一种电机控制方法、装置、设备及存储介质与流程

1.本发明实施例涉及控制技术，尤其涉及一种电机控制方法、装置、设备及存储介质。


背景技术：

2.电机广泛的应用在各种自动化控制领域，在配置电机的系统中，通常采用电机控制器实现对电机的控制，例如，在电动车辆应用场景中，电机控制器的功能是根据档位、油门、刹车等指令，将动力电池所存储的电能转化为驱动电机所需的电能，来控制电动车辆的启动运行、进退速度、爬坡力度等行驶状态，或者将帮助电动车辆刹车，并将部分刹车能量存储到动力电池中。
3.目前，通常通过配置远程监控系统实现对电机系统的运行状态监控，但远程监控系统的配置成本高、监控数据获取难度大、监控实时性较差。


技术实现要素：

4.本发明提供一种电机控制方法、装置、设备及存储介质，以达到降低电机系统的监控成本，提高监控的实时性和准确性的目的。
5.第一方面，本发明实施例提供了一种电机控制方法，包括：
6.获取电机系统的运行反馈参数，将所述运行反馈参数作为电机控制策略模型的输入量，通过所述电机控制策略模型生成电机系统运行状态监控量；
7.通过所述运行反馈参数、所述电机系统运行状态监控量以及安全运行阈值判断所述电机系统是否正常运行；
8.若所述电机系统异常，则生成电机系统异常状态指示信号。
9.可选的，所述电机控制策略模型采用神经网络模型，训练所述电机控制策略模型包括：
10.构建电机运行环境模型，根据所述电机运行环境模型建立所述电机控制策略模型的损失函数，基于所述损失函数训练所述电机控制策略模型。
11.可选的，基于强化学习构建电机运行环境模型，根据所述电机运行环境模型建立所述电机控制策略模型的损失函数。
12.可选的，所述电机系统运行状态监控量至少包括所述电机系统的电机控制量、电机控制目标量。
13.可选的，所述安全运行阈值包括第一阈值、第二阈值，判断所述电机系统是否正常运行包括：
14.通过所述第一阈值判断所述运行反馈参数是否异常；
15.获取所述电机系统的运行状态参数，根据所述电机控制目标量、所述第二阈值判断所述运行状态参数是否异常；
16.若所述运行反馈参数或所述运行状态参数异常，则判断所述电机系统异常。
17.第二发面，本发明实施例还提供了一种电机控制方法，包括：
18.获取电机系统的运行反馈参数，将所述运行反馈参数作为第一模型的输入量，通过所述第一模型生成电机控制量；
19.将所述电机控制量作为第二模型的输入量，通过所述第二模型生成电机系统运行状态监控量；
20.通过所述电机系统运行状态监控量以及安全运行阈值判断所述电机系统是否正常运行；
21.若所述电机系统异常，则生成电机系统异常状态指示信号。
22.可选的，所述电机系统运行状态监控量至少包括所述电机系统由当前状态置为指定状态时的预测时长。
23.第三方面，本发明实施例还提供了一种电机控制装置，包括电机控制单元，所述电机控制单元配置本发明实施例记载的电机控制方法。
24.第四方面，本发明实施例还提供了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；
25.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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本发明实施例记载的电机控制方法。
26.第五方面，本发明实施例还提供了一种计算机可读取存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明实施例记载的电机控制方法。
27.与现有技术相比，本发明的有益效果在于：本发明提出一种电机控制方法，该方法包括获取电机系统的运行反馈参数，将所述运行反馈参数作为电机控制策略模型的输入量，通过所述电机控制策略模型生成电机系统运行状态监控量，通过电机系统运行状态监控量判断电机系统是否出现异常，基于电机控制策略模型进行电机系统是否异常的判断，可以实现针对电机系统的实时本地监控，且无需配置复杂的硬件设备，监控成本低，同时可以避免电机系统中一些难以直接测量的系统因素导致电机系统异常或使电机系统出现异常趋势时，不能及时发现电机系统异常的问题。
附图说明
28.图1是实施例中的电机控制方法流程图；
29.图2是实施例中的另一种电机控制方法流程图；
30.图3是实施例中的电子设备结构示意图。
