风机叶片雷击损伤检测方法及系统与流程

本发明涉及信号处理技术领域，具体涉及一种风机叶片雷击损伤检测方法及系统。

背景技术：

叶片作为风力发电机组集风装置的核心部件之一，主要负责完成风能的捕获，并驱动发电机旋转，其性能直接影响整个风力发电机组的性能。叶片运行维护与事故频发也将严重影响风场的综合效益。其中，最常见的叶片损伤是由雷击带来的损伤。由于风机往往运行在人员难以及时抵达的区域，同时随着装机量的攀升，由于运维资源限制，叶片雷击损伤常难以及时发现和修复，长期带伤运行会导致雷击损伤的进一步扩展，最终导致大修、更换甚至叶片断裂，引发较大的经济损失和安全风险。再者，随着高海拔、沿海和海上等高雷暴，甚至超高雷暴区域装机量的增加，叶片遭受雷击的频次更多，损伤程度也更为严重。因此如何及时在线发现叶片雷击损伤显得尤为重要。

技术实现要素：

本发明实施例提供一种风机叶片雷击损伤检测方法及系统，能够实时地检测风机叶片是否因雷击受到损伤，避免叶片带伤运行带来的损失及风险。

为此，本发明提供如下技术方案：

一种风机叶片雷击损伤检测方法，所述方法包括：

实时采集风机的声音信号；

判断当前声音信号中是否包含雷声；

如果是，则获取待检测叶片扫风声音信号；

对所述待检测叶片扫风声音信号进行分割，得到各叶片对应的扫风声音信号；

计算各叶片对应的扫风声音信号的能量值；

根据各叶片对应的能量值确定叶片是否有雷击损伤。

可选地，所述方法还包括：

预先建立雷声识别模型；

所述判断当前声音信号中是否包含雷声包括：

从所述当前声音信号中提取声音特征；

将所述声音特征输入所述雷声识别模型，根据所述雷声识别模型的输出确定当前声音信号中是否包含雷声。

可选地，所述方法还包括按照以下方式构建雷声识别模型：

获取训练样本声音，所述训练样本声音包括：带有雷声标签的声音样本和带有非雷声标签的声音样本；

从所述训练样本声音中提取声音特征；

利用所述声音特征及所述标签构建雷声识别模型的训练样本，训练雷声识别模型。

可选地，所述获取训练样本声音包括：

分别采集带有雷声和非雷声的声音样本并打上雷声或非雷声标签，得到训练样本声音。

可选地，所述获取训练样本声音包括：

分别采集风机的扫风声、环境声音、雷声；

对所述扫风声和所述环境声音进行样本重构，得到一定数量的无雷声样本；

对所述扫风声、所述环境声音、以及所述雷声进行样本重构，得到一定数量的雷声样本。

可选地，所述对所述待检测信号进行分割包括：

采用以下任意一种方法对所述待检测信号进行分割：基于信号能量尖峰识别的音频分割方法，基于风机实时转速的分割方法、基于图像的分割方法。

可选地，所述待检测叶片扫风声音信号包括：后段扫风声音信号，所述后段扫风声音信号为判断有雷声之后风机稳定运行时的叶片扫风声音；所述根据各叶片对应的能量值确定叶片是否有雷击损伤包括：

根据各叶片对应的能量值分别计算叶片之间的能量互差因子；

根据所述能量互差因子确定叶片是否有雷击损伤。

可选地，所述待检测声音信号包括：后段扫风声音信号和前段扫风声音信号，所述前段扫风声音信号为当前声音信号前风机稳定运行时的叶片扫风声音信号，所述后段声音信号为当前声音信号后风机稳定运行时的叶片扫风声音信号；

所述根据各叶片对应的能量值确定叶片是否有雷击损伤包括：

根据各叶片对应的能量值分别计算叶片之间的能量互差因子及同一叶片雷击前后的能量互差因子；

根据所述能量互差因子确定叶片是否有雷击损伤。

可选地，所述方法还包括：

根据所述能量互差因子确定叶片损伤程度。

一种风机叶片雷击损伤检测系统，所述系统包括：机端设备、通过线缆与所述机端设备连接的一个或多个声音传感器、以及通过通信网络与所述机端设备连接的云端设备；

所述声音传感器，用于实时采集风机声音信号，并将所述风机声音信号传送给所述机端设备；

所述机端设备，用于将接收的风机声音信号或从所述风机声音信号中提取的声音特征信息上传给所述云端设备，并判断当前声音信号中是否包含雷声；如果是，则向所述云端设备发送雷击损伤判断触发信号；

