设备剩余寿命预测方法、装置、计算机设备及介质与流程

1.本公开涉及能源设备技术领域，尤其涉及设备剩余寿命预测方法、装置、计算机设备及介质。


背景技术：

2.设备的健康管理是重要的科研领域，可广泛应用于综合能源及工业领域，其重点是计算设备或系统的退化状态并估算系统的剩余使用寿命。由于无法实时对每个设备或系统进行详细的实地分析，无法获得每个设备或系统的剩余使用寿命，导致设备或系统的安全性、可靠性和故障排除率较低。


技术实现要素：

3.有鉴于此，本公开实施例提供了设备剩余寿命预测方法、装置、计算机设备及介质，以解决现有技术中由于无法获得设备或系统的剩余使用寿命，导致设备或系统的安全性、可靠性和故障排除率较低的问题。
4.本公开实施例的第一方面，提供了一种设备剩余寿命预测方法，包括：基于预设的处理策略对获取到的原始时序集中的时序数据进行处理，生成目标时序集；基于预设的训练策略和目标时序集对原始处理模型进行训练，得到目标处理模型；基于获取的目标时序数据集和目标处理模型，生成目标预测数据。
5.本公开实施例的第二方面，提供了一种设备剩余寿命预测装置，包括：时序集生成模块，被配置为基于预设的处理策略对获取到的原始时序集中的时序数据进行处理，生成目标时序集；训练模块，被配置为基于预设的训练策略和所述目标时序集对原始处理模型进行训练，得到目标处理模型；数据生成模块，被配置为基于获取的目标时序数据集和所述目标处理模型，生成目标预测数据。
6.本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
7.本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
8.本公开实施例与现有技术相比存在的有益效果至少包括：通过基于预设的处理策略对获取到的原始时序集中的时序数据进行处理，生成目标时序集；基于预设的训练策略和目标时序集对原始处理模型进行训练，得到目标处理模型；基于获取的目标时序数据集和目标处理模型，生成目标预测数据。可以提前预测设备的剩余寿命，提高了设备或系统的安全性、可靠性和故障排除率。
附图说明
9.为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述
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公开的一些实施例，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它的附图。
10.图1是本公开实施例的场景示意图；
11.图2是本公开实施例提供的一种设备剩余寿命预测方法的流程图一；
12.图3是本公开实施例提供的另一种设备剩余寿命预测方法的流程图二；
13.图4是本公开实施例提供的一种设备剩余寿命预测装置的框图；
14.图5是本公开实施例提供的计算机设备的示意图；
15.图6是本公开实施例提供的svr模型的示意图。
具体实施方式
16.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
17.下面将参考附图并结合实施例来详细说明本公开。
18.图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。
19.终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1、2和3为软件时，其可以安装在上述的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
20.服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
21.需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以实现为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以实现为终端设备1、2和3提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
22.网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(bluetooth)、近场通信(near field communication，nfc)、红外(infrared)等，本公开实施例对此不作限制。
23.用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。具体地，首先，服务器4可以基于预设的处理策略对获取到的原始时序集中的时序数据进行处理，生成目标时序集。其次，服务器4可以基于预设的训练策略和目标时序集对原始处理模型进行训练，得到目标处理模型。最后，服务器4可以基于获取的目标时序数据
集和目标处理模型，生成目标预测数据。
24.需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。
25.图2是本公开实施例提供的一种设备剩余寿命预测方法的流程图。图2的设备剩余寿命预测方法可以由图1的终端设备或服务器4执行。如图2所示，该设备剩余寿命预测方法包括：
