制造过程的系统、方法和介质与流程

制造过程的系统、方法和介质
1.相关申请的交叉引用
2.本技术要求于2020年2月21日提交的美国临时申请序号为62/979,639的申请的优先权，该申请通过引用以其整体合并在此。
技术领域
3.本公开一般涉及用于制造过程的系统、方法和介质。


背景技术：

4.为了安全、及时、最少浪费地制造始终符合预期设计规范的样本，通常需要对制造过程进行持续监测和调整。


技术实现要素：

5.在一些实施例中，本文公开了一种制造系统。制造系统包括一个或更多个站、监控平台和控制模块。一个或更多个站中的每一个站被配置为执行在部件的多步骤制造过程中的至少一个步骤。监控平台配置为监控部件在整个多步骤制造过程中的进度。控制模块配置为动态调整多步骤制造过程的每一个步骤的加工参数，以实现部件的期望最终质量度量标准。控制模块配置为执行操作。这些操作包括从监控平台接收在所述多步骤制造过程中的步骤处的与部件相关的输入。操作还包括由控制模块基于样本的图像生成最终质量度量标准预测。操作还包括由控制模块确定最终质量度量标准预测值不在可接受值的范围内。所述操作还包括基于所述确定，由所述控制模块调节针对至少后续站的控制逻辑。调整控制逻辑包括应用将由随后站执行的纠正动作。
6.在一些实施例中，本文公开了一种多步骤制造方法。计算系统从制造系统的监控平台接收一个或更多个站中的站上的样本的图像。每一个站配置为执行多步骤制造过程中的步骤。计算系统根据样本的图像生成最终质量度量标准预测。计算系统确定最终质量度量标准预测不在可接受值的范围内。基于所述确定，计算系统调整至少后续站的控制逻辑，其中，所述调整包括应用将由后续站执行的纠正动作。
7.在一些实施例中，本文公开了一种三维打印系统。所述系统包括处理站、监控平台和控制模块。处理站配置为沉积多个层以形成样本。监控平台配置为在整个沉积过程中监控样本的进展。控制模块配置为动态调整多个层中每一层的处理参数，以实现部件的期望最终质量度量标准。控制模块配置为执行操作。操作包括从监控平台接收在层被沉积后样本的图像。操作还包括由控制模块基于样本的图像生成最终质量度量标准预测值。操作还包括由控制模块确定最终质量度量标准预测值不在可接受值的范围内。所述操作还包括基于所述确定，由所述控制模块调整用于待被沉积的至少后续层的控制逻辑，其中，所述调整包括应用通过后续层的沉积而执行的纠正动作。
附图说明
8.为了能够详细理解本公开的上述特征，可以通过参考实施例来对本公开进行更具体的描述，其中，一些在附图中进行了说明。然而，应注意，附图仅示出了本公开的典型实施例，因此不应被视为限制其范围，因为本公开可以允许其他同等有效的实施例。
9.图1是示出根据示例实施例的制造环境的框图。
10.图2是示出根据示例实施例的预测引擎的框图。
11.图3是示出根据示例实施例的聚类模块的示例性架构的框图。
12.图4是示出根据示例实施例的机器学习模块的架构的框图。
13.图5是示出根据示例实施例的机器学习模块架构框图。
14.图6是示出根据示例实施例的执行多步骤制造过程的纠正方法的流程图。
15.图7a示出了根据示例实施例的系统总线计算系统架构。
16.图7b示出了根据示例实施例的具有芯片组架构的计算机系统。
17.为了便于理解，在可能的情况下，使用了相同的附图标记来表示图中常见的相同元件。可以设想，在一个实施例中公开的元件可以有权用于其他实施例，而无需具体叙述。
具体实施方式
18.本文所述的一种或多种技术通常针对配置为监测多步骤制造过程的每一个步骤的监控平台。对于多步骤制造过程的每一个步骤，监控平台可以监控样本的进度，并确定样本的当前状态如何影响与最终样本相关的最终质量度量标准。通常，最终质量度量标准是无法在多步骤制造过程的每一个步骤中测量的指标。示例性最终质量度量标准可包括但不限于最终样本的抗拉强度、硬度、热性能等。对于某些最终质量度量标准，如抗拉强度，使用破坏性测试来测量此类指标。
19.本文所述的一种或多种技术能够使用一种或多种人工智能技术在多步骤制造过程的每一步预测最终质量度量标准。例如，本文所述的一种或多种技术可以利用无监督k均值聚类和深度学习网络来学习聚类特征。可以为不可靠的前馈设定点创建高保真标签。随后，可以使用回归深度学习网络对所述方法进行推广，以重新标记所有图像。使用重新标记的图像，可以训练两个网络来预测制造过程中特定点的样本质量指标。
