一种基于模型预测框架的水泥配方石灰石比例调节方法

技术领域

本发明属于基于智能算法的盘景水泥磨配料配比优化的技术领域，具体涉及一种基于模型预测框架的水泥配方石灰石比例调节方法。

背景技术

水泥磨工艺流程中将熟料，转炉渣，磷石膏，石灰石分别送到对应的库中，将它们按不同的配比，喂料量，流量分为两种型号，将两种型号的物料分别进行混合除铁送至3号，4号磨，而后经履带和提升斗送入称重仓，经称重仓出来的物料进入辊压机破碎后由提升斗送微选机，微选机将饼状料打散的同时具有简单的选分功能，将粗料重新送称重仓，细料由循环风机产生的舱内负压带入旋风筒，旋风筒细料灰尘在负压作用下进入选粉机，绝大部分物料以粗料形式经斜槽直接进入水泥磨。水泥磨旋转带动研磨介质将混合料磨细后在由尾排风机产生的磨内负压的作用下经磨机出口排出，经斜槽和磨尾提升斗送入选粉机，选粉机将粗料甩到外壁后滑落进入磨机，细料在由主排风机产生的舱内负压作用下进入除尘设备后经斜槽进入水泥提升斗，直接送入水泥仓库。

水泥配方主要指熟料、石灰石、石膏和矿粉，通过调节这几个物料的百分比来控制水泥关键质量参数。盘景目前根据钙铁硫分析仪检测水泥中的SO3和CaO含量，通过烧失实验来确定水泥烧失量。目前根据SO3含量来调整石膏配比从而调节凝结时间；根据烧失量来控制石灰石配比，因为石灰石对烧失量的影响是37--38％，石膏的影响量是10--20％，熟料只贡献0.3--0.5％；根据CaO含量来调节矿粉和石灰石含量，因为熟料带来氧化钙65--66％，石灰石带来40--45％，矿粉带来35--40％。配方和工况对水泥关键质量参数都有影响，关键质量参数的阶跃变化由配方引起，其随机波动由工况引起，目前我国的配料调节过程仍以人工调节为主，为稳定水泥质量，降低成本，提出基于模型预测框架的水泥配方石灰石比例调节方法。

发明内容

基于此，为解决基于历史生产数据分析，通过模型预测控制水泥磨工艺从而稳定水泥质量的问题，本发明目的在于从历史生产数据中挖掘影响水泥烧失量的关键配方和工况因素，拼接形成决策表，大数据决策表在线训练统计预测与机理预测模型，对水泥烧失量进行在线预测，并制作配方优化控制器完成配方的在线优化。

本发明提供了一种基于模型预测框架的水泥配方石灰石比例调节方法，所述调节方法具体包括：

获取水泥配方、水泥烧失量历史数据，将可能影响水泥烧失量的因素的历史记录数据与水泥烧失量的历史记录数据进行拼接，再进行数据预处理，即采用粗糙集算法将拼接后配方、工况和水泥烧失量数据离散化并去除冗余和矛盾数据；

根据数据预处理后的数据获得石灰石比例逻辑分析决策表；

构建神经网络模型，根据所述石灰石比例逻辑分析决策表在线训练，获得预测水泥烧失量变化趋势的模型；

制定模糊pid优化规则，将待调整石灰石比例采用所述预测水泥烧失量变化趋势的模型进行预测获得水泥烧失量预测值，并基于模糊pid优化规则进行石灰石比例调整。

进一步的，所述调节方法还包括：

根据所述石灰石比例调整后进行水泥配置，并测定其实际水泥烧失量；

将所述实际水泥烧失量和水泥烧失量预测值进行比较，当绝对差值小于1％时，采用模糊pid优化规则进行调节，当绝对差值大于1％时，采用反馈校正方法进行调节。

进一步的，所述数据预处理具体包括：

将获得水泥配方与水泥烧失量历史数据进行对齐与拼接，并采用数据清理和数据集成方法将异常数据、冗余数据和矛盾数据进行清理，获得水泥配方和与之对应的水泥烧失量预处理数据。

