反应炉的运行控制方法、装置、介质与电子设备与流程

1.本公开涉及图像处理技术领域，具体而言，涉及一种反应炉的运行控制方法、反应炉的运行控制装置、计算机可读存储介质与电子设备。


背景技术：

2.目前，采用自国外引进的自动燃烧控制(automatic combustion control，acc)系统对垃圾焚烧炉进行自动控制，操作员在acc系统中设定垃圾热值、目标蒸汽量、垃圾比重等参数，通过acc系统的各个控制回路的工艺公式的计算结果自动控制垃圾焚烧炉。其中，acc技术的核心思路为工艺计算，例如，利用公式对温度信息进行计算。
3.然而，相关技术的方案中，由于acc系统过度依赖工艺计算的局限性，导致采用acc系统的垃圾焚烧炉的工作效率较低。
4.需要说明的是，在上述背景技术公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本公开的目的在于提供一种反应炉的运行控制方法、反应炉的运行控制装置、介质与电子设备，用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的反应炉的工作效率较低的问题。
6.根据本公开实施例的一方面，提供一种反应炉的运行控制方法，包括：采集反应炉内的图像信息；根据图像信息确定反应炉内的温度场信息和燃烧状态信息；获取反应炉的燃烧工况信息；根据温度场信息、燃烧状态信息和燃烧工况信息确定反应炉的运行参数。
7.在本公开的一种示例性实施例中，上述反应炉的运行控制方法还包括：确定用于训练神经网络模型的温度场信息样本、燃烧状态信息样本和燃烧工况信息样本；确定反应炉的运行样本；以温度场信息样本、燃烧状态信息样本和燃烧工况信息样本作为神经网络模型的输入样本，以运行样本为神经网络模型的输出样本，对神经网络模型进行训练。
8.在本公开的一种示例性实施例中，燃烧工况信息样本包括温度样本和第一送风样本，运行样本包括第一运行样本，以温度场信息样本、燃烧状态信息样本和燃烧工况信息样本作为神经网络模型的输入样本，以运行样本为神经网络模型的输出样本，对神经网络模型进行训练包括：根据温度场信息样本、燃烧状态信息样本温度样本和第一送风样本确定第一样本；以第一样本作为神经网络模型的输入样本，以第一运行样本为神经网络模型的输出样本，对神经网络模型进行训练。
9.在本公开的一种示例性实施例中，第一运行样本包括一次风机频率样本、一次风入口阀门样本、一次风空预器开合度样本、一次风空预器支路样本、干燥炉排一次风阀门样本、燃烧炉排一段一次风阀门样本、燃烧炉排二段一次风阀门样本、燃烧炉排三段一次风阀门样本、燃烬炉排一段一次风阀门样本和燃烬炉排二段一次风阀门样本中的至少一个。
10.在本公开的一种示例性实施例中，燃烧工况信息样本包括第二送风样本，运行样
本包括第二运行样本，以温度场信息样本、燃烧状态信息样本和燃烧工况信息样本作为神经网络模型的输入样本，以运行样本为神经网络模型的输出样本，对神经网络模型进行训练还包括：根据温度场信息样本、燃烧状态信息样本和第二送风样本确定第二样本；以第二样本作为神经网络模型的输入样本，以第二运行样本为神经网络模型的输出样本，对神经网络模型进行训练。
11.在本公开的一种示例性实施例中，第二运行样本包括二次风机频率样本、二次风入口阀门样本、二次风空预器开合度样本和二次风空预器支路样本中的至少一个。
12.在本公开的一种示例性实施例中，燃烧工况信息样本包括料层厚度样本，运行样本包括第三运行样本，以温度场信息样本、燃烧状态信息样本和燃烧工况信息样本作为神经网络模型的输入样本，以运行样本为神经网络模型的输出样本，对神经网络模型进行训练还包括：根据温度场信息样本、燃烧状态信息样本和料层厚度样本确定第三样本；以第三样本作为神经网络模型的输入样本，以第三运行样本为神经网络模型的输出样本，对神经网络模型进行训练。
13.在本公开的一种示例性实施例中，第三运行样本包括左侧推料器比例阀样本和/或右侧推料器比例阀样本。
14.在本公开的一种示例性实施例中，燃烧工况信息样本包括料层厚度样本和燃烧产物样本，运行样本包括第四运行样本，以温度场信息样本、燃烧状态信息样本和燃烧工况信息样本作为神经网络模型的输入样本，以运行样本为神经网络模型的输出样本，对神经网络模型进行训练还包括：根据温度场信息样本、燃烧状态信息样本、料层厚度样本和燃烧产物样本确定第四样本；以第四样本作为神经网络模型的输入样本，以第四运行样本为神经网络模型的输出样本，对神经网络模型进行训练。
15.在本公开的一种示例性实施例中，第四运行样本包括左侧干燥炉排运动周期样本、右侧干燥炉排运动周期样本、左侧燃烧炉排运动周期样本、右侧燃烧炉排运动周期样本、左侧燃烬炉排运动周期样本和右侧燃烬炉排运动周期样本中的至少一个。
16.在本公开的一种示例性实施例中，根据任意一项上述的反应炉的运行控制方法，还包括：将运行参数中的通用执行参数分别发送至反应炉的左侧执行器和右侧执行器；其中，通用执行参数包括推料参数、干燥参数、燃烧参数、燃烬参数中的至少一种。
17.在本公开的一种示例性实施例中，根据任意一项上述的反应炉的运行控制方法，还包括：根据反应炉的工艺条件确定可对反应炉进行调整的工况参数范围；判断反应炉的测试样本是否满足工况参数范围；若判定测试样本不满足工况参数范围，则确定不采用测试样本对反应炉进行测试；若判定测试样本满足工况参数范围，则确定采用测试样本对反应炉进行测试。
18.根据本公开实施例的另一方面，提供一种反应炉的运行控制装置，包括：采集模块，用于采集反应炉内的图像信息；第一确定模块，用于根据图像信息确定反应炉内的温度场信息和燃烧状态信息；获取模块，用于获取反应炉的燃烧工况信息；第二确定模块，用于根据温度场信息、燃烧状态信息和燃烧工况信息确定反应炉的运行参数。