20.制造过程可以是复杂的，包括由不同处理站(或“站”)正在加工直到生产出最终样本的原材料。在一些实施例中，每一个处理站接收用于处理的输入，并可以输出中间输出，中间输出可以传递给后续(下游)处理站以进行其他处理。在一些实施例中，最终处理站可以接收用于处理的输入，以及可以输出最终样本，或者更概括地说，输出最终输出。
21.在一些实施例中，每一个站可以包括一个或更多个工具/设备，这些工具/设备可以执行一组处理步骤。示例性处理站可以包括但不限于传送带、注塑机、切割机、模压机、挤出机、计算机数控(computernumerical control，cnc)铣床、研磨机、装配站、三维打印机、质量控制站、验证站等。
22.在一些实施例中，每一个处理站的操作可由一个或更多个过程控制器控制。在一些实施例中，每一个处理站可以包括一个或更多个过程控制器，可以对其进行编程以控制处理站的操作。在一些实施例中，操作员或控制算法可以向站控制器提供站控制器设定点，所述设定点可以表示每一个控制值的期望值或值的范围。在一些实施例中，用于制造过程
中的反馈或前馈的值可以称为控制值。示例性控制值可以包括但不限于：速度、温度、压力、真空、旋转、电流、电压、功率、粘度、站使用的材料/资源、生产率、停机时间、有毒烟雾等。
23.在一些实施例中，样本可以指制造过程的输出。例如，制造过程的输出可以是作为移动设备一部分的电路板、作为移动设备一部分的屏幕和/或完整的移动设备。
24.图1是示出根据示例实施例的制造环境100的框图。制造环境100可以包括制造系统102、监控平台104和控制模块106。制造系统102可以广泛代表多步骤制造系统。在一些实施例中，制造系统102可以代表用于增材制造的制造系统(例如，三维(three-dimensional，3d)打印系统)。在一些实施例中，制造系统102可以代表用于减材制造(例如，cnc加工)的制造系统。在一些实施例中，制造系统102可以代表用于增材制造和减材制造组合的制造系统。更概括地说，在一些实施例中，制造系统102可以代表用于一般制造过程的制造系统。
25.制造系统102可包括一个或更多个站108
1-108n(通常称为“站108”)。每一个站108可以代表多步骤制造过程中的步骤和/或站。例如，每一个站108可以代表三维打印过程中的层沉积操作(例如，站1081可以对应于层1，站1082可以对应于层2等)。在另一示例中，每一个站108可对应于特定处理站。在一些实施例中，样本的制造过程可包括多个步骤。在一些实施例中，多个步骤可以包括有序的步骤序列。在一些实施例中，多个步骤可以包括无序(例如，随机或伪随机)的步骤序列。
26.每一个站108可以包括过程控制器114和控制逻辑116。每一个过程控制器114
1-114n可编程为控制每一个相应站108的操作。在一些实施例中，控制模块106可以为每一个过程控制器114提供站控制器设定点，所述设定点可以表示每一个控制值的期望值或值的范围。控制逻辑116可以参考与站108的过程步骤相关联的属性/参数。在操作中，每一个站108的控制逻辑116可以由控制模块106在整个制造过程中动态更新，这取决于最终质量度量标准的当前发展轨迹。
27.监控平台104可配置为监控制造系统102的每一个站108。在一些实施例中，监控平台104可以是制造系统102的部件。例如，监控平台104可以是3d打印系统的部件。在一些实施例中，监控平台104可以独立于制造系统102。例如，监控平台104可以装配到现有制造系统102上。在一些实施例中，监控平台104可以代表配置为在多步骤过程的每一个步骤捕获样本的图像的成像设备。例如，监控平台104可配置为捕获在每一个站108处的样本图像。通常，监控平台104可配置为捕获与样本生产相关的信息(例如，图像、电压读数、速度读数等)，并将所述信息作为输入提供给控制模块106进行评估。
