锅炉出口氮氧化物监测方法、装置、终端、系统及介质与流程

1.本发明属于发电设备监测技术领域，尤其涉及一种锅炉出口氮氧化物监测方法、装置、终端、系统及介质。


背景技术：

2.大型燃煤电站锅炉在运行过程中会产生氮氧化物(no
x
)，因此常常在锅炉尾部设置脱硝系统，来对产生的氮氧化物进行处理。然而，在负荷升降过程中，锅炉出口的氮氧化物会出现剧烈的波动，经常会造成锅炉尾部脱硝系统氨气过喷的现象，从而造成氨逃逸。此时，脱硝系统中逃逸的氨气与烟气中存在的三氧化硫以及水蒸气发生反应会生成硫酸氢铵，并附着在空气预热器中低温端的热片结构上，容易造成空气预热器的堵塞，严重时还会造成锅炉出力降低，甚至停炉。
3.目前，对炉膛出口氮氧化物的监测采用的是在线监测的方法，即设置氮氧化物监测仪表来实现氮氧化物的监测。在锅炉负荷升降过程中，锅炉负荷的急剧变化，造成氮氧化物的产生速率也将不断的快速变化，由于监测仪表所监测到的数据往往存在一定的滞后性，因此现有技术对氮氧化物的浓度监测滞后于实际浓度，导致锅炉尾部脱硝系统氨气过喷的现象，从而造成氨逃逸，影响锅炉运行。


技术实现要素：

4.有鉴于此，本发明提供了一种锅炉出口氮氧化物监测方法、装置、终端、系统及介质，旨在解决现有技术对氮氧化物的浓度监测滞后的问题。
5.本发明实施例的第一方面提供了一种锅炉出口氮氧化物监测方法，包括：
6.获取多个摄像装置拍摄的火焰图像；其中，多个摄像装置设置在锅炉的周围；
7.将各个摄像装置拍摄的火焰图像输入预先训练的预测模型中，得到氮氧化物的排放浓度，其中，预测模型用于表示火焰图像的色度与氮氧化物的排放浓度之间的关系。
8.本发明实施例的第二方面提供了一种锅炉出口氮氧化物监测装置，包括：
9.获取模块，用于获取多个摄像装置拍摄的火焰图像；其中，多个摄像装置设置在锅炉的周围；
10.预测模块，用于将各个摄像装置拍摄的火焰图像输入预先训练的预测模型中，得到氮氧化物的排放浓度，其中，预测模型用于表示火焰图像的色度与氮氧化物的排放浓度之间的关系。
11.本发明实施例的第三方面提供了一种监测终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上第一方面的锅炉出口氮氧化物监测方法的步骤。
12.本发明实施例的第四方面提供了一种锅炉尾部脱硝系统，包括：喷氨设备、多个摄像装置以及如上第三方面的监测终端。
13.本发明实施例的第五方面提供了一种计算机可读存储介质，计算机可读存储介质
存储有计算机程序，计算机程序被处理器执行时实现如上第一方面的锅炉出口氮氧化物监测方法的步骤。
14.本发明实施例提供的锅炉出口氮氧化物监测方法、装置、终端、系统及介质，首先获取多个摄像装置拍摄的火焰图像；其中，多个摄像装置设置在锅炉的周围；然后将各个摄像装置拍摄的火焰图像输入预先训练的预测模型中，得到氮氧化物的排放浓度，其中，预测模型用于表示火焰图像的色度与氮氧化物的排放浓度之间的关系。由于锅炉内的温度变化超前于氮氧化物的浓度变化，而火焰的色度与温度相关，因此通过拍摄火焰图像，通过火焰图像的色度来提前预测产生的氮氧化物的浓度，从而精准控制脱硝系统对产生的氮氧化物进行处理，避免脱硝系统氨气过喷对锅炉运行造成影响。
附图说明
15.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
16.图1是本发明实施例提供的锅炉出口氮氧化物监测方法的应用场景图；
17.图2是本发明实施例提供的锅炉的俯视图；
18.图3是本发明实施例提供的锅炉出口氮氧化物监测方法的实现流程图；
19.图4是本发明实施例提供的第二神经网络模型处理过程示意图；
20.图5是本发明实施例提供的第三神经网络模型处理过程示意图；
21.图6是本发明实施例提供的锅炉出口氮氧化物监测装置的结构示意图；
22.图7是本发明实施例提供的监测终端的结构示意图。
具体实施方式
23.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