进一步的，所述粗糙集算法具体包括：

构建条件属性和决策属性的决策表，并根据相对重要度算法对决策属性的分类所做贡献的重要程度对条件属性进行约减，获得各条件属性的相对重要程度；

基于各属性的相对重要程度，当决策属性发生改变时，分析各条件属性变化，变化越小的对决策属性影响越大，所述变化越小条件属性即为石灰石烧失量主导影响因素。

进一步的，所述构建神经网络模型，根据所述石灰石比例逻辑分析决策表在线训练，获得预测水泥烧失量变化趋势的模型步骤具体包括：

将石灰石比例和对应的水泥烧失量历史数据按照8:2的比例划分为训练样本和测试样本；

构建BP神经网络模型，以石灰石比例为输入层，水泥烧失量为输出，采用训练样本进行训练获得训练后的BP神经网络模型；

每训练10轮，采用测试样本对所述训练后的BP神经网络模型进行测试，评估准确率，当准确率开始下降至终止训练，获得预测水泥烧失量变化趋势的模型。

进一步的，所述的制定模糊pid优化规则具体包括：

将石灰石比例最小值向上递增最小变化区间进行离散化；

将-1％到1％区间内的调节量划分9个区段进行模糊化处理，对应的最小值离散值设定为1，每变化一个区段离散值加1；

利用模糊PID算法和所述石灰石比例逻辑分析决策表计算出烧失量误差变化率，获得石灰石调节量与水泥烧失量误差变化率对照表；

根据烧失量的调节范围，并采用模糊PID算法进行多次计算，获得烧失量调节范围内的滚动优化规则。

进一步的，所述石灰石调节规则优化方法具体包括：

计算实际水泥烧失量和烧失量设定值的差值获得烧失量误差值U(1)；并计算水泥烧失量预测值和烧失量设定值的差值获得烧失量U(2)；

用U(1)-U(2)得到烧失量误差变化率EC，并根据所述模糊pid优化规则获得石灰石调节量。

有益效果：

本发明以历史数据为基础，通过粗糙集方法对数据进行处理获得石灰石烧失量主导影响因素石灰石比例，构建决策表，并基于决策表在线先练神经网络模型，用于预测水泥烧失量，采用模糊PID规则滚动优化石灰石配比。采用上述方法进行石灰石比例调节，可以降低水泥烧失量超标率5％，提高产品优良率8％，产品质量波动区间明显减少，可以实现配方调节标准化，大大减轻配方调控人员的工作量以及人为误差。

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

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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发明的一些实施例，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为本发明实施例提供的基于模型预测框架的水泥配方石灰石比例调节方法的流程图；

图2为本发明实施例提供的水泥磨工艺配方调整整体方案框架图；

图3为本发明实施例提供的决策建议界面图；

图4为本发明实施例提供的水泥磨系统工艺图；

图5为本发明实施例提供的水泥磨配料系统图；

图6为本发明实施例提供的人工调节结果分析图；

图7为本发明实施例提供的基于模型预测框架的水泥配方石灰石比例调节方法的调节结果分析图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，在本发明实施例中，提出了一种基于模型预测框架的水泥配方石灰石比例调节方法的流程图，具体包括以下步骤：

步骤S101，获取水泥配方、水泥烧失量历史数据，进行数据预处理，并采用粗糙集算法获得石灰石烧失量主导影响因素，所述主导影响因素为石灰石比例。

在本发明实施例中，获得历史数据，对数据进行拼接主要是将可能影响水泥烧失量的因素的历史记录数据与水泥烧失量的历史记录数据进行拼接，而各因素的调整时间与调整量与水泥烧失量历史数据无直接的对应关系，因此需要运用数据对齐方方法来将数据进行对齐和拼接；数据对齐是将每一天的水泥烧失量的数据按日期与各因素的调整时间与调整量对应，通过查询日期就能够将水泥烧失量的历史记录数据与各个因素的调整情况进行对齐的过程；然后将拼接后的数据中的异常数据，冗余数据、矛盾数据的过程，针对数据录入滞后，录入错误等问题，采用数据清理，数据集成的方法对数据进行预处理，主要包括以下内容：

