一种钢筋质量管理系统和方法发明专利

专利名称：一种钢筋质量管理系统和方法

专利类型：发明专利

专利申请号：CN202110733128.9

专利申请（专利权）人：云南昆钢电子信息科技有限公司
权利人地址：云南省昆明市安宁市昆钢朝阳路

专利发明（设计）人：邝昌云,皮坤,杨伟,许斌,贾鹏杰,王化,李平,范心怡

专利摘要：本发明涉及一种钢筋质量管理系统和方法，通过测温仪采集钢坯出钢温度、钢坯开扎温度、钢筋上冷床温度，通过力学性能测试智能设备采集钢筋的屈服强度、抗拉强度、断后伸长率，并将这些数据通过物联网数据采集协议转换模块实时接入物联网边缘平台，在边缘平台的模型算法层调用边缘计算节点模块进行大数据分析，根据算法模型的实时边缘计算和钢筋力学性能的关联分析结果，实时给出温度控制方案，通过上述系统的研发和应用，有效地在钢筋生产工艺方面通过应用数据采集技术、边缘算法技术、大数据技术、数据模型等技术实现生产工艺质量寻优，有效地提升了钢筋产品质量。

主权利要求：
1.一种钢筋质量管理系统，其特征在于：包括采集器和处理器，采集器包括第一数据采集模块、第二数据采集模块和第三数据采集模块；处理器包括设备协议转换模块、数据模型训练模块、边缘计算模块、和温度控制模块；
第一数据采集模块采集第二数据模块和第三数据模块的数据，第二数据模块采集钢坯出钢温度、钢坯开扎温度、钢筋上冷床温度数据；第三数据采集模块采集钢筋的屈服强度、抗拉强度、断后伸长率数据；
设备协议转换模块对采集设备的协议转换，供数据模型训练模块和边缘计算模块使用；
数据模型训练模块对影响钢筋质量的温度参数以及力学性能参数进行特征值提取和有效组合训练，通过存储在大数据平台中的海量的样本数据进行模型训练，得到该种钢筋最优的力学性能和温度控制组合；
边缘计算模块在边缘平台进行边缘计算，对钢筋生产过程的温度控制提供参考；
温度控制模块，基于边缘计算模块的结果，将当前钢筋生产工艺温度状态和该种钢筋力学性能要达到的质量要求以可视化的形式进行展示，控制温度；
数据模型训练模块具体按以下进行：
通过大数据平台提供的RESTFULAPI接口，获取影响钢筋质量的数据模型核心参数标准值，包括屈服强度、拉升强度、泊松比、延伸率；
通过采集不同速度、不同加热炉温度下核心参数；通过热量传输方程计算当前温度下钢筋的实时屈服强度、拉升强度、延伸率、泊松比，将相同温度理论条件下与使役条件下的钢坯力学性能进行对比，寻找两种条件下的数值差距，热量传输方程如下：其中：
是向量：温度场中过某点的热通量和该点的温度梯度相重合量；
λ(T)是导热系数：取值36×1.163W/m·℃至40×1.163W/m·℃；
是导热速率：66W×m‑1×K‑1至406W×m‑1×K‑1；
是温度取值：对应钢坯或钢筋出加热炉、轧机、冷床时的温度；
是基于温度及热系数和速率热量传输；
通过温控数学模型来控制取数频频及校对放大系数，温控数学模型公式：其中：
Tds+1是时间常数，取值为0.3‑400秒，上下浮动1秒；
‑τs
Kde 是放大系数，取值为38‑62之间；
G(s)是基于某个温度下相应时间间隔里的温度放大系数下的温控数学模型；
通过不断地调整使役条件下的钢坯出加热炉、过轧机、上冷床的速度、温度对钢筋质量的影响，得到合金钢最优的力学性能和温度控制组合，为生产工艺优化提供控制决策支撑。
2.根据权利要求1所述的钢筋质量管理系统，其特征在于：数据模型训练包括对热坯钢坯出钢温度加热炉均温度热段的范围、目标，热坯钢坯头、中、尾开扎温度的范围、目标，以及钢筋强屈比、屈屈比、抗拉强度、屈服强度等值进行训练，得到该种钢筋最优的力学性能和温度控制组合。
3.根据权利要求1所述的钢筋质量管理系统，其特征在于：协议转换模块转换的设备协议包括MQTT、EMQ、EMQTT设备协议。
