智能云维护平台（精选九篇）
智能云维护平台 篇1
随着风电行业的不断发展, 风电机组装机容量的增加, 风场运行维护系统在逐步演变成为积聚大量数据和信息的系统。数据量的不断扩张对运行维护系统的数据处理能力提出了高要求。云计算是一种新的计算模式, 通过互联网提供服务, 能够快速部署资源及获得服务, 并且可以快速处理大量数据。如果将云计算应用于风场运行维护系统中, 建立风电场专属的智能云维护平台, 再结合互联网技术, 把风电运行的全生命周期进程串联起来, 并且把风电机组远程监测、故障诊断和预警、专家建议等做成服务放置于云平台上, 那么会对风电产业的长足发展起到较好的支撑作用。
1 风场运行维护过程存在的问题
随着风电行业的不断发展, 仍沿用火电行业的运行维护模式存在很大问题。目前, 在实际的风场运行维护过程中, 存在着以下问题需要解决。
(1) 对风电机组历史运行数据掌握不足, 没有通过充分数据挖掘技术进行分析, 难以发现所有优化运行的机会。
(2) 检修管理工作缺乏系统支撑, 故障和维护经验不容易传承。
(3) 对风机的实际问题了解不全面, 风机能复位运行就不深究报出故障的根本原因, 同时也缺乏设备状态监测的手段 (如振动监测系统等) , 易导致设备长久运行在“亚健康”状态而没有得到处理。
(4) 风场的维护工作大多还停留在定期巡检、故障后停机检修状态, 不能对存在的故障隐患进行合理预警, 不能很好地结合风功率信息制定出最佳的巡检方案。
(5) 风场得到的运行数据不能有效地在风机制造厂家、科研院校、行业专家间合理共享, 故不能充分发挥各自的技术优势、经验优势和科研优势, 以至于对于某些设备故障, 不能在最短的时间内得到最好的解决方案。
要改变以上现状, 在目前的运行维护水平基础上进一步提升风场的运维效益, 就需将风电场运行管理、设备管理、维护检修等制度化、标准化、智能化。
2 风场智能云维护平台的功能
风场智能云维护平台除了对常规的电力参数、风力参数和机组运行状态进行监控外, 还对风电机组主轴、齿轮箱、发电机等重要部件的运行状态进行振动故障预警和故障诊断, 同时平台内的各系统间可进行自主的信息交流, 根据不同的运行状态、风功率状况做出适当的调整。
(1) 云维护平台以智能化算法为核心, 建立全新一代具有视觉、语言能力和基于深度学习的智能化监控系统。通过云维护平台, 每台风电机组都能够依据自身状况和环境变化来优化运行策略, 风场不同位置的风机间可进行适时的“交流”, 及时调整运行参数。
(2) 云维护平台运用大数据技术形成统一的海量大数据平台, 实现智能运行、维护、调度, 宏观管理, 宏观决策。
(3) 云维护平台建立起完备的故障预警系统和故障诊断系统, 对海量历史数据和实时数据进行深度挖掘, 及时发现故障隐患进行相应的检修维护。故障诊断系统还具有自学习能力。
(4) 云维护平台基于人机融合的智能运维流程以及风场智能巡检系统, 结合风功率预测信息, 智能安排最佳的巡检方案, 实现在尽量少地影响正常生产情况下又快又好地完成巡检工作。
(5) 云维护平台实现大范围高精度风资源评估、风电场运行状态评估、发电功率预测及信息网络发布。
3 风场智能云维护平台的组成
风场智能云维护平台帮助用户解决风力发电场发电设备和系统的远程访问、数据安全共享以及运行维护问题, 用户使用普通的PC机、手机等移动设备就可通过互联网共享系统数据、掌握运行状态, 通过远程访问操作现场系统。同时, 风场智能云维护平台通过采用数据挖掘技术及智能化算法进行故障预警与诊断, 自动生成设备检修或维修计划。云维护平台主要以分布在风场的各风电机组为主要监测对象, 实现数据采集、设备控制、参数调整、故障预警及诊断、检修维护计划制定以及风场状态评估等功能。云维护平台主要分为三个部分, 其结构如图2所示。
(1) 现场监测部分:主要由分布在风机各部位的传感器、风力发电机控制柜内的通信子系统及现场监控服务器等组成。通信子系统由数据采集模块和实时控制器组成, 完成对传感器采集信号的抗干扰滤波和A/D转换。现场监控服务器接收上传的数据并存入数据库, 数据分析模块对数据进行分析和整理后通过有线或无线网络传输到云维护平台。
(2) 云平台核心部分:硬件主要包括服务器、交换机、存储设备、防火墙及加密设备等。其中的服务器主要有Web服务器、通信服务器、应用服务器、数据库服务器及管理服务器等。云平台对数据进行相应的算法处理、数据挖掘、网络发布并进行隔离、多重备份、加密存储, 以保证数据的安全性, 同时对网络进行隔离、入侵检测、全网监控。管理人员可登陆到云平台服务器, 对云平台进行管理操作。
(3) 云数据共享部分:一方面, 内部巡检人员可通过内部网络合理参考云维护平台的监测数据、维护建议及巡检计划安排, 有利于对风场进行最高效的维护、检修;另一方面, 国内外专家、院校科研人员和风机制造厂家可合理运用监测数据提出建议, 供巡检人员参考。风机制造厂家可根据风机运行状况合理改进风机, 以增强风机的性能和可靠性。
4 风场智能云维护平台构建的技术支撑
从风场智能云维护平台致力于实现的功能及结构特点可得出, 智能云维护平台的构建还面临着巨大挑战, 迫切需要众多先进技术的支撑。
(1) 先进的数据采集技术。平台以风场的风机作为主要监测对象。分布在风机上的传感器及其它数据采集设备能否准确、及时地获取风机运行的各项数据关系到整个云维护平台对风场运行状态的把握, 因此必须依赖于先进的数据采集技术对风机的各项指标进行实时准确的获取, 使风场云维护平台的后续进程拥有可靠的数据来源。
(2) 先进的远程数据通信技术。目前, 在工业数据传输领域大多采用有线通信方式, 虽然经济实用, 但在很大程度上限制了应用场合的拓展。随着通信技术的发展, 无线通信网络在工业数据传输中的应用日益增多。如果能够将有线数据通信网络与无线数据通信网络相结合, 发挥各自的优势, 恰当合理地应用, 那么一定能提高数据通信的效率, 拓宽应用范围。先进的远程数据通信技术能够保证云维护平台正常运行的时效性、准确性与安全性。
(3) 先进的故障预警与诊断技术。及时准确的故障预警与故障诊断, 能够让维护人员在故障发生初期做出适当调整, 进行相应检修, 避免故障对整个风场造成巨大损失。要想实现准确的故障预警与故障诊断, 制定及时合理的检修方案, 需要应用了先进智能化算法的故障预警与故障诊断技术对监测数据进行处理。
(4) 先进的数据库技术。目前, 数据库技术的发展主要有三种代表性的成果:一是将人工智能与数据库技术有机结合到一起形成知识库系统, 对数据的管理和搜索更加人性化, 扩充了数据库系统的推理能力, 引入语义知识, 提高了数据库的查询效率;二是分布式数据库系统, 每台服务器都可对数据进行独立处理, 节约了服务器存储空间, 突破了存储空间对数据库的桎梏, 让数据库可以延伸, 最大限度满足使用者的需求;三是主动数据库, 能自动对运行状态进行调整, 以保证数据库稳定运行。随着数据库技术的发展, 数据库如果能够支持各种互联网应用, 那么一定会为云维护平台提供很好的技术支撑。
(5) 完善的互联网技术。云维护平台的构建可促进对风场各项数据的共享, 数据网络共享必然需要完善的互联网技术支持。同时, 数据的传输及信息的网络传播过程中, 信息安全值得重视, 建立强大的网络防火墙, 对传输信息进行加密是有必要的。总之, 云维护平台的构建需要完善的互联网技术支撑。
5 风场智能云平台的发展前景
伴随着风电装机容量的不断增加, 对风场的安全稳定运行提出了更高要求, 同时风电机组新的故障问题也不断显现出来, 因此建立一个统一、高效、可靠的风场运行维护管理平台是必不可少的。
随着云计算技术的不断发展与完善, 人们一直在努力寻求云计算技术与其它行业的相互结合, 从最初的互联网行业到工业制造业, 以及后来的医疗卫生行业以及教育事业, 云计算平台的合理有效运用都发挥了巨大的作用, 在一定程度上促进了产业的发展。云计算与未来的各种技术性产业互利结合是一种发展趋势。
风场智能云维护平台是云计算技术与风力发电的有效结合, 正好赶上我国风力发电的快速发展时期, 面临着良好的发展机遇。
6 结束语
本文对风场未来的运行维护模式提出了一种新的思路。建立风场智能云维护平台, 能够有效地提高风场的运行维护水平, 确保风场安全稳定运行, 为建设智慧型风场提供有效的技术支持。风场智能云维护平台如果能够被合理地应用到各大风场, 那么一定能够促进风电行业的跨越式发展。与此同时, 云计算技术在风场中的成功应用, 可给风电相关行业的快速发展带来巨大空间。当然, 风场智能云维护平台的建立还面临着数据传输信息安全问题、故障诊断算法优化、用户需求提高等挑战, 这就需要全方面整合风机制造厂家、风力发电场及科研机构等的力量, 通过企业间互利合作才能更加高效地完成智能云维护平台的成功运用。
摘要：随着我国风电的大力发展, 各大风场运行中的故障也逐步显现, 对风场的运行维护提出了新的要求。介绍一种风场运行维护新思路, 将云计算技术运用到风场运行维护中, 建立风电场专属的智能云平台, 主要阐述风场运行维护存在的问题以及智能云维护平台的功能、基本架构和技术支撑。
智能云维护平台 篇2
根据智能计量业务的需求，智能计量平台将基于云计算技术，使系统需要和营销管理系统、95598系统、生产管理系统、智能小区系统以及省网营销管理系统进行数据的交互，以实现计量业务与营销其他业务的双向互助支撑。此外，系统还需要整合现有的居民集抄系统、负荷控制系统及配电变压器监测系统，构建电力客户与电网管理部门的智能化和多样化互动服务平台。系统的物理架构。
可知，本系统的目的是将不同领域的单一监测系统(如厂站电能量遥测系统、大客户负荷管理系统、配电变压器监测计量系统、低压集中抄表系统和智能小区系统)进行整合，通过利用虚拟化平台对上述系统涉及到的服务器、存储设备以及网络设备的资源进行虚拟化，屏蔽了由于硬件资源的不同导致相互通信受阻问题，并以虚拟机为单位进行统一的资源管理，通过虚拟机将各类系统数据集中到主站或者通过统一的虚拟机将主站的指令发送到各监测终端，然后在主站端进行计量业务的综合应用分析和用电信息辅助决策。
核心技术介绍
Hadoop是分布式系统基础架构，是由开源组织Apache开发。基于Hadoop[9]的应用系统可以运行在廉价的硬件设施组成的集群上，通过Hadoop可以快速构建一个具有高可靠性和良好扩展性的分布式系统。系统主要由HDFS、MapReduce和HBase等组件组成，其中HDFS和MapReduce是Hadoop的两个核心组件，HDFS是Hadoop实现的一个高度容错的分布式文件系统，具有较强的可扩展性，同时HDFS也是Hadoop系统的基础层，负责数据的存储管理，并且能够提供高吞吐量的数据访问，适合处理大规模数据集的应用程序。而MapReduce[10]是一种并行计算模型，它能够有效合理地分割输入数据，进而并行处理，适合对海量数据的处理。Hadoop实现的MapReduce计算框架提供一种简单的编程模型，节省时间，可以快速实现分布式计算应用;HBase是一个分布式的、面向列的非关系型数据库，是云计算中的开源实现，支持高性能并发读写。
在本项目中，H a d o o p 集群局域网由1 台NameNode服务器、1台SecondaryNameNode服务器、1台JobTracker服务器和多台从服务器组成。NameNode服务器负责管理海量数据文件的分割、存储以及监控DataNode的运行情况。应用程序需要读取数据文件，首先访问NameNode服务器，获取数据文件在各DataNode上的分布，然后直接与DataNode通信。一旦发现某个DataNode宕机，NameNode将通知应用程序访问宕机节点各数据块的副本，并在其他DataNode上增加宕机节点各数据块的副本，以保证平台的可靠运行。SecondaryNameNode服务器用来监控HDFS状态，与NameNode进行通信，以便定期保存HDFS元数据的快照，若NameNode发生问题，其作为备用NameNode使用。JobTracker服务器负责管理计算任务的分解和汇总，负责监控各TaskTracker节点的运行情况，一旦某个任务失败，JobTracker自动重新启动这个任务。从服务器承担了DataNode和TaskTracker两种角色，分别负责数据块的存储和数据计算的map、reduce任务的运行。平台框架结构
结合智能计量平台自身的特点，智能计量云平台在设计上采用分布式、分层结构，可以划分为整个系统的实现由云设备、云平台、基础服务、高级应用及表现层五层构成，云设备层由主机设备、存储设备、网络设备及其他设备组成。在本系统软件设计中，采用VMware虚拟化平台管理技术，通过对上述设备进行操作系统虚拟化处理，实现了对硬件资源的虚拟化，并对上述虚拟化后的硬件采用虚拟机的管理方式，实现了资源抽象、资源监控、资源部署以及安全的管理。通过虚拟化技术的实施，不但保证了资源的利用效率，还使系统管理人员可以不受形式各异的硬件资源及操作系统的影响，而将工作重心全部投入到系统业务应用上。
云平台由数据存储、计算服务、负载管理、数据隔离和备份管理等服务组成。该平台以虚拟机为单位构建了数据库集群、应用集群、网关集群、采集集群、Web集群和接口服务器集群等基础平台运行环境，采用分布式文件系统、分布式数据库管理系统、数据管理和数据分析等先进的云计算技术，实现了海量数据的大规模存储，为后续的数据挖掘，高级数据应用提供了高性能的分布式计算环境。服务层由系统模型管理、数据中心管理、数据访问服务、消息服务、报表服务、通信管理、规约管理、系统维护及权限服务等组成，本层是业务系统的坚强基础，高级应用的每个模块都要求这些服务的支撑。该层采用MapReduce作为处理海量数据的并行编程模型和计算框架。对于大规模的数据集合操作，采用任务分解与结果汇总的方法。此外，通过采用高级数据流语言Pig实现了简化MapReduce任务的开发过程。在系统模型管理提供了整个系统内在的基于IEC 61970/IEC 61968的数据结构，能够实现系统的互操作;数据中心管理及数据访问服务提供了基础运行大数据的快速准确访问机制;通信管理提供整个系统通信信道及通信方式的选择机制;而规约管理提供了系统数据交换的模型格式。
应用层由能耗管理、运维管理、降损节能管理、设备状态评估、信息发布及数据接口等组成。能耗管理主要涉及异常用电、虚拟费控管理、有序用电管理、动能管理、分布式新能源管理及智能家居管理等;运维管理主要涉及计量校验数据移动接入、计量设备缺陷分析及移动处缺管理等;降损节能主要涉及到关系电网经济运行的损耗分析、电能质量各指标分析以及增值服务等;设备状态评估主要涉及到供电仿真分析、配电变压器状态评估及设备全生命周期管理等功能。表现层主要是整个系统的访问界面，电力客户与供电部门可以通过计算机客户端、手持终端、LED大屏、触摸屏及多媒体电视等实现双向互动、用电信息的及时披露、异常供电的早通知及处缺管理的更加便利化。本层在设计时主要使用Flex技术来保证系统的易用性，并使用Swiz技术框架来实现模型-视图-控制器(Model-View-Controller，MVC)设计，并充分利用现有平台中的系统管理功能。平台系统特点
与原计量平台相比，新型智能计量自动化平台具有下述优点：
1)在主站平台系统的设计上，底层系统采用云平台架构，整合主机设备、存储设备、网络设备及其他设备，在这些设备基础上进行操作系统虚拟化处理，提供数据存储、计算服务、负载管理、数据隔离及备份管理等服务，保障设备高效利用、上层服务及时响应，保障高级应用各模块能够负载均衡，且快速得到处理。
2)在系统内核设计上，采用统一数据中心建设模式，采用模块化设计方式，即：统一设备建模、统一业务管理、统一数据采集、统一分析计算、统一网络平台、统一告警及统一信息发布，避免重复建设，以便各种后续高级应用模块能够灵活配置，达到即插即用的目的。
3)在网络设计上，以计量自动化系统主站为基础，与厂站电能量遥测系统、大客户负荷管理系统、配变监测计量系统、低压集中抄表系统及智能小区系统统一组网，共享通信服务资源，共用相同的数据库服务系统，建设一体化主站系统。一体化主站系统中市局、县局、供电所、变电站、母线、主变压器要求、线路、大客户、台区、专用变压器、配电变压器、表计、终端和计量点等对象各自唯一编码，可满足采集模型和分析模型的构建。
4)在系统部署上，采用集中式部署方式。即：只在地市供电局部署主站，各县级供电局不单独建设主站，而以工作站的方式接入主站，所有的业务都必须在主站完成。
智能云维护平台 篇3
关键词：云计算；Hadoop；性能指标；监控系统
中图分类号：TP3 文献标志码：A文章编号：1672-1098（2015）02-0000-00
Abstract：With the growing scale of cloud computing in modern data centers， the intelligent operation and maintenance management faces a great challenge， especially in real-time monitoring. After a thorough analysis and research of cloud computing monitoring technologies， this paper integrates two open-source monitoring software Ganglia and Nagois in a Hadoop open-source cloud computing platform， and use a mobile message software FeiXin to achieve real-time monitoring of the cloud computing platform. Experimental results shows that the proposed system realizes an all-round monitoring of performance indicators for hosts and service of operating environment in cloud computing platform and a real-time warning of faults， which help management personnel accurately locate and real-timely process abnormal situations. Therefore the system improves the quality of service of cloud computing platform and has a good practical value.