19.根据本公开的另一方面，提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上述任意一项的反应炉的运行控制方法。
20.根据本公开的另一方面，提供一种电子设备，包括：处理器；以及存储器，用于存储
处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行如上述任意一项的反应炉的运行控制方法。
21.本公开实施例的技术方案通过采集反应炉内的图像信息，解析图像信息以确定反应炉内的温度场信息和燃烧状态信息，并根据温度场信息、燃烧状态信息和燃烧工况信息确定反应炉的运行参数，提高了反应炉的运行可靠性，还提高了反应炉的工作效率，进一步提高了反应炉的能效利用率，降低了能耗成本。
22.进一步地，根据反应炉的历史温度场信息、燃烧状态信息和历史燃烧工况信息对运行参数样本进行模型训练，将反应炉的当前温度场信息、当前燃烧状态信息和当前燃烧工况信息输入训练好的神经网络模型中，将神经网络模型的输出结果作为反应炉的运行参数来控制反应炉的各个执行器，提高了反应炉的控制准确率和控制可靠性。
23.本公开实施例的技术方案通过ai(artificial intelligence，机器视觉)技术、大数据技术、深度学习技术和人工智能技术对垃圾焚烧海量的工况数据进行学习，形成了反应炉的核心控制算法库，对反应炉内的燃烧状态进行快速判断、智能分析并自动调整控制策略，实现焚烧控制的无人化操作，保障反应炉的稳定运行，实现节能增效目标。
24.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
25.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。
26.图1示出本公开示例性实施例中一种反应炉的运行控制方法的流程图；
27.图2示出本公开示例性实施例中另一种反应炉的运行控制方法的流程图；
28.图3示出本公开示例性实施例中另一种反应炉的运行控制方法的流程图；
29.图4示出本公开示例性实施例中另一种反应炉的运行控制方法的流程图；
30.图5示出本公开示例性实施例中另一种反应炉的运行控制方法的流程图；
31.图6示出本公开示例性实施例中另一种反应炉的运行控制方法的流程图；
32.图7示出本公开示例性实施例中另一种反应炉的运行控制方法的流程图；
33.图8示出本公开示例性实施例中另一种反应炉的运行控制方法的流程图；
34.图9示出本公开示例性实施例中一种反应炉的控制原理的示意图；
35.图10示出本公开示例性实施例中一种反应炉的控制系统的示意图；
36.图11示出本公开示例性实施例中一种反应炉的运行控制装置的框图；
37.图12示出本公开示例性实施例中一种电子设备的框图。
具体实施方式
38.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结
构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略上述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
39.此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。符号“/”一般表示前后关联对象是一种“或”的关系。
40.在本公开中，除非另有明确的规定和限定，“连接”等术语应做广义理解，例如，可以是电连接或可以互相通讯；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本公开中的具体含义。
41.此外，附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
42.目前，acc系统的局限性如下：
43.(1)acc系统对水分含量高，成分波动大的垃圾的焚烧过程的控制效果较差。
44.(2)acc系统依赖于公式进行实时计算，在acc系统中无法结合操作员的操作经验。
45.(3)acc系统对仪器仪表精度的依赖度过高，如果存在仪器仪表损坏或精度不够的情况，会导致acc系统难以准确运行。
46.(4)acc系统依赖于垃圾热值库的数据，如果未保存好垃圾热值数据库的数据，出现数据丢失或者数据失效的情况，会导致acc系统的运行准确率降低。
47.(5)acc系统中的热电偶为单点测温，无法准确反馈反应炉内温度场的信息，缺少对燃烧工况信息的直观识别判断，例如无法对火焰偏烧、垃圾过厚和烟雾状态等燃烧工况信息进行直观判断。
48.上述局限性降低了acc系统应用于垃圾焚烧厂的自动化程度和工作效率，并限制了垃圾焚烧厂推广使用的范围。
49.针对以上局限性，本公开基于反应炉的工艺原理、燃烧工况信息、控制指令数据和火焰燃烧状态的识别信息，利用工艺计算技术、图像处理技术与人工智能技术的神经网络模型研发核心控制算法，并配合自动控制原理与工业数据传输技术，构建了icc(intelligent combustion control，智能燃烧控制)系统。
50.其中，icc系统中包括的关键技术如下：
51.(1)采用图像处理技术对反应炉的温度进行测量并输出温度场信息和燃烧状态信息。
52.(2)采用图像处理技术采集到的图像进行识别以得到炉内燃烧工况信息。
53.(3)将识别到的温度场信息、燃烧状态信息和燃烧工况信息作为输入变量输入到
icc(intelligent combustion control，智能燃烧控制)系统。
54.(4)采用大数据分析的方法对现场运行数据进行处理。
55.(5)采用机器学习方法对处理后的现场运行数据进行模型训练，得到高精度调控模型。
