数控机床进给系统故障诊断方法、系统、存储介质及设备

技术领域

本发明涉及一种数控机床故障诊断技术领域，特别是关于一种基于多域特征和DoubleEnsemble-LightGBM的数控机床进给系统故障诊断方法、系统、存储介质及设备。

背景技术

数控机床进给系统机械故障维护主要依赖于定期巡检和人工故障诊断，存在故障预警不及时和维护成本高的问题。因此，数控机床进给系统故障诊断是指采用数据采集技术、信息科技和人工智能技术对数控机床进给系统的故障进行智能诊断，首先通过传感器获取监测信号，然后，采用信息处理技术获取故障特征，最后基于故障诊断模型进行故障模式自动识别。目前，多数故障诊断方法采用单一传感数据或单一域的特征来描述其故障状态，数控机床进给系统是一个多机械部件耦合的复杂系统，仅凭借单一域内的特征来描述其故障状态无法全面地反映进给系统健康状态。

因此，针对数控机床进给系统这一复杂系统人工故障定位难的问题成为目前亟需解决的技术问题。

发明内容

针对上述问题，本发明的目的是提供一种数控机床进给系统故障诊断方法、系统、存储介质及设备，其解决数控机床进给系统人工故障定位难的问题，实现数控机床进给系统的智能故障诊断。

为实现上述目的，本发明采取以下技术方案：一种数控机床进给系统故障诊断方法，其包括：通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；将多维混合域特征集合输入DoubleEnsemble-LightGBM故障诊断模型，以进行数控机床进给系统的智能故障诊断；其中，DoubleEnsemble-LightGBM故障诊断模型是通过融合进给系统机械故障诊断的基础模型LightGBM和可实现敏感特征自动筛选的DoubleEnsemble模型构建的。

进一步，部署外置传感器和数控系统内的进给伺服信号，包括：

振动传感器和噪声传感器，两种传感器的监测位置设置在电机端轴承座附近和丝杠螺母副附近；

电流传感器，布置在进给伺服电机的三相输出电缆上；

数控系统内的进给伺服信号基于TCP/IP协议调用动态链接库读取数控系统中进给速度、进给位置和跟随误差所需信息。

进一步，对多传感器信号进行预处理，包括：奇异点剔除，趋势项消除和降噪处理；

降噪处理采用基于小波变换的非线性降噪方法，包括：

将含有噪声的原始信号进行小波分解，再对各层细节分量进行阈值收缩处理以实现信号的降噪；

将处理后的细节分量与近似分量通过小波逆变换进行组合重构，得到降噪后的信号。

进一步，多维混合域特征集合，包括：

时域特征包含无量纲和有量纲指标；

频域特征反映频率成分的分布与变化；

时频域特征是在经过自适应噪声集合经验模态分解后，提供各固有模态分量IMF的熵值。

进一步，DoubleEnsemble-LightGBM故障诊断模型的构建，包括：

由多维混合域特征集合构成训练数据(X，y)，其中X为特征矩阵，y为标签向量，并设置子模型数量k、子模型权重向量a＝(a

基于训练数据(X，y)、初始样本权重w

其中，根据当前集成模型

进一步，根据当前集成模型

分别对C

对所有样本的h值进行排序，将所有样本划分为B个子集，并给相同子集中的样本分配相同的权重，不同子集中的样本分配不同的权重。

进一步，以当前集成模型

对于特征f，打乱其在特征矩阵X中的排列，得到新的特征矩阵X

通过集成模型损失

根据预设的特征采样比r％，保留前r％的特征，组成筛选后的敏感特征集合，作为更新特征集合f

一种数控机床进给系统故障诊断方法，其包括：预处理模块，通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；特征集合构建模块，将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；智能故障诊断模块，将多维混合域特征集合输入DoubleEnsemble-LightGBM故障诊断模型，以进行数控机床进给系统的智能故障诊断；其中，DoubleEnsemble-LightGBM故障诊断模型是通过融合进给系统机械故障诊断的基础模型LightGBM和可实现敏感特征自动筛选的DoubleEnsemble模型构建的。

一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。

一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。

本发明由于采取以上技术方案，其具有以下优点：

1、本发明实现了数控机床进给系统这一多机械部件耦合的复杂系统的精确的智能故障诊断。

2、本发明提出了基于多传感信号融合和多维混合域特征来表征进给系统的故障信息，为解决数控机床进给系统监测信号易受环境影响的问题，准确地描述了进给系统的健康与故障状态。

