污水管网的监测方法、装置、电子设备及存储介质与流程
本申请涉及数据处理技术领域，具体而言，涉及一种污水管网的监测方法、装置、电子设备及存储介质。
背景技术：
污水管网系统是城市建设、环境保护、防洪排涝等城市建设项目中的重要基础设备，监测污水管网能够为城市排水管理者提供实时观察污水管网的环境信息和分析污水管网动态运行状况，是保障水环境“长制久清”的关键。目前由于污水管网广泛遍布于城市地下，存在极强的隐蔽性，所以造成污水管理工作非常难以开展，污水管网监测难度大。
技术实现要素：
本申请实施例的目的在于提供一种污水管网的监测方法、装置、电子设备及存储介质，旨在解决当前污水管网存在监测难度大的问题。
第一方面，本申请实施例提供了一种污水管网的监测方法，包括：
获取污水管网监测设备采集的监测数据；
基于预设的数据清洗模型，对监测数据进行数据清洗，得到实测数据；
将实测数据与理论数据进行对比，得到对比误差数据，理论数据为预设的污水管网模型计算得到，污水管网模型包括水文子模型、水动力子模型和水质子模型；
根据对比误差数据，预测污水管网的污水风险事件。
在本实施例中，通过获取污水管网监测设备采集的监测数据，对监测数据进行数据清洗，得到实测数据，以提高监测数据的可靠性和有效性；再将实测数据与理论数据进行对比，得到对比误差数据，理论数据为预设的污水管网模型计算得到，以及根据对比误差数据，预测污水管网的污水风险事件，从而利用模拟数据与实测数据进行对比分析，以实现模拟数据与实测数据相结合监测污水管网，解决单实测数据因污水管网系统的隐蔽性而导致的监测难度问题，降低监测难度。
在一实现方式中，基于预设的数据清洗模型，对监测数据进行数据清洗，得到实测数据，包括：
基于预设的统计算法，构建所述数据清洗模型；
基于所述数据清洗模型，对污水管网监测设备进行可靠性分析，得到可靠性分析数据；
若可靠性分析数据符合预设可靠性条件，则基于预设的自适应神经模糊推理网络，确定监测数据是否存在数据缺陷，数据缺陷包括数据丢失、数据波动过大、数据异常和/或数据延迟；
清除存在数据缺陷的监测数据，得到实测数据。
在本实现方式中，通过对污水管网监测设备进行可靠性分析，以保证污水管网监测设备采集的数据可靠性，再基于自适应神经模糊推理网络，对监测数据进行数据检查，进一步提高监测数据的准确性，从而保证污水管网监测结果的准确性。
在一实现方式中，将实测数据与理论数据进行对比，得到对比误差数据之前，包括：
获取第一污水管网数据，污水管网数据包括雨污水管网数据、污水量数据、管网动态监测数据和管网设备控制数据；
对第一污水管网数据进行数据检查，得到第二污水管网数据；
基于第二污水管网数据，建立污水管网模型，污水管网模型包括水文子模型、水动力子模型和水质子模型。
在本实现方式中，通过污水管网数据建立污水管网模型，以用于模拟污水管网的运行状态数据，从而能够与实测数据相结合分析污水风险事件。
进一步地，基于第二污水管网数据，建立污水管网模型，包括：
基于预设的通用污水管网模型，模拟污水管网的运行数据；
确定运行数据与第二污水管网数据之间的误差值；
基于误差值，调整通用污水管网模型的模型参数，直至误差值符合预设误差条件，则得到污水管网模型。
在本实现方式中，通过误差值调整模型参数，以达到校核率定的目的，从而实现提高模型的模拟精度。
进一步地，基于预设的通用污水管网模型，模拟污水管网的运行数据，包括：
基于预设的质量平衡控制函数，模拟污水管网的水文数据；
基于预设的圣维南函数，模拟污水管网的水动力数据；
基于预设的水质成分演算函数，模拟污水管网的水质数据。
在本实现方式中，通过理论函数模拟污水管网的运行数据，从而能够与第二污水管网数据进行对比，从而能够分别建立对应的水文子模型、水动力子模型和水质子模型，使得污水管网能够量化监测。
在一实现方式中，确定运行数据与第二污水管网数据之间的误差值，包括：
确定第二污水管网数据的可信度；
将可信度大于预设值的第二污水管网数据与运行数据进行数据对比，得到误差值。
在本实现方式中，通过采用可信度较高的第二污水管网数据进行校核率定，以满足模型校验标准。
在一实现方式中，污水风险事件包括管网运行负荷风险事件、管网淤积风险事件、旱季水量平衡风险事件、局部管网溢流风险事件和/或水质污染风险事件。
在本实现方式中，从多个维度对污水系统的运行效能进行预测，以实现辅助日常管网的管理运维和调度决策。
进一步地，根据对比误差数据，预测污水管网的污水风险事件之后，还包括：
若污水风险事件为水质污染风险事件，则对污水管网中每段管道的实测数据进行水质污染分析，确定水质污染的污染源。
在本实现方式中，通过对污水管网中每段管道的实测数据进行水质污染分析，实现污水管网中水质污染源的定位和追溯。
