一种基于边缘计算单元的烘丝机动态调优控制方法及装置与流程

1.本技术涉及智能控制技术领域，具体而言，涉及一种基于边缘计算单元的烘丝机动态调优控制方法及装置。


背景技术：

2.烟丝含水率是影响香烟燃烧的吸入和感官质量的重要因素，也是制丝车间烘丝机最重要的工艺控制参数之一。目前多数烘丝机的含水量是基于传统plc控制器pid来进行控制的，由于烘丝机受干燥原理及烘干工艺限制，烟丝从进入口经前室、烘筒、后室的烘干流程，到出料口需要较长时间。这导致在干扰变量产生变化，进而导致出口含水量发生变化后，出口含水率与设定值偏差的闭环信号滞后严重，pid需要经过一段时间的调整才能将其恢复到稳态。可见，传统pid调节是一种滞后调节方法，必须在干扰变量变化导致出口含水量发生变化后才能做出反应，无法对出口含水量进行及时的调控，使得出口烟丝水分波动明显，不满足烘丝机含水率稳态控制要求。


技术实现要素：

3.为了解决上述问题，本技术实施例提供了一种基于边缘计算单元的烘丝机动态调优控制方法及装置。
4.第一方面，本技术实施例提供了一种基于边缘计算单元的烘丝机动态调优控制方法，所述方法包括：在烘丝机的历史运行数据中获取目标参数对应的目标数据，所述目标参数为影响烘丝机尾料出口含水量的烘丝机运行参数；基于所述目标数据与所述目标数据对应的历史出口含水量数据构建训练集，基于所述训练集训练并构建前馈神经网络模型；基于所述前馈神经网络模型搭建边缘计算单元，并基于所述边缘计算单元采集所述烘丝机中所述目标参数对应的实时数据；基于所述实时数据确定出口含水量预测值，并基于所述出口含水量预测值调整所述烘丝机的热风风量与排潮负压，用以使所述出口含水量预测值收敛至出口含水量预设值。
5.优选的，所述基于所述实时数据确定出口含水量预测值，包括：基于所述前馈神经网络模型生成预测表，所述预测表用以表征各所述目标参数在不同数值时对应的出口含水量预测值；基于所述预测表确定所述实时数据对应的出口含水量预测值。
6.优选的，所述边缘计算单元包括前馈神经网络模型、热备冗余cofep、硬件状态监控hsm、进程监控dac；所述热备冗余cofep用于通过心跳监控所述前馈神经网络模型、硬件状态监控hsm和进程监控dac的工作状态；
所述硬件状态监控hsm用于获取所述边缘计算单元的硬件信息和通讯状态数据；所述进程监控dac用于实时管理进程状态，并将所述进程状态作为心跳信息输出至所述热备冗余cofep。
7.优选的，所述边缘计算单元至少存在两个，且各所述边缘计算单元之间互为主备系统。
8.优选的，所述基于所述目标数据与所述目标数据对应的历史出口含水量数据构建训练集，基于所述训练集训练并构建前馈神经网络模型，包括：确定所述烘丝机的各工作模式，分别基于不同所述工作模式对应的所述目标数据与所述目标数据对应的历史出口含水量数据构建训练集；分别基于不同所述工作模式对应的所述训练集训练并构建各前馈神经网络模型。
9.优选的，所述方法还包括：基于所述实时数据计算出口含水量实际值，基于所述出口含水量实际值负反馈优化所述前馈神经网络模型。
10.第二方面，本技术实施例提供了一种基于边缘计算单元的烘丝机动态调优控制装置，所述装置包括：获取模块，用于在烘丝机的历史运行数据中获取目标参数对应的目标数据，所述目标参数为影响烘丝机尾料出口含水量的烘丝机运行参数；构建模块，用于基于所述目标数据与所述目标数据对应的历史出口含水量数据构建训练集，基于所述训练集训练并构建前馈神经网络模型；采集模块，用于基于所述前馈神经网络模型搭建边缘计算单元，并基于所述边缘计算单元采集所述烘丝机中所述目标参数对应的实时数据；调整模块，用于基于所述实时数据确定出口含水量预测值，并基于所述出口含水量预测值调整所述烘丝机的热风风量与排潮负压，用以使所述出口含水量预测值收敛至出口含水量预设值。
11.第三方面，本技术实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
12.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
13.本发明的有益效果为：通过构建前馈神经网络预测模型，实时动态预测出口含水量，在干扰因素变化引起出口含水量变化前参与pid控制，减少干扰因素对出口含水量的影响，满足烘丝机含水率稳态控制要求。
附图说明
14.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例中所需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技术的一些实施例，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他的附图。
