一種用於面向工礦企業的安全生產雲服務平臺的海量數據處理系統的製作方法

2023-05-26 02:53:41

專利名稱：一種用於面向工礦企業的安全生產雲服務平臺的海量數據處理系統的製作方法
技術領域：
本發明屬於工礦系統自動化信息採集與控制領域，涉及電力系統實時數據採集、處理與控制系統，尤其是基於雲計算的工礦實時數據一體化處理系統及設計方法。
背景技術：
網際網路中已經廣泛地使用雲技術，主要包括三種不同的類型，軟體即服務SaaS，平臺即服務PaaS，基礎架構即服務IaaS。其中PaaS提供了用戶可以訪問的完整或部分的應用程式開發，SaaS則提供了完整的可直接使用的應用程式，比如通過Internet管理企業資源。而IaaS中的雲技術以海量數據管理技術、海量數據分布存儲技術、虛擬化技術、雲計算平臺管理技術最為關鍵。其中海量數據管理技術和分布式存儲技術是數據處理的重要組成 部分，雲計算需要對分布的、海量的數據進行處理、分析，因此，數據管理技術必須能夠高效的管理大量的數據，此外還需要冗餘存儲的方式保證數據的可靠性。雲計算系統中廣泛使用的數據存儲系統是Google的GFS和Hadoop團隊開發的GFS的開源實現HDFS。工礦企業的安全生產在實際的生產運行中，必然有海量數據(如各種安全生產標準、監測的數據、教育培訓知識等)需要處理，雲服務平臺採用分布式計算存儲方式，將計算任務分配到多臺機器上並行處理，以此提高運算速度。雲平臺將安全生產企業實際生產積累的數據信息進行統一的管理與存儲，為生產過程中提供基於數據的預測、異常檢測等功能，實現企業的安全生產。傳統工礦企業的數據採集功能和具體的邏輯判斷功能結合緊密，通常由較為單一的硬體設備完成，因此，完成不同的功能就需要配置不同的設備或系統，這些不同功能的設備或系統都有各自獨立的數據採集單元。各個數據採集存在著交叉重複採集、利用率不高、數據及信息內容不一致、時間不統一等問題，形成了以縱向層次多、橫向系統多為主要特徵的「信息孤島」，制約了信息的進一步融合和應用，數據及信息的重複採集和重複傳輸處理勢必造成各種資源的浪費。大多數工礦企業中的儀表分成三類保護類，測控類，計量類，他們都有自己的數據採集和處理單元，可與監控顯示系統連接，用於基礎參數測量。但也存在以下技術問題(I)儀表的精度不同，造成了數據不一致，成本上也不經濟。(2)儀表採集頻率不同、算法不同造成了同一個量值在不同的儀表中也不同，數據冗餘而且混亂。(3)系統與設備，設備與設備之間通訊困難，缺乏統一標準。(4)過程數據缺失，在採樣的過程中，產生了大量的過程數據，這些數據對於後期的事故分析或業務擴展都是有價值的，但我們從儀表中取得的都是經過N次運算的「二手數據」，「簡化值」。這種獨立配置、獨立計算、獨立功能的裝置帶來的問題是信息共享差，利用率低和硬、軟體資源浪費問題。為解決以上提到的問題，尤其是數據分別採集、數據分別處理與計算、數據難於共享等關鍵問題，有必要建立一套新的框架與機制，實現同一類型設備的數據一次採集，能在整套統一的軟體應用平臺下利用雲計算技術實現測控、保護、相量測量、計量等多種應用功倉泛。

發明內容
本發明的目的是提供一種工礦企業的安全生產雲服務平臺系統，以解決設備獨立配置、獨立計算、獨立功能的裝置帶來的信息共享差、利用率低和軟、硬體資源浪費的問題，實現同一類型設備數據的一次採集，及測控、保護、相量測量、計量等多種應用。所述的工礦企業的安全生產雲服務平臺系統，包括I)建立面向工礦企業的安全生產雲服務平臺，該平臺集成了支持安全生產服務的海量數據處理、安全生產管理業務協同以及系統管理等功能，為工礦企業的安全生產與政府監管提供重要的技術支持。·
