冷媒檢測方法、裝置、除濕機及設備與流程
本發(fā)明涉及電器技術領域，尤其涉及一種冷媒檢測方法、裝置、除濕機及設備。
背景技術：
目前，冷媒檢測方法是基于專家經驗，在觀察和研究機器實際運行參數的基礎上制定的。雖然這種方法取得了不錯的效果，但是由于如除濕機這類基于冷媒的設備內部結構復雜，運行過程中各狀態(tài)量之間的耦合關系和變化規(guī)律難以完全掌握，且專家經驗存在一定的主觀性等原因，導致控制規(guī)則復雜，泛化能力有待提升。現有冷媒檢測判斷邏輯中存在判斷單一、適應性差的缺陷。
技術實現要素：
本發(fā)明的主要目的在于克服上述現有技術的缺陷，提供了一種冷媒檢測方法、裝置、除濕機及設備，以解決現有技術的冷媒檢測方法主觀性強、泛化能力和適應性差的問題。
本發(fā)明一方面提供了一種冷媒檢測方法，包括：收集除濕機的運行參數，所述運行參數包括：環(huán)境溫度、環(huán)境濕度、蒸發(fā)器溫度和/或排氣溫度；建立神經網絡模型，將所述收集到的運行參數作為輸入值，輸出結果冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標準量之比，所述冷媒的標準量為所述除濕機標定的冷媒灌注量。
可選地，還包括：在所述冷媒比例小于等于預設的比例閾值時判斷為冷媒余量不足。
可選地，所述神經網絡模型包括：bp神經網絡模型、卷積神經網絡模型或者殘差神經網絡模型。
可選地，還包括：將訓練好的所述神經網絡模型的運行參數上傳到服務器端；在所述服務器端根據從至少一個地區(qū)上傳的所述神經網絡模型的運行參數對所述神經網絡模型進行強化訓練；從所述服務器端獲取所述強化訓練后的神經網絡模型，用所述強化訓練后的神經網絡模型更新現有的所述神經網絡模型。
可選地，還包括：在判斷為冷媒余量不足的情況下給出故障提示信息和/或實施故障處理；所述給出故障提示信息包括：通過顯示設備顯示故障提示信息、通過音頻設備發(fā)出故障提示聲音、和/或通過警示燈給出故障提示信息；所述實施故障處理包括強制關停除濕機的壓縮機負載和/或風機負載。
本發(fā)明的另一方面又提供了一種冷媒檢測裝置，包括：收集單元，用于收集除濕機的運行參數，所述運行參數包括：環(huán)境溫度、環(huán)境濕度、蒸發(fā)器溫度和/或排氣溫度；建模單元，用于建立神經網絡模型，將所述收集到的運行參數作為輸入值，輸出結果為冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標準量之比，所述冷媒的標準量為所述除濕機標定的冷媒灌注量。
可選地，還包括判斷單元，用于在所述冷媒比例小于等于預設的比例閾值時判斷為冷媒余量不足。
可選地，所述神經網絡模型包括：bp神經網絡模型、卷積神經網絡模型或者殘差神經網絡模型。
可選地，還包括：第一通訊單元，用于將訓練好的所述神經網絡模型的運行參數上傳到服務器端；更新單元，用于從所述服務器端獲取所述強化訓練后的神經網絡模型，用所述強化訓練后的神經網絡模型更新現有的所述神經網絡模型，所述強化訓練后的神經網絡模型是在所述服務器端根據從至少一個地區(qū)上傳的所述神經網絡模型的運行參數對所述神經網絡模型進行強化訓練后得到的神經網絡模型。
可選地，還包括：第一故障處理單元，用于在判斷為冷媒余量不足的情況下給出故障提示信息和/或實施故障處理；所述給出故障提示信息包括：通過顯示設備顯示故障提示信息、通過音頻設備發(fā)出故障提示聲音、和/或通過警示燈給出故障提示信息；所述實施故障處理包括強制關停除濕機的壓縮機負載和/或風機負載。
本發(fā)明的又一方面又提供了一種除濕機，具有上述任一項所述的裝置。
本發(fā)明的再一方面又提供了一種設備，具有上述任一項所述的裝置。
可選地，所述設備為手機、電腦、服務器或路由器。
