刀具监测模型训练方法、刀具状态监测方法及相关装置

技术领域

本申请涉及状态监测技术领域，特别是涉及一种刀具监测模型训练方法、刀具状态监测方法及相关装置。

背景技术

在切削刀具相关领域中，往往十分注重切削加工的稳定性，而刀具健康状态直接关联到切削加工的稳定性，这就需要对于刀具健康状态进行有效监测。

现有技术中，一般工业机加工通常通过采集刀具振动、噪声、温度、应力、声发射传感器等信号实现刀具的健康监测，其中，往往采用振动传感器、拾音器、力传感器等设备进行刀具健康状态监测，通过给定的加工操作切削相同工件时切削刀具所提供瞬时的刀具健康状态来监测，此外，还有通过刀具控制的相关电信号进行刀具健康状态监测。

然而，刀具加工过程复杂、工况多变，会存在非稳定的加工情况，上述方式在应对不稳定的加工情况时，往往难以对刀具健康状态进行准确稳定的监测。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高状态监测鲁棒性的刀具监测模型训练方法、刀具状态监测方法及相关装置。

第一方面，本申请提供了一种刀具监测模型训练方法，方法包括：

获取正常状态下刀具电机的扭矩波形数据，并提取扭矩波形数据的特征，得到原始训练集；

基于原始训练集训练预先建立的自联想神经网络模型，得到刀具的初步监测模型；

通过主成分分析对原始训练集进行特征重构，得到扩展训练集，并基于扩展训练集训练初步监测模型的局部网络，得到刀具的状态监测模型，其中，局部网络包括初步监测模型的输入层、映射层、瓶颈层。

在其中一个实施例中，通过主成分分析对原始训练集进行特征重构，得到扩展训练集包括：

基于原始训练集生成协方差矩阵，并计算协方差矩阵的特征值与特征向量；

根据特征值的大小，选择最大的前k个特征值对应的特征向量生成特征重构矩阵；

通过特征重构矩阵对原始训练集进行特征重构，得到扩展训练集。

在其中一个实施例中，基于扩展训练集训练初步监测模型的局部网络，得到刀具的状态监测模型包括：

基于原始训练集训练中瓶颈层的输出结果，构建扩展训练集对应的输出结果；

在初步监测模型的瓶颈层、解映射层、输出层之间的网络结构参数不变情况下，基于扩展训练集及对应的输出结果训练初步监测模型的局部网络，得到状态监测模型。

在其中一个实施例中，基于原始训练集训练预先建立的自联想神经网络模型，得到刀具的初步监测模型包括：

对原始训练集进行标准化处理；

初始化自联想神经网络模型的网络结构参数，并基于原始训练集训练初始化之后的自联想神经网络模型，得到初步监测模型。

在其中一个实施例中，基于扩展训练集训练初步监测模型的局部网络，得到刀具的状态监测模型之后，还包括：

通过预设的测试集测试状态监测模型，其中，测试集输入状态监测模型得到对应的模型重构特征或模型预测值，并基于模型重构特征或模型预测值确定状态监测模型是否合格。

第二方面，本申请还提供了一种刀具状态监测方法，包括：

获取刀具电机的扭矩波形数据，并提取扭矩波形数据的特征，得到刀具特征数据；

将刀具特征数据输入至预先训练的状态监测模型，得到对应的模型重构特征或模型预测值，其中，状态监测模型为通过上述任意一种实施例所述的刀具监测模型训练方法训练得到的模型；

基于模型重构特征或模型预测值，确定刀具的状态监测结果。

第三方面，本申请还提供了一种刀具监测模型训练装置，包括：

训练获取模块，用于获取正常状态下刀具电机的扭矩波形数据，并提取扭矩波形数据的特征，得到原始训练集；

整体训练模块，用于基于原始训练集训练预先建立的自联想神经网络模型，得到刀具的初步监测模型；

局部训练模块，用于通过主成分分析对原始训练集进行特征重构，得到扩展训练集，并基于扩展训练集训练初步监测模型的局部网络，得到刀具的状态监测模型，其中，局部网络包括初步监测模型的输入层、映射层、瓶颈层。

