基于全局最优算法的再生铝在线配料系统及方法

技术领域

本发明涉及一种系统及其使用方法，特别是涉及基于全局最优算法的再生铝在线配料系统及方法，属于再生铝技术领域。

背景技术

技术现状：目前国内大多数再生铝企业均靠经验进行配料，最后完全依靠炉前化学成分分析结果进行大幅度调整，工艺操作十分被动，稍有不慎即出现等外级产品甚至废品，而且是人为估算炉料成本，要想全面综合各种不同的废铝状况进行相对精准配料，仅考虑№、Si、Cu、Zn、Fe等5个基本控制元素，人工计算量就相当大，进厂铝废料经进一步的适用性分选分类后，又被进一步明细区分，各类各别均有不同的化学成分及表况质量，成本价值亦进一步变化，成本问题是再生铝企业最为关注的问题，每一个环节都要认真考虑，尤其是生产的首个环节，铝废料的烧损较大，不同的废铝烧损变化也较大，合金元素的烧损率也随之发生变化，这些都是再生铝配料计算必须主要地方。

原材料仓库统计人员提供给配料人员各原材料库存余量对配料影响也较大，目前大多数再生铝企业均靠人工统计原材料剩余数量提供给配料人员，配料人员根据人工统计原材料数据进行配料，原材料剩余数量不能及时更新，导致配料单配料数量与仓库实际数量很大差异，配料人员需要重新调整配料物料及数量，增加配料人员工作量。

因此，亟需对基于全局最优算法的再生铝在线配料系统及方法进行改进，以解决上述存在的问题。

发明内容

本发明的目的是提供基于全局最优算法的再生铝在线配料系统及方法，系统计算出理论成本最优，自动配料数据结合成品产出、生产时间、生产能耗、投入产出平衡表、产品质量、生产检测等进行数据分析，得到相同牌号相同炉组不同原材料最优配料单，从而降低生产成本、利益最大化。

为了达到上述目的，本发明采用的主要技术方案包括：

一种基于全局最优算法的再生铝在线配料系统，包括服务器、客户端、工控机和光谱分析仪，所述服务器与所述工控机建立通讯连接，所述工控机与所述光谱分析建立通讯连接，所述客户端安装于所述工控机上；

所述服务器执行如下操作：

通过所述客户端获取用户输入的待配料的第一参数信息；所述第一参数信息包括：牌号信息、炉组信息、牌号目标值其中一种或多种结合；

基于所述牌号信息和/或所述炉组信息，获取配料方案；

基于所述牌号目标值和所述配料方案，确定原材料的种类及各类原材料的数量；

所述光谱分析仪，用以对车间生产物料进行分析检测；

所述服务器，用以计算和生成来自所述光谱分析仪的配料数据；

所述客户端，用以接收和显示来自所述服务器的配料数据；

所述工控机，用以储存来自所述服务器的配料数据。

优选的，所述配料方案包括预设的配料模型或历史配料记录；所述配料模型包括：牌号名称、客户名称、种类名称、产品形态、规格、炉组、物料名称、物料类型、百分比和单炉，所述配料模型用以自动配料；当所述牌号名称及所述炉组均相同时，所述配料模型有且仅能建立一次；所述历史配料记录用以将有关牌号名称关联的物料调出，筛选出需要使用的物料。

优选的，所述基于所述牌号目标值和所述配料方案，确定原材料的种类及各类原材料的数量，包括：通过所述牌号对所述炉组建模，形成牌号炉组目标值及数量，所述牌号对应所述炉组，所述炉组为高炉熔化炉；选择对应的所述炉组高炉熔化炉，将所述牌号目标值作为自动配料计算结果，记为第一次投料，所述再生铝在线配料系统自动计算所需原材料，用户根据实际调整物料；

通过所述牌号对所述炉组建模，形成牌号炉组目标值及数量，所述牌号对应所述炉组，所述炉组为低炉合金炉；选择对应的所述炉组低炉合金炉，将所述牌号目标值作为自动配料计算结果，记为第二次投料，所述再生铝在线配料系统自动计算所需原材料，用户根据实际调整物料。