可選地，還包括：第二通訊單元，用于接收來自除濕機的運行參數，將所述接收到的運行參數作為所述神經網絡模型輸入值；第二故障處理單元，用于根據所述神經網絡模型的輸出結果向所述除濕機發(fā)送控制指令和/或故障提示信息，所述控制指令包括強制關停除濕機的壓縮機負載和/或風機負載。
本發(fā)明提供的技術方案相對于傳統的規(guī)則控制方法，其不依賴于專家經驗；而且通過大量樣本數據的學習，網絡可以自動不斷修正自身參數，該控制算法的檢測準確率也會隨著學習樣本數據的增加而增加，該方法具有很強的非線性映射能力、自學習和自適應能力、泛化能力以及容錯能力；另外該控制算法可適用不同的設備型號，通用性好；還有利用神經網絡算法中泛化的能力增加除濕機在不同地區(qū)、不同運行工況下的適應能力，例如在除濕機的應用中，利用神經網絡算法的自學習特性可以在后續(xù)收集除濕機的運行數據，通過收集的數據用作后續(xù)對網絡的加強訓練以更新網絡權值、偏置，使除濕機對于冷媒余量不足模式的判斷越來越準確。
附圖說明
此處所說明的附圖用來提供對本發(fā)明的進一步理解，構成本發(fā)明的一部分，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構成對本發(fā)明的不當限定。在附圖中：
圖1是本發(fā)明提供的冷媒檢測方法的整體框架圖；
圖2是本發(fā)明提供的冷媒檢測方法的神經網絡模型基本結構示意圖；
圖3是本發(fā)明提供的冷媒檢測方法的bp神經網絡模型的結構示意圖；
圖4是本發(fā)明提供的冷媒檢測方法的卷積神經網絡模型的結構示意圖；
圖5是本發(fā)明提供的冷媒檢測方法的殘差神經網絡模型的結構示意圖；
圖6是本發(fā)明提供的冷媒檢測方法的殘差塊的結構示意圖；
圖7是本發(fā)明提供的冷媒檢測方法的神經網絡模型開發(fā)訓練的流程圖；
圖8是本發(fā)明提供的冷媒檢測方法的神經網絡模型云數據強化訓練的流程圖；
圖9是本發(fā)明提供的冷媒檢測裝置的整體框架圖；
圖10是本發(fā)明提供的冷媒檢測裝置的一種優(yōu)選實施例的結構示意圖；
圖11是本發(fā)明提供的設備的一種優(yōu)選實施例的結構示意圖。
具體實施方式
為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明具體實施例及相應的附圖對本發(fā)明技術方案進行清楚、完整地描述。顯然，所描述的實施例僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
需要說明的是，本發(fā)明的說明書和權利要求書及上述附圖中的術語“第一”、“第二”等是用于區(qū)別類似的對象，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數據在適當情況下可以互換，以便這里描述的本發(fā)明的實施例能夠以除了在這里圖示或描述的那些以外的順序實施。此外，術語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對于這些過程、方法、產品或設備固有的其它步驟或單元。
本發(fā)明一方面提供了一種冷媒檢測方法。圖1是本發(fā)明提供的冷媒檢測方法的整體框架圖；如圖1所示，本發(fā)明冷媒檢測方法包括：步驟s110，收集除濕機的運行參數，所述運行參數包括：環(huán)境溫度、環(huán)境濕度、蒸發(fā)器溫度和/或排氣溫度；步驟s120，建立神經網絡模型，將所述收集到的運行參數作為輸入值，輸出結果為冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標準量之比，所述冷媒的標準量為所述除濕機銘牌上標定的冷媒灌注量。根據本發(fā)明冷媒檢測方法的一種實施方式，還包括：在所述冷媒比例小于等于預設的比例閾值時判斷為冷媒余量不足。
