工业相机故障预测方法、装置、计算机设备和存储介质与流程

本申请涉及人工智能技术领域，特别是涉及一种工业相机故障预测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着工业互联网以及智能制造技术的兴起，以大数据、物联网和机器学习等技术为基础的应用成为技术核心。工业相机可以说是智能制造和自动化系统的重中之重，从物料/条码辨识、产品检测、外观尺寸测量到机械手臂/传动设备中的定位需求，都需要工业相机的支持。但由于工业制造生产流程上各类人机交互系统、机机交互系统不断增加，导致工业相机与各系统之间的交互影响也越来越复杂，直接加大了工业相机发生故障或功能失效的概率。

为了保证工业生产水平的提高，需要对工业相机故障进行预测，目前普遍采用基于专家系统的工业相机故障预测技术，或者，基于人工神经网络的故障预测技术。专家系统和人工神经网络都需要依赖管理专家过往积累的大量知识和经验，这两种方法都能够在一定程度上根据相机当前状态准确预测相机故障，但缺乏可解释性，无法准确推理得到故障背后的原因和机理，导致无法预先对症下药地对相机中导致故障的关键部件进行维护保养以提高质量，无法精准定位故障原因，只能整体更换部件，使得工业相机的故障整修的技术成本居高不下。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种工业相机故障预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种工业相机故障预测方法。所述方法包括：

获取工业相机的照相分类特征序列；

通过预设生成方式对所述照相分类特征序列进行处理，得到灰色序列；所述预设生成方式包括累加生成和紧邻均值生成；

将所述灰色序列作为预先构建的灰色模型的输入，求解所述灰色模型的时间响应结果，得到所述工业相机的故障预测结果。

在其中一个实施例中，所述获取工业相机的照相分类特征序列，包括：

获取原始数据；所述原始数据包括任务时间以及与所述任务时间相关联的照相次数、故障次数和正常次数；

将所述原始数据发送至大数据平台进行分布式计算，得到所述工业相机每次执行任务的故障率；

基于所述故障率和所述任务时间构建所述照相分类特征序列。

在其中一个实施例中，所述通过预设生成方式对所述照相分类特征序列进行处理，得到灰色序列，包括：

针对所述照相分类特征序列进行数据级校验，得到满足预设模型规则的待生成序列；

针对所述待生成序列依次使用累加生成算子和紧邻均值生成算子进行处理，得到所述灰色序列。

在其中一个实施例中，所述针对所述照相分类特征序列进行数据级校验，得到满足预设模型规则的待生成序列，包括：

利用所述照相分类特征序列构建待检验序列；

计算所述待检验序列中每一项的级比，若所述每一项的级比均满足所述预设模型规则，则生成所述待生成序列；其中，所述预设模型规则为：所述级比落在预设可容覆盖区间内。

在其中一个实施例中，所述方法还包括：

若所述待检验序列只要有一项的级比不满足所述预设模型规则，则将所述待检验序列进行平移变换，直到经过平移变换后的数列中的每一项均满足所述预设模型规则；

将所述每一项均满足所述预设模型规则的数列作为所述待生成序列。

在其中一个实施例中，所述方法还包括：

基于所述待生成序列构建一阶常微分方程；

通过最小二乘法求解所述一阶常微分方程，得到发展系数和灰作用量；

基于所述发展系数值和所述灰作用量值构建得到所述灰色模型。

第二方面，本申请还提供了一种工业相机故障预测装置。所述装置包括：

特征序列获取模块，用于获取工业相机的照相分类特征序列；

灰色序列生成模块，用于通过预设生成方式对所述照相分类特征序列进行处理，得到灰色序列；所述预设生成方式包括累加生成和紧邻均值生成；

相机故障预测模块，用于将所述灰色序列作为预先构建的灰色模型的输入，求解所述灰色模型的时间响应结果，得到所述工业相机的故障预测结果。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述工业相机故障预测方法实施例中的各步骤。

第四方面，本申请还提供了一种计算机可读存储介质。所述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以上述工业相机故障预测方法实施例中的各步骤。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以上述工业相机故障预测方法实施例中的各步骤。

