基于联合学习的设备检测方法及装置与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本公开涉及联合学习技术领域，尤其涉及一种基于联合学习的设备检测方法及装置。背景技术：2.综合能源系统是由多种设备和管道链接而成，同时具备多种能源输入，转化，并能供给多种能源给不同的用户的一个系统。综合能源系统中设备包括：燃气内燃机，余热锅炉，蒸汽锅炉，溴冷机，光伏设备，地源热泵，风能设备，储能设备等。3.在综合能源系统中，大量的设备由于长期工作，环境变化，频繁起停等原因，可能会损伤设备的健康度。甚至出现在未到定期维护时间时，设备出现故障，这种现象可能会导致整个综合能源系统出现问题，所以对于设备的健康度的评估是及其必要的。4.基于此，预后与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/系统退化状态并估算系统的剩余使用寿命。主要优势是减少了维护成本，提高了安全性，可靠性和故障排除率。在诸如旋转设备的复杂系统中，对系统剩余使用寿命的预测可以帮助防止维护错误，还可以避免不安全条件下的运行。5.然而现有技术中，对于设备寿命预测的结果往往不够准确，这就容易导致整个综合能源系统出现问题。技术实现要素：6.有鉴于此，本公开实施例提供了一种基于联合学习的设备检测方法、装置、电子设备及计算机可读存储介质，以解决现有技术中对于设备寿命预测的结果往往不够准确，这就容易导致整个综合能源系统出现问题。7.本公开实施例的第一方面，提供了一种基于联合学习的设备检测方法，包括：8.采集并选择设备的参数数据，并确定所述参数数据中的原始振动信号；9.将所述原始振动信号进行模态分析，得到多个频率分别对应的模态数据；10.通过对所述模态数据进行希伯特转换，得到希伯特边界谱；11.根据所述希伯特边界谱，以及所述多个频率，进行特征提取，得到所述多个频率分别对应的频率特征；12.通过所述频率特征训练生成剩余使用寿命模型；13.将所述剩余使用寿命模型下发至各参与方中，以使所述参与方通过联合学习的形式对所述剩余使用寿命模型进行训练。14.本公开实施例的第二方面，提供了一种基于联合学习的设备检测装置，包括：15.采集确定模块，采集并选择设备的参数数据，并确定所述参数数据中的原始振动信号；16.模态分析模块，将所述原始振动信号进行模态分析，得到多个频率分别对应的模态数据；17.转换模块，通过对所述模态数据进行希伯特转换，得到希伯特边界谱；18.特征提取模块，根据所述希伯特边界谱，以及所述多个频率，进行特征提取，得到所述多个频率分别对应的频率特征；19.训练模块，通过所述频率特征训练生成剩余使用寿命模型；20.联合学习模块，将所述剩余使用寿命模型下发至各参与方中，以使所述参与方通过联合学习的形式对所述剩余使用寿命模型进行训练。21.本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可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。22.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。23.本公开实施例与现有技术相比存在的有益效果是：轴承通常是设备中比较容易损坏的位置，其也能够较为准确的体现出设备的运行数据，因此，通过采集轴承的振动信号，能够更加精确对设备寿命进行预测。本公开实施例对振动信号进行模态分析、希伯特转换后，再进行特征提取，保证提取到的特征能够准确的反应出设备当前的状态。并且，通过联合学习的方式，能够解决单一的剩余使用寿命模型不容易适应多种类设备的问题，随时增加新的模型，提高模型的泛化能力。附图说明24.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。25.图1是本公开实施例的一种联合学习的架构示意图；26.图2是本公开实施例提供的一种基于联合学习的设备检测方法的流程示意图；27.图3是本公开实施例提供的另一种基于联合学习的设备检测方法的流程示意图；28.图4是本公开实施例提供的原始振动信号处理过程的结构示意图；29.图5是本公开实施例提供的支持回归向量的示意图；30.图6是本公开实施例提供的一种基于联合学习的设备检测装置的结构示意图；31.图7是本公开实施例提供的一种电子设备的结构示意图。具体实施方式32.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。33.联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种ai(artificial intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：34.(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。35.(2)在不同应用场景下，利用筛选和/或组合ai算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。36.(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。37.(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。38.基于上述方式，可以建立基于联合学习的ai技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。