26.s201，基于预设的处理策略对获取到的原始时序集中的时序数据进行处理，生成目标时序集。
27.原始时序集可以指由时序数据组成的数据集合。该原始时序集包括至少一个时序数据。时序数据又称时间序列数据，时间序列数据是根据同一统一指标按时间顺序记录的数据列。在同一数据列中的各个数据必须是同口径的，并要求具有可比性。时序数据可以包括时间戳和核心数据。时间戳可以指该数据形成的时间，例如“08(时)：49(分):05(秒)”、“2021(年)-06(月)-09(日)”或“2021(年)-06(月)-09(日)08(时)：49(分):05(秒)”，根据需要进行设置，在此不作具体限制。核心数据可以指从设备、系统、或设备(系统)监控装置获取到的参数数据。核心数据可以为整数型或实数型或其他数据类型，例如“386”、“136.1546”、“a154.11”等，根据需要进行设置，在此不作具体限制。作为一个具体实施例，时序数据可以如下表所示：
28.2021-06-28 00:00:003.6882021-06-28 01:00:004.1892021-06-28 02:00:003.852021-06-28 03:00:003.1162021-06-28 04:00:002.92021-06-28 05:00:002.885
29.预设的处理策略可以为预先设置好的对原始时序集中时序数据的处理方式。该处理方式可以对原始时序子集中所有时序数据整体进行处理，也可以对原始时序集中的一个或多个满足预设条件的时序数据进行处理，得到处理后的时序数据。该预设条件可以通过人为设置方式、机器学习方式或其他方式得到。目标时序集可以指由处理后的时序数据构成的时序数据集。
30.s202，基于预设的训练策略和目标时序集对原始处理模型进行训练，得到目标处理模型。
31.训练策略可以指基于目标时序集对对原始处理模型进行训练的步骤或方法。原始处理模型可以为现有的或自己设置的数学式。该数学式可以包括模型参数，模型参数可以指该数学式中经过训练不断改变，并最终满足需求的参数，该参数可以为常数、数组、向量等。该原始处理模型可以根据不同的需要、场景来选择相对应的数学式，在此不作具体限制。目标处理模型可以指经过训练后，符合要求的数学式。
32.s203，基于获取的目标时序数据集和目标处理模型，生成目标预测数据。
33.目标时序数据集可以指能根据该时序数据集中的时序数据预测设备剩余寿命的时序数据集。将该目标时序数据集代入训练好的目标处理模型后，可以生成设备的目标预测数据。目标预测数据可以指用来预测某设备的剩余寿命的预测数据，作为示例，该目标预
测数据可以为“12天”“3天8小时7分12秒”、“2个月”等。
34.具体地，通过基于预设的处理策略对获取到的原始时序集中的时序数据进行处理，生成目标时序集；基于预设的训练策略和目标时序集对原始处理模型进行训练，得到目标处理模型；基于获取的目标时序数据集和目标处理模型，生成目标预测数据。可以提前预测设备的剩余寿命，提高了设备或系统的安全性、可靠性和故障排除率。
35.在一些实施例中，基于预设的处理策略对获取到的原始时序集中的时序数据进行处理，生成目标时序集之前，还包括：获取原始测试集；对原始测试集中的时序数据进行异常处理，得到目标测试集；基于预设的测试策略对目标测试集进行测试，生成测试结果；响应于确定测试结果为异常，发送异常信息至目标显示设备；响应于确定测试结果为正常，获取目标设备的原始时序集。
36.在对设备预测剩余寿命前，可以先对设备进行检测，当检测到某设备已经出现故障时，可以直接将该设备标记为故障设备进行检修，并将正常运行的设备进行预测。
37.具体的，原始测试集可以指用于测试设备当前装填的时序数据集。异常处理可以指将原始测试集中的异常数据删除或替换掉。异常数据可以指原始测试集中的某一个或某一些时序数据，与大部分时序数据有明显差异的时序数据。异常处理可以包括检查数据一致性或处理无效值和缺失值等。其中，数据一致性可以指数据的基本特征或特性相同，其他特性或特征相类似。无效值可以指空值、不符合数据类型要求的值或其他异常值。缺失值可以指现有数据集中某个或某些属性的值是不完全的。目标测试集可以指经过异常处理后得到的时序数据组成的数据集合。
38.预设的测试策略可以包括以下步骤：第一步，获取目标阈值。第二步，将目标测试集中的时序数据的核心数据与目标阈值进行对比，得到测试结果。
39.测试结果可以为正常或异常。当测试结果为异常时，代表该数据对应的设备或系统已经出现故障，可以将异常信息发送至目标显示设备如手机、pc、移动电脑等设备。当测试结果为正常时，可以获取目标设备的原始时序集，用以进行后续的预测。
40.通过提前检测，一方面可以直接检测出故障设备或系统，可以直接对该设备或系统进行维修。另一方面减少了需要检测的设备或系统的数量，也进一步减少了后续预测的运算复杂度。
41.在一些实施例中，基于预设的处理策略对获取到的原始时序集中的时序数据进行处理，生成目标时序集，包括：基于预设的离群处理策略对原始时序集中的时序数据进行离群处理，生成离群处理后的时序数据，得到离群处理后的原始时序集；对离群处理后的原始时序集中的时序数据进行降噪处理，生成降噪处理后的时序数据，得到降噪处理后的原始时序集；对降噪后的原始时序集进行平滑处理，生成平滑处理后的时序数据，得到平滑处理后的原始时序集；将平滑处理后的原始时序集确定为目标时序集。
