一種基於局部在線建模的鑄坯質量預測方法與流程

2023-05-17 02:17:43

1.本發明涉及鋼鐵冶煉技術領域，尤其涉及一種基於局部在線建模的鑄坯質量預測方法。


背景技術：

2.近年來，我國鋼鐵行業正處於產業結構調整和優化的關鍵時期。在日趨激烈的市場競爭中，不斷提升產品質量是鋼鐵企業成功發展的必經之路。連鑄工序是鋼鐵生產流程中承上啟下的重要環節，而鑄坯質量直接影響最終鋼鐵產品質量。在連鑄生產過程中，鋼水潔淨度較差、工藝操作不穩定、設備狀況不佳等因素往往造成不同程度的鑄坯質量缺陷。常見的鑄坯質量問題主要包括表面裂紋、夾渣、氣孔等表面缺陷和中心裂紋、偏析、夾雜、疏鬆、縮孔等內部缺陷。若能基於連鑄實時狀況對鑄坯質量進行在線預測，就能有效減少或避免嚴重缺陷鑄坯的發生率，保障後續軋制工序的順利進行，進而達到最終產品質量要求。
3.早期的鑄坯質量預測主要基於連鑄生產機理來構建數學模型。不過，連鑄生產過程的鋼水成分、工藝操作、設備狀況等影響因素與鑄坯質量缺陷之間具有強耦合、非線性及不確定性關係，不少機理研究並未通透，導致數學機理模型應用範圍十分有限。隨著數位化、信息化技術的蓬勃發展，以數據挖掘和神經網絡為代表的智能化技術應運而生，逐步走向工業應用階段，為解決鑄坯質量在線預測提供新的思路。
4.現以應用與鋼鐵領域連鑄坯質量預測中的方法有bp神經網絡、支持向量機、極限學習機等，此類方法的共同特點都是先在離線狀態下對歷史數據進行訓練得到全局模型，再基於離線模型結合待測樣本輸出預測結果。然而，連鑄生產是具有時變性、非線性、強耦合特徵的複雜過程，時間推移、設備更新、工藝改進等客觀因素往往導致模型特徵與實際工況不相匹配。而上述的鑄坯質量預測模型屬於離線全局模型，模型建立後不會隨著生產過程的改變而自適應調整，無法跟蹤生產狀態的變化，極易導致模型性能下降甚至失效。因此，亟須開發一種自適應能力更好、預測精度更穩定的鑄坯質量預測方法。
5.即時學習算法是一種具有較高自適應能力的人工智慧技術。與傳統全局學習算法不同，即時學習算法採用「邊建模、邊預測」的運行方式，通過相似性計算選出與待測樣本最相關的歷史樣本在線構建局部模型，實現長時間的高精度穩定預測。相似樣本的選擇或者樣本權重的計算是即時學習算法的關鍵步驟，在很大程度上影響模型的預測精度。傳統的樣本相似性度量函數：歐氏距離、馬氏距離、曼哈頓距離等，而基於上述度量函數選擇的相似樣本僅考慮了查詢樣本與歷史樣本輸入變量的相似度，並未考慮變量之間的相關性以及生產過程的時變性，可能導致模型的預測精度不穩定。
6.因此，需要研究一種基於局部在線建模的鑄坯質量預測方法來應對現有技術的不足，以解決或減輕上述一個或多個問題。


技術實現要素：

7.有鑑於此，本發明提供了一種基於局部在線建模的鑄坯質量預測方法，能夠解決
傳統離線全局模型預測鑄坯質量時自適應能力差、預測精度不穩定的問題。
8.本發明提供一種基於局部在線建模的鑄坯質量預測方法，所述預測方法以支持向量回歸模型為局部模型進行局部在線建模，實現在連鑄過程中對鑄坯質量的預測；局部在線建模的樣本數據集為：採用相似度函數選擇出的與待測數據最相關的歷史數據集；
9.在相似度計算時，在傳統歐氏距離的基礎上引入工藝參數特徵權重、樣本時間特徵權重來強化樣本數據與待測數據的相關性，並根據樣本相似度從歷史數據集中選出最相關數據構建成樣本數據集用於局部建模。
10.如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述預測方法的具體步驟包括：
11.s1、獲取連鑄生產過程中與鑄坯質量相關的工況數據以及對應的質量數據，作為初始歷史數據集，
12.s2、對所述初始歷史數據集進行預處理得到標準樣本數據集；
13.s3、根據所述標準樣本數據集建立離線隨機森林模型，並通過交叉驗證的方式計算得到各工藝參數的特徵權重；
14.s4、對待測數據進行預處理，根據s3得到的各工藝參數的特徵權重計算待測數據與所述標準樣本數據集中所有樣本的加權歐氏距離；