Key words：Cloud computing； Hadoop； Performance indicators； Monitoring system
随着云计算技术的不断成熟发展，云计算平台的规模以及资源也不断增加。现代数据中心的运维管理面临着重大挑战，传统的管理方法和管理模式已经无法满足要求。
为提高云计算平台的可靠性，保证服务质量，有必要在云计算平台中引入监控机制[1-3] [10]，以便能准确定位性能异常或故障的节点，及时做出恢复和调整；掌握整个系统的运行状况，分析系统瓶颈，为整个系统负载均衡提供数据支持，在系统出现异常时能起到预警的作用。
Ganglia是加州大学伯克利分校发起的一个开源监控项目，主要用来监控大规模分布式系统的性能[1] [2] [4] [10]。Nagios也是功能强大的开源监控系统，能监控所指定（本地和远程）的主机以及服务，可利用故障状态实现故障报警[1] [2] [3] [5] [10]。Ganglia侧重于数据采集，没有内置网络服务的监控和故障状态级别，Nagios更侧重于告警功能，配置文件较多，配置步骤繁琐[1-2]。因此，本文采用两款软件结合，协同工作。
经过几年的迅速发展，Hadoop已经成为开源云计算平台的佼佼者，目前具有广泛的用户群体[2] [6]。因此，研究利用Ganglia和Nagios整合来监控Hadoop系统具有广阔的应用前景。
1相关技术原理
11Hadoop技术
云计算是并行计算、分布式计算和网格计算的发展。具有超大规模、虚拟化、按需服务、高可靠性和高扩展性等特点。
Hadoop是一个开源的分布式计算平台，由Apache软件基金会支持发布。整个Hadoop的体系结构主要是通过HDFS来实现对分布式存储的底层支持，通过MapReduce来实现对分布式并行任务处理的程序支持的。
Hadoop分布式文件系统（HDFS）采用了主/从（Master/Slave）结构模型，一个HDFS集群由一个名称节点（Namenode）和若干个数据节点（Datanode）组成。Namenode作为主控服务器，负责管理文件系统的元数据，Datanode存储实际的数据。Namenode执行文件系统的命名空间操作，如打开、关闭、重命名文件或目录，Datanode负责处理客户的读写请求，执行数据块的创建、删除和复制工作。Namenode使用事务日志来记录HDFS元数据的变化，使用映射文件存储文件系统的命名空间。采用冗余备份、副本存放、心跳检测、安全模式等策略使HDFS可靠性得到保证[2] [6]。
MapReduce是一种并行编程框架，它将分布式运算任务分解成多份细粒度的子任务，发到由上千台机器组成的集群上，这些子任务在各处理节点之上并行处理，最终通过某些特定的规则进行合并生成最终的结果。MapReduce任务是由一个JobTracker和多个TaskTracker节点控制完成，JobTracker单独运行在主节点上，负责调度管理TaskTracker，调度一个作业分解的所有子任务。主节点监控子任务的执行情况，从节点仅负责完成由主节点指派的子任务。MapReduce将分布式运算抽象成Map和Reduce两个步骤，最终完成Hadoop的并行处理任务[2] [6]。
12云计算监控技术
1） Ganglia监控技术
Ganglia在结构上由gmond 、gmetad和gweb三个守护进程组成，三者相互协调[1] [2] [4] [10]。具体如图1所示。
gmond是数据采集器，运行在所有被监控主机上的一个守护进程。用于收集被监控主机上的基本指标，或者收集用户自定义的指标，在同一个组播或单播通道上的传递。gmond 所产生的系统负载非常小，这使得在各被监控主机上运行gmond时，不会影响到各主机的性能。Ganglia的收集数据可以分为单播和组播两种工作模式。
gmetad是数据混合收集器，运行在监控主机上的一个守护进程，gmetad通过轮询收集各主机上gmond 的数据， 并聚合集群的各类信息，然后保存在本地RRD存储引擎中。
gweb是Web可视化工具，采用PHP脚本语言实现，运行在Ganglia的监控主机上。可以通过浏览器从RRDTool数据库中抓取信息，将数据可视化，动态的生成各类图表。
Ganglia集群是主机和度量数据的逻辑分组，一般每个集群运行一个gmetad，可以构成层次结构，正因为有这种层次结构模式，才使得Ganglia可以实现良好的扩展。
2） Nagios监控技术
Nagios监控系统分为核心和插件两大部分。Nagios的核心部分只提供了很少的监控功能，其它大部分监控功能需要安装相应的Nagios插件完成 [1-3] [5]。
Nagios可实现如下功能：监视本地或者远程主机资源；监视网络服务资源；允许自定义插件来监控特定的服务；出现异常时，可以通过邮件、短信等方式通知管理人员；可以事先定义事件处理程序，当主机或者服务出现故障时自动调用指定的处理程序；可以通过Web界面来监控各个主机或服务的运行状态。
Nagios必须运行在Linux/Unix服务器上，这台服务器称为监控中心，每一台需要监视的主机或者服务都运行一个与监控中心服务器进行通信的Nagios软件后台程序。监控中心服务器根据读取配置文件中的指令与远程的守护程序进行通信，并且指示远程的守护程序进行必要的检查。
远程被监控的机器可以是任何能够与其进行通信的主机。根据远程主机返回的应答，Nagios将根据配置以合适的行动进行回应，通过一种或者多种方式报警。
NRPE是Nagios的一个功能扩展，它可在远程Linux/Unix主机上执行插件程序，通过在远程主机上安装NRPE构件以及Nagios插件程序，向监控中心提供该主机的一些本地的情况。
2云计算平台智能监控体系
本文在开源云计算平台Hadoop环境下，将Ganglia和Nagois两种开源监控软件进行整合，配合移动飞信来实现对云计算平台的实时监控。形成了如图2所示的一整套云计算平台的智能监控体系。
该模块通过整合Ganglia和Hadoop平台来采集监控主机的基本指标或者用户自定义的指标。然后进行数据处理，包括信息聚合，分类，可视化，生成报表等。具体过程如下：
Ganglia的监控进程（gmond）发送的指标格式是有明确定义的。用户可配置Hadoop指标子系统，按照Ganglia的要求，直接向Ganglia发送指标数据。用户可以根据需要，用Ganglia对Hadoop的一个或全部上下文进行监控，需要监控的Hadoop上下文包括Java虚拟机（JVM）上下文，远程调用（RPC）上下文，分布式文件系统（DFS）上下文，Mapreduce（mapred）上下文等配置项。每个上下文对应一个Hadoop指标子系统，每个子系统包括多项Hadoop指标。
Hadoop的配置见文件hadoop-metrics2.properties，配置项的前缀是上下文名称，每个上下文配置项都有如下三个属性。
在本系统中，由于只有少数主机需要处理，为简化启用和配置，Ganglia只使用单个集群。
在组播模式下，当节点规模过大，组播会对系统性能会产生一定的影响。在本系统中，尽管只有三个节点，仍采用单播传输模式。
22监控模块
该模块通过整合Nagios与Ganglia来完成相关资源的监控，包括主机资源，网络资源等。
在后台，Nagios实际上只是单一进行调度和通告的引擎。Nagios本身并不能监控任何内容，只能调度插件程序的执行，并处理输出结果。
本系统采用Nagios来监控Ganglia指标。Ganglia项目在gweb模块中包含了一系列官方Nagios插件。这些插件使得Nagios用户可以创建一些服务，将存储在Ganglia中的指标和Nagios中定义的告警阈值进行比较。
在实际应用中，使用Ganglia插件来监控系统，如：Ganglia内部使用心跳计数器来确定某台主机是否在运转；将给定主机的单个指标与预定义的Nagios的门限值进行比较来检查特定主机的某种指标；检查特定主机上多种指标；检查使用正则表达式所定义范围内主机的多种指标；验证一套主机上的一个和多个指标值是否相同。
在图3中，这些插件和一系列专门为此创建的gweb PHP脚本进行交互。毎个PHP脚本从插件接收参数，解析从gmetad获取的有关状态缓存，提取被监控实体当前的指标值，并返回。Nagios插件和PHP脚本成对出现。
实际应用中，在hosts.cfg中定义hostgroup，格式如下：
其中，check-heartbeat.sh是Nagios插件。
此外，可以使用Nagios监控Ganglia主机的运行情况，如使用check-nrpe守护进程，监控Ganglia的所有故障，如监控汇聚主机上的gmetad和rrdcached以及所有主机上的gmond，监控TCP端口（如gmetad和gmond的监听端口）的连通性等。
23报警模块
为了减轻工作负担，使管理人员能实时获取云计算平台运行异常或故障信息，本文使用整合了Nagios与移动飞信的报警模块将报警信息直接送到管理人员手中。
Nagios利用插件使用Ganglia采集的信息，在运行指标超过阈值的情况下通知管理人员，通知方式采用移动飞信。
Nagios下飞信的配置主要包括：
飞信命令定义
配置commands.cfg文件，定义一个服务故障时发送报警短信的指令，如下
3云计算平台智能监控系统的实现
31系统总体架构及实现环境
本系统使用三台VMware虚拟机，根据需要组建Hadoop集群，Hadoop集群各主机参数列表如表1所示。
表1Hadoop集群各主机参数列表
主机名IP地址CPU（个）内存（G）硬盘（G） host110100981281010200 host6101009812488100 host7101009812688100
在三台主机中安装CentOS 65系统，开发环境安装JDK17，安装Hadoop 112[7]，配置host1作为NameNode、SecondaryNameNode， 三台主机均配置为DataNode， 在host1上运行JobTracker，在三台主机上均运行TaskTracker。
在host1上安装Ganglia-gmetad 317，Ganglia-gweb 342[8]，Web服务器Apache22，脚本语言php-533，在三台主机均安装Ganglia-gmond 317。
在host6主机上安装Nagios Core 344[9]， nagios-plugins-15， nrpe-214，Web服务器Apache22，脚本语言php-533，安装移动飞信fetion。系统总体架构如图4所示。
Ganglia和Nagios均具有丰富的Web展示功能。实现环境中，Ganglia能监控hadoop集群及各主机性能指标众多，大约有几百个，下面只展示其中的几个，图5至
图5host6节点一月内平均负荷图6host1节点一天内jobtracker.heartbeats指标图7host1节点一天内namenode.blockReport_num_ops指标
Nagios监控效果只选取一张图，Nagios所有主机服务状态详述（局部）如图8所示，上面十五项是hadoop集群中host1、host6、host7三台主机上五个服务项的状态信息，这五个服务项分别是：GMOND、check-ganglia-heartbeat、check-ganglia-metric disk-free、check-ganglia-metric load-one、check-value-same-everywhere，下面八项是Nagois主机上服务的状态信息，本系统中Nagois主机即为host6。从这些效果图可以看出，Ganglia和Nagios协调工作，实现了对Hadoop系统性能的监控。图8Nagios所有主机服务状态详述（局部）本系统一般只需设定Nagios插件返回Critical和Unknown二种状态发出报警，且一小时间隔循环发送即可。在系统主机和服务出现异常情况时，管理员接收飞信的手机会收到报警短信，格式如下：发信人为“12520139xxxxxxx”，短信内容为“XXX：1010098126host7/GMOND is CRITICAL”，最后是接收短信日期时间，“XXX”为接收飞信手机机主的姓名。此时，管理员可在本地或远程实时维护host7主机上的GMOND服务。
在实际应用中，可以根据具体需求调整要监控的服务项。利用Hadoop、Ganglia和Nagios良好的可扩展性，动态增加节点，以便加入更多的Hadoop应用。通过改变Hadoop集群的负载，或通过调整VMware虚拟主机的部分参数，使系统负载达到均衡。由于系统中使用的端口众多，因此应特别注意iptables防火墙的设置。
4结 语
在开源云计算平台Hadoop环境下，利用Hadoop系统提供的监控接口，将Ganglia和Nagios整合，通过Web可视化工具，强大的图表展示功能，直观地了解每个节点以及整个Hadoop系统的工作状态，并利用移动飞信进行故障报警，对调整Hadoop系统的运行参数、提高系统整体资源效率起到重要作用。
参考文献：
[1]袁凯.云计算环境下的监控系统设计与实现[D].武汉：华中科技大学，2012.