第四方面，本申请还提供了一种刀具状态监测装置，包括：

数据获取模块，用于获取刀具电机的扭矩波形数据，并提取扭矩波形数据的特征，得到刀具特征数据；

数据监测模块，用于将刀具特征数据输入至预先训练的状态监测模型，得到对应的模型重构特征或模型预测值，其中，状态监测模型为通过上述任意一种实施例所述的刀具监测模型训练方法训练得到的模型；

状态预测模块，用于基于模型重构特征或模型预测值，确定刀具的状态监测结果。

第五方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任意一种实施例所述的刀具监测模型训练方法或刀具状态监测方法的步骤。

第六方面，本申请还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任意一种实施例所述的刀具监测模型训练方法或刀具状态监测方法的步骤。

上述刀具监测模型训练方法、刀具状态监测方法及相关装置，在原始训练集训练自联想神经网络模型的基础上，通过主成分分析对原始训练集进行特征重构，得到扩展训练集，再基于扩展训练集进一步训练初步监测模型的输入层-映射层-瓶颈层3层局部网络，以得到状态监测模型，如此，第一方面，基于主成分分析重构得到扩展训练集，有效扩展了模型样本，减轻了对于样本量的需求，使得模型预测精度不再受限于样本量，第二方面，在原始训练的基础上，单独重新训练模型的输入层-映射层-瓶颈层3层局部网络，其他网络结构参数不变，不仅保持了自联想神经网络模型的非线性表达能力，而且使得训练完成后状态监测模型具备了线性的表达能力，即同时具备了良好、稳定的线性与非线性表达能力，大大提高了状态监测模型的鲁棒性。

附图说明

为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统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申请的一些实施例，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。

图1为一个实施例中刀具监测模型训练方法的整体流程示意图；

图2为一个实施例中刀具组件的受力分析图；

图3为一个实施例中刀具监测模型训练方法中步骤S300的流程示意图；

图4为一个实施例中刀具监测模型训练方法的模型测试示意图；

图5为一个实施例中刀具状态监测方法的整体流程示意图；

图6为一个实施例中刀具状态监测方法的工作流程示意图；

图7为一个实施例中刀具监测模型训练装置的结构框图；

图8为一个实施例中刀具状态监测装置的结构框图；

图9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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

需要说明的是，当一个元件被认为是“连接”另一个元件时，它可以是直接连接到另一个元件，或者通过居中元件连接另一个元件。此外，以下实施例中的“连接”，如果被连接的对象之间具有电信号或数据的传递，则应理解为“电连接”、“通信连接”等。

在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时，在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。

本申请实施例提供的刀具监测模型训练方法，可以应用于切削刀具相关状态监测模型的训练，更为广泛地，还可以用于其他部件、设备的状态监测模型，其中，本申请实施例尤其适用于厚壁管材冷挤压切割系统，该系统采用冷挤压无屑切割方式，切割速度慢，虽加工精度要求不高，但更注重切割加工稳定性，与一般工业机加工场景不同，厚壁管材冷挤压切割系统处于强辐照环境下工作，刀具切割过程工况多变，更加不稳定，这进一步加大了刀具健康状态的难度。

在一个实施例中，如图1所示，提供了一种刀具监测模型训练方法，包括以下步骤：

S100：获取正常状态下刀具电机的扭矩波形数据，并提取扭矩波形数据的特征，得到原始训练集；

具体地，获取正常情况下刀具电机的扭矩波形数据，其中，扭矩波形数据为反映刀具状态的数据，并且通过提取扭矩波形数据中关联状态的敏感特征，以得到所需的原始训练集。

以厚壁管材冷挤压切割系统为例，参看图2，刀具组件受离心力

进一步地，基于刀具进给轴电机的扭矩波形数据，分别从时域、时频域提取关联刀具状态敏感特征，例如，时域提取均值、有效值、峰值因子、脉冲因子、裕度因子、波形因子、峭度等7个参数，时频域通过小波包3层分解得到8个子波形，分别计算每个子波形的能量值获得8个时频域参数，如此，通过采集一定样本的正常状态下的扭矩波形数据，每个样本分别提取特征数据，以构成原始训练集。

