天然气净化发泡预警模型训练方法、装置以及设备

摘要

本申请公开了天然气净化发泡预警模型训练方法、装置以及设备，涉及工业大数据技术领域，尤其涉及人工智能、深度学习领域。具体实现方案为：天然气净化发泡预警模型训练方法，包括：获取影响天然气发泡的第一数据；对所述第一数据进行采样获得第二数据；基于所述第一数据和第二数据进行计算得到统计变量；利用所述统计变量进行模型训练，获得训练后的天然气净化发泡预警模型。本公开将天然气净化厂塔内是否发泡进行提前预测，高效预警，避免高度依赖人工，减少漏判错判的情况，而且能够减少阻泡剂的使用，避免资源的浪费，提升整个净化厂的运营效率。

权利要求

1.一种天然气净化发泡预警模型训练方法，包括：

获取影响天然气发泡的第一数据；

对所述第一数据进行采样获得第二数据，包括：根据加入阻泡剂的第一时间点来确定采样获得第二数据的第二时间点；

其中，所述第二数据包括距离加入阻泡剂第二时间长度时间点时对第一数据采样获得的正样本、对加入阻泡剂的时间点的第一数据采样获得的正样本、对未发泡时间点采样第一数据获得的负样本；

确定所述加入阻泡剂的时间点对应的数据的变化趋势；

在所述加入阻泡剂的时间点对应的数据的变化趋势平稳时，舍弃所述第二数据中的所述对加入阻泡剂的时间点的第一数据采样获得的正样本；

在所述加入阻泡剂的时间点对应的数据的变化趋势出现异常波动时，保留所述第二数据中的所述对加入阻泡剂的时间点的第一数据采样获得的正样本；

基于所述第一数据和第二数据进行计算得到统计变量，包括：选取距离该第二数据第一时间长度的所述第一数据，计算在所述第一时间长度内的所述第一数据的统计变量，具体地：针对每个正样本和负样本，选取该正样本和负样本之前一定时间的第一数据，并计算第一数据在所述一定时间内的统计变量；

利用所述统计变量进行模型训练，获得训练后的天然气净化发泡预警模型。

2.根据权利要求1所述的方法，其中，所述第一数据包括：用于净化天然气的吸收塔的液位值、吸收塔液位调节‑设定值、吸收塔液位调节‑输出值、湿净化气H2S浓度值、产品气出口压力调节值、塔盘差压值、贫液进吸收塔前流量调节值、闪蒸汽吸收塔出口流量值。

3.一种天然气净化发泡预警方法，包括：

获取影响天然气发泡的第三数据；

将所述第三数据输入天然气净化发泡预警模型；

所述天然气净化发泡预警模型根据权利要求1 2的预警模型训练方法训练获得；

~

根据所述天然气净化发泡预警模型的输出，判断是否发出天然气发泡预警信息。

4.根据权利要求3所述的方法，其中，所述第三数据包括：用于净化天然气的吸收塔的液位值、吸收塔液位调节‑设定值、吸收塔液位调节‑输出值、湿净化气H2S浓度值、产品气出口压力调节值、塔盘差压值、贫液进吸收塔前流量调节值、闪蒸汽吸收塔出口流量值。

5.一种天然气净化发泡预警模型训练装置，包括：

第一获取单元：用于获取影响发泡的第一数据；

采样单元：用于对所述第一数据进行采样获得第二数据，包括：根据加入阻泡剂的第一时间点来确定采样获得第二数据的第二时间点；其中，所述第二数据包括距离加入阻泡剂第二时间长度时间点时对第一数据采样获得的正样本、对加入阻泡剂的时间点的第一数据采样获得的正样本、对未发泡时间点采样第一数据获得的负样本；确定所述加入阻泡剂的时间点对应的数据的变化趋势；在所述加入阻泡剂的时间点对应的数据的变化趋势平稳时，舍弃所述第二数据中的所述对加入阻泡剂的时间点的第一数据采样获得的正样本；在所述加入阻泡剂的时间点对应的数据的变化趋势出现异常波动时，保留所述第二数据中的所述对加入阻泡剂的时间点的第一数据采样获得的正样本；

统计单元：用于基于所述第一数据和第二数据进行计算得到统计变量，包括：选取距离该第二数据第一时间长度的所述第一数据，计算在所述第一时间长度内的所述第一数据的统计变量，具体地：针对每个正样本和负样本，选取该正样本和负样本之前一定时间的第一数据，并计算第一数据在所述一定时间内的统计变量；

训练单元：利用所述统计变量进行模型训练，获得训练后的天然气净化发泡预警模型。

6.根据权利要求5所述的装置，其中，所述第一数据包括：用于净化天然气的吸收塔的液位值、吸收塔液位调节‑设定值、吸收塔液位调节‑输出值、湿净化气H2S浓度值、产品气出口压力调节值、塔盘差压值、贫液进吸收塔前流量调节值、闪蒸汽吸收塔出口流量值。