[2]张仲妹.云计算环境下的资源监控应用研究[D].北京：北方工业大学，2013.
[3]沈青，董波，肖德宝.基于服务器集群的云监控系统设计与实现[J].计算机工程与科学，2012，34（10）：73-77.
[4]Matt M.，Bernard L.，Brad N..陈学鑫，张诚诚译.Ganglia系统监控[M].北京：机械工业出版社，2013：12-15，133-135.
[5]陶利军.掌控：构建Linux系统Nagios监控服务器[M].北京：清华大学出版社，2013.
[6]刘鹏，黄宜华，陈卫卫.实战Hadoop：开启通向云计算的捷径[M].北京：电子工业出版社，2011：37-38，60，62.
[7]Apache Software Foundation. Hadoop官方网站[EB/OL].
[8]http：//ganglia.info/. Ganglia发布网站[EB/OL].
[9]http：//www.nagios.org/. Nagios官方网站[EB/OL].
[10]李超，梁阿磊，管海兵.海量存储系统的性能管理与监测方法研究[J].计算机应用与软件，2012，29（7）：78-80.
智能云维护平台 篇4
制造业是国民经济的支柱产业,而磨削加工技术是制造技术中的重要内容,是现代机械制造业实现精密加工、超精密加工中最有效、应用最广的工艺技术[1]。制造业服务化和信息化是当前制造业发展的两大趋势。制造业服务化是向产品产生过程和使用过程所提供的各种形式服务的总称,制造企业是服务的主体或客体之一[2]。制造业信息化的范畴涉及产品开发、生产和营销过程等价值链的各个方面,它经历了从低级到高级、从简单到复杂的发展过程;信息技术对制造业服务化的影响很大,信息技术的发展使服务越来越便利,并使过去许多不可能的服务成为可能。制造业服务化将信息化作为提供服务的平台和工具,并借助信息化手段把服务向业务链的前端和后端延伸,从而扩大了服务范围,拓展了服务群体,且能够快速地获得用户的反馈信息,不断地优化服务内容,持续改进服务质量[2]。
纵观国内外文献报道,虽然信息技术和制造技术的融合迄今已经取得了众多进展,在企业应用系统(如CAD、CAPP、CAM等)的研究开发与集成方面已经取得了很大成绩,但在信息化制造理论和方法方面进行系统的研究尚不多见,目前还存在以下几个方面的问题:(1)制造企业信息化发展不均衡,企业间差距较大,应用技术水平参差不齐,部分中小企业信息化建设能力较弱;(2)虽然个别制造企业信息化单元技术的应用已有一定的水平,但集成应用度不高,信息化的应用还有待深化;(3)企业对信息的安全性认识不够,信息安全系统建设欠缺,信息安全工作需进一步加强[3]。
近年来,一种新的服务化计算模式———云计算(cloud computing)正在兴起[4]。云计算的理念是,由专业计算机和网络公司搭建计算机存储和计算服务中心,把资源虚拟化为“云”后集中存储起来,为用户提供服务。云计算为解决当前信息化制造存在的问题提供了新的思路和契机。
本文介绍了工业云和云制造的特点,提出将云计算应用到磨削加工领域的思想,构建了智能磨削云平台,介绍了其关键技术,以及运用云计算技术开发的相关磨削云软件的应用情况,并展望了智能磨削云平台的发展趋势。
1 工业云和云制造
工业云是在云计算模式下对工业企业提供软件服务,使工业企业的社会资源实现共享化的一种新的概念。工业云有望成为我国中小型工业企业进行信息化建设的另外一个理想选择,因为工业云的出现将大大降低我国制造业信息建设的门槛[5]。
云制造,是在“制造即服务”理念的基础上,借鉴云计算思想发展起来的一个新概念[6]。云制造是先进的信息技术、制造技术以及新兴物联网技术等交叉融合的产品,是“制造即服务”理念的体现。云制造采取包括云计算在内的当代信息技术前沿理念,支持制造业在广泛的网络资源环境下,为产品提供高附加值、低成本和全球化制造的服务,实现制造资源的高度共享。云制造通过建立共享制造资源的公共服务平台,将巨大的社会制造资源池连接在一起,提供各种制造服务,以实现制造资源与服务的开放协作以及社会资源的高度共享。企业用户无需再投入高昂的成本来购买加工设备等资源,可以通过咨询公共平台来租赁制造资源。在理想情况下,云制造将实现对产品开发、生产、销售、使用等全生命周期的相关资源的整合,提供标准、规范、可共享的制造服务模式[7]。这种制造模式可以使制造业用户像用水、电、煤气一样便捷地使用各种制造服务。
制造资源包括制造全生命周期活动中的各类制造设备(如机床、加工中心、计算设备)及制造过程中的各种模型、数据、软件、领域知识等。为了实现制造资源的虚拟化、优化调度和协同互联,可融合语义Web、嵌入式系统技术、物联网、高效能计算等新技术[8]。另外,高性能计算机的应用和高性能计算技术的发展为求解复杂的制造问题和开展大规模协同制造提供了可能。云制造的运行原理如图1所示。
智能磨削云平台是工业云和云制造技术在磨削加工领域的应用,它结合云计算技术、云制造技术、磨削工艺智能化技术,以分布式高性能计算机系统、大容量数据存储设备和互联网环境等资源为基础,为各大磨床制造厂商提供基于各类磨削装备的磨削数据库系统,实现知识数据的积累,另外,该平台也给磨削加工企业提供各类加工制造方面的技术服务,实现磨削加工信息查询、工艺方案智能优选、工艺优化、误差分析与补偿、磨削加工过程仿真、自动编程等功能,充分发挥现有磨床的潜在性能。智能磨削云平台是联合国内各大磨床制造厂商和磨削加工企业共同开发而成的,网络终端用户能够方便快捷地连接上它而获得服务。
2 智能磨削云平台的构建
基于以上分析,本文在研究智能磨削的基础上,引入工业云及云制造技术,建立集成云制造与磨削工艺智能化的智能磨削云平台(图2),为各大磨床制造厂商提供基于各类磨削装备的磨削数据库系统,给磨削加工企业提供各类加工制造方面的技术服务。该智能磨削云平台可提供远程实时有效的加工指导,具有很强的开拓性和前瞻性。
智能磨削云平台的结构如图3所示,主要包括三个部分:基于云计算的磨削数据服务客户端、云计算服务管理平台、分布式磨削工艺数据库管理平台。
基于云计算的磨削数据服务客户端根据具体的需求对磨削云服务进行自主选择,如图4所示。磨削云服务的主要功能包括工艺实例智能推理决策、3D加工仿真、磨削工艺预报、误差分析与补偿、数控代码自动生成以及对数据库系统的扩充维护等。这些服务均是通过智能磨削云端服务来完成的。
数据库资源池通过数据仓库、数据挖掘等技术实现对磨削工艺数据库的检索、重用、修改、存储、删除、更新等操作,以此保证磨削工艺数据库知识的完备实时准确,从而正确地指导磨削云的服务工作。
云计算服务管理平台采用虚拟化技术将分散的制造资源和制造能力虚拟地接入到磨削云平台中,形成虚拟资源并聚集在虚拟资源池中,从而隐藏底层资源的复杂性和动态性,为智能磨削云平台实现面向服务的资源高效共享与协同支持。云计算服务管理平台运营商将智能磨削云平台的服务功能通过网络传递给远程用户,并将结果文件进行反馈以实现智能磨削云平台的更新。云计算服务管理平台涉及的主要技术包括资源虚拟和分布式并行计算架构两大核心技术,以及数据传输安全技术、认证与鉴权体系等。
分布式磨削工艺数据库的结构框图如图5所示。该数据库将磨削加工过程中的各生产要素、工艺参数(主要包括机床、冷却液、材质、磨料磨具、实例、规则、模型图表、工艺参数等)有机集成,并根据这些要素和参数之间内在的逻辑映射规则以及数学拓扑关系进行异构,最终形成一个有机结合的磨削工艺数据库系统。
3 智能磨削云平台的关键技术
智能磨削云平台的关键技术主要包括以下内容:
(1)磨削工艺数据库。该数据库集成了机床库、磨料磨具库、材料库、冷却液库、实例库、规则库、模型库、图表库、工艺参数库等,涵盖了磨削工艺领域的各重要环节,并存储了大量的工艺数据。
(2)磨削加工工艺方案智能决策技术。制订基于实例推理和规则推理的混合推理模式,以及遗传神经网络等智能优化算法的磨削加工工艺方案,发展磨料磨具设计制备与选用的智能决策技术,采用粗糙集理论、层次分析法、组合赋权法、分层过滤机制等实现基于实例推理技术,并建立不同方案的效用评价体系及自动评价实现技术。
(3)磨削加工工艺优化技术。针对磨削加工过程中零件轮廓复杂性,考虑其质量要求和工艺系统的加工能力,并结合磨削质量预报技术,进行加工轨迹与速度加速度的优化,实现加工精度和加工效率的同步提高。
(4)磨削加工误差分析与补偿技术。通过对加工后的实际轮廓表面测量来提取误差信息并进行科学分析,将其与理论轮廓线或(和)虚拟加工仿真轮廓线进行匹配,通过误差分析了解误差的变化情况,并根据误差变化进行预测,以调整整个磨削工艺系统的补偿误差。
(5)磨削加工过程几何仿真技术。建立数控磨削加工的虚拟环境,实现对复杂轮廓零件的虚拟数控磨削加工,在虚拟磨削加工过程中提取磨具、头架、尾架、中心架、工作台、夹具等模型之间的相对位置,检查碰撞、干涉及撞刀现象。
(6)磨削质量预报技术。对经智能优化的工艺方案的磨削结果进行预报,在优化工艺方案正式实施前了解其磨削加工结果。复杂轮廓零件的磨削几何形状通过几何仿真了解,加工表面质量(主要指轮廓精度、表面粗糙度等)主要采用遗传神经网络的方法来进行预报(预测)。
(7)磨削加工的自动编程技术。针对特定零件的结构特征,将测量数据通过模型转换为实际加工数据,并利用计算机技术实现数控代码的自动编制。
(8)云计算技术。该技术主要基于资源虚拟和分布式并行架构两大核心技术,同时也利用互联网上的大量开源软件为用户提供支撑。虚拟化技术主要分为两个层面:物理资源池化和资源池管理。其中,物理资源池化是把物理设备由大化小的过程,即将一个物理设备虚拟为多个性能可配的最小资源单位;资源池管理是对集群中虚拟化后的最小资源单位进行管理,即根据资源的使用情况和用户对资源的申请情况,按照一定的策略对资源进行灵活分配和调度,实现资源的按需分配。
4 基于智能磨削云平台已开发的软件应用产品
近来,笔者基于智能磨削云平台成功开发了凸轮轴数控磨削工艺智能专家数据库系统CSIDB、凸轮轴数控磨削工艺智能应用系统CSGIA、磨削工艺数据库系统GPDB、凸轮轴数控磨削加工辅助软件CGAS和典型零件高效精密磨削工艺数据库系统FCGDB。其中,CSIDB、GPDB和FCGDB是基于Interbase的三层分布式应用体系结构开发的,集成了机床库、磨料磨具库、材质库、冷却液库、实例库、规则库、模型库、图表库、工艺参数库等,涵盖了磨削工艺领域的各重要环节,存储了大量的相关工艺数据。CSGIA在CSIDB的基础之上,针对凸轮轴的磨削加工增加了工艺问题定义、专家系统推理、误差分析与补偿、工艺智能优化、工艺预报、自动数控编程、工艺系统3D运动仿真、工艺结果输出等8项重要功能。
CSGIA V1.0于2009年11月12日经湖南省软件评测中心进行全面测试,成功通过测评,可应用于指导实践加工。
该系统于2011年9月进行了网络化测试:利用计算机“远程桌面连接”功能,远程登录北京市云计算关键技术及应用重点实验室的虚拟机,对其进行操作控制,在虚拟机上进行软件安装和功能测试,各功能模块都能正常运行。
CSIDB、CSGIA成功应用于湖大海捷制造技术有限公司开发的CNC8312A型数控高速凸轮轴磨床上,结果发现,凸轮轴数控磨削工艺系统的操作时间缩短了20%以上,生产效率提高了25%,生产过程中凸轮轴的废品率显著降低。
基于无心磨床和轴承磨床的GPDB已经成功应用于无锡机床股份有限公司。该系统提高了无心磨削与轴承磨削的加工精度和加工效率,增强了磨削加工的柔性。该系统操作界面简洁,具有良好的人机交互性,为无锡机床股份有限公司进一步提高无心磨床和轴承磨床的质量指标提供了有力的技术支撑。
基于浙江玉环传动机械有限公司现有的凸轮轴磨床开发的CGAS,对30多种型号的凸轮轴进行加工,所获得产品的精度完全达到了客户的要求,而且人力资本、固定资本大幅降低,这些优势帮助该公司打开了中小凸轮轴生产企业的凸轮轴数控磨床市场。
FCGDB是针对国家高技术研究发展计划(863计划)资助重点项目中典型零件开发的处理其高效精密磨削复杂工艺的智能化工艺管理系统。
5 智能磨削云平台发展趋势
未来,智能磨削云平台将致力于以下领域的研究与应用:
(1)为各大磨床、磨料磨具制造厂商提供基于各类磨削装备及磨料磨具的磨削工艺智能专家数据库系统,实现磨削工艺知识数据的积累与重用。
(2)为磨削加工企业提供各类磨削加工制造方面的整体工艺方案技术服务,实现磨削加工信息查询、工艺方案智能优选(磨削加工和磨料磨具设计制备方案)、工艺优化、误差分析与补偿、磨削加工过程仿真、自动编程等功能。
(3)配套应用于中小型数控磨床制造企业或嵌入数控系统,提高数控磨床的智能化水平和加工柔性。
(4)深入研究并集成云制造与磨削工艺智能化技术,进一步实现磨削加工的服务化与信息化。
(5)将智能磨削云平台扩展应用到其他加工和信息化服务领域。
参考文献
[1]李伯民,赵波.现代磨削技术[M].北京:机械工业出版社,2003.
