一种瓦温预警的方法、装置和电子设备

摘要

本发明实施例公开了一种瓦温预警的方法、装置和电子设备。本发明实施例通过获取影响因子数据，其中，所述影响因子数据为影响瓦轴温度的各个因子对应的数据；将所述影响因子数据输入到预先训练的深度学习神经网络模型中，输出瓦温预测值；根据至少一组所述瓦温预测值进行预警。通过上述方法，可以有效的对瓦温进行预警，保证水电设备的正常运行。

权利要求

1.一种瓦温预警的方法，其特征在于，该方法包括：获取影响因子数据，其中，所述影响因子数据为影响瓦轴温度的各个因子对应的数据；

将所述影响因子数据输入到预先训练的深度学习神经网络模型中，输出瓦温预测值；

根据至少一组所述瓦温预测值进行预警。

2.如权利要求1所述的方法，其特征在于，所述根据至少一组所述瓦温预测值进行预警，具体包括：响应于所述瓦温预测值大于或等于第一阈值，则进行高度预警。

3.如权利要求1所述的方法，其特征在于，所述根据至少一组所述瓦温预测值进行预警，具体包括：响应于所述瓦温预测值小于第一阈值且大于或等于第二阈值，则确定后续至少一组所述瓦温预测值；

响应于后续至少一组所述瓦温预测值小于第一阈值且大于或等于第二阈值，则进行中度预警。

4.如权利要求1所述的方法，其特征在于，所述根据至少一组所述瓦温预测值进行预警，具体包括：响应于所述瓦温预测值小于第二阈值且大于或等于第三阈值，则确定后续至少一组所述瓦温预测值；

响应于所述后续至少一组所述瓦温预测值小于第二阈值且大于或等于第三阈值，则进行轻度预警。

5.如权利要求1所述的方法，其特征在于，所述深度学习神经网络模型为长短时记忆网络模型。

6.如权利要求1所述的方法，其特征在于，所述影响瓦轴温度的各个因子为下导轴承X向摆度、有功测值、推力下导进水电磁流量、推力轴承油槽温度中至少一项或多项。

7.如权利要求1所述的方法，其特征在于，所述深度学习神经网络模型的训练过程包括：获取历史数据，其中，所述历史数据包括影响瓦轴温度的各个因子的历史数据以历史瓦温数据；

根据所述历史数据训练所述深度学习神经网络模型。

8.一种瓦温预警的装置，其特征在于，该装置包括：获取单元，用于获取影响因子数据，其中，所述影响因子数据为影响瓦轴温度的各个因子对应的数据；

处理单元，用于将所述影响因子数据输入到预先训练的深度学习神经网络模型中，输出瓦温预测值；

预警单元，用于根据至少一组所述瓦温预测值进行预警。

9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1‑7中任一项所述的方法。

10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1‑7任一项所述的方法。

说明书

一种瓦温预警的方法、装置和电子设备

技术领域

[0001] 本发明涉及水力发电技术领域，具体涉及一种瓦温预警的方法、装置和电子设备。

背景技术

[0002] 水电是一种清洁能源，可再生、无污染、运行费用低，且运行调度灵活，因此，水电成为我国能源结构的重要组成部分，近年来我国水电装机容量迅速增长，水力发电机组增多，在水电站的水力发电机组中，轴瓦发挥着至关重要的作用，机组轴瓦温度异常升高导致烧瓦事故，进而影响机组正常运行。

[0003] 现有技术中，在水电站设置了在线监测装置，用于监测轴瓦的实际温度，当轴瓦温度达到预设阈值时，会进行预警，但是现有技术的方法只是单一对温度进行预警，例如，利用温度传感器测量轴瓦表面的温度，难以有效的进行全方位故障分析和诊断，并且，当实际的轴瓦温度达到预设阈值，工作人员收到预警后再去排除风险可能已经比较晚了，还是会发生烧瓦事故。