24.图1是本发明实施例提供的锅炉出口氮氧化物监测方法的应用场景图。图2是本发明实施例提供的锅炉的俯视图。如图1和图2所示，在一些实施例中，本发明实施例提供的锅炉出口氮氧化物监测方法可以但不限于应用于该应用场景。在该发明实施例中，该系统包括：锅炉11、脱硝系统12、多个摄像装置13以及监测终端14。
25.其中，锅炉11可以是煤粉炉、也可以是循环流化床锅炉，在此不作限定。摄像装置13可以是工业相机、摄像头等，在此不作限定。监测终端可以是手机、电脑、单片机或者锅炉运行控制终端等，在此不作限定。
26.在锅炉11工作时，设置在锅炉周围的多个摄像装置13实时拍摄不同角度的火焰图像，并传输至电子设备14，电子设备14可以根据多个摄像装置13上传的火焰图像，计算锅炉11内的氮氧化物浓度，从而精准控制锅炉尾部设置的脱硝系统12的喷氨量，对氮氧化物进行有效并且不过量的处理。
27.图3是本发明实施例提供的锅炉出口氮氧化物监测方法的实现流程图。如图3所示，在一些实施例中，锅炉出口氮氧化物监测方法，应用于图1中所示的电子设备14，该方法包括：
28.s310，获取多个摄像装置拍摄的火焰图像；其中，多个摄像装置设置在锅炉的周围。
29.在本发明实施例中，摄像装置拍摄的火焰图像包括火焰的色度信息，即火焰图像的r、g、b颜色值。
30.s320，将各个摄像装置拍摄的火焰图像输入预先训练的预测模型中，得到氮氧化物的排放浓度，其中，预测模型用于表示火焰图像的色度与氮氧化物的排放浓度之间的关系。
31.在本发明实施例中，通过各个摄像装置拍摄的各角度的火焰图像，确定炉膛内的三维的火焰r、g、b颜色值分布，将r、g、b组成的三维数组输入到预先训练的预测模型即可得到氮氧化物的排放浓度。
32.在本发明实施例中，由于锅炉内的温度变化超前于氮氧化物的浓度变化，而火焰的色度与温度相关，因此通过拍摄火焰图像，通过火焰图像的色度来提前预测产生的氮氧化物的浓度，从而精准控制脱硝系统对产生的氮氧化物进行处理，避免脱硝系统氨气过喷对锅炉运行造成影响。
33.在一些实施例中，预测模型为第一神经网络模型。相应的，s320可以包括：提取各个摄像装置拍摄的火焰图像的色度信息；根据各个摄像装置的拍摄方向和火焰图像的色度信息，确定炉膛内每个空间点的火焰色度；将各个空间点的火焰色度输入到第一神经网络模型中，得到炉膛内每个空间点的氮氧化物的排放浓度。
34.在本发明实施例中，锅炉内的氮氧化物随温度变化，两者之间具备一种非线性关系，而温度和图像色度之间也存在非线性关系，可以得出图像色度和锅炉内的氮氧化物浓度之间存在一定的非限定关系，因此可以训练第一神经网络模型来描述这种非线性关系。
35.在本发明实施例中，第一神经网络模型的训练过程具体为：获取历史时段下的火焰图像，然后获取历史时段下的氮氧化物监测仪表监测的氮氧化物浓度，由于温度超前于氮氧化物变化，而氮氧化物监测仪表监测的氮氧化物浓度滞后于实际氮氧化物变化，因此需要预设一个滞后时间，然后依据该滞后时间对氮氧化物监测仪表监测的氮氧化物浓度与火焰图像进行对时，将对时后的火焰图像和氮氧化物浓度组成训练集，从而训练第一神经网络。
36.图4是本发明实施例提供的第二神经网络模型处理过程示意图。图5是本发明实施例提供的第三神经网络模型处理过程示意图。如图4和图5所示，在一些实施例中，预测模型包括第二神经网络模型和第三神经网络模型。相应的，s320可以包括：提取各个摄像装置拍摄的火焰图像的色度信息；根据各个摄像装置的拍摄方向和火焰图像的色度信息，确定炉膛内每个空间点的火焰色度；将各个空间点的火焰色度输入到第二神经网络模型中，得到炉膛内每个空间点的温度；将各个空间点的温度输入到第三神经网络模型中，得到炉膛内每个空间点的氮氧化物的排放浓度。
37.在本发明实施例中，可以通过两个模型来实现上述的氮氧化物过程，即以第二神经网络模型描述火焰图像的色度与温度之间的非线性关系，以第三神经网络模型描述温度
与氮氧化物浓度之间的非线性关系。在进行氮氧化物浓度预测时，通过各个摄像装置拍摄的火焰图像的色度信息，从而根据第二神经网络模型得到一个炉膛内的三维温度分布场，拆分为多张二维温度图，并输入到第三神经网络模型中，得到各个空间点的氮氧化物的排放浓度。