具体实施方式
31.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
32.实施例一
33.图1是实施例中的电机控制方法流程图，参考图1，电机控制方法包括：
34.s101.获取电机系统的运行反馈参数，将运行反馈参数作为电机控制策略模型的输入量，通过电机控制策略模型生成电机系统运行状态监控量。
35.示例性的，本实施例中，采用运行反馈参数表示电机系统中除被控量外的电机系统参数，例如，若被控量为电机转速，则运行反馈参数可以为电机电压、电机电流等。
36.示例性的，本实施例中，电机控制策略模型可以采用闭环控制模型、神经网络模型等。
37.s102.通过电机系统运行状态监控量以及安全运行阈值判断电机系统是否正常运行。
38.示例性的，本实施例中，电机系统运行状态监控量用于判断电机系统是否异常，例如，电机系统运行状态监控量可以包括电机系统控制目标量、电机系统由当前状态置为指定状态(例如指定输出功率、指定电机电压等)时的预测时长，经过一个周期后电机系统自当前状态的预测状态变化量、经过一个周期后的电机预测温度、电机预测转速中的一种或多种。
39.s103.若电机系统异常，则生成电机系统异常状态指示信号。
40.示例性的，本实施例中，电机系统异常状态指示信号用于告警，告警的形式可以为声报警、光报警等。
41.本实施例提出一种电机控制方法，该方法包括获取电机系统的运行反馈参数，将所述运行反馈参数作为电机控制策略模型的输入量，通过所述电机控制策略模型生成电机系统运行状态监控量，通过电机系统运行状态监控量判断电机系统是否出现异常，基于电机控制策略模型进行电机系统是否异常的判断，可以实现针对电机系统的实时本地监控，且无需配置复杂的硬件设备，监控成本低，同时可以避免电机系统中一些难以直接测量的系统因素导致电机系统异常或使电机系统出现异常趋势时，不能及时发现电机系统异常的问题。
42.在图1所示方案的基础上，作为一种可实施方案，电机控制策略模型采用神经网络模型，训练电机控制策略模型包括：
43.基于强化学习构建电机运行环境模型，根据电机运行环境模型建立电机控制策略模型的损失函数，基于损失函数训练电机控制策略模型。
44.具体的，本方案中，训练电机控制策略模型包括：
45.步骤1、根据特定电机控制的目标业务场景，采集目标计算图和目标业务特征的特征信息。
46.步骤2、基于特征信息确定目标业务场景的电机运行环境模型。
47.步骤3、基于业务逻辑对电机运行环境模型的虚拟以及目标的设定，训练电机控制策略模型。
48.在图1所示方案的基础上，本方案中，基于强化学习实现对电机控制策略模型的训练，通过基于强化学习构建的电机运行环境模型为电机控制策略模型提供训练样本，可支持在非生产环境下对电机控制策略模型的训练集模拟验证，训练样本数据获取难度低、试错成本低，同时电机控制策略模型具备很强的适应性，可以有效实现对电机系统的监控服务。
49.在图1所示方案的基础上，作为一种可实施方案，电机系统运行状态监控量至少包
括电机系统的电机控制量、电机控制目标量，安全运行阈值包括第一阈值、第二阈值。
50.示例性的，本方案中，判断电机系统是否正常运行包括：
51.步骤1、通过第一阈值判断运行反馈参数是否异常。
52.示例性的，本步骤中，判断运行反馈参数是否异常时，通过第一阈值与运行反馈参数做差，判断运行反馈参数是否超出设定的范围，若超出则判断运行反馈参数异常。
53.步骤2、获取电机系统的运行状态参数，根据电机控制目标量、第二阈值判断运行状态参数是否异常。
54.示例性的，本步骤中，将运行状态参数与电机控制目标量做差，将差值与第二阈值比较，若差值大于第二阈值，则判断运行状态参数异常。
55.步骤3、若运行反馈参数或运行状态参数异常，则判断电机系统异常。
56.在图1所示方案有益效果的基础上，本方案中，通过电机控制策略模型的输入量和输出量判断电机系统是否异常，可以提高针对电机系统的实时监测和安全保障能力。
57.实施例二
58.图2是实施例中的另一种电机控制方法流程图，参考图2，电机控制方法包括：
59.s201.获取电机系统的运行反馈参数，将运行反馈参数作为第一模型的输入量，通过第一模型生成电机控制量。
60.示例性的，本实施例中，采用第一模型实现对电机系统的控制，其中，第一模型可以为闭环控制函数模型、神经网络模型等。