56.(6)通过改变输入变量之间的组合形式来训练模型，以使模型学习到系统的输入变量随时间的变化趋势，从而摆脱对单点单个仪器的高精度的依赖。
57.(7)具有高度的鲁棒性，若单个仪器仪表或执行器损坏，不影响系统其他部分的稳定运行。
58.(8)采用与现有垃圾焚烧自动控制系统完全不同的控制思路，摆脱对垃圾热值数据库的依赖，能适应垃圾热值高、有机物含量大的特点。
59.(9)具有高度的通用性，适用于多种反应炉，包括但不限于机械式炉排反应炉、流化床焚烧炉以及回转式焚烧炉。
60.下面结合附图及实施例对本示例实施方式中的反应炉的运行控制方法的各个步骤进行更详细的说明。
61.图1是本公开示例性实施例中反应炉的运行控制方法的流程图。
62.参考图1，反应炉的运行控制方法包括：
63.步骤s102，采集反应炉内的图像信息。
64.在本公开的一种示例性实施例中，反应炉包括用于垃圾焚烧的反应炉和用于工业反应的炉窑设备，但不限于此。
65.在本公开的一种示例性实施例中，反应炉包括且不限于固体废物反应炉、气体废物反应炉和液体废物反应炉。
66.步骤s104，根据图像信息确定反应炉内的温度场信息和燃烧状态信息。
67.在本公开的一种示例性实施例中，通过反应炉内的图像信息反映反应炉内的火焰温度，根据不同时刻下的火焰温度的分布规律，来确定不同时刻下反应炉内的火焰的温度场信息，提高了反应炉的控制精准度。
68.在本公开的一种示例性实施例中，通过反应炉内的图像信息反映了反应炉内的火焰的燃烧状态信息，不同的燃烧状态信息还反映了火焰燃烧过程中的不同阶段，根据燃烧状态信息和温度场信息确定反应炉内的火焰状态，提高了反应炉的控制准确性。
69.在本公开的一种示例性实施例中，使用测温技术确定反应炉内的温度场信息。测温技术通过利用炉壁上的多个热电偶和炉顶的红外热成像仪实时检测反应炉内的温度场分布，或通过采用单个ccd(charge coupled device，电荷耦合元件)相机采集火焰图像，利用双色热辐射方法实现反应炉的无接触测温，并确定反应炉内的温度场分布。
70.在本公开的一种示例性实施例中，测温技术包括红外测温技术、热电偶测温技术和图像测温技术。红外测温技术为利用红外传感器，检测被测物体表面发射的红外波段辐射强度，根据辐射强度与温度之间的关系进行温度测量。热电偶测温技术为将热电偶通过炉壁打孔的方式安装在反应炉炉壁的四周，通过热电偶测量反应炉中的炉膛温度。图像测温技术为利用双色热辐射方法分析采集到的火焰图像，根据分析结果确定反应炉内的温度。
71.步骤s106，获取反应炉的燃烧工况信息。
72.在本公开的一种示例性实施例中，反应炉的燃烧工况信息包括反应炉内的温度参数、压力参数、负荷参数和污染物参数，但不限于此。
73.在本公开的一种示例性实施例中，通过对反应炉内的温度参数、压力参数、负荷参数和污染物参数进行调整以控制反应炉的反应进程。
74.步骤s108，根据温度场信息、燃烧状态信息和燃烧工况信息确定反应炉的运行参数。
75.在上述实施例中，通过采集反应炉内的图像信息，并根据图像信息确定反应炉内的温度场信息和燃烧状态信息，获取反应炉的燃烧工况信息，并根据温度场信息、燃烧状态信息和燃烧工况信息确定反应炉的运行参数，提高了反应炉的运行可靠性，还提高了反应炉的工作效率，进一步提高了反应炉的能效利用率，降低了能耗成本。
76.如图2所示，上述反应炉的运行控制方法还包括：
77.步骤s202，确定用于训练神经网络模型的温度场信息样本、燃烧状态信息样本和燃烧工况信息样本。
78.步骤s204，确定反应炉的运行样本。
79.步骤s206，以温度场信息样本、燃烧状态信息样本和燃烧工况信息样本作为神经网络模型的输入样本，以运行样本为神经网络模型的输出样本，对神经网络模型进行训练。
80.在上述实施例中，通过确定用于训练神经网络模型的温度场信息样本、燃烧状态信息样本和燃烧工况信息样本，并确定反应炉的运行样本，以温度场信息样本、燃烧状态信息样本和燃烧工况信息样本作为神经网络模型的输入样本，并以运行样本为神经网络模型的输出样本，对神经网络模型进行训练，提高了神经网络模型的输出样本的准确性，提高了反应炉的运行可靠性，还提高了反应炉的工作效率。
81.如图3所示，燃烧工况信息样本包括温度样本和第一送风样本，运行样本包括第一运行样本，以温度场信息样本、燃烧状态信息样本和燃烧工况信息样本作为神经网络模型的输入样本，以运行样本为神经网络模型的输出样本，对神经网络模型进行训练包括：
82.步骤s302，根据温度场信息样本、燃烧状态信息样本、温度样本和第一送风样本确定第一样本。
83.步骤s304，以第一样本作为神经网络模型的输入样本，以第一运行样本为神经网络模型的输出样本，对神经网络模型进行训练。
84.在上述实施例中，通过根据温度场信息样本、燃烧状态信息样本、温度样本和第一送风样本确定第一样本，以第一样本作为神经网络模型的输入样本，以第一运行样本为神经网络模型的输出样本，对神经网络模型进行训练，提高了输入样本的丰富度，提高了神经网络模型的准确度。
85.在本公开的一种示例性实施例中，第一运行样本包括一次风机频率样本、一次风入口阀门样本、一次风空预器开合度样本、一次风空预器支路样本、干燥炉排一次风阀门样本、燃烧炉排一段一次风阀门样本、燃烧炉排二段一次风阀门样本、燃烧炉排三段一次风阀门样本、燃烬炉排一段一次风阀门样本和燃烬炉排二段一次风阀门样本中的至少一个。
86.在本公开的一种示例性实施例中，反应炉包括一次风控制系统，一次风系统为反应炉内的燃烧过程提供一次风，一次风从炉排下部进入炉膛，用于引燃反应物以及为反应物提供其燃烧时所需的空气量。
