发明内容
本发明克服了现有技术的不足,提供了一种激光电源的寿命预测方法、系统及存储介质。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种激光电源的寿命预测方法,包括以下步骤:
获取激光电源的多源工作参数数据信息,并通过对激光电源的多源工作参数数据信息进行处理,获取关联工作参数之间的拓扑关系图以及独立参数的样本数据;
根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据,并对激光电源的寿命预测参数数据进行状态描述,获取寿命预测参数的状态值;
根据寿命预测参数的状态值构建激光电源的状态转移矩阵,并通过对激光电源的状态转移矩阵进行处理,获取处理后的状态转移矩阵,构建寿命预测模型;
根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值,并基于激光电源的寿命预测值进行预警及生成相关的维修策略。
进一步地,在本方法中,通过对激光电源的多源工作参数数据信息进行处理,获取关联工作参数之间的拓扑关系图以及独立参数的样本数据,具体包括:
获取激光电源的多源工作参数数据信息之间的影响关系,并根据影响关系对多源工作参数数据信息进行数据分类,获取具有关联影响关系的关联工作参数以及独立参数的样本数据;
基于关联工作参数之间的关联影响关系确定有向边描述,并引入图神经网络,通过图神经网络根据关联工作参数作为图节点,并确定图节点的空间位置关系;
根据图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图,并将关联工作参数之间的拓扑关系图以及独立参数的样本数据进行输出。
进一步地,在本方法中,根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据,并对激光电源的寿命预测参数数据进行状态描述,获取寿命预测参数的状态值,具体包括:
根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据,并引入模糊评价算法,设置相关的工作参数阈值范围指标;
根据相关的工作参数阈值范围指标对每一激光电源的寿命预测参数进行状态隶属度描述,获取每一激光电源的寿命预测参数的状态隶属度;
构建时间戳,根据时间戳以及每一激光电源的寿命预测参数的状态隶属度构建基于时间序列的激光电源的寿命预测参数的状态隶属度变化曲线;
基于基于时间序列的激光电源的寿命预测参数的状态隶属度变化曲线获取预设时间之内的寿命预测参数的状态隶属度,并将预设时间之内的寿命预测参数的状态隶属度作为寿命预测参数的状态值输出。
进一步地,在本方法中,根据寿命预测参数的状态值构建激光电源的状态转移矩阵,并通过对激光电源的状态转移矩阵进行处理,获取处理后的状态转移矩阵,构建寿命预测模型,具体包括:
引入奇异值分解算法,通过奇异值分解算法对激光电源的状态转移矩阵进行分解,生成特征向量按列组成的正交矩阵,根据特征向量按列组成的正交矩阵构建多维子空间;
获取多维子空间的特征向量信息,并引入余弦度量方法,并获取述多维子空间的特征向量信息中频率出现最高的特征向量信息,选取频率出现最高的特征向量信息作为比较向量;
通过余弦度量方法计算多维子空间的特征向量信息与比较向量之间的余弦值,并判断余弦值是否大于预设余弦阈值信息;
当余弦值大于预设余弦阈值信息时,将余弦值大于预设余弦阈值信息的特征向量剔除,生成剔除后的特征向量,并根据剔除后的特征向量进行矩阵重建,生成处理后的状态转移矩阵,基于深度学习网络构建寿命预测模型。
进一步地,在本方法中,根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值,具体包括:
根据处理后的状态转移矩阵构建训练集以及测试集,并将训练集输入到寿命预测模型中进行训练,当寿命预测模型的训练参数符合预设训练参数时,保存寿命预测模型的模型参数;
预设相关的测试参数阈值,将测试集输出到寿命预测模型中进行测试,输出相关的测试参数,当相关的测试参数低于相关的测试参数阈值时,输出寿命预测模型;
根据寿命预测模型以及关联工作参数之间的拓扑关系图预测激光电源的子部件故障状态隶属度,并基于激光电源的子部件故障状态隶属度,根据激光电源的子部件故障状态隶属度进行排序,获取排序结果;
获取排序结果中最大的故障状态隶属度作为激光电源的寿命预测的状态隶属度,并根据激光电源的寿命预测的状态隶属度生成激光电源的寿命预测值。