第二方面，本申请实施例提供了一种污水管网的监测装置，包括：
获取模块，用于获取污水管网监测设备采集的监测数据；
清洗模块，用于基于预设的数据清洗模型，对监测数据进行数据清洗，得到实测数据；
对比模块，用于将实测数据与理论数据进行对比，得到对比误差数据，理论数据为预设的污水管网模型计算得到，污水管网模型包括水文子模型、水动力子模型和水质子模型；
预测模块，用于根据对比误差数据，预测污水管网的污水风险事件。
第三方面，本申请实施例提供了一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行第一方面中任一项的污水管网的监测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现第一方面中任一项的污水管网的监测方法。
需要说明的是，上述第二方面至第四方面的有益效果请参见上述第一方面的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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申请的某些实施例，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为本申请实施例提供的污水管网的监测方法的实现流程图；
图2为本申请实施例提供的污水管网的监测方法的应用场景示意图；
图3为本申请实施例提供的污水管网的监测装置的结构示意图；
图4为本申请实施例提供的电子设备的结构示意图。
具体实施方式
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描述。
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。
目前由于污水管网广泛遍布于城市地下，存在极强的隐蔽性，所以造成污水管理工作非常难以开展，污水管网监测难度大。
针对上述现有技术中的问题，本申请提供了一种污水管网的监测方法，通过获取污水管网监测设备采集的监测数据，对监测数据进行数据清洗，得到实测数据，以提高监测数据的可靠性和有效性；再将实测数据与理论数据进行对比，得到对比误差数据，理论数据为预设的污水管网模型计算得到，以及根据对比误差数据，预测污水管网的污水风险事件，从而利用模拟数据与实测数据进行对比分析，以实现模拟数据与实测数据相结合监测污水管网，解决单实测数据因污水管网系统的隐蔽性而导致的监测难度问题，降低监测难度。
参见图1，图1示出了本申请实施例提供的一种污水管网的监测方法的实现流程图。本申请实施例中下述的污水管网的监测方法可应用于电子设备，电子设备包括但不限于智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算机设备。本申请实施例的污水管网的监测方法，包括步骤s101至s104，详述如下：
步骤s101，获取污水管网监测设备采集的监测数据。
在本步骤中，污水管网监测设备为污水管网中各个监测站或监测节点的监测设备，例如水泵、流量计等。可选地，建立与监测系统的接口，监测系统将在一定的间隔内自动读取监测数据，形成标准的数据文件。标准的数据文件包括以下内容：泵前池水位、进水流量、管网水位监测数据、管网流量计流量、水泵的开关操作、电动闸板的开关操作、cod、氨氮等水质数据和实测降雨数据。
步骤s102，基于预设的数据清洗模型，对监测数据进行数据清洗，得到实测数据。
在本步骤中，由于监测数据存在的错误对模型影响非常大，因此通过数据接口获得的数据需要进行清洗和过滤。可选地,在对监测数据进行预处理的基础上，构建了状态判别的决策机制，利用自适应神经模糊推理算法对监测数据进行处理。
可选地，基于预设的统计算法，构建数据清洗模型；基于数据清洗模型，对污水管网监测设备进行可靠性分析，得到可靠性分析数据；若可靠性分析数据符合预设可靠性条件，则基于预设的自适应神经模糊推理网络，确定监测数据是否存在数据缺陷，数据缺陷包括数据丢失、数据波动过大、数据异常和/或数据延迟；清除存在数据缺陷的监测数据，得到实测数据。
其中，监测设备可靠度分析：基于科学算法（相关系数、平均误差、滑动平均等数学统计方法建立算法逻辑）对监测设备可靠度进行评估打分，当监测设备符合可靠性条件时（例如可靠度得分大于预设得分），监测数据才能用于后续数据分析。可选地，每个月对监测数据的可靠度进行评估打分，确保监测设备的管理工作形成闭环，从而提高监测设备的使用效率。
数据丢失：压力和流量数据在采集和传输过程中，存在数据丢失的情况，造成数据丢失的原因可以是停电、远程终端与系统服务器之间的通讯故障或者多种暂时性的监测系统错误。