87.在本公开的一种示例性实施例中，根据一次风入口阀门样本控制一次风控制系统的进风口开启，以将一次风输入反应炉内，并根据一次风机频率样本控制一次风控制系统的风机转动的频率，以提供不同风量的一次风。
88.其中，一次风包括冷一次风，将冷一次风输入至反应炉内以调节反应炉内的反应温度。
89.另外，一次风还包括热一次风，根据一次风空预器开合度样本控制一次风空预器对一次风进行预热，以提供预热后的主进风量，并基于主进风量和一次风空预器支路样本控制一次风空预器支路对一次风进行预热，以提供预热后的支路进风量，将主进风量和支路进风量的和值作为热一次风输入至反应炉内以提供其燃烧时需要的空气量。
90.在本公开的一种示例性实施例中，根据干燥炉排一次风阀门样本控制进入反应炉的干燥炉排的干燥风的风量来降低干燥炉排上的反应物的含水量。
91.在本公开的一种示例性实施例中，根据燃烧炉排一段一次风阀门样本、燃烧炉排二段一次风阀门样本和燃烧炉排三段一次风阀门样本中的至少一个控制进入反应炉的燃烧炉排的空气量，以提供反应物在燃烧时需要的空气。
92.在本公开的一种示例性实施例中，根据燃烬炉排一段一次风阀门样本和/或燃烬炉排二段一次风阀门样本控制进入反应炉的燃烬炉排的空气量，从而提供燃烬时需要的空气。
93.如图4所示，燃烧工况信息样本包括第二送风样本，运行样本包括第二运行样本，以温度场信息样本、燃烧状态信息样本和燃烧工况信息样本作为神经网络模型的输入样本，以运行样本为神经网络模型的输出样本，对神经网络模型进行训练还包括：
94.步骤s402，根据温度场信息样本、燃烧状态信息样本和第二送风样本确定第二样本。
95.步骤s404，以第二样本作为神经网络模型的输入样本，以第二运行样本为神经网络模型的输出样本，对神经网络模型进行训练。
96.在上述实施例中，通过根据温度场信息样本、燃烧状态信息样本和第二送风样本确定第二样本，以第二样本作为神经网络模型的输入样本，以第二运行样本为神经网络模型的输出样本，对神经网络模型进行训练，提升了输入样本的多样性，提高了神经网络模型的准确度。
97.在本公开的一种示例性实施例中，第二运行样本包括二次风机频率样本、二次风入口阀门样本、二次风空预器开合度样本和二次风空预器支路样本中的至少一个。
98.在本公开的一种示例性实施例中，反应炉包括二次风控制系统，二次风系统为反应炉内的燃烧过程补充提供所需要的二次风，二次风从炉排上部喷入以扰乱气流使燃烧程度更为完全。
99.在本公开的一种示例性实施例中，根据二次风入口阀门样本控制二次风控制系统的进风口开启，以将二次风输入反应炉内，根据二次风机频率样本控制二次风控制系统的风机转动的频率，以提供不同风量的二次风。
100.在本公开的一种示例性实施例中，另外，根据二次风空预器开合度样本控制二次风空预器对二次风进行预热，以提供预热后的主进风量，并基于主进风量和二次风空预器支路样本控制二次风空预器支路对另一部分的二次风进行预热，以提供预热后的支路进风
量，将主进风量和支路进风量的和值作为二次风输入至反应炉内。
101.如图5所示，燃烧工况信息样本包括料层厚度样本，运行样本包括第三运行样本，以温度场信息样本、燃烧状态信息样本和燃烧工况信息样本作为神经网络模型的输入样本，以运行样本为神经网络模型的输出样本，对神经网络模型进行训练还包括：
102.步骤s502，根据温度场信息样本、燃烧状态信息样本和料层厚度样本确定第三样本。
103.步骤s504，以第三样本作为神经网络模型的输入样本，以第三运行样本为神经网络模型的输出样本，对神经网络模型进行训练。
104.在上述实施例中，通过根据温度场信息样本、燃烧状态信息样本和料层厚度样本确定第三样本，以第三样本作为神经网络模型的输入样本，以第三运行样本为神经网络模型的输出样本，对神经网络模型进行训练，丰富了输入样本的样本类型，提高了神经网络模型的可靠性。
105.在本公开的一种示例性实施例中，第三运行样本包括左侧推料器比例阀样本和/或右侧推料器比例阀样本。
106.在本公开的一种示例性实施例中，根据左侧推料器比例阀样本和/或右侧推料器比例阀样本控制给料系统的左侧推料器和/或右侧推料器，以控制反应炉内的反应物的反应量。
107.如图6所示，燃烧工况信息样本包括料层厚度样本和燃烧产物样本，运行样本包括第四运行样本，以温度场信息样本、燃烧状态信息样本和燃烧工况信息样本作为神经网络模型的输入样本，以运行样本为神经网络模型的输出样本，对神经网络模型进行训练还包括：
108.步骤s602，根据温度场信息样本、燃烧状态信息样本、料层厚度样本和燃烧产物样本确定第四样本。
109.步骤s604，以第四样本作为神经网络模型的输入样本，以第四运行样本为神经网络模型的输出样本，对神经网络模型进行训练。
110.在上述实施例中，通过根据温度场信息样本、燃烧状态信息样本、料层厚度样本和燃烧产物样本确定第四样本，以第四样本作为神经网络模型的输入样本，以第四运行样本为神经网络模型的输出样本，对神经网络模型进行训练，提高了输入样本的样本类型，提高了神经网络模型的准确度。
111.在本公开的一种示例性实施例中，第四运行样本包括左侧干燥炉排运动周期样本、右侧干燥炉排运动周期样本、左侧燃烧炉排运动周期样本、右侧燃烧炉排运动周期样本、左侧燃烬炉排运动周期样本和右侧燃烬炉排运动周期样本中的至少一个。
112.在本公开的一种示例性实施例中，料层厚度样本和燃烧产物样本影响反应炉的炉排运动速度，不同的炉排运动速度具有不同的炉排运动周期样本，因此料层厚度样本和燃烧产物样本对炉排运动周期样本的影响也不同。另外，温度场信息样本也间接反映了炉排运动周期样本，即综合温度场信息样本、燃烧状态信息样本、料层厚度样本和燃烧产物样本对反应炉的炉排运动周期样本进行更为可靠的训练。
113.如图7所示，上述的反应炉的运行控制方法还包括：