15.图1为本技术实施例提供的一种基于边缘计算单元的烘丝机动态调优控制方法的
流程示意图；图2为本技术实施例提供的一种基于边缘计算单元的烘丝机动态调优控制装置的结构示意图；图3为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
16.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
17.在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本技术的多个实施例，不同实施例之间可以替换或者合并组合，因此本技术也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征a、b、c，另一个实施例包含特征b、d，那么本技术也应视为包括含有a、b、c、d的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
18.下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本技术内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
19.参见图1，图1是本技术实施例提供的一种基于边缘计算单元的烘丝机动态调优控制方法的流程示意图。在本技术实施例中，所述方法包括：s101、在烘丝机的历史运行数据中获取目标参数对应的目标数据，所述目标参数为影响烘丝机尾料出口含水量的烘丝机运行参数。
20.本技术的执行主体可以是云端服务器。
21.在本技术实施例中，云端服务器将会从烘丝机的历史运行数据中查询并获取到会影响烘丝机尾料出口含水量的相关运行参数所对应的目标数据，以此来作为后续进行前馈神经网络模型训练的样本。
22.s102、基于所述目标数据与所述目标数据对应的历史出口含水量数据构建训练集，基于所述训练集训练并构建前馈神经网络模型。
23.在本技术实施例中，从历史运行数据中除了能够获取到目标数据外，还能够得到传统pid后馈闭环控制过程所确定出的目标数据对应的历史出口含水量数据。将目标数据与历史出口含水量数据对应起来并构建作为训练集后，便能够根据训练集来训练构建前馈神经网络模型。
24.人工神经网络（ann）是20世纪40年代后出现的，它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织学习能力等特点，在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。尤其误差反向传播波算法可以逼近任意连续函数，具有很强的非线形映射能力。
25.前馈神经网络由多层神经元构成，层与层之间全连接，同层之间的神经元无连接。前馈神经网络的多层网络设计使得该算法能够从输入中挖掘更多的信息，完成更复杂的任
务。在项目中，只需要找出所有与烟丝出口含水量相关的参数，将其作为输入，通过误差反向传播算法进行学习训练，不断更新网络的权值和阈值，就能得到准确的预测模型。
26.具体而言，前馈神经网络模型的训练过程如下：输入：训练数据集。其中是特征向量，在烘丝机出口水分预测问题中分别是对出口水分造成影响的物理量，如：蒸汽压力、环境温度、出口水分预测值、筒壁温度，热风风量，排潮负压等。yi为运行过程中出口水分的实际值。将从plc地址表中得到的数据进行预处理，写成利于进行建模的形式。
27.输出：出口水分的预测值。
28.架构设计：神经网络的架构是指网络整体的结构：它应该具有多少个单元。以及这些单元应该如何连接。隐藏层第一层由下式给出：g(x)为激活函数，目的是为了使模型能解决非线性问题，w为权重矩阵，b为偏置。
29.根据万能近似定理：一个前馈神经网络如果具有线性输出层和至少一层具有任何一种“挤压”性质的激活函数，如sigmoid函数，只要给予足够数量的隐藏单元，它可以以任何精度来近似函数。
30.故在此需要考虑隐藏层层数和隐藏单元个数，该问题是一个非常活跃的研究领域，并且还没有许多明确的指导性理论原则。因此需要根据多层感知机建模的经验，之后需要通过对预测模型进行评估之后进行优化。
31.学习策略（反向传播算法+随机梯度下降算法）：当我们使用前馈网络接受输入x并产生输出时，信息通过网络向前流动。输入x提供初始信息，然后传播到每一层的隐藏单元，最终产生输出，这称为前向传播。在训练过程中，前向传播可以持续向前直到它产生一个标量代价函数。反向传播算法，允许来自代价函数的信息通过网络往后流动，以便计算梯度。如随机梯度下降，使用梯度进行学习。在学习算法中，我们最常需要的梯度是代价函数关于参数的梯度。计算出代价函数最小事的模型参数得到模型。