7.一种天然气净化发泡预警装置，包括：

第二获取单元：用于获取影响天然气发泡的第三数据；

处理单元：用于将所述第三数据输入天然气净化发泡预警模型；所述天然气净化发泡预警模型根据权利要求1 2的预警模型训练方法训练获得；

~

预警单元：用于根据所述天然气净化发泡预警模型的输出，判断是否发出天然气发泡预警信息。

8.根据权利要求7所述的装置，其中，所述第三数据包括：用于净化天然气的吸收塔的液位值、吸收塔液位调节‑设定值、吸收塔液位调节‑输出值、湿净化气H2S浓度值、产品气出口压力调节值、塔盘差压值、贫液进吸收塔前流量调节值、闪蒸汽吸收塔出口流量值。

9.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1‑4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1‑4中任一项所述的方法。

说明书

天然气净化发泡预警模型训练方法、装置以及设备

技术领域

[0001] 本公开涉及工业大数据技术领域，尤其涉及人工智能、深度学习领域。

背景技术

[0002] 天然气净化厂发泡指的是在对天然气进行净化的流程中，吸收塔和再生塔里产生的发泡现象，塔内一旦出现发泡，会增加塔内阻力影响天然气的上下流动，造成净化气中的硫未能及时脱除，降低脱硫效率，甚至湿净化器含硫量超标；另外如果发泡严重，需要喷入阻泡剂，调整贫液流量，调整原料气处理流量，造成一系列参数波动，大大增加操作员的工作量。

发明内容

[0003] 本公开提供了一种用于提高预警效率的天然气净化厂工艺发泡预警方法、装置、设备以及存储介质。

[0004] 根据本公开的一方面，提供了一种天然气净化发泡预警模型训练方法，包括：

[0005] 获取影响天然气发泡的第一数据；

[0006] 对所述第一数据进行采样获得第二数据；

[0007] 基于所述第一数据和第二数据进行计算得到统计变量；

[0008] 利用所述统计变量进行模型训练，获得训练后的天然气净化发泡预警模型。

[0009] 根据本公开的另一方面，提供一种天然气净化发泡预警方法，包括：

[0010] 获取影响天然气发泡的第三数据；

[0011] 将所述第三数据输入天然气净化发泡预警模型；

[0012] 所述天然气净化发泡预警模型根据上述技术方案中的预警模型训练方法训练获得；

[0013] 根据所述天然气净化发泡预警模型的输出，判断是否发出天然气发泡预警信息。

[0014] 根据本公开的第三方面，提供了一种天然气净化发泡预警模型训练装置，包括：

[0015] 第一获取单元：用于获取影响发泡的第一数据；

[0016] 采样单元：用于对所述第一数据进行采样获得第二数据；

[0017] 统计单元：用于基于所述第一数据和第二数据进行计算得到统计变量；

[0018] 训练单元：利用所述统计变量进行模型训练，获得训练后的天然气净化发泡预警模型。

[0019] 根据本公开的第四方面，还提供一种天然气净化发泡预警装置，包括：

[0020] 第二获取单元：用于获取影响天然气发泡的第三数据；

[0021] 处理单元：用于将所述第三数据输入天然气净化发泡预警模型；

[0022] 所述天然气净化发泡预警模型根据上述技术方案中的预警模型训练方法训练获得

[0023] 预警单元：用于根据所述天然气净化发泡预警模型的输出，判断是否发出天然气发泡预警信息。

[0024] 根据本公开的第五方面，还提供一种电子设备，包括：

[0025] 至少一个处理器；以及

[0026] 与所述至少一个处理器通信连接的存储器；其中，

[0027] 所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述技术方案中任一项所述的方法。

[0028] 根据本公开的第六方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述技术方案中任一项所述的方法。

[0029] 根据本公开的第七方面，还提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述技术方案中任一项所述的方法。