38.在本发明实施例中，第二神经网络模型的训练过程为：获取历史时段内摄像装置拍摄的火焰图像的色度信息，然后获取历史时段内炉膛内设置的温度监测仪表监测的火焰温度，将火焰图像的色度信息和火焰温度作为训练集，从而训练第二神经网络模型。
39.在本发明实施例中，第三神经网络模型的训练过程为：获取历史时段内炉膛内设置的温度监测仪表监测的火焰温度，然后获取历史时段内氮氧化物监测仪表监测的氮氧化物浓度，再使用预设的滞后时间将氮氧化物浓度与火焰温度对时，将对时后的氮氧化物浓度与火焰温度作为训练集，从而训练第三神经网络模型。
40.在上述实施例中，第一神经网络、第二神经网络、第三神经网络具体可以是卷积神经网络，其操作主要分为卷积、非线性处理、池化和分类这四步。
41.其中，卷积由卷积层完成，池化由池化层完成。卷积层参数包括卷积核大小f、步长s和填充p，选取卷积核大小时要小于燃烧火焰图像的像素尺寸，且卷积核越大，可提取的输入特征更复杂；步长根据所需特征图的大小选取；卷积层层数需通过设置不同层数对卷积神经网络训练并验证其泛化能力来挑选出最佳值。本发明实施例中，卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层。
42.在一些实施例中，将各个空间点的火焰色度输入到第二神经网络模型中，得到炉膛内每个空间点的温度之后，该方法还包括：根据炉膛内每个空间点的温度，确定炉膛内每个空间点的温度变化趋势；根据炉膛内每个空间点的温度和温度变化趋势，调整多个摄像装置的拍摄频率。
43.对大型燃煤电站锅炉炉膛出口氮氧化物的控制主要针对的是热力型氮氧化物，热力型氮氧化物的生成和温度关系很大，在温度足够高时，热力型氮氧化物的生成量可占到氮氧化物总量的30％，随着反应温度t的升高，其反应速率按指数规律增加。当t《1300℃时氮氧化物的生成量不大，而当t》1300℃时t每增加100℃，反应速率增大6-7倍。
44.在本发明实施例中，可以将1300℃设置为温度阈值，统计所有大于温度阈值的空间点，记为高温空间点，在高温空间点在所有空间点中的占比小于预设比例时，设置拍摄频率为a，在高温空间点在所有空间点中的占比大于等于预设比例时，设置拍摄频率为7a。
45.在本发明实施例中，通过温度的变化调整监测频率，能够在低温时减少拍摄，节省计算资源，在高温时加快拍摄，避免由于温度升高时氮氧化物浓度快速变化造成的监测不及时的问题。
46.在一些实施例中，将各个空间点的火焰色度输入到第二神经网络模型中，得到炉膛内每个空间点的温度之后，该方法还包括：获取锅炉的当前工况；根据炉膛内每个空间点的温度，确定炉膛内每个空间点的温度变化趋势；根据锅炉的当前工况、炉膛内每个空间点的温度和温度变化趋势，调整多个摄像装置的拍摄频率。
47.锅炉的工况具体可以包括负荷稳定、负荷上升、负荷下降。在本发明实施例中，负荷稳定的工况下，炉膛温度也较为平稳，因此此时只根据平稳的温度来设置拍摄频率即可，但在负荷上升或负荷下降的工况下，炉膛温度剧烈变化，为了不造成温度剧烈变化时拍摄
频率不及时调整，可以在负荷上升或负荷下降的工况时适当降低温度阈值。例如，温度阈值为1300℃，炉膛内所有空间点在频率为a的拍摄间隔内的平均温度变化量为200℃，此时可以设置温度阈值为1100℃。
48.通过考虑锅炉工况对拍摄频率的影响，从而使拍摄频率随工况相应变化，能够实现更有效率的氮氧化物监测。
49.在一些实施例中，在s320之后，该方法还包括：获取氮氧化物监测仪表的监测数据；根据监测数据和预测得到的氮氧化物的排放浓度，确定氮氧化物的预测误差；根据氮氧化物的预测误差，对预测模型进行修正。
50.在本发明实施例中，氮氧化物监测仪表虽然滞后于实际的氮氧化物生产，无法及时对氮氧化物进行有效处理，但其具备很高的检测精度，因此可以在每次预测完成后根据氮氧化物监测仪表的数据计算预测误差，从而对预测模型进行不断的修正，保证预测准确的。其中，在计算预测误差时，需要考虑根据火焰图像预测氮氧化物的超前性和仪表的滞后性带来的时间差。