[0004] 综上所述，如何有效的对瓦温进行预警，保证水电设备的正常运行，是目前需要解决的问题。

发明内容

[0005] 有鉴于此，本发明实施例提供了一种瓦温预警的方法、装置和电子设备，可以有效的对瓦温进行预警，保证水电设备的正常运行。

[0006] 第一方面，本发明实施例提供了一种瓦温预警的方法，该方法包括：获取影响因子数据，其中，所述影响因子数据为影响瓦轴温度的各个因子对应的数据；将所述影响因子数据输入到预先训练的深度学习神经网络模型中，输出瓦温预测值；根据至少一组所述瓦温预测值进行预警。

[0007] 可选的，所述根据至少一组所述瓦温预测值进行预警，具体包括：

[0008] 响应于所述瓦温预测值大于或等于第一阈值，则进行高度预警。

[0009] 可选的，所述根据至少一组所述瓦温预测值进行预警，具体包括：

[0010] 响应于所述瓦温预测值小于第一阈值且大于或等于第二阈值，则确定后续至少一组所述瓦温预测值；

[0011] 响应于后续至少一组所述瓦温预测值小于第一阈值且大于或等于第二阈值，则进行中度预警。

[0012] 可选的，所述根据至少一组所述瓦温预测值进行预警，具体包括：

[0013] 响应于所述瓦温预测值小于第二阈值且大于或等于第三阈值，则确定后续至少一组所述瓦温预测值；

[0014] 响应于所述后续至少一组所述瓦温预测值小于第二阈值且大于或等于第三阈值，则进行轻度预警。

[0015] 可选的，所述深度学习神经网络模型为长短时记忆网络模型。

[0016] 可选的，所述影响瓦轴温度的各个因子为下导轴承X向摆度、有功测值、推力下导进水电磁流量、推力轴承油槽温度中至少一项或多项。

[0017] 可选的，所述深度学习神经网络模型的训练过程包括：

[0018] 获取历史数据，其中，所述历史数据包括影响瓦轴温度的各个因子的历史数据以历史瓦温数据；

[0019] 根据所述历史数据训练所述深度学习神经网络模型。

[0020] 第二方面，本发明实施例提供了一种瓦温预警的装置，该装置包括：

[0021] 获取单元，用于获取影响因子数据，其中，所述影响因子数据为影响瓦轴温度的各个因子对应的数据；

[0022] 处理单元，用于将所述影响因子数据输入到预先训练的深度学习神经网络模型中，输出瓦温预测值；

[0023] 预警单元，用于根据至少一组所述瓦温预测值进行预警。

[0024] 可选的，所述预警单元具体用于：

[0025] 响应于所述瓦温预测值大于或等于第一阈值，则进行高度预警。

[0026] 可选的，所述预警单元具体用于：

[0027] 响应于所述瓦温预测值小于第一阈值且大于或等于第二阈值，则确定后续至少一组所述瓦温预测值；

[0028] 响应于后续至少一组所述瓦温预测值小于第一阈值且大于或等于第二阈值，则进行中度预警。

[0029] 可选的，所述预警单元具体用于：

[0030] 响应于所述瓦温预测值小于第二阈值且大于或等于第三阈值，则确定后续至少一组所述瓦温预测值；

[0031] 响应于所述后续至少一组所述瓦温预测值小于第二阈值且大于或等于第三阈值，则进行轻度预警。

[0032] 可选的，所述深度学习神经网络模型为长短时记忆网络模型。

[0033] 可选的，所述影响瓦轴温度的各个因子为下导轴承X向摆度、有功测值、推力下导进水电磁流量、推力轴承油槽温度中至少一项或多项。

[0034] 可选的，所述深度学习神经网络模型的训练过程包括：

[0035] 获取历史数据，其中，所述历史数据包括影响瓦轴温度的各个因子的历史数据以历史瓦温数据；

[0036] 根据所述历史数据训练所述深度学习神经网络模型。

[0037] 第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如第一方面或第一方面任一种可能中任一项所述的方法。

