在优化后的带钢热连轧因果图上加上动态MI值，得到多粒度因果关联网络；

基于预测模型，结合所述多粒度因果关联网络，对带钢热连轧过程进行故障监测，并在发生故障时，确定故障传播路径，结合机理模型实现故障溯源。

进一步地，所述预测模型为基于注意力机制的BiTCN(Bidirectional TemporalConvolutional Network，双向时间卷积网络)模型；其中，各工艺参数变量的预测模型相同。

进一步地，所述根据工艺参数变量数据特性设计模型参数约束条件，包括：

根据工艺参数变量的采样频率设计不同尺寸的卷积核；其中，工艺参数变量的采样频率越低，则其对应的预测模型的卷积核的尺寸越大；卷积核需针对不同采样频率的数据，选择大于一次采样尺寸的卷积核；

根据工艺参数变量的数据集大小，设计不同的剔除率；其中，工艺参数变量对应的数据集越大，则对应的预测模型的剔除率越大；

调整学习率；其中，学习率的值由小逐渐调大，以寻找最合适的学习率。

进一步地，所述基于注意力机制的BiTCN模型中的注意力机制实现为一个可训练的注意力得分向量a，向量a的每一个元素值被称为注意力得分；所述注意力得分向量与输入序列相乘，用于表示输入序列中的各变量对输出变量的贡献程度；通过单独训练每个预测模型，能够得到由注意力得分向量组成的注意力系数矩阵。

进一步地，基于训练好的预测模型对各工艺参数变量进行因果发现，根据各工艺参数变量之间的因果关系构建基于数据驱动的带钢热连轧因果图，包括：

利用每个模型的注意力系数矩阵判断对当前预测变量贡献较大的变量，在这些变量间添加有向边，绘制成基于数据驱动的带钢热连轧因果图。

进一步地，所述利用每个模型的注意力系数矩阵判断对当前预测变量贡献较大的变量，在这些变量间添加有向边，绘制成基于数据驱动的带钢热连轧因果图，包括：

将注意力得分向量中得分最高的前20％元素对应的变量作为大概率因变量，将注意力得分向量中得分最高的前20％-50％元素对应的变量作为可能因变量；在大概率因变量和结果变量间添加有向边示意因果，在可能因变量和结果变量间连上线，示意可能性；由此绘制出基于数据驱动的带钢热连轧因果图。

进一步地，所述结合机理模型对所述带钢热连轧因果图进行优化，包括：

根据机理模型对所述带钢热连轧因果图中的连接变量进行进一步判断，确认它们之间的因果性，如果确有因果关系，则有向边保留，否则判断是否有关联关系，如果有关联关系则保留无向边，反之则删除连接边。

进一步地，所述实时计算优化后的带钢热连轧因果图中连接变量间动态MI值，包括：

在优化后的带钢热连轧因果图中的被连接的时序变量之间设置一个长度为50个采样点的滑动窗口，不断滑动得到变量之间的动态MI值。

进一步地，所述基于预测模型，结合所述多粒度因果关联网络，对带钢热连轧过程进行故障监测，并在发生故障时，确定故障传播路径，结合机理模型实现故障溯源，包括：

构建单变量统计指标，利用训练好的预测模型在线预测各个工艺参数变量，若一个变量的预测值超出其控制限，则确定其为故障变量，从而实现单节点检测；

利用贝叶斯推理融合各节点的检测信息，从而得到全局监测结果；

根据发生故障的变量和所述多粒度因果关联网络上的动态MI分布变化，确定故障传播路径，结合故障变量对应的机理模型实现故障溯源。

进一步地，所述基于预测模型，构建单变量统计指标，利用训练好的预测模型在线预测各个工艺参数变量，若一个变量的预测值超出其控制限，则确定其为故障变量，从而实现单节点检测，包括：

根据训练好的预测模型计算带钢热连轧过程中每一个节点在每一时刻的各工艺参数变量的预测值，并计算出各工艺参数变量的平方马氏距离，当一个变量的平方马氏距离超出预设的局部控制限时，则认为此变量为异常状态；