15.s5、在所述標準樣本數據集中引入時間特徵權重，根據所述時間特徵權重和所述加權歐氏距離計算得到待測數據與所述標準樣本數據集中所有樣本的相似度權值；
16.s6、根據得到的相似度權值從所述標準樣本數據集中選擇出滿足要求的樣本數據，構建成相似樣本數據集；
17.s7、以得到的所述相似樣本數據集為訓練數據構建局部模型；
18.s8、將待測數據輸入構建好的局部模型中進行預測，得到預測結果。
19.如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，步驟s2中的預處理包括：空值處理、異常值處理和歸一化處理。
20.如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，步驟s1中質量數據的獲得方式為通過低倍檢測採集得到。
21.如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，步驟s4中的預處理包括歸一化處理。
22.如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，步驟s6的具體內容包括：對相似度權值進行排序，選擇相似度權值最大的前nk個樣本數據，構建成相似樣本數據集；nk為大於1的正整數。
23.如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，步驟s8得到預測結果後，丟棄當前的局部模型。
24.如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述預測方法的步驟還包括：
25.s9、得到待測數據對應的真實樣品，並通過低倍檢測方式得到真實質量數據，將該待測數據和其真實質量數據添加到初始歷史數據集中。
26.如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，針對下一待測數據，重複進行步驟s2-s8。
27.如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，步驟s1中通過連鑄生產過程跟蹤系統實時採集工況數據；
28.所述連鑄生產過程跟蹤系統能夠實現鑄坯生產過程數據與鑄坯時間方向的精確匹配。
29.與現有技術相比，上述技術方案中的一個技術方案具有如下優點或有益效果：本發明在樣本相似性度量策略下，通過在線局部建模方法，實時查詢歷史資料庫中的相似樣本，選取最優的相似樣本進行建模，能夠自適應地根據連鑄生產過程非線性、時變性的工況為系統在線建立當前工作點的局部預測模型，避免了離線全局模型的局限性，有效解決了預測模型中模型參數的在線更新問題；
30.上述技術方案中的另一個技術方案具有如下優點或有益效果：本發明根據連鑄生產過程跟蹤系統實時採的生產過程的工況數據構建歷史資料庫，並採取滾動訓練方式基於歷史資料庫進行建模，這樣既能夠重複利用有用的歷史樣本數據，又能不斷根據最新的工況數據即時選取最優的相似樣本；
31.上述技術方案中的另一個技術方案具有如下優點或有益效果：本發明在每一個待測樣本預測時刻建立新的局部模型，不保留舊模型的參數，從而過去時刻出現的幹擾不會影響當前時刻局部預測模型的預測準確性，提高預測模型的魯棒性、自適應能力和穩定性。
32.當然，實施本發明的任一產品並不一定需要同時達到以上所述的所有技術效果。
附圖說明
33.為了更清楚地說明本發明實施例的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其它的附圖。
34.圖1是本發明一個實施例提供的基於局部在線建模的鑄坯質量預測方法的架構示意圖；
35.圖2是本發明一個實施例提供的原始數據集劃分示意圖；
36.圖3是本發明一個實施例提供的在隨機森林算法3次交叉驗證下各輸入變量的特徵權重圖；