一种基于全局最优算法的再生铝在线配料方法，包括以下步骤：

S1：获取用户输入的待配料的第一参数信息；所述第一参数信息包括：牌号信息、炉组信息、牌号目标值其中一种或多种结合；

S2：基于所述牌号信息和/或所述炉组信息，获取配料方案；

S3：基于所述牌号目标值和所述配料方案，确定原材料的种类及各类原材料的数量；

S4：通过所述牌号对所述炉组建模，形成牌号炉组目标值及数量，选择对应所述炉组，将所述牌号目标值作为自动配料计算结果，所述再生铝在线配料系统自动计算所需原材料，用户根据实际调整物料。

优选的，在S4中，车间实际生产信息传送至服务器，服务器计算出配料，服务器将配料转化投料单并传送至客户端，客户端显示投料信息，叉车司机根据客户端显示的投料信息将物料进行称重出库并投入生产车间。

优选的，在S3中，采用光谱分析仪对车间生产物料进行分析检测，检测结果传送至服务器，服务器将检测结果和配料目标值进行对比并计算出还需物料信息。

优选的，在S4中，所述基于所述牌号目标值和所述配料方案，确定原材料的种类及各类原材料的数量，包括：通过所述牌号对所述炉组建模，形成牌号炉组目标值及数量，选择对应的所述炉组高炉熔化炉，将所述牌号目标值作为自动配料计算结果，记为第一次投料，所述再生铝在线配料系统自动计算所需原材料，用户根据实际调整物料；

通过所述牌号对所述炉组建模，形成牌号炉组目标值及数量，选择对应的所述炉组低炉合金炉，将所述牌号目标值作为自动配料计算结果，记为第二次投料，所述再生铝在线配料系统自动计算所需原材料，用户根据实际调整物料。

优选的，将所述牌号目标值作为自动配料计算结果，记录为N次投料，将N次投料进行抽样检测，根据光谱分析结果信息匹配到对应的投料单中。

优选的，根据所述S2：基于所述牌号信息和/或所述炉组信息，获取配料方案的具体工作过程包括：

获取所述牌号信息和/或所述炉组信息的语句，并获取所述牌号信息和/或所述炉组信息的语句所对应的语句组成结构；

根据所述语句组成结构确定从原始语言到规范化语言之间的转换规则；

通过预设词法分析器获取原始语言的抽象语法树，并从所述原始语言的抽象语法树中提取所述规范化语言需要的语句结构内容，并将其储存于规范语言数据集合中；

基于所述规范语言数据集合以及所述转化规则对所述牌号信息和/或所述炉组信息的语句进行规范化输出，获取规范化语句；

将所述规范化语句转换成适用语义训练模型的输入规范化语句；

将转换后的所述输入规范化语句导入多个语义解析神经网络模型中，并将所述多个语义解析神经网络模型并列组合成融合解析模型；

获取所述融合解析模型中输出的所述输入规范化语句中达到预设正例概率得分阈值的文本语句，并将所述文本语句作为最终解析语句；

基于所述融合解析模型，对所述最终解析语句进行语义解析，并获取解析后的所述规范语句的逻辑表达式；

基于所述逻辑表达式获取相应的文本数据；

对所述文本数据进行标签化定义，获取所述牌号信息和/或所述炉组信息的类型标签，并获取标签数据；

查找映射关系库，并获取与所述标签数据相匹配的配料数据，根据正则表达式建立所述标签数据与所述配料数据匹配关系；

其中，所述匹配关系即为所述配料方案。

优选的，基于所述S4中，通过所述牌号对所述炉组建模后，还包括：

获取炉组建模后的炉组模型，对所述炉组模型进行模拟仿真，并获取仿真结果，基于所述仿真结果，计算炉组模型的自适应值，并根据所述自适应值计算所述炉组模型的优化值，并根据所述优化值对所述炉组模型进行优化，具体工作过程，包括：