上述工业相机故障预测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取工业相机的照相分类特征序列；通过预设生成方式对照相分类特征序列进行处理，得到灰色序列；将灰色序列作为预先构建的灰色模型的输入，求解灰色模型的时间响应结果，得到工业相机的故障预测结果。与传统的依靠专家系统和人工神经网络预测工业相机故障率相比，本申请不需要事先收集大量的知识和经验，能够通过收集到的少量的、不完全的信息中构建灰色序列，从而实现有效预测，且具有一定的可解释性，有利于定位出故障相机背后的具体原因和故障机理，提高了相机故障定位效果，并且进一步降低了工业相机故障整修的技术成本。

附图说明

图1为一个实施例中工业相机故障预测方法的应用环境图；

图2为一个实施例中工业相机故障预测方法的网络架构图；

图3为一个实施例中工业相机故障预测方法的流程示意图；

图4为另一个实施例中工业相机故障预测方法的流程示意图；

图5为一个实施例中工业相机故障预测效果图；

图6为一个实施例中工业相机故障预测装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的工业相机故障预测方法，可以应用于如图1所示的应用环境中。其中，终端101通过网络与服务器102进行通信。数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上，也可以放在云上或其他网络服务器上。其中，终端101可以但不限于是各种型号的工业相机设备。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种工业相机故障预测方法的网络架构图，本方案的架构主要包括四个部分，依次为工业相机设备、无线传感网络、大数据治理平台和机器学习算法建模，整体上看，本方案首先基于物联网技术负责对工业相机设备数据进行自动化采集，再使用大数据技术对所采集的工业相机设备数据进行结构化存储与数据计算存储分析，最后针对工业相机工作原理与摄像特征数据提出一种基于灰色模型的模糊预测策略，即应用灰色系统理论建立关于待预测对象的灰色预测模型（简称灰色模型），最后对灰色模型预测值进行模糊推理，并通过对当前过程状态进行模糊判决，实现对灰色模型预测值的自适应调整，最终改善对工业相机故障的预测效果。

细分来看，上述网络架构中，无线传感网络中包括无线传感器节点、网关和服务器等，主要负责将下游终端工业相机设备所执行摄像任务时的照相分类特征数据（主要包括任务时间序列、照相次数、故障次数、正常次数等）通过无线传感器节点及无线网络传输到网关，网关接收到数据包，进行预处理并发送到大数据平台。

其中，大数据平台层为基于Hadoop部署的分布式文件存储系统，并在此基础上，部署YARN框架和分布式平行计算框架等。基于分布式计算框架对工业相机设备数据进行处理，并结合机器学习模型的应用，对工业相机设备健康状态进行判断和故障预测的实时计算。

其中机器学习算法模型主要基于采集到的工业相机设备特征数据完成训练过程与预测过程，最终在训练数据下进行离线训练、评估进而得到最优算法模型，最后会将算法模型融合进大数据平台，并与无线传感网络回传的工业相机设备特征数据打通，作为最后的模型产出结果。

本技术方案采用灰色系统理论对工业物联网相机完成故障预测。灰色系统理论中认为，信息完全未确定的系统为黑色系统，称信息完全确定的系统为白色系统，灰色系统就是介于这两种系统之间，一部分信息是已知的，另一部分信息是未知的，系统内各因素间有不确定的关系；灰色系统理论是用灰色数据处理不确定量，使之量化，并充分利用已知信息寻求系统的运动规律。灰色系统理论中包含灰色预测模型（Grey Forecast Model），简称灰色模型（Grey Model，GM），是通过少量的、不完全的信息，建立数学模型并作出预测的一种预测方法，是处理小样本预测问题的有效工具，而对于小样本预测问题，神经网络的效果却不太理想。

在一个实施例中，如图3所示，提供了一种工业相机故障预测方法的流程示意图，以该方法应用于图1中的服务器102为例进行说明，包括以下步骤：

步骤S301，获取工业相机的照相分类特征序列；

其中，工业相机的照相分类特征序列是指收集工业相机在执行任务过程中的原始观测值后进行一定的预处理得到的序列。

步骤S301具体包括：获取原始数据；原始数据包括任务时间以及与任务时间相关联的照相次数、故障次数和正常次数；将原始数据发送至大数据平台进行分布式计算，得到工业相机每次执行任务的故障率；基于故障率和任务编号构建照相分类特征序列。

