基于时间序列特征的热能动力系统故障诊断方法及装置与流程

1.本发明属于对热能动力系统故障诊断领域，更具体地，涉及一种基于时间序列特征的热能动力系统故障诊断方法及装置。


背景技术：

2.热能动力装置结构极为复杂，包含许多彼此联系的系统和设备，这造成了在热能动力系统运行过程当中状态之间存在极多的内部反馈，状态之间的内部反馈具体表现为这些状态量化的参数之间的耦合机制，例如冷却剂温度的改变影响冷却剂体积、稳压器压力和水位以及蒸汽发生器的水位和压力，以致任何微小的偏差都可能在内部反馈的作用下在短时间内引发故障，并可能在整个电厂传播，造成灾难性的后果。耦合机制的存在使得实时异常检测面临时间短和数据多两方面的挑战，操作员手动诊断故障的难度增加，且误诊故障会带来严重的安全事故。为了避免这种情况，需要搭建一套完整的和动力系统以监测电厂的运行状况和维护水平。
3.热能动力系统的故障诊断方法大致分为两大类：基于模型的方法和无模型方法。基于模型的方法通常以来较为理想化的假设和物理知识来建立数学模型，例如基于热力学方程和反应堆点动力学方程建立的微分方程模型，通过数值运算和残差评估可以一定程度完成对电厂内部状态的模拟。但是，在实践当中，基于模型的方法无法建立足够精确的数学模型，尤其是高度复杂的耦合系统，例如对于电厂而言，理想化的假设极有可能偏离实际情况，数值运算的推理过程极有可能耽误宝贵的诊断时间。这些问题限制了基于模型的方法的应用。
4.无模型的方法相较于基于模型的方法而言，更加有效，无模型方法主要分为专家系统方法和数据驱动方法两类，不过专家系统在世纪应用当中也面临一些问题，例如专家知识的有限性导致穷举知识库的不可能以及经验知识的局限性导致的专家知识之间的相互矛盾和适应性差等问题。
5.专利文献cn106168797a公开一种对电厂关键部件松脱的诊断方法，采用故障树诊断方法对故障进行诊断，通过建立故障树，对故障树进行模块化处理，最后把模块化的故障树转化成为bdd结构来对电厂当前状态进行诊断。这种采用的故障树方法需要对不同的电厂环境进行重新架构，对于计算效率和准确率上也可以进一步引入人工智能方法进行改进。专利文献cn114358172a公开一种核反应堆故障分类方法，通过最佳估计数据，生成多个维度的最佳估计序列，再据此构成状态估计矩阵，将状态估计矩阵输入到预先设置的故障分类模型当中，再依据分类结果进行判断。这个方法较为依赖预先设置的模型进行判断，对不同的电厂环境适应性相对不好。专利文献cn103235881a公开一种基于最小割集的核反应堆故障监测系统，通过模型解析器、任务分发器、并行机、结果收集器、割集解析器、故障诊断器六个模块对数据进行并行计算，对电厂的能量发生装置当前的状态进行诊断，该发明依然存在对固定模型的依赖，使得其对电厂环境的要求较为狭隘。
6.相对而言，数据驱动方法就显得更加灵活和简洁，不需要进行本质上的理论分析
和经验上的规律总结，只需要收集电厂的历史运行数据即可建立一个相对可行的诊断模型，但现目前的经典模型依然存在抗干扰能力差、识别准确率低和时间复杂度高等问题。


技术实现要素：

7.针对现有技术的缺陷，本发明的目的在于提供一种基于时间序列特征的热能动力系统故障诊断方法及装置，旨在解决现有热能动力系统的故障诊断方法预测精度低的问题。
8.为实现上述目的，第一方面，本发明提供了一种基于时间序列特征的热能动力系统故障诊断方法，包括如下步骤：
9.获取热能动力系统的状态参数，并基于所述状态参数生成对应的时间序列数据集和状态向量数据集；
10.将所述时间序列数据集输入到训练好的卷积神经网络，以基于状态参数的时变特征输出对热能动力系统的第一种故障诊断结果；
11.将所述状态向量数据集输入到训练好的决策树，以结合状态参数的瞬态特征输出对热能动力系统的第二种故障诊断结果；
12.将所述第一种故障诊断结果和第二种故障诊断结果通过一层反向传播神经网络进行融合，输出最终的故障诊断结果。
13.在一个可选的示例中，基于所述状态参数生成对应的时间序列数据集和状态向量数据集，具体为：
14.采用主成分分析方法对所述状态参数进行噪声清洗和降维，保留所述状态参数中的主元状态特征数据；
15.基于所述主元特征数据生成对应状态向量数据集；