[0030] 应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

[0031] 附图用于更好地理解本方案，不构成对本公开的限定。其中：

[0032] 图1是根据本公开天然气净化发泡预警模型训练方法的示意图；

[0033] 图2是根据本公开天然气净化发泡预警方法的示意图；

[0034] 图3是根据本公开天然气净化发泡预警模型训练装置的示意图；

[0035] 图4是根据本公开天然气净化发泡预警装置的示意图；

[0036] 图5是用来实现本公开实施例的天然气净化发泡预警方法的电子设备的框图；

[0037] 附图标记说明：

[0038] 3 天然气净化发泡预警模型训练装置

[0039] 301 第一获取单元； 302 采样单元；

[0040] 303 统计单元； 304 训练单元；

[0041] 4 天然气净化发泡预警装置

[0042] 401 第二获取单元 402 处理单元

[0043] 403 预警单元

[0044] 500 电子设备 501 计算单元

[0045] 502 只读存储器 503 随机访问存储器

[0046] 504 总线 505 I/O接口

[0047] 506 输入单元 507 输出单元

[0048] 508 存储单元 509 通信单元

具体实施方式

[0049] 以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

[0050] 从天然气井口来的天然气是一种多组分的混合气体，主要成分是炕炬，其中甲炕占绝大多数，另有少量的乙炕、丙炕和丁炕，此外一般还含有硫化氢、有机硫、二氧化碳、氮和水气，微量的惰性气体，如氮和氧等，以及固体微粒杂质及C4及以上的重炬。气泡是由溶液中的气体分子与液体分子相互碰撞，进行能量交换，使相邻气体分子发生聚合，并克服液体的表面张力而形成的。由于气体密度比液体低，气体快速上浮至液面，并受液膜作用而聚结，形成泡沫。本公开的技术方案就是为了解决发泡过程由具有经验的技术人员随时监控发泡，造成的人力资源浪费，以及预警发泡不准确情况的出现。

[0051] 天然气净化的工艺流程为：首先天然气从吸收塔底部进入，脱硫剂从吸收塔顶部喷淋，完成天然气脱硫：吸附了琉化氢的膜琉液进入净化系统，去除脆琉液中的杂质：经净化后的脱硫液进入再生塔，进行高温税硫，然后再进入口及收塔循环利用。

[0052] 如图1所示，一种天然气净化发泡预警模型训练方法，包括：

[0053] S101：获取影响发泡的第一数据；在工况实际情况下，可以安装各种传感器和检测器，用于获取影响发泡的各种数据。

[0054] S102：对所述第一数据进行采样获得第二数据；传感器和检测器会获取很多数据，不是所有时间点的数据都用于分析和处理。需要采集和发泡密切相关的数据。其中，首要重要的数据就是加入阻泡剂的时间点的数据，以及加入阻泡剂的时间点附近的数据。另外，还必须获取所述净化过程中，并未加入阻泡剂的时间点的数据，用于比较。加入阻泡剂的时间点的数据称为正样本，所述未加入阻泡剂的时间点的数据称为负样本。上述正样本、负样本即是第二数据。

[0055] S103：基于所述第一数据和第二数据进行计算得到统计变量；针对第一数据和第二数据得到的样本信息，构造正、负样本对应的特征，即针对每个正样本或负样本，选取该正样本或负样本之前一定时间的第一数据，并计算第一数据在所述一定时间内的统计变量。通常，该所述一定时间范围比较小，仅仅在5～10分钟以内的时间。超出这个时间范围，则数据不准确，也无实际意义了。

[0056] S104：利用所述统计变量进行模型训练，获得训练后的天然气净化发泡预警模型。

[0057] 所述第一数据包括：用于净化天然气的吸收塔的液位值、吸收塔液位调节‑设定值、吸收塔液位调节‑输出值、湿净化气H2S浓度值、产品气出口压力调节值、塔盘差压值、贫液进吸收塔前流量调节值、闪蒸汽吸收塔出口流量值。上述第一数据都是通过传感器或检测器实时采集的数据，通过设置在吸收塔内、外的传感器获得。

[0058] 所述对所述第一数据进行采样获得第二数据，包括：根据加入阻泡剂的第一时间点来确定采样获得第二数据的第二时间点。阻泡剂用于在可能发泡，或者已经发泡的情况下，阻止继续发泡情况的出现。

[0059] 所述基于所述第一数据和第二数据进行计算得到统计变量，包括：选取距离该第二数据第一时间长度的所述第一数据，计算在所述第一时间长度内的所述第一数据的统计变量。所述统计变量包括：最大值、最小值、平均值、中位数、方差、标准差等。所述第一时间长度为5分钟左右。该所述第一时间长度过长或过短都不利于数据的处理和结果的获得。

[0060] 所述第二数据包括：距离加入阻泡剂第二时间长度时间点时，对第一数据采样获得的正样本；以及，对未发泡时间点采样第一数据获得的负样本。该所述第二时间长度为5分钟左右。该所述第二时间长度过长或过短都不利于数据的处理和结果的获得。

[0061] 所述利用所述统计变量进行模型训练，包括：利用神经网络或机器学习模型模型进行训练。

[0062] 所述神经网络模型包括：DNN模型；所述机器学习模型包括：XGB、LGB模型。利用XGB、LGB、DNN模型进行训练。XGB即是XGBoost，LGB即是LightGBM，DNN即是Deep Neural Networks深度神经网络。可以采用其中的一个模型，也可以多个模型一起进行训练。上述XGB、LGB、DNN均属于现有技术，在此就不赘述了。操作员在认为发泡的时候会添加阻泡剂，这个时间点认为是正样本，但操作员可能会操作错误；分析一下操作员添加阻泡剂时上述这些第二数据的趋势，如果都比较平稳，那么可以认为操作员操作不当，则不把该时刻认为是正样本，该时间点的数据不参与模型训练，免得影响效果。如果上述第二数据的趋势出现了巨大的波动，那么可以认为操作员操作正当，该时刻数据认为是正样本，可以参与模型训练。