所述利用贝叶斯推理融合各节点的检测信息，从而得到全局监测结果，包括：

用贝叶斯推理融合各节点的检测信息，将单节点的统计指标转换为概率形式，再对转换出的概率进行加权平均，得到综合监测指标PD

其中，

其中，

其中，

其中，η

根据核密度估计方法确定全局控制限

另一方面，本发明还提供了一种模型与数据联合驱动热连轧过程故障诊断装置，包括：

数据获取模块，用于获取带钢热连轧过程历史数据，对所述历史数据进行筛选，从所述历史数据中筛选出带钢热连轧过程关键工艺参数变量，组成历史工艺参数变量数据集；

模型构建模块，用于根据工艺参数变量数据特性设计模型参数约束条件，构建每一工艺参数变量的预测模型，并利用所述历史工艺参数变量数据集对各预测模型进行训练；

因果图构建模块，用于基于训练好的预测模型对各工艺参数变量进行因果发现，根据各工艺参数变量之间的因果关系构建基于数据驱动的带钢热连轧因果图；

因果图优化模块，用于结合机理模型对所述带钢热连轧因果图进行优化，并实时计算优化后的带钢热连轧因果图中连接变量间动态MI(Mutual Information，互信息)值，在优化后的带钢热连轧因果图上加上动态MI值，得到多粒度因果关联网络；

故障检测与溯源模块，用于基于预测模型，结合所述多粒度因果关联网络，对带钢热连轧过程进行故障监测，并在发生故障时，确定故障传播路径，结合机理模型实现故障溯源。

再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述方法。

又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述方法。

本发明提供的技术方案带来的有益效果至少包括：

1、本发明利用基于注意力机制的BiTCN对带钢热连轧过程历史数据在粗粒度上进行因果发现，充分发挥现代工业大数据的优势，同时减少因果图模型构建的人力成本，增加构建的效率。

2、本发明利用机理模型在细粒度上优化带钢热连轧因果图，并实时计算连接变量间动态MI变化，得到多粒度因果关联网络，充分利用了被忽视的工业过程机理模型，巧妙地将机理模型转化成图结构，利用动态MI时刻关注图模型的状态变化，增加了多粒度因果关联网络的合理性与可解释性，更切合实际过程。

3、本发明设计了单变量统计量并利用贝叶斯推理将单变量统计量融合，融合统计量可以更加直观地获取热连轧过程全局状态的变化信息，单变量统计量可以用于在发生故障后准确地定位故障范围。

4、本发明利用动态MI的变化和单变量统计量检测结果完成故障检测，共同识别故障传播路径，结合机理模型实现故障溯源，得到更加合理的结果并为现场操作人员提供可靠的操作建议。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的模型与数据联合驱动热连轧过程故障诊断方法的执行流程示意图；

图2是带钢热连轧过程流程示意图；

图3是本发明实施例提供的基于注意力机制的BiTCN结构示意图；

图4是本发明实施例提供的多粒度因果关联网络示意图；

图5是本发明实施例提供的模型与数据联合驱动热连轧过程故障诊断装置框图；

图6是本发明实施例提供的电子设备的系统框图。

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，下面将结合附图对本发明实施方式作进一步地详细描述。

首先，需要说明的是，在本发明实施例中，“示例地”、“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例地”一词旨在以具体方式呈现概念。此外，在本发明实施例中，“和/或”所表达的含义可以是两者都有，或者可以是两者任选其一。

而且，在本发明实施例中，“图像”，“图片”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。“的(of)”，“相应的(corresponding，relevant)”和“对应的(corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。

此外，在本发明实施例中，有时候下标(如W

第一实施例

针对现存的基于数据驱动的故障诊断方法虽然有良好的性能但可解释性差，基于模型驱动的方法有良好的可解释性却难以应用到现代大规模工业中的技术问题，本实施例提供了一种模型与数据联合驱动热连轧过程故障诊断方法，该方法可以由电子设备实现，该电子设备可以是终端或者服务器。

该方法的执行流程如图1所示，包括以下步骤：

S1，获取带钢热连轧过程历史数据，对所述历史数据进行筛选，从历史数据中筛选出带钢热连轧过程关键工艺参数变量，组成历史工艺参数变量数据集；

其中，带钢热连轧过程流程如图2所示，本实施例获取的历史数据包括现场采集的传感器变量数据、被操纵变量数据、性能指标数据、检/化验数据、设备信息数据等。这些数据之间相互影响，高度耦合，有很强的关联关系。但由于带钢热连轧工业现场的传感器成千上万，数据量很大，很多开关量以及不重要的辅助变量应剔除，以降低算法模型的复杂性并提高算法模型的性能。因此，本实施例结合带钢热连轧过程机理模型对获取的数据进行合理筛选并划分关键的带钢热连轧过程变量数据；一种可行的实施方式中，本实施例筛选出各个机架的轧制力、弯辊力、活套张力、窜辊量、机架间张力、辊缝、厚度、凸度等关键变量，并保留与这些变量密切相关的变量，剔除开关量，常量等非关键变量。同时，根据数据产生方式不同分为传感器变量和被操纵变量；传感器变量数据是指厚度、宽度和温度等数据；被操纵变量数据是指轧制力、弯辊力等数据。