114.步骤s702，将运行参数中的通用执行参数分别发送至反应炉的左侧执行器和右侧
执行器。
115.其中，通用执行参数包括推料参数、干燥参数、燃烧参数、燃烬参数中的至少一种。
116.在上述实施例中，通过将运行参数中的通用执行参数分别发送至反应炉的左侧执行器和右侧执行器，提高了反应炉的工作效率。
117.在本公开的一种示例性实施例中，将通用执行参数分别发送至左侧执行器和右侧执行器以同时控制反应炉内的左侧执行器和右侧执行器。
118.在本公开的一种示例性实施例中，左侧执行器包括左侧推料器比例阀、左侧干燥炉排、左侧燃烧炉排和左侧燃烬炉排，但不限于此。
119.在本公开的一种示例性实施例中，右侧执行器包括右侧推料器比例阀、右侧干燥炉排、右侧燃烧炉排和右侧燃烬炉排，但不限于此。
120.如图8所示，根据任意一项上述的反应炉的运行控制方法，还包括：
121.步骤s802，根据反应炉的工艺条件确定可对反应炉进行调整的工况参数范围。
122.步骤s804，判断反应炉的测试样本是否满足工况参数范围。若为是，则进入步骤s808。若为否，则进入步骤s806。
123.步骤s806，若判定测试样本不满足工况参数范围，则确定不采用测试样本对反应炉进行测试。
124.步骤s808，若判定测试样本满足工况参数范围，则确定采用测试样本对反应炉进行测试。
125.在上述实施例中，通过根据反应炉的工艺条件确定可对反应炉进行调整的工况参数范围，判断反应炉的测试样本是否满足工况参数范围，若判定测试样本不满足工况参数范围，则确定不采用测试样本对反应炉进行测试，若判定测试样本满足工况参数范围，则确定采用测试样本对反应炉进行测试，提高了反应炉的运行可靠性，还提高了反应炉的工作效率。
126.在本公开的一种示例性实施例中，当反应炉工作时，根据反应物反应所需的反应温度设置可调整的反应温度范围，可例如，为了提供垃圾充分燃烧的反应温度，设置反应温度范围为[850℃，1000℃]。此时，若判定测试样本中的反应温度为0℃，则不采用测试样本对反应炉进行测试。若判定测试样本中的反应温度为900℃，则确定采用测试样本对反应炉进行测试。
[0127]
如图9所示，反应炉的控制原理包括：采集反应炉的工况数据902，使用工艺计算公式904对工况数据902进行计算以得到空气流量控制值906和速度值908。其中，工况数据902包括垃圾热值lhv(low heat value，低位热值)、主蒸汽流量、主蒸汽压力、主蒸汽温度、渗沥液喷射流量和尿素水喷射流量。通过调整速度值908以调整反应炉的执行器的运动周期。
[0128]
其中，空气流量控制值906包括干燥炉排标准空气流量、燃烧炉排标准空气流量和燃烬炉排标准空气流量，空气流量控制值906用于控制进入干燥炉排、燃烧炉排和燃烬炉排的空气流量。根据工艺计算公式904计算工况数据902和过量空气参数(设定值为1.3)得到标准空气流量，同时根据标准空气流量得到干燥炉排标准空气流量、燃烧炉排标准空气流量和燃烬炉排标准空气流量。其中，标准空气流量单位为m3n/h。
[0129]
另外，速度值908包括推料器速度、干燥炉排速度、燃烧炉排速度和燃烬炉排速度，根据工艺计算公式904计算工况数据902得到垃圾重量，一方面根据垃圾重量确定反应炉内
的垃圾层厚度控制值。另一方面，根据垃圾重量和垃圾外观比重计算所需垃圾体积，基于所需垃圾体积确定标准速度值，根据垃圾层厚度控制值和标准速度值计算推料器速度和干燥炉排速度，并根据标准速度确定燃烧炉排速度和燃烬炉排速度。
[0130]
其中，根据垃圾重量wr和垃圾外观比重sg计算投入反应炉内的所需垃圾体积vr的计算公式如下：
[0131]
vr＝wr/sg
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0132]
其中，所需垃圾体积vr的单位为m3/h，垃圾重量wr的单位为t/h，垃圾外观比重sg的单位为t/m3。
[0133]
在本公开的一种示例性实施例中，通过读取当前的燃烧工况信息，结合图像测温技术与火焰燃烧状态诊断装备解析图像信息，以得到火焰的温度场信息和燃烧状态信息，将包含这些数据的若干数据测点通过opc(object linking and embedding，用于过程控制的对象连接与嵌入)通讯协议传输至第三方数据库存储，基于控制算法对每个模型的变量信息进行读取并进行模型计算，模型计算完毕后，输出模型的计算结果作为运行参数，将运行参数传入第三方数据库进行存储，同时将运行参数传入dcs(distributed control system，分布式控制系统)系统控制执行器。基于对历史工况数据的学习，形成了反应炉的控制算法库，提高了燃烧工况信息的判断速度、提高了反应炉的信息处理效率，提高了反应炉的自动化水平，提高了反应炉的运行稳定性与安全性，提高了能效利用率。
[0134]
其中，上述燃烧工况信息包括主蒸汽流量、出口氧量、垃圾料层厚度、干燥炉排温度、燃烧炉排上部温度、燃烬炉排上部温度、炉均温度和高温过热器温度，但不限于此。
[0135]
接下来结合以下实施例对反应炉的运行控制方法进行说明。
[0136]
实施例一：
[0137]
本公开实施例提出了一种结合图像处理的反应炉icc系统，icc系统包括图像测温与诊断装备，icc系统数据采集模块与icc系统控制逻辑输出模块。其中，icc系统的输入参考量包含dcs系统的所有输入数据，以及图像测温与诊断装备分析得出的反应炉火焰温度和燃烧工况信息，icc系统的输出被控量包括反应炉的给料系统控制参数、各段炉排运动周期参数、燃烧空气系统一次风控制参数和燃烧空气系统二次风控制参数。
[0138]