数据波动过大：数据波动可以是管道中水压力是高频变化而造成，但该波动会对模型的计算和瞬时误差造成极大影响，因此清楚数据波动过大的数据。
异常数据：监测系统对偏离数据趋势的监测数据进行处理，异常数据可以是远程终端输入电缆的信号干扰或者scada软件的信号翻译错误等原因造成。
数据延迟：由于数据传输过程中存在时间延迟，所以对延迟数据进行时延校正。
步骤s103，将实测数据与理论数据进行对比，得到对比误差数据，理论数据为预设的污水管网模型计算得到，污水管网模型包括水文子模型、水动力子模型和水质子模型。
在本步骤中，可以在监测系统进行污水管网模型的在线计算，并能展示当前模型计算的结果。具体地。将实测数据与模拟数据（理论数据）的在线对比分析（例如管网运行负荷分析、管网外水量分析和管网淤积趋势分析与预警），计算理论值与实际值之间的误差，并进行误差评估以辅助识别管网可能发生的问题。
可选地，将实测数据与观测理论数据进行对比，得到对比误差数据之前，包括：获取第一污水管网数据，污水管网数据包括雨污水管网数据、污水量数据、管网动态监测数据和管网设备控制数据；对第一污水管网数据进行数据检查，得到第二污水管网数据；基于第二污水管网数据，建立污水管网模型，污水管网模型包括水文子模型、水动力子模型和水质子模型。
上述污水管网模型可以基于污水管网模型构建软件（如swmm软件）进行二次开发得到，其主要用于城市雨污水管网的水文、水动力、水质等单一事件或者长期（连续）事件进行数据模拟。本实施例基于检查清洗后的雨污水管网数据、污水量数据、管网动态监测数据（scada）和控制数据等其它重要数据，建立污水管网模型。
第一污水管网数据可能存在一些错误信息，没有处理过的数据会造成模型的计算误差，因此对第一污水管网数据进行梳理。其中数据错误包括：孤立管段、孤立节点、重复管段、管道连接关系错误和缺少属性信息等。通过监测系统的预设数据检查条件，检查上述数据错误类型，以保障数据的准确性。
水文子模型包括产流模块和汇流模块。产流模块可以综合考虑下垫面覆盖、土壤类型、径流路径和管网路由对地表产流的影响。可选地，研究区域划分为若干个不规则的子汇水区，并将这些不规则子汇水区概化成具有统一坡度、宽度及雨水出口的可用非线性水库模拟的矩形地表。其中在非线性水库模型中，降雨经过蒸发、洼蓄及下渗后形成径流，下渗模式可以为格林-安姆特法（green-ampt）、曲线数法（curvenumber）或霍顿法（horton）。汇流模块包括地表汇流和管道汇流，地表汇流综合非线性水库方程和曼宁公式联立求解得到。
水动力子模型：管网汇流采用一维圣维南方程组进行管网流量和水位演算，该子模型有三种演算方法待选：稳流、运动波和动力波。可选地，采用能够模拟有压流及回水等更为复杂的水流运动的动力波进行流量演算。
水质子模型可以模拟污染物在地表的累积冲刷以及在管道中的输送沉积和演变过程。
可选地，基于预设的质量平衡控制函数，模拟污水管网的水文数据；基于预设的圣维南函数，模拟污水管网的水动力数据；基于预设的水质成分演算函数，模拟污水管网的水质数据。
在本实施例中，可选地，质量平衡控制方程如下：
i表示降雨及融雪强度，单位为mm/s；e表示地表蒸发速率，单位为mm/s；f表示入渗速率，单位为mm/s，q表示径流量，单位为mm/s。
将上述质量平衡控制方程结合地表曼宁方程，得到最终的质量平衡控制函数如下：
其中，地表曼宁方程为：
q表示径流量，m3/s；n表示地表曼宁系数；s表示地表坡度；a表示子汇水区面积，m2。
可选地，圣维南函数包括连续函数和动量函数，连续函数为：
x表示距离，单位为m；t表示时间，单位为s；a表示流量断面积，单位为m2；q表示流量，单位为m3/s；h表示水头，单位为m；sf表示摩阻坡度，
可选地，水质成分演算函数可以根据实际输入的水质成分，得到该水质成分是否为污染物。
进一步地，为减轻数据收集的工作量和减少模型的运行时间，还以简化方式模拟管网的复杂部分，克服模拟软件对模型数据量的限制。模型简化的范围应该与模型要求的详细级别和计划目标中定义的模型的最终用途保持一致。大型模型因为模拟计算量大而显的很笨拙，需要更多额外的模拟时间；一些大型模型也会引起模型的不稳定。可选地，简化方法包括：修剪：剔除系统外围的小管径管道，只把相应的入水输入到下游相邻管；合并：把一些相似的连通的管合并为一条管来模拟；同等替换：用特性基本相似的相对简单的管线代替复杂的管线。
进一步地，基于第二污水管网数据，建立污水管网模型，包括：基于预设的通用污水管网模型，模拟污水管网的运行数据；确定运行数据与第二污水管网数据之间的误差值；基于误差值，调整通用污水管网模型的模型参数，直至误差值符合预设误差条件，则得到污水管网模型。