39.下面将结合附图详细说明根据本公开实施例的一种基于联合学习的设备检测方法和装置。40.图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。41.在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，参与方的数量不限于如上所述的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。42.图2是本公开实施例提供的一种基于联合学习的设备检测方法的流程示意图。图2的基于联合学习的设备检测方法可以由图1的服务器或参与方执行。43.如图2所示，该基于联合学习的设备检测方法包括：44.s201，采集并选择设备的参数数据，并确定所述参数数据中的原始振动信号；45.s202，将所述原始振动信号进行模态分析，得到多个频率分别对应的模态数据；46.s203，通过对所述模态数据进行希伯特转换，得到希伯特边界谱；47.s204，根据所述希伯特边界谱，以及所述多个频率，进行特征提取，得到所述多个频率分别对应的频率特征；48.s205，通过所述频率特征训练生成剩余使用寿命模型；49.s206，将所述剩余使用寿命模型下发至各参与方中，以使所述参与方通过联合学习的形式对所述剩余使用寿命模型进行训练。50.具体地，如图2、图3以及图4所示，设备可以是综合能源系统中的各类设备，参数数据可以从scada系统(数据采集与监视控制系统)中进行采集。在采集到参数数据后，可以根据设备的特点，从参数数据中进行选择，比如，选择设备运行年限、历史维修保养数据、当前运行数据(工艺流程数据，如温度，压力等)、能耗数据等数据，然后选择想要对设备进行评估的一个时间段。51.通常来说，设备在损坏的时候，轴承产生故障导致损坏的概率是很大的，所以，根据参数数据，来确定设备中轴承的原始振动信号。然而采集到的原始振动信号，往往是无法直接使用的，在此可以采用经验模态分解(emd法)对原始振动信号进行分解，以模态分析的方式得到多个频率分别对应的模态数据。其中，对于同一个轴承来说，其在运行过程中也具有不同的频率，故而会得到不同的模态数据。52.得到了模态数据后，即可通过希伯特转换的方式得到希伯特边界谱，此时，即可根据该希伯特边界谱以及多个频率进行特征提取，得到相应的频率特征。53.使用频率特征训练剩余使用寿命模型(rul模型)，在训练完成后，即可使用其对设备的剩余使用寿命进行预测。输入原始数据，经过数据处理，在经过rul模型训练与测试，最终可以预测未来时刻设备故障，将预测时间减去当前时间，就是设备/部件的剩余使用寿命的结果，最后为结果输出。54.然而由于其在训练过程中使用的数据并不全面，导致本身的预测精度可能并不高。因此，将rul模型下发至各参与方中，参与方即可通过联合学习的形式对rul模型进行训练。55.在传统的机器学习建模中，通常是把模型训练需要的数据集合到一个数据中心然后再训练模型，之后预测。在横向联合学习中，可以看作是基于样本的分布式模型训练，分发全部数据到不同的机器(参与方)，每台机器从服务器下载模型，然后利用本地数据训练模型，之后返回给服务器需要更新的参数；服务器聚合各机器上的返回的参数，更新模型，再把最新的模型反馈到每台机器。基本步骤可以包括：参与方各自从服务器下载最新模型；每个参与方利用本地数据训练模型，加密梯度上传给服务器，服务器聚各用户的梯度更新模型参数；服务器返回更新后的模型给各参与方；各参与方更新各自模型。56.根据本公开实施例提供的技术方案，轴承通常是设备中比较容易损坏的位置，其也能够较为准确的体现出设备的运行数据，因此，通过采集轴承的振动信号，能够更加精确对设备寿命进行预测。对振动信号进行模态分析、希伯特转换后，再进行特征提取，保证提取到的特征能够准确的反应出设备当前的状态。并且，通过联合学习的方式，能够解决单一的剩余使用寿命模型不容易适应多种类设备的问题，随时增加新的模型，提高模型的泛化能力。57.在一些实施例中，将原始振动信号进行模态分析，得到多个频率分别对应的模态数据，具体包括：针对多个频率中的每个频率，通过该频率对应的原始振动信号，以及原始振动信号的上包络与下包络的均值，得到原始振动信号与均值的插值，并将插值作为该原始振动信号分解得到的固有模态方程imf；对imf进行迭代，以使均值趋近于0，得到多个频率分别对应的imf。58.具体地，对于原始振动信号数据，可以通过如下公式计算得到imf：x(t)-m10(t)＝h10(t)，其中，x(t)为原始振动信号，t为时刻，m10(t)为信号x(t)的上包络与下包络的均值，h10(t)为x(t)与m10(t)的插值，也就是第一个频率对应的固有模态方程imf。同理即可得到h11(t)为第二个频率对应的imf，以此类推，h1k(t)为第k+1个频率对应的imf，此时，表达式可以如下所示：h1k(t)＝h1(k-1)(t)-m1(k-1)(t)其中，m1(k-1)(t)为h1(k-1)(t)上包络与下包络的均值，k为迭代的次数。目的是经过多轮迭代后，使得当前的imf的上包络与下包络均值尽可能的趋于0。59.在一些实施例中，通过对模态数据进行希伯特转换，得到希伯特边界谱，具体包括：通过柯西主值，以及imf对t时刻的积分项，得到imf的希伯特转换ht值；根据ht值，以及imf，得到imf在t时刻的振幅和相位；根据相位的微分项，确定imf的频率项；根据频率项，与振幅的组合值，确定imf的希伯特密度；根据希伯特密度确定希伯特边界谱。60.