具体地，无线传感器采集工业相机在执行任务过程中产生的原始观测值（即原始数据）后将这些原始观测值发送至大数据平台进行一定的处理。上述原始数据包括任务时间（是指记录采集的当下时间，形成任务时间序列，也可称为任务编号）、照相次数、故障次数、正常次数等。将这些原始数据以数据包的形式发送到大数据平台，上述原始观测值的一个实例如下表1所示：其中，在2011年11月1日执行的任务中，照相次数共计291次，正常次数279次，故障次数12次。

表1 原始数据

然后，大数据平台基于分布式计算框架，对上述原始数据进行预处理（包括无量纲化处理），得到每次执行任务的故障率。故障率计算公式如下表示：

故障率=故障次数/总照相次数

对于上述表1中的原始数据进行处理，得到故障率如下表2所示：

表2 故障率表

通过故障率表在大数据平台上完成时序数据分析，可以简单的看到随着工业相机执行拍摄图像任务的次数越多，周期越长，其故障率线性增长。

则用表示上述经过预处理后得到的照相分类特征序列：

其中，表示照相分类特征序列中的第n个数据（也即与第n个故障率对应的修正故障率，例如故障率*10）。

步骤S302，通过预设生成方式对所述照相分类特征序列进行处理，得到灰色序列；所述预设生成方式包括累加生成和紧邻均值生成；

其中，灰色序列是灰色模型中输入的序列，灰色模型的主要特点是模型使用的不是原始数据序列，而是生成的数据序列，即对原始数据作累加生成（或其它方法生成）得到近似的指数规律再进行建模。

如图4所示，图4展示了本方案的完整流程图，其中，上述步骤S302具体包括：针对照相分类特征序列进行数据级校验，得到满足预设模型规则的待生成序列；针对待生成序列依次使用累加生成算子和紧邻均值生成算子进行处理，得到灰色序列。其中，数据级校验是指：利用照相分类特征序列构建待检验序列；计算待检验序列中每一项的级比，若每一项的级比均满足预设模型规则，则生成上述待生成序列；其中，预设模型规则为：级比落在预设可容覆盖区间内。若待检验序列只要有一项的级比不满足预设模型规则，则将待生成序列进行平移变换，直到经过平移变换后的数列中的每一项均满足预设模型规则；将每一项均满足预设模型规则的序列作为待生成序列。再使用预设生成方式对待生成序列进行处理，得到生成序列（即灰色序列），其中预设生成方式包括累加生成算子和紧邻均值生成算子。

具体地，利用照相分类特征序列构建待检验序列（在本实施例中，待检验序列即上述照相分类特征序列）；计算待检验序列中每一项的级比：

其中，表示第k项的级比；表示待检验序列中的第k项数据；

此时，若所有的级比都落在可容覆盖区间内，i=(0,1,...,n-1)，其中i为待检验序列（照相分类特征序列）的索引位置，n为待检验序列的数据项总数，则照相分类特征序列可以建立一阶灰色预测模型且可以进行灰色预测，否则需要再次对输入数据作适当的平移变换处理，满足，使得满足级比算子要求（即预设模型规则）。其中，c表示平移转换值；表示在原始数列值的基础上进行平移转换后满足级比值检验的新数列（即待生成序列）。

接下来，对上述满足预设模型规则的待生成序列依次使用累加生成算子和紧邻均值生成算子进行处理，得到灰色序列（即生成序列）。

（1）累加生成算子

累加生成算子是对照相分类特征序列（或待生成序列）中的数据依次累加得到的数列。累加生成，就是将同一序列中的数据逐次相加以生成新的数据的一种手段，累加前的数列称为原始数列，累加后的数列称为生成数列。通过累加生成可以看出灰量累积过程的发展态势，使杂乱无章的原始数据中蕴含的积分特性或规律加以显化。令累加后所得的新数列为数列的1次累加生成数列，则累加生成序列中的第k个元素为：

其中，为累加生成序列中的第k个元素，当且仅当中的每一个元素均满足上述表达式时，可以将称为的AGO序列（Accumulated Generating Order，累加生成序列），并记为。