进一步地,在本方法中,基于激光电源的寿命预测值进行预警及生成相关的维修策略,具体包括:
通过大数据获取各异常数据之下的激光电源相关的维修策略,并构建维修策略知识图谱,将各异常数据之下的激光电源相关的维修策略输入到维修策略知识图谱中进行存储;
设置相关的寿命预测阈值,并判断激光电源的寿命预测值是否低于相关的寿命预测阈值,当激光电源的寿命预测值低于激光电源的寿命预测值时,获取激光电源的异常部件,并对激光电源的异常部件进行预警;
获取激光电源的异常部件的异常数据,将激光电源的异常部件的异常数据输入到维修策略知识图谱中进行数据匹配,获取当前激光电源的异常部件的异常数据对应的维修策略;
根据当前激光电源的异常部件的异常数据对应的维修策略生成相关的维修策略,并将相关的维修策略输出。
本发明第二方面提供了一种激光电源的寿命预测系统,系统包括存储器以及处理器,存储器中包括激光电源的寿命预测方法程序,激光电源的寿命预测方法程序被处理器执行时,实现如下步骤:
获取激光电源的多源工作参数数据信息,并通过对激光电源的多源工作参数数据信息进行处理,获取关联工作参数之间的拓扑关系图以及独立参数的样本数据;
根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据,并对激光电源的寿命预测参数数据进行状态描述,获取寿命预测参数的状态值;
根据寿命预测参数的状态值构建激光电源的状态转移矩阵,并通过对激光电源的状态转移矩阵进行处理,获取处理后的状态转移矩阵,构建寿命预测模型;
根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值,并基于激光电源的寿命预测值进行预警及生成相关的维修策略。
进一步地,在本系统中,通过对激光电源的多源工作参数数据信息进行处理,获取关联工作参数之间的拓扑关系图以及独立参数的样本数据,具体包括:
获取激光电源的多源工作参数数据信息之间的影响关系,并根据影响关系对多源工作参数数据信息进行数据分类,获取具有关联影响关系的关联工作参数以及独立参数的样本数据;
基于关联工作参数之间的关联影响关系确定有向边描述,并引入图神经网络,通过图神经网络根据关联工作参数作为图节点,并确定图节点的空间位置关系;
根据图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图,并将关联工作参数之间的拓扑关系图以及独立参数的样本数据进行输出。
进一步地,在本系统中,根据寿命预测参数的状态值构建激光电源的状态转移矩阵,并通过对激光电源的状态转移矩阵进行处理,获取处理后的状态转移矩阵,构建寿命预测模型,具体包括:
引入奇异值分解算法,通过奇异值分解算法对激光电源的状态转移矩阵进行分解,生成特征向量按列组成的正交矩阵,根据特征向量按列组成的正交矩阵构建多维子空间;
获取多维子空间的特征向量信息,并引入余弦度量方法,并获取述多维子空间的特征向量信息中频率出现最高的特征向量信息,选取频率出现最高的特征向量信息作为比较向量;
通过余弦度量方法计算多维子空间的特征向量信息与比较向量之间的余弦值,并判断余弦值是否大于预设余弦阈值信息;
当余弦值大于预设余弦阈值信息时,将余弦值大于预设余弦阈值信息的特征向量剔除,生成剔除后的特征向量,并根据剔除后的特征向量进行矩阵重建,生成处理后的状态转移矩阵,基于深度学习网络构建寿命预测模型。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包括激光电源的寿命预测方法程序,激光电源的寿命预测方法程序被处理器执行时,实现任一项激光电源的寿命预测方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过获取激光电源的多源工作参数数据信息,并通过对激光电源的多源工作参数数据信息进行处理,获取关联工作参数之间的拓扑关系图以及独立参数的样本数据,根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据,并对激光电源的寿命预测参数数据进行状态描述,获取寿命预测参数的状态值,根据寿命预测参数的状态值构建激光电源的状态转移矩阵,并通过对激光电源的状态转移矩阵进行处理,获取处理后的状态转移矩阵,构建寿命预测模型,根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值,并基于激光电源的寿命预测值进行预警及生成相关的维修策略。本发明通过关联工作参数之间的拓扑关系图以及独立参数的样本数据来构建寿命预测的样本数据,能够提高激光电源的寿命预测系统的预测精度;另一方面,通过融合奇异值分解算法以及余弦度量法,能够降低寿命预测系统的计算复杂度以及提高寿命预测系统的预测精度。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面提供了一种激光电源的寿命预测方法,包括以下步骤:
S102:获取激光电源的多源工作参数数据信息,并通过对激光电源的多源工作参数数据信息进行处理,获取关联工作参数之间的拓扑关系图以及独立参数的样本数据;
其中在步骤S102中,通过对激光电源的多源工作参数数据信息进行处理,获取关联工作参数之间的拓扑关系图以及独立参数的样本数据,具体包括:
获取激光电源的多源工作参数数据信息之间的影响关系,并根据影响关系对多源工作参数数据信息进行数据分类,获取具有关联影响关系的关联工作参数以及独立参数的样本数据;
基于关联工作参数之间的关联影响关系确定有向边描述,并引入图神经网络,通过图神经网络根据关联工作参数作为图节点,并确定图节点的空间位置关系;
根据图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图,并将关联工作参数之间的拓扑关系图以及独立参数的样本数据进行输出。
需要说明的是,在本实施例中,由于激光电源内部是存在多个子部件的,而子部件之间可能是存在一定的影响关系(激光电源的多源工作参数数据信息之间的影响关系),如A部件的参数变化会引起B部件的参数变化,因此,通过有向边描述为A指向B,亦代表A的参数会引起B的参数变化,但B的参数变化不会引起A的参数变化。通过本方法能够根据图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图,而独立参数代表无其他部件的参数能够引起自身参数的变化。通过本方法能够避免由于关联性的存在,某一部件所采集的工作状态信息不一定代表着该零部件的状态是实际的工作状态,由于该关联性容易导致激光电源的寿命预测系统的预测精度低下的情况出现,从而提高寿命预测系统的预测精度。
S104:根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据,并对激光电源的寿命预测参数数据进行状态描述,获取寿命预测参数的状态值;
需要说明的是,其中,在步骤S104中,具体包括以下步骤:
根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据,并引入模糊评价算法,设置相关的工作参数阈值范围指标;
根据相关的工作参数阈值范围指标对每一激光电源的寿命预测参数进行状态隶属度描述,获取每一激光电源的寿命预测参数的状态隶属度;
构建时间戳,根据时间戳以及每一激光电源的寿命预测参数的状态隶属度构建基于时间序列的激光电源的寿命预测参数的状态隶属度变化曲线;
基于时间序列的激光电源的寿命预测参数的状态隶属度变化曲线获取预设时间之内的寿命预测参数的状态隶属度,并将预设时间之内的寿命预测参数的状态隶属度作为寿命预测参数的状态值输出。
需要说明的是,通过本方法能够通过模糊评价方法对每一激光电源的寿命预测参数进行状态隶属度描述,而故障状态实际上的慢慢转移的,即从无故障状态慢慢地向故障状态转移,其中无故障状态与故障状态之间有着其他的状态,如低故障状态、中低故障状态、中故障状态等,这样简化数据的处理,如某个部件的工作参数值对应着低故障状态的隶属度值。
S106:根据寿命预测参数的状态值构建激光电源的状态转移矩阵,并通过对激光电源的状态转移矩阵进行处理,获取处理后的状态转移矩阵,构建寿命预测模型;
如图2所示,需要说明的是,在步骤S106中,具体包括以下步骤:
S202:引入奇异值分解算法,通过奇异值分解算法对激光电源的状态转移矩阵进行分解,生成特征向量按列组成的正交矩阵,根据特征向量按列组成的正交矩阵构建多维子空间;
S204:获取多维子空间的特征向量信息,并引入余弦度量方法,并获取述多维子空间的特征向量信息中频率出现最高的特征向量信息,选取频率出现最高的特征向量信息作为比较向量;
S206:通过余弦度量方法计算多维子空间的特征向量信息与比较向量之间的余弦值,并判断余弦值是否大于预设余弦阈值信息;
S208:当余弦值大于预设余弦阈值信息时,将余弦值大于预设余弦阈值信息的特征向量剔除,生成剔除后的特征向量,并根据剔除后的特征向量进行矩阵重建,生成处理后的状态转移矩阵,基于深度学习网络构建寿命预测模型。