所述云端设备，用于存储从所述机端设备接收的风机声音信号或声音特征信息；在接收到所述雷击损伤判断触发信号后，获取待检测叶片扫风声音信号；对所述待检测叶片扫风声音信号进行分割，得到各叶片对应的扫风声音信号；计算各叶片对应的扫风声音信号的能量值；根据各叶片对应的能量值确定叶片是否有雷击损伤。

可选地，所述声音传感器安装在风机塔筒的塔基上。

可选地，所述机端设备包括：

模型存储模块，用于存储预先建立的雷声识别模型；

特征提取模块，用于从所当前声音信号中提取声音特征；

雷声判断模块，用于将所述声音特征输入所述雷声识别模型，根据所述雷声识别模型的输出确定当前声音信号中是否包含雷声。

可选地，所述雷声识别模型为以下任意一种模型：lightgbm、逻辑回归、svc、随机森林、梯度提升决策树、cnn、lstm、基于声压级和特征谱的识别模型。

可选地，所述云端设备采用以下任意一种方法对所述待检测叶片扫风声音信号进行分割：基于信号能量尖峰识别的音频分割方法，基于风机实时转速的分割方法，或者基于图像的分割方法。

可选地，所述待检测叶片扫风声音信号包括：后段扫风声音信号，所述后段扫风声音信号为判断有雷声之后风机稳定运行时的叶片扫风声音；

所述云端设备根据各叶片对应的能量值分别计算叶片之间的能量互差因子；根据所述能量互差因子确定叶片是否有雷击损伤。

可选地，所述待检测声音信号包括：后段扫风声音信号和前段扫风声音信号，所述前段扫风声音信号为当前声音信号前风机稳定运行时的叶片扫风声音信号，所述后段声音信号为当前声音信号后风机稳定运行时的叶片扫风声音信号；

所述云端设备根据各叶片对应的能量值分别计算叶片之间的能量互差因子及同一叶片雷击前后的能量互差因子；根据所述能量互差因子确定叶片是否有雷击损伤。

可选地，所述云端设备，还用于根据所述能量互差因子确定叶片损伤程度。

本发明实施例提供的风机叶片雷击损伤检测方法及系统，通过实时采集风机声音信号，判断当前声音信号中是否包含雷声；如果是，则进一步获取待检测叶片扫风声音信号；对所述待检测叶片扫风声音信号进行分割，得到各叶片对应的扫风声音信号；计算各叶片对应的扫风声音信号的能量值；根据各叶片对应的能量值确定叶片是否有雷击损伤。利用本发明，可以实时地检测风机叶片是否因雷击受到损伤，避免叶片带伤运行带来的损失及风险。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本发明实施例风机叶片雷击损伤检测方法的一种流程图；

图2是本发明实施例中建立雷声识别模型的流程图；

图3是本发明实施例风机叶片雷击损伤检测系统的一种结构框图；

图4是本发明实施例风机叶片雷击损伤检测系统的一种应用示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。

本发明实施例提供一种风机叶片雷击损伤检测方法及系统，实时采集风机声音信号；判断当前声音信号中是否包含雷声；如果是，则获取待检测叶片扫风声音信号；对所述待检测叶片扫风声音信号进行分割，得到各叶片对应的扫风声音信号；计算各叶片对应的扫风声音信号的能量值；根据各叶片对应的的能量值确定叶片是否有雷击损伤。

如图1所示，是本发明实施例风机叶片雷击损伤检测方法的一种流程图，包括以下步骤：

步骤101，实时采集风机声音信号。

具体地，可以通过设置在风机叶片附近的一个或多个声音传感器采集风机声音信号。而且，对风机声音信号的采集不限于在风机运行状态，也就是说，不论风机是否运行，对风机声音信号的采集均会周期地进行。