4.根据权利要求1所述的钢筋质量管理系统，其特征在于：边缘计算模块具体按热量传输方程及温控模型公式进行计算。
5.一种钢筋质量管理方法，其特征在于：按以下进行：采集钢坯出钢温度、钢坯开扎温度、钢筋上冷床温度数据；采集钢筋的屈服强度、抗拉强度、断后伸长率数据；
协议转换，供数据模型训练模块和边缘计算模块使用；
对影响钢筋质量的温度参数以及力学性能参数进行特征值提取和有效组合训练，通过存储在大数据平台中的海量的样本数据进行模型训练，得到该种钢筋最优的力学性能和温度控制组合；
在边缘平台进行边缘计算，对钢筋生产过程的温度控制提供参考；
基于边缘计算模块的结果，将当前钢筋生产工艺温度状态和该种钢筋力学性能要达到的质量要求以可视化的形式进行展示，控制温度；
数据模型训练具体按以下进行：
通过大数据平台提供的RESTFULAPI接口，获取影响钢筋质量的数据模型核心参数标准值，包括屈服强度、拉升强度、泊松比、延伸率；
通过采集不同速度、不同加热炉温度下核心参数；通过热量传输方程计算当前温度下钢筋的实时屈服强度、拉升强度、延伸率、泊松比，将相同温度理论条件下与使役条件下的钢坯力学性能进行对比，寻找两种条件下的数值差距，热量传输方程如下：其中：
是向量：温度场中过某点的热通量和该点的温度梯度相重合量；
λ(T)是导热系数：取值36×1.163W/m·℃至40×1.163W/m·℃；
是导热速率：66W×m‑1×K‑1至406W×m‑1×K‑1；
是温度取值：对应钢坯或钢筋出加热炉、轧机、冷床时的温度；
是基于温度及热系数和速率热量传输；
通过温控数学模型来控制取数频频及校对放大系数，温控数学模型公式：其中：
Tds+1是时间常数，取值为0.3‑400秒，上下浮动1秒；
‑τs
Kde 是放大系数，取值为38‑62之间；
G(s)是基于某个温度下相应时间间隔里的温度放大系数下的温控数学模型；
通过不断地调整使役条件下的钢坯出加热炉、过轧机、上冷床的速度、温度对钢筋质量的影响，得到合金钢最优的力学性能和温度控制组合，为生产工艺优化提供控制决策支撑。
6.根据权利要求5所述的钢筋质量管理方法，其特征在于：边缘计算模块具体按热量传输方程及温控模型公式进行计算。 说明书 : 一种钢筋质量管理系统和方法技术领域[0001] 本发明属于钢筋生产领域，具体是一种钢筋质量管理系统和方法。背景技术[0002] 钢筋生产过程中，钢的化学成分如C、Si、Mn、S等决定了钢筋的规格或类型，而与钢筋产品质量息息相关的往往是钢筋生产工艺过程中的温度、工艺力学性能控制。如何通过对钢筋生产过程中钢坯出钢温度、钢坯开扎温度、钢筋上冷床温度，以及钢筋的屈服强度、抗拉强度、断后伸长率等力学性能的大数据分析和有效控制，实现钢筋生产工艺质量寻优进而提高钢筋产品质量，是值得研究的。发明内容[0003] 为了解决上述问题，本发明提供一种钢筋质量管理系统和方法，在钢筋生产过程中使用数据采集技术、边缘计算技术、大数据技术、数据模型算法技术进行产品质量寻优的技术领域，通过对钢筋工艺力学性能、钢筋温度的大数据分析和有效控制，提高了钢筋产品质量。[0004] 本发明的技术方案具体如下：[0005] 一种钢筋质量管理系统，包括采集器和处理器，采集器包括第一数据采集模块、第二数据采集模块和第三数据采集模块；处理器包括设备协议转换模块、数据模型训练模块、边缘计算模块、和温度控制模块；[0006] 第一数据采集模块采集第二数据模块和第三数据模块的数据，第二数据模块采集钢坯出钢温度、钢坯开扎温度、钢筋上冷床温度数据；第三数据采集模块采集钢筋的屈服强度、抗拉强度、断后伸长率数据；[0007] 设备协议转换模块对采集设备的协议转换，供数据模型训练模块和边缘计算模块使用；[0008] 数据模型训练模块对影响钢筋质量的温度参数以及力学性能参数进行特征值提取和有效组合训练，通过存储在大数据平台中的海量的样本数据进行模型训练，得到该种钢筋最优的力学性能和温度控制组合；[0009] 边缘计算模块在边缘平台进行边缘计算，对钢筋生产过程的温度控制提供参考；[0010] 温度控制模块，基于边缘计算模块的结果，将当前钢筋生产工艺温度状态和该种钢筋力学性能要达到的质量要求以可视化的形式进行展示，控制温度。