[2]顾新建,张栋,纪杨建,等.制造业服务化和信息化融合技术[J].计算机集成制造系统,2010,16(11):2530-2536.
[3]杨淇蘥,范勇,杨小兰.制造业信息化工程建设与应用研究[J].制造业自动化,2011,33(11):27-29,64.
[4]陈康,郑纬民.云计算:系统实例与研究现状[J].软件学报,2009,20(5):1337-1348.
[5]曾宇.工业云计算的实践和思考[N].科技日报,2010-03-01:05.
[6]李伯虎,张霖,柴旭东.云制造概论[J].中兴通讯技术,2010,16(4):5-8.
[7]李伯虎,张霖,王时龙,等.云制造———面向服务的网络化制造新模式[J].计算机集成制造系统,2010,16(1):1-7.
智能云平台技术在焊装的应用和发展 篇5
1 信息技术在焊装中的应用概况
人际网(社会化网络)、知识/内容网、物联网及服务联网的概念将成为“未来互联网”和“网络化社会”的四大支柱。而物联网技术将整个社会的人与物连成一个巨大的网络,这是一个无处不在且时刻开启的普适网络社会。利用局部网络或互联网等通信技术将传感器、控制器、机器、人员和物通过一种新的方式联在一起,形成人与物、物与物相连,实现信息化远程管理控制和智能化网络。服务联网把网络与人联在一起,被计算机调度和控制,依托互联网实现现实世界与数字世界相互融合的网络化应用服务形态,以服务形式支持各类网络环境下的各种现实服务,实现价值的创造与传递。
德国“工业4.0”进程领先于全球,即将进入智能+网络化的“第四次”工业革命,德国某公司目前的技术介于3.0 和4.0 之间,中国工业基本处于工业1.0 和工业3.0 水平。某汽车制造企业在技术引进应用过程中与时俱进,目前焊装已达到工业3.0水平。“工业4.0”就是要实现商务的全线电子化、数字化与在线化,从而使得基于用户需求的在线互动、多维设计、仿真模拟、3D成模、生产模块与订单的数字化管理、敏捷物流、后续服务一体化。
2 企业智能云平台
企业智能云平台,致力于打造“互联网+”制造的企业智能云平台。链接价值链纵向、横向端到端的所有信息实时监控、远程控制、数据分析及预测,拉近消费者与企业的距离,协助企业在互联网产业环境下快速建立大规模个性化、定制化的智能制造模式。大众公司业务流程分为战略控制流程、产品流程、订单流程、服务流程和支持性流程,产品流程、订单流程核心业务流程见图1。
2.1 产品流程
2.1.1 产品战略规划
根据新的细分市场、竞争对手分析、上代车型分析、企业战略选择、技术突破创新等因素,确认产品定位及车型系列的产品风格、外部尺寸/人机工程尺寸、总布置及动力总成组合范围等产品组合。具体产品的规划流程见图2。
努力实现柔性化、低碳化、循环化和集约化节能减排的绿色汽车产品,将电子信息技术广泛应用于新能源动力车、节能汽车、智能汽车、互联网汽车。
车型柔性化生产方案是车型产品战略规划的重要研究内容,如何在最经济的情况下获得更多的车型品种柔性度在“工业4.0”时代愈发显得重要。德国大众集团的平台战略使得这一目标成为可能。
MQB作为大众模块战略的重要组成部分,车辆模块标准化平台包含平台战略和模块战略,采用全球范围相同的技术标准,在所有的产地实现欧洲的质量水平,采用接口项兼容的高端模块和低成本模块,并匹配本地化的技术标准和质量水平,康采恩集团对车辆模块标准化平台进行集中控制,各模块之间具有统一的安装位置,最大化发挥了技术协同性、模块化装配的优势(图3)。
2.1.2 产品开发
从产品定义到批量产品包含方案开发阶段、批量开发阶段、批量准备阶段。从产品设计到制造开始的工作转换是汽车开发过程中最关键的步骤之一,汽车行业数字化工厂发挥着重要的作用。随着“工业4.0”的逐步实施,制造业整体朝着智能化与信息化方向转型升级,企业将汽车制造业转型升级的目光投向了智能制造与数字化工厂相结合的模式。数字化工厂以产品全生命周期的相关数据为基础,在计算机虚拟环境中,对整个生产过程进行仿真、评估和优化,并进一步扩展到整个产品生命周期的新型生产组织方式。
数字化工厂是由数字化模型、方法和工具构成的综合网络,包含仿真和3D/虚拟现实可视化,通过连续的没有中断的数据管理集成在一起。通过全面的数字化制造方案,帮助企业制定更明智的决策,快速提高生产效率、降低成本、实现质量目标,如图4 所示。
2.1.3 产品生命周期管理
正式投入批量生产后,产品通常在四到五年进行一次升级换代与进化,通过在前期概念开发阶段对产品施加影响,贯穿产品诞生整个过程,并在批量生产后及批量管理内不断优化,每年通过技术更改、年型修饰等技术不断改进完善,优化质量,使产品注入活力,富有极强的生命力。
2.2订单流程
信息物理系统网络研发及应用需求,开发智能控制系统、工业应用软件、故障诊断软件和相关工具、传感和通信系统协议,实现人、设备与产品实时联通、精准识别、有效交互与智能控制。
2.2.1 接受订单
互联网在产销之间与客户对接,掌握客户的数据,客户首次站在工厂的前端,成为制造的核心。企业既可以满足消费者高度个性化的需求,也能够对变化的市场需求和原材料供应变动做出及时的反应和调整。
2.2.2 生产商品车
建设智能工厂和数字化车间,加快人机智能交互、工业机器人、智能物流管辖、新材料制造在生产过程中的应用。促进制造工艺的仿真优化、数字化控制、状态信息实时监测和自适应控制。
学习和借鉴德国“工业4.0”的先进理念,建设智能工厂,不断推进信息化和自动化技术的深度融合,推动汽车制造业的转型升级。某汽车制造企业焊装车间的金字塔型控制结构为“互联网+”的基础,所谓“互联网+”就是在高度自动化的基础上,再“+”上“信息化”。焊装的最新控制结构,已经基本具备了扩展到“互联网+”的基础,如图5所示。
目前最新的焊装控制标准在很大程度上,契合“互联网+”对底层高度自动化的要求。近两年内,焊装规划开始推进MES系统(ZAUE),这是链接底层自动化和信息管理层的一个关键纽带;随着“互联网+”、智能制造概念步步深入,未来自动化行业的趋势势必也将以生产过程的云端采集、设备管理的云端化、信息云端查看和管理、大数据分析和应用的方式实现。
随着汽车生产模式以消费者为主导的生产方式转变,要求汽车制造企业能够快速响应市场和客户需求,保证生产信息有效监控和管理,使其能与计划协调一致,有效运作,保证生产计划在生产过程中切实得到执行。RFID是无线电技术在自动识别领域中的应用,它是利用射频方式进行非接触双向通信,以达到自动识别目的并交换数据。然后通过现场总线可进一步实现对物体识别信息的采集、处理及远程传送等管理功能[1,2]。RFID技术的应用能够精准实现混线生产过程中的车型控制,保证无差错装配和问题部件原因可追溯,能提高焊装车间生产效率、降低生产成本。以RFID应用为例,生产管理部FIS系统将生产订单的信息通过专用的生产网络传递到焊装车间下部一区域的订单管理终端IPC,接到订单信息,将订单信息指令传递到现场RFID标签打印机,同时将该指令传递给现场机器人。现场操作人员将RFID标签打印机打出来的RFID标签手动放置在后纵梁上,带RFID的零件开始在焊装车间内沿线流动。在焊装自动化线机器人进行相应的焊接、铆接、MAG焊等工艺;在线间传递时,机械化输送线路上也有RFID读写器,读取信息后传递到机械输送线的控制单元(PLC)中。由该PLC对信息进行处理并做出相应的输送控制。通过这种方式车身在焊装车间有条不紊地进行生产。
生产执行MES可监控从原材料进厂到产品入库的全部生产过程,记录生产过程产品所使用的材料、设备、产品检测的数据和结果以及产品在每个工序上的时间和人员等信息。利用MES系统建立起规范的生产管理信息平台,是企业的内部现场控制层与管理层之间的信息互通,以此来提高生产能力并优化生产过程,降低生产损耗,实现最优生产,如图6 所示。
MES是处于计划层和现场自动化系统之间,执行层主要负责焊装车间生产管理和调度执行。MES系统可以在同一平台上集成注入生产、调度、产品跟踪、质量控制、设备故障分析、网络报表等管理功能。
作为生产型企业,每时每刻都产生大量的数据,这些数据有些被存储、有些被查询、有些用于分析,但是大部分都被忽略和遗弃。
在大数据时代,生产过程中产生的大量数据,正是大数据分析所需要的。大数据就是采用所有数据进行分析处理。大数据无法用单台的计算机进行处理,必须依托云平台。大数据与云端化联系到一起,一方面云平台技术可以为大数据采集所需要的所有生产过程数据,另一方面大数据的分析结果也可以通过大数据进行查询。
例如设备监控采集到的数据,设备故障数据、报警信息、停机时间等。通过大量数据积累并加以数据挖掘和分析,即可以得出设备运行中不稳定的因素、设备故障的潜在原因,并且可以根据分析对设备维修进行预警性提示,这样就可以大大地提高设备运行效率,降低停产周期,提升生产水平。
2.2.3 交付商品车
在企业发展历程中,企业竞争呈现出三个阶段,第一阶段是产品竞争,第二阶段是服务竞争,第三阶段是文化竞争特别是质量文化竞争。产品质量的控制主要是通过质量管理来实现。
焊装白车身作为轿车生产制造的核心总成,关系到整个车身匹配的精度和质量,在整个轿车的生产制造过程中有举足轻重的作用,焊装生产线的工艺水平体现了一个汽车生产企业的生产制造技术水平。伴随整车产品诞生过程,遵循焊接工艺规划流程,参加同步工程小组、参与造型设计评估,在后续任务书制定、详细设计及制造监督照管、原型样车陪伴、工装设备优化、批量前生产/试生产/零批量/正式投产直至后续生产的照管,都要对白车身质量及精度进行全程控制,并伴随着焊装项目对供应商在质量控制能力、成本控制能力、供货保障能力、可持续发展能力、同步开发五大能力的提升,确保焊装工艺体系质量,最终生产出无A类缺陷、设备能力Cm(Cmk)大于等于1.67、过程能力Cp(Cpk)大于等于1.33 持续稳定且满足工艺要求质量的白车身。
3 云平台技术在焊装车间的应用
随着IT技术的发展,云技术与生产制造的结合也变得越来越紧密。在高度自动化和网络化的基础上,云平台在未来的生产中的应用会变得越来越广泛。如生产云端采集、设备远端管理、信息云端管理和查看等。
3.1 生产云端采集
通过改进现有的采集模式,将现有的生产过程数据进行云端化处理,同时可以将生产过程中的参数报警、异常信息、车辆信息等发送到到云端进行数据采集、分析和保存。
在生产工序中,针对各个部门关心的生产过程数据和信息,例如生产质量信息、生产产量数据、生产效率数据、车身信息等,通过网络采集传输到云平台服务器中。通过定制化开发的目视化、数据分析、信息管理等系统,实现现有生产管理系统的云端化。
云端化的管理系统可以同时收集各个分厂的同类型数据,可以将现在的车间级管理系统提升至厂区级管理系统,即一个系统内同时反映各个分厂焊装车间的生产过程状态。这样既可以为各个分厂之间提供数据和信息比对的平台,还可以为高层管理者提供更加丰富的信息和数据查询方式。
3.2 设备云端管理化
打破现有车间内的设备监控和管理模式,将设备信息采集的局域网采集模式,提升至互联网和云的方式。使用厂区内的办公网或者架设新的4G通讯方式,与需要监控和管理的设备进行网络通讯,将设备的运行状态信息、报警信息、故障信息、运行参数等信息传递到云端,通过搭建在云端的设备监控和管理系统,实现设备的云端化管理。
在设备云端化管理中,通过使用专有的传输方式、私有云平台、完善权限管理,最大限度实现系统的信息和管理安全。
云端的设备管理可以为设备维护者和管理人员提供更加灵活的监控方式,可以实现在多种终端例如邮箱、手机、互联网PC端的设备运行状况的查询,更加方便和实时地了解设备的运行状况。
云端化管理也更加突出了各个分厂之间的设备管理状态,可以进行KPI、开动率等信息综合分析和查询。
3.3 信息云端查看和管理
综合上述的云端化方式,生产过程中的生产信息、设备信息、车上信息、质量信息都可以被通过互联网的信息采集到云端,进行管理、监控、分析和查询。云端的查询方式使得整个系统的利用率会被大大提高,使用者可以实现在PC上、手机、平板终端、PDA等各种终端的异地系统查询,方便使用者在数据方面的各种需求。
3.4 订单跟踪
订单跟踪是柔性化生产、定制化生产等方式的综合体现,使4S店的客户订单可以为客户提供全过程跟踪查询,客户可以通过云端查询到自己订购的车辆当前加工到的工序、状态和加工参数等信息,同时可以了解到车辆的下线时间和质量信息等。
订单跟踪是智能制造未来的最终目标,即实现低库存、高效生产、过程可控,为客户提供最符合要求的产品。客户可以根据自己的要求,在4S店定制自己需要的车型和配置,厂内会在第一时间收到客户需求,根据需求进行生产。生产过程中车辆的零部件信息、加工参数、生产过程数据等信息通过互联网采集到云平台中,客户可以实时了解自己定制车辆的生产状况。在车辆下线时,客户可以第一时间获知信息,并到4S店取车。
单跟踪功能,实现了物联网“、互联网+”、智能制造等因素的最完美融合,是生产过程的最优化体现。
3.5 供应链互动
生产过程中供应链非常重要,汽车制造企业的零部件供应商分布在全国各地,及时的物料配送和物料互动非常重要。
将生产过程中加工的车辆信息、针对性的零部件信息、加工周期等非核心生产数据开发给对应的零部件供应商,可以为供应商提供一个物料配送的实时时间表,保证零部件配送的准确和及时,这样的功能同样依托于生产过程的云端化。
云端化的生产过程,可以在关键生产点进行物料需求拉动,提前生产物料需求单,供应商可以第一时间获取物料需求,并结合自身地理位置的物流周期,计算出最佳的配送时间。物料使用过程中产生的问题,可以实时反馈到云端平台中,供应商也可以根据质量信息进行改进和物料补充。更重要的物料配送和质量等数据的积累,可以为供应链的大数据分析提供数据来源,形成更为真实详尽的物流决策,提升物料配送水平。
3.6 全厂设备联网和数据采集
前文提到的数据、云、大数据都需要一个最为基础的数据来源,那就是数据采集和数据传输。稳定、高效、全面的数据采集和传输是”互联网+”和智能制造的基础。
针对现有的设备情况,需要将互联网的关键生产设备进行联网,并从中提取数据,这些设备的数据可以进一步完善生产过程的监控和管理,为云平台和大数据提供更好的数据支持。
更全面的设备联网和数据采集主要是对重要设备、重要参数、重要环节的数据和信息进行采集,并打破传统的局域网传输概念,直接形成互联网传输方式,将数据和信息提供到云端进行加工分析和利用。
4 结束语
随着经济全球化的发展,消费需求越来越多样化、个性化、定制化,这对于汽车制造企业既是机遇又是挑战,向着云平台、互联网、智能化、多元化的方向发展。通过信息化与工业化的深度融合及汽车制造业转型升级的过程中,关注、认识、学习、借鉴德国推行的“工业4.0”战略,对推动汽车制造业转型升级与提质增效具有十分重要意义。
要真正实现“工业4.0”还需要各项保障措施,如国家顶层设计新体系、提供一套综合的工业化宽带基础设施、维护信息安全、健全的规章制度和产业标准、提升资源效率、人才培养等。未来在”互联网+”和智能制造上,可以重点推进新的控制标准的实施、优化老旧生产线、开展深入有针对性的培训、根据需要聘用有丰富经验的IT专业人员等,为后续“互联网+”的实施做好充分的技术储备。
在奥迪所设想的“无人化工厂”与“智能”工厂当中,工人将会与机器人展开合作,所有的部件由3D打印制作而成,无人机会负责材料的运输,而汽车在生产完成之后会自动驶离生产线,它将会变得更加联网、智能和效率。
参考文献
[1]秦虎.基于射频识别技术的数据采集和处理的研究及应用[D].湖北:华中科技大学,2001(11),1-10.