32.模型评估与模型选择：两种常用的模型选择方法是正则化和交叉验证，由于烘丝机运行数据量大，可以选择s折交叉验证法。可求出学习模型的泛化误差，泛化误差更小的模型具有更强的泛化能力。最后得到最优的模型，即得到权重矩阵w，和偏置矩阵b。
33.在一种可实施方式中，所述基于所述目标数据与所述目标数据对应的历史出口含水量数据构建训练集，基于所述训练集训练并构建前馈神经网络模型，包括：确定所述烘丝机的各工作模式，分别基于不同所述工作模式对应的所述目标数据与所述目标数据对应的历史出口含水量数据构建训练集；分别基于不同所述工作模式对应的所述训练集训练并构建各前馈神经网络模型。
34.在本技术实施例中，由于烘丝机存在多种工作模式，不同工作模式下所需要的进行计算的数据将不同，因此，将会根据烘丝机的各个工作模式来分别进行训练集的构建和模型的训练，以此来得到不同的前馈神经网络模型。实际工作中，将会根据烘丝机当前的工作模式来选择对应的前馈神经网络模型来进行预测。
35.在一种可实施方式中，所述方法还包括：基于所述实时数据计算出口含水量实际值，基于所述出口含水量实际值负反馈优化所述前馈神经网络模型。
36.在本技术实施例中，根据采集到的实时数据，还能够根据物体的脱水量计算公式计算出出口含水量实际值。通过出口含水量实际值与出口含水量预测值的比对，可以将出口含水量实际值传输回前馈神经网络模型来进行负反馈优化，进一步提高模型的精准度。
37.s103、基于所述前馈神经网络模型搭建边缘计算单元，并基于所述边缘计算单元采集所述烘丝机中所述目标参数对应的实时数据。
38.在本技术实施例中，为了产生更快的网络服务响应，满足烘丝机动态调优应用采集和算法低延时、高效率的要求，在烘丝机控制系统端采用集成网络、计算、应用于一体的开放平台，提供烘丝机实时数据采集，出口烟丝脱水量预测模型等业务的载体，将不会直接运用前馈神经网络模型来进行预测过程，而是将前馈神经网络模型作为一部分来搭建边缘计算单元，并通过边缘计算单元来采集烘丝机的实时数据，以便后续进行预测。
39.在一种可实施方式中，所述边缘计算单元包括前馈神经网络模型、热备冗余cofep、硬件状态监控hsm、进程监控dac；所述热备冗余cofep用于通过心跳监控所述前馈神经网络模型、硬件状态监控hsm和进程监控dac的工作状态；所述硬件状态监控hsm用于获取所述边缘计算单元的硬件信息和通讯状态数据；所述进程监控dac用于实时管理进程状态，并将所述进程状态作为心跳信息输出至所述热备冗余cofep。
40.在本技术实施例中，cofep通过心跳监控ai算法模型、进程监控dac、硬件状态监控hsm等的状态，同时实现主备系统之间的消息传递，在主系统出现状态异常时，休眠主机系统中的软件，然后通知备用系统唤醒软件，备用系统启动后，重启主系统中的异常软件或边缘计算单元，从而实现主备系统之间的不间断切换。hsm软件通过api接口获取边缘计算单元的cpu、内存和硬盘占用信息，主板温度以及所有rj45口的通讯状态等数据，通过接收的报文包判断rs485通讯状态，将获取的硬件信息和网络状态展示在hsm首页，结合超限设定值及主备之间的消息信号进行边缘计算单元的异常报警。dac软件将“软件通讯”、“数据采集”、“接口集成”以及“处理状态”等过程放在不同进程中予以实现，实现进程状态的实时管理，然后将进程状态作为心跳信号输出给cofep。
41.在一种可实施方式中，所述边缘计算单元至少存在两个，且各所述边缘计算单元之间互为主备系统。
42.在本技术实施例中，两台互为主备的边缘计算单元通过心跳信号线连接，部署热备冗余软件实现消息传递，并在状态出现异常时，通过热备冗余软件实现主备系统的无缝切换。
43.s104、基于所述实时数据确定出口含水量预测值，并基于所述出口含水量预测值
调整所述烘丝机的热风风量与排潮负压，用以使所述出口含水量预测值收敛至出口含水量预设值。
44.在本技术实施例中，根据采集到的实时数据，便能够在前馈神经网络模型中直接计算确定得到出口含水量预测值，以此直接对热风风量与排潮负压进行调整，使得出口含水量预测值向预设值收敛。通过这样的方式，能够实时动态预测出口含水量，在干扰因素变化引起出口含水量变化前参与pid控制，提前预测的前馈闭环，代替传统pid后馈闭环参与控制，减少干扰因素对出口含水量的影响，满足烘丝机含水率稳态控制要求。