16.用滑动窗口的方式对所述主元状态特征数据进行扩展，并重构整形得到对应的时间序列数据集。
17.在一个可选的示例中，所述卷积神经网络的训练过程如下：
18.确定热能动力系统状态参数的训练样本；
19.对所述训练样本采用主成分分析方式进行噪声清洗和降维，生成保留主元状态特征的数据集；
20.采用滑动窗口对保留的主元状态特征进行扩展，并重构整形得到对应的状态矩阵；
21.从状态矩阵数据集当中抽取部分状态矩阵对卷积神经网络进行训练，对卷积神经网络进行训练；其中，所述卷积神经网络对状态矩阵进行卷积运算，以融合与热能动力系统状态参数相关的时间特征和状态特征，并对状态矩阵进行池化操作，以突出反应热能动力系统状态的重点特征，以及通过展平和全连接操作基于最终提取的特征进行故障分类。
22.在一个可选的示例中，所述决策树的训练过程如下：
23.确定热能动力系统状态参数的训练样本；
24.对所述训练样本采用主成分分析方式进行噪声清洗和降维，生成保留主元状态特征的数据集；
25.从保留主元状态特征的数据集中抽取部分主元特征对决策树进行训练。
26.第二方面，本发明提供了一种基于时间序列特征的热能动力系统故障诊断装置，包括：
27.状态参数获取单元，用于获取热能动力系统的状态参数，并基于所述状态参数生成对应的时间序列数据集和状态向量数据集；
28.第一种故障诊断单元，用于将所述时间序列数据集输入到训练好的卷积神经网络，以基于状态参数的时变特征输出对热能动力系统的第一种故障诊断结果；
29.第二种故障诊断单元，用于将所述状态向量数据集输入到训练好的决策树，以结合状态参数的瞬态特征输出对热能动力系统的第二种故障诊断结果；
30.诊断结果输出单元，用于将所述第一种故障诊断结果和第二种故障诊断结果通过一层反向传播神经网络进行融合，输出最终的故障诊断结果。
31.在一个可选的示例中，所述参数获取单元，采用主成分分析方法对所述状态参数进行噪声清洗和降维，保留所述状态参数中的主元状态特征数据；基于所述主元特征数据生成对应状态向量数据集；以及用滑动窗口的方式对所述主元状态特征数据进行扩展，并重构整形得到对应的时间序列数据集。
32.在一个可选的示例中，该装置还包括：
33.第一训练单元，用于确定热能动力系统状态参数的训练样本；对所述训练样本采用主成分分析方式进行噪声清洗和降维，生成保留主元状态特征的数据集；采用滑动窗口对保留的主元状态特征进行扩展，并重构整形得到对应的状态矩阵；以及从状态矩阵数据集当中抽取部分状态矩阵对卷积神经网络进行训练，对卷积神经网络进行训练；其中，所述卷积神经网络对状态矩阵进行卷积运算，以融合与热能动力系统状态参数相关的时间特征和状态特征，并对状态矩阵进行池化操作，以突出反应热能动力系统状态的重点特征，以及通过展平和全连接操作基于最终提取的特征进行故障分类。
34.在一个可选的示例中，该装置还包括：
35.第二训练单元，用于确定热能动力系统状态参数的训练样本；对所述训练样本采用主成分分析方式进行噪声清洗和降维，生成保留主元状态特征的数据集；以及从保留主元状态特征的数据集中抽取部分主元特征对决策树进行训练。
36.第三方面，本发明提供了一种基于时间序列特征的热能动力系统故障诊断装置，包括：存储器和处理器；
37.所述存储器，用于存储计算机程序；
38.所述处理器，用于当执行所述计算机程序时，实现如上述第一方面提供的方法。
39.第四方面，本发明提供了一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上述第一方面提供的方法。
40.总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
41.本发明提供一种基于时间序列特征的热能动力系统故障诊断方法及装置，针对热能动力装置彼此联系的复杂耦合参数导致的模型复杂，预测精度低，数据特征提取不完全的问题，提出了一种结合决策树的pca-cnn的模型方法，对仪控系统检测到的热能动力系统的状态数据进行分析，使用pca方法对原始数据进行状态维度的降维操作，清洗无关于故障检测的噪声变量，增加预测的准确性；然后采用决策树方法对清洗完成的数据进行只依据
状态特征的分类，与此同时使用滑动窗口方法对时间维度的历史数据进行收集，增加判定故障参考的特征数量，使得准确度得到进一步的提升。