面向用户偏好的智能云服务平台研究 篇6
近年来,云计算技术在不断地发展和完善,大量的商业应用已经推向了市场,以云计算技术为基础的云制造也处于快速发展阶段[1]。
当前的研究主要是云制造领域的体系架构、云制造服务模式以及云制造领域涉及的理论体系和关键技术。文献[2]提出了完整的云制造服务系统及云制造技术体系;文献[3]提出了一种云制造服务模式,探讨了基于制造资源定位技术的制造资源基础数据云平台及其组成;文献[4]提出并建立了一种能促进云制造环境下外协加工资源快速共享和高效利用,且具有广域集成和分散服务特点的集成服务模式;文献[5]提出了一种基于联邦模式的云制造联邦集成架构及云制造联邦执行支撑环境;文献[6]提出了云企业及云制造服务的概念,分析了面向制造及管理的集团企业云制造服务系统的相关核心技术;文献[7]建立了中小企业云制造服务平台共享关键技术体系框架,阐述了已知的相关理论与技术、标准和规范等;文献[8]分析了云制造的典型特征,对云制造中的资源、服务和相互关系进行了阐述,对其服务组合的关键问题进行了研究;文献[9]提出了云制造环境下的普适人机交互技术研究框架,并分析了其涉及的关键技术;文献[10]分析了云制造资源虚拟化的相关技术,提出了云制造资源虚拟化框架;文献[11]提出了一种基于云服务的复杂产品协同设计方法和一种服务组合方法;文献[12]阐述了云制造系统中制造云的构建过程,探讨了制造云构建过程中所涉及的主要关键技术。
基于云制造服务平台的目标是实现面向用户的按需所现的服务目的,故上述文献研究都缺失从用户的角度出发去研究如何实现以用户为中心的云服务。即当用户面对海量服务云时,如何花最少的时间和精力去找到自己需要的服务云。从用户的角度分析,当用户面对这些服务云时会存在以下3个问题:
(1)当用户需求明确时,面对云服务平台上海量的服务云,用户需要花费大量的时间主动去找寻需要的服务云。
(2)当用户需求明确时,用户在消费服务云的过程中,是否还存在隐式的其他需求,为了提高云服务平台的用户黏性和服务云消费量,应该引导用户进行交叉消费。
(3)当用户的需求并不是非常明确时,用户只能边走边探寻地去一步一步地明确自己的需求,在这个过程中,由于用户对服务的需要不明确,面对海量的服务云,在云海里没有方向地游走,或许最终用户将放弃自己的任务需求,而另求解决方法;另外一种情况是,用户的需求可能会不断地发生变化。
以向用户提供高质量的服务为目标,研究如何根据用户偏好,主动向用户提供有效的服务云,是云制造平台实现以用户为中心,提供按需服务需要研究的主要问题之一。据此,本文基于用户至上的本质,研究并提出了面向用户偏好的智能云服务模式,以及体系架构和涉及的关键技术。
1 面向用户偏好的个性化智能云服务模式及体系架构
1.1 面向用户偏好的智能云服务平台个性化服务模式
1.1.1 云服务平台
云服务是云制造的核心,云制造是在“制造即服务”理念的基础上,借鉴了云计算思想发展起来的一种新思想。它的出发点是实现制造资源的高度共享,它的目标是为制造全生命周期的前期、中期和后期的用户,提供随时获取按需使用的优质廉价服务。云服务,即是具有向用户提供把制造资源和制造能力虚拟化封装成服务云的服务能力的抽象。在云制造中,制造云服务除了包括云计算服务中的三类主要服务平台(PaaS、IaaS和SaaS)外[2],还包括制造资源和制造能力服务化后形成的服务。
云服务是所有虚拟化资源服务化的可信服务云集合,它包括制造云。在云服务平台中,服务云被分为两大类,一种逻辑上具有某种独立功能或能独立完成用户请求的某特定事件的服务云,表示为FS;另一类是逻辑上不具有完成某特定事件的服务,表示为NFS,但能够通过与云服务池中的一个或多个服务云组合成复合云来完成特定功能或完成特定事件能力的服务,表示为FS′。因此,云服务的构成可形式化定义为
从对外提供服务的角度描述,云服务可表示为
其中,FS′={(SiRSj…RSk),Si∈CS,Sj∈CS,Sk∈CS},R表示Si、Sj、SK之间的关系,定义为:R={R∈(fb,xor,m)},fb为先后关系,xor为异或关系,m为合并关系。为了实现对这些由服务提供商提供的服务云进行科学管理以及为用户提供按需服务的平台来实现资源的高度共享,需要一个云服务平台对这些海量服务云进行科学的组织与管理,实现可利用资源的价值最大化。
1.1.2 基于云服务平台的个性化智能服务分析
在云服务平台上,用户面对海量的服务云,需要自己寻找所需的服务云就像在海底捞针,非常困难。因此,为了提高用户的体验度,缩短用户寻找目标所花费的时间,通过平台主动向用户提供服务,实现针对不同用户的个性化智能推送服务,是云制造所期待的目标。
当前,由于LED照明行业是一个新兴行业,市场需求规模和产业链上的企业规模都比较小,基于以中小型企业为主,分工都比较明确,应对市场变化的能力强,能快速满足客户灵活多变的个性化需求,与云制造以用户为中心向其提供个性化服务的思想相符,并且这些企业都有自己的核心业务,在业务开展过程中都有比较明确的独立服务需求,适合新兴的云制造模式在该领域的研究与应用。下面以用户需要LED灯具为例分析用户对服务的需求。
案例1有一位用户需要商务平台上的某种类型的产品,如图1所示。
一位用户需要商务平台上的某个灯具,当他进入平台查看某个灯具后,感觉该灯具的价格不合适、颜色不合适或其他指标不能满足自己的需求,而他自己对需求也不是很明确,个性化智能引擎需要判断用户的偏好,例如用户更关注价格,结合用户的偏好向用户推送新的产品集,用户从推送的结果中找到了价格合适的产品,这时又觉得颜色不是很喜欢,智能引擎再次结合用户的偏好向用户推送新的产品集合,直到用户满意为止。
案例2有一位用户需要一批室内照明的LED灯具,服务推送构造过程如图2所示。
图2为一个粗粒度[13]的根据用户需求构造的服务推送过程,根据用户所提出的室内照明LED灯具需求清单,云服务平台将基于用户描述及用户的历史行为,从提供设计服务的单位中推送设计服务,设计定稿后再加工,个性化智能引擎将结合用户的环境、场景和地理位置等属性推送加工制造服务单位,制造样品经检验合格后,再综合考虑用户所在地及成本等属性推送提供配送服务的单位[14]。
综上分析可知,上述的两类构造过程具有如下两个特点[15]:
(1)需求不明确,在服务构造过程中,用户是以前一步选择的服务作为下一步服务选择的依据,服务是在实时的被确定。
(2)用户服务上下文会发生变化,用户对服务的需求不仅仅是随着服务应用而不断的变化,而且还随着用户所处服务上下文的变化而变化。
这种以用户需求为中心的“边构造边执行”的应用构造方式中有如下需求:在服务云应用构造过程中的每一步,个性化智能引擎需要自动推导及捕获用户变化的服务云需求,并主动向用户推送满足这些需求的服务,实现服务的按需而现[15]。
综上需求分析可知,为了向用户提供个性化按需服务,减少用户参与度,提高用户在云服务平台的体验度,需要建立以用户偏好为出发点的个性化智能云服务平台。该个性化智能云服务平台可定义为
式中,U为用户偏好;A为用户当前的执行动向;CS为可信服务云集合;C为服务云间的约束;F为推送方法;SC为个性化云服务结果集合。
1.1.3 面向用户偏好的智能云服务平台个性化服务模式
基于云服务平台的面向用户偏好的个性化智能推送服务的目的是:在用户还没有完全明确或确定下一步的需求时,云服务平台个性化智能推送服务引擎,能够根据用户的偏好主动向用户提供服务,帮助用户明确或确定下一步的需求,使用户免于在海量服务云中苦寻自己所要服务云的烦恼,降低用户的参与度,提高用户的体验度。服务模式如图3所示。
基于云服务平台的个性化智能服务模式中,用户在不明确自己下一步需求的情况下[15],平台上个性化智能引擎通过用户的上下文信息捕获分析用户的当前需求,从海量的服务云中主动向用户推送服务,实现服务按需所现,最终与用户一起完成用户的需求。
1.2 面向用户偏好的智能云服务平台个性化服务体系架构
为了建立实现向用户提供个性化智能服务模式的云服务平台,研究设计了一个面向用户偏好的智能云服务平台个性化服务体系架构,如图4所示。
体系架构分为五层,分别是用户层、应用层、云服务管理层、云端服务多样化接入层和物理资源层[16]。
(1)用户层。主要有普通用户群和企业群两类用户。为了满足个体用户和企业用户的需求,在为两类用户提供服务时,用户交互的界面会具有各自的特点。
(2)应用层。主要包括基于用户偏好的智能服务引擎和平台业务管理软件。基于用户偏好的智能服务引擎涉及的关键技术主要有用户偏好收集与建模、用户偏好多属性匹配推送、服务展示与交互和用户定制与推送。平台业务管理主要有客户关系管理、协同分销、产品协同服务、服务云共享和物流规划等。
(3)云服务智能管理层。支撑智能云服务管理的主要模块有基于本体的服务云构建、基于本体的云服务搜索匹配、云服务组合设计与评估、云服务流程定制、云服务质量预测、云服务执行与监控、云服务容错恢复、云服务评价以及云服务计费。
(4)云端服务多样化接入层。各类资源接入云服务平台的方式主要有4种,分别是:RFID、有线传感网、无线传感网和接入适配器。对接入的虚拟化资源按领域、功能等属性交叉分类,实现服务化。
(5)物理资源层。物理资源主要有两大类,分别是制造资源和制造能力,也包括提供配套的云存储以及其他可用社会闲散资源。这些可信资源是支撑平台能够正常运行的资本。
根据以上设计的体系架构,实现面向用户偏好的智能云服务平台的个性化服务的关键技术处于应用层,主要包括用户偏好收集及建模、基于用户偏好的多属性匹配智能推送算法和服务云可视化展示及交互。
2 面向用户偏好的个性化智能云服务关键技术
2.1 基于本体的用户偏好进化服务需求建模研究
针对用户偏好建模的主要任务及核心技术,建立的用户偏好服务需求模型如图5所示。
(1)用户偏好收集。在云服务平台上为了提供面向用户的按需服务,在向用户主动推送服务之前,必须收集用户的偏好,才能提供有效的个性化服务。用户偏好主要分为显示偏好和隐式偏好[17]。用户偏好的信息主要有以下五类:(1)用户输入查询需求服务云的关键词;(2)与用户收藏夹中类似及相关的服务云;(3)用户消费过的服务云及与被消费相似的服务云;(4)用户浏览过的服务云及与被浏览相似的服务云;(5)用户定制的服务云及与定制相似的服务云。
针对以上的用户偏好信息,显示偏好收集方式是主动方式,需要用户不断地参与平台的交互,这将降低用户的体验度,不利于用户的保留;隐式偏好收集方式是被动方式,用户的参与频率会很低,主要是采取基于用户动态行为的数据挖掘方式。
用于隐式偏好收集中的用户动态行为挖掘规则主要有:(1)用户对可视化服务云的点击次数;(2)用户在该服务云上停留的时间;(3)用户对该服务云特征部分的操作;(4)用户对该服务云相关属性的了解程度;(5)根据过往服务云消费记录挖掘出的相关服务云。
(2)用户偏好特征表示。在云服务平台上具有各种类型的海量服务云,这些服务云之间或许从逻辑上、功能上具有相似性,为了更好地消除服务语义的歧义性,结合对服务云的多属性分类方式构建面向服务云的用户偏好本体,以建立更准确的用户偏好特征数据结构。在构建用户偏好本体时,除了需要考虑服务云的特征,还需要考虑用户显示需求和隐式需求之间的关系,通过建立显示需求向量和隐式需求向量,应用曲线拟合的方法对用户偏好特征本体进行优化,将基于显隐融合的用户偏好特征本体,作为建立可计算模型的输入。
(3)用户偏好模型的学习和更新。心理学研究表明,人的记忆会随着时间的延续而逐渐被遗忘,当环境或场合的改变使得记忆中的某些信息长期不被利用时,这些信息就会逐渐被遗忘,即人的偏好会随着时间的推移和场景的变化而逐渐发生变化[18]。因此,基于本体的用户偏好特征模型,应该是处于不断变化过程中的模型,为了刻画模型的变化,必须建立基于随时间推移和场景变化的偏好特征词权值衰减函数,其表达式为