（2）紧邻均值生成算子

均值生成是常用的填补原始序列空穴从而生成新序列的方法，通常在收集数据时，由于一些不易克服的困难导致数据序列出现空缺或出现无法使用的异常数据，需要在数据预处理中解决，其中，邻均值生成数列是基于累加生成之后的序列进行邻均值生成，邻均值生成是对等时距数列，用相邻数据的平均值构造生成新的数据序列，例如，对于上述一次累加生成数列，称该数列中任意一对相邻元素互为邻值，构造新数列，将称为的MEAN序列（或邻值生成数列），即为原始数列进行一次累加生成得到的数列的邻值生成数列。并记为，中的每个满足下述关系：

由此得到的数列称为邻值生成数列，其中，为生成系数，常数。特别地，当时，则称该数列为紧邻均值生成数列或者等权邻值生成数列，即：

其中，为一次累加生成序列中的第k个元素；为紧邻均值生成数列中的第k个元素。

步骤S303，将所述灰色序列作为预先构建的灰色模型的输入，求解所述灰色模型的时间响应结果，得到所述工业相机的故障预测结果；

具体地，首先需要构建灰色模型，然后才能开始预测。

（1）构造数据矩阵与数据向量，即基于所述灰色序列构建一阶常微分方程；

灰色系统理论是基于关联空间、光滑离散函数等概念定义灰导数与灰微分方程，进而用离散数列建立微分方程形式的动态模型，即灰色模型是利用离散随机数变为随机性被显著削弱而且较有规律的生成数，建立起的微分方程形式的模型。通过上述计算已知与，则基于该离散序列构建关于该离散序列的一阶微分方程模型GM(1,1)，GM(1,1)模型的原始形式如下：

由此可得GM(1,1)的基本形式如下：

其中，称为灰导数，也即上文中照相特征序列，一般称原始序列为累加生成序列的灰导数；a称为发展系数，称为白化背景值，也即上文中紧邻均值序列中的元素，b称为灰作用量。此时将k值分别代入上式有：

引入矩阵向量记号：

因此一阶灰色预测模型可表示为，其中，向量Y为经过预处理后得到的照相分类特征序列构成的向量，数据矩阵B为等权邻值生成数列构成的数据矩阵。

根据最小二乘法估计参数列满足：

其中向量P为参数矩阵，向量Y为经过预处理后得到的照相分类特征序列构成的向量。通过对一般微分方程的剖析定义的灰导数，从而可以利用离散的数据序列建立近似的微分方程模型即GM(1,1)（上述公式（7））的白化方程如下：

其中为灰导数，变为连续的函数导数。

（2）计算发展系数与灰作用量，即通过最小二乘法求解所述一阶常微分方程，得到发展系数和灰作用量；

基于数据矩阵B与数据向量Y将a，b代入到GM(1,1)模型的白化方程中可得：

因此可得其发展系数a=0.011049；灰色作用量b=0.538708。其中，t表示时刻k=(2,3,...,n)的连续变量，上述视为时间t函数；导数为白化背景值。

（3）求解时间响应函数

根据上式白化方程解得时间响应函数（灰色模型）为

其中，表示针对1次累加生成数列的预测结果值；为照相分类特征数列的1次累加生成数列；

在上述处理原始数据（在本实施例中指的是照相分类特征序列）时，为显示数据规律将数据累加生成，因此时间函数所得预测结果是生成数据（即上述累加生成序列）的预测值，为了计算针对照相分类特征序列的预测值，需要针对上述预测结果值中的每一项减去前一项，从而还原成原始数据（即照相分类特征序列）的相应预测值。即照相分类特征序列的预测值为:

其中，表示第k+1个针对照相分类特征序列的预测结果值；表示第k+1个针对1次累加生成数列的预测结果值；a为发展系数，b为灰作用量；为表示照相分类特征原始序列中的第1个元素数据。

利用上述公式（13）-（14）对未来的相机故障率进行预测，每次预测需要重新计算发展系数a和灰作用量b。

例如，利用上述方法针对上述表格中的样本数据进行工业相机故障率往后12天预测，效果如图5所示。

上述实施例，通过大数据技术有效解决了工业场景下相机传感数据自动化采集与计算模式，将灰色预测模型融入大数据平台解决了工业场景下工业相机数据空缺异常以及设备运行故障原因无法枚举等问题，并且模型运行符合期望值，为后续灰色预测组合模型奠定良好基础，有效解决了工业相机实际维修维护过程中的降本增效问题。