42.本发明提供一种基于时间序列特征的热能动力系统故障诊断方法及装置，利用卷积神经网络方法对状态维度和时间维度进行不破坏空间结构的特征提取，兼顾了时间维度和状态维度两者的有机联系，最大程度地包含了数据蕴含的高阶信息，并利用多层融合特征进行降维和数据提取，采用步长为1的卷积后接最大池化对特征进行优化，相较于步长为2的卷积操作，最终通过对决策树方法和cnn方法得出的结果进行融合，得出最终的分类判断，此方法大幅度提升了深度学习训练过程和推理过程的执行效率。在此改进之下整体模型的依然维持较为轻量的体量，训练过程较为简洁容易，检测过程满足了热能动力系统对故障检测的实时性需求，对多批次大批量的数据拥有较好的适应性，在速度和精度上都有较大的提升。该方法实现了对特征联系和时间联系的兼顾，使得对热能动力状态的判断更加准确和高效，且该方法的模型对于参数设置的要求较为宽泛，面对不同场景和不同结构的发电设施，可以一定程度上做到智能适配。
附图说明
43.图1是本发明实施例提供的基于时间序列特征的热能动力系统故障诊断方法流程图；
44.图2是本发明实施例提供的热能动力故障诊断示意图；
45.图3是本发明实施例提供的pca-cnn模型结构图；
46.图4是本发明实施例提供的基于时间序列特征的热能动力系统故障诊断装置架构图。
具体实施方式
47.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中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。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，都属于本发明保护的范围。
48.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发明的示例性实施方式。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。
49.本发明提出了一种将主成分分析(pca)、时间序列与cnn相结合的热能动力系统故障诊断方法，实现了对热能动力系统故障的轻量模型检测。该方法分为三个部分，首先通过主成分分析(pca)进行特征提取；接下来通过时间序列分析方法生成监测窗口，最后分别通过cnn方法和混合决策树方法，在保留时间和状态两者特征的情况下进行故障诊断。
50.图1是本发明实施例提供的基于时间序列特征的热能动力系统故障诊断方法流程图，如图1所示，包括如下步骤：
51.s101，获取热能动力系统的状态参数，并基于所述状态参数生成对应的时间序列数据集和状态向量数据集；
52.s102，将所述时间序列数据集输入到训练好的卷积神经网络，以基于状态参数的时变特征输出对热能动力系统的第一种故障诊断结果；
53.s103，将所述状态向量数据集输入到训练好的决策树，以结合状态参数的瞬态特征输出对热能动力系统的第二种故障诊断结果；
54.s104，将所述第一种故障诊断结果和第二种故障诊断结果通过一层反向传播神经网络进行融合，输出最终的故障诊断结果。
55.在一个可选的示例中，基于所述状态参数生成对应的时间序列数据集和状态向量数据集，具体为：
56.采用主成分分析方法对所述状态参数进行噪声清洗和降维，保留所述状态参数中的主元状态特征数据；
57.基于所述主元特征数据生成对应状态向量数据集；
58.用滑动窗口的方式对所述主元状态特征数据进行扩展，并重构整形得到对应的时间序列数据集。
59.在一个可选的示例中，所述卷积神经网络的训练过程如下：
60.确定热能动力系统状态参数的训练样本；
61.对所述训练样本采用主成分分析方式进行噪声清洗和降维，生成保留主元状态特征的数据集；
62.采用滑动窗口对保留的主元状态特征进行扩展，并重构整形得到对应的状态矩阵；
63.从状态矩阵数据集当中抽取部分状态矩阵对卷积神经网络进行训练，对卷积神经网络进行训练；其中，所述卷积神经网络对状态矩阵进行卷积运算，以融合与热能动力系统状态参数相关的时间特征和状态特征，并对状态矩阵进行池化操作，以突出反应热能动力系统状态的重点特征，以及通过展平和全连接操作基于最终提取的特征进行故障分类。