根据ht值，以及imf，得到imf在t时刻的振幅和相位，具体包括：根据imf的平方项和ht值的平方项，进行开跟得到imf在t时刻的振幅；并根据ht值和imf的比值，进行反正切得到imf在t时刻的相位。61.具体地，在此首先将imf使用ci(t)来代替，对于其中特定的imf使用来代替，用于对希伯特转换进行解释推导，此时，imf的公式可以如下所示：其中，ai(t)第i个imf在t时刻的振幅，θi(t)为第i个imf在t时刻的相位，j为常数，为ci(t)的希伯特转换ht值。需要说明的是，这里的仅是为了对推导过程解释清楚所引入的参数，在本技术是实际使用过程中，并不会产生实际作用。并且，ht值可以通过如下公式得到：其中，p为柯西主值，是已知的值，为t时刻的积分项。62.基于此，可以通过如下公式求得振幅和相位：其中，和分别为imf和ht值的平方项，为ht值和imf的比值。63.进一步地，得到振幅和相位后，可以通过如下公式计算得到imf的频率项：其中，为相位的微分项，fi(t)为对应第i个的imf的频率项。64.由此可以通过如下公式得到希伯特边界谱(hilbert marginal spectrum)：其中，其中hi(f，t)为第i个imf的希伯特谱密度，由原始振动信号x(t)求得，为已知的，ai(fi，t)为组合了振幅ai(t)与频率fi(t)的组合值，也为已知，由此可以计算得到希伯特边界谱。65.在一些实施例中，根据希伯特边界谱，以及多个频率，进行特征提取，得到多个频率分别对应的频率特征，具体包括：确定多个频率，多个频率包括轴承内表面频率、为轴承外表面频率、轴承球频率中的至少一种；通过设备的轴承内球数量、球的直径和轴承的节圆直径中的多个参数，以及接触角的三角函数值，确定多个频率分别对应的系数；通过分别对应的系数，以及轴承旋转频率，分别确定多个频率对应的频率特征。66.具体地，对数据进行处理后，可以对数据进行选择，来进行特征提取。可以通过如下公式选择imf(imf selection)，进行特征提取，得到imf的频率特征：其中，fir为轴承内表面频率，for为轴承外表面频率，fb轴承球频率。67.而对于这三种频率的计算，可以通过如下公式得到：而对于这三种频率的计算，可以通过如下公式得到：其中，fr为轴承旋转频率，ψ为接触角，nb为轴承内球的数量，db为球的直径，dp为轴承的节圆直径，均属于设备固有属性，为已知的，在此为了便于描述，将将均称作对应的系数。此时，可以得到相关的三种特征，hi(fir)，hi(for)，hi(fb)。68.在一些实施例中，通过频率特征训练生成剩余使用寿命模型，具体包括：将多个频率分别对应的频率特征作为训练集，将t时刻对应的部件状态数据作为标签，以支持向量回归模型的方式，训练生成剩余使用寿命模型。69.在得到频率特征后，将x＝【hi(ir),hi(or),hi(fb)】作为输入数据，同时根据设备的维修维护经验，也可以得到相关时刻t时所对应的部件状态数据，(ω1,ω2,...,ωm)，将其作为标签(也可以认为是输出数据)。有了输入数据与输出数据后，可以建立rul模型，对模型进行训练。70.在此可以选择支持向量回归(svr)模型的方式进行训练。71.如图5所示，对于一般的回归问题，给定训练样本d＝{(x1,y1),(x2,y2),...,(xn,yn)},我们希望学习到一个f(x)＝wtx+b，使得其与y尽可能的接近，其中，w、b是待确定的参数。在这个模型中，只有当f(x)与y完全相同时，损失才为零，而支持向量回归假设我们能容忍的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。72.基于此，通过训练集x＝【hi(fir),hi(for),hi(fb)】，与y＝(ω1,ω2,...,ωm)，可以得到超参数，系数权重矩阵，则训练过程结束。此时将实时数据输入，经过模型计算，即可对未来时刻的健康指数进行预测。73.在一些实施例中，采集并选择设备的参数数据之后，方法还包括：根据预设的阈值，对参数数据进行异常判断；对于静设备，若存在异常值，则通过回归的方式，对异常值进行插补或去除。74.具体地，可以结合专家经验来判断参数数据中是否有缺失，异常值等现象出现。对于静设备，可以使用回归类方法进行数值的插补和去除异常值(如可以使用最小二乘，多项式回归等方法)。可以通过提前设定的阈值，判断参数数据是否有超出阈值，从而直接判断设备参数是否有故障，如判断有故障，直接报修，如判断没有故障，则进入下一步。75.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。76.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。77.图6是本公开实施例提供的一种基于联合学习的设备检测装置的示意图。78.如图6所示，该基于联合学习的设备检测装置包括：79.采集确定模块601，被配置为采集并选择设备的参数数据，并确定参数数据中的原始振动信号；80.模态分析模块602，被配置为将原始振动信号进行模态分析，得到多个频率分别对应的模态数据；81.转换模块603，被配置为通过对模态数据进行希伯特转换，得到希伯特边界谱；82.特征提取模块604，被配置为根据希伯特边界谱，以及多个频率，进行特征提取，得到多个频率分别对应的频率特征；83.训练模块605，被配置为通过频率特征训练生成剩余使用寿命模型；84.联合学习模块606，被配置为将剩余使用寿命模型下发至各参与方中，以使参与方通过联合学习的形式对剩余使用寿命模型进行训练。85.