欧美国产伦久久久久久久

<acronym id="cqmsy"></acronym>
<acronym id="cqmsy"><center id="cqmsy"></center></acronym>

24小時論文定制熱線

咨詢電話

熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
您當前的位置:論文定制 > 畢業設計論文 >
快速導航
畢業論文定制
關于我們
我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
代做畢業設計
常見問題

云制造的數據采集與處理系統開發

添加時間:2020/08/13 來源:電子科技大學 作者:范磊
傳統制造業通常存在以下問題:制造數據量大,共享性差,利用率低;資源離散分布,管理難度大,生產環節難以把控;制造能力過剩,難以準確表征,資源利用率低。
以下為本篇論文正文:

  摘 要

  隨著云制造概念在工業制造領域的深度融合,車間云端化建設已成為暨數字化、智能化建設之后的新趨勢。作為最基本的生產單元,實現車間制造數據共享、離散資源管理和制造能力網絡化等云功能,是云端化建設過程中必須解決的問題。

  傳統制造業通常存在以下問題:制造數據量大,共享性差,利用率低;資源離散分布,管理難度大,生產環節難以把控;制造能力過剩,難以準確表征,資源利用率低。針對上述問題,本文主要完成工作概括如下:

 。1) 車間高性能傳輸網絡架構和數據處理平臺設計,及高并發多源異構數據采集軟件設計與開發。針對云制造環境下對車間制造數據的需求,搭建了車間高性能傳輸網絡結構,研發了多源異構設備統一采集軟件,設計了支撐海量數據傳輸、處理和存儲等功能的數據處理平臺,并最終在模擬車間中進行了驗證。

 。2) 基于本體與語義化方法的資源虛擬化方法的設計與實現。根據資源分類結 果,利用本體和語義化的方法,借鑒 RDF 框架構建不同資源本體模型。結合動、靜態數據,利用 XML 本體語言進行資源實例的語義封裝,以提高資源本體的表征能力,并結合本體描述模型和 SpringBoot 框架開發了資源注冊終端。

 。3) 基于資源本體的制造資源知識圖譜的研究與實現。結合各類資源本體的實例數據,抽取圖譜所需的節點、屬性等數據,通過建立啟發式關系規則和資源關系處理算法,構建資源間關系數據。最后,完成對知識和關系數據的融合以及結構化處理,利用 InteractiveGraph 工具實現知識圖譜的開發。

 。4) 車間資源虛擬可視化管控系統的部署和測試。利用模塊化理念,基于SpringBoot 框架實現了虛擬資源管理端和知識圖譜終端的開發。結合數據采集,數據傳輸和數據處理平臺,實現了基于 B/S 架構的車間信息可視化終端開發。最后,對系統傳輸、顯示性能以及運行穩定性進行驗證,證明了系統的有效性和準確性。

  關鍵詞:云制造,數據采集與處理,資源虛擬化,資源知識圖譜,可視化

  ABSTRACT

  With the deep integration of Cloud Manufacturing concept in the field of Industrial Manufacturing, the Cloud Construction of manufacturing workshop has become a new trend following the digital construction and intelligent construction. As the most basic production unit, realizing the Cloud functions such as manufacturing data sharing, discrete physical resource management and manufacturing capacity networking is a problem that must be solved in the process of Cloud Construction.

  The traditional manufacturing industry usually has the following problems: The data size is very large which has poor ability of sharing and low rate of utilization. The distribution of resources is too discrete to manage and procession of such resources is hard to control.t Capacity of manufacturing is usually undue and its feature can not be described properly. In order to solve such problems above, the main work completed in this article is summarized as follows:

 。1) The structure of high-performance transmission network and data processing platform is designed. High concurrent multi-source heterogeneous data acquisition software is also designed and developed. To satisfy the needs of manufacturing data in Cloud Manufacturing environment, a high-performance transmission network structure is built and a unified acquisition software of multi-source heterogeneous equipment is developed. What's more, a data processing platform with the functions of massive data transmission, processing and storage is designed, which is finally verified in the simulation workshop.

 。2) Based on ontology and semantic method, the resource virtualization method is implemented. According to the results of resource classification, by using ontology and semantic method and the framework of RDF, the different resource ontology models have been built. Combining dynamic and static data, the semantic encapsulation of resource instances is carried out by using XML ontology language for improving the representation ability of resource ontology and the resource registration terminal is developed by combining ontology description model and SpringBoot framework.

 。3) The manufacturing resource knowledge graph based on the resource ontology is researched and realized. Combining the instance data of various resource ontologiestogether, extracting the data of nodes and attributes which the graph needs and establishing heuristic relationship rules and resource relationship processing algorithm, relationship data between resources is built. the nodes, attributes and other data needed by the graph have been extracted, and build the relationship data between resources by establishing heuristic relationship rules and resource relationship processing algorithm. Finally, by realizing the integration of knowledge and relational data and structural processing, the knowledge graph is developed by using the interactive graph tool. Anddeveloped the resource knowledge graph with interactive graph tool.

 。4) The deployment and test of virtual management and control system of workshop virtual resourcesis finished. Based on the concept of modularity and using the SpringBoot framework, the virtual resource management terminal and knowledge map terminal is developed. Combined with data acquisition, data transmission and data processing platform, the visualized terminal development of workshop information based on B/S architecture is realized. Finally, the ability of transmission and displaying and the operation stability of system are tested. Results shows well availability and accuracy of system.

  Key Words: Cloud Manufacturing, Data acquisition and Processing, Resource virtualization, Knowledge graph, Visualization

目錄

  第一章 緒 論

  1.1 課題來源

  本課題源于國家重大專項"用于鈦合金壁板、復合材料等典型零件加工的高速立式五軸數控機床研制及自動化生產線示范應用",項目號:2017ZX04002001.