64.在一个可选的示例中，所述决策树的训练过程如下：
65.确定热能动力系统状态参数的训练样本；
66.对所述训练样本采用主成分分析方式进行噪声清洗和降维，生成保留主元状态特征的数据集；
67.从保留主元状态特征的数据集中抽取部分主元特征对决策树进行训练。
68.具体地，本发明提供一种将主成分分析，时间序列和卷积神经网络相结合的热能动力系统故障诊断方法，该方法首先采用主成分分析方法对状态维度进行合并降维，清洗数据的噪声且减少数据量；然后采用滑动窗口技术来截取历史时间的数据以保留时间维度的特征；依据前两个步骤对原始数据的处理，采用步长为1，卷积核大小为3
×
3的卷积操作进行特征提取，在卷积操作之后接最大池化；接下来在模型训练的过程当中进行评估和优化，通过引入交叉熵函数来提升网络训练过程多状态优化过程的训练速度，提高了模型的性能；在得到模型的权重参数之后，测试阶段输入测试集兵直接将目标检测的结果输出；实验结果表明，证明了本轻量化模型的各个部分都能很好地对数据进行处理，并且模型能够快速判断每一个故障，故障诊断准确率达到99％以上。
69.本发明以随机森林和梯度提升树相结合的方法对热能动力系统的瞬态数据进行初步分类，具体通过多个随机森林与梯度提升树对轻量数据集的预测的准确率得到树的权重，作为预测阶段依据单个时刻的特征判定故障类别的投票权重，同时通过时间序列与cnn方法来融合瞬态特征与时变特征，最终将两种方法得到的故障分类概率分布进行结果融合，得到最终的诊断。
70.针对时间序列特征与瞬态特征的对应问题，本发明设计了一种结果融合算法，将瞬态特征经过决策树模型得到的准确率与时间序列特征经过cnn模型得到的准确率进行融合，最终使得准确率得到更大的提升。
71.如上述技术方法完整构建的模型，可以将其应用到云边协同的边缘计算技术当中，对热能动力系统进行远程的在线辅助检测，其流程大致可以分为三个大步骤：
72.第一步：通过pca算法清洗噪声并降维，生成时间序列数据集与状态向量数据集
73.第二步：将时间状态训练集和状态向量训练集分别输入卷积神经网络和复数决策树网络进行故障决策；
74.第三步：对两种决策方法得出的结果进行结果融合，得到最终结果。
75.通过三大步骤对数据进行处理以后，输出相应的诊断预测信息，之后将预测信息上传到操作界面上供操作员进行参考，完成对故障的避免和阻断，所述的基于pca-cnn的热能动力故障诊断系统具体流程如图2所示。
76.本发明集成了主成分分析(pca)、决策树方法、时间序列、cnn方法，实现了对热能动力系统故障的轻量模型检测。针对传统故障检测方法忽视的时变特征做出了算法上的改进，同时也兼顾了瞬态特征的影响，在准确性和实时性上更进了一步。
77.本发明提出的特征提取模型改进的具体实现步骤是：
78.步骤1、获取热能动力系统初始样本，将初始样本标准化；
79.步骤2、建立pca模型矩阵，进行降维，生成保留主元状态特征的数据集；
80.步骤3、在步骤2生成的数据集当中抽取部分主元状态对决策树模型进行训练，得到相关参数；
81.步骤4、用滑动窗口方法对抽取到的主元状态特征进行扩展，并重构整形，得到状态矩阵，使之符合cnn网络的输入结构；
82.步骤5、对状态矩阵进行卷积运算，融合时间特征与状态特征；
83.步骤6、对状态矩阵进行池化操作，突出重点特征；
84.步骤7、重复第4步、第5步；
85.步骤8、对输出的特征展平；
86.步骤9、对输出的特征向量进行全连接操作，通过前向传播计算相关神经元的取值，并依据交叉熵损失函数对其进行优化，更新网络权重参数；
87.步骤10、重复第5步到第9步，直至cnn网络结果达到交叉熵损失函数达到目标范围；
88.步骤11、将cnn网络结果与决策树网络结果通过一层反向传播神经网络进行融合，输出最终的决策概率向量，并进行决策，具体pca-cnn模型的结构图参见图3所示。
89.其中，步骤1中的初始样本的形式是由传感器采集的热能动力系统的各项指标的数值组成的一个状态向量，步骤4中的状态矩阵则是通过将状态向量按照时间顺序进行拼
合得到，步骤11的融合策略通过训练完成的加权决策树模型得到的概率分布向量和cnn网络得到的概率分布向量输入一层反向传播神经网络当中进行融合决策。