42.预设的离群处理策略可以指预先设置的对原始时序集中的时序数据进行离群处理的步骤或方法。离群处理可以指将原始时序集中的离群时序数据删除或替换。该离群时序数据可以指该时序数据的核心数据与其他时序数据的核心数据相比差异较大。降噪处理可以指将原始时序集中的噪声时序数据删除或替换。该噪声时序数据可以指该时序数据的核心数据存在着错误或异常(偏离期望值)的数据，这些数据对数据的分析造成了干扰。作为示例，可以使用深度残差收缩网络方式进行降噪处理。平滑处理可以指将原始时序集中
的时序数据的核心数据的变化幅度降低。作为示例，可以使用滑动/移动平均方式进行平滑处理。离群处理、降噪处理和平滑处理还可以选择其他可替换的处理方式进行处理，在此不做具体限制。
43.在一些实施例中，基于预设的离群处理策略对原始时序集中的时序数据进行离群处理，生成离群处理后的时序数据，得到离群处理后的原始时序集，包括：获取离群阈值和切割指标；基于切割指标将原始时序集切割为至少一个原始时序子集；基于预设的离群处理数学式对至少一个原始时序子集中每个原始时序子集进行处理，生成离群数据值，得到离群数据集；响应于确定离群数据集中的其中一个离群数据值不小于离群阈值，删除离群数据集中的离群数据对应的原始时序子集；响应于确定离群数据集中的离群数据值均小于离群阈值，得到离群处理后的原始时序集。
44.离群阈值可以指预设的用于判断某一时序数据的核心数据值是否属于离群值的阈值。是否属于离群数据需要有一个指标来确定，即离群阈值。该离群阈值可以通过人工设置，也可以通过机器学习得到。切割指标可以指预设的用于分割时序数据集的指标。该切割指标可以为一个时间段，如0.1秒、2秒、1小时、1天或其他时间段；该切割指标还可以为原始时序集中时序数据的个数，如2个、3个、5个或其他数值，此时切割指标为大于1的正整数。切割指标还可以为设置为其他形式，根据需要进行设置，在此不作具体限制。该切割指标可以为人工设置的数值，也可以为由机器学习得到的经验数值。至少一个原始时序子集可以指基于该切割指标划分的具有相同时间长度的，由时序数据组成的至少一个数据集合。在一个实施例中，现有获取的原始时序集t1，t1的第一个时序数据的时间戳为8：05：06，最后一个时序数据的时间戳为8:09:39，则t1的时间段为(09-05)*60+(39-06)＝273秒，切割指标为4秒，则273/4＝68.25，则该t1被划分为69个时序子集。原始时序子集可以指原始时序集基于该切割指标分割成的由至少一个时序数据组成的数据子集。
45.在一些实施例中，该离群处理数学式可以为：
[0046][0047]
其中，s[l]为至少一个原始时序子集中第l个原始时序子集的数据宽度，d
l
为至少一个原始时序子集的数据宽度中值，l为至少一个原始时序子集中原始时序子集的个数，s为离群数据值。数据宽度可以指某一原始时序子集中核心数据的最高值与核心数据最低值的差。数据宽度中值可以指至少一个原始时序子集中每个原始时序子集对应的数据宽度的中值。中值(又称中位数)可以指将统计总体当中的各个变量值按大小顺序排列起来，形成一个数列，处于变量数列中间位置的变量值就称为中位数。离群数据值可以指预先设置的用于判断原始时序子集是否符合要求的数据指标。该利群数据值可以通过人工设置，也可以通过机器学习得到。
[0048]
在一些实施例中，原始处理模型为：支持向量回归模型(support vector regression，svr模型)。svr模型的初始公式如下所示：
[0049]
f(x)＝w
t
+b
[0050]
其中，w可以是回归方程的系数矩阵；b可以代表常数参数。
[0051]
请参照图6，我们希望学习到一个f(x)使得其与y尽可能的接近，是待确定的模型
参数。在这个模型中，只有当f(x)与y完全相同时，损失才为零，而svr模型允许f(x)与y之间最多有ε的偏差，当且仅当f(x)与y的差别绝对值大于ε时，才计算损失，此时相当于以f(x)为中心，构建一个宽度为2ε的间隔带，若训练样本落入此间隔带，则认为是被预测正确的。
[0052]
经过换算，可以将svr模型的初始公式转换为：
[0053][0054]
其中，m代表目标时序集中时序数据的个数；i代表目标时序集中第i个时序数据；b代表常数参数；xi代表第i个时序数据的核心数据对应的系数矩阵；ai代表隔离带上边缘之上的第i个时序数据的核心数据到隔离带上边缘的投影，与该核心数据对应的y值的差的拉格朗日乘子；代表隔离带下边缘之下的第i个时序数据的核心数据到隔离带下边缘的投影，与该核心数据对应的y值的差的拉格朗日乘子。其中，投影可以指与该带数据点的x值相同的，处于上边缘线的数据点，或者投影可以指与该带数据点的x值相同的，处于下边缘线的数据点。拉格朗日乘子属于现有的数学概念，在此不做详细描述。
[0055]
在一些实施例中，本发明公开还包括：将目标模型的模型参数发送至模型管理中心；接收模型管理中心发送的中心模型参数；将中心模型参数更新至目标模型。
[0056]