  1.2 課題研究背景及意義

  1.2.1 工業

  4.0 與云制造工業制造業是推動國家改革發展的基石,是國民經濟穩定增長的主體產業和核心支柱,其發展水平標志著一個國家的工業制造能力。"工業 4.0"概念的提出,明確了基于信息物理系統的(Cyber Physical System, CPS)數字化、智能化建設,開啟了工業革命的新時代,并將智能化建設的推向了高潮。各國相繼提出的智能化發展戰略,如:美國"先進制造業國家戰略"、法國"新工業法國計劃"、英國"英國工業 2050 戰略"與中國"中國制造 2025"[1].表明了推動 4.0 時代的工業制造模式改革,已是當前世界工業制造行業不可逆的發展趨勢,"智能化工業制造"也將會逐漸成為現代化工業的新核心,F代化智能車間建設,離不開制造技術和信息技術的支撐,尤其在面向智能化、無人化的未來生產模式中,其需覆蓋產品研發設計、生產制造等整個產品生命周期,突出制造系統集成化、決策過程智能化、加工過程自動化等特征[2].特別在航空制造領域,作為制造業的領頭羊,其車間數字化、智能化水平高,制造資源具備相對獨立分布和自治能力、分布異構性、異步協調協作性和動態性等特征。復雜的生產制造環境,導致生產信息的可讀性較低,容易出現生產調度,任務執行,資源分配等系列問題。離散化的資源分布方式,也使得資源更加難以管理,容易產生設備閑置、故障停機等資源浪費的現象,這些客觀問題嚴重限制了智能制造車間的進一步提升和發展。

  云制造[3]作為一種網絡化制造的新模式,在數字化、智能化建設環境下,推動了制造企業對車間資源的關注,其強調將制造業同云計算、物聯網、大數據處理技術等相融合,實現物理制造資源向虛擬化資源(邏輯資源)轉換。通過對虛擬資源和車間制造能力的集中化、可視化管理,提升各類資源的利用率,提高制造資源的共享性,服務性,并能滿足用戶各類按需制造服務。而整個世界興起的智能制造的建設熱潮,更促進了"網絡化制造"、"云制造"等制造概念在工業制造領域的深度融合,加速了傳統工業制造向現代化工業制造的轉型,大量離散制造資源、工業應用程序以及復雜的信息系統的集成與整合。借助以云平臺為基礎的資源共享、信息共享和集中管理理念,將基礎資源和生產數據構建為虛擬對象,打造一個高兼容性、高穩定性、運行高效的云制造平臺,實現生產資源和生產活動在智能環境中感知、行動和行為,既滿足了數字化車間智能化升級的基礎風格,又能實現以工業大數據驅動的智能化生產車間的建設[4,5].

  1.2.2 研究意義在工業

  4.0 與云制造背景推動下,各制造行業紛紛追求對車間的智能化建設,雖然車間的智能化轉型升級實施的如火如荼,但其仍面臨一些不可避免的問題,尤其在以下幾個方面:在物理資源層,實現設備互聯和工業大數據的實時獲取,把握生產制造過程;在網絡層面,高靈活性、高擴展性的工業物聯網絡搭建以及設備、系統之間的相互交互的實現;在應用層面,以大數據為基礎的遠程資源監控和管理,設備預警維護,以及智能化的生產調度和任務排程等[6].國內制造企業,雖然在數字化、智能化層面已經取得進展,但仍處于較低的水平,尤其存在設備利用率低、制造系統協調性差、信息共享性差,生產管理多處于開環等問題。

  為了滿足制造企業對制造資源的監控和管理以及對資源信息的動態需求,提高車間的信息共享水平,促進生產制造過程的協調穩定,針對企業面臨的車間資源管理和信息共享等問題。以云制造環境下的航空制造車間為對象,設計開發高效的數據采集和數據處理平臺;研究結合本體語義技術和可視化技術的制造資源虛擬化方法,實現離散資源的集中化和可視化管理,提高資源利用和管理效率,增強資源信息的可共享性。最后,基于資源本體構建制造資源知識圖譜,增強車間資源信息的關聯性和可讀性,從而為生產制造過程提供有效的信息保障。

  1.3 國內外研究現狀及存在問題

  1.3.1 數據采集及處理技術研究現狀

  從工業 3.0 開始,信息化發展就已引起了人們對生產制造和運營管理過程中產 生的海量信息的關注。尤其在進入 4.0 時代后,大數據問題逐漸成為了各行各業中無法避免的問題,成為了行業數字化、智能化轉型升級過程的一道門檻。因此,在這個以數據驅動的生產環境下,數據采集和處理等關鍵技術,也是我們當前需要關注的熱點問題。

  1.3.1.1 工業數據采集技術制造車間的建設

  水平往往也決定了車間的數據采集方式。而制造車間的數據采集技術發展大致經歷了傳統數據采集、本地化數據采集和網絡化數據采集三個階段[7],其分別代表了以表單為形式的手工錄入階段;以 PLC(可編程邏輯控制器)、傳感設備、設備數據采集卡或控制終端(工控機)為形式的數據采集站;以智能傳感器、宏程序以及第三方標準接口等網絡化采集方法。常見的數據采集方案如圖 1- 1 所示:

  目前,針對生產制造資源,如數控機床、工業機器人、AGV 小車等的數據采集,通常由外部傳感設備、采集卡、嵌入式程序或者第三方協議/端口二次開發等形式組成。電子科技大學張心羽[8]較為全面的概括了當前數據采集方案,并以 OPC規范/第三方接口分別實現了西門子和華中-8 型數據采集系統的開發;華中科技大學謝青松[9]借鑒互聯網行業中的 ETL(Extract-Transform-Load,抽取-轉換-加載)技術,利用外部傳感設備和 Apache Kafka 消息中間件實現數據的采集和高性能傳輸,提高了采集系統的可擴展性和靈活性;中科院王帥[10]利用 OPC 協議及機床數控系統的二次開發技術,針對西門子 840D 數控系統,實現一種基于 OPC 技術的多線程數據采集系統的開發,其多線程的開發方式,支撐了其基于 OPC 服務器的跨平臺數據采集功能;合肥工業大學曹志成[11]利用沖壓機床數控系統的第三方標 準接口、外部傳感設備以及 Ethernet 工業以太網環境,實現了對機床數據的采集和數據存儲;Jiedi Sun 等[12]以旋轉機械的軸承為對象,采用非線性投影的方法實現對數據采集過程的數據壓縮,減少了采集的數據量,并實現了變換域的自動特征提取,提高了對數據采集效率;Weili Li 等[13]以能源智能設備為對象,分別研究了基 于串口與 OPC 協議的能源數據采集方法,通過 Modbus-RTU 協議,結合智能設備串口實現了對設備數據的遠程采集系統開發;結合 OPC 協議實現了嵌入式數據采集客戶端的開發,實現能源消耗數據的采集以及網絡傳輸與數據訪問;Xing J 等[14]以設備控制器為對象,開發了基于串口協議的嵌入式數據采集系統,通過設備控制器實時采集數據,利用串口協議實現數據傳輸,并由 SQLite 數據庫完成數據存儲。