37.圖4是本發明一個實施例提供的在線局部模型和離線支持向量回歸模型對65號高碳鋼鑄坯三角區裂紋等級預測的結果對比圖；
38.圖5是本發明一個實施例提供的折算後在線局部模型和離線支持向量回歸模型對65號高碳鋼鑄坯三角區裂紋等級預測的結果對比圖。
具體實施方式
39.為了更好的理解本發明的技術方案，下面結合附圖對本發明實施例進行詳細描述。
40.應當明確，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其它實施例，都屬於本發明保護的範圍。
41.本發明針對傳統鑄坯質量預測大多基於全局建模方法，存在模型結構和參數相對
固定、自適應能力較差、難以在場景複雜、工況多變的連鑄過程得到長期穩定應用的問題，提供一種基於局部在線建模的鑄坯質量預測方法，以支持向量回歸為局部模型，利用相似度函數選擇與待測樣本最相關的歷史數據作為局部建模的子樣本集進行局部在線建模，實現在連鑄過程中鑄坯質量的預測。在相似度計算中基於傳統歐氏距離引入工藝參數特徵權重、樣本時間特徵權重來強化樣本數據與待測數據的相關性，並根據樣本相似度構建相似樣本集進行局部建模，在各待測樣本預測過程中，採取滾動訓練的方式來模擬連鑄真實生產過程。此建模方法能夠表徵當前系統狀態，也能很好地適應連鑄生產過程數據的時變性、非線性性特點，行之有效地保證了在連鑄過程中對鑄坯質量的實時精準預測。該預測方法詳細的步驟包括：
42.步驟1：通過連鑄生產過程跟蹤系統實時採集與儲存連鑄生產過程中與鑄坯質量相關的工況數據集，表示為：x＝[x1,x2,...,xn]
t
，xi∈rm，i＝1,2,
…
,n，n為樣本數量，m為樣本維度，r為實數集；通過實驗室低倍檢測採集的數據，得到各樣本對應的真實質量等級值y＝[y1,y2,...,yn]
t
∈rn。
[0043]
步驟2：將採集到的數據作為初始歷史數據集d
org
＝[x；y
t
]∈r
(m+1)
×n，對初始歷史數據集d
org
進行數據預處理，得到預處理的數據集d
l
；
[0044]
預處理方法包括：空值處理、異常值處理和歸一化處理。
[0045]
步驟3：根據標準化後的初始歷史數據集d
l
建立離線隨機森林模型，並通過交叉驗證的方式計算得到各輸入變量的權重w
var
＝[w1,w2,...,wm]
t
∈rm。
[0046]
步驟4：對於新採集的查詢樣本x
new
∈rm，按照公式(3)進行歸一化處理。
[0047]
步驟5：根據輸入變量權重矩陣w
var
計算查詢樣本x
new
與數據集x
l
中所有樣本的加權歐氏距離si。
[0048]
步驟6：針對連鑄生產時變性的特點，在數據集的樣本數據中引入時間特徵權重w
t
，並將樣本時間特徵權重w
t
和步驟5中的查詢樣本與數據集x
l
中所有樣本的加權歐氏距離進行融合，計算查詢樣本與數據集x
l
中所有樣本的相似度權值
[0049]
步驟7：根據相似度計算結果，在初始歷史數據集d
l
中選擇相似度權值最大的前nk個樣本構建相似樣本數據集dr。
[0050]
步驟8：根據相似樣本數據集dr建立局部模型；局部建模結構採用支持向量回歸模型；
[0051]
步驟9：查詢樣本x
new
輸入局部模型，模型輸出預測值f(x)
new
，並丟棄此局部模型；
[0052]
步驟10：當查詢樣本x
new
所對應的真實輸出值y
new
由低倍檢測得到時，採取滾動訓練的方式將樣本[x
new
,y
new
]添加到初始歷史數據集d
l
中，並更新資料庫；否則，維持初始歷史數據集d
l
中所包含的樣本不變。
[0053]
步驟11：下一個待測樣本x
new+1
進入預測模型重複步驟2-10。
[0054]
實施例1：
[0055]
該實施例提供的基於局部在線建模的鑄坯質量預測方法，其架構如圖1所示。預測方法的具體步驟包括：
[0056]
步驟1：通過連鑄生產過程跟蹤系統實時採集與儲存連鑄生產過程中與鑄坯質量相關的工況數據集x＝[x1,x2,...,xn]
t
，xi∈rm，i＝1,2,
…