28.控制模块106可以通过一个或更多个通信信道与制造系统102和监控平台104通信。在一些实施例中，一个或更多个通信信道可以代表经由互联网的单个连接，例如蜂窝或无线保真(wireless fidelity，wi-fi)网络。在一些实施例中，一个或更多个通信信道可以使用直接连接来连接终端、服务器和移动设备，所述直接连接例如射频识别(radio frequency identification，rfid)、近场通信(near-field communication，nfc)、蓝牙(bluetooth)
tm
、低能量蓝牙(low-energy bluetooth，ble)
tm
、wi-fi
tm
、紫蜂(zigbee)
tm
、环境反向散射通信(ambient backscatter communication，abc)协议、通用串行总线(universal serial bus，usb)、广域网(wide area network，wan)或局域网(local area network，lan)。
29.控制模块106可配置为控制制造系统102的每一个过程控制器。例如，基于监控平
台104捕获的信息，控制模块106可以配置为调整与特定站108或处理步骤相关联的过程控制。在一些实施例中，控制模块106可以配置为基于预测的最终质量度量标准来调整特定站108或处理步骤的过程控制。
30.控制模块106可以包括预测引擎112。预测引擎112可以代表一个或更多个经过训练的机器学习模块，以基于在多步骤制造过程的每一个单独步骤处测量的数据预测样本的最终质量度量标准。在操作中，控制模块106可以接收来自监控平台104的输入。在一些实施例中，此类输入可以采取在多步骤制造过程中的步骤之后样本当前状态的图像的形式。基于输入，控制模块106可以预测样本的最终质量度量标准。根据样本的预测最终质量度量标准，控制模块106可以确定在后续制造步骤中要采取的一个或更多个动作。例如，如果预测的最终质量度量标准落在可接受值的范围之外，则控制模块106可以采取一个或更多个动作来纠正制造过程。在一些实施例中，控制模块106可以与后续站108中的站控制器连接，以调整其各自的控制和/或站参数。这些调整可以有助于纠正制造过程，使得最终质量度量标准可以在可接受的质量指标范围内。
31.图2是示出根据示例性实施例的预测引擎112的框图。如图所示，预测引擎112可以至少包括聚类模块202和机器学习模块204。聚类模块202和机器学习模块204中的每一个模块可以包括一个或更多个软件模块。一个或更多个软件模块可以是存储在介质(例如，与控制模块106相关联的计算系统的存储器)上的代码或指令的集合，所述集合表示实现一个或更多个算法步骤的一系列机器指令(例如，程序代码)。此类机器指令可以是处理器解释以实现指令的实际计算机代码或者，替代地，也可以是解释以获得实际计算机代码的指令的更高级别编码。一个或更多个软件模块还可以包括一个或更多个硬件部件。示例算法的一个或更多个方面可以由硬件部件(例如，电路)本身执行，而不是作为指令的结果。此外，在一些实施例中，聚类模块202和机器学习模块204中的每一个都可以配置为在部件之间传输一个或更多个信号。在这些实施例中，这些信号可以不限于由计算设备执行的机器指令。
32.在一些实施例中，聚类模块202和机器学习模块204可以经由一个或更多个本地网络205进行通信。网络205可以是任何合适的类型，包括经由互联网的单个连接，例如蜂窝或wi-fi网络。在一些实施例中，网络205可以使用直接连接来连接终端、服务和移动设备，所述直接连接例如射频识别(rfid)、近场通信(nfc)、bluetooth
tm
、低能量蓝牙
tm
(ble)、wi-fi
tm
、zigbee
tm
、环境反向散射通信(abc)协议、usb、wan或lan。由于传输的信息可能是个人信息或机密信息，出于安全考虑，可以对这些类型连接中的一种或多种连接进行加密或以其他方式进行保护。然而，在一些实施例中，正在传输的信息可以不太个人化，因此，网络连接可以为了便利而不是为了安全而选择。
33.聚类模块202可配置为在制造过程中为样本的图像分配标签。例如，制造过程的多个维度可能会发生变化。特别是对于增材制造，印刷品的几个维度可能会发生变化。站108可以接收关于制造过程中的制造步骤的指令的一个或更多个参数。例如，在增材制造中，制造系统102可以利用控制模块106提供的代码(例如g代码)，所述代码可以包含第i层上第j指令的一个或更多个参数，x