  綜上,目前車架數據采集方法存在以下局限:首先,面向的采集對象單一,多是針對某類或某具體產品的采集方案,采集效率低,通用性差;其次,專用的外界采集設備、第三方采集軟件或標準協議開發的采集程序存在著價格昂貴、維護成本高和適應性差等不足;最后,不同的設備及其配套的數據采集程序,其相互之間存在一定的技術壁壘,難以實現融合開發,多源采集。在本課題中,資源數據是資源虛擬的重要支撐,因此,探究一種支持多源異構對象的高并發數據采集方案,對高效獲取車間生產信息,避免數據浪費具有實際意義。

  1.3.1.2 大數據處理技術

  工業大數據存在以下幾個特征:多源異構、數據量大、時效性要求強、波動多、數據間關系復雜且有效信息少等。一個高效合理的數據處理架構,直接決定了數據的利用效率。傳統數據處理架構是單一流向運行,以批量處理為主要處理方式[15],無法滿足企業的對數據處理的實時性需求。此外,采用單機數據存儲和單一數據管理方式,難以保證數據存儲的安全性以及獲取效率,極大的限制了數據的有效利用。

  設計一種高效的、穩定的、可靠的大數據處理方法和存儲管理方法,滿足企業在數據處理、存儲和結果應用等方面的需求,是數據處理架構的研究熱點。當前國內外數據處理架構的應用研究主要以傳統線性處理架構、Lambda 架構[16]與 Kappa架構[16]為主,其基本組織結構如圖 1-2 所示:

  針對上述架構,Hausenblas Michale 等[17]系統的分析了 Lambda 架構的搭建要求、軟件架構組成和實際應用效果等,進一步證明了 Lambda 架構在解決大數據問題上的有效性;Hasani Zirije 等人[18]以 Lambda 架構為大數據處理框架,分析了用 戶對數據批處理和實時處理的需求,并基于 Hadoop、Storm 以及 Kafka 等完成了框架的搭建,并驗證了其處理功能和處理性能;Villari Massimo 等[19]提出了 AllJoynLambda 軟件解決方案,通過將 AllJoyn 應用程序框架集成在 Lambda 架構中,以滿足對日常嵌入式設備的數據處理和存儲需求,并以智能家居為例,開發了一個集成了 AllJoyn 系統與 MongoDB 和 Storm 的軟件原型;Suthakar Uthayanath 等[20]在監視任務中應用了 Lambda 體系,其使用 Apache Spark 生態系統優化原有 Lambda體系結構,將批處理和流處理相結合,補償了批出理帶來的延時,提高了整個模型的計算性能。Zsch?rnig Theo 等[21]針對個人數據分析需求,結合 Kappa 架構和微服務概念提出了一種輕量級靈活的分析架構,針對用戶側重的數據,分析不同場景下有限的數據量,有效的避免了原 Kappa 架構在高吞吐量情景下的不足,提高了整個處理架構的處理性能和靈活性。央視國際韓嫕[22]以大型新聞直播過程中的海量高并發數據為研究對象,基于 Hadoop、Kafka 以及 Spark 等組件實現了 Lambda 架 構,搭建了新聞實況轉播的數據處理平臺,滿足了數據處理分析業務,驗證了 Lambda 架構的實際應用效果;武漢大學王敏[23]以制造大數據為對象,設計并實現了面向制造大數據的分布式存儲引擎,利用對象代理數據庫實現元數據存儲管理功能,并基于 Hadoop HDFS 系統實現了數據高效存儲管理;華中科技大學梅紅泉[24]基于 HBase 非關系型數據庫,提出了一種面向實時工業數據的存儲管理辦法,實現了數據的采集、處理、過程監控以及存儲,并能支持高并發的訪問查詢;重慶大學劉東洪[25]以機床運行狀態為對象,探究了機床數據采集和信息存儲涉及的關鍵技術,并基于 Hadoop 分布式存儲系統(HDFS)開發了機床運行狀態信息存儲系統,為后續開發提供了解決方案。

  經調研,當前的數據處理的需求主要體現在數據批處理和實時處理兩方面,而數據存儲需求體現在數據安全性。而上述架構仍沒有剝離傳統架構的單一數據流向的問題,其應用針對性強,難以適應生產制造車間的不同場景需求,數據處理結果利用效率低,也無法避免由于數據集中處理而引起的傳輸延時。因此,探究一種具備多種數據處理方式,支持數據高效傳輸、存儲及利用數據處理平臺,對提升工業數據利用率,具有極強的現實意義。

  1.3.2 制造資源虛擬化技術研究現狀

  目前,云計算技術已能夠較好的實現計算資源、存儲資源和網絡資源的虛擬化管理,而制造車間中包含大量的制造資源,其離散式的分布和多樣化的數據,使得對制造設備的管理和制造信息掌握變得愈加困難。云制造的核心便是將所有資源轉換為網絡信息數據,借鑒云計算虛擬化技術實現制造資源的集中管理與監控,其正好適應了現有制造業對離散資源管理、資源服務網絡化以及信息共享等需求。