本發(fā)明利用人工神經網絡算法，運用大量除濕機冷媒泄漏時的運行參數樣本，對神經網絡進行學習和訓練。通過調整網絡結構及網絡節(jié)點間的權值，使神經網絡擬合除濕機運行參數之間的關系，最終使神經網絡能準確檢測出冷媒泄漏量。冷媒通常包括r410a,r32，r290等。本發(fā)明提供的技術方案使用神經網絡算法對冷媒進行故障的判斷，神經網絡的使用不僅解決現有專家算法的局限性，另外也利用其自身的自學習功能使算法網絡對于冷媒故障的判斷越來越準確，泛化能力越來越強。
圖2是本發(fā)明提供的冷媒檢測方法的神經網絡算法基本結構示意圖。在不同工況下測試除濕機系統在不同比例冷媒情況運行時，除濕機各傳感器(蒸發(fā)器溫度、排氣溫度等)數據，并以此最為神經網絡的輸入參數，如圖2所示，各種冷媒的不同比例作為期望輸出量。
根據冷媒泄漏的數據特性及其所蘊含的規(guī)律，可初步確定神經網絡模型的基本結構、網絡的輸入、輸出節(jié)點數、網絡隱層數、隱節(jié)點數、網絡初始權值等。具體的人工神經網絡結構：bp神經網絡(backpropagationneuralnetwork)模型、卷積神經網絡模型或者殘差神經網絡模型。
圖3是本發(fā)明提供的冷媒檢測方法的bp神經網絡模型的結構示意圖。bp網絡的結構設計主要解決設幾個隱層和幾個隱節(jié)點的問題。隱層和隱節(jié)點的確定需在網絡訓練時不斷的調整。設計時先設置一個隱層，通過調整隱層節(jié)點數來改善網絡性能；當隱節(jié)點數過多，出現過多擬合時，再考慮增加隱層，減少隱節(jié)點，來改善網絡性能。實際應用時可以根據需要調整輸入層、隱層、輸出層節(jié)點數及隱層層數。
圖4是本發(fā)明提供的冷媒檢測方法的卷積神經網絡模型的結構示意圖。多層卷積網絡就是從低維度的特征不斷提取合并得到更高維的特征從而可以用來進行分類或相關任務。不同比例冷媒存量的除濕機運行時，除濕機的蒸發(fā)器溫度、環(huán)境溫度等傳感器表現出不同的運行趨勢，本網絡的的分類和相關任務就是從不同比例冷媒存量除濕機的標準數據中找出相應的運行特征，并根據提取的相應特征判斷出當前的冷媒存量。卷積網絡通用結構為輸入層——卷積層——全連接層——輸出層，中間的卷積層輸出都是從輸入數據提取的特征。卷積神經網絡與普通的bp神經網絡相比，卷積神經網絡提出的是輸入數據不同區(qū)域的相對特征，在數據相對時移時不影響網絡的正常判斷。
圖5是本發(fā)明提供的冷媒檢測方法的殘差神經網絡模型的結構示意圖。在調試卷積神經網絡時，加深網絡層數和改變卷積核大小的方法并不能使得網絡表現得到提升。加入殘差塊可以更好地連接前后數據，加強特征表達能力，所以其能夠加強卷積網絡的學習能力。圖6是本發(fā)明提供的冷媒檢測方法的殘差塊的結構示意圖。如圖6某段神經網絡的輸入為x，期望輸出為h(x)，把輸入x傳入到輸出作為初始結構后，需要學習的目標就變?yōu)閒(x)＝h(x)-x。
圖7是本發(fā)明提供的冷媒檢測方法的神經網絡模型開發(fā)訓練的流程圖。如圖7所示，以bp神經網絡模型為例，首先是設計實驗方案獲取輸入數據；然后搭建網絡模型，確定輸入節(jié)點數m、隱層節(jié)點數n、輸出節(jié)點數l(參見圖3)；接下來挑選部分數據訓練網絡參數，更新權值w和偏置閾值b；之后再判斷準確度是否滿足要求，若否則繼續(xù)訓練參數更新權值w和偏置閾值b；若是則挑選部分數據測試網絡；之后再判斷準確度是否滿足要求，若否則繼續(xù)訓練參數更新權值w和偏置閾值b；若是則開發(fā)訓練過程結束。以上過程具體步驟可分為數據預處理階段、網絡結構設計階段、本地訓練階段和云數據強化訓練階段。
其一，數據預處理階段包括：
1)原始數據搜集
搜集除濕機在冷媒泄漏時，在所有可能的運行環(huán)境下的運行參數，并進行詳細標注，標注的內容包括不同的冷媒存量運行時，除濕機的蒸發(fā)器溫度、環(huán)境溫度等傳感器的運行數據。具體搜集方式包括但不限于除濕機在實驗室模擬環(huán)境下的運行參數、通過物聯網技術搜集實際用戶使用時的空調運行參數等方式。