如图10所示，一种反应炉的控制系统包括：进料口1002、燃烧段1004、燃烬段1006、灰渣1008、烟气管壁1010、plc控制柜1012、pc端1014、冷却风输入接口1016、ccd相机1018、自动进退保护装置1020、观测口1022、冷却风输出口1024和反应物1026。
[0139]
通过进料口1002向反应炉内投入反应物，反应物在燃烧段1004燃烧后的燃烧产物经过燃烧段1004的燃烧炉排的炉排运动后进入燃烬段1006，在燃烬段1006上继续燃烧，生成灰渣1008。在燃烧过程中，产生的高温烟气经过烟气管道排出，在烟气管道上的烟气管壁1010上设置热电偶来测量烟气温度。ccd相机1018通过自动进退保护装置1020进入观测口1022，采集反应炉内的图像信息，配置在自动进退保护装置1020上的风冷系统包括冷却风输入接口1016和冷却风输出口1024，风冷系统为高温下工作的ccd相机1018提供冷却风，以保障ccd相机1018的正常工作。当plc控制柜监测到ccd相机1018的工作温度过高时，plc控制柜控制自动进退保护装置1020离开观测口1022。
[0140]
ccd相机1018具有用于传输图像数据的接口，电源通过相机电源开关连接到ccd相机1018，ccd相机1018通过千兆以太网线与工控机1014连接，ccd相机1018还通过千兆网线
与工控机1014进行指令参数和数据的传送，工控机1014将接收到的数据通过图像软件算法进行处理，并将处理后的结果输入到icc控制系统中。
[0141]
结合以下步骤对icc系统的工作过程进行具体分析：
[0142]
步骤一：使用图像测温与诊断装备获取图像信息。
[0143]
(1)成像系统的硬件设计：包括配套图像传感器、自动进退装置、风冷系统、plc(programmable logic controller，可编程逻辑控制器)控制柜和工控机。
[0144]
其中，配套图像传感器包括ccd相机和镜杆，使用镜杆为ccd相机提供固定点，将ccd相机通过千兆网线与工控机相连接以便将ccd相机采集到的图像发送给工控机，配套图像传感器的图像覆盖区域包括燃烧段和燃尽段。
[0145]
其中，配套图像传感器设置于自动进退装置上，自动进退装置包括风冷系统，用于保障ccd相机在正常温度范围内工作。风冷系统包括冷却风输入接口，在冷却风输入接口设置有用于监测冷却风气压的传感器。自动进退装置中还配置有温度传感器，用于监测温度信息。自动进退装置通过连接线与电连接，用于将监测到冷却风气压信息温度信息发送给plc控制柜。自动进退装置在工作时进入观测口，若plc控制柜监测到的温度高于75摄氏度或冷却风气压低于0.4mpa，则plc控制柜控制自动进退装置退出观测口，保障成像系统的硬件设备在异常条件下的安全。
[0146]
(2)通过成像系统实时采集反应炉内的火焰图像，并将火焰图像依次传入到图像处理系统中。
[0147]
(3)在图像处理系统中，对采集到的火焰图像依次进行降噪、滤波处理、归一化和灰度值化等处理。
[0148]
(4)通过黑体炉对成像系统进行标定，基于标定数据库、双色测温原理，利用神经网络，对样本进行训练、验证、测试，最终建立适用于垃圾焚烧火焰温度计算及燃烧状态诊断的工艺算法。
[0149]
(5)在工艺算法中自动去除反应炉内的烟尘影响。
[0150]
(6)通过图像处理系统的工艺算法，将火焰图像实时转换为温度场信息，同时对垃圾焚烧火焰是否处于正常燃烧、偏烧、垃圾层过厚、烟雾异常、火焰面积过小等工况进行快速诊断并得到相应的燃烧状态信息。
[0151]
(7)将图像处理得到的结果输入dcs系统数据采集模块。
[0152]
步骤二：训练神经网络模型。
[0153]
(1)选择模型的输入变量：输入模型的变量包括反应炉的温度参数、压力参数、负荷参数、污染物参数、工况状态参数和火焰燃烧信息。
[0154]
其中，温度参数包括炉膛温度、炉排温度、炉均温度、高温过热器温度、主蒸汽温度和灰渣温度等。压力参数包括一次风压力、二次风压力、汽包压力、主蒸汽压力和炉膛压力等。负荷参数包括主蒸汽流量、燃烧室热负荷和炉排机械负荷等。污染物参数包括氯化氢、二氧化碳、氮氧化物、颗粒物和一氧化碳等。工况状态参数包括出口气体含氧量、垃圾料层厚度和汽包液位等。火焰燃烧信息包括图像处理模块输出的炉内火焰温度场信息和燃烧状态信息。
[0155]
本公开实施例中涉及到的模型不止一个，因此没有对不同控制回路的模型采用同一套数据处理方法后的数据集，而是为每条控制回路的模型分别建立模型，且本公开实施
例建立模型的过程不同于既有的方法，既有的方法是先进行样本处理和数据分析等步骤，再建立模型，而本公开实施例在进行数据的处理过程的同时进行每条控制回路的变量选择过程与每条控制回路的模型建立过程。
[0156]
(2)处理输入数据的步骤：先处理母集数据，再选择子集数据。将原始数据经过粗处理后的数据集称为母集，选择每个控制回路涉及到的变量对应的数据集为子集。
[0157]
处理母集数据时以整体工况为导向，剔除非稳定态以及异常态的工况数据，这种粗放型的处理方式导致了某些时间点上的所有变量被删除。在处理子集数据时，交错进行子集变量的选择过程。选择子集变量时以工艺逻辑上的相关性为导向，并辅以历史数据分析的结果。
[0158]
(3)搭建神经网络模型：将各个选好的子集划分成测试集和训练集，使用训练集训练神经网络模型，神经网络模型包括但不限于处理回归问题(即输出为连续型变量)的神经网络模型，可例如决策树回归模型、支持向量回归模型、bp(back propagation，反向传播)神经网络模型和长短期记忆网络模型等。
[0159]
(4)简化神经网络模型：本公开实施例的完整系统的输出共有22个，可适当作简化处理，如将左右侧的炉排运动周期类的运行参数简化为炉排运动周期类的运行参数，可减少4个神经网络模型。本公开实施例对左右侧炉排运动周期类的运行参数进行联动处理，只需建立18个运行参数的神经网络模型。