  華南理工大學姚錫凡等[26]從云資源的虛擬化和服務化的角度,基于 CloudSimJava 給出了設備資源虛擬化的模板,實現了基于 Tuscany SCA 的虛擬化零部件資源云服務發布;解放軍信息工程大學劉靜波等[27]提出了一種基于 IO 處理機的協作型虛擬機監控器,并建立了基于 IO 處理機的虛擬化模型,驗證了虛擬化模型提供的環境更加穩定;任磊等[28]指出了虛擬化技術在云制造網絡化制造模式下的重要意義,如資源共享、按需資源分配和多主體協同運行等,系統研究和分析了虛擬化關鍵技術;西南科技大學關賀[29,30]從資源需求出發,從成本、時間、可靠度和質量4 個維度,分析資源的各類屬性,逆向構建了資源虛擬化描述模型,實現了基于需求的資源信息的精準表征;汪衛星等[31]提出了一種設備資源虛擬化封裝框架與方法,利用 WSDL 語言構建了五元組實現了對資源的語義化封裝,并完成了資源的實例的構建;哈爾濱工業大學婁旭偉[32]設計了云制造平臺的層次模型和技術框架,明確了制造車間各層次之間的邏輯關系,并深入研究了不同制造資源的虛擬化方法,通過軟硬件技術的結合實現了實驗室車間虛擬化資源的匯集;電子科技大學李暢[33]針對 IoT 的各式設備,為統一表征各種資源數據信息,利用語義技術構建了資源的語義模型,將物理資源與邏輯上對應的資源的相互映射,并實現了資源創建、更新、查詢等基本功能;東南大學劉寧[34]從多粒度多視角的層面構建了資源虛擬化框架,利用層次化方法組織資源各類屬性,建立了制造資源和制造能力的描述模型,最終結合領域本體實現了資源實例語義的填充;重慶大學李孝斌[35]針對機床設備資源的異質異構、獨立自治等特點與規范化描述的需求,提出了一種基于 Web的服務本體的資源語義化描述與封裝的方法,并結合機床實例完成了方法驗證;Yuyan Xu 等[36]根據目標測試設備特點,提出了一種基于云計算、自動測試標記語言(ATML)描述和數據映射的測試設備感知與虛擬化方法,通過設備的動態數據與靜態元數據來實現對設備的虛擬化描述;Dmytro Ageyev 等[37]對應用于遠程通訊網絡中的資源虛擬化技術進行了詳細劃分,為軟件層面的虛擬化方法,提供了指導意見;Yuqian Lu 等[38]以智能工廠建設為對象,提出了一個測試驅動的資源虛擬化框架,給出了資源虛擬化的實現流程,并基于 OWL 與 Protégé 工具完成了建模與實例的構建,最后在工廠數字雙胞胎項目中進行了測試,驗證了框架的商業價值和可行性。Morariu Octavian 等[39]探究了虛擬 MES 系統和車間設備的分類,區分了每種設備類型的虛擬化技術,車間虛擬化通過車間配置文件與實際資源的相互映射,并以工業機器人為例,進行了試驗性實現。

  綜上,現有研究主要針對資源虛擬化的關鍵技術進行研究分析,對具體制造環境下多資源類別的虛擬化研究較為缺乏。其次,多數研究對象針對數控設備,對象單一,構建的本體模型數據大多為其靜態屬性,難以展現資源實際狀態。因此,為滿足不同資源類別的虛擬化需求,分析構建不同資源的虛擬化建模方法,實現同類資源的本體模板的可復用,提高資源的語義化封裝效率;結合動態和靜態數據,提高本體對實際資源的表征準確度,對實現車間資源虛擬化具備一定的現實意義。

  1.3.3 知識圖譜技術研究現狀

  知識圖譜[40](Knowledge Graphs)最早由 Google 提出,被用于搜索引擎中的語義檢索從而達到提高信息檢索質量的目的,后逐漸被推廣至情報學、經濟學以及文獻檢索等領域[41].通過將應用數學、圖形學以及信息可視化技術等理論與計量學分析方法相結合,可視化的展現實體間的層級架構及關聯信息,有效提高信息獲取的效率,其基本組成單位是"實體-關系-實體",及其對應的屬性值,相互聯結構成網狀的知識結構[42,43].

  施昭等[44]以制造過程的資源編排為對象,構建了工藝特征和數據屬性的本體模型,通過挖掘本體實例之間的關系,利用知識圖譜的方式表達制造工藝知識和生產設備布局等信息,并依賴數據屬性使圖譜更加具體化;熊嘉強等[45]以學科體系為研究對象,通過建立學科本體模型,利用資源描述框架(RDF)進行知識的表示,并通過 Jsoup 爬蟲實現了知識庫的擴充,最終實現學科知識圖譜的構建;韓志等[46]

  采用 Web 本體語言(OWL)實現了高鐵檢測系統的本體建模,探究了本體與知識圖譜的映射匹配機制,解決高鐵機車設備運行數據的獨立采集與分析造成的大量數據冗余以及數據結構不一致等問題;車金立等[47]以裝備維修保障過程的信息化數據為對象,針對信息過載、知識搜索效率低下等問題,通過建立設備維修保障的知識圖譜,有效提高了維修人員獲取知識的效率和知識的共享程度,為維修保障提供了支持;內蒙古大學王洋[48]基于 BiLSTM-CRF 模型進行了鐵路領域非結構化知識的提取,挖掘了實體間的關系數據,并提出了一種遞進式鐵路知識三元組處理方法,提升了知識圖譜的構建質量;北京郵電大學李思珍[49]詳細分析了構建知識圖譜相關技術,設計了基于本體的半自動化表格知識抽取方法,并利用知識圖譜問答系統算法實現了智能客戶領域的知識圖譜構建;Shahadat Uddin 等[50]基于文獻計量學方法和文獻中的元數據,提出了一個探索合作研究的知識演化和學術量化的研究框架,通過構建知識圖譜實現了對合作研究類文獻導向的直觀了解;IreneYChen 等[51]提出了基于電子健康記錄的醫學知識圖譜的構建,通過獲取疾病和癥狀之間的關聯信息,為醫學診斷提供了有效的信息支撐,并通過對病人康復情況的檢測,進行了圖譜知識準確度的校驗;Remzi Celebi 等[52]構建了藥物及其相互作用的知識庫,利用邏輯回歸、樸素貝葉斯和隨機森林等算法實現了藥物相互作用的預測,從而滿足藥物開發過程的安全性研究與上市后的市場監視等需求。Xuedong Li 等[53]基于不完全知識圖譜構建了罕見疾病的分類,并結合深度學習知識對數據進行有效梳理,對于疾病早期風險劃分和靶向治療發揮了重要作用。