[0011] 进一步地，数据模型训练包括对热坯钢坯出钢温度加热炉均温度热段的范围、目标，热坯钢坯头、中、尾开扎温度的范围、目标，以及钢筋强屈比、屈屈比、抗拉强度、屈服强度等值进行训练，得到该种钢筋最优的力学性能和温度控制组合。[0012] 进一步地，协议转换模块转换的设备协议包括MQTT、EMQ、EMQTT设备协议。[0013] 进一步地，数据模型训练模块具体按以下进行：[0014] 通过大数据平台提供的RESTFULAPI接口，获取影响钢筋质量的数据模型核心参数标准值，包括屈服强度、拉升强度、泊松比、延伸率；[0015] 通过采集不同速度、不同加热炉温度下核心参数；通过热量传输方程计算当前温度下钢筋的实时屈服强度、拉升强度、延伸率、泊松比，将相同温度理论条件下与使役条件下的钢坯力学性能进行对比，寻找两种条件下的数值差距，热量传输方程如下：[0016][0017] 其中：[0018] 是向量：温度场中过某点的热通量和该点的温度梯度相重合量；[0019] λ(T)`是导热系数：取值36×1.163W/m.℃至40×1.163W/m.℃；[0020] 是导热速率：66W×m‑1×K‑1至406W×m‑1×K‑1；[0021] 是温度取值：对应钢坯或钢筋出加热炉、轧机、冷床时的温度。[0022] 是基于温度及热系数和速率热量传输；[0023] 通过温控数学模型来控制取数频频及校对放大系数，温控数学模型公式：[0024][0025] 其中：[0026] Tds+1是时间常数，取值为0.3‑400秒，上下浮动1秒；[0027] Kde‑is是放大系数，取值为38‑62之间。[0028] G(s)是基于某个温度下相应时间间隔里的温度放大系数下的温控数学模型；[0029] 通过不断地调整使役条件下的钢坯出加热炉、过轧机、上冷床的速度、温度对钢筋质量的影响，得到该种合金钢最优的力学性能和温度控制组合，为生产工艺优化提供控制决策支撑。[0030] 进一步地，边缘计算模块具体按热量传输方程及温控模型公式进行计算。[0031] 该模块是一个边缘计算算法盒子，盒子中内置了由钢铁生产工艺质量寻优管理系统中数据模型训练模块训练好的影响钢筋质量的出加热炉钢坯、过轧机钢筋、上冷床钢筋的速度、温度算法模型。[0032] 该模型通过在边缘平台的边缘计算如SparkStreaming对不同数据源Flume、Kafka、TCP等数据进行M/R和Join等复杂操作后提供给相应的数据库或算法模型，指导钢筋生产过程中对温度的有效控制。[0033] 本发明还涉及的钢筋质量管理方法，按以下进行：[0034] 采集钢坯出钢温度、钢坯开扎温度、钢筋上冷床温度数据；采集钢筋的屈服强度、抗拉强度、断后伸长率数据；[0035] 协议转换，供数据模型训练模块和边缘计算模块使用；[0036] 对影响钢筋质量的温度参数以及力学性能参数进行特征值提取和有效组合训练，通过存储在大数据平台中的海量的样本数据进行模型训练，得到该种钢筋最优的力学性能和温度控制组合；[0037] 在边缘平台进行边缘计算，对钢筋生产过程的温度控制提供参考；[0038] 基于边缘计算模块的结果，将当前钢筋生产工艺温度状态和该种钢筋力学性能要达到的质量要求以可视化的形式进行展示，控制温度。