本实施例采用刀具电机的扭矩波形数据作为监测数据，可以满足在强辐照环境下刀具长期有效的监测，有效解决了振动传感器、拾音器、力传感器、声发射传感器等监测部件无法在强辐照环境下保持长期有效工作的问题，保证了刀具状态监测的稳定性。

S200：基于原始训练集训练预先建立的自联想神经网络模型，得到刀具的初步监测模型；

自联想神经网络模型（Auto Associative Neural Network，AANN）具有输入层、映射层、瓶颈层、解映射层、输出层共5层网络，其中，自联想神经网络模型的原理为：首先通过输入层、映射层以及瓶颈层实现了输入数据信息的压缩，从网络输入的高维参数空间中提取了反映系统结构的最具代表性的低维子空间，同时有效地滤去了测量数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现数据的解压缩，将前面压缩的信息还原到各个参数值，从而实现各测量数据的重构。

具体地，预先搭建自联想神经网络模型，并初始化其网络结构参数，基于初始化的网络结构参数，通过原始训练集对自联想神经网络模型进行迭代训练，得到模型各层的网络结构参数。

S300：通过主成分分析对原始训练集进行特征重构，得到扩展训练集，并基于扩展训练集训练初步监测模型的局部网络，得到刀具的状态监测模型，其中，局部网络包括初步监测模型的输入层、映射层、瓶颈层。

主成分分析（Principal Component Analysis，PCA），其的原理是设法将原来变量重新组合成一组新的相互无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法，一般主要应用于数据降维、去噪、可视化等等。

具体地，在本申请实施例中通过主成分分析对原始训练集进行特征重构， 来得到模型训练的扩展样本，即扩展训练集，其中，主成分分析基于原始训练集对应的特征值，选取最大的N个特征值对应的特征向量构成所需的变换矩阵，以对对原始训练集中N维主成分进行线性变换，得到扩展训练集。

具体地，基于主成分分析线性变换得到的扩展训练集对初步监测模型的局部网络进一步训练，其中，保持瓶颈层-解映射层-输出层网络结构参数不变，以保持自联想神经网络的非线性表达能力，同时，基于扩展训练集单独重新训练模型输入层-映射层-瓶颈层3层局部网络，使得自联想神经网络模型具备线性表达能力，如此，得到具备良好稳定的线性与非线性表达能力的状态监测模型。

需要说明的是，本申请的主成分分析主要应用于自联想神经网络模型的局部网络训练，以使得训练的模型具备线性表达能力，而在自联想神经网络模型训练好之后的正常监测过程中并不涉及上述主成分分析的数据处理。

上述刀具监测模型训练方法，第一方面，基于主成分分析重构得到扩展训练集，有效扩展了模型样本，减轻了对于样本量的需求，使得模型预测精度不再受限于样本量，第二方面，在原始训练的基础上，单独重新训练模型的输入层-映射层-瓶颈层3层局部网络，其他网络结构参数不变，不仅保持了自联想神经网络模型的非线性表达能力，而且使得训练完成后状态监测模型具备了线性的表达能力，即同时具备了良好、稳定的线性与非线性表达能力，大大提高了状态监测模型的鲁棒性。

在一个实施例中，基于原始训练集训练预先建立的自联想神经网络模型，得到刀具的初步监测模型包括：对原始训练集进行标准化处理；初始化自联想神经网络模型的网络结构参数，并基于原始训练集训练初始化之后的自联想神经网络模型，得到初步监测模型。

具体地，特征提取得到原始训练集可以表示为

具体地，对原始训练集

具体地，初始化自联想神经网络模型的网络结构参数，基于初始化的网络结构参数，输入层特征值等于输出层理论值，迭代训练自联想神经网络模型，得到各层的网络结构权值及偏置参数，以得到初步监测模型。

在一个实施例中，参看图3，通过主成分分析对原始训练集进行特征重构，得到扩展训练集包括：S301：基于原始训练集生成协方差矩阵，并计算协方差矩阵的特征值与特征向量；S302：根据特征值的大小，选择最大的前k个特征值对应的特征向量生成特征重构矩阵；S303：通过特征重构矩阵对原始训练集进行特征重构，得到扩展训练集。