  綜上,知識圖譜在情報學及其子領域已有一定的研究和應用深度,其提高了某一領域知識的關聯性,提升了信息的讀取效率和質量。在工業制造環境中,掌握復雜的制造資源信息及狀態,是提高生產效率的重要保障。因此,為提高對制造資源關聯信息的掌握,提高車間信息的可讀性和讀取效率,結合車間資源本體,挖掘不同資源間關聯信息,實現資源知識可視化呈現,滿足生產制造過程的信息需求。

  1.4 論文研究的主要內容

  針對制造車間云端化建設過程中的資源虛擬化和信息可視化等問題,以電子科技大學機電學院智能裝備及其控制技術團隊模擬車間為對象,研究在云制造環境下的車間資源虛擬化與信息可視化問題,文章的技術路線可概括為圖 1-3 所示:

  本文的主要內容可分為以下幾個方面:

 。1) 基于"5C"架構[54]的車間高性能傳輸網絡架構、數據處理平臺及高并發多源異構數據采集軟件設計與開發。結合云環境對車間多源制造數據的需求,借鑒以CPS 為核心的數據價值體系架構--"5C"架構,搭建了車間 EtherCAT 實時以太網網絡,保障數據傳輸和采集效率等物理需求;針對車間異構設備,研究了多源異構設備統一實時采集技術、數據傳輸、處理與分布式存儲技術,并最終在模擬車間驗證數據采集與存儲過程的正確性和可靠性。

 。2) 基于本體的車間物理資源虛擬化方法的設計與研究。探究基于物聯網、數據采集和處理平臺的制造資源虛擬化方法,根據各類制造資源的應用范疇和特點進行資源分類,借鑒云計算虛擬化技術的思想,利用本體和語義化的方法,構建不 同資源本體模型。進一步結合數據采集獲取的動態和靜態信息,利用規范化的本體語言進行資源的語義化封裝,從而更加準確的表征資源設備的各項屬性,實現物理資源的虛擬轉化。

 。3) 基于資源本體實例的制造資源知識圖譜分析與構建。結合各類資源的資源本體實例數據,進一步挖掘與不同資源之間的關聯性、獲取不同實體的關鍵信息、建立資源關系規則。通過利用海量車間半結構化數據,實現知識的抽取,并基于規則和模板的關系抽取方式,實現對本體數據關系的建立;通過對數據的結構化處理,完成對知識和關系數據的融合,借鑒 InteractiveGraphWeb 圖形數據框架和 Tomcat服務器實現車間知識圖譜的建立和網絡發布。

 。4) 車間資源虛擬可視化管控系統的設計與實現。首先,結合車間數據采集、傳輸和處理模塊,搭建了基于 B/S 架構的資源信息可視化終端,實現了對車間狀態的監控。其次,結合大數據處理工具如 Hadoop,Spark,Kafka 等,實現了 Phi 數據處理平臺的搭建,并進行了數據處理和存儲的驗證。此外,結合 SpringBoot 架構,對資源虛擬化終端和知識圖譜終端進行了設計開發。最后,驗證了整套系統的性能與穩定性,證明了系統的有效性。



  第二章 航空制造車間高并發數據采集及數據處理系統構建
  2.1 EtherCAT 的車間高性能傳輸網絡設計與搭建
  2.1.1 車間組網協議研究
  2.1.2 車間網絡架構
  2.2 多源異構設備數據采集客戶端的設計與開發
  2.2.1 數據采集客戶端采集原理
  2.2.2 工業數據采集方法對比
  2.2.3 車間多源異構數據特點分析

  2.2.4 數據采集方法的設計與實現
  2.2.5 客戶端數據采集驗證
  2.3 Phi 架構數據處理平臺
  2.3.1 數據處理架構的價值及需求
  2.3.2 架構對比及優缺點
  2.3.3 Phi 數據處理架構的設計及特點
  2.3.4 數據處理架構的適用場景
  2.4 本章小結

  第三章 基于本體的航空制造資源虛擬化方法設計與構建
  3.1 制造資源本體
  3.1.1 本體定義
  3.1.2 資源虛擬化技術分類與區別
  3.2 資源虛擬化本體建模分析
  3.2.1 資源分類
  3.2.2 航空資源特點與屬性
  3.2.3 車間資源的本體模型分析與分類
  3.2.4 資源本體建模流程設計

  3.3 資源本體實例模型的設計與實現
  3.3.1 資源類的概念分層與資源核心屬性分析
  3.3.2 資源本體語義化封裝基本規則
  3.3.3 資源本體語義化描述語言及工具
  3.3.4 基于 RDF 三元組概念的資源本體描述模型構建
  3.3.5 制造資源本體模型的實例化
  3.4 基于動態數據的資源本體實例的構建方法改進
  3.4.1 數據預處理及數據融合
  3.4.2 資源本體注冊與封裝方法的改進
  3.5 本章小結

  第四章 基于資源本體實例的制造資源知識圖譜分析與構建
  4.1 Ontology 與知識圖譜關系分析
  4.1.1 Ontology 與知識圖譜
  4.1.2 關系分析
  4.2 車間資源知識圖譜構建
  4.2.1 資源知識圖譜體系構建流程
  4.2.2 資源知識圖譜數據來源
  4.2.3 資源知識圖譜數據結構
  4.2.4 資源知識圖譜數據預處理