a、将非人为造成的异常数据用最可能的值进行替换，通过对全部数据进行拟合或者回归分析来推测出最可能的值；b、对于人为记录的异常数据，则在分析之前就将它们进行清理；c、利用卡方检验来判断不同属性数据之间的相关性，从而清理冗余数据；d、所述异常数据判断标准主要有以下五个方面：(1)、送检、报检时间不匹配；(2)、配方比例突变；(3)、数据填写错误；(4)、调节过于频繁；(5)、配方比例相加不为100％。

在本发明实施例中，所述粗糙集是一种离群的数据处理算法，目的是减少属性冗余，提高神经网络模型精度。该算法首先将拼接后配方、工况和水泥烧失量数据分别离散化，然后去除冗余和矛盾数据，形成决策表形式，然后采用重要度相对算法对条件属性进行约简，主要包括以下内容：

构建条件属性R

在本发明实施例中，相对重要度算法是根据对决策属性的分类所做贡献的重要程度对条件属性进行约减，具体算法思想如下：

(1)、列出针对各属性的不可分辨关系U/R

(2)、依次省略各个属性R

(3)、计算依次省略各属性后的相对正域Pos

(4)、根据公式(1-2)量化各属性的相对重要程度，各属性相对正域的变式r

r

所述决策表是一种知识表示方法，决策表将各类影响因素描述为条件属性Ri，将配方+工况描述为决策属性s；所述相对重要度算法是根据对决策属性的分类所做贡献的重要程度对条件属性进行约减的一种算法；最终基于各个属性的相对重要程度，当决策属性发生改变时，分析各条件属性的变化，变化越小的对决策属性的影响越大，综合二者可对各条件属性进行约减；

步骤S102，根据预处理后的历史数据进行数据拼接并将石灰石比例离散化获得石灰石比例逻辑分析决策表。

在本发明实施例中，将石灰石地产材数据，石灰石比例调节历史数据跟水泥烧失量历史记录数据进行拼接，以石灰石比例为决策，前后两次水泥烧失量与石灰石地产材料品质为属性，制定石灰石比例逻辑分析决策对应表。

步骤S103，构建神经网络模型，根据所述石灰石比例逻辑分析决策表在线训练，获得预测水泥烧失量变化趋势的模型。

在本发明实施例中，以石灰石比例调节历史数据跟水泥烧失量历史记录数据中的百分之八十为训练样本，剩下的作为测试样本；建立bp神经网络模型：以石灰石比例调节为输入层，水泥烧失量为输出；所述多层bp神经网络层数可变，调用函数network＝Network([Input，an，…，Output])，其中Input是输入层数据的属性个数，Output是输出变量个数，an为各隐藏层中间节点个数。所述神经网络模型为在线训练模型，时刻都在更新模型参数，但是基于预测的数据进行进一步预测产生的误差较大，因此在每一次预测后都要进行一次调整。

在本发明实施例中利用石灰石比例逻辑分析决策表在先训练神经网络，形成统计预测模型与机理预测模型，进而对水泥烧失量的趋势进行预测，具体步骤如下：

(1)、尝试不同的神经网络层数，一个输入层，n个隐藏层，一个输出层；(2)、利用样本特征计算出神经网络中每个隐藏层节点的输出ai，以及输出层各节点的输出yi，根据公式(3-4)计算各节点的误差项δ

对于输出层有：

δ

对于隐藏层有：

δ

(3)、依次计算每个隐藏层的各节点的误差项，将所有误差项计算完毕；

(4)、利用公式(5)将各级权重进行更新：

ω

(5)、不断训练模型调整各层参数，每训练10轮，评估一次准确率，当准确率开始下降时(出现了过拟合)终止训练，准确率为预测正确的样本数与总样本数之比；

(6)、利用生成的神经网络模型预测出水泥烧失量的变化趋势。

步骤S104，制定模糊pid优化规则，将待调整石灰石比例采用所述预测水泥烧失量变化趋势的模型进行预测获得水泥烧失量预测值，并基于模糊pid优化规则进行石灰石比例调整。