3、本发明提出了基于DoubleEnsemble-LightGBM模型的智能故障诊断模型，解决了敏感特征难以筛选、非线性诊断模型建立等问题，显著提升了故障诊断的精度，具有更强的鲁棒性和泛化性。

附图说明

图1是本发明实施例中数控机床进给系统故障诊断方法流程图；

图2是本发明实施例中传感器安装位置与信号传输过程流程图；

图3是本发明实施例中数控系统数据采集过程流程图；

图4是本发明实施例中多维混合域特征集合建立过程示意图；

图5是本发明实施例中DoubleEnsemble-LightGBM故障诊断模型示意图；

图6是本发明实施例中小波阈值降噪过程示意图。

具体实施方式

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的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

由于数控机床进给系统故障诊断是复杂的非线性问题，为解决数控机床进给系统监测信号易受环境影响、单一特征无法准确描述其状态、敏感特征难以筛选、非线性诊断模型建立等问题，本发明提出了基于多域特征和DoubleEnsemble-LightGBM的数控机床进给系统故障诊断方法、系统、存储介质及设备，在获取丰富的表征进给系统故障信息的特征指标的同时，显著提升了故障诊断的精度，降低了对环境的影响，具有更强的鲁棒性和泛化性。

在本发明的一个实施例中，提供一种数控机床进给系统故障诊断方法，针对数控机床进给系统这一复杂系统人工故障定位难的问题，本发明同时提取监测信号的时域特征指标、频域特征指标和时频域特征指标，构建多维混合域特征集合；进一步为了解决敏感特征筛选难的问题，基于可以实现敏感特征自动筛选的集成学习模型，实现数控机床进给系统的智能故障诊断。本实施例中，如图1所示，该方法包括以下步骤：

1)通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；

2)将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；

3)将多维混合域特征集合输入DoubleEnsemble-LightGBM故障诊断模型，以进行数控机床进给系统的智能故障诊断；

其中，DoubleEnsemble-LightGBM故障诊断模型是通过融合进给系统机械故障诊断的基础模型LightGBM和可实现敏感特征自动筛选的DoubleEnsemble模型构建的。

上述步骤1)中，多传感器信号包括振动信号，噪声信号和电流信号等；通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，主要分为两部分：一部分通过部署外置传感器对进给系统的关键传动部件进行机械故障监测，主要监测的信号包括振动信号、噪声信号和伺服电机的电流信号；另一部分通过获取数控系统内的进给伺服信号对进给系统的工作状态进行监测，主要监测的信号包括进给速度、进给位置以及能反映加工精度的动态跟随误差。

本实施例中，为了保证监测质量并方便安装的前提下，外置传感器应尽量贴近可能发生故障的机械部件。

本实施例中，部署外置传感器和数控系统内的进给伺服信号，包括以下步骤：

1.1.1)振动传感器和噪声传感器，两种传感器的监测位置设置在电机端轴承座附近和丝杠螺母副附近，如图2所示，这两个位置的振动和噪声信号能较好地反映丝杠和轴承的故障状态；

1.1.2)电流传感器，布置在进给伺服电机的三相输出电缆上；传感器获取的模拟信号需要通过数据采集仪(采集卡)进行信号调理和A/D转换，使其变为数字信号。

1.1.3)数控机床进给伺服信号可从数控系统内部信息中获取，可以通过以太网建立计算机和机床数控系统之间的通讯连接。数控系统内的进给伺服信号基于TCP/IP协议调用动态链接库读取数控系统中进给速度、进给位置和跟随误差所需信息，实现实时数据采集，如图3所示。

上述步骤1)中，通过现场传感器采集的监测信号往往会携带各种干扰信息，如周围环境产生的背景噪声、其它工作部件带来的振动等。因此，在信号分析前，需要对传感器采集的原始信号进行预处理操作。对多传感器信号进行预处理，包括：奇异点剔除，趋势项消除和降噪处理。

本实施例中，在信号采集的过程中，设备出现轻微碰撞或者线路抖动有时会导致采得的信号出现峰值极大的异常值，通过给信号设定阈值上下限，将位于阈值范围外的异常值剔除；监测信号在采集的过程中有时还会产生随时间变化的信号趋势项，导致信号偏离基线，为尽可能保证原始数据的精度，使用最小二乘法拟合出信号趋势线，并将其减去。

本实施例中，机床故障信号往往存在脉冲或突变，属于非平稳信号，针对数控机床进给系统故障信号的非平稳性，降噪处理采用基于小波变换的非线性降噪方法，如图6所示，包括以下步骤：