[0038] 第四方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面或第一方面任一种可能中任一项所述的方法。

[0039] 本发明实施例通过获取影响因子数据，其中，所述影响因子数据为影响瓦轴温度的各个因子对应的数据；将所述影响因子数据输入到预先训练的深度学习神经网络模型中，输出瓦温预测值；根据至少一组所述瓦温预测值进行预警。通过上述方法，可以有效的对瓦温进行预警，保证水电设备的正常运行。

附图说明

[0040] 通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

[0041] 图1是本发明实施例的一种瓦温预警的方法流程图；

[0042] 图2是本发明实施例的另一种瓦温预警的方法流程图；

[0043] 图3是本发明实施例的一种深度学习神经网络模型的训练过程示意图；

[0044] 图4是本发明实施例的一种长短时记忆网络结构示意图；

[0045] 图5是本发明实施例的一种瓦温预警的装置示意图；

[0046] 图6是本发明实施例的电子设备的示意图。

具体实施方式

[0047] 以下基于实施例对本发明公开进行描述，但是本发明公开并不仅仅限于这些实施例。在下文对本发明公开的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明公开。为了避免混淆本发明公开的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

[0048] 此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

[0049] 除非上下文明确要求，否则整个申请文件中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

[0050] 在本发明公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。

[0051] 现有技术中，在水电站设置了在线监测装置，用于监测轴瓦的实际温度，当轴瓦温度达到预设阈值时，会进行预警，但是现有技术的方法只是单一对温度进行预警，例如，利用温度传感器测量轴瓦表面的温度，难以有效的进行全方位故障分析和诊断，并且，当实际的轴瓦温度达到预设阈值，工作人员收到预警后再去排除风险可能已经比较晚了，还是会发生烧瓦事故。因此，如何有效的对瓦温进行预警，保证水电设备的正常运行，是目前需要解决的问题。

[0052] 本发明实施例中，图1是本发明实施例的一种瓦温预警的方法流程图。如图1所示，具体包括如下步骤：

[0053] 步骤S100、获取影响因子数据，其中，所述影响因子数据为影响瓦轴温度的各个因子对应的数据。

[0054] 具体的，所述影响瓦轴温度的各个因子为下导轴承X向摆度、有功测值、推力下导进水电磁流量、推力轴承油槽温度中至少一项或多项。

[0055] 在一种可能的实现方式中，所述影响瓦轴温度的因子还可以为其他因子，本发明仅仅为示例性说明，具体对其不做限定。

[0056] 步骤S101、将所述影响因子数据输入到预先训练的深度学习神经网络模型中，输出瓦温预测值。

[0057] 具体的，所述深度学习神经网络模型为长短时记忆网络(Long  Short Term Memory，LSTM)模型。

[0058] 步骤S102、根据至少一组所述瓦温预测值进行预警。

[0059] 具体的，所述根据至少一组所述瓦温预测值进行预警，具体包括多种情况，分别如下：

[0060] 情况一、响应于所述瓦温预测值大于或等于第一阈值，则进行高度预警。

[0061] 举例说明，假设预警程度分为高度预警、中度预警和轻度预警，每个预警程度对应设定的温度范围，若第一阈值为60度，则当所述瓦温预测值为63度，大于所述第一阈值，则进行高度预警，所述高度预警可以通过声音或颜色等方式提示用户，例如，当出现高度预警时在监测设备的显示屏幕上显示红色提示用户。

[0062] 情况二、响应于所述瓦温预测值小于第一阈值且大于或等于第二阈值，则确定后续至少一组所述瓦温预测值；响应于后续至少一组所述瓦温预测值小于第一阈值且大于或等于第二阈值，则进行中度预警。