步骤102，判断当前声音信号中是否包含雷声；如果是，则执行步骤103；否则，返回步骤101。

所述当前声音信号是指当前采集时间点采集的风机声音信号。

步骤103，获取待检测叶片扫风声音信号。

步骤104，对所述待检测叶片扫风声音信号进行分割，得到各叶片对应的扫风声音信号。

具体地，可以采用以下任意一种方法对所述待检测信号进行分割：基于信号能量尖峰识别的音频分割方法，基于风机实时转速的分割方法，或者基于图像的分割方法。

步骤105，计算各叶片对应的扫风声音信号的能量值。

步骤106，根据各叶片对应的能量值确定叶片是否有雷击损伤。

需要说明的是，在上述步骤102中，检测风机叶片的扫风声音中是否包含雷声的方法可以采用现有的一些雷声识别方法。

另外，本发明实施例还提供一种利用预先建立的雷声识别模型进行雷声识别的方法。所述雷声识别模型可以为以下任意一种模型：lightgbm、逻辑回归、svc（supportvectormachine，支持向量机）、随机森林、梯度提升决策树、cnn、lstm、基于声压级和特征谱的识别模型等。

如图2所示，是本发明实施例中建立雷声识别模型的流程图，包括以下步骤：

步骤201，获取训练样本声音，所述训练样本声音包括：带有雷声标签的声音样本和带有非雷声标签的声音样本。

在实际应用中，可以采用多种方式获取训练样本声音，比如：

一种方式是分别采集带有雷声和非雷声的声音信号作为样本并打上雷声标签或非雷声标签，得到训练样本声音。

需要说明的是，在实际应用中，如果采集到的声音数据正负样本量能够满足模型训练要求时，可以使用上述第一种方式获取训练样本。另外，为了使所述训练样本声音与实际应用场景更接近，从而提升雷声识别模型的效果。在采集到带有雷声和非雷声的声音信号，还可进一步对所述声音信号进行处理，所述处理包括但不限于对所述声音数据的音量和长度等进行均一化处理，对所述声音数据进行信号增强、去噪处理等。

另一种方式是通过声音合成的方法获取训练样本声音。在这种方式中，可以通过样本重构来生成一定数量的无雷声样本和雷声样本，相应地处理过程包括但不限于声音样本的随机取样与组合、音量调整、噪音滤除或添加、合成样本打标签等。比如，具体过程可以如下：首先，分别采集风机的扫风声、环境声音（比如虫鸣声、汽车声等）、雷声；然后，对所述扫风声和所述环境声音进行样本重构，比如对所述扫风声和所述环境声音进行取样和随机拼接，得到一定数量的无雷声样本，比如1000个1min无雷声样本；对所述扫风声、所述环境声音、以及所述雷声进行样本重构，比如对雷声进行随机取样并调节音量，得到雷声片段，将所述雷声片段与通过样本重构得到的无雷声样本进行合成，得到一定数量的雷声样本，比如1000个1min的雷声样本。当然，为了使得到的声音样本具有更好的效果，还可对所述声音样本进行数据增强处理。

需要说明的是，所述风机的扫风声包括健康风机扫风声及故障风机扫风声，所述故障风机扫风声是指风机出现故障后继续运行时的扫风声，在本发明实施例中，并不限定所述故障出现的原因。另外，本发明实施例对合成方式得到的无雷声样本和雷声样本的长度和数量不做限定。

在实际应用中，可以依据采集的声音数据的特点和雷声识别模型的真实使用场景，仿真出尽可能丰富的接近于真实场景的各类工况、天气情况、环境情况的训练样本声音。

另外，不论是采用上述哪种方式，还可以对所述训练样本声音进行预处理，包括但不限于滤波、频谱二值化、机械噪声、离群点噪声、横竖线噪声等噪声过滤，这样，可以进一步增强雷声相关特征，从而提升雷声识别模型的雷声识别效果。

步骤202，从所述训练样本声音中提取声音特征。

所述声音特征可以包括以下任意一种或多种：时域特征、频域特征、时频域特征。其中，所述时域特征包括但不限于波形最大值、波形最小值、波形均值、峰峰值、波形标准差、波形短时能量值、过零率、基于分布的特征、声压级；所述频域特征包括但不限于功率谱密度插值、频谱峰值、特征频率；所述时频域特征包括但不限于时频谱图形特征。