61.示例性的，本实施例中，配置第一模型的输入为电机系统的运行反馈参数，其中，运行反馈参数可以为电机电流、电机电压、电机转速、电机扭矩、电机磁链等电机参数；
62.配置第一模型的输出为电机控制量，电机控制量用于控制电机置于指定的工作状态，例如控制电机按照指定转速工作、输出指定功率或者输出指定扭矩等。
63.s202.将电机控制量作为第二模型的输入量，通过第二模型生成电机系统运行状态监控量。
64.示例性的，本实施例中，第二模型采用神经网络模型，配置第二模型的输入量为第一模型输出的电机控制量，配置第二模型的输出为电机系统运行状态监控量。
65.示例性的，本实施例中，电机系统运行状态监控量包括电机系统由当前状态置为指定状态(例如指定输出功率、指定电机电压等)时的预测时长、经过一个周期后电机系统自当前状态的预测状态变化量中的一种；
66.此外，电机系统运行状态监控量还可以包括经过一个周期后的电机预测温度、电机预测转速等参量。
67.示例性的，本实施例中，第二模型的结构可以参考现有技术中任意一种神经网络设计。
68.示例性的，本实施例中，以电机系统运行状态监控量采用预测时长为例，训练第二模型时，配置采用的训练样本数据(包括校验数据)包括：
69.通过电机试验获取的控制量-时长数据集，控制量-时长数据集包括成对的控制量数据、时长数据；
70.其中，控制量数据对应电机控制量，时长数据对应电机受电机控制量控制时，变化至指定状态所经历的时长。
71.示例性的，本实施例中，电机系统运行状态监控量采用其他参量时，训练样本数据根据采用的参量对应设置。
72.s203.通过电机系统运行状态监控量以及安全运行阈值判断电机系统是否正常运行。
73.示例性的，本实施例中，若电机系统运行状态监控量采用预测时长，则判断电机系统是否正常运行包括：
74.获取电机系统受电机控制量控制，由当前状态置为指定状态的实际时长，将预测时长与实际时长做差，得到时间差；
75.比较时间差与安全运行阈值，若时间差小于安全运行阈值，则判断电机系统正常运行，否则判断电机系统异常。
76.示例性的，本实施例中，若电机系统运行状态监控量采用状态变化量，则判断电机系统是否正常运行包括：
77.获取电机系统受电机控量控制时，经过一个计算周期后，电机系统的实际状态变化量，将预测状态变化量与实际状态变化量做差，得到状态变化差值；
78.比较状态变化差值与安全运行阈值，若状态变化差值小于安全运行阈值，则判断电机系统正常运行，否则判断电机系统异常。
79.s204.若电机系统异常，则生成电机系统异常状态指示信号。
80.示例性的，本实施例中，电机系统异常状态指示信号用于告警，告警的形式可以为声报警、光报警等。
81.本实施例提出一种电机控制方法，该方法包括通过第一模型生成电机控制量，将第一模型生成的电机控制量作为第二模型的输入，通过第二模型生成电机系统运行状态监控量，通过电机系统运行状态监控量判断电机系统是否出现异常，基于第二模型进行电机系统是否异常的判断，可以实现针对电机系统的实时本地监控，且无需配置复杂的硬件设备，监控成本低，同时可以避免电机系统中一些难以直接测量的系统因素导致电机系统异常或使电机系统出现异常趋势时，不能及时发现电机系统异常的问题。
82.在图2所示方案的基础上，作为一种可实施方案，当电机系统出现异常时，电机控制方法还包括：
83.步骤1、获取电机系统的状态参数，将状态参数作为第三模型的输入量，通过第三模型生成模型运行状态监控量。
84.示例性的，本方案中，电机系统的状态参数包括，需要生成电机控制量时，电机系统当前的电机电流、电机电压、电机转速、电机扭矩、电机磁链中的一种或多种。
85.示例性的，本方案中，模型运行状态监控量与第一模型输出的电机控制量的类型相同，例如，若电机控制量表示pwm信号的占空比(或一个周期中，pwm信号中高电平的持续时长)，则模型运行状态监控量同样表示pwm信号的占空比。
86.示例性的，本方案中，第三模型采用神经网络模型，其结构可以参考现有技术中任意一种神经网络设计。
87.示例性的，本方案中，训练第三模型时，配置采用的训练样本数据(包括校验数据)包括：
88.状态量-控制量数据集，状态量-控制量数据集包括成对的状态量数据、控制量数
据；
89.其中，状态量数据为采集的电机系统的状态参数，控制量数据对应输入为状态参数时，第一模型输出的电机控制量。
90.步骤2、通过模型运行状态监控量判断第一模型是否异常。