[0063] 举例说明，假设第二阈值为50度，则当所述瓦温预测值为53度，大于所述第二阈值，且小于第一阈值；则续预测下一个瓦温预测值，其中，所述下一个瓦温预测值与当前瓦温预测值之间的实际间隔为5分钟，所述时间间隔也是获取影响因子数据的时间间隔，也可以称为步长，其中，所述5分钟为示例性的，具体根据实际情况调节，获取到下一个瓦温预测值为54度，也大于所述第二阈值，且小于第一阈值，则进行中度预警，所述高度预警可以通过声音或颜色等方式提示用户，例如，当出现中度预警时在监测设备的显示屏幕上显示橙色提示用户。

[0064] 在一种可能的实现方式中，也可以连续三次判断瓦温预测值小于第一阈值且大于或等于第二阈值才进行中度预警，也可以为多次，本发明实施例对其不做限定。

[0065] 本发明实施例中，考虑到实际机组现场可能需要对轴瓦温度建立超短时、短时、长时等各种时间尺度下的预警机制，本发明将瓦温实际数据的采样时间间隔视为一个步长。

[0066] 情况三、响应于所述瓦温预测值小于第二阈值且大于或等于第三阈值，则确定后续至少一组所述瓦温预测值；响应于所述后续至少一组所述瓦温预测值小于第二阈值且大于或等于第三阈值，则进行轻度预警。

[0067] 举例说明，假设第三阈值为40度，则当所述瓦温预测值为42度，大于所述第三阈值，且小于第二阈值；则续预测下一个瓦温预测值，其中，所述下一个瓦温预测值与当前瓦温预测值之间的实际间隔为5分钟，所述时间间隔也是获取影响因子数据的时间间隔，也可以称为步长，其中，所述5分钟为示例性的，具体根据实际情况调节，获取到下一个瓦温预测值为42度，也大于所述第三阈值，且小于第二阈值，则进行轻度预警，所述轻度预警可以通过声音或颜色等方式提示用户，例如，当出现轻度预警时在监测设备的显示屏幕上显示黄色提示用户。

[0068] 在一种可能的实现方式中，也可以连续五次判断瓦温预测值小于第二阈值且大于或等于第三阈值才进行轻度预警，也可以为多次，本发明实施例对其不做限定。

[0069] 情况四、当预测温度从轻度预警上升为中度预警时，温度呈上升趋势，应按照中度预警规则进行后续判断；或者，当预测温度从中度预警降低为轻度预警，温度呈下降趋势，应按照轻度预警规则进行后续判断。

[0070] 本发明实施例中，有效的对瓦温值进行预测，系统可以按照预先设定的预警策略发出实时告警，能够让现场监控值班人员及时发现问题，并尽早加以处理，确保水电机组运行的安全，提高运行人员对设备缺陷的预见性和识别能力。

[0071] 在一种可能的实现方式中，在步骤S101之后，该方法还包括如下步骤，具体如图2所示，图2是本发明实施例的一种瓦温预警的方法流程图，具体包括如下步骤：

[0072] 步骤S103、存储所述瓦温预测值。

[0073] 在一种可能的实现方式中，所述瓦温预测值实时存储于时序数据库中，可以提供相应的曲线图表，方便用户实时观察相关设备温度的实际采样值与预测值之间的差距，并且方便用户进行机组长期运行状态变化趋势的预测，而当出现故障时，实时数据模块将输出包括故障发生前后一段时间内的连续数据信息存储至事件数据模块，用于对故障事件的后续分析，同时故障数据模块也将存储来至于故障诊断分析系统针对事件的分析结果，用于后续查询和事件回顾。