45.在一种可实施方式中，所述基于所述实时数据确定出口含水量预测值，包括：基于所述前馈神经网络模型生成预测表，所述预测表用以表征各所述目标参数在不同数值时对应的出口含水量预测值；基于所述预测表确定所述实时数据对应的出口含水量预测值。
46.在本技术实施例中，考虑到将神经网络模型放在边缘计算单元的上位机进行模拟，将调节信息传递给plc系统会产生一定的滞后性，可考虑使用预测表的形式存储在plc系统中。预测表记录了各参数在不同数值时，通过预测模型得到的出口水分含量预测值。当烘丝机正常工作时，出口含水量预测值可用于plc中嵌入的pid程序，使热风风量和排潮负压得到控制，得到烘丝机的自适应抗扰动智能pid控制系统。
47.下面将结合附图2，对本技术实施例提供的基于边缘计算单元的烘丝机动态调优控制装置进行详细介绍。需要说明的是，附图2所示的基于边缘计算单元的烘丝机动态调优控制装置，用于执行本技术图1所示实施例的方法，为了便于说明，仅示出了与本技术实施例相关的部分，具体技术细节未揭示的，请参照本技术图1所示的实施例。
48.请参见图2，图2是本技术实施例提供的一种基于边缘计算单元的烘丝机动态调优控制装置的结构示意图。如图2所示，所述装置包括：获取模块201，用于在烘丝机的历史运行数据中获取目标参数对应的目标数据，所述目标参数为影响烘丝机尾料出口含水量的烘丝机运行参数；构建模块202，用于基于所述目标数据与所述目标数据对应的历史出口含水量数据构建训练集，基于所述训练集训练并构建前馈神经网络模型；采集模块203，用于基于所述前馈神经网络模型搭建边缘计算单元，并基于所述边缘计算单元采集所述烘丝机中所述目标参数对应的实时数据；调整模块204，用于基于所述实时数据确定出口含水量预测值，并基于所述出口含水量预测值调整所述烘丝机的热风风量与排潮负压，用以使所述出口含水量预测值收敛至出口含水量预设值。
49.在一种可实施方式中，调整模块204包括：预测表生成单元，用于基于所述前馈神经网络模型生成预测表，所述预测表用以表征各所述目标参数在不同数值时对应的出口含水量预测值；第一确定单元，用于基于所述预测表确定所述实时数据对应的出口含水量预测值。
50.在一种可实施方式中，所述边缘计算单元包括前馈神经网络模型、热备冗余cofep、硬件状态监控hsm、进程监控dac；所述热备冗余cofep用于通过心跳监控所述前馈神经网络模型、硬件状态监控hsm
和进程监控dac的工作状态；所述硬件状态监控hsm用于获取所述边缘计算单元的硬件信息和通讯状态数据；所述进程监控dac用于实时管理进程状态，并将所述进程状态作为心跳信息输出至所述热备冗余cofep。
51.在一种可实施方式中，所述边缘计算单元至少存在两个，且各所述边缘计算单元之间互为主备系统。
52.在一种可实施方式中，构建模块202包括：第二确定单元，用于确定所述烘丝机的各工作模式，分别基于不同所述工作模式对应的所述目标数据与所述目标数据对应的历史出口含水量数据构建训练集；构建单元，用于分别基于不同所述工作模式对应的所述训练集训练并构建各前馈神经网络模型。
53.在一种可实施方式中，所述装置还包括：优化模块，用于基于所述实时数据计算出口含水量实际值，基于所述出口含水量实际值负反馈优化所述前馈神经网络模型。
54.本领域的技术人员可以清楚地了解到本技术实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列（field－programmable gate array，fpga）、集成电路（integrated circuit，ic）等。
55.本技术实施例的各处理单元和/或模块，可通过实现本技术实施例所述的功能的模拟电路而实现，也可以通过执行本技术实施例所述的功能的软件而实现。
56.参见图3，其示出了本技术实施例所涉及的一种电子设备的结构示意图，该电子设备可以用于实施图1所示实施例中的方法。如图3所示，电子设备300可以包括：至少一个中央处理器301，至少一个网络接口304，用户接口303，存储器305，至少一个通信总线302。
57.其中，通信总线302用于实现这些组件之间的连接通信。
58.其中，用户接口303可以包括显示屏（display）、摄像头（camera），可选用户接口303还可以包括标准的有线接口、无线接口。
59.其中，网络接口304可选的可以包括标准的有线接口、无线接口（如wi-fi接口）。