S2，根据工艺参数变量数据特性设计模型参数约束条件，构建每一工艺参数变量的预测模型，并利用历史工艺参数变量数据集对各预测模型进行训练；

其中，本实施例采用的模型为基于注意力机制的BiTCN模型。

上述根据工艺参数变量数据特性设计模型参数约束条件的实现过程如下：

S21，利用与获得变量相关的机理模型知识将筛选后变量联系起来，并了解各变量在实际模型中的特性；

一种可行的实施方式中，从众多带钢热连轧机理模型公式中查询包含数据中变量的所有公式，根据变量在机理模型中的对应关系，通过公式描述得知传感器和被操纵变量的因果关系，以图的形式表示。例如，如果过程变量x

各变量在实际模型中的特性包括变量的采样特性、时空特性等。例如，不同规格的传感器采样速率不同，不同变量的采样需求也不一样；

S22，按照带钢热连轧过程数据特性，设计深度网络参数约束条件，具体为：

S221，根据采样频率设计不同尺寸的卷积核；

一种可行的实施方式中，不同采样频率的数据放在一起为了对齐，往往采用填充的方式扩充数据，采样频率低的变量所含特征密度相对较小，应设计较大尺寸的卷积核，增加深度网络的感受野；反之，采样频率高的变量所含特征的密度相对较大，应当设计较小尺寸的卷积核，提高网络的特征提取能力；因此，卷积核应针对不同采样频率过程数据，选择大于一次采样尺寸的卷积核；

S222，根据数据集大小，设计不同的剔除率dropout rate；

一种可行的实施方式中，针对大数据集，对应的网络结构复杂，节点层数多，同时结合工艺机理模型得知，大部分数据在小范围内变化不明显，设置较大的dropout rate，例如，0.5。反之，数据集小在训练模型时，容易过拟合，因此适量调小dropout rate，例如，0.3；

S223，根据过程数据采样频率，调整不同的学习率learn rate；

一种可行的实施方式中，大的learn rate会使网络收敛速度很快，但会出现在最优值附近摆动的情况，而调小learn rate又会带来收敛速度慢的问题。因此，结合带钢热连轧过程数据的模型特性进行调整。例如，在较小learn rate基础上缓慢调大，寻找最合适的learn rate。

S3，基于训练好的预测模型对各工艺参数变量进行因果发现，根据各工艺参数变量之间的因果关系构建基于数据驱动的带钢热连轧因果图；

其中，利用基于注意力机制的BiTCN对筛选后历史数据在粗粒度上进行因果发现，得到基于数据驱动的带钢热连轧因果图；具体包括：

S31，分别利用基于注意力机制的BiTCN预测每个过程变量，反复训练每个网络达到最佳的预测效果；

其中，基于注意力机制的BiTCN网络层使用双层时间卷积网络来提取全局特征；具体地，在一种可行的实施方式中，首先，允许网络输入和预测时间序列相同，以便发现自因果关系，这可以为重复行为的概念建模。在不输入目标时间序列当前值的前提下，通过一维扩张卷积将序列的左侧补齐，以保证每个隐藏层的序列长度均相同，方便后续的计算。每隔一定的采样间隔，即扩张因子数，对时间序列进行采样计算，借助因果卷积实现对于滑动窗口的时间束缚，有效地扩大扩张卷积结构的感受野大小，争取获得更多的时序数据特征，学习到更大范围内的信息。通过残差连接结构，在局部的隐藏层之间形成连接，将隐藏层的输入和非线性变换结果两者之和作为计算梯度的依据，防止网络层的层数过大而引起梯度爆炸等问题。随后在序列上按从前向后的顺序完成卷积计算以提取时序数据的前向特征，由下式(1)计算：