[0074] 本发明实施例中，所述深度学习神经网络模型的训练过程如图3所示，具体包括如下步骤：

[0075] 步骤S300、获取历史数据，其中，所述历史数据包括影响瓦轴温度的各个因子的历史数据以历史瓦温数据。

[0076] 具体的，获取到所述历史数据后，按照时间序列构建数据集，然后对所述数据集进行划分，划分为训练集和测试集，所述训练集用于训练深度学习神经网络模型，所述测试集用于测试深度学习神经网络模型性能，所述训练集和所述测试集的划分比例按照预先设置的参数进行设置，所述参数的大小可在0～1之间，例如，选取的训练集划分比例为0.7，即将历史运行数据量的70％划分为训练集，另外30％划分为测试集；并对所述历史数据进行预处理，所述预处理可以为数据清洗，数据清洗之后，为了将数据转化为深度学习神经网络可以处理的有效数据，进一步对数据进行了归一化处理，由于影响瓦轴温度的各个因子的历史数据包含许多不同的类型，具有不同的数据尺度，因此需要对多源异构数据进行标准化处理。

[0077] 本发明实施例中，选用MinMaxScaler方法对数据进行归一化处理，具体的数学表达式如下：

[0078]

[0079] 其中，所述xmax代表输入数据中的最大值，xmin代表输入数据中的最小值，X是标准化后的结果，范围在0到1之间。

[0080] 步骤S301、根据所述历史数据训练所述深度学习神经网络模型。

[0081] 具体的，所述深度学习神经网络模型为长短时记忆网络模型，所述长短时记忆网络的结构如图4所示，所述LSTM通过精心设计的被称为“门”的结构来去除或者增加信息到细胞状态中。门是一种决定信息是否通过的方法，包含一个Sigmoid神经网络层和一个按位的乘法操作。其中，Sigmoid函数的数学公式如下：

[0082]

[0083] 其中，所述x表示输入，所述Sigmoid函数的输出值y是一个0到1之间的数值，0代表“不许任何量通过”，1就指“允许任意量通过”。所述LSTM拥有三个门，即输入门、遗忘门和输出门，用于保护和控制细胞状态。

[0084] 所述遗忘门会读取细胞上一时刻的输出值ht‑1和当前时刻的输入值xt，输出一个在0到1之间的数值ft给细胞状态Ct‑1。

[0085] ft＝σ(Wf[ht‑1，xt]+bf)

[0086] 所述ht‑1是t‑1时刻的输出，所述xt为t时刻的输入，所述Wf是遗忘门的权重，所述bf是遗忘门的偏置向量，所述σ是Sigmoid激活函数，遗忘门主要用来记忆上个单元中有用的信息，丢弃没用的信息。

[0087] 所述输入门用于更新细胞信息，主要将输入信息选择性地记录在记忆单元中，传向下一级，所述输入门的计算公式如下：

[0088] It＝σ(Wi[ht‑1，xt]+bi)

[0089] 其中，Wi是输入门的权重矩阵，bi是输入门的偏置向量。

[0090] 当前输入单元状态的计算公式如下：

[0091]

[0092] 其中，所述 为t时刻输入单元状态的值，所述Wc是输入单元的权重矩阵，所述bc是输入单元的偏置向量；

[0093] 当前时刻单元状态的计算公式如下：

[0094] ct＝ft*ct‑1+i*ct

[0095] 其中，*表示元素相乘。

[0096] 所述输出门的计算公式如下：

[0097] ot＝σ(Wo[ht‑1，xt]+bo)

[0098] 其中，W是输出门的权重矩阵，bo是输出门的偏置向量。

[0099] 最后，LSTM最终的输出计算公式如下：

[0100] ht＝ot*tanh(ct)

[0101] 其中，输出结果由输出门和单元状态决定，最终将结构传到下一级。

[0102] 在一种可能的实现方式中，训练所述长短时记忆网络模型时还需要考虑损失函数和正则化项，其中，所述损失函数通常选择为均方误差损失：

[0103]

[0104] 或者，选取交叉熵损失函数：

[0105]

[0106] 其中，所述Θ表示所述LSTM的参数集合，所述 是网络的期望输出值。

[0107] 所述正则化项用于防止神经网络过度拟合，具体如下：

[0108] L(Θ)＝J(Θ)+λ(‖Wf‖2+‖Wi‖2+‖Wc‖2+‖Wo‖2)