  4.3 資源關聯分析
  4.3.1 制造資源關系分析
  4.3.2 基于模板的資源關系規則設計
  4.3.3 制造資源關系規則處理與實現
  4.4 基于本體的車間資源知識圖譜設計
  4.4.1 Neo4j 圖數據庫與 InteractiveGraph 圖數據交互框架對比
  4.4.2 基于 InteractiveGraph 的資源知識圖譜設計
  4.5 本章小結

  第五章 數字化車間虛擬資源管控系統實現與部署
  5.1 基于 Phi 架構的數據處理平臺部署與測試
  5.2 資源虛擬化模塊開發
  5.2.1 資源虛擬化注冊端
  5.2.2 資源虛擬化管理端
  5.3 資源可視化模塊開發
  5.3.1 基于動態數據的實時狀態信息監控模塊
  5.3.2 制造資源知識圖譜模塊
  5.4 系統功能集成及測試
  5.5 本章小結

第六章 總結與展望

  6.1 論文成果總結

  云制造環境下的智能化、數字化車間包含了各式各樣的生產制造資源。而復雜的制造車間環境導致多樣、離散的生產資源難以集中化管理,生產環節難以準確把控,海量的生產數據也無法有效利用。在云制造環境下,利用虛擬化技術實現物理制造資源向邏輯上對應的虛擬資源轉化,成為了實現制造資源集中化管理和資源共享的關鍵步驟。

  本文以航空制造車間環境為對象。分析研究了車間的高性能傳輸網絡架構,設計開發了數據采集客戶端,搭建了車間的大數據處理系統;針對車間不同制造資源,分析確定了資源虛擬化方法并構建了資源本體描述模型,優化了建模方法;利用制造資源本體數據,實現了資源知識圖譜的構建;最終結合模塊化開發方式,實現整個系統開發,并進行了系統性能和穩定性測試。全文完成的主要研究與工作內容為: (1) 設計并搭建了基于 EtherCAT 現場總線的高速傳輸網絡,開發了高并發多源異構數據采集軟件,并設計了數據處理架構。結合云環境下對車間多源制造數據采集的需求,結合"5C"架構,搭建了車間實時以太網網絡環境架構。同時,研究了華中數控、ABB 機器人以及歐凱 AGV 小車等設備的統一設備采集方案,開發了多源異構設備采集軟件,并驗證了采集程序的準確性。最后,結合車間數據處理需求,設計了 Phi 車間數據處理平臺,最終在模擬車間驗證數據采集、處理和存儲過程的正確性和可靠性。

 。2) 設計了結合本體與語義化方法的制造車間物理資源虛擬化方法。針對多種制造資源劃分了本體模型分類,確定本體建模方法,設計了各類制造資源的本體建模流程;诒倔w構建基本規則、語言和建模工具,結合對制造資源的分類和屬性分析結果,設計了制造資源本體結構化模型,并構建制造資源的描述模型。最后,對資源動態和靜態數據進行了融合處理,并結合本體描述模板,構建了半自動的資源實例構建方法,不僅提高了對物理資源的表征能力,而且提高了資源虛擬化封裝的效率。

 。3) 實現了基于資源本體的車間制造資源知識圖譜工業應用。研究分析了資源本體和知識圖譜的數據映射方式,構建了資源知識圖譜層級模型,并對各層作用進行了詳細闡述。同時,分析并確定了資源動態數據和虛擬化數據兩大來源,確定了知識數據類型和數據的結構,并利用海量半結構化數據,實現對圖譜節點數據的抽取。通過進一步挖掘不同資源間的關系,建立相應的實例關系規則,完成了圖譜對應關系數據的構建。最后,通過數據的結構化處理,實現節點數據和關系數據的融合,借鑒 InteractiveGraph 圖形數據框架和 Tomcat 容器實現了資源知識圖譜的構建與部署。

 。4) 采用模塊化技術實現了車間資源虛擬化管控系統開發以及性能和穩定性測試。首先,利用 SpringBoot 軟件開發框架實現了資源虛擬化注冊端和管理端的開發。其次,結合車間多源異構數據采集模塊、數據傳輸模塊,開發了 B/S 結構的車間信息可視化終端,實現了對車間狀態的監控。最后,基于 Phi 數據處理架構,結合大數據處理工具:Hadoop,Spark,Kafka 等,完成了數據處理和存儲平臺的搭建,并針對系統的性能和穩定性進行了驗證,進一步證明了整套系統的有效性和實用性。

  6.2 未來展望

  全文深入探究了將云制造中的資源虛擬化理念深入融合到實際制造環境的方案,并最終開發了制造資源的虛擬管控平臺及其輔助大數據處理系統,以滿足制造數據處理等需求。經過全面測試和驗證,該平臺具備一定的價值,并取得了一定的成果,但由于作者時間和實驗條件限制,以下方面仍具備進一步研究的價值:

 。1) 擴展與優化制造資源的本體建模方法和描述模型種類。本文制造資源的本體模型建模內容較為片面,為提高建模的準確性和適用范圍,后續工作建議優化建模方法,并構建體系全面的制造資源本體模型。

 。2) 制造資源的本體實例資源的工業應用。本文中對制造資源的本體實例文檔,僅用于了數據共享和知識圖譜的數據挖掘,后續應考慮將此類數據應用于生產排程和調度等工作,以維持穩定的生產過程。

 。3) 知識圖譜的關系挖掘算法。本文在構建制造資源知識圖譜的關系數據時,利用啟發規則(已定義的關系類型)和已知數據對資源實例間關系進行判斷和建立,其存在較大弊端。后續應考慮結合深度學習算法,以提高關系建立的準確性和效率。