在训练目标模型时，可以通过横向联邦学习方式来训练。横向联邦学习方式可以指基于多个服务器进行分布式训练的训练方式，该横向联邦学习方式可以包括以下步骤：
[0057]
第一步，设置一个总服务器，设置至少一个子服务器；
[0058]
第二步，在总服务器以及至少一个子服务器中每个子服务器上设置相同的训练模型；
[0059]
第三步，总服务器以及该每个子服务器利用各自的本地数据进行训练，得到该每个子服务器的训练参数；
[0060]
第四步，将该每个子服务器的训练参数反馈至总服务器；
[0061]
第五步，总服务器聚合总服务器的训练参数，以及该每个子服务器的训练参数，生成中心模型参数，其中，中心模型参数可以指经总服务器的训练参数，以及该每个子服务器的训练参数聚合得到的新的模型参数。
[0062]
第六步，发送中心模型参数至该每个子服务器；
[0063]
第七步，该每个子服务器将中心模型参数更新至自身的训练模型。
[0064]
通过横向联邦学习方式来训练，可以充分利用子服务器各自的性能及各自的本地数据，大大提高了训练的效率。
[0065]
图3是本公开实施例提供的设备剩余寿命预测方法的流程图。图3的设备剩余寿命预测方法可以由图1服务器4执行。如图3所示，该设备剩余寿命预测方法包括：
[0066]
s301，获取离群阈值和切割指标。
[0067]
s302，基于切割指标将原始时序集切割为至少一个原始时序子集。
[0068]
s303，基于预设的离群处理数学式对至少一个原始时序子集中每个原始时序子集进行处理，生成离群数据值，得到离群数据集。
[0069]
s304，响应于确定离群数据集中的其中一个离群数据值不小于离群阈值，删除离群数据集中的离群数据对应的原始时序子集。
[0070]
s305，响应于确定离群数据集中的离群数据值均小于离群阈值，得到离群处理后
的原始时序集。
[0071]
s306，对离群处理后的原始时序集中的时序数据进行降噪处理，生成降噪处理后的时序数据，得到降噪处理后的原始时序集。
[0072]
s307，对降噪后的原始时序集进行平滑处理，生成平滑处理后的时序数据，得到平滑处理后的原始时序集。
[0073]
s308，将平滑处理后的原始时序集确定为目标时序集。
[0074]
s309，基于预设的训练策略和目标时序集对预设的支持向量回归模型进行训练，得到目标处理模型。
[0075]
s310，基于获取的目标时序数据集和目标处理模型，生成目标预测数据。
[0076]
上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
[0077]
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
[0078]
图4是本公开实施例提供的设备剩余寿命预测装置的示意图。如图4所示，该设备剩余寿命预测装置包括：
[0079]
时序集生成模块401，被配置为基于预设的处理策略对获取到的原始时序集中的时序数据进行处理，生成目标时序集；
[0080]
训练模块402，被配置为基于预设的训练策略和目标时序集对原始处理模型进行训练，得到目标处理模型；
[0081]
数据生成模块403，被配置为基于获取的目标时序数据集和目标处理模型，生成目标预测数据。
[0082]
根据本公开实施例提供的技术方案，通过基于预设的处理策略对获取到的原始时序集中的时序数据进行处理，生成目标时序集；基于预设的训练策略和目标时序集对原始处理模型进行训练，得到目标处理模型；基于获取的目标时序数据集和目标处理模型，生成目标预测数据。可以提前预测设备的剩余寿命，提高了设备或系统的安全性、可靠性和故障排除率。
[0083]
在一些实施例中，设备剩余寿命预测装置的时序集生成模块401之前，还包括：原始测试集获取模块，被配置为获取原始测试集。异常处理模块，被配置为对原始测试集中的时序数据进行异常处理，得到目标测试集。测试结果生成模块，被配置为基于预设的测试策略对目标测试集进行测试，生成测试结果。异常信息发送模块，被配置为响应于确定测试结果为异常，发送异常信息至目标显示设备。原始时序集获取模块，被配置为响应于确定测试结果为正常，获取目标设备的原始时序集。
[0084]
在一些实施例中，设备剩余寿命预测装置的时序集生成模块401被进一步配置为：基于预设的离群处理策略对原始时序集中的时序数据进行离群处理，生成离群处理后的时序数据，得到离群处理后的原始时序集；对离群处理后的原始时序集中的时序数据进行降噪处理，生成降噪处理后的时序数据，得到降噪处理后的原始时序集；对降噪后的原始时序集进行平滑处理，生成平滑处理后的时序数据，得到平滑处理后的原始时序集；将平滑处理后的原始时序集确定为目标时序集。
[0085]
在一些实施例中，基于预设的离群处理策略对原始时序集中的时序数据进行离群
处理，生成离群处理后的时序数据，得到离群处理后的原始时序集，包括：获取离群阈值和切割指标；基于切割指标将原始时序集切割为至少一个原始时序子集；基于预设的离群处理数学式对至少一个原始时序子集中每个原始时序子集进行处理，生成离群数据值，得到离群数据集；响应于确定离群数据集中的其中一个离群数据值不小于离群阈值，删除离群数据集中的离群数据对应的原始时序子集；响应于确定离群数据集中的离群数据值均小于离群阈值，得到离群处理后的原始时序集。
[0086]