根据本公开实施例提供的技术方案，轴承通常是设备中比较容易损坏的位置，其也能够较为准确的体现出设备的运行数据，因此，通过采集轴承的振动信号，能够更加精确对设备寿命进行预测。对振动信号进行模态分析、希伯特转换后，再进行特征提取，保证提取到的特征能够准确的反应出设备当前的状态。并且，通过联合学习的方式，能够解决单一的剩余使用寿命模型不容易适应多种类设备的问题，随时增加新的模型，提高模型的泛化能力。86.在一些实施例中，模态分析模块602，被配置为针对多个频率中的每个频率，通过该频率对应的原始振动信号，以及原始振动信号的上包络与下包络的均值，得到原始振动信号与均值的插值，并将插值作为该原始振动信号分解得到的固有模态方程imf；87.对imf进行迭代，以使均值趋近于0，得到多个频率分别对应的imf。88.在一些实施例中，转换模块603，被配置为通过柯西主值，以及imf对t时刻的积分项，得到imf的希伯特转换ht值；89.根据ht值，以及imf，得到imf在t时刻的振幅和相位；90.根据相位的微分项，确定imf的频率项；91.根据频率项，与振幅的组合值，确定imf的希伯特密度；92.根据希伯特密度确定希伯特边界谱。93.在一些实施例中，转换模块603，被配置为根据imf的平方项和ht值的平方项，进行开跟得到imf在t时刻的振幅；并94.根据ht值和imf的比值，进行反正切得到imf在t时刻的相位。95.在一些实施例中，特征提取模块604，被配置为确定多个频率，多个频率包括轴承内表面频率、为轴承外表面频率、轴承球频率中的至少一种；96.通过设备的轴承内球数量、球的直径和轴承的节圆直径中的多个参数，以及接触角的三角函数值，确定多个频率分别对应的系数；97.通过分别对应的系数，以及轴承旋转频率，分别确定多个频率对应的频率特征。98.在一些实施例中，训练模块605，被配置为将多个频率分别对应的频率特征作为训练集，将t时刻对应的部件状态数据作为标签，以支持向量回归模型的方式，训练生成剩余使用寿命模型。99.在一些实施例中，还包括异常判断模块607，被配置为根据预设的阈值，对参数数据进行异常判断；100.对于静设备，若存在异常值，则通过回归的方式，对异常值进行插补或去除。101.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。102.图7是本公开实施例提供的电子设备7的示意图。如图7所示，该实施例的电子设备7包括：处理器701、存储器702以及存储在该存储器702中并且可在处理器701上运行的计算机程序703。处理器701执行计算机程序703时实现上述各个方法实施例中的步骤。或者，处理器701执行计算机程序703时实现上述各装置实施例中各模块/单元的功能。103.示例性地，计算机程序703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702中，并由处理器701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703在电子设备7中的执行过程。104.电子设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备7可以包括但不仅限于处理器701和存储器702。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7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，电子设备还可以包括输入输出设备、网络接入设备、总线等。105.处理器701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。106.存储器702可以是电子设备7的内部存储单元，例如，电子设备7的硬盘或内存。存储器702也可以是电子设备7的外部存储设备，例如，电子设备7上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器702还可以既包括电子设备7的内部存储单元也包括外部存储设备。存储器702用于存储计算机程序以及电子设备所需的其它程序和数据。存储器702还可以用于暂时地存储已经输出或者将要输出的数据。107.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。108.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。109.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。110.在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子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。111.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。112.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。113.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。114.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。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!