通过所述牌号对所述炉组建模，并获取炉组模型；

将所述炉组模型在计算机中进行模拟仿真，并获取仿真结果；

对所述仿真结果进行分析，获取炉组模型的综合模拟值，并根据所述综合模拟值，计算所述炉组模型的自适应值；

其中，A表示所述炉组模型的自适应值；η表示对所述炉组模型在计算机中进行模拟仿真的仿真参数的值；t表示对所述炉组模型在计算机中进行模拟仿真所需的仿真时间；f表示对所述炉组模型在计算机中进行模拟仿真所需的仿真频率；m表示所述炉组模型本身所占用空间比例大小的容量；Z表示所述炉组模型的综合模拟值；q表示在对所述炉组模型在计算机中进行模拟仿真时出现仿真偏差的概率；V表示对所述炉组模型在计算机中进行模拟仿真所需的仿真速度；

基于所述计算机，获取理想炉组模型，并获取所述理想炉组模型所对应的理想自适应值，并通过将所述理想自适应值与所述炉组模型的自适应值进行比较，并获取比较结果；

基于所述比较结果，计算所述炉组模型的优化值；

其中，Y表示所述炉组模型的优化值；λ表示所述炉组模型的优化率；L表示所述理想炉组模型所对应的理想自适应值；P表示所述牌号目标值；Q表示所述炉组模型的信息量；A表示所述炉组模型的自适应值；S表示所述炉组模型的信息所对应的信息熵；

确定所述炉组模型在预设神经网络中进行优化时的总权重；

基于所述总权重确定所述炉组模型在所述预设神经网络中的每一层的权重；

根据所述炉组模型的优化值，以及每一层的权重值，获取所述炉组模型在预设神经网络中的迭代次数；

根据所述迭代次数，确定所述炉组模型在所述预设神经网络中的最优权重；

基于所述最优权重并结合所述牌号，完成对炉组模型的优化。

通过上述技术方案，将各元素烧损值数据化管理，当再生铝原材料含有对应元素时，系统配料自动参与计算，不同原材料各元素含量不一致，一种牌号配料涉及到多个物料，人工考虑每种物料对应不同元素烧损计算量大、人工难以完成精确计算，后期需要在合金炉通过纯金属调整，成本高，系统在配料过程通过各元素烧损值提供数据将各元素烧损值精确计算，减少二次配料纯金属配比，从而降低成本。

本发明至少具备以下有益效果：

1、自动配料数据结合成品产出、生产时间、生产能耗、投入产出平衡表、产品质量、生产检测等进行数据分析，得到最优配料单，从而降低生产成本、利益最大化。

2、将各元素烧损值数据化管理，当再生铝原材料含有对应元素时，系统配料自动参与计算，系统在配料过程通过“各元素烧损值”提供数据将各元素烧损值精确计算，减少二次配料纯金属配比，从而降低成本。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明的一种基于全局最优算法的再生铝在线配料系统的电气原理图；

图2为本发明的一种基于全局最优算法的再生铝在线配料方法的流程示意图；

附图标记：服务器1、客户端2、工控机3和光谱分析仪4。

具体实施方式

以下将配合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。

如图1和图2所示，本实施例提供的一种基于全局最优算法的再生铝在线配料系统，包括服务器1、客户端2、工控机3和光谱分析仪4，所述服务器与所述工控机建立通讯连接，所述工控机与所述光谱分析建立通讯连接，所述客户端安装于所述工控机上；

所述服务器执行如下操作：

通过所述客户端获取用户输入的待配料的第一参数信息；所述第一参数信息包括：牌号信息、炉组信息、牌号目标值其中一种或多种结合；

基于所述牌号信息和/或所述炉组信息，获取配料方案；

基于所述牌号目标值和所述配料方案，确定原材料的种类及各类原材料的数量；

所述光谱分析仪，用以对车间生产物料进行分析检测；

所述服务器，用以计算和生成来自所述光谱分析仪的配料数据；

所述客户端，用以接收和显示来自所述服务器的配料数据；

所述工控机，用以储存来自所述服务器的配料数据。

所述配料方案包括预设的配料模型或历史配料记录；所述配料模型包括：牌号名称、客户名称、种类名称、产品形态、规格、炉组、物料名称、物料类型、百分比和单炉，所述配料模型用以自动配料；当所述牌号名称及所述炉组均相同时，所述配料模型有且仅能建立一次；所述历史配料记录用以将有关牌号名称关联的物料调出，筛选出需要使用的物料。