,n，n為樣本數量，m為樣本維度；通過實驗室低倍檢測採集的數據，得到各樣本對應的真實質量等級值y＝[y1,y2,...,yn]
t
∈rn。
[0057]
工況數據獲取首先是鑄坯生產過程數據與鑄坯時間方向的精確匹配。為此，基於鑄坯生產過程跟蹤系統，計算鑄坯任意位置在各個裝置(結晶器、二冷各區等)的關鍵時間節點。根據鑄坯頭、尾在各個裝置的時刻，截取這段時間的生產過程數據，與鑄坯時間方向進行匹配。然後再通過時空變換，將鑄坯時間方向的數據變換到鑄坯長度方向，實現鑄坯生產過程數據與鑄坯長度方向的精確匹配。
[0058]
鑄坯在結晶器的工況數據與時間方向進行匹配：
[0059][0060]
鑄坯在二冷各區的工況數據與時間方向進行匹配：
[0061][0062]
式中：l
j-c
為結晶器到切割機的距離；l
cn-c
為二冷區各個冷卻區到切割機的距離；tc為鑄坯切割時刻；tj為鑄坯在結晶器澆注時刻；t
cn
為鑄坯在二冷區各個冷卻區的冷卻時刻；v為拉速。
[0063]
步驟2：將採集到的數據作為初始歷史數據集d
org
＝[x；y
t
]∈r
(m+1)
×n，對初始歷史數據集d
org
進行數據預處理，預處理方法包括：空值處理、異常值處理，歸一化處理。
[0064]
空值處理：空值即缺失值，採用均值替換缺失值；
[0065]
異常值處理：對採集的工藝參數值設置邊界範圍，當所採集的數據值超出邊界範圍時，視為異常信號，將其直接刪除，不予採用；
[0066]
歸一化處理：歸一化處理採用min-max標準化方法，通過線性變化將初始歷史數據集映射到[0,1]區間，得到歸一化處理後的初始歷史數據集x
l
、為數據x、y經歸一化處理後的數據；
[0067]
min-max標準化公式為：
[0068][0069]
式中，函數min{d
org
}、max{d
org
}分別表示計算矩陣各行的最小值和最大值。
[0070]
步驟3：根據標準化後的初始歷史數據集d
l
建立離線隨機森林模型，並通過交叉驗證的方式計算得到各輸入變量的權重w
var
＝[w1,w2,...,wm]
t
∈rm。
[0071]
隨機森林是以k個決策樹{h(x,θk),k＝1,2,...,k}為基本分類單元，進行集成學習後得到的一個組合分類器。由於構建每個決策樹時，隨機抽取訓練樣本和屬性子集的過程是獨立的，且總體是一樣的，因此參數集{θk,k＝1,2,...,k}是一個獨立同分布的隨機向量。其中，隨機森林求變量權重評分的步驟：
[0072]
初始歷史數據集d
l
有n個查詢的樣本，表示各個步態參數的變量依次為f1，f2，
…
，fm。應用自助法重採技術有放回地抽取k個新的自助樣本集，在此過程中得到k個分類回歸樹，每次未被抽中的樣本則組成了k個袋外數據(out-of-bag，oob)，該部分數據樣本作為測
試樣本用於評估各個步態參數在分類中的重要性，具體如下：
[0073]
①
用自助樣本可以得到若干個樹形分類器，同時對應的oob進行分類，得到k個oob樣本中的每一個樣本的投票數，記作v1,v2,
…
,vk。
[0074]
②
將變量fi的數值在k個oob中的順序隨機打亂，形成新的oob測試集，根據樣本判別的正確數，所得到的結果可表示為：
[0075][0076]
③
v1,v2,
…
,vk與矩陣(3)對應的第i行向量相減，求和平均後得到各變量fi的權重評分，即：
[0077][0078]
步驟4：對於新採集的查詢樣本x
new
∈rm，按照公式(3)進行歸一化處理。
[0079]
步驟5：根據輸入變量權重矩陣w
var
計算查詢樣本x
new
與數據集x
l
中所有樣本的加權歐氏距離：
[0080][0081]
式中，si為查詢樣本與數據集x
l
中樣本的加權歐氏距離，wi為權重因子，h為查詢樣本的特徵向量，hi為歷史樣本數據集中樣本i的特徵向量。
[0082]
步驟6：針對連鑄生產時變性的特點，在樣本數據中引入時間特徵權重w
t
，確保分配最相關、最合適的樣本進行在線局部建模。並將樣本時間特徵權重w