91.示例性的，本方案中，通过比较模型运行状态监控量与电机控制量确定第一模型是否异常；
92.例如，若模型运行状态监控量与电机控制量的差值大于设定阈值，则判断第一模型异常。
93.在图2所示方案有益效果的基础上，本方案中，在电机系统出现异常时，进一步判断第一模型是否出现异常，在电机控制方法投入实际生产中，通过对第一模型的运行状态监控，有助于准确的确定引起电机系统出现异常时的原因。
94.在图2所示方案的基础上，作为一种可实施方案，当电机系统出现异常时，电机控制方法还包括：
95.获取第一模型的模型参数，通过模型参数判断第一模型是否异常。
96.示例性的，本方案中，第一模型采用神经网络模型，第一模型可以包括输入层、中间层和输出层，模型参数可以为中间层的权重参数。
97.在图2所示方案的基础上，作为一种可实施方案，第一模型采用神经网络模型，第一模型的训练过程包括：
98.步骤1、构建控制量预测模型、控制状态预测模型以及判别器模型。
99.步骤2、配置控制量预测模型的输出包括第一类数据，配置控制状态预测模型通过第一类数据生成第二类数据。
100.步骤3、通过第一类数据以及第二类数据生成第一训练数据序列，第二训练数据序列。
101.步骤4、将第一训练数据序列、第二训练数据序列输入到判别器模型中，根据判别器模型的判别结果调整控制量预测模型的模型参数。
102.示例性的，本方案中，控制量预测模型、控制状态预测模型和判别器模型采用神经网络模型。
103.示例性的，结合步骤1～步骤4，配置控制量预测模型、控制状态预测模型包括：
104.配置控制量预测模型的输入为可以从电机系统中采集的状态参数，输出为用于控制电机系统的电机控制量；
105.配置控制状态预测模型的输入为当前时刻的状态参数、电机控制量，输出为下一时刻的状态参数。
106.示例性的，本方案中，配置第一类数据为状态参数，第二类数据为电机控制量。
107.示例性的，本方案中，第一训练数据序列、第二训练数据序列包括：
108.s1.将第一时刻的第一类数据输入控制量预测模型中，得到第一时刻的第二类数据。
109.s2.将第一时刻的第一类数据以及第二类数据输入控制状态预测模型中，得到第二时刻的第一类数据。
110.s3.重复步骤s1至s2，得到第一时刻至第n时刻的第一类数据和第二类数据，将第
一时刻至第n时刻的第一类数据和第二类数据存入第一训练数据序列中。
111.设定第二训练数据序列的形式与第一训练数据序列相同，设定第二训练数据序列为人为标注的真数据。
112.示例性的，本实施例中，配置判别器模型的输入包括待判别数据(集)，配置判别器模型用于实现对待判别数据(集)的真、假判别、置信度计算或者归类等。
113.示例性的，本方案中，判别器模型的训练过程包括：
114.按照时间顺序，获取电机系统在第一时刻至第n时刻的状态参数以及电机控制量，依次将获取的状态参数以及电机控制量存入电机系统数据序列中；
115.将第一训练数据序列作为电机系统假数据序列，将电机系统数据序列、电机系统假数据序列输入至判别器模型中，训练判别器模型。
116.示例性的，本方案中，设定判别器模型的输出为置信度，在判别器模型输出设定的置信度前，重复调整判别器模型的模型参数(神经网络模型中各层的权重参数)。
117.示例性的，本方案中，控制状态预测模型的训练过程包括：
118.选取第i(i不等于1)时刻的第一类数据以及随机生成的目标数据；
119.更新该模型的参数，根据该第一数据和目标数据确定控制状态预测模型的损失函数的函数值，根据函数值是否收敛确定该模型的参数是否训练完成。
120.示例性的，本方案中，完成判别器模型、控制状态预测模型的训练后，基于判别器模型和控制状态预测模型实现对控制量预测模型的训练，包括：
121.将第一训练数据序列、第二训练数据序列输入到判别器模型中，确定判别器模型的输出是否为预设的判别结果；
122.若否，则调整控制量预测模型的预测参数，随后，利用控制量预测模型和控制状态预测模型重新生成第一训练数据序列，带入判别器模型中，重复此步骤直至判别器模型输出预设的判别结果。
123.示例性的，本方案中，将训练完成的控制量预测模型作为第一模型。
124.实施例三
125.本实施例提出一种电机控制装置，包括电机控制单元，电机控制单元配置实施例一或实施例二中记载的任意一种电机控制方法。
126.本实施例中，电机控制单元的有益效果与实施例一或实施例二中记载的对应内容相同，具体内容不再赘述。