[0109] 其中，所述λ是正则化参数，所述Wf、所述Wi、所述Wc和所述Wo分别为遗忘门权重、输入门权重、输入单元状态权重和输出门权重。

[0110] 本发明实施例中，通过瓦温预测值，可以提前对轴瓦温度进行预测，用户可以根据所述瓦温预测值提前对出现的状况进行预处理，并且，由于预测所述瓦温预测值的长短时记忆网络模型涉及到几个重要的影响瓦轴温度的因子，因此，所述瓦温预测值可以有效的辅助人工进行全方位故障分析和诊断，对水电机组的故障进行故障诊断，有效的规避常规风险，从而保障水电厂的安全稳定运行。

[0111] 图5是本发明实施例的一种瓦温预警的装置示意图。如图5所示，本实施例的装置包括获取单元501、处理单元502和预警单元503。

[0112] 其中，所述获取单元501，用于获取影响因子数据，其中，所述影响因子数据为影响瓦轴温度的各个因子对应的数据；所述处理单元502，用于将所述影响因子数据输入到预先训练的深度学习神经网络模型中，输出瓦温预测值；所述预警单元503，用于根据至少一组所述瓦温预测值进行预警。

[0113] 进一步地，所述预警单元具体用于：

[0114] 响应于所述瓦温预测值大于或等于第一阈值，则进行高度预警。

[0115] 进一步地，所述预警单元具体用于：

[0116] 响应于所述瓦温预测值小于第一阈值且大于或等于第二阈值，则确定后续至少一组所述瓦温预测值；

[0117] 响应于后续至少一组所述瓦温预测值小于第一阈值且大于或等于第二阈值，则进行中度预警。

[0118] 进一步地，所述预警单元具体用于：

[0119] 响应于所述瓦温预测值小于第二阈值且大于或等于第三阈值，则确定后续至少一组所述瓦温预测值；

[0120] 响应于所述后续至少一组所述瓦温预测值小于第二阈值且大于或等于第三阈值，则进行轻度预警。

[0121] 进一步地，所述深度学习神经网络模型为长短时记忆网络模型。

[0122] 进一步地，所述影响瓦轴温度的各个因子为下导轴承X向摆度、有功测值、推力下导进水电磁流量、推力轴承油槽温度中至少一项或多项。

[0123] 进一步地，所述深度学习神经网络模型的训练过程包括：

[0124] 获取历史数据，其中，所述历史数据包括影响瓦轴温度的各个因子的历史数据以历史瓦温数据；

[0125] 根据所述历史数据训练所述深度学习神经网络模型。

[0126] 图6是本发明实施例的电子设备的示意图。如图6所示，图6所示的电子设备为瓦温预警的装置，其包括通用的计算机硬件结构，其至少包括处理器601和存储器602。处理器601和存储器602通过总线603连接。存储器602适于存储处理器601可执行的指令或程序。处理器601可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器601通过执行存储器602所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线603将上述多个组件连接在一起，同时将上述组件连接到显示控制器604和显示装置以及输入/输出(I/O)装置605。输入/输出(I/O)装置605可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置605通过输入/输出(I/O)控制器606与系统相连。

[0127] 其中，存储器602存储的指令被至少一个处理器601执行以实现：。

[0128] 具体地，该电子设备包括：一个或多个处理器601以及存储器602，图6以一个处理器601为例。处理器601、存储器602可以通过总线或者其他方式连接，图6中以通过总线连接为例。存储器602作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器601通过运行存储在存储器602中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述瓦温预警的方法。

[0129] 存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0130] 一个或者多个模块存储在存储器602中，当被一个或者多个处理器601执行时，执行上述任意方法实施例中的瓦温预警的方法。

[0131] 上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

[0132] 本发明的实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计机可读程序用于供计算机执行上述部分或全部的方法实施例。

[0133] 即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、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。

[0134] 本领域的普通技术人员可以理解，上述各实施例是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。