进一步地，本方案还提供了对上述灰色模型的校验方法，用于校验模型的拟合效果：

GM(1,1)模型检验表主要针对残差校验，相对误差校验、级比偏差校验；第一：相对误差值越小越好，该值小于0.2说明达到要求，小于0.1说明达到较高要求；第二：级比偏差值越小越好，该值小于0.2说明达到要求，小于0.1说明达到较高要求。

从上表可知，模型构建后可对相对误差和级比偏差值进行分析，验证模型效果情况；模型相对误差值最大值0.007<0.1，意味着模型拟合效果达到较高要求。针对级比偏差值，该值小于0.2说明达到要求，若小于0.1则说明达到较高要求；模型相对误差值最大值0.02<0.1，意味着模型拟合效果达到较高要求。

（1）模型残差校验

其中，q(k)表示灰色预测模型的残差校验值；表示照相分类特征序列中的第k个元素（也即与第k个故障率对应的修正故障率，例如故障率*10）；表示第k个针对照相分类特征序列的预测结果值。

（2）模型相对误差校验

如果对所有的，则认为到达较高要求；否则，若对所有的<0.2，则认为达到一般要求。计算如下：表示灰色预测模型的相对误差校验值；

其中，表示照相分类特征序列中的第k个元素（也即与第k个故障率对应的修正故障率，例如故障率*10）；表示第k个针对照相分类特征序列的预测结果值。

（3）模型级比偏差校验

如果对所有的，则认为达到较高要求；否则，若对于所有的，则认为达到一般要求。

其中，a为上述灰色发展系数；为灰色模型级比偏差校验值；表示照相分类特征序列中第k项元素的级比算子。

上述实施例，能够实现对灰色模型的效果验证，进一步提升了模型的拟合效果。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的工业相机故障预测方法的工业相机故障预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个工业相机故障预测装置实施例中的具体限定可以参见上文中对于工业相机故障预测方法的限定，在此不再赘述。

在一个实施例中，如图6所示，提供了一种工业相机故障预测装置600，包括：特征序列获取模块601、灰色序列生成模块602和相机故障预测模块603，其中：

特征序列获取模块601，用于获取工业相机的照相分类特征序列；

灰色序列生成模块602，用于通过预设生成方式对所述照相分类特征序列进行处理，得到灰色序列；所述预设生成方式包括累加生成和紧邻均值生成；

相机故障预测模块603，用于将所述灰色序列作为预先构建的灰色模型的输入，求解所述灰色模型的时间响应结果，得到所述工业相机的故障预测结果。

在一实施例中，上述特征序列获取模块601，进一步用于：获取原始数据；所述原始数据包括任务时间以及与所述任务编号相关联的照相次数、故障次数和正常次数；将所述原始数据发送至大数据平台进行分布式计算，得到所述工业相机每次执行任务的故障率；基于所述故障率和所述任务编号构建所述照相分类特征序列。

在一实施例中，上述灰色序列生成模块602，进一步用于：针对所述照相分类特征序列进行数据级校验，得到满足预设模型规则的检验数据；针对所述校验数据依次使用累加生成算子和紧邻均值生成算子进行处理，得到所述灰色序列。

在一实施例中，上述灰色序列生成模块602，进一步用于：利用所述照相分类特征序列构建待生成序列；

计算所述待生成序列中每一项的级比，若所述每一项的级比均满足所述预设模型规则，则生成所述待生成序列；其中，所述预设模型规则为：所述级比落在预设可容覆盖区间内。

在一实施例中，上述灰色序列生成模块602，还用于：若所述待生成序列只要有一项的级比不满足所述预设模型规则，则将所述待生成序列进行平移变换，直到经过平移变换后的数列中的每一项均满足所述预设模型规则。

在一实施例中，上述相机故障预测模块603，进一步用于：

基于所述灰色序列构建一阶常微分方程；通过最小二乘法求解所述一阶常微分方程，得到发展系数和灰作用量；基于所述发展系数和所述灰作用量构建得到所述灰色模型。

上述工业相机故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储照相分类特征数据以及预测故障率数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种工业相机故障预测方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述工业相机故障预测方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述工业相机故障预测方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以实现上述工业相机故障预测方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。