在本发明实施例中，模糊pid优化规则挖掘过程即为用量化的数字描述石灰石这一物品对水泥属性的影响，是基于大量数据的关联规则的挖掘过程。该挖掘过程首先对石灰石与水泥的相关属性进行拼接，做数据准备，然后给定最小支持度与最小可信度，利用数据挖掘工具提供的算法发现关联规则，选择Apriori算法进行挖掘，通过候选项集找频繁项集，最终将关联规则进行可视化显示。所述优化规则实际为基于模糊PID算法建造的石灰石调节规则库，目的是建立石灰石比例调节与水泥烧失量之间的关系，从而通过水泥烧失量的值得到石灰石的调整比例。该种规则首先将石灰石比例，石灰石调节量进行离散化，然后将石灰石调节量进行模糊处理，将烧失量误差变化率EC与模糊化的石灰石调节形成对照表，最终根据烧失量的调节范围给出滚动优化规则，主要包括以下内容：

(1)、通过石灰石比例最小值向上递增最小变化区间来进行离散化，即配方离散化根据配方最小调节量,配方最小值离散值设定为0，每增加一个最小调节量离散值加1；(2)、将-1％到1％区间内的调节量划分9个区段进行模糊化处理，对应的最小值离散值设定为1，每变化一个区段离散值加1；(3)、将石灰石比例与石灰石调节量进行离散化之后，利用模糊PID算法与已建立的决策数据表计算出烧失量误差变化率EC，将石灰石调节量与烧失量误差变化率对应，形成对照表；(4)、烧失量调节范围：4.3％-5.3％，目前内控指标为4.4％-5％，考虑到地产材的波动导致超出范围的情况实际存在，所以控制范围大于内控指标范围；(5)、依据模糊PID算法进行多次计算，最终可得到在烧失量调节范围内的滚动优化规则,模糊矩阵为：

在本发明实施例中，所述水泥石灰石比例调节方法还包括根据所述石灰石比例调整后进行水泥配置，并测定其实际水泥烧失量；将所述实际水泥烧失量和水泥烧失量预测值进行比较，当绝对差值小于1％时，采用模糊pid优化规则进行调节，当绝对差值大于1％时，采用反馈校正方法进行调节。该反馈校正方法也可以作为石灰石调节规则优化，主要包括：当水泥烧失量有新记录时，获取本次烧失量、昨天烧失量、昨天配比设定值数据、水泥质量目标设定值里的烧失量数据；用本次烧失量-烧失量设定值得到烧失量误差值U(1)，昨天烧失量-烧失量设定值得到昨天烧失量误差值U(2)；用U(1)-U(2)得到烧失量误差变化率EC；调用“模糊调节程序”得到石灰石调节量x，当前石灰石配比＝昨天石灰石配比设定值+调节量x。

模型预测控制实际为一种闭环控制算法，为了防止模型失配或环境干扰引起控制对理想状态的偏离，预测控制通常不把这些控制作用逐一全部实施，而只是实现本时刻的控制作用，到下采样时刻则需首先检测对象的实际输出，再通过实际测到的输出信息对基于模型的预测输出进行修正，然后再进行新的优化，从而达到反馈校正的效果。

实施案例

如图2所示的水泥磨工艺配方调整整体方案框架图，其主要包括以下内容：(1)深入分析水泥磨生产工艺，挖掘水泥烧失量的关键影响因素，(2)进行数据预处理，拼接生产工况与水泥烧失量历史记录数据，(3)制定大数据决策表，分析水泥烧失量现状(4)基于决策表在线训练统计预测模型与机理预测模型进而预测水泥烧失量，(5)进行规则挖掘优化与人工调优，制定模糊PID规则滚动优化石灰石配比形成配方优化控制器，(6)基于预测值与实时工况水泥烧失量值进行对控制系统进行反馈校正，(7)通过决策建议界面配方调整报表。