51.综上，本发明的有益效果具体为：
52.1.由于锅炉内的温度变化超前于氮氧化物的浓度变化，而火焰的色度与温度相关，因此通过拍摄火焰图像，通过火焰图像的色度来提前预测产生的氮氧化物的浓度，从而精准控制脱硝系统对产生的氮氧化物进行处理，避免脱硝系统氨气过喷对锅炉运行造成影响。
53.2.通过温度的变化调整监测频率，能够在低温时减少拍摄，节省计算资源，在高温时加快拍摄，避免由于温度升高时氮氧化物浓度快速变化造成的监测不及时的问题。
54.3.通过考虑锅炉工况对拍摄频率的影响，从而使拍摄频率随工况相应变化，能够实现更有效率的氮氧化物监测。
55.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
56.图6是本发明实施例提供的锅炉出口氮氧化物监测装置的结构示意图。如图6所示，在一些实施例中，锅炉出口氮氧化物监测装置6，包括：
57.获取模块610，用于获取多个摄像装置拍摄的火焰图像；其中，多个摄像装置设置在锅炉的周围。
58.预测模块620，用于将各个摄像装置拍摄的火焰图像输入预先训练的预测模型中，得到氮氧化物的排放浓度，其中，预测模型用于表示火焰图像的色度与氮氧化物的排放浓度之间的关系。
59.可选的，预测模型为第一神经网络模型。相应的，预测模块620，具体用于提取各个摄像装置拍摄的火焰图像的色度信息；根据各个摄像装置的拍摄方向和火焰图像的色度信息，确定炉膛内每个空间点的火焰色度；将各个空间点的火焰色度输入到第一神经网络模型中，得到炉膛内每个空间点的氮氧化物的排放浓度。
60.可选的，预测模型包括第二神经网络模型和第三神经网络模型。相应的，预测模块620，具体用于提取各个摄像装置拍摄的火焰图像的色度信息；根据各个摄像装置的拍摄方向和火焰图像的色度信息，确定炉膛内每个空间点的火焰色度；将各个空间点的火焰色度
输入到第二神经网络模型中，得到炉膛内每个空间点的温度；将各个空间点的温度输入到第三神经网络模型中，得到炉膛内每个空间点的氮氧化物的排放浓度。
61.可选的，锅炉出口氮氧化物监测装置6，还包括：调整模块，可以用于根据炉膛内每个空间点的温度，确定炉膛内每个空间点的温度变化趋势；根据炉膛内每个空间点的温度和温度变化趋势，调整多个摄像装置的拍摄频率。
62.可选的，调整模块，可以用于获取锅炉的当前工况；根据炉膛内每个空间点的温度，确定炉膛内每个空间点的温度变化趋势；根据锅炉的当前工况、炉膛内每个空间点的温度和温度变化趋势，调整多个摄像装置的拍摄频率。
63.可选的，锅炉出口氮氧化物监测装置6，还包括：修正模块，可以用于获取氮氧化物监测仪表的监测数据；根据监测数据和预测得到的氮氧化物的排放浓度，确定氮氧化物的预测误差；根据氮氧化物的预测误差，对预测模型进行修正。
64.本实施例提供的锅炉出口氮氧化物监测装置，可用于执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
65.图7是本发明实施例提供的监测终端的结构示意图。如图7所示，本发明的一个实施例提供的监测终端7，该实施例的监测终端7包括：处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72。处理器70执行计算机程序72时实现上述各个锅炉出口氮氧化物监测方法实施例中的步骤，例如图3所示的步骤310至步骤320。或者，处理器70执行计算机程序72时实现上述各系统实施例中各模块/单元的功能，例如图6所示模块610至模块620的功能。
66.示例性的，计算机程序72可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器71中，并由处理器70执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序72在监测终端7中的执行过程。