致 謝

  至此,論文撰寫工作已近尾聲,三年研究生時光,轉瞬即逝,自己也將結束學生生涯,進入社會。此刻,我內心感慨萬千,因為三年中值得我留戀事和感恩的人太多太多。

  在攻讀碩士學位期間,首先,我要衷心感謝我的導師王偉教授。感謝您在科研學習上對我細心指引與激勵,令我不斷進步。感謝您在生活中貼心的關懷與照顧,您不僅教會了我科研學習的方法態度,更傳授了我踏入社會的處事經驗。同時,我還要感謝團隊杜麗老師、丁杰雄老師、黃智老師、蔣勁茂老師、呂強老師、姜忠老師的耐心指導,您們對科研工作的嚴謹態度,令我受益終身。感謝李晴朝、李海兩位博士師兄,黃璞、趙睿、何林山、馮可四位師兄,以及董禮儀、沈睿、龔維緯、李小龍、龔帝武等同窗,感謝你們三年來在科研學習和日常生活中的幫助與關心。

  感謝教研室的師弟師妹,是你們的陪伴和歡聲讓我的生活更加精彩,希望你們在科研學習中不斷探索研究,取得更好的成績。

  我還要感謝祖國與母校電子科技大學,為我們提供了優越的科研學習環境。感謝我的父母、老婆,你們是我科研學習中堅強的后盾,是你們的鼓勵讓我堅持,是你們的期待,讓我時刻充滿動力,有勇氣、有毅力去挑戰未來。

  最后,感謝所有參與本文評審的、答辯工作的專家老師們的耐心指導,感謝您們提出的寶貴意見!