2)基於安全事故事件多維關聯規則分析技術，能從海量的生產數據中分析挖掘出可能導致事故及未遂事件發生的頻繁因素和潛在規律，建立安全生產標準效用及標準缺失情況的動態監測預警分析方法，為政府及行業監管部門制定基於風險的、合理的作業標準提供科學的依據。3)提出了工礦企業安全生產中的海量數據處理方法，具體包括基於支持向量機的安全生產異常檢測技術、基於廣義規則推理的知識發現技術，能對生產的海量數據進行分析與知識挖掘，從而幫助企業提升事故預防預警和應急處置能力，提高企業安全生產水平。4)開發安全生產管理工具集，方便工礦行業安全生產的安全管理、監督、配置等，實現企業的快速排查、快速響應。其中開發的面向工礦企業的安全生產雲服務平臺，集成了支持安全生產服務雲的海量數據處理、安全生產管理業務協同以及系統管理等功能，實現對企業生產安全的實時監測與預警。具體而言，一種用於面向工礦企業的安全生產雲服務平臺的海量數據處理系統，其特徵在於所述面向工礦企業的安全生產雲服務平臺系統，包括安全雲服務平臺門戶子系統，系統管理與相關工具集研製子系統，應用服務層子系統，虛擬資源層子系統，平臺服務支撐層子系統，接入與適配層子系統，安全服務資源子系統，基礎設施服務支撐層子系統，所述應用服務層子系統還包括海量數據處理系統，由數據採集設備、數據整合設備、數據管理設備、標準化服務接口設備以及高速可靠的光纖通信網絡五大部分組成，構成基於雲計算的工礦企業實時數據一體化處理系統。所述的用於面向工礦企業的安全生產雲服務平臺的海量數據處理系統，其特徵在於還包括，無線傳感器集群負責採集工礦現場的數據，並將數據傳輸給工礦數據整合設備，所述數據整合設備上，標配HTTP代理模塊代理伺服器和雲管理伺服器，這兩者都使用ubuntu伺服器刀片板，作為接受管理的節點，每臺節點伺服器上都安裝了節點管理器，該節點管理器的主要功能是實現對KVM虛擬機的管理，包括(I)接收雲管理器的控制指令進行KVM虛擬機的部署、啟停等操作；(2)監控本地KVM虛擬機的可用性，在本地KVM虛擬機出錯不可用時，嘗試啟動另外一個相同的KVM虛擬機實例；(3)實時監控本地各個KVM虛擬機資源的使用狀況，並將KVM虛擬機的實時資源使用情況發送給雲管理器；(4)根據虛擬機實時的資源使用情況自動執行KVM虛擬機的擴展操作；(5)接收來自雲管理器的虛擬機遷移指令。所述的用於面向工礦企業的安全生產雲服務平臺的海量數據處理系統，其特徵在於還包括在每臺節點伺服器上都還將部署多個KVM虛擬機，並在每個虛擬機中都部署節點伺服器。所有上述的 節點伺服器都共享同一個網絡數據存儲器。而每個節點伺服器的本地存儲只用來緩存每個虛擬機自身運行數據，而虛擬機的鏡像文件和實施例都會被緩存在共享的網絡數據存儲中。所述的用於面向工礦企業的安全生產雲服務平臺的海量數據處理系統，其特徵在於工礦數據採集的數據，也會受雲控制伺服器和代理伺服器的控制被隨機分布到網絡存儲器中，並由各節點伺服器上的應用軟體完成業務協同和跨域任務協同。


圖I工礦企業的安全生產雲服務平臺系統圖2工礦企業實時數據一體化處理系統圖3無線數據採集設備集群圖4無線數據採集設備結構5雲存儲系統結構6雲存儲數據中心結構7設備資源實時監控模型圖8設備性能實時監控模型圖9SVM訓練與預測流程10免疫進化算法流程圖11關聯規則分析流程圖12Petri網挖掘模型
具體實施例方式圖I所示為一種面向工礦企業的安全生產的雲服務平臺，集成了支持安全生產服務雲的實時數據處理、安全生產管理業務協同以及系統管理等功能，實現對企業生產安全的實時監測與預警。具體而言，所述的面向工礦企業的安全生產雲服務平臺系統，包括安全雲服務平臺門戶子系統，系統管理與相關工具集研製子系統，應用服務層子系統，虛擬資源層子系統，平臺服務支撐層子系統，接入與適配層子系統，安全服務資源子系統，基礎設施服務支撐層子系統。所述安全雲服務平臺門戶子系統基於web2. O技術負責對外部實現信息查詢和管理，包括政府監察平臺，企業應用平臺，行業監督平臺，所述政府監察平臺負責政府實時監察企業運行的設備數據和財稅數據，所述企業應用系統負責對外提供增值服務和應用查詢，所述行業監督平臺用於產品質量的監控和反饋。所述系統管理與相關工具集研製子系統包括雲服務工具的開發、部署、監控、安全