67.监测终端7可以是监测终端或者服务器，其中，监测终端可以为手机、mcu、ecu等，在此不作限定，服务器可以是物理服务器、云服务器等，在此不作限定。监测终端7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是监测终端7的示例，并不构成对监测终端7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如监测终端还可以包括输入输出设备、网络接入设备、总线等。
68.所称处理器70可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
69.存储器71可以是监测终端7的内部存储单元，例如监测终端7的硬盘或内存。存储器71也可以是监测终端7的外部存储设备，例如监测终端7上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器71还可以既包括监测终端7的内部存储单元也包括外部存储设备。存储器71用于存储计算机程序以及监测终端所需的其他程序和数据。存储器71还可以用于暂时地
存储已经输出或者将要输出的数据。
70.本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述锅炉出口氮氧化物监测方法实施例中的步骤。
71.计算机可读存储介质存储有计算机程序72，计算机程序72包括程序指令，程序指令被处理器70执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序72来指令相关的硬件来完成，计算机程序72可存储于一计算机可读存储介质中，该计算机程序72在被处理器70执行时，可实现上述各个方法实施例的步骤。其中，计算机程序72包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
72.计算机可读存储介质可以是前述任一实施例的监测终端的内部存储单元，例如监测终端的硬盘或内存。计算机可读存储介质也可以是监测终端的外部存储设备，例如监测终端上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，计算机可读存储介质还可以既包括监测终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及监测终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
73.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
74.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
75.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或记载的部分，可以参见其它实施例的相关描述。
76.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
77.在本发明所提供的实施例中，应该理解到，所揭露的装置/监测终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/监测终端实施例仅仅是示意性的，例如，模
块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
78.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。
79.另外，在本发明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。
80.集成的模块/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介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
81.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。