式中,newvalue为特征词新权值;oldvalue为原有值;w为场景发生变化对偏好影响的权值;Mdate为上一次访问到现在的天数;D为调节常数,表示偏好完全衰减为0的天数。
基于以上用户偏好变化函数,就能构建基于本体特征词的可演化和不断修正的用户偏好模型。
2.2 面向用户偏好的个性化智能云服务研究
个性化智能云服务的本质,是把传统的用户主动寻找所需服务云转变为被动地接受平台推送的服务云,即把仅仅是“如何发现”的“服务组合”问题,转变为首先是“发现什么”,然后才是“如何发现”的“服务推送”问题。因此,实现个性化智能云服务的主要实现模式是推送,推送的内容分别是用户主动定制的服务云和根据其偏好预测的服务云。为了实现以上个性化智能服务云的推送,除了需要可信的用户偏好模型外,还需要高质量、高效率的推送算法。因此,需要通过分析传统个性化推荐技术中存在的问题,结合云服务平台上服务云所具有的特征,研究设计面向用户偏好的个性化智能云服务推送算法。
2.2.1 基于用户执行动向的多属性个性化服务推送原理
当用户需要消费某个服务云,但其需求并不十分明确时,需要边找边看来最终确定自己的需求。在云服务平台上可能存在很多类似的服务云,如果让用户主动地寻找服务云,那么其面对海量的类似服务云,用户主动寻找就会变得非常困难。此时,个性化的智能推送就显示出巨大的优势,能使用户轻松地找到所需的服务云。图6所示为基于上述理念的用户需求消费服务云的服务应用构造过程。
在以上类型服务云的消费过程中,基于用户执行动向的多属性智能推送算法,将用户偏好可计算模型、用户当前的执行动向(可能要关注某个属性或某几个属性,如价格、外形、适用范围等)做为用户偏好输入,其过程需要研究并设计推荐算法F,以帮助引导完成用户最终消费。
2.2.2 面向用户需求偏好的云服务链构造的个性化服务推送原理
当用户向云服务平台提交了一个需求申请后,该申请需要经过3个阶段的工作才能完成,分别是设计、制造和配送。当需求处于设计阶段时,在个性化智能推送时需要考虑用户的需求描述,如外形、价格等;当需求处于工艺规划阶段时,需要根据设计的需求来推送工艺规划服务云;工艺规划服务云确定后,在生产计划阶段,需要根据工艺规划的需求推送生产计划阶段的服务云;在加工制造与配送服务云的推送阶段,除了需要考虑上一阶段的输出外,还需要考虑用户所在地等属性的推送。根据各个阶段的服务云推送,从推送候选集合中逐一构建多条服务云链,再结合用户的偏好对构建的服务云链进行排序推荐。云服务链构造及服务推送过程如图7所示。
在图7所描述的服务云消费过程中,用户的需求完全是根据边走边看的方式,通过服务推送逐一构造服务云的方法来完成最终的用户消费。在推送每个阶段的服务云时,除了需要接受来自上一阶段的服务输出外,还需要考虑用户环境及偏好等多条件来构造该阶段的推送输入条件;在服务云链的推送构造时,需要根据用户偏好的侧重点,对推送的候选集进行排序,并将其作为服务云链的输出。
2.3 面向用户偏好的云服务可视化展示及交互研究
可视化(visualization)技术是利用计算机图形学和图像处理技术,将数据转换成图形或图像在屏幕上显示出来,并进行交互处理的理论和方法[19]。近年来,随着Web Service技术以及计算机相关技术的发展,Web服务可视化研究也成为一个焦点。服务可视化要达到的目标是:服务友好、真实、易理解和易操作。服务可视化主要分为服务过程的可视化、服务结果的可视化,以及单个具有独立向外提供服务能力的服务可视化,通过对服务的可视化,可以帮助用户理解服务。
云服务平台中的服务云是云服务平台提供对外服务的基础,它能帮助用户更好的理解服务云。通过服务可视化技术,可更好地展示云服务平台的优势,推动其在各方面的广泛应用。平台云服务可视化展示与交互研究的重点是,根据用户偏好,推送用户需要的可视化与交互服务云。可视化与交互过程如图8所示。
由图8可见,用户可选择结果集中的服务云,通过可视化中间件查看服务云及其测试执行结果,用户也可以通过不断地调整参数来查看服务云可能的执行结果集,直观地理解服务云。当用户从测试结果窗口中发现该服务云不能满足需求时,用户可以重新从推送结果集中选择,实现基于可视化的服务云交互。
3 结束语
本文定义了支持个性服务模式的云服务平台,并研究了云服务平台上面向用户偏好的个性化服务模式。为了实现支持个性化服务模式的云服务平台,设计了它的体系架构,研究了其涉及的核心关键技术。包括:支持个性化服务推送的用户偏好模型,基于用户执行内容的多属性智能推送原理,面向用户偏好的云服务链的推送构造原理和云服务可视化的展示与交互。
今后研究的重点是,对智能云服务平台个性化服务进行全方位研究,为云制造的发展提供理论支撑。另外,为了使研究成果能够得到及时的实践验证以及为云制造的商业化应用探路,我们已与相关的企业和机构形成了战略合作联盟,建立了校企合作基地及LED协同商务平台(www.led-incubator.com),为面向用户偏好的智能云服务平台研究打下基础。
摘要：分析了云制造当前国内外研究现状,立足于云制造以用户为中心的核心思想,在云服务平台上,当用户需求不明确与面对云服务平台上海量服务云时,以用户对LED灯具的需求为例分析了面向产品全生命周期某个服务阶段和面向产品全生命周期服务链的个性化服务模式。提出了一种面向用户偏好的智能云服务平台体系架构,对实现面向用户偏好的个性化服务模式所涉及的关键技术进行了分析,为未来实现面向用户偏好的智能云服务平台提供了理论支撑。
智能云维护平台 篇7
1 云计算简介
云计算 (cloud computing) 是在互联网技术不断发展的过程中逐渐衍生出的一种全新的信息使用模式, 其存储内容为虚拟化的数据资源, 其巨大的存储空间往往可以为使用者提供非常全面的使用资源, 但是这种资源并不是无偿的, 需要借助一定的交付模式来使用。目前, 关于云计算并没有形成一个非常精准的定义, 但可以确定的是, 云计算可以通过数据的统计和分析将网络数据资源提供给有需求的客户。
云计算最主要的特点就是它所具有的分布式存储的功能, 这种存储形式有效的拓展的数据的存储空间, 且在这个存储空间之内, 所有信息资源的安全性可以得到良好的保障, 也就是说, 客户在存储或者是使用信息的过程中不必担心数据泄露等问题。此外, 云计算可以根据客户的信息需求自动进行规模的伸缩, 因此其分布式存储还具备存储及管理成本低廉的特点。另外, 云计算可以实现对多种不同类型数据的兼容管理, 无论什么版本的数据都可以得到充分利用, 这有效的省略了不同信息格式转换的麻烦, 大幅提高了数据资源的利用效率。
2 云计算应用于智能电网信息平台的优越性
现代化科学技术的发展为电力网络管理系统提供了强大的电网支持, 但是其中使用的设备具有层次多、级别多、模型复杂、规模巨大的特点, 这大大的增加了信息数据管理的难度。此外近年来, 传统的资源消耗式供电模式由于其高消耗、高污染的弊端逐渐被太阳能发电、风能发电、水能发电等多种发电方式所代替, 因此在各种能源数据的形式和结构较之于以前更加的复杂, 不同格式的数据很难在第一时间被充分的利用起来, 也有可能会发生数据丢失的问题, 云计算技术由于其自身的通用性、扩展性等特点, 可以有效的解决各种数据信息不兼容的问题。云计算应用于智能电网信息平台的优越性主要表现在两个方面。
其一, 云计算技术具有强大的数据信息存储功能, 因此它可以为智能电网系统的正常运行提供足够的数据存储空间, 有效的防止系统空间不足而引发的系统运行速度迟缓等问题。云计算技术具有数据分布存储的特性, 它可以用过冗余存储等方式确保智能电网系统中的各项数据的完整性和可靠性。云计算中的数据处理软件可以根据数据的类型, 完成数据的分层管理。这样一来, 当客户想要使用某一种类型的文件时, 就省略了盲目索引的环节, 可以根据系统提示直接在相应的数据模块之内获取到自己想要得到的数据内容。另外一方面, 云计算强大的系统数据分布存储功能, 可以将电网系统中各种复杂的数据进行有效的整合分型。电网系统工作内容繁杂, 其数据中包括各个地区的实时数据、历史数据, 也包含大量的文本数据以及多媒体数据等。举例来说, 为了保证电网系统运行的安全性和稳定性, 电力技术工作人员经常要开展不同类型的设备检修和维护工作, 检修所得到的数据对后续的设备维修及维护具有个日常重要的意义, 为保证这些信息得到充分的利用, 可以使用云计算的分布存储功能, 按照时间或是其它的序列方式完成数据的保存与后续处理。
其二, 云计算技术具有数据通用的特点, 可以实现不同格式数据资源的整合利用。智能电网系统所跨越的区域地理位置十分广泛, 不同区域所使用的信息设备在型号、规格等方面可能会根据当地的实际情况存在着一定的差异。因此在进行研究的过程中。不同的平台、应用系统、数据格式大大地降低了系统数据的利用效果, 甚至在有些紧急情况下, 这些数据无法真正的发挥出作用, 因此智能电网中各项信息的交互与共享也就成为了一个严重的问题。然而, 云计算技术的出现有效地解决了这一难题, 它能够利用服务器虚拟化、网络虚拟化、存储虚拟化、等多种虚拟化技术, 使各种虚拟化数据资源直接为使用者进行服务, 而系统也会对服务的类型进行区别划分, 自动的将来自于各种硬件系统和软件系统的差异屏蔽掉。这样一来就为智能电网数据信息资源的使用者提供了最大程度的便利, 大幅提高了资源的利用效率, 进一步发挥出了智能电网信息平台的价值。
3 云计算应用于智能电网信息平台的基本策略
将云计算技术应用于智能电网信息平台具有广阔的发展前景, 也是一种必然的发展趋势, 但是目前, 云计算作为一种信息分布存储交互的新型技术尚处于发展阶段, 因此在现有的信息智能技术平台上应用还存在着一定的技术限制。虽然从理论来说, 云计算可以充分的保证信息数据的安全性和可靠性, 但是在互联网技术的发展过程中, 如何确保信息资源的安全还是一个比较困难的问题。
云计算技术本身具有廉价性的特点, 在管理和存储方面的经济成本并不高, 在智能电网信息平台中, 应该继续充分的利用这种优势。利用云计算中信息资源虚拟化的特点, 使用分布式的冗余存储方式对数据进行分层管理, 实现各种数据的整齐排列与组合。这样一来, 管理者可以及时的发现系统中是否存在数据漏洞, 提高信息平台数据的安全性。而数据的使用者也可以快速的找到自己所需要的信息, 有效的提高数据的使用效率。但是, 廉价的服务集群在自身的性能上可能存在不同程度的缺陷, 为了确保数据的可靠性, 技术人员需要定期的进行系统维护。
此外, 基于云计算的智能电网信息平台在构建的过程中必须有着清晰明确的架构层次, 即基础设施层、平台层、业务应用层、服务访问层。不同结构层次分工明确负责实时传递和共享不同类型的信息, 确保电力系统运行的稳定性。
4 结束语
综上所述, 文章对云计算技术的基本特点进行了深入的分析, 介绍了其应用于智能电网信息系统的优越性, 并大致说明了云计算在智能电网系统中的设计策略, 希望与同行工作人员共同交流探究, 进一步推动我国电力事业的智能化发展。
摘要：现代化信息技术的发展给人们的生活带来了翻天覆地的变化, 电力网络信息系统的智能化管理也已经成为了一种不可避免的发展趋势。文章详细的分析了云计算技术的工作原理, 并对云计算应用于智能电网信息平台的优越性进行了分析, 之后说明了具体的应用设计方法, 希望可以为相关技术研究人员提供一定的帮助。
关键词：云计算,分布存储,智能电网
参考文献
[1]徐志勇.基于云计算的智能电网信息平台[J].科技传播, 2013 (23) .