其中，

其中，

使模型不仅可以对过去的历史信息进行学习，也可以学习到未来的信息。

随后，输入自注意力机制层。注意力机制实现为一个可训练的1×N维向量a，它与n个输入时间序列X＝[x

通过单独训练每个深度网络，分别预测每个过程变量并得到注意力系数矩阵A＝[a

S32，利用每个网络的注意力系数矩阵判断对当前预测变量贡献较大的变量，在这些变量间添加有向边，绘制成粗粒度数据驱动的带钢热连轧因果图。

在一种可行的实施方式中，由全部过程变量预测单一结果变量，注意力得分向量中得分最高的前20％元素为大概率因变量，前20％-50％为可能因变量。在大概率因变量和结果变量间添加有向边示意因果，在可能因变量和结果变量间连上线，示意可能性。由此绘制粗粒度数据驱动的带钢热连轧因果图。

S4，结合机理模型对所述带钢热连轧因果图进行优化，并实时计算优化后的带钢热连轧因果图中连接变量间动态MI(Mutual Information，互信息)值，在优化后的带钢热连轧因果图上加上动态MI值，得到多粒度因果关联网络；

具体地，上述S4的实现过程如下：

S41，基于机理模型，初步优化粗粒度因果图；

一种可行的实施方式中，根据机理模型对粗粒度因果图连接变量进一步判断，确认它们之间的因果性，如果确有因果关系，则有向边保留，否则判断是否有关联关系，如果有关联关系则保留无向边，反之则删除连接边。以此方法初步优化粗粒度因果图。

S42，在被连接的时序变量之间设置一个长度为50个采样点的滑动窗口，不断滑动得到变量之间的动态MI，变量间的MI由下式(4)计算：

I(x

其中，x

其中，p(x)是边界概率密度函数。H(x

其中，p(x

在优化后的粗粒度因果图上加上动态MI数值构建成动态多粒度因果关联网络。多粒度因果关联网络结构如图4所示。

S5，基于预测模型，结合多粒度因果关联网络，对带钢热连轧过程进行故障监测，并在发生故障时，确定故障传播路径，结合机理模型实现故障溯源。

具体地，在本实施例中，上述S5的实现过程如下：

S51，构建单变量统计指标，利用基于注意力机制的BiTCN在线预测各个过程变量，超出控制限的确定为故障变量，并利用贝叶斯推理融合各节点的检测信息，从而得到全局监测结果，具体包括；

S511，构建单点局部统计量，设定局部控制限，实现局部故障检测；

一种可行的实施方式中，根据基于注意力机制的BiTCN，计算第i节点t时刻的预测值概率分布为

其中，x

当

S512，融合单点局部统计量，构建全局统计量，设定全局控制限，实现全局故障检测；

一种可行的实施方式中，用贝叶斯推理融合各节点变量监测信息。将单节点的监测统计指标转换为概率形式，再对单变量概率监测指标加权平均，综合监测指标PD

其中，

其中，先验概率

其中，

其中，η

进一步地，本实施例根据核密度估计方法确定全局控制限

S52，根据发生故障的变量和多粒度因果关联网络上的动态MI分布变化，确定故障传播路径，结合机理模型实现故障溯源。

一种可行的实施方式中，在线预测各个过程变量进行故障检测时能确定发生故障的变量和故障发生时刻。同时，正常工况下，变量间动态MI分布会稳定在一定范围内，如有故障产生，变量间的MI分布会发生明显波动。根据异常波动可以获得多粒度因果关联网络上的故障传播的可能路径，结合故障变量可以合理分析故障发生的真实路径。

综上，本实施例提供了一种模型与数据联合驱动热连轧过程故障诊断方法，该方法利用基于注意力机制的BiTCN对带钢热连轧过程历史数据在粗粒度上进行因果发现，充分发挥现代工业大数据的优势，同时减少因果图模型构建的人力成本，增加构建的效率。并且利用机理模型在细粒度上优化带钢热连轧因果图，并实时计算连接变量间动态MI变化，得到多粒度因果关联网络，充分利用了被忽视的工业过程机理模型，巧妙地将机理模型转化成图结构，利用动态MI时刻关注图模型的状态变化，增加了多粒度因果关联网络的合理性与可解释性，更切合实际过程。进一步设计了单变量统计量并利用贝叶斯推理将单变量统计量融合，融合统计量可以更加直观地获取热连轧过程全局状态的变化信息，单变量统计量可以用于在发生故障后准确地定位故障范围。利用动态MI的变化和单变量统计量检测结果完成故障检测，共同识别故障传播路径，结合机理模型实现故障溯源，得到更加合理的结果并为现场操作人员提供可靠的操作建议。