t
和步驟5中的查詢樣本與數據集x
l
中所有樣本的加權歐氏距離進行融合，計算查詢樣本與數據集x
l
中所有樣本的相似度權值的相似度權值
[0083]
式中，為數據集x
l
中第i個樣本的相似度權值；r為可調參數；w
it
表示數據集x
l
中各樣本時間特徵權重，w
it
確定方式如下：
[0084]
設定所選的數據集x
l
的時間權向量為的時間權向量為
[0085]
定義1時間權向量的熵i。時間權向量的熵是一個度量值，熵值越大，則說明數據集中各樣本時間權重之間的差異越小；反之亦然。
[0086][0087]
定義2時間度λ。時間度λ∈[0,1]，λ的大小體現對時序數據的重視程度(見表1)，即當λ越小時，表明越注重離當前工況點時間接近的數據；反之亦然。
[0088][0089]
確定數據集x
l
中各樣本時間權重的準則：在給定時間度λ的值下，以儘可能地挖掘樣本的信息和兼顧被評價對象在時許上的差異信息為標準來尋找適合該樣本集的時間權向量。此方法可歸納為求解非線性規劃問題：
[0090][0091][0092]
表1時間度λ的標度參考表
[0093][0094][0095]
步驟7：根據相似度計算結果，在初始歷史數據集d
l
中選擇相似度權值最大的前nk個樣本構建相似樣本數據集dr。
[0096]
步驟8：根據相似樣本數據集dr建立局部模型，局部建模結構採用支持向量回歸模型。
[0097]
支持向量回歸基於支持向量機發展而來，廣泛應用於非線性問題的建模和預測。該方法通過引入最大誤差值ε，規定預測結果誤差的絕對值大於ε的樣本參與損失值計算。支持向量回歸問題的目標函數為：
[0098][0099][0100]
式中，樣本為(x,y)，f(x)為模型輸出，y為期望輸出，η、b為待定模型參數，ε為偏差最大允許值，c為正則化常數；p為相似樣本數據集dr樣本數量；l
ε
(f(x)-y)為ε-不敏感損失
函數；
[0101]
為便於在更大的可行域求解，引入鬆弛因子ξi和和將其帶入式(12)可得：
[0102][0103][0104]
進而，通過引入拉格朗日乘子，由拉格朗日乘子法得到拉格朗日函數l，在滿足kkt最優化條件下，將回歸模型帶入拉格朗日函數l，並令其主要變量偏導數的值為零，則支持向量回歸可表示為：
[0105][0106]
式中，αi、為拉格朗日乘子；κ(x,xi)為滿足mercer條件的核函數。
[0107]
步驟9：查詢樣本x
new
輸入局部模型，模型輸出預測值f(x)
new
，並丟棄此局部模型。
[0108]
步驟10：當查詢樣本x
new
所對應的真實輸出值y
new
由低倍檢測得到時，採取滾動訓練的方式將樣本[x
new
,y
new
]添加到初始歷史數據集d
l
中，並更新資料庫；否則，維持初始歷史數據集d
l
中所包含的樣本不變。
[0109]
步驟11：下一個待測樣本x
new+1
進入預測模型重複步驟2-10。
[0110]
實施例2：
[0111]
以下結合國內某鋼廠65號高碳鋼鑄坯三角區裂紋為例，驗證基於即時學習算法的鑄坯質量預測方法的有效性。在鋼鐵生產流程中，鑄坯質量直接影響最終鋼鐵產品質量，三角區裂紋是鑄坯典型的內部質量缺陷，主要分布在板坯的三角區部位，裂紋的方向垂直於板坯的窄面，其形成原因與連鑄過程的鋼水成分、工藝參數、工藝操作、設備狀況等因素密切相關。
[0112]
結合現場調研和前人研究，選取影響鑄坯三角區裂紋形成的7個關鍵因素作為輸入變量，具體見表2。同時，以三角區裂紋等級為預測模型輸出值，根據裂紋的嚴重程度可分為0、0.5、1、1.5、2共5種等級。
[0113]
表2鑄坯質量缺陷影響因素
[0114][0115]
採集2022年1月-6月國內某鋼廠65號高碳鋼鑄坯三角區裂紋的90組實際生產數據作為原始數據集。為貼近實際生產狀況，原始數據集劃分如圖2所示，根據生產時間序列將原始數據集劃分為兩部分，前70組時間較早的數據作為歷史數據集，後20組時間較近的數據用於模擬待測樣本。在線局部建模時，最初前70組數據作為初始歷史數據集，當各待測樣本完成預測後，依次添加到初始歷史數據集中，直至20個待測樣本全部完成預測。在近鄰樣本選擇時，用於在線局部建模的樣本容量nk設置為30。