如图3所示的决策建议界面图，具体有磨机选择功能、配方推荐和预测功能、历史回测功能、还可以观测每个属性的历史趋势曲线，主要包括以下内容：

(1)、第一部分为磨机选择，水泥配方智能优化推荐系统目前有6个磨机，在主界面的最左边有个设备列表栏，可选择不同的磨机进行操作；(2)、第二部分为配方依据部分，实时显示各个属性的最近平均数据并通过点击历史趋势可观测到对应属性在给定的时间范围的变化曲线，对于此部分的更换时间选项即为历史回测功能，通过改变时间可得到各个时间点的预测值以及推荐值；(3)、第三部分为当前水泥配比与推荐水泥配比部分，用以显示当前时间下的熟料、石膏、石灰石、石粉的占比，与现阶段给的推荐配方配比；(4)、第四部分为水泥质量预测部分，基准预测是根据昨天的熟料质量和比例对昨天的3天强度进行预测而实时预测是一部分数据是今天的，一部分数据是昨天的，然后预测今天的3天强度；(5)、第五部分为目标设定部分，可进入目标设定值界面，界面上有3天强度、水泥烧失量与水泥SO3的3个目标的设定值，点击开始推荐即可获得推荐配方比例与3天强度的预测和显示；(6)、最后一部分为水泥质量实测值与预测值的对比界面，选择类型可决定是3天强度、水泥烧失量还是水泥SO3的对比曲线，可以自定义时间范围并测得曲线的+5％精度区间与+7％精度区间的占比。

如图4所示的水泥磨系统工艺图，工艺过程将混合物料经履带和提升斗送入称重仓，经称重仓出来的物料进入辊压机破碎后由提升斗送微选机，微选机将饼状料打散的同时具有简单的选分功能，将粗料重新送称重仓，细料由循环风机产生的舱内负压带入旋风筒，旋风筒细料灰尘在负压作用下进入选粉机，绝大部分物料以粗料形式经斜槽直接进入水泥磨。水泥磨旋转带动研磨介质将混合料磨细后在由尾排风机产生的磨内负压的作用下经磨机出口排出，经斜槽和磨尾提升斗送入选粉机，选粉机将粗料甩到外壁后滑落进入磨机，细料在由主排风机产生的舱内负压作用下进入除尘设备后经斜槽进入水泥提升斗，直接送入水泥仓库。

如图5所示的水泥磨配料系统图，主要流程是将熟料，转炉渣，磷石膏，石灰石分别送到对应的库中，将它们按不同的配比，喂料量，流量分为两种型号，将两种型号进行分别进行混合除铁送至3号，4号磨。

深入分析水泥烧失量的影响因素，得到石灰石烧失量，熟料的品质与比例，石膏的品质与比例和石灰石比例为主要影响因素，而石灰石烧失量与石灰石比例为主导影响因素。

数据拼接：所述数据拼接是因为水泥烧失量历史记录数据与石灰石比例调节量数据之间的关系不明显，而各因素的调整时间与调整量与水泥烧失量历史数据无直接的对应关系，因此需要数据对齐，建立“配方配比+配方品质-〉配方调整时间”的决策数据表。

数据预处理：所述数据预处理是指将拼接后的数据，去除送检、报检时间不匹配的数据，去除配方缺失值、突变值，去除与正常数据差别很大的离群点，去除调节后保持未超过24小时的数据。

属性约简：所述属性约简是指将拼接后石灰石烧失量，石灰石数据分别离散化，然后去除冗余数据和矛盾数据，形成一致决策表如表1，具体步骤如下：将基于历史生产数据，拼接石灰石比例，石灰石烧失量和水泥烧失量去除冗余数据和矛盾数据，形成表1所示的决策表形式，其中水泥烧失量为属性，石灰石比例和石灰石烧失量为决策。