在本实现方式中，在模型校核的过程中，需要找出模型计算结果和现场实测值之间的差别，分析造成这些差别的原因，然后对模型进行修正，以不断提高模拟精度，满足模型校验标准，从而为离线模型评估以及实时在线计算分析奠定基础。
率定时，首先对研究区实测数据（水位、流速、流量、降雨）进行综合分析，选取可信度较高的实测数据以及监测时段用于模型率定。示例性地，在监测数据质量可靠的前提下，最终旱季实测和模拟的结果误差应满足以下校核标准：峰值和极小值的时间差在1小时以内；峰值流量、液位差在10%以内；流量总量差应该在10%以内。
步骤s104，根据对比误差数据，预测污水管网的污水风险事件。
在本步骤中，污水风险事件包括管网运行负荷风险事件、管网淤积风险事件、旱季水量平衡风险事件、局部管网溢流风险事件和/或水质污染风险事件。
可选地，管网运行负荷分析：利用实时在线监测数据以及模型计算结果，对管网的充满度、满管时间比例及高峰时刻液面距地面距离等指标，评估系统总体负荷情况。同时综合汇总各分支高峰时刻满管情况，识别高负荷高水位问题区域。系统将基于监测数据，将污水管道24小时的负荷情况进行展示。充满度分为三个等级：半管以下，充满度<50%；半管以上但未过及管顶，50%<充满度<100%；红色代表超过管顶，充满度>100%。通过系统可以实时动态地掌握区域内污水管道的负荷情况，对于充满度大于100%的管道，系统将实时发出报警以便采取增开水泵、清淤等方式进行处理，避免污水的外溢。
管网外水量分析：基于实时监控数据水位、流量、水质数据，以及通过水力模型为项目建立的数学算法。对进入污水管网的外水量进行实时分析，对于外水进入的位置在管网图上进行展示，同时将分析结果以饼图、折线图等图表的方式展示。
管网淤积趋势分析：排水公司日常养护中工作量最大的就是管道的清淤，但是由于以往没有技术手段支撑，清淤没有针对性，工作效率低下。系统将监测数据与模型相结果，动态地对管网淤积的趋势进行分析，并对淤积点进行实时报警，排水公司可以根据系统的报警有针对性地进行管道清淤工作。
旱季水量平衡分析：通过对模型数据及历史监测数据分析研究在线液位数据的正常模式，同时研究不同外水量（旱季入渗量及雨季降雨量）的数据模式，从而为外水量评估提供支撑。模型辅助分析工具可以对在线或临时监测数据进行外水分析，为外水成因及定位提供数据支撑。结合区域供水分区及营业收费收据，分析厂上游服务区以及入厂的几路污水主干管上游服务片区内的理论产污量，结合监测数据及模型分析旱季水量平衡关系半定量化分析外水的总量及区域分布；同时结合水质监测（主干管/截污箱涵上、中、下游及厂水质）进一步探索外水的组成，比例，以及可能的汇入位置等。
局部管网溢流分析：基于系统整体能力评估，进一步分析局部瓶颈点/薄弱点（潜在改造位置）和关键位置。定位局部过流能力不足的管道，分析成因。局部瓶颈点往往是由于管道上游进入管网大量的外水、管道口径偏小、管道淤积等原因造成的。运营部门可以根据评估的结果对瓶颈点或关键点进行管道的改造。
进一步地，根据对比误差数据，预测污水管网的污水风险事件之后，还包括：
若污水风险事件为水质污染风险事件，则对污水管网中每段管道的实测数据进行水质污染分析，确定水质污染的污染源。
在本实现方式中，如图2示出的应用场景示意图。传统技术手段无法对以上水质问题的应急处置提供支持，利用实时在线模型的“污染源追踪”功能可以通过上游追溯查找到产生污染的可能路径以及位置。
为了执行上述方法实施例对应的方法，以实现相应的功能和技术效果，下面提供一种污水管网的监测装置。参见图3，图3是本申请实施例提供的一种污水管网的监测装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的污水管网的监测装置，包括：
获取模块301，用于获取污水管网监测设备采集的监测数据；
清洗模块302，用于基于预设的数据清洗模型，对监测数据进行数据清洗，得到实测数据；
对比模块303，用于将实测数据与观测理论数据进行对比，得到对比误差数据，观测理论数据为预设的污水管网模型计算得到，污水管网模型包括水文子模型、水动力子模型和水质子模型；
预测模块304，用于根据对比误差数据，预测污水管网的污水风险事件。
在一实现方式中，清洗模块302，包括：
分析单元，用于基于预设的统计算法，构建所述数据清洗模型，基于所述数据清洗模型，对污水管网监测设备进行可靠性分析，得到可靠性分析数据；
第一确定单元，用于若可靠性分析数据符合预设可靠性条件，则基于预设的自适应神经模糊推理网络，确定监测数据是否存在数据缺陷，数据缺陷包括数据丢失、数据波动过大、数据异常和/或数据延迟；
清除单元，用于清除存在数据缺陷的监测数据，得到实测数据。
在一实现方式中，上述装置，还包括：