在一些实施例中，预设的离群处理数学式为：
[0087][0088]
其中，s[l]为至少一个原始时序子集中第l个原始时序子集中时序数据的的数据宽度，d
l
为至少一个原始时序子集的数据宽度中值，l为至少一个原始时序子集中原始时序子集的个数，s为离群数据值。
[0089]
在一些实施例中，原始处理模型为：支持向量回归模型。原始处理模型可以为支持向量回归模型，还可以为其他模型，根据需要进行设置，在此不作具体限制。
[0090]
在一些实施例中，设备剩余寿命预测装置还包括：梯度信息发送模块，被配置为将目标模型的梯度信息发送至模型管理中心。接收中心梯度信息模块，被配置为接收模型管理中心发送的中心梯度信息。更新中心梯度信息模块，被配置为将中心梯度信息更新至目标模型。
[0091]
应理解，上述实施例中各步骤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，而不应对本公开实施例的实施过程构成任何限定。
[0092]
图5是本公开实施例提供的计算机设备500的示意图。如图5所示，该实施例的计算机设备500包括：处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/单元的功能。
[0093]
示例性地，计算机程序503可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器502中，并由处理器501执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序503在计算机设备500中的执行过程。
[0094]
计算机设备500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备500可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是计算机设备500的示例，并不构成对计算机设备500的限定，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，例如，计算机设备还可以包括输入输出设备、网络接入设备、总线等。
[0095]
处理器501可以是中央处理单元(central processing unit，cpu)，也可以是其它通用处理器、数字信号处理器(digital signal processor，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)或者其它可编程逻辑器件、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该处理器也可以是任何常规的处理器等。
[0096]
存储器502可以是计算机设备500的内部存储单元，例如，计算机设备500的硬盘或内存。存储器502也可以是计算机设备500的外部存储设备，例如，计算机设备500上配备的插接式硬盘，智能存储卡(smartmedia card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器502还可以既包括计算机设备500的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
[0097]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0098]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0099]
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公开的范围。
[0100]
在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，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，多个单元或组件可以结合或者可以集成到另一个系统，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0101]
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。
[0102]
另外，在本公开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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0103]
集成的模块/单元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存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法
实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0104]
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。