[2]杨洁, 聂恬, 杨懿.基于云计算的智能电网信息平台的应用效果[J].电子技术与软件工程, 2014 (22) .
[3]崔妍.基于云计算的智能电网信息平台的研究[J].数字技术与应用, 2015 (5) .
[4]孟祥萍, 周来, 王晖, 等.云计算技术在未来智能电网信息处理平台中的应用[J].计算机测量与控制, 2015 (10) .
智能云维护平台 篇8
随着互联网的迅速发展, 各种英语学习平台层出不穷, 其中比较著名的沪江英语、新概念英语、新东方英语等都开发了自己的学习网站。这些平台内容丰富, 给学习英语的人群带来很大的帮助, 但同时也存在着资源分散、难度较高, 缺乏人机交互及学习反馈等问题。对于英语水平不高, 需要提供学习引导的人群而言, 针对性不强。为此, 研究者在构建具有更强针对性的英语学习系统方面做了各种探索。这些研究在资源分类、难度控制、交流互动等方面取得了一些成果, 但是由于受限于开发技术和设计思想, 还存在着以下不足:一是缺乏将各类资源进行整合加工, 从而在系统中构建一个英语学习体系和学习模式;二是传统的Web开发方式难以支撑系统数据量的急剧增长, 运维成本高, 不利于在互联网上进行推广。随着云计算技术的提出和迅速发展, 各种成熟的云解决方案应运而生。调查显示, 采用云平台进行开发, 可以有效降低开发成本、提高开发效率。
本文研究的智能英语训练系统旨在运用先进的“导、学、练、测”的学习理念和模式建立具有丰富资源的现代化的学习环境, 系统的为英语学习者提供全方位、多层次、有针对性的服务, 满足学习者的英语水平评估、有针对性的学习与训练、智能化的点对点式实时反馈等需求。通过在云平台上进行系统的开发与部署, 实现了系统的稳定运行。
2系统功能与结构设计
2.1基于“导、学、练、测”理念的系统功能设计
英语的学习需要循序渐进、有的放矢, 盲目的进行大量的识记和练习, 虽然也能取得一定的学习效果, 但缺乏系统性、整体性, 对于基础薄弱的学习者而言往往事倍功半。智能英语训练系统基于“导、学、练、测”四个步骤形成的学习闭环模式进行功能设计, 如图1所示。
“导、学、练、测”四个步骤的具体含义与对应功能设计体现如下:
(1) 导:通过建立一个包含词、句、段、篇、语法等技巧讲解内容的知识库来实现, 为学习者提供分类单词库、句型库、语法点、知识点讲解等内容的指导;
(2) 学:搜集各种文章素材, 建立包含听、读、写、译的分类资源素材库;学习者可以在学习技巧讲解后选择相关资源进行学习, 进行日常的知识积累;
(3) 练:建立听、读、写、译专项训练题库, 并标注题目与知识库、素材库的关联关系;学习者可以根据自己的需求进行单项技能的题目训练;
(4) 测:根据学习者选择的考试类型进行自动组卷, 学习者以模拟考试的形式进行综合练习, 并在完成答题后得到相关的反馈信息, 使学习者能够查缺补漏, 有针对性的启动下一阶段的学习。
根据“导、学、练、测”的设计理念, 设计系统的概要功能模块如图2所示。各模块具体功能如下:
(1) 资源库管理:1.建立包含单词、句型、语法、测试点等英语学习基础知识技巧的知识库, 并进行维护;2.建立包含听、读、写、译的分类素材库, 库内素材以篇章形式存在, 并创建每个资源与相关知识点的关联;3.建立各种题型的试题库, 标注题目的难度、分值、层次等属性, 创建每道题目与相关知识点的关联。
(2) 学习训练:1.对知识库中的技巧讲解进行学习;2.对素材库中的文章进行学习;3.选择单项技能进行做题训练;4.进行综合性的模拟试卷训练;5.根据学习或做题的结果给出英语水平的评测结果;6.管理、分析学习者的错题本。
(3) 用户管理:1.对用户基本信息的维护;2.对用户的访问权限进行管理;3.按照用户的等级、学历、性别等属性进行统计分析。
2.2基于Yii框架的系统结构设计
智能英语训练系统是一个典型的Web应用, 针对当前主流的Web开发技术平台, 从开源、社区、云平台支持等角度进行分析比较, 选定PHP Yii框架作为本系统的开发平台。Yii是一个基于组件的高性能PHP框架, 包含Web 2.0的全部特性, 用于开发大型Web应用。Yii框架采用严格的面向对象编程, 集成经典的“模型-视图-控制器” (ModuleView-Controller, MVC) 开发模型, 在数据访问层建立一个基于PHP PDO之上的数据访问对象 (Data Access Object, DAO) , 对不同数据库访问进行封装, 并采用活动记录集 (Active Record) 实现MVC中的模型层与数据库的交互, 减少了编写SQL语句的成本。
基于Yii框架, 将智能英语训练系统设计为五层结构, 如图3所示。各层的详细设计与功能作用如下:
数据层:采用My SQL数据库及文本文件两种形式实现数据的存储。数据库中存储知识库、素材库、试题库以及用户信息等系统基础数据;单词讲解、技巧讲解等内容以静态文本文件的形式存储, 其文件路径存储在数据库中。
数据访问层:Yii框架中使用DAO对数据库进行访问操作, 采用定义活动记录类的形式实现。Yii框架中定义了一个超类Active Record, 在类的内部封装了访问数据库的各种操作。只需要创建一个继承Active Record的子类, 并重写各种方法即可实现与数据库的交互。
实体层:对应MVC结构中的模型, 创建表示业务数据、规则和逻辑的对象。Yii框架中定义了一个模型类的超类yiibaseModel, 通过继承Model类来实现模型类的定义。
业务逻辑层:对应MVC结构中的控制器, 负责处理表示层传递的请求和生成响应。Yii框架中定义了一个控制器类的超类yiibaseController, 通过继承Controller类来实现控制器类的定义。
表示层:对应MVC结构中的视图, 负责展现系统与用户之间的交互。视图文件为包含HTML和PHP代码的PHP脚本, Yii框架中定义了一个应用组件yiiwebView|view, 该组件主要提供通用方法帮助视图构造和渲染, 实现对视图文件的管理。
3基于云平台的系统部署
3.1云计算服务模式选型
在云计算环境下, 软件、硬件、基础架构等都可以以服务的形式提供给用户, 根据业务交付模式, 分为Iaa S (Infrastructure as a Service) 、Paa S (Platform as a Service) 、Saa S (Software as a Service) 三种类型。Iaa S采用提供IT基础设施给用户的服务模式, 服务商只提供基础设施的运行和维护;Paa S是将软件开发环境、部署平台等作为服务提供给用户, 用户在云环境下进行软件的开发与部署;Saa S是由服务供应商部署软件, 通过互联网向用户提供即时的软件使用服务。三种云服务模式的资源配置要求如图4所示。
Paa S服务模式能够为开发者提供应用开发和运行的软硬件环境, 以及应用程序的运行维护能力;开发者无需关注底层硬件的处理能力和规模, 避免复杂的应用部署过程, 同时能够通过平台获取应用的运行状态, 统计用户使用信息。因此, 综合考虑资源、成本、人力等因素, 采用Paa S平台进行智能英语训练系统的开发与部署。
3.2系统部署
新浪云 (Sina App Engine, SAE) 是国内目前较好的Paa S云平台, 完全兼容基于LAMP (Linux, Apache, My SQL, PHP) 平台的应用, PHP应用程序几乎不用修改或做少量修改就可以在SAE上流畅运行。SAE还针对使用Yii框架开发的应用程序提供了专有的应用类型“yii-sae”, 使基于yii-sae开发如同使用Yii框架进行本地开发一样。在完成智能英语训练系统开发后, 将系统迁移到SAE进行部署, 具体步骤如下:
(1) 登录SAE, 创建一个yii-sae应用;填写应用名称、二级域名等信息。如果拥有独立域名, 可以把独立域名通过CNAME方式解析到其对应的CNAME地址, 建与二级域名的绑定关系, 用户就可以使用独立域名访问系统。
(2) 从SAE上下载“Yii for SAE”压缩包, 将压缩包中的framework目录覆盖本地Yii的framework目录;上传代码到SAE, 并设置代码版本号。
(3) 在config文件夹下的db.php文件中配置数据库访问参数, 初始化My SQL数据库, 并导入自己本地的数据库文件。
(4) 在SAE中开启Memcached。Memcached是一个高性能的分布式内存对象缓存系统, 其使用目的是通过缓存数据库查询结果, 减少数据库的访问次数, 以提高动态Web应用的速度及扩展性。
(5) 在SAE中的存储服务Storage下添加一个名为upload的文件夹, 将智能英语训练系统中技巧讲解等静态网页文件及图片文件上传到upload文件夹中。Storage是分布式文件存储服务, 用来存放持久化存储的文件。
部署完毕后, 用户可以通过独立域名访问基于云平台下的智能英语训练系统。
4结论
智能英语训练系统是一个较大规模的Web应用, 能够依据系统化的学习模型为英语学习者提供更具针对性的指导与服务。采用传统的Web开发与部署方式, 存在着开发效率低、搭建难度大、部署及运维成本高等问题。依托新浪云平台对Yii框架的完全兼容, 实现系统的开发与部署, 相对于传统的Web服务平台具有成本低廉、可扩展性更强、性能更高的优势。
参考文献
[1]刘付芬.网络环境下大学英语学习平台的构建与应用[J].实验技术与管理, 2011, 28 (06) :146-148.
[2]王宁.大学英语网络自主学习平台的开发与研究[J].长沙大学学报, 2012, 26 (01) :146-147.
[3]吴春华.基于Web的英语自助学习系统的设计与实现[D].成都:电子科技大学, 2013.
[4]汪颢懿.云开发平台下校友数据管理系统的设计与实现[J].电子技术与软件工程, 2015 (09) :189-190.
[5]方巍, 文学志, 潘吴斌, 薛胜军.云计算概念技术及应用研究综述[J].南京信息工程大学学报自然科学版, 2012, 4 (04) :351-361.