1.2.1)将含有噪声的原始信号进行小波分解，再对各层细节分量进行阈值收缩处理以实现信号的降噪；

其中，小波分解为两种信号分量：近似分量和细节分量，近似分量即近似小波系数，表示的是信号的低频成分；细节分量即细节小波系数，表示的是信号的高频成分。

由于噪声一般集中在细节分量中，因此，可以通过对各层细节分量进行阈值收缩处理来实现信号的降噪。

1.2.2)将处理后的细节分量与近似分量通过小波逆变换进行组合重构，得到降噪后的信号。

上述步骤2)中，数控机床进给系统是一个多机械部件耦合的复杂系统，难以凭借单一域内的特征来描述其故障状态。为了更加全面地反映进给系统健康状态，同时提取监测信号的时域特征指标和频域特征指标，并通过自适应噪声集合经验模态分解对信号进行时频分析，计算其IMF信息熵，如图4所示。

本实施例中，多维混合域特征集合，包括：时域特征、频域特征和时频域特征。

其中：

(1)时域特征包含无量纲和有量纲指标；

有量纲指标能够反映信号的总体情况，其中，最大值和峰值是信号的基本特征，平均幅值反映了信号的中心趋势，方差反映了信号的波动情况，均方根值代表信号的强度，反映了信号的能量特征；

无量纲指标对信号中的突变较为敏感，其中，峰值因子和脉冲因子能够检测信号中有无冲击，裕度因子常用来检测机械设备的磨损情况，峭度用来描述信号概率分布的峰态，对信号的冲击特性较为敏感，偏度反映了信号的非对称性；

(2)频域特征反映频率成分的分布与变化，提供信号中的有效故障信息，包含：重心频率、均方频率和频率方差等；

(3)时频域特征是在经过自适应噪声集合经验模态分解(CEEMDAN)后，提供各固有模态分量IMF的熵值，包括IMF能量熵、IMF功率谱熵和IMF奇异熵等，通过加入自适应白噪声，克服了EMD分解存在的模态混叠问题，并且能够有效减少分解后所得IMF(IntrinsicMode Function，本征模态函数)分量中的残余白噪声。

上述步骤3)中，通过DoubleEnsemble算法训练出多个LightGBM分类子模型并将其集成，从而构建成DoubleEnsemble-LightGBM模型。

LightGBM是一个轻量级的梯度提升模型，它是在经典集成学习模型GBDT(Gradient Boosting Decision Tree，梯度提升决策树)基础上的优化实现。GBDT基本思想是将决策树作为弱分类器，通过梯度提升策略迭代训练出多个弱分类器，并将所有弱分类器以线性相加的方式组合起来形成一个分类效果更优的强分类器。

在GBDT的基础上，LightGBM又进行了如下优化：

(1)GOSS(Gradient-based One-Side Sampling，单边梯度采样)

LightGBM使用GOSS算法在不损失精度的前提下对训练数据样本进行压缩，其基本思想是丢弃掉一些对计算信息增益没有帮助的样本而留下有帮助的。根据信息增益的定义，梯度大的样本对信息增益计算有更大影响。因此，GOSS在进行数据采样时会保留梯度较大的样本数据，而为了不影响原数据的总体分布，对于小梯度样本会按比例进行随机抽样，这样能够减少数据计算量，大大降低运算成本。

(2)EFB(Exclusive Feature Bundling，互斥特征捆绑)

LightGBM使用EFB算法将高维数据中的互斥特征合并为一个特征，所谓互斥特征是指两个特征不可能同时为零。通常情况下，特征维度越大，特征空间中的数据越稀疏，将稀疏空间中的互斥特征进行合并，可以有效减少特征维度，降低运算负荷。

(3)基于直方图的决策树算法

LightGBM使用直方图算法来改进决策树的节点分割策略，其基本思想是把连续的浮点特征值离散化成k个整数，同时构造一个宽度为k的直方图。当决策树算法遍历数据时，先将离散化后的值作为索引在直方图中累积统计量，在遍历过一次数据后，直方图累积了需要的统计量，然后可根据直方图的离散值来遍历寻找最优的分割点。这样做能够大量减少计算时间且内存消耗更低，即使单棵决策树的训练误差比使用精确分割算法时要大，但在梯度提升的框架下对模型整体的分类精度影响很小。同时，直方图算法的节点分割也具有正则化的效果，可以防止模型过拟合，增强模型的稳定性和鲁棒性。