[0039] 进一步地，数据模型训练具体按以下进行：[0040] 通过大数据平台提供的RESTFULAPI接口，获取影响钢筋质量的数据模型核心参数标准值，包括屈服强度、拉升强度、泊松比、延伸率；[0041] 通过采集不同速度、不同加热炉温度下核心参数；通过热量传输方程计算当前温度下钢筋的实时屈服强度、拉升强度、延伸率、泊松比，将相同温度理论条件下与使役条件下的钢坯力学性能进行对比，寻找两种条件下的数值差距，热量传输方程如下：[0042][0043] 其中：[0044] 是向量：温度场中过某点的热通量和该点的温度梯度相重合量；[0045] λ(T)`是导热系数：取值36×1.163W/m·℃至40×1.163W/m·℃；[0046] 是导热速率：66W×m‑1×K‑1至406W×m‑1×K‑1；[0047] 是温度取值：对应钢坯或钢筋出加热炉、轧机、冷床时的温度。[0048] 是基于温度及热系数和速率热量传输；[0049] 通过温控数学模型来控制取数频频及校对放大系数，温控数学模型公式：[0050][0051] 其中：[0052] Tds+1是时间常数，取值为0.3‑400秒，上下浮动1秒；[0053] Kde‑is是放大系数，取值为38‑62之间。[0054] G(s)是基于某个温度下相应时间间隔里的温度放大系数下的温控数学模型；[0055] 通过不断地调整使役条件下的钢坯出加热炉、过轧机、上冷床的速度、温度对钢筋质量的影响，得到该种合金钢最优的力学性能和温度控制组合，为生产工艺优化提供控制决策支撑。[0056] 进一步地，边缘计算模块具体按热量传输方程及温控模型公式进行计算。[0057] 本发明还涉及一种电子设备，包括存储器、处理器以及在存储器上，并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。[0058] 本发明还涉及一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述方法的步骤。[0059] 与现有技术相比，本发明的有益效果具体如下：[0060] 本发明通过测温仪采集钢坯出钢温度、钢坯开扎温度、钢筋上冷床温度，通过力学性能测试智能设备采集钢筋的屈服强度、抗拉强度、断后伸长率，将并将这些数据通过物联网数据采集协议转换模块实时接入物联网边缘平台，在边缘平台的模型算法层调用边缘计算节点模块进行大数据分析，根据算法模型的实时边缘计算和钢筋力学性能的关联分析结果，实时给出温度控制方案，通过上述系统的研发和应用，有效地在钢筋生产工艺方面通过应用数据采集技术、边缘算法技术、大数据技术、数据模型等技术通过生产工艺质量寻优，有效地提升了钢筋产品质量。附图说明[0061] 图1为本发明的系统的结构框图。具体实施方式[0062] 下面将结合本申请实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0063] 除非另外定义，本申请实施例中使用的技术术语或者科学术语应当为所属领域内具有一般技能的人士所理解的通常意义。本实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。“上”、“下”、“左”、“右”、“横”以及“竖”等仅用于相对于附图中的部件的方位而言的，这些方向性术语是相对的概念，它们用于相对于的描述和澄清，其可以根据附图中的部件所放置的方位的变化而相应地发生变化。[0064] 如图1所示，本实施例的钢筋质量管理系统，包括采集器和处理器，采集器包括第一数据采集模块、第二数据采集模块和第三数据采集模块；处理器包括设备协议转换模块、数据模型训练模块、边缘计算模块、和温度控制模块。[0065] 第一数据采集模块采集第二数据模块和第三数据模块的数据，第二数据模块采集钢坯出钢温度、钢坯开扎温度、钢筋上冷床温度数据；第三数据采集模块采集钢筋的屈服强度、抗拉强度、断后伸长率数据。[0066] 设备协议转换模块对采集设备的协议转换，供数据模型训练模块和边缘计算模块使用。