  參考文獻
  [1] 王友發, 周獻中。 國內外智能制造研究熱點與發展趨勢[J]. 中國科技論壇, 2016(04):154-160
  [2] 杜寶瑞, 王勃, 趙璐, 等。 航空智能工廠的基本特征與框架體系[J]. 航空制造技術,2015(08):26-31
  [3] 李伯虎, 張霖, 王時龍, 等。 云制造--面向服務的網絡化制造新模式[J]. 計算機集成制造系統, 2010, 16(01):1-7+16
  [4] R. Y. Zhong, X. Xu, E. Klotz, et al. Intelligent Manufacturing in the Context of Industry 4.0: A Review[J]. Engineering, 2047, 3(5):616–630
  [5] H. Panetto, A. Molina. Enterprise integration and interoperability in manufacturing systems: Trends and issues[J]. Computers in Industry, 2008, 59(7):641–646
  [6] H. S. Kang, J. Y. Lee, S. Choi, et al. Smart Manufacturing: Past Research, Present Findings, and Future Directions[J]. International Journal of Precision Engineering and Manufacturing-Green Technology, 2016, 3(1):111-128
  [7] 周光源。 機械產品裝配車間可視化實時監控技術研究[D]. 合肥工業大學, 2015
  [8] 張心羽。 基于過程數據分析的數控機床狀態預測及故障預警研究[D]. 電子科技大學, 2017
  [9] 謝青松。 面向工業大數據的數據采集系統[D]. 華中科技大學, 2016
  [10] 王帥。 面向工業 4.0 的機床管理系統的研究與開發[D]. 中國科學院研究生院(沈陽計算技術研究所), 2016
  [11] 曹志成。 基于信息采集系統的沖壓車間能量建模與仿真分析[D]. 合肥工業大學, 2019
  [12] J. Sun, C. Yan, J. Wen. Intelligent bearing fault diagnosis method combining compressed data acquisition and deep learning[J]. IEEE Transactions on Instrumentation and Measurement, 2017, 67(1):185-195
  [13] W. Li, Q. Meng, S. Jing. Research on data acquisition method for intelligent instrument based on OPC communication[C]. 2017 Chinese Automation Congress (CAC)。 IEEE, 2017: 4404-4407
  [14] J. Xing, Y. Zhang. Design of Embedded Data Acquisition Integrated System Based on SQLite Database[C]. The International Conference on Cyber Security Intelligence and Analytics. Springer, Cham,2019: 420-428
  [15] 王偉, 范磊, 黃璞, 李海。 面向航空數字化車間的新型工業數據處理架構及多場景應用[J/OL]. 計算機集成制造系統, 2020:1-16.
  [16] J. Lin. The Lambda and the Kappa[J]. IEEE Internet Computing, 2017, 21(5): 60-66
  [17] M. Hausenblas, N. Bijnens. Lambda architecture[J]. URL: http://lambda-architecture. net/. Luettu, 2015, 6: 2014
  [18] Z. Hasani, M. Kon-Popovska, G. Velinov. Lambda architecture for real time big data analytic[J]. ICT Innovations, 2014: 133-143
  [19] M. Villari, A. Celesti, M. Fazio, et al. AllJoyn Lambda: An architecture for the management of smart environments in IoT[C]. 2014 International Conference on Smart Computing Workshops. IEEE, 2014: 9-14
  [20] U. Suthakar, L. Magnoni, D. Smith, et al. Optimised Lambda Architecture for monitoring scientific infrastructure[J]. IEEE Transactions on Parallel and Distributed Systems, 2018
  [21] T. Zsch?rnig, R. Wehlitz, B. Franczyk. A personal analytics platform for the internet of thingsimplementing kappa architecture with microservice-based stream processing[C]. International
  Conference on Enterprise Information Systems. SCITEPRESS, 2017, 2: 733-738
  [22] 韓嫕。 Lambda 架構在處理海量高并發數據中的應用[J]. 現代電視技術, 2016(12):70-72
  [23] 王敏。 制造業大數據分布式存儲管理方法研究[D]. 武漢大學, 2017
  [24] 梅紅泉。 基于 HBase 的工業物聯網數據存儲策略研究[D]. 華中科技大學, 2016
  [25] 劉東洪。 基于 Hadoop 的機床運行狀態信息采集與存儲平臺研究[D]. 重慶大學, 2016
  [26] 姚錫凡, 金鴻, 徐川, 等。 云制造資源的虛擬化與服務化[J]. 華南理工大學學報(自然科學
  版), 2013, 41(03):1-7
  [27] 劉靜波 ,郭玉東 ,王曉睿, 等。 設備虛擬化方法研究與實現[J]. 計算機工程與設計, 2011,32(08):2874-2878
  [28] 任磊,張霖,張雅彬, 等。云制造資源虛擬化研究[J].計算機集成制造系統, 2011, 17(03):511-518
  [29] 關賀, 石宇強。 基于拉式理論的云制造資源虛擬化研究[J]. 西南科技大學學報, 2015,30(03):85-88
  [30] 關賀。 云制造資源調度與集成優化研究[D]. 西南科技大學, 2016
  [31] 汪衛星, 劉飛, 申愛民。 一種云制造設備資源服務化封裝方法[J]. 激光雜志, 2016,37(12):87-90
  [32] 婁旭偉。 云制造環境下生產資源虛擬化的研究與實現[D]. 哈爾濱工業大學, 2017
  [33] 李暢。 面向語義的物聯網資源分配與調度技術的研究[D]. 電子科技大學, 2018
  [34] 劉寧。 云制造資源虛擬化關鍵技術及應用[D]. 東南大學, 2015
  [35] 李孝斌。 云制造環境下機床裝備資源優化配置方法及技術研究[D]. 重慶大學, 2015.
  [36] Y. Xu, L. Zhang, X. Luo, et al. A Practical Approach for Test Equipment Perception and Virtualization in Cloud Manufacturing[C]. Chinese Intelligent Systems Conference. Springer, Singapore, 2017:147-155
  [37] D. Ageyev, O. Bondarenko, T. Rapilova, et al. Classification of existing virtualization methods used in telecommunication networks[C]. 2018 IEEE 9th International Conference on Dependable Systems, Services and Technologies (DESSERT)。 IEEE, 2018: 83-86
  [38] Y. Lu, X. Xu. Resource virtualization: a core technology for developing cyber-physical production systems[J]. Journal of manufacturing systems, 2018, 47: 128-140
  [39] O. Morariu, C. Morariu, T. Borangiu. Shop-floor resource virtualization layer with private cloud support[J]. Journal of Intelligent Manufacturing, 2016, 27(2): 447-462
  [40] L. Ehrlinger, W. Wolfram. Towards a Definition of Knowledge Graphs[C]. Joint Posters & Demos Track of International Conference on Semantic Systems-semantics & International Workshop on Semantic Change & Evolving Semantics. 2016.
  [41] 胡澤文, 孫建軍, 武夷山。 國內知識圖譜應用研究綜述[J]. 圖書情報工作, 2013,57(03):131-137+84
  [42] 劉嶠, 李楊, 段宏, 等。 知識圖譜構建技術綜述[J]. 計算機研究與發展, 2016, 53(03):582-600
  [43] 漆桂林, 高桓, 吳天星。 知識圖譜研究進展[J]. 情報工程, 2017, 3(01):4-25
  [44] 施昭, 曾鵬, 于海斌。 基于本體的制造知識建模方法及其應用[J]. 計算機集成制造系統,2018, 24(11):2653-2664
  [45] 熊嘉強, 孫陽光。 基于本體的學科體系知識圖譜構建研究[J]. 電腦知識與技術, 2019,15(09):187-189
  [46] 韓智, 周法國。 基于知識圖譜的高鐵動車設備檢測系統的本體框架構建與維護[J]. 現代電子技術, 2018, 41(06):11-14
  [47] 車金立, 唐力偉, 鄧士杰, 等。 裝備維修保障知識圖譜構建方法研究[J]. 兵工自動化, 2019,38(01):15-19
  [48] 王洋。 基于鐵路領域的知識圖譜研究與實現[D]. 內蒙古大學, 2019
  [49] 李思珍。 基于本體的行業知識圖譜構建技術的研究與實現[D]. 北京郵電大學, 2019
  [50] S. Uddin, N. Choudhury, M. E. Hossain. A research framework to explore knowledge evolution and scholarly quantification of collaborative research[J]. Scientometrics, 2019, 119(2): 789-803
  [51] Chen I Y, Agrawal M, Horng S, et al. Robustly Extracting Medical Knowledge from EHRs: A Case Study of Learning a Health Knowledge Graph[C]. Pac Symp Biocomput. 2020: 19-30,
  [52] R. Celebi, H. Uyar, E. Yasar, et al. Evaluation of knowledge graph embedding approaches for drug-drug interaction prediction in realistic settings[J]. BMC bioinformatics, 2019, 20(1): 1-14
  [53] X. Li, Y. Wang, D. Wang, et al. Improving rare disease classification using imperfect knowledge graph[J]. BMC Medical Informatics and Decision Making, 2019, 19(5): 238
  [54] 李杰。 工業大數據:工業 4.0 時代的工業轉型與價值創造[M]. 機械工業出版社, 2015
  [55] Industrial ethernet FACTS 五大主流以太網技術比較 [N]. ETHERNET POWERLINK Association China, 2013, 05(2)
  [56] 主流實時以太網技術比較[N]. ETHERNET POWERLINK Association China, 2011-07
  [57] 黃璞。 基于 Kafka 的數字化制造車間大數據處理平臺設計與實現[D]. 電子科技大學, 2019
  [58] 楊超, 胡旭。 數據采集系統中多線程的使用[J]. 電子制作, 2019(06):6-7+46
  [59] W. Wang, L. Fan, P. Huang, et al. A New Data Processing Architecture for Multi-Scenario Applications in Aviation Manufacturing[J]. Ieee Access, 2019, 7: 83637-83650
  [60] R. Studer, V. R. Benjamins, D. Fensel. Knowledge engineering: principles and methods[J]. Data & knowledge engineering, 1998, 25(1-2): 161-197
  [61] 周長春, 殷國富, 吳迎春, 等。面向制造網格的制造資源優化配置策略研究[J]. 四川大學學報(工程科學版), 2009, 41(02):237-244
  [62] 鄭濤。 云制造系統的云資源信息采集方法研究[D]. 浙江大學, 2014
  [63] T. R. Gruber. Toward principles for the design of ontologies used for knowledge sharing[J]. International journal of human-computer studies, 1995, 43(5-6): 907-928.

(如您需要查看本篇畢業設計全文,請您聯系客服索。

相關內容
好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!
欧美国产伦久久久久久久
<acronym id="cqmsy"></acronym>
<acronym id="cqmsy"><center id="cqmsy"></center></acronym>