管理、日誌管理和配置。
所述應用服務層，包括海量數據處理系統和業務協同作業系統，其中所述海量數據處理系統負責，對數據採集、數據整合、數據管理並且提供標準化的服務接口為安全雲服務平臺門戶提供數據流，而所述業務協同作業系統負責對協作任務和跨域任務構建數學模型，具體為對業務數據進行採集，把雲平臺提供的服務內容與採集的業務數據整合，預測後續業務的發展，所述跨域任務具體包括不同業務領域的管理和監控，將企業的不同部門之間的工作實現任務協調。所述虛擬資源層，主要是為雲伺服器提供虛擬化後的數字資源，具體包括知識服務資源池、生產服務資源池、數據信息資源池，所述虛擬資源層包括了這些原始的可提供知識服務、生產服務的數據信息資源，通過虛擬化技術，將該部分數據內容整合到應用服務層當中，隨時可以被所述海量數據處理單元和業務協同單元調用。所述接入與適配層子系統，主要從相關標準及驗證測試系統中獲得數據資源，此外還包括安全服務資源，具體包括生產設備數據、標準化基本規範、法律法規、安全管理制度、事故源歷史數據、教育培訓知識、安全生產投入、組織機構與負責、隱患檢查信息從第三方服務適配接入。 所述平臺服務支撐層對上述應用服務層、虛擬資源層、接入適配層服務，提供雲服務管理與支撐引擎，交易協同邏輯引擎，知識聚集與分類引擎，所述雲服務管理與支撐引擎為所述應用服務層提供雲服務註冊、發布、註銷，雲服務搜索、調度、組合，雲服務執行與監控；所述交易協同邏輯引擎為業務協同提供過程管理、費用核算、信用評估，所述知識聚集與分類引擎為業務協同提供行業多資源分散知識獲取，行業知識建模，行業知識聚集分類，而對於所述平臺服務支撐層中其他的負責運營管理、運維管理、終端軟體開發，平臺開發工具的模塊為所述虛擬資源層和接入與適配層服務，其中所述運營管理負責多租戶服務，訂單管理，交付管理，支付管理，用戶管理，積分管理，所述運維管理負責安全管理，性能管理與優化，系統配置，海量數據容錯與可信度管理，所述終端軟體開發，包括傳感信息的融合管理，服務資源圖像界面和普適人機互動工具，以及平臺開發工具，所述平臺服務支撐層都由基礎設施服務支撐層通過雲計算，雲網絡，雲存儲統一支撐。基於雲計算的工礦企業實時數據處理系統，如圖2所示，由數據採集設備、數據整合設備、數據管理設備、標準化服務接口設備以及高速可靠的光纖通信網絡五大部分組成，構成基於雲計算的工礦企業實時數據一體化處理系統，數據採集設備圖2所示該數據一體化系統的網絡結構，無線傳感器集群負責採集工礦現場的數據，並將數據傳輸給工礦數據整合設備，所述數據整合設備上，標配HTTP代理模塊代理伺服器和雲管理伺服器，這兩者都使用ubuntu伺服器刀片板，作為接受管理的節點，每臺節點伺服器上都安裝了節點管理器，此管理器的主要功能是實現對KVM虛擬機的管理，包括(I)接收雲管理器的控制指令進行KVM虛擬機的部署、啟停等操作；(2)監控本地KVM虛擬機的可用性，在本地KVM虛擬機出錯不可用時，嘗試啟動另外一個相同的KVM虛擬機實例；(3)實時監控本地各個KVM虛擬機資源的使用狀況，並將KVM虛擬機的實時資源使用情況發送給雲管理器；(4)根據虛擬機實時的資源使用情況自動執行KVM虛擬機的擴展操作；(5)接收來自雲管理器的虛擬機遷移指令，同時，每臺節點伺服器上都還將部署多個KVM虛擬機，並在每個虛擬機中都部署節點伺服器。所有上述的節點伺服器都共享同一個網絡數據存儲器。