[0160]
另外，除了左右侧的炉排运动周期类的运行参数，其他的运行参数也可根据运行参数间的关系适当进行联动处理，通过为单个神经网络模型的运行参数联动适量的运行参数，在保障系统的鲁棒性的同时，简化了神经网络模型的输出结果，降低了神经网络模型的复杂度，提高了神经网络模型的训练速度。
[0161]
(5)对神经网络模型的输入变量和输出的运行参数进行寻优，神经网络模型个数众多，且每个神经网络模型的参数数量众多，通过对神经网络模型进行训练，找到神经网络模型的最优参数指标，并将历史工况状态以及当前的工况状态映射到每一个执行器的动作上，以达到反应炉工况的持续稳定。
[0162]
步骤三：输出icc系统的运行参数。
[0163]
神经网络模型的输出的运行参数包括控制给料系统的运行参数、控制炉排运动周期的运行参数、控制燃烧空气系统一次风系统的运行参数和控制燃烧空气系统二次风系统的运行参数。
[0164]
(1)给料系统的运行参数包括左侧推料器比例阀参数和右侧推料器比例阀参数。
[0165]
(2)炉排运动周期的运行参数包括左侧干燥炉排运动周期参数、右侧干燥炉排运动周参数期、左侧燃烧炉排运动周期参数、右侧燃烧炉排运动周期参数、左侧燃烬炉排运动周期参数和右侧燃烬炉排运动周期参数。
[0166]
(3)燃烧空气系统一次风系统的运行参数包括一次风机频率参数、一次风入口阀门参数、一次风空预器开合度参数、一次风空预器支路参数、干燥炉排一次风阀门参数、燃烧炉排一段一次风阀门参数、燃烧炉排二段一次风阀门参数、燃烧炉排三段一次风阀门参数、燃烬炉排一段一次风阀门参数和燃烬炉排二段一次风阀门参数。
[0167]
(4)燃烧空气系统二次风系统的运行参数包括二次风机频率参数、二次风入口阀门参数、二次风空预器开合度参数和二次风空预器支路参数。
[0168]
步骤四：测试icc系统。
[0169]
(1)通过icc系统数据采集与模型训练模块得到所需要的系统输出控制模型。
[0170]
(2)对神经网络模型进行封装，并且在控制程序与dcs系统之间进行数据传输，实现dcs实时数据可以传输至核心控制算法，核心控制算法将实时数据读入之前训练好的神经网络模型进行计算，并将计算后的控制指令传回dcs系统，以指挥焚烧系统中各执行器的动作。
[0171]
(3)在正式投入使用之前，需要对系统进行离线测试与在线测试。离线测试即将以往的工况数据连续输入给核心控制算法，对比之前工况下的人工操作值与算法计算值的差距，多测试几组值，若此差距在可接受的范围内，则可进行在线测试。
[0172]
(4)离线测试完成后，还需要对系统进行在线测试。在线测试需要为燃烧控制系统的各项功能作出客观评价，预设在线测试的效果的功能指标，并根据指标为燃烧控制系统的的在线测试进行评价，其中，功能指标包括负荷指标主蒸汽流量、温度指标炉均温度、影响污染物排放的指标出口氧量。
[0173]
(5)在线测试时，加入工艺逻辑上的工艺约束条件，保障工况能够从异常迅速恢复至正常。为了保证使用正常工况下的算法调节能力对系统进行在线测试，需要针对超出算法调节能力的异常工况加入适量的工艺约束。
[0174]
本公开融合了智能高效的大数据技术，通过对历史数据的在线学习，提高了系统的控制准确率和信息处理效率，实现了以下控制效果：
[0175]
(1)提高了锅炉蒸汽总流量的稳定性。
[0176]
(2)提高了垃圾层厚度的控制效果。
[0177]
(3)提高了垃圾燃烧位置的控制性。
[0178]
(4)减小了热灼减的损失度。
[0179]
(5)提高了炉温的稳定性。
[0180]
(6)提高了生产要求中的运行指标的环保达标率、安全性和稳定性。
[0181]
(7)提高了对垃圾水分高、有机物含量大的适应性。
[0182]
(8)延长了设备的使用寿命，降低了设备成本。
[0183]
(9)提高了垃圾焚烧发电厂的节能增效率。
[0184]
(10)提高了垃圾焚烧的自动化智能控制效果。
[0185]
(11)提高了无接触测温对火焰温度场的识别结果。
[0186]
(12)提高了火焰燃烧状态的判定速度和信息处理效率。
[0187]
另外，本公开的反应炉燃烧控制系统结合图像测温与诊断、机器视觉技术、大数据技术和人工智能技术，以及结合dcs系统和icc系统，通过配套图像测温与诊断装备，对炉膛的温度场和火焰燃烧状态进行识别和判断，从而对火焰图像进行实时分析，包括将火焰图像转换为实时的温度信息，并同时采用人工智能技术对火焰的燃烧状态(包括正常燃烧状态、偏烧状态、垃圾层过厚状态、烟雾异常状态、火焰面积过小状态等)进行快速诊断。
[0188]
进一步地，在icc系统中，使用控制原理、大数据技术与人工智能技术对历史数据进行分析，并对dcs系统的数据和图像测温与诊断的数据进行分析计算，得出垃圾焚烧系统中各控制器变量的最优运行参数后再将最优运行参数返回dcs系统以便对icc系统进行控制。在保证垃圾均匀的释放热量的前提下，提高了烟气和残渣的燃烬量，减小了污染物的生
成量，提高了垃圾处理的无害化程度，提高了垃圾处理的减量化程度，并提高了垃圾处理的能效利用率。
[0189]
本公开基于模糊控制等先进过程控制方法、统计学分析、机器学习技术、深度学习技术和机器视觉ai技术训练神经网络模型，并在模型中融入了现场操作人员丰富的操作经验，模型精度高、适用性强。以上技术方案仅用于说明本公开，而非对本公开保护范围的闲置，通过其他智能控制方法、机器学习方法和深度学习方法对本公开的修改和变形也属于本公开的权利要求及其等同技术的范围之内。
[0190]
对应于上述方法实施例，本公开还提供一种反应炉的运行控制装置，可以用于执行上述方法实施例。