需要说明的是,通过引入奇异值分解算法能够降低寿命预测系统的计算复杂度,而融合余弦度量方法能够计算出多维子空间的特征向量信息与比较向量之间的余弦值,当多维子空间的特征向量信息与比较向量之间的余弦值大于预设余弦阈值信息,说明该特征向量为离群点数据,通过本方法能够剔除离群点数据,以及融合奇异值分解算法能够降低计算离群点数据的复杂度,从而提高寿命预测系统的预测精度以及计算复杂度。
S108:根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值,并基于激光电源的寿命预测值进行预警及生成相关的维修策略。
如图3所示,进一步地,在本方法中,根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值,具体包括:
S302:根据处理后的状态转移矩阵构建训练集以及测试集,并将训练集输入到寿命预测模型中进行训练,当寿命预测模型的训练参数符合预设训练参数时,保存寿命预测模型的模型参数;
S304:预设相关的测试参数阈值,将测试集输出到寿命预测模型中进行测试,输出相关的测试参数,当相关的测试参数低于相关的测试参数阈值时,输出寿命预测模型;
S306:根据寿命预测模型以及关联工作参数之间的拓扑关系图预测激光电源的子部件故障状态隶属度,并基于激光电源的子部件故障状态隶属度,根据激光电源的子部件故障状态隶属度进行排序,获取排序结果;
S308:获取排序结果中最大的故障状态隶属度作为激光电源的寿命预测的状态隶属度,并根据激光电源的寿命预测的状态隶属度生成激光电源的寿命预测值。
需要说明的是,根据寿命预测模型以及关联工作参数之间的拓扑关系图预测激光电源的子部件故障状态隶属度,如A部件的参数变化会引起B部件的参数变化,当A的状态异常时是会引起B部件的参数变化的,而B在预设时间之内都是正常的隶属度状态时(并未状态转移的迹象),仅仅只由于A所引起的,此时就会判定A是故障状态,而不是同时判断A部件和B部件是故障的。而独立工作的子部件则是根据状态值直接确定状态隶属度。而激光电源故障的原因往往是其中的一个零部件故障或者是多个零部件故障,通过根据激光电源的子部件故障状态隶属度进行排序,获取排序结果,从而获取排序结果中最大的故障状态隶属度作为激光电源的寿命预测的状态隶属度;其中,根据激光电源的寿命预测的状态隶属度生成激光电源的寿命预测值,例如从中故障状态到高故障状态之间的寿命时间即为激光电源的寿命预测值。
进一步地,在本方法中,基于激光电源的寿命预测值进行预警及生成相关的维修策略,具体包括:
通过大数据获取各异常数据之下的激光电源相关的维修策略,并构建维修策略知识图谱,将各异常数据之下的激光电源相关的维修策略输入到维修策略知识图谱中进行存储;
设置相关的寿命预测阈值,并判断激光电源的寿命预测值是否低于相关的寿命预测阈值,当激光电源的寿命预测值低于激光电源的寿命预测值时,获取激光电源的异常部件,并对激光电源的异常部件进行预警;
获取激光电源的异常部件的异常数据,将激光电源的异常部件的异常数据输入到维修策略知识图谱中进行数据匹配,获取当前激光电源的异常部件的异常数据对应的维修策略;
根据当前激光电源的异常部件的异常数据对应的维修策略生成相关的维修策略,并将相关的维修策略输出。
需要说明的是,通过本方法能够提供相关的维修策略给用户。
需要说明的是,本发明通过关联工作参数之间的拓扑关系图以及独立参数的样本数据来构建寿命预测的样本数据,能够提高激光电源的寿命预测系统的预测精度;另一方面,通过融合奇异值分解算法以及余弦度量法,能够降低寿命预测系统的计算复杂度以及提高寿命预测系统的预测精度。
需要说明的是,通过大数据获取各异常数据之下的激光电源相关的维修策略,并构建维修策略知识图谱,将各异常数据之下的激光电源相关的维修策略输入到维修策略知识图谱中进行存储,具体包括以下步骤:
通过大数据获取各异常数据之下的激光电源相关的维修策略,并引入注意力机制,通过所述注意力机制计算每一激光电源相关的维修策略的注意力分数,并随机选取一个注意力分数作为对比注意力分数;
引入欧式距离度量法,根据所述欧式距离度量计算激光电源相关的维修策略的注意力分数与对比注意力分数的欧式距离值,构建欧式距离排序表;
将所述马氏距离值输入到所述欧式距离排序表中排序,生成欧式距离排序结果,构建维修策略知识图谱,将所述维修策略知识图谱分为若干个存储空间;
根据所述欧式距离排序结果将每一激光电源相关的维修策略依次输入到所述存储空间中进行存储。
需要说明的是,通过本方法能够将相似的样本数据存储在相近的空间中,从而能够提高相关的维修策略的数据查询效率。
此外,本发明还可以包括以下步骤:
通过大数据获取影响激光电源寿命值的环境指标数据,并获取当前环境影响因子数据,引入层析分析法,通过所述层次分析法根据所述影响激光电源寿命值的环境指标数据以及当前环境影响因子数据计算出影响权重向量信息;
通过灰色关联分析法根据影响权重向量信息计算当前环境影响因子对于激光电源的寿命影响评价分数,判断所述当前环境影响因子对于激光电源的寿命影响评价分数是否大于所述预设激光电源的寿命影响评价分数阈值信息;
若所述当前环境影响因子对于激光电源的寿命影响评价分数大于所述预设激光电源的寿命影响评价分数阈值信息,则根据所述环境影响因子构建检索标签;
根据所述检索标签检索关于所述当前环境因子对于激光电源的寿命影响评价分数大于所述预设激光电源的寿命影响评价分数阈值信息的环境影响因子对应的环境调控方案,根据所述环境调控方案生成相关的维护建议。
需要说明的是,环境影响因子数据包括温度以及湿度,而温度以及湿度对于激光电源的寿命值会产生一定的影响,通过本方法能够生成相关的环境调控方案,以提供在不同环境工作的激光电源的环境调控方案或者建议,有利于设备的长期维护。
如图4所示,本发明第二方面提供了一种激光电源的寿命预测系统4,系统包括存储器41以及处理器62,存储器41中包括激光电源的寿命预测方法程序,激光电源的寿命预测方法程序被处理器62执行时,实现如下步骤:
获取激光电源的多源工作参数数据信息,并通过对激光电源的多源工作参数数据信息进行处理,获取关联工作参数之间的拓扑关系图以及独立参数的样本数据;
根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据,并对激光电源的寿命预测参数数据进行状态描述,获取寿命预测参数的状态值;
根据寿命预测参数的状态值构建激光电源的状态转移矩阵,并通过对激光电源的状态转移矩阵进行处理,获取处理后的状态转移矩阵,构建寿命预测模型;
根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值,并基于激光电源的寿命预测值进行预警及生成相关的维修策略。
进一步地,在本系统中,通过对激光电源的多源工作参数数据信息进行处理,获取关联工作参数之间的拓扑关系图以及独立参数的样本数据,具体包括:
获取激光电源的多源工作参数数据信息之间的影响关系,并根据影响关系对多源工作参数数据信息进行数据分类,获取具有关联影响关系的关联工作参数以及独立参数的样本数据;
基于关联工作参数之间的关联影响关系确定有向边描述,并引入图神经网络,通过图神经网络根据关联工作参数作为图节点,并确定图节点的空间位置关系;
根据图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图,并将关联工作参数之间的拓扑关系图以及独立参数的样本数据进行输出。
进一步地,在本系统中,根据寿命预测参数的状态值构建激光电源的状态转移矩阵,并通过对激光电源的状态转移矩阵进行处理,获取处理后的状态转移矩阵,构建寿命预测模型,具体包括:
引入奇异值分解算法,通过奇异值分解算法对激光电源的状态转移矩阵进行分解,生成特征向量按列组成的正交矩阵,根据特征向量按列组成的正交矩阵构建多维子空间;
获取多维子空间的特征向量信息,并引入余弦度量方法,并获取述多维子空间的特征向量信息中频率出现最高的特征向量信息,选取频率出现最高的特征向量信息作为比较向量;
通过余弦度量方法计算多维子空间的特征向量信息与比较向量之间的余弦值,并判断余弦值是否大于预设余弦阈值信息;
当余弦值大于预设余弦阈值信息时,将余弦值大于预设余弦阈值信息的特征向量剔除,生成剔除后的特征向量,并根据剔除后的特征向量进行矩阵重建,生成处理后的状态转移矩阵,基于深度学习网络构建寿命预测模型。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包括激光电源的寿命预测方法程序,激光电源的寿命预测方法程序被处理器执行时,实现任一项激光电源的寿命预测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元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,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献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)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。