步骤203，利用所述声音特征及所述标签构建雷声识别模型。

相应地，在利用上述雷声识别模型确定当前声音信号中是否包含雷声时，可以从所当前声音信号中提取声音特征，然后将所述声音特征输入所述雷声识别模型，根据所述雷声识别模型的输出确定当前声音信号中是否包含雷声。

由于风机叶片出现雷击损伤后，叶片本身扫风声音能量会发生改变，与健康叶片扫风声音存在明显能量差异，相对于其他叶片损伤模式（如排水孔堵塞，保护膜损伤等）而言，该能量差异特性在雷击损伤中更加显著，可作为雷击损伤的特有识别模式，对雷击损伤识别更具有针对性，而不用采用多损伤分类模型进行识别。为此，在本发明实施例中，可以通过叶片间的扫风声音、和/或雷击前后扫风声音的能量差异来判断叶片是否存在雷击损伤。相应地，在实际应用中，上述步骤103中所述的待检测叶片扫风声音信号可以包括后段扫风声音信号；或者包括后段扫风声音信号和前段扫风声音信号。其中，前段扫风声音信号和后段扫风声音信号是基于采样的前后顺序而言的不同采样时间点对应的采样信号。而且，所述前段扫风声音信号可以是当前声音信号之前的最近一个采样时间点对应的风机稳定运行时的叶片扫风声音信号，或者是当前声音信号之前一定时间段内几个采样时间点对应的风机稳定运行时的叶片扫风声音；同理，所述后段扫风声音信号可以是当前声音信号之后的最近一个时间点对应的风机稳定运行时的叶片扫风声音信号，或者是当前声音信号之后一定时间段内几个采样时间点对应的风机稳定运行时的叶片扫风声音。

下面分别针对将不同时间点采集的声音信息作为待检测声音信号时，确定叶片是否有雷击损伤的过程进行说明。

（1）所述待检测叶片扫风声音信号包括：后段扫风声音信号。

相应地，所述根据各叶片对应的能量值确定叶片是否有雷击损伤可以按照以下方式处理：

根据各叶片对应的能量值分别计算叶片之间的能量互差因子，为了方便描述，后续将其称为第一能量互差因子；

根据所述能量互差因子确定叶片是否有雷击损伤。具体地，如果所述第一能量互差因子大于设定的第一阈值，则确定叶片有雷击损伤；否则，确定叶片没有雷击损伤。

所述能量互差因子为根据叶片声音在时频域的能量特征构造的判别因子，具体可以是但不限于rms（rootmeansquare，均方根）值，dtw（dynamictimewarping，动态时间归整）等。

（2）所述待检测声音信号包括：后段扫风声音信号和前段扫风声音信号。

相应地，所述根据各叶片对应的能量值确定叶片是否有雷击损伤可以按照以下方式处理：

根据各叶片对应的能量值分别计算叶片之间的能量互差因子即前面所述的第一能量互差因子，以及同一叶片雷击前后的能量互差因子，为了方便描述，后续将其称为第二能量互差因子；

根据上述第一能量互差因子和第二能量互差因子确定叶片是否有雷击损伤，具体可以综合比较上述两种能量互差因子，比较方式可以有多种，比如：

第一种：第一能量互差因子大于设定的第一阈值，并且第二能量互差因子大于设定的第二阈值，则确定叶片有雷击损伤；否则，确定叶片没有雷击损伤。其中，所述第二阈值与所述第一阈值可以相同，也可以不同，对此本发明实施例不做限定。

第二种：对第一能量互差因子和第二能量互差因子设定不同的权值，并两者进行加权计算，得到加权后的能量互差因子；如果加权后的能量互差因子大于设定的第三阈值，则确定叶片有雷击损伤；否则，确定叶片没有雷击损伤。

需要说明的是，所述第一能量互差因子和所述第二能量互差因子均可通过比较相应的声音信号的音频或某个频段下的能量差异获得，具体计算方式包含但不限于rms、dtw等。

进一步地，在本发明风机叶片雷击损伤检测方法另一实施例中，还可以包括以下步骤：根据所述能量互差因子确定叶片损伤程度，能量互差因子越大，说明叶片损伤越严重。比如，可以将损伤程度分为三级，根据能量互差因子的大小确定叶片损伤程度在哪个级别。