所述基于所述牌号目标值和所述配料方案，确定原材料的种类及各类原材料的数量，包括：通过所述牌号对所述炉组建模，形成牌号炉组目标值及数量，所述牌号对应所述炉组，所述炉组为高炉熔化炉；选择对应的所述炉组高炉熔化炉，将所述牌号目标值作为自动配料计算结果，记为第一次投料，所述再生铝在线配料系统自动计算所需原材料，用户根据实际调整物料；

通过所述牌号对所述炉组建模，形成牌号炉组目标值及数量，所述牌号对应所述炉组，所述炉组为低炉合金炉；选择对应的所述炉组低炉合金炉，将所述牌号目标值作为自动配料计算结果，记为第二次投料，所述再生铝在线配料系统自动计算所需原材料，用户根据实际调整物料。

还提供一种基于全局最优算法的再生铝在线配料方法，包括以下步骤：

S1：获取用户输入的待配料的第一参数信息；所述第一参数信息包括：牌号信息、炉组信息、牌号目标值其中一种或多种结合；

S2：基于所述牌号信息和/或所述炉组信息，获取配料方案；

S3：基于所述牌号目标值和所述配料方案，确定原材料的种类及各类原材料的数量；

S4：通过所述牌号对所述炉组建模，形成牌号炉组目标值及数量，选择对应所述炉组，将所述牌号目标值作为自动配料计算结果，所述再生铝在线配料系统自动计算所需原材料，用户根据实际调整物料。

在S4中，车间实际生产信息传送至服务器，服务器计算出配料，服务器将配料转化投料单并传送至客户端，客户端显示投料信息，叉车司机根据客户端显示的投料信息将物料进行称重出库并投入生产车间。

在S3中，采用光谱分析仪对车间生产物料进行分析检测，检测结果传送至服务器，服务器将检测结果和配料目标值进行对比并计算出还需物料信息。

在S4中，所述基于所述牌号目标值和所述配料方案，确定原材料的种类及各类原材料的数量，包括：通过所述牌号对所述炉组建模，形成牌号炉组目标值及数量，选择对应的所述炉组高炉熔化炉，将所述牌号目标值作为自动配料计算结果，记为第一次投料，所述再生铝在线配料系统自动计算所需原材料，用户根据实际调整物料；

通过所述牌号对所述炉组建模，形成牌号炉组目标值及数量，选择对应的所述炉组低炉合金炉，将所述牌号目标值作为自动配料计算结果，记为第二次投料，所述再生铝在线配料系统自动计算所需原材料，用户根据实际调整物料。

将所述牌号目标值作为自动配料计算结果，记录为N次投料，将N次投料进行抽样检测，根据光谱分析结果信息匹配到对应的投料单中。

系统根据配料目标值建模，配料目标值关联炉组对应不同原材料及占比以理论成本最优，人工配料要考虑相同物料不同批次使用，计算工作量大、无法达到理论成本最优值，自动配料数据结合成品产出、生产时间、生产能耗、投入产出平衡表、产品质量、生产检测等进行数据分析，得到相同配料目标值相同炉组不同原材料最优配料单，从而降低生产成本、利益最大化。

再生配料目标值建模，基于专家配料知识库，数据化牌号配料建模，数据化管理，减少对配料人员依赖、降低人员成本。

各元素烧损值，将各元素烧损值数据化管理，当再生铝原材料含有对应元素时，系统配料自动参与计算。系统在配料过程通过“各元素烧损值”提供数据将各元素烧损值精确计算，减少二次配料纯金属配比，从而降低成本。