[0191]
图11是本公开示例性实施例中一种反应炉的运行控制装置的方框图。
[0192]
参考图11，反应炉的运行控制装置1100包括：
[0193]
采集模块1102，用于采集反应炉内的图像信息；
[0194]
第一确定模块1104，用于根据图像信息确定反应炉内的温度场信息和燃烧状态信息；
[0195]
获取模块1106，用于获取反应炉的燃烧工况信息；
[0196]
第二确定模块1108，用于根据温度场信息、燃烧状态信息和燃烧工况信息确定反应炉的运行参数。
[0197]
由于装置1100的各功能已在其对应的方法实施例中予以详细说明，本公开于此不再赘述。
[0198]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的征和功能可以进一步划分为由多个模块或者单元来具体化。
[0199]
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
[0200]
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0201]
下面参照图12来描述根据本公开的这种实施方式的电子设备1200。图12显示的电子设备1200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0202]
如图12所示，电子设备1200以通用计算设备的形式表现。电子设备1200的组件可以包括但不限于：上述至少一个处理单元1210、上述至少一个存储单元1220、连接不同系统组件(包括存储单元1220和处理单元1210)的总线1230。
[0203]
其中，上述存储单元存储有程序代码，上述程序代码可以被上述处理单元1210执行，使得上述处理单元1210执行本说明书上述“示例性方法”中描述的根据本公开各种示例性实施方式的步骤。例如，上述处理单元1210可以执行如本公开实施例所示的方法。
[0204]
存储单元1220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)12201和/或高速缓存存储单元12202，还可以进一步包括只读存储单元(rom)12203。
[0205]
存储单元1220还可以包括具有一组(至少一个)程序模块122011的程序/实用工具
12204，这样的程序模块122011包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0206]
总线1230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0207]
电子设备1200也可以与一个或多个外部设备1300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1200交互的设备通信，和/或与使得该电子设备1200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口12110进行。并且，电子设备1200还可以通过网络适配器12120与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因网)通信。如图所示，网络适配器12120通过总线1230与电子设备1200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0208]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd
‑
rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
[0209]
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”中描述的根据本公开各种示例性实施方式的步骤。
[0210]
根据本公开的实施方式的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(cd
‑
rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0211]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0212]
计算机可读信号介质可以包括在基带中或者作为载波一分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其
结合使用的程序。
[0213]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0214]
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、分地在用户设备上执行、作为一个独立的软件包执行、分在用户计算设备上分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0215]
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0216]
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。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公开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，本公开的真正范围和构思由权利要求指出。