i，j
，y
i，j
，z
i，j
，e
i，j
，和f
i，j
，其中，x
i，j
，y
i，j
，y
i，j
，z
i，j
是位置设定点，e
i，j
可以表示为特定打印移动而挤出的细丝长度，以及f
i，j
可以表示打印头移动的速度。在一些实施例中，代码还可以包括元指令温度控制或轴归位。
34.在一些实施例中，例如利用增材制造的实施例，为了将最终质量度量标准(例如，
抗拉强度)与层图像相关联，可以建立每一层的偏差系数γe，i，j，使得：
[0035][0036]
其中，可以表示打印移动产生的明显挤出。每一个挤出值e
i，j
都可以有结果修改器γ
e，i，j
。对于层中的n个打印移动，这种结果修改器可以抽象地跨层平均，定义为：
[0037][0038]
因此，可以通过测量平均偏差系数γ
e，i
来评估整个层的挤出偏差。对于性能完美的制造系统102或站108，γ
e，i
＝1.0；然而，自然发生的变化可以确保情况并非如此。在一些实施例中，为了将自然变化与最终质量度量标准(例如抗拉强度)相关联，可以假设其标签不可靠，人为干扰这些设定点。
[0039]
在一些实施例中，挤压系数γ
e，i
可以是直接影响增材制造中制造零件的质量结果的参数。在一些实施例中，可以使用来自化学制造过程的排出气流的氧/二氧化碳含量，而不是挤出系数。在一些实施例中，可以使用薄膜沉积的椭圆偏振测量。可以建立挤出系数向量γe＝[γ
e，0
，...，γ
e，n
]
t
。在一些实施例中，作为与正常基线的偏差的速度系数向量可以类似的方式使用，γf＝[γ
f，0
，...，γ
f，n
]
t
。这些向量可以作为所选质量度量的函数的参数。在所选质量指标为抗拉强度的一些实施例中，ts：
[0040]
ts＝f(γe，γf)其中，f(
·
)的精确公式可以是未知的，并且近似值将由聚类模块202学习。
[0041]
在一些实施例中，直接测量所选设定点的结果，例如γ
e，i
，可能不可行。因此，聚类模块202可以配置为估算站108的偏差系数γ
e，i
。此类估算可设计为：
[0042][0043]
其中，可以代表对γ
e，i
的估计值，ii可以代表第i层自顶向下的图像，以及θh可以代表映射函数h(
·
）的学习参数。
[0044]
聚类模块202可以利用端到端聚类方法，所述方法可训练为同时学习生成特征向量的神经网络的参数和所得特征向量的聚类分配。在一些实施例中，k均值聚类技术可用于将数据点划分为k组聚类，其中，每一个数据点可低于具有最近均值的聚类簇，从而实现无监督、自动生成标记。在一些实施例中，卷积层和池化层可以在网络中按顺序使用，以从图像中提取特征，卷积层和池化层之后是一个或更多个可使用反向传播的全连接网络层。在一些实施例中，特征向量上的k均值聚类分配可以用作计算梯度的标签，以更新神经网络。
[0045]
图3是示出根据示例性实施例的聚类模块202的示例性架构的框图。如图所示，聚类模块202可以包括卷积神经网络302、分类模块304和回归模块306。
[0046]
卷积神经网络302可以从图像集合308接收一个或更多个输入图像作为输入。在一些实施例中，用于训练的一个或更多个输入图像可以代表由监控平台104捕获的实际图像和/或合成生成的图像。卷积神经网络302可以训练为从一个或更多个输入图像中的每一个输入图像提取特征向量。例如，卷积神经网络302可以训练为所得k个聚类簇内方差的最小化，给出卷积神经网络302产生的特征向量。
[0047]
分类模块304可配置为接收由卷积神经网络302提取的一个或更多个特征向量作为输入。分类模块304可被配置为将k均值聚类应用于一个或更多个特征向量以对特征进行分类。在一些实施例中，可以使用聚类簇的拟合来计算反向传播的梯度。在一些实施例中，可以通过分类模块304的k均值聚类和卷积神经网络302的前向传播来计算聚类。在一些实施例中，可以计算卷积神经网络302在预测所有图像的指定聚类簇标签时的精度。可以选择具有z迭代中精度最高的聚类图像组以供进一步使用。
[0048]