而每個節點伺服器的本地存儲只用來緩存每個虛擬機自身運行數據，而虛擬機的鏡像文件和實施例都會被緩存在共享的網絡數據存儲中，這樣能夠更容易地支持高可用性和虛擬機的遷移操作。此外，工礦數據採集的數據，也會受雲控制伺服器和代理伺服器的控制被隨機分布到網絡存儲器中，並由各節點伺服器上的應用軟體完成業務協同和跨域任務協同。圖3所示的是設置有無線傳感器數據採集集群，所述無線傳感器數據採集裝置根據系統中應用組件功能需要，與被工礦數據設備通過數據或模擬接口，有線或無線接口連接，並將採集頻率設置為功能需要的最高頻率和精度進行數據採樣，採集的數據緩存在自身的存儲器內，數據壓縮成統一格式後經無線收發單元發射到遠程監控中心。其中各無線傳感器設備之間也可以進行同步或異步的通訊，構成數據採集集群。圖4所示無線數據採集設備的工作原理圖，包括；核心處理單元、觸控螢幕、攝像頭、話筒、時鐘、存儲器、電源管理、接口電路、傳感器電路組成；所述核心處理單元包括嵌入式控制器、音頻接口電路、視頻接口電路、觸控螢幕接口電路、多路串行接口、高速USB接口、無線通訊模塊、調試接口和傳感器接口電路；所述觸控螢幕接口電路、存儲器、音頻接口電路、多路串行接口、無線通訊模塊、調試接口和高速USB接口分別與嵌入式控制器雙向連接；所述觸控螢幕與觸控螢幕接口電路雙向連接；所述話筒和攝像頭分別接音頻接口電路和視頻接口電路的輸入端；所述多路串行接口和高速USB接口分別接工礦數據設備；所述視頻接口電路的輸出端接嵌入式控制器的相應輸入端；嵌入式控制器與網際網路相連接；電源管理設備用於提供電能，電源採用光伏太陽能板和蓄電池組相組合的形式，既能保證設備能有效穩定的長期工·作，還可避免布設電源線；其中使用MC3063晶片構成的充放電控制器，以便提供穩定的電壓，傳感器單元中設置有加速度、壓力、溫度、光傳感器和載荷信號傳感器，通過加速度信號和載荷信號來實現對位移的計算，通過壓力和溫度傳感器對環境進行監控。核心處理單元用於傳感器信號的採集運算和存儲，無線通信模塊實現無線信號的接收和發送；嵌入式控制器可採用CC2530ZigBee晶片，以方便地實現以ZigBee為基礎的2. 4GHz ISM波段信號的發送和接收，例如當用在鑽井機上時，鑽井機包括電機、四連杆機構、遊梁、支架、抽杆；電機通過四連杆機構帶動遊梁運動，遊梁驅動與抽杆做上下運動，數據採集裝置上的加速度信號傳感器和載荷信號傳感器就可以設置在抽杆上，以便採集抽杆的運動參數。此外，所示的無線數據採集單元還可以設置在工礦用電器設備上，用於實時視頻、音頻、數位化監控工作參數，獲取工作狀態，並將採集的數據通過多協議網關上傳至伺服器，伺服器根據採集的數據對相應設備的工作狀況進行分析，以便得出其運行狀態。數據存儲層設有雲數據存儲池，針對工礦企業中來自各種不同數據源的海量數據，對其進行處理後生成與不同業務對應的統一接口的主題數據，並將這些主題數據存儲在分布式文件系統中，在有任務請求時，根據不同的任務請求，對所述分布式文件系統中存儲的數據進行多節點、多任務的並行計算和分析，對分析結果根據不同的應用進行相應的展現。如圖5所示，本發明提供的數據處理的雲存儲池，括至少一個雲存儲管理節點，至少一個雲存儲空間以及至少一個虛擬設備，雲存儲管理節點、雲存儲空間與虛擬設備構成私有雲。如圖4所示的實施例中，該雲存儲架構包括兩個雲存儲節點、三個雲存儲空間與多個虛擬設備，三個雲存儲空間與多個虛擬設備構成一個私有雲。雲存儲管理節點a與雲存儲管理節點b相互連接，兩個雲存儲管理節點之間相互接管，兩個雲存儲管理節點之間可以均衡負載並且在其中一個雲存儲管理節點在發生故障時互為接管，以保證基於該雲存儲架構的系統運行時的可靠性能。其中，兩個雲存儲管理節點可分別對三個雲存儲空間以及多個虛擬設備進行管理，其管理包括對三個雲存儲空間與多個虛擬設備進行的新建、刪除與配置，以進行系統備份、恢復與擴容。