2)輸入、輸出參數選擇及預處理
通過對原始數據的分析和結合專家知識，選取對冷媒泄漏檢測影響較大且易檢測的參數作為輸入參數，將冷媒剩余量作為輸出量。本發(fā)明中，輸入參數包括但不限于環(huán)境溫度、環(huán)境濕度、蒸發(fā)器溫度、排氣溫度等。輸入參數不僅為單一參數，也包括輸入參數矩陣。
因各參數具有不同的物理意義和量綱，還需要對輸入參數作標準化處理，然后再進行統一的變換處理。本發(fā)明中，數據處理方法，包括但不限于，對數據進行歸一化等線性處理及對數變換、平方根變換、立方根變換等非線性處理。
3)訓練和測試數據樣本集選取
通過對已搜集并標注數據的分析和結合專家知識，對數據樣本按一定的規(guī)則進行分類，比如按照不同比例的冷媒存量運行作為一個表格儲存分類。從不同類別的樣本中，均勻提取數據，作為訓練樣本。訓練樣本不僅要蘊含冷媒泄漏的規(guī)律，還要體現出多樣性和均勻性。列出所有的樣本數據，然后按一定的間隔讀取作為訓練樣本數據；提取出訓練樣本后，剩余的數據可作為測試數據。
其二，網絡結構設計階段
本發(fā)明中所使用的人工神經網絡，不限定于某一種網絡結構，可以是經典的人工神經網絡如bp神經網絡，也可以是高級人工神經網絡，或者深度學習網絡如cnn(convolutionalneuralnetwork,卷積神經網絡)。
其三，本地訓練階段
根據本發(fā)明冷媒檢測方法的一種實施方式，所述神經網絡模型的激活函數采用sigmod函數:σ(z)＝1/(1+e-z)。在訓練之前要初始化網絡的各層之間的權值wk偏置bl；確定網絡的輸出精度∈；確定網絡的學習速度η；確定網絡的最大訓練步長：epoch。
根據前期獲得測試數據，挑選部分實驗數據作為訓練數據，另外一部分作為測試數據，導入輸入數據x，根據激活函數、初始化的權值及偏置計算出網絡的實際輸出al(x)，即al(x)＝1/(1+e-z),其中z＝wk*x+bl。
判斷網絡的期望輸出y(x)與實際輸出al(x)是否滿足輸出精度要求即:‖y(x)-al(x)‖<∈
如果滿足精度要求則結束訓練，如不滿足則根據以下方式更新網絡的權值wk,偏置bl：所述神經網絡模型的誤差能量函數采用c(w,b)為誤差能量函數(以標準方差函數為例)，n為訓練樣本的總數量,求和是在總的訓練樣本x上進行。
更新各層權值：
更新各層偏置：
其中：wk為初始權值，為誤差能量函數對權值的偏導數；bl為初始偏置，為誤差能量函數對偏置的偏導數；的值可通過鏈式求導法則獲得。直至網絡的輸出精度達到小于∈為止。
最后進行網絡測試：網絡訓練完成后，再用測試樣本正向測試網絡。在測試數據中挑選部分數據測試訓練好的網絡，判斷輸出是否滿足期望要求，如不滿足則則重復以上步驟，重新訓練網絡直至滿足網絡輸出滿足要求；若測試誤差滿足要求，則網絡訓練測試完成。
其四，云數據強化訓練階段
圖8是本發(fā)明提供的冷媒檢測方法的神經網絡模型云數據強化訓練的流程圖。如圖8所示，根據本發(fā)明冷媒檢測方法的一種實施方式，還包括：將訓練好的所述神經網絡模型的運行參數上傳到服務器端；在所述服務器端根據從至少一個地區(qū)上傳的所述神經網絡模型的運行參數對所述神經網絡模型進行強化訓練；從所述服務器端獲取所述強化訓練后的神經網絡模型，用所述強化訓練后的神經網絡模型更新現有的所述神經網絡模型。具體地，將訓練好的網絡集成的除濕機的無線模塊，不同地區(qū)的除濕機上電運行后將實際的運行數據傳到后臺云端，云端根據除濕機上傳的實際運行數據定期對現有網絡強化訓練，將強化訓練后的網絡通過除濕機無線模塊在線更新網絡，以滿足實際的運行需要，使網絡的對于冷媒故障的判斷越來越準確，泛化能力越來越強。