DoubleEnsemble是一个新型集成算法框架，能够与多种机器学习模型结合使用。它包含了两种关键技术，其中，基于学习轨迹的样本重加权技术可在模型训练的过程中为不同样本赋予不同权重，从而减少简单样本和噪声样本的干扰，增强对重点样本的训练。而基于混洗机制的特征选择技术则能够帮助模型在训练过程中实现对敏感特征的自动筛选，从而有效提升模型精度，减少过拟合风险。

具体的，如图5所示，DoubleEnsemble-LightGBM故障诊断模型的构建，包括以下步骤：

3.1)由多维混合域特征集合构成训练数据(X，y)，并设置并设置子模型数量k、子模型权重向量a＝(a

其中，训练数据由特征矩阵X和标签向量y组成。X＝[x

第一个子模型M

3.2)基于训练数据(X，y)、初始样本权重w

其中，根据当前集成模型

上述步骤中，通过依次训练了K个机器学习子模型，分别记为M

式中，a

使用时，通过采用LightGBM作为进给系统机械故障诊断的基础模型，该模型更易处理大规模数据，同时对设备的算力要求低，能够更好地用于工业实践；考虑到多维混合域特征向量总维度达到上百维，其中可能包含无效特征，会对模型训练造成负面影响，导致模型训练性能变差，易发生过拟合，进一步对故障诊断模型进行优化，将DoubleEnsemble与LightGBM模型相结合，在故障诊断模型的训练中融入敏感特征自动选择机制和训练样本重加权机制。

上述步骤3.3)中，学习轨迹的样本重加权方法旨在减少简单样本和噪声样本的训练比重，让模型在训练时能够重点学习困难样本，以此提升模型的分类性能。其中，简单样本指的是那些能够被模型非常容易地正确分类的样本，噪声样本指的是那些有用信息被淹没的高噪声样本，困难样本指的是那些难以被模型正确分类的样本。该方法会使用当前子模型M

具体的，根据当前集成模型

3.3.1.1)为了鲁棒性考虑，分别对C

定义

式中，h∈R

3.3.1.2)对所有样本的h值进行排序，将所有样本划分为B个子集，并给相同子集中的样本分配相同的权重，不同子集中的样本分配不同的权重。

假设第i个样本被分入第b个子集中，则其权重w

式中，h

经研究分析可知，通常情况下，简单样本的h

本实施例中，样本子集数量B：DoubleEnsemble是将样本划分为B个子集，再取子集样本的平均h值来计算样本权重，是为了避免因某些样本的h值过大或过小而导致计算得到的权重出现极端值情况，给模型训练造成不良影响。因此，B的取值和训练样本总数N有关。一般，当N≤300时，取B＝3；当300

上述步骤3.3)中，基于混洗机制的特征选择方法则能够帮助模型在训练过程中实现对敏感特征的自动筛选，从而有效提升模型精度，减少过拟合风险。该方法为当前特征集合f

具体的，以当前集成模型

3.3.2.1)对于特征f，打乱其在特征矩阵X中的排列，得到新的特征矩阵X

其中，在新的数据集X

3.3.2.2)通过集成模型损失

其中，特征f的g值为：

式中，L

3.3.2.3)根据预设的特征采样比r％，保留前r％的特征，组成筛选后的敏感特征集合，作为更新特征集合f

其中，预设的特征采样比r％：该参数控制着每一次特征选择时保留多少比例的特征作为敏感特征，其取值设置与进行模型训练的特征集合维度F有关，一般不易设置过小，以免导致有用特征被模型剔除。

相比于其他特征选择方法，基于混洗机制的特征选择有如下优点：首先，该方法在筛选特征时综合考虑了特征对模型整体的贡献度，而不仅仅只考虑如特征数据相关性等特征本身的性质。其次，相比于直接去掉某个特征的做法，这种通过扰动数据集中某列特征的排列来消除该特征贡献的方式，不需要重新训练模型就能够评估其贡献度，在运算效率上更加高效。并且，这种方式不会改变模型训练数据的整体分布，相比于直接将特征置零的方式，这样做更加合理。

综上，本发明使用时，基于多传感信号融合和多维混合域特征来表征进给系统的故障信息，解决了数控机床进给系统监测信号易受环境影响的问题，准确地描述了进给系统的健康与故障状态。基于DoubleEnsemble-LightGBM模型的智能故障诊断模型，解决了敏感特征难以筛选、非线性诊断模型建立等问题，显著提升了数控机床进给系统故障诊断的精度，具有更强的鲁棒性和泛化性。