具体地，通过主成分分析对上述标准化之后的原始训练集

首先，基于上述标准化之后的原始训练集

其中，

其次，通过矩阵特征值、特征向量求解公式

最后，基于特征值累计和占比超90%原则确定前k个最大特征值对应的特征向量，构成矩阵

在一个实施例中，参看图3，基于扩展训练集训练初步监测模型的局部网络，得到刀具的状态监测模型包括：S304：基于原始训练集训练中瓶颈层的输出结果，构建扩展训练集对应的输出结果；S305：在初步监测模型的瓶颈层、解映射层、输出层之间的网络结构参数不变情况下，基于扩展训练集及对应的输出结果训练初步监测模型的局部网络，得到状态监测模型。

具体地，基于原始训练集训练模型中瓶颈层的输出矩阵B，

在一个实施例中，基于扩展训练集训练初步监测模型的局部网络，得到刀具的状态监测模型之后，还包括：通过预设的测试集测试状态监测模型，其中，测试集输入状态监测模型得到对应的模型重构特征或模型预测值，并基于模型重构特征或模型预测值确定状态监测模型是否合格。

具体地，在生成原始训练集的同时，生成模型测试所需的测试集，基于该测试集进行状态监测模型的验证。其中，在一种实施方式中，通过将标准化之后的测试集输入状态监测模型来得到模型重构特征，即AANN重构特征，并基于模型输入输出的特征进行相似性评估，来确定AANN重构特征的误差，该误差可以反映对应的监测状态，以此确定状态监测模型是否合格；在另一种实施方式中，通过将标准化之后的测试集输入状态监测模型来得到模型预测值，该模型预测值为在同一工况下该测试集无干扰下的理论输出值，基于该模型预测值与测试集的实际值进行比较评估，来确定状态监测模型是否合格。

在一些实施例中，AANN特征重构的误差包含有大量的状态信息，具体可以通过对重构前后特征进行相似性评估来确定该状态信息，其中，可以计算重构前后特征余弦距离并进行值域平移及尺度变换映射至0到1范围，并结合重构偏差绝对距离得到状态因子，进一步基于该状态因子与对应的阈值，来确定监测状态结果。

以刀具状态监测为例，刀具健康状态因子可以表示为：

其中，

现结合核辐射环境下刀具健康状态监测的应用环境对上述实施例进行说明，但不仅限于此。

参看图4，图4为刀具健康状态监测中，经过PCA局部网络训练的AANN模型（PCA-AANN）与不经过PCA局部网络训练的AANN模型(AANN)之间的监测结果对比，其中，实际情况中，刀具切割第57次时现场检查发现刀具出现轻微爆口并加润滑油缓解，对应地，本实施例的PCA-AANN状态监测在56次开始报警，切割第58次时刀具状态缓解，切割第61次刀刃爆口程度加剧，切割第65次后刀具崩刃，并在56次之前无误报警的情况，状态监测稳定，而对比常规的AANN，其状态监测在57次之前多次因波动而超出健康阈值线和接近健康阈值线，两者相比：经过PCA局部网络训练的AANN模型预测的刀具健康指标更平稳，状态监测更准确。

基于同样的发明构思，本申请实施例还提供了一种基于上述刀具监测模型训练方法的刀具状态监测方法。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刀具状态监测方法实施例中的具体限定可以参见上文中对于刀具监测模型训练方法的限定，在此不再赘述。

在一个实施例中，如图5所示，提供了一种刀具状态监测方法，包括以下步骤：

A100：获取刀具电机的扭矩波形数据，并提取扭矩波形数据的特征，得到刀具特征数据；

A200：将刀具特征数据输入至预先训练的状态监测模型，得到对应的模型重构特征或模型预测值，其中，状态监测模型为通过上述任意一种实施例所述的刀具监测模型训练方法训练得到的模型；