根據本發(fā)明冷媒檢測方法的一種實施方式，還包括：在判斷為冷媒余量不足的情況下給出故障提示信息和/或實施故障處理；所述給出故障提示信息包括：通過顯示設備顯示故障提示信息、通過音頻設備發(fā)出故障提示聲音、和/或通過警示燈給出故障提示信息；所述實施故障處理包括強制關停除濕機的壓縮機負載和/或風機負載。具體地，當檢測到冷媒泄露后，通過除濕機的led燈或lcd顯示屏顯示缺氟故障代碼，發(fā)現故障及時給出提示和實施處理可以確保設備安全運行。
本發(fā)明的另一方面又提供了一種冷媒檢測裝置。圖9是本發(fā)明提供的冷媒檢測裝置的整體框架圖。如圖9所示，本發(fā)明冷媒檢測裝置包括：收集單元100，用于收集除濕機的運行參數，所述運行參數包括：環(huán)境溫度、環(huán)境濕度、蒸發(fā)器溫度和/或排氣溫度；建模單元200，用于建立神經網絡模型，將所述收集到的運行參數作為輸入值，輸出結果為冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標準量之比，所述冷媒的標準量為所述除濕機標定的冷媒灌注量。
圖10是本發(fā)明提供的冷媒檢測裝置的一種優(yōu)選實施例的結構示意圖。如圖10所示，根據本發(fā)明冷媒檢測裝置的一種實施方式，還包括判斷單元300，用于在所述冷媒比例小于等于預設的比例閾值時判斷為冷媒余量不足。
根據本發(fā)明冷媒檢測裝置的一種實施方式，所述神經網絡模型包括：bp神經網絡模型、卷積神經網絡模型或者殘差神經網絡模型。
根據本發(fā)明冷媒檢測裝置的一種實施方式，所述神經網絡模型的激活函數采用sigmod函數:σ(z)＝1/(1+e-z)。
根據本發(fā)明冷媒檢測裝置的一種實施方式，所述神經網絡模型的誤差能量函數采用
根據本發(fā)明冷媒檢測裝置的一種實施方式，所述裝置還包括：第一通訊單元400，用于將訓練好的所述神經網絡模型的運行參數上傳到服務器端；更新單元500，用于從所述服務器端獲取所述強化訓練后的神經網絡模型，用所述強化訓練后的神經網絡模型更新現有的所述神經網絡模型，所述強化訓練后的神經網絡模型是在所述服務器端根據從至少一個地區(qū)上傳的所述神經網絡模型的運行參數對所述神經網絡模型進行強化訓練后得到的神經網絡模型。
根據本發(fā)明冷媒檢測裝置的一種實施方式，還包括：參數處理單元600，用于對所述收集到的運行參數做標準化處理和/或變換處理，所述標準化處理包括歸一化處理，所述變換處理包括對數變換、平方根變換和/或立方根變換。
根據本發(fā)明冷媒檢測裝置的一種實施方式，還包括：第一故障處理單元700，用于在判斷為冷媒余量不足的情況下給出故障提示信息和/或實施故障處理；所述給出故障提示信息包括：通過顯示設備顯示故障提示信息、通過音頻設備發(fā)出故障提示聲音、和/或通過警示燈給出故障提示信息；所述實施故障處理包括強制關停除濕機的壓縮機負載和/或風機負載。
本發(fā)明的又一方面又提供了一種除濕機，具有上述任一項所述的裝置。
本發(fā)明的再一方面又提供了一種設備，具有上述任一項所述的裝置。
根據本發(fā)明設備的一種實施方式，所述設備為手機、電腦、服務器或路由器。
圖11是本發(fā)明提供的設備的一種優(yōu)選實施例的結構示意圖。根據本發(fā)明設備的一種實施方式，所述設備還包括：第二通訊單元450，用于接收來自除濕機的運行參數，將所述接收到的運行參數作為所述神經網絡模型輸入值；第二故障處理單元750，用于根據所述神經網絡模型的輸出結果向所述除濕機發(fā)送控制指令和/或故障提示信息，所述控制指令包括強制關停除濕機的壓縮機負載和/或風機負載。所述設備是指帶有存儲單元的設備，并不限于手機、電腦、服務器或路由器，其功能是獲取除濕機的運行參數，運行神經網絡算法，再將結果或相應的指令發(fā)送給除濕機。
本發(fā)明的再一方面又提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述程序被處理器執(zhí)行時實現上述任一所述方法的步驟。