60.其中，中央处理器301可以包括一个或者多个处理核心。中央处理器301利用各种接口和线路连接整个电子设备300内的各个部分，通过运行或执行存储在存储器305内的指令、程序、代码集或指令集，以及调用存储在存储器305内的数据，执行终端300的各种功能和处理数据。可选的，中央处理器301可以采用数字信号处理（digital signal processing，dsp）、现场可编程门阵列（field-programmable gate array，fpga）、可编程逻辑阵列（programmable logic array，pla）中的至少一种硬件形式来实现。中央处理器301可集成中央中央处理器（central processing unit，cpu）、图像中央处理器（graphics processing unit，gpu）和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到中央处理器301中，单独通过一块芯片进行实现。
61.其中，存储器305可以包括随机存储器（random access memory，ram），也可以包括
只读存储器（read-only memory）。可选的，该存储器305包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器305可选的还可以是至少一个位于远离前述中央处理器301的存储装置。如图3所示，作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
62.在图3所示的电子设备300中，用户接口303主要用于为用户提供输入的接口，获取用户输入的数据；而中央处理器301可以用于调用存储器305中存储的基于边缘计算单元的烘丝机动态调优控制应用程序，并具体执行以下操作：在烘丝机的历史运行数据中获取目标参数对应的目标数据，所述目标参数为影响烘丝机尾料出口含水量的烘丝机运行参数；基于所述目标数据与所述目标数据对应的历史出口含水量数据构建训练集，基于所述训练集训练并构建前馈神经网络模型；基于所述前馈神经网络模型搭建边缘计算单元，并基于所述边缘计算单元采集所述烘丝机中所述目标参数对应的实时数据；基于所述实时数据确定出口含水量预测值，并基于所述出口含水量预测值调整所述烘丝机的热风风量与排潮负压，用以使所述出口含水量预测值收敛至出口含水量预设值。
63.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、dvd、cd-rom、微型驱动器以及磁光盘、rom、ram、eprom、eeprom、dram、vram、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器ic），或适合于存储指令和/或数据的任何类型的媒介或设备。
64.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
65.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的部分，可以参见其他实施例的相关描述。
66.在本技术所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置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，例如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信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
67.所述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。
68.另外，在本技术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。
69.所述集成的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取存储器中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器（read-only memory， rom）、随机存取存储器（random access memory，ram）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
70.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（read-only memory， rom）、随机存取器（random access memory，ram）、磁盘或光盘等。
71.以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。