智能云维护平台 篇9
随着水利信息化的发展,越来越多的防办单位希望将水利信息系统融入到自身的工作内容中,发挥信息系统的高效性和正确性,减轻相关人员的工作压力,提高工作效率。而防汛防旱简报的编写则是一项非常繁琐的任务。
防汛防旱简报是水利局防汛防旱指挥部根据需要定期编写的,针对当前水情、雨情、气象、险情、灾情和一些突发情况所做的汇报文档。文档中包含当前的实时情况、险情灾情等造成的损失,下一阶段采取的措施等内容,形式上有工作通报、汛情汇报、汛期通报、防汛汇报等。
能否快速获取当前汛情、险情、灾情等信息至关重要,所以防汛防旱简报的快速自动生成是信息化发展的必然趋势,也是重中之重。
1 研究现状与相关工作
对于文档自动生成,国内外的研究有很多,如曲明成[1]构建了一套基于工作流的文档生成系统,实现了电力制造企业中某些复杂计算的自动化;Jiirgen Buchner[2]结合MVC架构设计了一种文档描述模型框架Hot Doc;葛芬[3]提出了基于VBA,ADO和ASP等多项技术,利用模板生成Word文档的自动生成平台;曾庆良[4]提出了支持作战仿真系统的基于XML/Macro的文档生成体系结构;亓祥波和马腾[5,6]提出了信息抽取的相关策略。
可见,文档生成的研究成果,大部分应用于统计和计算,即给出文档范本,对某个特定业务进行处理、统计或计算,得出文档;或者根据业务规律,预先设计好文档模板,在具体业务中根据一些规则抽取相关信息进行填充,生成文档,如办公自动化中的成绩单或一些其他领域的报表生成。
现阶段研究成果存在以下不足:
1)智能化不足,生成规则单一。生成的文档基本是高度结构化的报文、表单,或者是一些公式的计算,并且文档模板是事先做好不可更改的。
2)信息量不大,数据来源单一。抽取的数据通常来源于本地,或局域网内数据库,数据量少。而今后的发展,数据量会逐渐庞大,趋于海量。数据获取来源也会从单一的数据库变成网络云服务。
3)复杂性不高,业务逻辑单一。一方面由于防汛业务的复杂性和不确定性,使得文档的自动生成逻辑复杂,难于控制;另一方面,水利对象数据繁多,通常需要调用多个业务系统获取数据,使得相关工作难于入手。这也是文档自动生成难以应用防汛防旱文档生成的主要原因之一。
在传统的业务处理模式中,信息系统已发挥了相当一部分作用,以防汛为例,如某一特定信息(如水雨情、气象等)的统计和汇总,工作人员会从与其相关的业务系统中获取信息,填入防汛文档中。但在文档生成的工作中,相当一部分是高度流程化的业务任务,这部分工作完全可以以工作流的方式自动执行。
将工作流应用于防汛防旱简报生成,不仅将原本需要人工编写的离散的文件内容抽象为具象、统一、标准的一体化工作流,而且可实现任务的自动完成,从而快速生成格式规范、数据准确、内容完善的防汛文档。
另一方面,在“水利云”环境下,基于SOA架构对遗产系统进行升级改造,将调用业务数据的相关逻辑代码仍保留在原业务系统中,同时在此基础上开发一套RESTful API接口,提供其他业务系统的访问。现下,各业务信息(如水雨情信息)统一由单一功能服务(如水雨情查询服务)接入数据中心,获取数据,其他系统在获取水雨情信息时调用该服务相关接口。这样不仅提高代码的利用率和开发效率,同时也使不同服务易于个性化组合,提高服务质量。在文档生成工作流过程中,涉及实时数据的部分,只需调用不同的服务接口,就可以高效获取业务数据。
为此,设计一套基于水利云的防汛文档自动生成模型,并给出相关算法,建立一套完整的文档自动生成系统(以下简称系统)。目前该系统已在水利局防汛防旱指挥部投入使用,功能比较完善。
2 系统结构
操作时,将现有的历史文档离散化,并保存至数据库中。而历史文档都是Word格式的文件。从文件到离散化的文本数据,必须建立1套存储规则,将文件中的数据一一保存至数据库,这样才能实现工作流各个节点对文档数据的读取和操作。文档离散化存储结构图如图1所示。
工作流中,每个节点操作的文档内容不一样,有的针对文档结构,有的针对章节,有的针对文档段落内容,有的针对文档的实时数据和图表。因此文档存储的基本单元不能是文档,必须至少细化至每个段落。针对不同业务需求,将文档分为文档、章节和段落3类对象,并离散化保存至数据库。各个流模块将这些离散数据结合用户需求和实际情况再进行组合,得到生成的文档。
文档组成元素结构图如图2所示。
生成文档时,需要根据需求,寻找最符合的章节块或段落。寻找过程需要给出相应算法,结合用户需求、数据指标,并参考历史文档进行智能选择。
当智能选择的结果不符合用户需求时,能够对特定的段落做相似内容匹配,即寻找与该段落内容相似的其他段落内容,并做整段替换。系统结构如图3所示。
3 模型构建与算法设计
经分析,防汛文档的自动生成包括文档结构、章节、段落的自动生成。
业务人员通过选择或输入,确定文档需求,并根据文章需求确定文章组成结构。如需生成工作汇报,则选择工作汇报相关文档结构。
模型构建时,首先定义文档各组成元素结构,然后给出每种元素之间的相互逻辑关系,随后总结出1套完整可靠的文档生成工作流模块,并根据流模块需求完成文档各元素的构造算法,最终给出文档自动生成的模型。模型的构建依赖于业务逻辑,并以业务人员的工作经验为构建法则。模型的求解就是智能生成文档的工作流程。文档数据的获取统一来自于云服务,访问方式统一根据水利云中设定的RESTful API接口。
3.1 文档描述模型
本文给出的文档描述模型是基于标签的,根据文档内容、撰写时间、投递对象等信息,总结出符合文档的标签,用于描述文档的内容和属性。
文档描述模型规则如下:
1)文档结构。在本模型下,每篇实际文档由文档(Doc)、章节(Section)、段落(Para)3种对象实体进行描述,每类对象实体又同时由1个或多个标签对象(Label)进行描述,这4类对象构成该模型下的文档组成结构。
2)文档对象。文档对象记录文档的标题、日期、章节结构,1个文档对象包含多个章节,任意1个文档对象实体都可以根据文档-章节关系、章节-段落关系还原1篇实际文档。具体关系如下:
式中:D表示1个文档对象,是1个4元集合;T为文档标题;D为文档时间;SD为章节集合;LD为文档标签集合。其中章节与标签集都由多个章节和标签对象组成。
3)章节对象。每篇文档会有多个章节,章节对象描述该章节的名称,1个章节包含多个段落。具体关系如下:
式中:S表示1个章节对象,是1个3元集合;Ns为章节名;Ps为段落集合;Ls为章节标签集合。其中段落集与标签集都由多个段落和标签对象组成。
4)段落对象。段落是组成文档的基本对象,段落对象记录文档中对应段落的名称、内容,具体关系如下:
式中:P表示1个段落对象,是1个3元集合;Np为段落名;Cp为段落内容;Lp为段落标签集合。其中标签集由多个标签对象组成。
5)标签对象。标签对象是用于描述上述3种对象的元对象,主要用于描述文档、章节、段落的基本内容,便于进行分类、检索,具体关系如下:
式中:L表示1个标签对象,是1个2元集合;NL为标签名;DL为标签文字描述。
本模型中,主要对文档内容进行分类,并将各类信息进行抽象、定义和使用,使原本文件化的文档离散化,抽象为可被记录和检索的数据对象。这种描述方式不仅保留了原文档的全部信息,同时也可以对其进行不同对象的数据检索,增加了数据检索的灵活性。
3.2 段落模板模型
防汛文档中,某些段落需要进行数据抽取,而提高数据抽取准确性的主要途径是在某种程度上理解数据源的内容[5]。目前,流行且易实现的技术一般采用关键词与通配符序列组合作为模板的方式[6]。本文也采用段落模板的方式,实现对文档中实时数据的替换。
定义1:段落模板P=
为保证段落统一性,将不包含实时数据的段落作为空模板。空模板P=W无需做任何处理。
定义2:数据集为I={I1,I2,…,In},I=<ω,μ,τ>。式中:ω,μ,τ均为元数据,ω为数值数据,μ为特征比较值,τ表示时间。
如2011年7月20日洪泽湖蒋坝水位为11.94 m,低于汛限水位0.56 m,元数据表述为
为了使系统能在逻辑上理解数据的含义,在该模型下,将数据与占位符进行了绑定,如1号数据为当日降雨,则占位符(用“{1}”表示)固定被解释为当日降雨信息。占位符可以被添加和删除,不可进行修改。
针对需求,将多类段落模板组合拼接为文章模板,最后填充数据即可得到生成的文档。
模板替换算法如下:
1)获取替换规则编号rule Id;
2)根据替换规则编号,从数据库中获取替换规则类名class Name;
3)运行替换规则类方法,
得到数据获取类,并执行该类实现的获取数据接口方法,方法中进行数据对应云服务的安全认证,并获取数据;
4)将原文中的数据替换为对应占位符,生成原文模板;
5)将模板中的占位符依次替换,得到实时数据段落;
6)返回段落内容。
实时数据在处理结束后,得到的数据信息还将传递给图表生成类进行图表的生成,根据需求的不同生成不同的图表,返回到前台,并实时插入至对应段落后。
所有工作完成后,就得到自动生成的1篇新文档。
3.3 文档标签匹配算法
在该模型下,需要能够从用户输入的少量信息中提取出更多有效的数据和文档内容,智能、自动生成相关文档,这就要求算法能够对内容进行智能选择。
传统算法根据用户输入信息进行匹配,将匹配结果作为选择内容。这种做法直观且易实现,但由于要求与用户输入的信息完全匹配,条件过强,往往搜索不到结果。同时,传统算法通常为确定性算法,而文档的智能生成一般没有定向性,确定算法的解未必适用。
为此吸收传统做法的优点,在简单匹配中加入一些启发式信息[7],结合Rough Set理论[8],根据文档描述模型,设计了1套多模式文档标签匹配算法(MLMA算法)。该算法是根据用户输入进行的一种模糊匹配算法,步骤如下:
1)等待用户输入的标签集。标签集中包含1个或多个用户需要检索的标签。
2)单个标签匹配。单个标签匹配是根据某个特定的标签,检索出与该标签匹配的文档、章节或段落对象。单个标签匹配需要按顺序使用4类匹配模式进行匹配(以搜索文档为例)。
a)完全匹配。即输入内容与描述该文档的标签内容完全一致,匹配成功,匹配度为match_dA=1。
b)语义等价匹配。这种匹配需要借助已建立的语义等价表,在实际应用中如“未来计划”、“未来打算”、“下阶段计划”、“下阶段打算”在语义上是一致的,若用户输入的是“未来计划”,则“未来计划”为完全匹配,“下阶段打算”等为语义等价匹配,匹配度为match_dB=1。
这里根据实际情况、常识或语言习惯,给出多种等价标签对,并保存至等价语义库中。
c)部分联想匹配。当完全和语义等价2种匹配都失效,可采用部分联想匹配。如针对用户输入的标签与实际标签的部分内容完全一致,例如用户输入“雨情”,与“全市雨情”实际上语义相近,可作为近似联想匹配。联想后字数为n,匹配字数为m,匹配度为match_dC=m/n,公式中n≠0。
d)破坏匹配。这是标签匹配的最坏情况,当标签匹配都不满足上面3种情况时,可以尝试使用破坏匹配。这种匹配是将被匹配的2个标签破坏掉部分文字后达到完全或语义等价匹配。这类匹配的目的是防止用户在检索时输入错误,但是有时候会造成语义上的偏差。最终匹配字数为n,破坏字数总数为k,匹配度为。
若检索“防汛通报”,则标签“汛情通报”与其破坏匹配度为(4-1)/4=0.75;而标签“工作总结”与其破坏匹配度为(4-4)/4=0。
破坏匹配认为,在破坏原词组结构的同时,语义匹配度也随时降低,从而使其在破坏语义的情况下,破坏匹配的匹配度会尽量低。
根据匹配规则,选择匹配度最高的1组标签组作为匹配结果,显然完全和语义等价2种匹配会优先被选择。当匹配度低到一定程度后认为匹配失败。
3)全集合匹配。枚举库中的文档,将文档的标签与用户的输入标签集合一一匹配,计算文档与标签集合相似度,相似度由如下公式计算:
式中:widthi为每个标签匹配度的权值,由权值向量给出;cpsi为每个标签的匹配补偿,由补偿向量给出。权值与补偿向量会根据用户需求,文档类型动态改变。如对于传统匹配算法,权值向量为,补偿向量为,目前所使用的权值向量为,补偿向量为。
即完全匹配与等价匹配权值为1,无补偿;部分联想权值为0.75,做0.2的补偿修正;破坏匹配权值为0.5,做0.3的补偿修正。
根据公式得到文档相似度,并根据降序排序,选择前10个(可配置)文档作为检索结果返回,显然相似度最高的文档可能满足用户的搜索需求。一旦用户输入的需求过多而无法找到完全匹配的结果,该算法就会自动降低搜索条件,将部分满足条件的结果返回,使用户不至于一无所获,提高了用户体验,同时增强了模型的兼容性。
该算法不仅可以在用户搜索文档时使用,也可以检索文档、章节、段落之间的相似度。当用户需要替换某个章节或段落时,就可以用该算法匹配出相似度最高的章节或段落作为推荐。
3.4 文档生成工作流模型
工作流是一类能够完全或部分自动执行的经营过程,根据一系列过程规则,文档、信息或任务能够在不同的执行者之间传递和执行[9]。如今,利用工作流将日常工作与信息系统相结合的做法越来越普遍,也越来越受到各行各业的认可。
要实现文档生成工作的智能执行,首先必须建立工作的模型,进行工作流程定义[10],给出工作流模型。
在本文中,工作流模型用有向图的方式给出,图中节点表示工作流的节点,边表示活动流动关系。
定义3:用N表示工作流中的某个节点,即某个工作步骤。
式中:N是1个7元组,n表示节点名称;t表示节点类型;r表示节点角色,用于区分该节点针对用户还是计算机;C为该节点条件集;D表示该节点数据集;NP和Nn表示与当前节点相连的前驱边集和后继边集。
定义4:有向边E描述节点之间的数据流动和任务完成关系。E=
定义5:条件集C为该节点的激活条件,在条件集不全为真的情况下,节点不被激活。
定义6:有向图G表示1个过程,G=
最终设计的工作流结构图如图4所示。
4 系统实现
依据上文中定义的各类模型、相关操作和算法,构建防汛文档自动生成系统,系统将相关操作、算法及各类函数封装为特定的功能模块最终实现文档生成系统。
系统分为文档管理、录入与生成3大模块。
1)文档管理模块。主要工作是对现有的文档数据库进行管理,包括文档增加、删除、分类查看。根据文档的实时性特点、编写时间进行分类。
2)文档录入模块。依据给出的文档描述模型对文档进行描述。实际工作中,用户需要根据模型,对历史文档进行录入,流程图如图5所示。
文档录入页面效果图如图6所示。
3)文档生成流程。关键步骤在于对智能化标签匹配算法的实现,而该算法已经封装与模块中,提供接口直接调用,流程图如图7所示。
文档中包含的实时数据,需要提示用户输入时间,输入后可自动根据时间替换相应的数据信息。
最终生成的文档如图8所示。
5 结语
传统的文档生成主要针对业务相对单一,数据量小的流程设计。针对防汛防旱业务过程的文档生成难题,提出的防汛文档自动生成模型,通过给出的对文档的分解和各模块的定义,以及相关算法,能解决文档内容在智能生成中语义匹配的难题。根据模型,以水利局防汛业务为背景,水利云计算平台环境,构建的防汛文档自动生成系统,在业务复杂度、数据量,以及智能化程度上都有一定的突破。
目前防汛文档自动生成系统已经投入使用,在实际使用中,能够满足防汛防旱指挥部对文档自动生成的业务需求,大大提高了防汛决策效率和准确性。但该系统目前的适用范围较小,今后可以在系统中进一步扩展其他文档生成功能,进一步提高水利行业文档编写的效率。
参考文献
[1]曲明成,廖明宏,吴翔虎,等.一种文档自动生成模型的构建及其应用[J].计算机集成制造系统,2008,14(7):1297-1305.
[2]Buchner J,Fehnl T,Kunstmann T.HotDoc:a flexible frame-work for spatial composition[C]//Visual Languages,1997.Proceedings.1997 IEEE Symposium on.IEEE,1997:92-99.
[3]葛芬,吴宁.基于多种技术的Word设计文档自动生成平台[J].电子科技大学学报,2007,36(2):263-266.
[4]曾庆良,王伟,范文慧,等.基于XML/Macro的文档自动生成系统的研究与实现[J].计算机应用研究,2006(7):121-122.
[5]亓祥波,南琳,张福顺.基于元数据和XML的信息抽取与集成技术研究[J].信息与控制,2008,37(1):52-57.
[6]马腾.基于ontology的信息抽取系统的研究与实现[D].电子科技大学,2006.
[7]代建华,李元香.粗集中属性约简的一种启发式遗传算法[J].西安交通大学学报,2002,36(12):1286-1290.
[8]Pawlak Z,Skowron A.Rough setrudiments[J].Bulletin ofInternational Rough Set Society,1999,3(4):181-185.
[9]罗海滨,范玉顺,吴澄.工作流技术综述[J].软件学报,2000,11(7):899-907.
【智能云维护平台】相关文章：
智能电网运行维护论文题目05-07
智能交通售后维护方案04-10
浅谈智能变电站运行维护管理09-11
中维世纪宝宝在线 智能维护校园安全04-11
智能化变电站运行维护技术分析01-06
浅谈智能变电站的运行及维护04-22
智能电表及集抄系统的运行维护策略09-11
智能变电站运行维护中的问题及对策09-12
智能变电站与常规变电站运行维护的差异分析06-06
云机房维护标准04-16