本發(fā)明的又一方面又提供了一種除濕機，包括處理器、存儲器以及存儲在存儲器上可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現上述任一所述方法的步驟。
本發(fā)明的又一方面又提供了一種設備，包括處理器、存儲器以及存儲在存儲器上可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現上述任一所述方法的步驟。
根據本發(fā)明設備的一種實施方式，所述設備包括手機、電腦、服務器或路由器。
根據本發(fā)明設備的一種實施方式，所述處理器執(zhí)行的方法還包括：接收來自除濕機的運行參數，將所述接收到的運行參數作為所述神經網絡模型輸入值；根據所述神經網絡模型的輸出結果向所述除濕機發(fā)送控制指令和/或故障提示信息，所述控制指令包括強制關停除濕機的壓縮機負載和/或風機負載。所述設備是指帶有存儲單元的設備，并不限于手機、電腦、服務器或路由器，其功能是獲取除濕機的運行參數，運行神經網絡算法，再將結果或相應的指令發(fā)送給除濕機。
本發(fā)明提供的技術方案相對于傳統的規(guī)則控制方法，其不依賴于專家經驗；而且通過大量樣本數據的學習，網絡可以自動不斷修正自身參數，該控制算法的檢測準確率也會隨著學習樣本數據的增加而增加，該方法具有很強的非線性映射能力、自學習和自適應能力、泛化能力以及容錯能力；另外該控制算法可適用不同的設備型號，通用性好；還有利用神經網絡算法中泛化的能力增加除濕機在不同地區(qū)、不同運行工況下的適應能力，例如在除濕機的應用中，利用神經網絡算法的自學習特性可以在后續(xù)收集除濕機的運行數據，通過收集的數據用作后續(xù)對網絡的加強訓練以更新網絡權值、偏置，使除濕機對于冷媒余量不足模式的判斷越來越準確。
本文中所描述的功能可在硬件、由處理器執(zhí)行的軟件、固件或其任何組合中實施。如果在由處理器執(zhí)行的軟件中實施，那么可將功能作為一或多個指令或代碼存儲于計算機可讀媒體上或經由計算機可讀媒體予以傳輸。其它實例及實施方案在本發(fā)明及所附權利要求書的范圍及精神內。舉例來說，歸因于軟件的性質，上文所描述的功能可使用由處理器、硬件、固件、硬連線或這些中的任何者的組合執(zhí)行的軟件實施。此外，各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。
在本申請所提供的幾個實施例中，應該理解到，所揭露的技術內容，可通過其它的方式實現。其中，以上所描述的裝置實施例僅僅是示意性的，例如所述單元的劃分，可以為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，單元或模塊的間接耦合或通信連接，可以是電性或其它的形式。
所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為控制裝置的部件可以是或者也可以不是物理單元，既可以位于一個地方，或者也可以分布到多個單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。
所述集成的單元如果以軟件功能單元的形式實現并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發(fā)明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可為個人計算機、服務器或者網絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、移動硬盤、磁碟或者光盤等各種可以存儲程序代碼的介質。
以上所述僅為本發(fā)明的實施例而已，并不用于限制本發(fā)明，對于本領域的技術人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的權利要求范圍之內。
<
<
<
<
<
<
<
<