回归模块306可配置为生成图像的偏差分数。例如，回归模块306可以使用卷积神经网络302生成的特征向量的输入来生成图像的离差分数。在一些实施例中，回归模块306可以通过k均值聚类实现的投票过程收集标签来训练。在一些实施例中，聚类数据集可以使用来自用已知偏差系数人为扰动的过程的图像，但所述过程的不可靠性增加了这些图像作为纯标签的不确定性。对于每一个聚类簇，可以将已知偏差系数的模态值作为标签应用于所述组。然后，可以使用由卷积神经网络302生成的特征向量的输入和与所述特征向量相关联的模态聚类值的标签来训练回归模块306。以此方式，聚类模块202可以将图像输入卷积神经网络302，使用输出特征向量作为回归模块306的输入，然后回归模块306可以输出图像的离差分数。
[0049]
在一些实施例中，回归模块306可以包括多个可以利用线性激活函数的全连接层。
[0050]
使用聚类模块202，可以为每一个图像生成新的数据对集。使用视觉特征的新标签分配可以有助于缓解传统使用不可靠的设定点时发现的问题，这些设定点被证明不足以进行监督学习。映射函数可以使用带权重θh的深度神经网络来求近似，并且可以使用经过训练的网络h(ii，θm)来估计新的挤出标签集在一些实施例中，高保真度标签可用于进一步的预测性训练。
[0051]
回到图2，机器学习模块204可以配置为基于站108处样本的图像和与所述图像相关联的一个或更多个标签来预测制造过程中样本的最终质量度量标准。在一些实施例中，设定点标签可用于训练机器学习模块204。在一些实施例中，机器学习模块204可以代表全连接神经网络。在一些实施例中，机器学习模块204可以代表具有内部注意力机制的门控循环单元。机器学习模块204可以配置为使用的高保真标签映射ts＝f(γe，γf)。这可以重写为：
[0052][0053]
其中，可以代表预测抗拉强度，以及θ
t
可以代表预测函数g(
·
)的学习参数。
[0054]
一旦充分的训练，预测引擎112可以使用机器学习模块204进行与样本的最终质量度量标准相关的预测。当最终用户或管理员想要重新训练预测引擎112时，可以使用聚类模块202。
[0055]
图4是示出根据示例实施例的机器学习模块204的架构的框图。如所示和先前讨论的，机器学习模块204可以代表全连接神经网络。
[0056]
如图所示，机器学习模块204可以包括利用具有修正线性单元(rectified linearunits，relu)激活的全连接层的分支合并架构400。在将和γf传递到一系列全连
接层之前，架构400可以利用将和γf分别转换为更高维度，其中一系列全连接层压缩在测量的抗拉强度ts的标签上进行训练的预测值
[0057]
如所提供，架构400可以包括第一分支402和第二分支404。第一分支402可以接收作为输入。输入可以提供给第一全连接层406。来自全连接层406的输出可以提供给修正线性激活函数(relu)408。来自relu 408的输出可以传递到第二全连接层410，其次是第二relu 412和随机失活(dropout)层414。
[0058]
第二分支404可以接收γf作为输入。类似地，输入γf可以提供给第一完全连接层416。来自全连接层416的输出可以提供给relu 418。来自relu 418的输出可以传递到第二完全连接层420，然后是第二relu 422和随机失活层424。
[0059]
来自每一个分支402和404的输出可以合并，并作为输入提供给全连接层430。来自全连接层430的输出可以提供给随机失活层432。来自relu 432的输出可以传递给全连接回归器434，然后是双曲正切(hyperbolic tangent，tanh)激活函数436。来自机器学习模块204的输出可以是预测值
[0060]
图5是示出根据示例实施例的机器学习模块204的架构的框图。如所示和先前讨论的，机器学习模块204可以代表具有内部注意力机制的门控循环单元。
[0061]
如图所示，机器学习模块204可以包括门控循环单元架构500。门控循环单元可以配置为预测给定和γf的最终质量度量标准(例如，抗拉强度)。可以使用架构500，因为它能够很好地处理序列数据，并且能够通过其预测值保存关于故障层的信息。