本发明实施例提供的风机叶片雷击损伤检测方法，通过实时采集风机的声音信号，判断当前声音信号中是否包含雷声；如果是，则进一步获取待检测叶片扫风声音信号；对所述待检测叶片扫风声音信号进行分割，得到各叶片对应的扫风声音信号；计算各叶片对应的扫风声音信号的能量值；根据各叶片对应的能量值确定叶片是否有雷击损伤。利用本发明，可以实时地检测风机叶片是否因雷击受到损伤，避免叶片带伤运行带来的损失及风险。

本发明实施例中通过有监督的机器学习识别雷声，对‘鞭炮声’等类似雷声，昆虫声、蝉鸣、汽车鸣笛声等非雷声识别可以具有更好的兼容性，雷声识别准确率更高。

为了验证使用雷声识别效果，发明人采用声音合成的方法获取超过千条的合成训练样本，训练后的雷声识别模型在训练集上的准确率为99.9%，验证集上的准确率为97.0%。在某风场实际连续验证2个月，并未出现误报，只有一例漏报。其中，经人工判断，验证样本中包含多种风机工况（启机、满发、停机、哨声等），包含部分易产生误报的样本（远处炮声，飞机声，风声等），包含雷雨天气状况，利用本方案中的雷声识别模型，在这些情况下都未进行误报。

相应地，本发明实施例还提供一种风机叶片雷击损伤检测系统，如图3所示，是该系统的一种结构框图。

在该实施例中，所述系统包括：机端设备301、通过线缆与所述机端设备301连接的一个或多个声音传感器302、以及通过通信网络与所述机端设备301连接的云端设备303。其中：

所述声音传感器302用于实时采集风机声音信号，并将所述风机声音信号传送给所述机端设备301；

所述机端设备301用于将接收的风机声音信号或从所述风机声音信号中提取的声音特征信息上传给所述云端设备303，并判断当前声音信号中是否包含雷声；如果是，则向所述云端设备303发送雷击损伤判断触发信号；

所述云端设备303用于存储从所述机端设备301接收的风机声音信号或声音特征信息；在接收到所述雷击损伤判断触发信号后，获取待检测叶片扫风声音信号；对所述待检测叶片扫风声音信号进行分割，得到各叶片对应的扫风声音信号；计算各叶片对应的扫风声音信号的能量值；根据各叶片对应的能量值确定叶片是否有雷击损伤。

在实际应用中，上述声音传感器302可以安装在风机塔筒的塔基上，比如，声音传感器302使用磁性座支架安装固定在距地面一定高度（比如4米）的塔基上；如果使用多个声音传感器，则多个声音传感器可以部署在塔筒底部、中部、上部，以及机舱靠近叶片根部等位置。

机端设备301安装在塔基内的控制柜中，使用塔基的220v电源供电，如图4中所示。声音传感器302通过线缆与机端设备301连接，线缆采用铝箔丁基密封防水胶带固定在塔筒上起保护作用。所述通信网络可以是风场中设置的光纤环网，不同风机均可通过所述光纤环网向云端设备303上传风机叶片的扫风声音信号或经提取后的声音特征信息，云端设备303对各风机上传的声音信号或声音特征信息进行记录保存。一旦接收到某个风机发送的雷击损伤判断触发信号后，即针对该风机进行叶片是否有雷击损伤的判断。

需要说明的是，所述机端设备301具体可以采用现有的一些雷声识别方法检测风机声音信号中是否包含雷声，或者利用本发明方案提供的一种利用雷声识别模型来完成检测的方法。所述雷声识别模型可以为以下任意一种模型：lightgbm、逻辑回归、svc（supportvectormachine，支持向量机）、随机森林、梯度提升决策树、cnn、lstm、基于声压级和特征谱的识别模型等。