[0063] 如图2所示，根据本公开的第二方面，还提供一种天然气净化发泡预警方法，包括：

[0064] S201：获取影响天然气发泡的第三数据；

[0065] S202：将所述第三数据输入天然气净化发泡预警模型；所述天然气净化发泡预警模型根据上述技术方案中的预警模型训练方法训练获得；

[0066] S203：根据所述天然气净化发泡预警模型的输出，判断是否发出天然气发泡预警信息。

[0067] 如图3所示，根据本公开的第三方面，还提供一种天然气净化发泡预警模型训练装置，包括：

[0068] 第一获取单元301：用于获取影响发泡的第一数据；

[0069] 采样单元302：用于对所述第一数据进行采样获得第二数据；

[0070] 统计单元303：用于基于所述第一数据和第二数据进行计算得到统计变量；

[0071] 训练单元304：利用所述统计变量进行模型训练，获得训练后的天然气净化发泡预警模型。

[0072] 所述第一数据包括：

[0073] 用于净化天然气的吸收塔的液位值、吸收塔液位调节‑设定值、吸收塔液位调节‑输出值、湿净化气H2S浓度值、产品气出口压力调节值、塔盘差压值、贫液进吸收塔前流量调节值、闪蒸汽吸收塔出口流量值。

[0074] 所述对所述第一数据进行采样获得第二数据，包括：根据加入阻泡剂的第一时间点来确定采样获得第二数据的第二时间点。

[0075] 所述基于所述第一数据和第二数据进行计算得到统计变量，包括：选取距离该第二数据第一时间长度的所述第一数据，计算在所述第一时间长度内的所述第一数据的统计变量。

[0076] 所述第二数据包括：距离加入阻泡剂第二时间长度时间点时，对第一数据采样获得的正样本；以及，对未发泡时间点采样第一数据获得的负样本。

[0077] 所述利用所述统计变量进行模型训练，包括：利用神经网络模型或机器学习模型进行训练。

[0078] 所述神经网络模型包括：DNN模型；所述机器学习模型包括：XGB、LGB模型。

[0079] 如图4所示，根据本公开的第四方面，还提供一种天然气净化发泡预警装置，包括：

[0080] 第二获取单元401：用于获取影响天然气发泡的第三数据；

[0081] 处理单元402：用于将所述第三数据输入天然气净化发泡预警模型；所述天然气净化发泡预警模型根据权利要求1～5的预警模型训练方法训练获得；

[0082] 预警单元403：用于根据所述天然气净化发泡预警模型的输出，判断是否发出天然气发泡预警信息。

[0083] 所述第三数据包括：用于净化天然气的吸收塔的液位值、吸收塔液位调节‑设定值、吸收塔液位调节‑输出值、湿净化气H2S浓度值、产品气出口压力调节值、塔盘差压值、贫液进吸收塔前流量调节值、闪蒸汽吸收塔出口流量值。

[0084] 根据本公开的第五方面，还提供一种电子设备，包括：

[0085] 至少一个处理器；以及

[0086] 与所述至少一个处理器通信连接的存储器；其中，

[0087] 所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述技术方案中任一项所述的方法。

[0088] 根据本公开的第六方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述技术方案中任一项所述的方法。

[0089] 根据本公开的第七方面，还提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述技术方案中任一项所述的方法。

[0090] 本发明提出了一种天然气净化发泡的预警方法，通过实时提取关键特征，利用模型高效精准的对发泡现象进行预测，提前通知操作人员进行操作调整，降低因发泡引起的生产波动，减轻工作人员劳动强度，通过发泡早期的处理，进一步节约能耗，减少阻泡剂使用量；即能提前发现发泡现象，又能减少操作，并且达到节能减排的目的。应用该发明的产品或项目：各个天然气净化厂。

[0091] 根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

[0092] 如图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

[0093] 如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

[0094] 设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

[0095] 计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如一种天然气净化厂工艺发泡预警方法。例如，在一些实施例中，一种天然气净化发泡预警模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的一种天然气净化发泡预警模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种天然气净化发泡预警模型训练方法。

[0096] 本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

[0097] 用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

[0098] 在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD‑ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

[0099] 为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

[0100] 可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

[0101] 计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端‑服务器关系的计算机程序来产生客户端和服务器的关系。

[0102] 应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

[0103] 上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。