[0062]
输入502可以包括样本的关键层或样本的关键工艺步骤的和γf值。例如，在制造过程中，可能有一些过程步骤比其他步骤对最终质量度量标准的贡献更大。这些步骤的识别可以通过相关或理论分析来完成。在增材制造的情况下，最小表面积的层在拉伸过程中的应力最高。因此，可以定义层区域，在挤压的正常偏差下，所述区域可以符合所述定义。这些层或步骤可称为“关键层”或“关键步骤”。在一些实施例中，使用的输入标签是来自聚类模块202的输出的估计值在一些实施例中，可以基于所使用的门控循环单元块的数量来划分或分布每一个样本的数据序列。如图5的实施例所示，输入502可分为四组，对应于四个门控循环单元块504。每组数据可以提供给各自的门控循环单元块504。
[0063]
在一些实施例中，来自每一个门控循环单元块504的输出可以串联并传递到全连接层506和回归器输出层508，以估计对应于最终质量度量标准(例如抗拉强度)的连续值。
[0064]
图6是示出根据示例实施例的执行多步骤制造过程的纠正方法600的流程图。方法600可以从步骤602开始。
[0065]
在步骤602，可以向制造系统102提供规范指令集。规范指令集可以代表制造过程的指令的集合。在一些实施例中，可以向每一个站108提供规范指令集。在这些实施例中，每一个规范指令集可以规定对应于各个站108的特定制造步骤的处理参数。
[0066]
在步骤604，监控平台104可以在多步骤过程的处理步骤结束时捕捉样本的图像。例如，监控平台104可以配置为在各个站108处进行处理后，捕捉样本的图像。在一些实施例
中，监控平台104可配置为捕获与样本生产相关的信息(例如，图像、电压读数、速度读数等)，并将所述信息作为输入提供给控制模块106进行评估。
[0067]
在步骤606，预测引擎112可以检查样本的一个或更多个图像。例如，预测引擎112可以在特定处理步骤结束时从监控平台104接收样本的输入(例如，一个或更多个图像)。使用所述输入，预测引擎112可以为样本生成预测的最终质量度量标准。
[0068]
在步骤608，纠正动作可应用于后续制造步骤。例如，基于预测的最终质量度量标准，控制模块106可以命令给定站108调整与要应用的纠正动作相对应的一个或更多个处理参数。
[0069]
图7a说明了根据示例实施例的系统总线计算系统架构700。系统700的一个或更多个部件可以使用总线705彼此进行电气通信。系统700可以包括处理器(例如，一个或更多个中央处理器(central processing unit，cpu)、图形处理器(graphics processing unit，gpu)或其他类型的处理器)710和系统总线705，所述系统总线705将包括系统存储器715(例如只读存储器(read only memory，rom)720和随机存取存储器(random access memory，ram)725)的各种系统部件耦接到处理器710。系统700可以包括与处理器710直接连接、靠近处理器710或集成为处理器710一部分的高速存储器的高速缓存。系统700可以将数据从存储器715和/或存储设备730复制到高速缓存712，以供处理器710快速访问。这样，高速缓存712可以提供性能提升，该性能提升避免处理器710在等待数据时出现延迟。这些和其他模块可以控制或配置为控制处理器710以执行各种动作。也可以使用其他系统存储器715。存储器715可以包括具有不同性能特征的多种不同类型的存储器。处理器710可以代表单个处理器或多个处理器。处理器710可以包括通用处理器或者配置为控制处理器710的硬件模块或软件模块(例如存储在存储设备730中的服务1732、服务2734和服务3736)，以及将软件指令合并到实际处理器设计中的专用处理器中的一个或更多个。处理器710基本上可以是完全自独立的(self-contained)计算系统，包含多个核或处理器、总线、内存控制器、缓存等。多核处理器可以是对称的或非对称的。
[0070]