[0067] 数据模型训练模块对影响钢筋质量的温度参数以及力学性能参数进行特征值提取和有效组合训练，通过存储在大数据平台中的海量的样本数据进行模型训练，得到该种钢筋最优的力学性能和温度控制组合。[0068] 边缘计算模块在边缘平台进行边缘计算，对钢筋生产过程的温度控制提供参考。[0069] 温度控制模块，基于边缘计算模块的结果，将当前钢筋生产工艺温度状态和该种钢筋力学性能要达到的质量要求以可视化的形式进行展示，控制温度。[0070] 数据采集时，将钢铁生产中的设备视为系统的一个“端”，根据“端”如温度测量仪采集钢坯出钢温度、钢坯开扎温度、钢筋上冷床温度数据，通过力学性能测试智能设备采集钢筋的屈服强度、抗拉强度、断后伸长率数据，并将采集到的数据统一传回。[0071] 第二数据采集模块调用温度测量仪采集钢坯出钢温度、钢坯开扎温度、钢筋上冷床温度数据，并将采集到的实时数据进行统一传回第一数据采集模块。[0072] 第三数据采集模块通过力学性能测试智能设备采集钢筋的屈服强度、抗拉强度、断后伸长率数据，并将采集到的实时数据进行统一传回第一数据采集模块。[0073] 数据模型训练模块：负责对影响钢筋质量的温度参数以及力学性能参数进行特征值提取和有效组合训练，通过存储在大数据平台中的海量的样本数据(特征值)获取影响钢筋质量的数据模型核心参数标准值，如屈服强度(弹性极限应力值、比例极限应力值、残留变形应力值)、拉升强度(拉升速率)、泊松比(GT/T3623‑1998)、延伸率(GJB2505‑1995)，并获得钢坯从出加热炉至轧机轧制到最终上冷床过程中的影响钢筋质量的速度、温度进行力学性能模型及温控数学模型训练。通过采集不同速度、不同加热炉温度如1050摄氏度下影响钢筋的力学性能(屈服强度、拉升强度、延伸率、泊松比)情况。通过热量传输方程计算当前温度下钢筋的实时屈服强度、拉升强度、延伸率、泊松比，将相同温度理论条件下与使役条件下的钢坯力学性能进行对比，寻找两种条件下的数值差距。热量传输方程：[0074][0075] 其中：[0076] 是向量：温度场中过某点的热通量和该点的温度梯度相重合量。[0077] λ(T)`是导热系数：取值36×1.163W/m.℃至40×1.163W/m·℃。[0078] 是导热速率：66W×m‑1×K‑1至406W×m‑1×K‑1。[0079] 是温度取值：对应钢坯或钢筋出加热炉、轧机、冷床时的温度。[0080] 是基于温度及热系数和速率热量传输。[0081] 通过温控数学模型来控制取数频频及校对放大系数。温控数学模型公式：[0082][0083] 其中：[0084] Tds+1是时间常数，取值为0.3‑400秒，上下浮动1秒；[0085] Kde‑is是放大系数，取值为38‑62之间。[0086] G(s)是基于某个温度下相应时间间隔里的温度放大系数下的温控数学模型。[0087] 通过不断地调整使役条件下的钢坯出加热炉、过轧机、上冷床的速度、温度对钢筋质量的影响，得到该种合金钢最优的力学性能和温度控制组合，为生产工艺优化提供控制决策支撑。[0088] 边缘计算模块：该模块是一个边缘计算算法盒子，盒子中内置了由钢铁生产工艺质量寻优管理系统中数据模型训练模块训练好的影响钢筋质量的出加热炉钢坯、过轧机钢筋、上冷床钢筋的速度、温度算法模型，该模型通过在边缘平台的边缘计算如SparkStreaming对不同数据源Flume、Kafka、TCP等数据进行 M/R和Join等复杂操作后提供给相应的数据库或算法模型，指导钢筋生产过程中对温度的有效控制。[0089] 温度控制模块：该模块为钢筋产品质量寻优温度有效控制提供可视化和控制建议，通过边缘计算模块在边缘平台的计算结果以及指导建议，将当前钢筋生产工艺温度状态和该种钢筋力学性能要达到的质量要求以可视化的形式进行展示，供生产管理者提供决策支撑或指导生产操作者直接控制温度。