相应地，所述机端设备302可以包括以下各模块：

模型存储模块，用于存储预先建立的雷声识别模型；

特征提取模块，用于从当前声音信号中提取声音特征；

雷声判断模块，用于将所述声音特征输入所述雷声识别模型，根据所述雷声识别模型的输出确定当前声音信号中是否包含雷声。

所述雷声识别模型可以由相应的模型构建模块利用训练样本声音进行构建，所述模型构建模块可以作为所述机端设备302的一部分，也可以独立于所述机端设备302，对此本发明实施例不做限定。

所述模型构建模块具体可以包括以下各单元：

训练数据获取单元，用于获取训练样本声音，所述训练样本声音包括：带有雷声标签的声音样本和带有非雷声标签的声音样本；

特征提取单元，用于从所述训练样本声音中提取声音特征；

训练单元，用于利用所述声音特征及所述标签构建雷声识别模型。

其中，所述训练数据获取单元可以采用多种方式获取训练样本声音，具体可以参照前面本发明方法实施例中的描述，在此不再赘述。

所述声音特征可以包括以下任意一种或多种：时域特征、频域特征、时频域特征。所述特征提取单元提取的时域特征可以包括但不限于波形最大值、波形最小值、波形均值、峰峰值、波形标准差、波形短时能量值、过零率、基于分布的特征、声压级；提取的频域特征可以包括但不限于功率谱密度插值、频谱峰值、特征频率；提取的时频域特征包括但不限于时频谱图形特征。

其中，所述云端设备303具体可以采用以下任意一种方法对所述待检测叶片扫风声音信号进行分割：基于信号能量尖峰识别的音频分割方法，基于风机实时转速的分割方法，或者基于图像的分割方法。

在本发明实施例的系统中，所述的待检测叶片扫风声音信号可以包括后段扫风声音信号；或者包括后段扫风声音信号和前段扫风声音信号。其中，前段扫风声音信号和后段扫风声音信号是基于采样的前后顺序而言的不同采样时间点对应的采用信号。而且，所述前段扫风声音信号可以是当前声音信号之前的最近一个采样时间点对应的风机稳定运行时的叶片扫风声音信号，或者是当前声音信号之前一定时间段内几个采样时间点对应的风机稳定运行时的叶片扫风声音；同理，所述后段扫风声音信号可以是当前声音信号之后的最近一个时间点对应的风机稳定运行时的叶片扫风声音信号，或者是当前声音信号之后一定时间段内几个采样时间点对应的风机稳定运行时的叶片扫风声音。

相应地，所述待检测叶片扫风声音信号包括后段扫风声音信号时，所述云端设备303可以根据各叶片对应的能量值分别计算叶片之间的能量互差因子；根据所述能量互差因子确定叶片是否有雷击损伤。

相应地，所述待检测叶片扫风声音信号包括后段扫风声音信号和前段扫风声音信号时，所述云端设备303可以根据各叶片对应的能量值分别计算叶片之间的能量互差因子及同一叶片雷击前后的能量互差因子；根据所述能量互差因子确定叶片是否有雷击损伤。

进一步地，在本发明风机叶片雷击损伤检测系统另一实施例中，所述云端设备303还可以根据所述能量互差因子确定叶片损伤程度，具体地，可以根据所述能量互差因子确定叶片损伤程度，能量互差因子越大，说明叶片损伤越严重。比如，可以将损伤程度分为三级，根据能量互差因子的大小确定叶片损伤程度在哪个级别。

本发明实施例提供的风机叶片雷击损伤检测系统，通过在风力发电机组塔筒底部安装声音传感器，实时记录并检测风机的声音信号，在检测到当前声音信号中包含雷声后，基于叶片损伤后各叶片扫风声音的不同特性对雷击损伤进行识别。利用本发明系统，可以实时地检测风机叶片是否因雷击受到损伤，避免叶片带伤运行带来的损失及风险。

需要说明的是，对于上述本发明系统各实施例而言，由于各模块、单元的功能实现与相应的方法中类似，因此对所述装置各实施例描述得比较简单，相关之处可参见方法实施例的相应部分说明。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。而且，以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的，即可以位于一个网络单元上，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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称的存储介质，如：rom/ram、磁碟、光盘等。

相应地，本发明实施例还提供一种用于上述本发明方法的装置，该装置是一种电子设备，比如，可以是移动终端、计算机、平板设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器；其中，所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面各实施例所述的方法。

以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及装置，其仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。