127.示例性的，作为一种可实施方案，也可以配置电机控制装置包括设备管理单元、模型管理单元、参数配置单元、入参配置单元、出参配置单元、调试管理单元以及生成监控单元；
128.配置设备管理单元用于：为用于提供登录界面及电机控制器管理页面，其中，用户登录后进入电机控制器管理页面，电机控制器管理页面用于用户对电机控制器的基础信息(例如电机控制器编号、名称等)进行修改；
129.配置模型管理单元用于：提供模型导入接口、模型信息编辑界面，其中，模型导入接口用于将电机控制策略模型导入到边缘控制器，模型信息编辑界面用于工作人员编辑电机控制策略模型的模型信息，例如模型版本、模型名称、模型说明、上传时间等信息；
130.配置入参配置单元用于：提供模型入参编辑页面，模型入参编辑页面用于实施人
员编辑导入电机控制策略模型运行时所需的入参数据；
131.配置出参配置单元用于：提供模型出参编辑页面，模型出参编辑页面用于实施人员编辑导入电机控制策略模型运行时所需的出参数据；
132.配置调试管理单元用于：提供模型调试接口及模型调试页面，其中，模型调试接口用于拟测试运行电机控制策略模型，获取电机控制策略模型的测试运行结果(例如调试结束、调试失败、执行失败等)，模型调试页面用于展示模型信息、入参数据、出参数据、调试时间、调试状态(例如投入生成、调试中等状态)等；
133.配置生产监控单元用于：提供生产监控接口、监控编辑页面以及监控页面，其中，生产监控接口用于执行实施例一中记载的任意一种电机控制方法，监控页面用于展示生产监控结果(例如电机控制策略模型是否异常，电机系统是否异常等)，监控编辑页面用于编辑监控信息(例如，异常时的告警方式、安全运行阈值等)。
134.示例性的，本实施例中，电机控制装置可以配置在电机控制器中，电机控制器可以按照表1配置。
135.表1
136.[0137][0138]
实施例四
[0139]
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
[0140]
如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0141]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通
信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
[0142]
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如电机控制方法。
[0143]
在一些实施例中，电机控制方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的电机控制方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行电机控制方法。
[0144]
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。
[0145]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
[0146]
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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。
[0147]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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。
[0148]
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)、区块链网络和互联网。
[0149]
计算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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0150]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。