第二获取模块，用于获取第一污水管网数据，污水管网数据包括雨污水管网数据、污水量数据、管网动态监测数据和管网设备控制数据；
检查模块，用于对第一污水管网数据进行数据检查，得到第二污水管网数据；
建立模块，用于基于第二污水管网数据，建立污水管网模型，污水管网模型包括水文子模型、水动力子模型和水质子模型。
进一步地，建立模块，包括：
模拟单元，用于基于预设的通用污水管网模型，模拟污水管网的运行数据；
第二确定单元，用于确定运行数据与第二污水管网数据之间的误差值；
调整单元，用于基于误差值，调整通用污水管网模型的模型参数，直至误差值符合预设误差条件，则得到污水管网模型。
在一实现方式中，模拟单元，包括：
第一模拟子单元，用于基于预设的质量平衡控制函数，模拟污水管网的水文数据；
第二模拟子单元，用于基于预设的圣维南函数，模拟污水管网的水动力数据；
第三模拟子单元，用于基于预设的水质成分演算函数，模拟污水管网的水质数据。
在一实现方式中，第二确定单元，包括：
确定子单元，用于确定第二污水管网数据的可信度；
对比子单元，用于将可信度大于预设值的第二污水管网数据与运行数据进行数据对比，得到误差值。
在一实现方式中，污水风险事件包括管网运行负荷风险事件、管网淤积风险事件、旱季水量平衡风险事件、局部管网溢流风险事件和/或水质污染风险事件。
进一步地，上述装置，还包括：
确定模块，用于若污水风险事件为水质污染风险事件，则对污水管网中每段管道的实测数据进行水质污染分析，确定水质污染的污染源。
上述的污水管网的监测装置可实施上述方法实施例的污水管网的监测方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
图4为本申请一实施例提供的电子设备的结构示意图。如图4所示，该实施例的电子设备4包括：至少一个处理器40（图4中仅示出一个）处理器、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述任意方法实施例中的步骤。
所述电子设备4可以是智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算设备。该电子设备可包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图4仅仅是电子设备4的举例，并不构成对电子设备4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，例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是中央处理单元(centralprocessingunit，cpu)，该处理器40还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，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该处理器也可以是任何常规的处理器等。
所述存储器41在一些实施例中可以是所述电子设备4的内部存储单元，例如电子设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述电子设备4的外部存储设备，例如所述电子设备4上配备的插接式硬盘，智能存储卡（smartmediacard,smc），安全数字（securedigital,sd）卡，闪存卡（flashcard）等。进一步地，所述存储器41还可以既包括所述电子设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
另外，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中，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-onlymemory）、随机存取存储器（ram，randomaccessmemory）、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实施例而已，并不用于限制本申请的保护范围，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。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。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
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。
- 还没有人留言评论。精彩留言会获得点赞！