第二实施例

本实施例提供了一种模型与数据联合驱动热连轧过程故障诊断装置，该模型与数据联合驱动热连轧过程故障诊断装置的系统结构如图5所示，包括以下模块：

数据获取模块，用于获取带钢热连轧过程历史数据，对所述历史数据进行筛选，从所述历史数据中筛选出带钢热连轧过程关键工艺参数变量，组成历史工艺参数变量数据集；

模型构建模块，用于根据工艺参数变量数据特性设计模型参数约束条件，构建每一工艺参数变量的预测模型，并利用所述历史工艺参数变量数据集对各预测模型进行训练；

因果图构建模块，用于基于训练好的预测模型对各工艺参数变量进行因果发现，根据各工艺参数变量之间的因果关系构建基于数据驱动的带钢热连轧因果图；

因果图优化模块，用于结合机理模型对所述带钢热连轧因果图进行优化，并实时计算优化后的带钢热连轧因果图中连接变量间动态MI(Mutual Information，互信息)值，在优化后的带钢热连轧因果图上加上动态MI值，得到多粒度因果关联网络；

故障检测与溯源模块，用于基于预测模型，结合所述多粒度因果关联网络，对带钢热连轧过程进行故障监测，并在发生故障时，确定故障传播路径，结合机理模型实现故障溯源。

其中，需要说明的是，为了便于说明，图5仅示出了所述装置的主要部件。而且，本实施例的模型与数据联合驱动热连轧过程故障诊断装置与上述第一实施例的模型与数据联合驱动热连轧过程故障诊断方法相对应；其中，本实施例的模型与数据联合驱动热连轧过程故障诊断装置中的各功能模块所实现的功能与上述第一实施例的模型与数据联合驱动热连轧过程故障诊断方法中的各流程步骤一一对应；故，在此不再赘述。

第三实施例

本实施例提供一种电子设备，如图6所示，所述电子设备包括：处理器和存储器；其中，所述处理器与所述存储器可以通过通信总线连接；所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行，以实现上述第一实施例的方法。此外，所述电子设备还可以包括收发器，所述处理器与所述收发器可以通过通信总线连接，所述收发器用于与其它设备进行通信。

下面，结合图6对该电子设备的各个构成部件进行具体的介绍：

其中，处理器是电子设备的控制中心，所述电子设备可以包括多个处理器，这些处理器中的每一个可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器可以是一个处理器，也可以是多个处理元件的统称。例如，处理器是一个或多个中央处理器(central processing unit，CPU)，也可以是其他通用处理器、特定集成电路(application specific integrated circuit，ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路，例如：一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(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。通用处理器可以是微处理器或者也可以是任何常规的处理器等。处理器可以通过运行或执行存储在存储器内的软件程序，以及调用存储在存储器内的数据，执行所述电子设备的各种功能。

在具体的实现中，作为一种实施例，所述处理器可以包括一个或多个CPU，例如图6中所示出的CPU0和CPU1，当然，此仅为示例性说明。

所述存储器用于存储执行本发明方案的软件程序，并由所述处理器来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。

可选地，所述存储器可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以和处理器集成在一起，也可以独立存在，并通过所述电子设备的接口电路(图6中未示出)与处理器耦合，本发明实施例对此不作具体限定。

所述收发器可以包括接收器和发送器(图6中未单独示出)。其中，所述接收器用于实现接收功能，所述发送器用于实现发送功能。所述收发器可以和所述处理器集成在一起，也可以独立存在，并通过所述电子设备的接口电路(图6中未示出)与所述处理器耦合，本发明实施例对此不作具体限定。

此外，需要说明的是，图6中示出的所述电子设备的结构并不构成对该设备的限定，实际的设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。此外，该电子设备在执行上述第一实施例的方法时所实现的技术效果可以参考上述第一实施例所述的技术效果，故，此处不再赘述。

第四实施例

本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全或部分硬件实施例、完全或部分软件实施例或结合软件和硬件方面的实施例的形式。而且，当使用软件实现时，本发明实施例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上实施的计算机程序产品的形式。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

本发明实施例是参照根据本发明实施例的方法、终端设备(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、嵌入式处理机或其他可编程数据处理终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。

还需要说明的是，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。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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。此外，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，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，其中A，B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中，a,b,c可以是单个，也可以是多个。

此外，可以理解的是，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

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方式来执行，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发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，功能模块/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设备，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。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，在本发明各个实施例中的各功能单元可以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。

所述方法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取存储介质中。基于这样的理解，本发明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)执行本发明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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或光盘等各种可以存储程序代码的介质。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，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。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。