[0090] 本实施例中，数据模型训练具体按以下进行：[0091] 通过存储在大数据平台中的海量的样本数据(特征值)获取影响钢筋质量的数据模型核心参数标准值，如屈服强度(弹性极限应力值、比例极限应力值、残留变形应力值)、拉升强度(拉升速率)、泊松比(GT/T 3623‑1998)、延伸率(GJB 2505‑1995)；[0092] 通过力学性能测试智能设备及OPC、PLC等采集合金钢在加热炉、粗轧机、中轧机、精轧机、钢筋冷床等不同工艺环节温度的实时采集，将并将这些数据通过物联网数据采集协议如Modbus RTU转换Modbus TCP、AUTO MDI/MDIX等协议转换模块实时接入物联网边缘平台如Hbase等进行实时数据存储；[0093] 通过热量传输方程计算当前温度下钢筋的实时屈服强度、拉升强度、延伸率、泊松比，将相同温度理论条件下与使役条件下的钢坯力学性能进行对比，寻找两种条件下的数值差距。[0094] 通过温控数学模型来控制取数频频及校对放大系数。[0095] 通过不断地调整使役条件下的钢坯出加热炉、过轧机、上冷床的速度、温度对钢筋质量的影响，得到该种合金钢最优的力学性能和温度控制组合，为生产工艺优化提供控制决策支撑。[0096] 本实施例中，边缘计算模块具体按以下进行：[0097] 采集器按照一定的频率获取生产现场实时出加热炉、过轧机、上冷床时钢坯或钢筋的实时速度、温度，这些数据通过协议转换或者数据处理后提供给边缘计算算法盒子，盒子中内置了由钢铁生产工艺质量寻优管理系统中数据模型训练模块训练好的影响钢筋质量的出加热炉钢坯、过轧机钢筋、上冷床钢筋的速度、温度数学模型。[0098] 该模型通过在边缘平台的边缘计算如Spark Streaming对不同数据源Flume、 Kafka、TCP等数据进行M/R和Join等复杂操作后提供给边缘计算模块，边缘计算模块将计算结果以及指导建议返回给中控机以可视化的形式进行展示，供生产管理者提供决策支撑或指导生产操作者直接控制温度，如可将线行非时变的PID 算法通过I/A控制下发到加热炉进行温度控制，指导钢筋生产过程中对温度的有效控制。[0099] 上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit， CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit， ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。[0100] 可选的，本申请实施例还提供一种存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如上述所示实施例的方法。[0101] 可选的，本申请实施例还提供一种运行指令的芯片，所述芯片用于执行上述所示实施例的方法。[0102] 本申请实施例还提供一种程序产品，所述程序产品包括计算机程序，所述计算机程序存储在存储介质中，至少一个处理器可以从所述存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序时可实现上述实施例的方法。[0103] 在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在可读存储介质中，或者从一个可读存储介质向另一个可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘solidstatedisk(SSD))等。[0104] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：云南

专利申请日期：2021-06-29

专利公开日期：2024-06-18

专利公告号：CN113687633B