如图1和图2所示，本实施例提供的基于全局最优算法的再生铝在线配料系统的服务器系统的工作步骤如下：

牌号分步配料：

牌号高炉熔化炉目标值牌号对炉组建模及对应数量牌号对应炉组建模；

牌号低炉合金炉目标值牌号建模里面完善及对应数量牌号对应炉组建模；

在配料主页面选择对应炉组高炉，将牌号目标值作为自动配料计算结果第一次投料，系统自动计算所需原材料用户根据实际调整物料；

在配料主页面选择对应炉组低炉，将牌号目标值作为自动配料计算结果第二次投料，系统自动计算所需原材料用户根据实际调整物料；

通过几次分步配料，最终形成一个理论上符合牌号内控值的配料单，指导车间生产。

牌号分步配料：

牌号高炉熔化炉目标值牌号对炉组建模对应数量牌号对应炉组建模；

在配料主页面选择对应炉组单炉，将牌号目标值作为自动配料计算结果第一次投料，系统自动计算所需原材料用户根据实际调整物料。

根据车间实际生产情况将配料转化投料单，客户端系统显示投料信息，叉车司机根据投料单上物料信息，将物料进行称重出库，品管部门将第一次投料进行抽样检测，系统后台根据光谱分析结果信息炉号、牌号、检测次数等、匹配到对应的投料单，光谱分析仪结果与牌号目标值进行比对，系统自动计算需要哪些物料提供给配料人员进行参考选择牌号对应的炉组进行建模，品管部门将第N次投料进行抽样检测，系统后台根据光谱分析结果信息炉号、牌号、检测次数等、匹配到对应的投料单，光谱分析仪与牌号目标值进行比对，系统自动计算需要那些物料提供给配料人员进行参考选择，系统后台将每次检测结果及对应添加那些物料自动保存。

在服务器系统内输入配料目标值；

对车间生产进行投料；车间实际生产信息传送至服务器系统，服务器系统计算出配料，服务器系统将配料转化投料单并传送至客户端系统，客户端系统显示投料信息，叉车司机根据客户端系统显示投料信息将物料进行称重出库并投入生产车间；

进行车间生产物料抽样检测，抽样检测结果与配料目标值进行对比，服务器系统根据对比结果自动计算还需物料信息；抽样检测采用光谱分析仪对车间生产物料进行分析检测，检测结果传送至服务器系统，服务器系统把检测结果和配料目标值进行对比并计算出还需物料信息；

根据还需物料信息对车间生产进行再次投料；服务器系统将还需物料信息转化为投料单并传送至客户端系统，叉车司机根据客户端系统显示投料信息将物料进行称重出库并投入生产车间；

重复进行车间生产物料抽样检测，并投料，直至抽样检测结构符合配料目标值；

服务器系统进行保存数据；服务器系统进行保存数据，服务器系统将每次检测结果及对应添加那些物料数据保存至数据储存模块。

本发明提供了一种基于全局最优算法的再生铝在线配料方法，根据所述S2：基于所述牌号信息和/或所述炉组信息，获取配料方案的具体工作过程包括：

获取所述牌号信息和/或所述炉组信息的语句，并获取所述牌号信息和/或所述炉组信息的语句所对应的语句组成结构；

根据所述语句组成结构确定从原始语言到规范化语言之间的转换规则；

通过预设词法分析器获取原始语言的抽象语法树，并从所述原始语言的抽象语法树中提取所述规范化语言需要的语句结构内容，并将其储存于规范语言数据集合中；

基于所述规范语言数据集合以及所述转化规则对所述牌号信息和/或所述炉组信息的语句进行规范化输出，获取规范化语句；

将所述规范化语句转换成适用语义训练模型的输入规范化语句；

将转换后的所述输入规范化语句导入多个语义解析神经网络模型中，并将所述多个语义解析神经网络模型并列组合成融合解析模型；

获取所述融合解析模型中输出的所述输入规范化语句中达到预设正例概率得分阈值的文本语句，并将所述文本语句作为最终解析语句；

基于所述融合解析模型，对所述最终解析语句进行语义解析，并获取解析后的所述规范语句的逻辑表达式；

基于所述逻辑表达式获取相应的文本数据；

对所述文本数据进行标签化定义，获取所述牌号信息和/或所述炉组信息的类型标签，并获取标签数据；

查找映射关系库，并获取与所述标签数据相匹配的配料数据，根据正则表达式建立所述标签数据与所述配料数据匹配关系；

其中，所述匹配关系即为所述配料方案。

该实施例中，语句组成结构可以是由语句的语句标识字符、符号以及语句的主要内容等组成。

该实施例中，原始语言可以是牌号信息和/或所述炉组信息的语句，且没有经过处理的语句。

该实施例中，语句结构内容可以是包括语句的标识数据以及由语句组成结构所构成的内容。

上述技术方案的有益效果是：

通过对牌号信息和/或所述炉组信息的语句的解析，获取相对应的解析数据，通过对解析数据与配料数据相匹配，可以准确获取获取配料方案，从而大大提高了本发明的效率与精确度。