90.首先，由于模型强调对各类具体环境的适应性，仅对软件做出限制，主要软件为python3.8.10、tensorflow 2.4.0、cuda11.3。利用这些软件系统搭建模型，具体流程如下：首先是通过仪控系统收集核电站内的历史数据，同时也在其中加入pctran软件模拟的状态数据，通过pca算法对这些数据进行统一的归一化和降维操作，生成一个pca转换矩阵，减少噪声对模型的影响，同时也减少参数的数量，优化模型的速度。
91.然后，针对瞬态特征与时变特征，分别通过决策树和时间序列两种方法对特征进行提取，具体而言，决策树保证了瞬态特征的提取，而时变特征则需要通过滑动窗口模型将数据进行截取，对于训练过程角度而言，这个操作具有丰富数据集样本和减少单次训练处理数据量的好处，从诊断过程角度而言，这个操作具有适应仪控系统存储历史数据的容量，降低过于久远的数据对当前状态的干扰的好处。提升了模型的训练和推理的速度。
92.接下来，通过卷积神经网络的卷积层对时间和状态两个维度的数据进行混合和特征提取，通过池化层来进一步强调特征数据并且进一步简化需要判定的数据量，提升了检测的速度，降低了模型的复杂度。
93.最后，通过展平操作和全连接操作对故障的种类进行分类，对于损失函数则采用交叉熵函数来让学习效率增加，提升训练的速度。
94.本发明将状态检测和时间序列的结合使得热能动力系统的内部特征可以得到更深刻的挖掘，由于考虑到了状态的时间变化与状态之间的耦合两个维度的关系，因此该方法的准确率和实时性都可以得到较大程度的提升，为热能动力系统的安全提供了更好的保障。
95.本发明的目的在于通过实现对热能动力系统状态数据的特征联系和时间联系的兼顾，解决热能动力系统自动故障诊断过程当中的实时性和精度较低的问题。首先，通过pca算法对收集到的数据进行数据清洗和单位归一化等初步自动处理；然后利用滑动窗口技术对历史数据进行进一步裁剪，降低数据的复杂度，消除时间过于久远的数据对现在时刻的故障诊断的干扰，最后利用卷积神经网络对时间和状态两个维度的数据进行特征提取，进行判断，通过结果融合使得结果的准确率更加提升，并且尽可能消除过拟合问题。这种轻量级的模型提升了速度，同时也使得故障判断能够更好的贴近真实的热能动力系统。
96.图4是本发明实施例提供的基于时间序列特征的热能动力系统故障诊断装置架构图，如图4所示，包括：
97.状态参数获取单元410，用于获取热能动力系统的状态参数，并基于所述状态参数生成对应的时间序列数据集和状态向量数据集；
98.第一种故障诊断单元420，用于将所述时间序列数据集输入到训练好的卷积神经网络，以基于状态参数的时变特征输出对热能动力系统的第一种故障诊断结果；
99.第二种故障诊断单元430，用于将所述状态向量数据集输入到训练好的决策树，以结合状态参数的瞬态特征输出对热能动力系统的第二种故障诊断结果；
100.诊断结果输出单元440，用于将所述第一种故障诊断结果和第二种故障诊断结果通过一层反向传播神经网络进行融合，输出最终的故障诊断结果。
101.第一训练单元450，用于确定热能动力系统状态参数的训练样本；对所述训练样本
采用主成分分析方式进行噪声清洗和降维，生成保留主元状态特征的数据集；采用滑动窗口对保留的主元状态特征进行扩展，并重构整形得到对应的状态矩阵；以及从状态矩阵数据集当中抽取部分状态矩阵对卷积神经网络进行训练，对卷积神经网络进行训练；其中，所述卷积神经网络对状态矩阵进行卷积运算，以融合与热能动力系统状态参数相关的时间特征和状态特征，并对状态矩阵进行池化操作，以突出反应热能动力系统状态的重点特征，以及通过展平和全连接操作基于最终提取的特征进行故障分类。
102.第二训练单元460，用于确定热能动力系统状态参数的训练样本；对所述训练样本采用主成分分析方式进行噪声清洗和降维，生成保留主元状态特征的数据集；以及从保留主元状态特征的数据集中抽取部分主元特征对决策树进行训练。
103.可以理解的是，上述各个单元的详细功能实现可参见前述方法实施例中的介绍，在此不做赘述。
104.另外，本发明实施例提供了另一种热能动力系统故障诊断装置，其包括：存储器和处理器；
105.所述存储器，用于存储计算机程序；
106.所述处理器，用于当执行所述计算机程序时，实现上述实施例中的方法。