在本发明的一个实施例中，提供一种数控机床进给系统故障诊断方法，其包括：

预处理模块，通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；

特征集合构建模块，将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；

智能故障诊断模块，将多维混合域特征集合输入DoubleEnsemble-LightGBM故障诊断模型，以进行数控机床进给系统的智能故障诊断；

其中，DoubleEnsemble-LightGBM故障诊断模型是通过融合进给系统机械故障诊断的基础模型LightGBM和可实现敏感特征自动筛选的DoubleEnsemble模型构建的。

上述实施例中，部署外置传感器和数控系统内的进给伺服信号，包括：

振动传感器和噪声传感器，两种传感器的监测位置设置在电机端轴承座附近和丝杠螺母副附近；

电流传感器，布置在进给伺服电机的三相输出电缆上；

数控系统内的进给伺服信号基于TCP/IP协议调用动态链接库读取数控系统中进给速度、进给位置和跟随误差所需信息。

上述实施例中，对多传感器信号进行预处理，包括：奇异点剔除，趋势项消除和降噪处理；

降噪处理采用基于小波变换的非线性降噪方法，包括：

将含有噪声的原始信号进行小波分解，再对各层细节分量进行阈值收缩处理以实现信号的降噪；

将处理后的细节分量与近似分量通过小波逆变换进行组合重构，得到降噪后的信号。

上述实施例中，多维混合域特征集合，包括：

时域特征包含无量纲和有量纲指标；

频域特征反映频率成分的分布与变化；

时频域特征是在经过自适应噪声集合经验模态分解后，提供各固有模态分量IMF的熵值。

上述实施例中，DoubleEnsemble-LightGBM故障诊断模型的构建，包括：

由多维混合域特征集合构成训练数据(X，y)，并设置初始样本权重w

分别将数据集(X，y，w

获取LightGBM子模型的损失曲线C

以更新样本权重w

本实施例中，基于样本重加权方法更新样本权重w

分别对C

对所有样本的h值进行排序，将所有样本划分为B个子集，并给相同子集中的样本分配相同的权重，不同子集中的样本分配不同的权重。

本实施例中，基于特征选择方法更新特征集合f

对于特征f，打乱其在特征矩阵X中的排列，得到新的特征矩阵X

通过集成模型损失

根据预设的特征采样比r％，保留前r％的特征，组成筛选后的敏感特征集合，作为更新特征集合f

本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。

综上，本发明实现了数控机床进给系统这一多机械部件耦合的复杂系统的精确的智能故障诊断。基于包含振动信号，噪声信号、电流信号和数控系统内的进给伺服信号的多传感信号融合来描述数控机床进给系统的故障信息，解决了数控机床进给系统监测信号易受环境影响的问题，准确了地描述了进给系统的健康与故障状态。针对数控机床进给系统故障信号的非平稳性，基于小波变换的非线性降噪方法进行降噪处理，针对单一特征无法准确描述其状态，分别从时域、频域和时频域提取特征，构建多维混合域特征向量，完整准确地描述数控机床进给系统的故障信息。其中，时频域特征是经CEEMDAN分解后提取IMF能量熵、IMF功率谱熵和IMF奇异熵等，该方法通过加入自适应白噪声，克服了EMD分解存在的模态混叠问题，并且能够有效减少分解后所得IMF分量中的残余白噪声。

进一步，本发明提出的基于DoubleEnsemble-LightGBM模型的智能故障诊断模型，采用LightGBM作为进给系统机械故障诊断的基础模型，该模型更易处理大规模数据，同时对设备的算力要求低；考虑多维混合域特征向量总维度达到上百维，其中可能包含无效特征，会对模型训练造成负面影响，导致模型训练性能变差，易发生过拟合，进一步对故障诊断模型进行优化，将DoubleEnsemble算法与LightGBM模型作结合，在故障诊断模型的训练中融入敏感特征自动选择机制和训练样本重加权机制，解决了敏感特征难以筛选、非线性诊断模型建立等问题，显著提升了故障诊断的精度，具有更强的鲁棒性和泛化性。

在本发明一实施例中提供的计算设备结构示意图，该计算设备可以是终端，其可以包括：处理器(processor)、通信接口(Communications Interface)、存储器(memory)、显示屏和输入装置。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序，该计算机程序被处理器执行时以实现上述各实施例中的方法；该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、管理商网络、NFC(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏，该输入装置可以是显示屏上覆盖的触摸层，也可以是计算设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令。

此外，上述的存储器中的逻辑指令可以通过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(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。

在本发明的一个实施例中，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。

在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法。

上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

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。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。