本发明提供了一种基于全局最优算法的再生铝在线配料方法，基于所述S4中，通过所述牌号对所述炉组建模后，还包括：

获取炉组建模后的炉组模型，对所述炉组模型进行模拟仿真，并获取仿真结果，基于所述仿真结果，计算炉组模型的自适应值，并根据所述自适应值计算所述炉组模型的优化值，并根据所述优化值对所述炉组模型进行优化，具体工作过程，包括：

通过所述牌号对所述炉组建模，并获取炉组模型；

将所述炉组模型在计算机中进行模拟仿真，并获取仿真结果；

对所述仿真结果进行分析，获取炉组模型的综合模拟值，并根据所述综合模拟值，计算所述炉组模型的自适应值；

其中，A表示所述炉组模型的自适应值；η表示对所述炉组模型在计算机中进行模拟仿真的仿真参数的值；t表示对所述炉组模型在计算机中进行模拟仿真所需的仿真时间；f表示对所述炉组模型在计算机中进行模拟仿真所需的仿真频率；m表示所述炉组模型本身所占用空间比例大小的容量；Z表示所述炉组模型的综合模拟值；q表示在对所述炉组模型在计算机中进行模拟仿真时出现仿真偏差的概率；V表示对所述炉组模型在计算机中进行模拟仿真所需的仿真速度；

基于所述计算机，获取理想炉组模型，并获取所述理想炉组模型所对应的理想自适应值，并通过将所述理想自适应值与所述炉组模型的自适应值进行比较，并获取比较结果；

基于所述比较结果，计算所述炉组模型的优化值；

其中，Y表示所述炉组模型的优化值；λ表示所述炉组模型的优化率；L表示所述理想炉组模型所对应的理想自适应值；P表示所述牌号目标值；Q表示所述炉组模型的信息量；A表示所述炉组模型的自适应值；S表示所述炉组模型的信息所对应的信息熵；

确定所述炉组模型在预设神经网络中进行优化时的总权重；

基于所述总权重确定所述炉组模型在所述预设神经网络中的每一层的权重；

根据所述炉组模型的优化值，以及每一层的权重值，获取所述炉组模型在预设神经网络中的迭代次数；

根据所述迭代次数，确定所述炉组模型在所述预设神经网络中的最优权重；

基于所述最优权重并结合所述牌号，完成对炉组模型的优化。

该实施例中，炉组模型的自适应值可以是炉组模型在进行仿真模拟时，根据炉组模型的工作程度，自动调节的物料的添加值、库存余量等。

该实施例中，炉组模型的综合模拟值可以是炉组模型在进行仿真模拟时，炉组模型内需要添加的物料值以及库存余量等值的总和。

该实施例中，优化值可以是基于理想自适应值与炉组模型的自适应值之间的差别而确定的优化值，其目的是为了更好的调整炉组模型的自适应值，从而达到对炉组模型的优化。

该实施例中，炉组模型的信息包括：库存余量、原材料、各元素烧损值等；其炉组模型的信息量就是将炉组模型的信息数值化；例如将库存余量的值定义为1、原材料的值定义为2、各元素烧损值定义为3等，当数据缺少某一项值时，则炉组模型的信息发生了变换，其对应的信息值也发生了相应的变换。

上述技术方案的有益效果是：

通过获取炉组建模后的炉组模型，对炉组模型进行模拟仿真，可以有效根据仿真结果精确计算炉组模型的自适应值，并根据自适应值精确计算炉组模型的优化值，通过优化值对炉组模型进行准确优化，从而大大提高了炉组模型的耐用性以及有效性。

如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决技术问题，基本达到技术效果。

需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的商品或者系统中还存在另外的相同要素。

上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。