107.此外，本发明还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述实施例中的方法。
108.基于上述实施例中的方法，本发明实施例提供了一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行上述实施例中的方法。
109.基于上述实施例中的方法，本发明实施例还提供了一种芯片，包括一个或多个处理器以及接口电路。可选的，芯片还可以包含总线。其中：
110.处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字通信器(dsp)、专用集成电路(asic)、现场可编程门阵列(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。可以实现或者执行本技术实施例中的公开的各方法、步骤。通用处理器可以是微处理器或者该理器也可以是任何常规的处理器等。
111.接口电路可以用于数据、指令或者信息的发送或者接收，处理器可以利用接口电路接收的数据、指令或者其它信息，进行加工，可以将加工完成信息通过接口电路发送出去。
112.可选的，芯片还包括存储器，存储器可以包括只读存储器和随机存取存储器，并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(nvram)。
113.可选的，存储器存储了可执行软件模块或者数据结构，处理器可以通过调用存储器存储的操作指令(该操作指令可存储在操作系统中)，执行相应的操作。
114.可选的，接口电路可用于输出处理器的执行结果。
115.需要说明的，处理器、接口电路各自对应的功能既可以通过硬件设计实现，也可以通过软件设计来实现，还可以通过软硬件结合的方式来实现，这里不作限制。
116.应理解，上述方法实施例的各步骤可以通过处理器中的硬件形式的逻辑电路或者
软件形式的指令完成。
117.可以理解的是，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，而不应对本技术实施例的实施过程构成任何限定。此外，在一些可能的实现方式中，上述实施例中的各步骤可以根据实际情况选择性执行，可以部分执行，也可以全部执行，此处不做限定。
118.可以理解的是，本技术的实施例中的处理器可以是中央处理单元(cen tral processing unit，cpu)，还可以是其他通用处理器、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)或者其他可编程逻辑器件、晶体管逻辑器件，硬件部件或者其任意组合。通用处理器可以是微处理器，也可以是任何常规的处理器。
119.本技术的实施例中的方法步骤可以通过硬件的方式来实现，也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(random access memory，ram)、闪存、只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)、寄存器、硬盘、移动硬盘、cd-rom或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。
120.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、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，或者通过所述计算机可读存储介质进行传输。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(例如同轴电缆、光纤、数字用户线(dsl))或无线(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成的服务器、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(例如固态硬盘(solid state disk，ssd))等。
121.本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。