[0116]
以鑄坯三角區裂紋為預測對象，在隨機森林3次交叉驗證下定量分析表1中7個關鍵輸入變量的權重，分析結果如圖3所示。根據輸入變量權重矩陣w
var
計算查詢樣本x
new
與數據集x
l
中所有樣本的加權歐氏距離；同時根據樣本時間特徵權重計算方式，通過多次仿真試驗對比確定相關參數：時間度λ＝0.3，可調參數r＝0.4，求解數據集x
l
中各樣本的時間權重w
t
，並將樣本時間特徵權重w
t
和查詢樣本與數據集x
l
中所有樣本的加權歐氏距離進行融合，計算查詢樣本與數據集x
l
中所有樣本的相似度權值在初始歷史數據集中選取相似度權值最大的前nk＝30個樣本進行局部在線建模，局部模型結構採用支持向量回歸模型。
[0117]
表3為使用不同的建模方法對鑄坯三角區裂紋等級的預測結果比較，即離線支持向量回歸模型與本發明的在線局部建模方法的比較。本發明使用平均絕對誤差mae、均方誤差mse、決定係數r2、準確率a等多種誤差度量方式作為綜合評價指標。
[0118][0119][0120][0121][0122]
式中：m為測試集樣本數，a為預測正確的個數，為真實輸出的平均值。mae和mse
的數值越小，表明模型精度越高；r2和a越接近於1，表明模型擬合效果越好。
[0123]
表3兩種建模方式預測的評價結果對比
[0124][0125]
在實際鑄坯質量檢測中，鑄坯三角區裂紋的評級方法採用0、0.5、1、1.5、2級階梯型評價，而回歸模型得到的結果為連續的數值，結果如圖4所示。為與實際鑄坯質量檢測結果相匹配，回歸模型的預測結果採用表4所示的對應關係進行折算。在此基礎上，圖5所示為預測值按實際評價方法取值後的兩種模型對比情況。不難發現，在線局部建模的預測值與真實值重合的個數明顯多於離線支持向量回歸模型。具體來說，局部模型的預測準確率為0.9，而離線支持向量回歸模型的預測準確率僅為0.65，這主要得益於本發明的在線局部建模方式充分考慮了連鑄生產過程非線性、時變性的特點，即將變量之間的相關性以及生產過程的時變性融入樣本相似度的計算，強化局部建模的樣本數據與待測樣本的相關性。
[0126]
表4預測結果與實際評級之間對應關係
[0127][0128][0129]
以上對本技術實施例所提供的一種基於局部在線建模的鑄坯質量預測方法，進行了詳細介紹。以上實施例的說明只是用於幫助理解本技術的方法及其核心思想；同時，對於本領域的一般技術人員，依據本技術的思想，在具體實施方式及應用範圍上均會有改變之處，綜上所述，本說明書內容不應理解為對本技術的限制。
[0130]
還需要說明的是，術語「包括」、「包含」或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的商品或者系統不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種商品或者系統所固有的要素。在沒有更多限制的情況下，由語句「包括一個
……」
限定的要素，並不排除在包括所述要素的商品或者系統中還存在另外的相同要素。「大致」是指在可接收的誤差範圍內，本領域技術人員能夠在一定誤差範圍內解決所述技術問題，基本達到所述技術效果。
[0131]
在本發明實施例中使用的術語是僅僅出於描述特定實施例的目的，而非旨在限制本發明。在本發明實施例和所附權利要求書中所使用的單數形式的「一種」、「所述」和「該」也旨在包括多數形式，除非上下文清楚地表示其他含義。本文中使用的術語「和/或」僅僅是一種描述關聯對象的關聯關係，表示可以存在三種關係，例如，a和/或b，可以表示：單獨存在a，同時存在a和b，單獨存在b這三種情況。另外，本文中字符「/」，一般表示前後關聯對象是一種「或」的關係。