A300：基于模型重构特征或模型预测值，确定刀具的状态监测结果。

参看图6，刀具状态监测之前：特征提取模块基于刀具健康状态的扭矩波形数据得到对应的原始训练集X

参看图6，刀具状态监测过程中：特征提取模块基于刀具在线的扭矩波形数据得到对应的刀具特征数据X

上述刀具状态监测方法，克服了长传动链中各级减速箱的噪声信号干扰，通过进给电机的扭矩信号可以实现厚壁管材挤压切割刀具的健康状态监测算法，实时监测刀具健康状态，从而保障设备的安全作业，同时，克服了刀具加工过程机理复杂、工况多变条件基于信号处理刀具监测的困难，克服传统刀具状态监测有监督机器学习建模过程对标记样本数据的依赖。此外，基于PCA特征重构优化自联想神经网络模型参数，大大提高神经网络模型的鲁棒性，具备良好稳定的非线性和线性表达能力，有效保证监测的稳定性。

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刀具监测模型训练方法的刀具监测模型训练装置。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刀具监测模型训练装置实施例中的具体限定可以参见上文中对于刀具监测模型训练方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种刀具监测模型训练装置，包括：

训练获取模块10，用于获取正常状态下刀具电机的扭矩波形数据，并提取扭矩波形数据的特征，得到原始训练集；

整体训练模块20，用于基于原始训练集训练预先建立的自联想神经网络模型，得到刀具的初步监测模型；

局部训练模块30，用于通过主成分分析对原始训练集进行特征重构，得到扩展训练集，并基于扩展训练集训练初步监测模型的局部网络，得到刀具的状态监测模型，其中，局部网络包括初步监测模型的输入层、映射层、瓶颈层。

在一个实施例中，通过主成分分析对原始训练集进行特征重构，得到扩展训练集包括：

基于原始训练集生成协方差矩阵，并计算协方差矩阵的特征值与特征向量；

根据特征值的大小，选择最大的前k个特征值对应的特征向量生成特征重构矩阵；

通过特征重构矩阵对原始训练集进行特征重构，得到扩展训练集。

在一个实施例中，基于扩展训练集训练初步监测模型的局部网络，得到刀具的状态监测模型包括：

基于原始训练集训练中瓶颈层的输出结果，构建扩展训练集对应的输出结果；

在初步监测模型的瓶颈层、解映射层、输出层之间的网络结构参数不变情况下，基于扩展训练集及对应的输出结果训练初步监测模型的局部网络，得到状态监测模型。

在一个实施例中，基于原始训练集训练预先建立的自联想神经网络模型，得到刀具的初步监测模型包括：

对原始训练集进行标准化处理；

初始化自联想神经网络模型的网络结构参数，并基于原始训练集训练初始化之后的自联想神经网络模型，得到初步监测模型。

在一个实施例中，基于扩展训练集训练初步监测模型的局部网络，得到刀具的状态监测模型之后，还包括：

通过预设的测试集测试状态监测模型，其中，测试集输入状态监测模型得到对应的模型重构特征或模型预测值，并基于模型重构特征或模型预测值确定状态监测模型是否合格。

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刀具状态监测方法的刀具状态监测装置。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刀具状态监测装置实施例中的具体限定可以参见上文中对于刀具状态监测方法的限定，在此不再赘述。

在一个实施例中，如图8所示，提供了一种刀具状态监测装置，包括：

数据获取模块40，用于获取刀具电机的扭矩波形数据，并提取扭矩波形数据的特征，得到刀具特征数据；

数据监测模块50，用于将刀具特征数据输入至预先训练的状态监测模型，得到对应的模型重构特征或模型预测值，其中，状态监测模型为通过上述任意一种实施例所述的刀具监测模型训练方法训练得到的模型；

状态预测模块60，用于基于模型重构特征或模型预测值，确定刀具的状态监测结果。

上述刀具监测模型训练装置、刀具状态监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，该计算机设备内部结构图可以如图9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、通信接口。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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现上述实施例中任意一种刀具监测模型训练方法或刀具状态监测方法。

本领域技术人员可以理解，图9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实施例中任意一种刀具监测模型训练方法或刀具状态监测方法。具体详细说明参看方法对应的说明，在此不再赘述。

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实施例中任意一种刀具监测模型训练方法或刀具状态监测方法。具体详细说明参看方法对应的说明，在此不再赘述。

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-OnlyMemory，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 RandomAccessMemory，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。