表1石灰石比例逻辑分析决策表

在本发明实施例中，用量化的数字描述石灰石调节规则的挖掘：所述规则挖掘过程即为用量化的数字描述石灰石这一物品对水泥属性的影响，是基于大量数据的关联规则的挖掘过程，具体步骤如下：

(1)、挖掘过程中可信度是对关联规则的准确度的衡量，支持度是对关联规则重要性的衡量。支持度说明了这条规则在所有事务中有多大的代表性，显然支持度越大，关联规则越重要。石灰石的某一属性为TA,水泥的某一属性TB为利用公式(6)可求出关联规则石灰石物品集A->水泥物品集B的可信度P：

(2)、支持度描述了A和B这两个物品集的并集C在所有的事务中出现的概率有多大，利用公式(7)可求出支持度S：

S＝P(A∪B)＝P(A)+P(B)-P(AB) (7)

(3)、高频项目组即为支持度大于等于最小支持度的项目组，设置两个阈值，即最小支持度与最小可信度,找出所有的高频项目组；所有支持度大于最小支持度的项集称为频繁项集，基于给定的最小支持度以递推的方式找出水泥与石灰石的所有频集；

(4)、由这些频集产生满足最小支持度与最小可信度的强关联规则。

石灰石调节规则的可视化显示：所述可视化显示实际为将石灰石调节规则以对照表和模糊调节矩阵的形式给出，包括将石灰石比例，石灰石调节量进行离散化，然后将石灰石调节量进行模糊处理，将烧失量误差变化率EC与模糊化的石灰石调节量形成对照表，具体步骤如下：

(1)、石灰石比例离散化：通过石灰石比例最小值向上递增最小变化区间来进行离散化，即配方离散化根据配方最小调节量,配方最小值离散值设定为0，每增加一个最小调节量离散值加1，具体离散化对照表如表2：

表2 石灰石比例的离散化对照表

(3)、石灰石调节量模糊化和离散化：将-1％到1％区间内的调节量划分9个区段进行模糊化处理，对应的最小值离散值设定为1，每变化一个区段离散值加1，具体离散化和模糊化对照表如表3：

表3 石灰石调节量的离散化及模糊化对照表

(4)、石灰石调节规则：将石灰石比例与石灰石调节量进行离散化之后，利用模糊PID算法与已建立的决策数据表计算出烧失量误差变化率EC，将石灰石调节量与烧失量误差变化率对应，形成如表4对照表：

表4 烧失量误差变化率EC与石灰石调节量对照表

最后进行反馈校正，所述反馈校正为预测控制模型中的重要一环，目的是防止模型失配或环境干扰引起控制对理想状态的偏离，只实现本时刻的控制作用，主要包括以下步骤：(1)、基于水泥烧失量目标设定值利用大数据决策表在线训练统计预测模型与机理预测模型；(2)、利用配方优化控制器进行配比调节，分别通过预测模型与实时水泥磨工况得到水泥烧失量预测值与实际值；(3)、通过预测值与实际值得到预测误差，再基于石灰石比例调节规则库对实际配比进行优化，从而实现反馈校正。

图5与图6分别为本发明的人工调节分析与算法调节结果，分析发现人工异常调节的次数很少，但是错过调节的次数很多，对于算法调节，水泥烧失量大于5的比例由人工调节的20％下降到16.8％，小于4.5的比例由15％下降到8％，4.5--5.0区间比例由65％提高到75％，4.8--5.0的优良区间由34％提高到42％。

经比较，本发明所提调节方法根据历史记录数据进行一些计算，操作简单，适应环境变化能力强，准确预测了水泥烧失量的变化趋势，稳定了水泥质量，最大程度上利用了石灰石能产生的效益，降低了生产运营成本，用算法调节取代人工调节，节省了人力，提高了生产效率，有利于促进企业效益最大化。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请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精神由权利要求指出。

应该理解的是，虽然本发明各实施例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，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述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。