为了实现用户与计算设备700的交互，输入设备745可以是任意数量的输入机制，例如用于语音的麦克风、用于手势或图形输入的触摸屏、键盘、鼠标、运动输入、语音等。输出设备735也可以是本领域技术人员已知的许多输出机制中的一个或更多个输出机制。在一些实例中，多模式系统可以使用户能够提供多种类型的输入以与计算设备700通信。通信接口740通常可以控制和管理用户输入和系统输出。对任何特定硬件配置的操作没有限制，因此，在开发时，改进的硬件或固件配置可以很容易地替代此处的基本特征。
[0071]
存储设备730可以是非易失性存储器，并且可以是可以存储计算机可访问数据的硬盘或其他类型的计算机可读介质，例如盒式磁带、闪存卡、固态存储设备、数字多功能磁盘、盒式磁带、随机存取存储器(ram)725、只读存储器(rom)720及其组合。
[0072]
存储设备730可以包括用于控制处理器710的服务732、734和736。考虑其他硬件或软件模块。存储设备730可以连接到系统总线705。在一个方面中，执行特定功能的硬件模块可以包括存储在计算机可读介质中的软件部件，所述软件部件与执行所述功能所需的硬件部件(例如处理器710、总线705、显示器735等)相关。
[0073]
图7b示出了根据示例实施例的具有芯片组架构的计算机系统750。计算机系统750可以是可用于实现所公开技术的计算机硬件、软件和固件的示例。系统750可以包括一个或
更多个处理器755，代表任何数量的物理和/或逻辑上不同的资源，能够实行配置为执行识别计算的软件、固件和硬件。一个或更多个处理器755可以与芯片组760通信，芯片组760可以控制一个或更多个处理器755的输入和输出。在所述示例中，芯片组760将信息输出到输出765，例如显示器，并且可以将信息读写到存储设备770，所述存储设备770可以包括例如磁性介质和固态介质。芯片组760还可以从ram 775读取数据和将数据写入ram 775。可以提供用于与各种用户接口部件785连接的桥接器780，用于与芯片组760接口。这种用户界面部件785可以包括键盘、麦克风、触摸检测和处理电路、定点设备，例如鼠标，等。一般来说，系统750的输入可以来自机器生成和/或人工生成的各种来源中的任何一种。
[0074]
芯片组760还可以与一个或更多个具有不同物理接口的通信接口790连接。这种通信接口可以包括有线和无线局域网、宽带无线网络以及个人局域网的接口。本文公开的用于生成、显示和使用图形用户界面(graphical user interface，gui)的方法的一些应用可以包括通过物理接口接收有序数据集，或者由机器本身通过一个或更多个处理器755分析存储在存储器770或775中的数据生成。此外，机器可以通过用户界面部件785接收来自用户的输入，并通过使用一个或更多个处理器755解释这些输入来执行适当的功能，例如浏览功能。
[0075]
可以理解，示例系统700和750可以具有多个处理器710，或者是联网在一起的计算设备组或聚类簇的一部分，以提供更大的处理能力。
[0076]
虽然上述内容针对本文所述的实施例，但可以在不脱离其基本范围的情况下设计其他的和进一步的实施例。例如，本公开的各个方面可以在硬件或软件或硬件和软件的组合中实现。本文描述的一个实施例可以实现为与计算机系统一起使用的程序产品。程序产品的程序定义了实施例的功能(包括本文描述的方法)，并且可以包含在各种计算机可读存储介质上。说明性计算机可读存储介质包括但不限于：(i)永久存储信息的不可写存储介质(例如，计算机内的诸如可通过只读光盘存储器(compact disc read-only memory，cd-rom)驱动器读取的cd-rom磁盘、闪存、rom芯片或任何类型的固态非易失性存储器读取的cd-rom磁盘的只读存储器(rom)设备)；以及(ii)存储可变信息的可写存储介质(例如，软盘驱动器或硬盘驱动器或任何类型的固态随机存取存储器中的软盘)。当携带针对所公开实施例的功能的计算机可读指令时，这种计算机可读存储介质是本公开的实施例。
[0077]
本领域技术人员应当了解，前面的示例是示例性的，而不是限制性的。本领域技术人员在阅读说明书和研究附图后，其所有排列、增强、等价物和改进都是显而易见的，都包含在本公开的真正精神和范围内。因此，以下所附权利要求旨在包括这些教导的真正精神和范围内的所有此类修改、组合和等价物。