每個雲存儲管理節點中都有數據目錄，數據目錄用於記錄雲存儲空間及虛擬設備的相關信息，雲存儲管理節點通過其內部的數據目錄中的相關數據找到相對應的雲存儲空間與虛擬設備。另外，每個雲存儲管理節點上都設置有統一的應用程式訪問入口，該應用程式訪問入口為應用程式接口，應用程式/服務通過調用該應用程式訪問入口訪問雲存儲空間。圖4中的每一個虛擬設備均可映射為作業系統中的一個裸設備、內存區、文件系統或內存文件系統等，並虛擬管理物理內存、內置磁碟和各種
接口、協議的磁碟陣列。另外，由於多個虛擬設備Cl、虛擬設備c2........虛擬設備cn均
為特性相同的虛擬設備，所以，在本實施例中，虛擬設備Cl、虛擬設備c2........虛擬設備
cn可以構成一個虛擬設備組b，通過該虛擬設備組b簡化了對多個虛擬設備的管理。多個 虛擬設備可分別對應一個物理存儲設備或一個物理存儲設備中的一個存儲空間。在本實施
例中，虛擬設備al、虛擬設備a2........虛擬設備an分別與物理存儲設備al、物理存儲設
備a2........物理存儲設備an相連接，從而將從工礦現場採集的數據信息存儲在上述物
理存儲設備中。外部的應用程式/服務a、b分別與雲存儲架構中的雲存儲管理節點a、b相連接。由於在雲存儲管理節點上設置有統一的應用程式訪問入口，因此，應用程式/服務通過調用應用程式訪問入口的接口函數從而訪問相應的雲存儲空間。應用程式/服務會通過應用程式訪問入口指明訪問或存取任意一個雲存儲空間中的相應信息、或者對雲存儲空間以及虛擬設備進行管理。應用程式/服務通過調用應用程式訪問入口連接上雲存儲管理節點，接著應用程式/服務會通過API指明訪問的雲存儲空間、文件名、偏移量、存取操作等，雲存儲管理節點根據這些API所傳入的信息結合內部數據字典將最終操作分配到一個或多個具體的物理存儲設備上完成存取操作，最後通過雲存儲管理節點返回存取結果。數據計算層對應於雲數據計算平臺，該雲數據計算平臺用於調用雲數據存儲池中存儲的實時採集到的數據分別按照工礦系統業務公共關係計算其特性，建立通用的數據計算分析模型，如計算設備性能、負載能力、工作效率、安全程度、環境參數等數值，節點控制器上的虛擬系統的數據計算模塊可實現靈活的添加與設置，更新數據分析計算模塊，得到相應的計算值。數據中心的結構如圖6所示。包括雲控制服務期通過網絡適配器與代理伺服器與數據網絡、網際網路互聯，監控及控制多個存儲節點及其上的虛擬機，主控制器的任務控制模塊負責對下遊節點控制器進行統一調配管理，包括添加、刪除及遷移控制系統的任何數量的可讀數據的物理驅動器和存儲介質等操作，管理模型負責對收集到的負載及資源使用信息進行分析處理，然後交由控制器進行控制。計算節點包含任意數量的虛擬機，每一個節點內部包含一個節點控制器負責節點內部的虛擬機資源控制，協同管理引擎負責資源的分配同步管理，虛擬機內運行應用程式資源，如資源監控器、性能監控器、預警監控器在內的多個性能監控器。以性能監控器為例介紹下數據統計流程，如圖7所示，實時負載及資源監控模型，根據採樣數據類型，選擇預設設備類型，進而調用針對該設備的統計模型分析處理採樣的工作性能數據，生成設備理想分配數據，再通過控制器結合實際採樣數據進行模型計算，輸出實際分配的數據，判斷設備資源使用情況及其負載水平，進而指導主控節點控制系統設備資源的分配，而對於負載監控模塊而言，如圖8所示，在系統運行中，根據所收集到數據信息，實時監控生成的曲線，觀察曲線是否有突變點或不符合擬合曲線的異常值出現。若存在，則說明當前數據中心該應用出現尖峰時刻，證明系統所需資源需要進行較大的變動。此時需要快速對系統資源使用狀況進行分析，當系統資源達到最大容量時是否可以滿足資源需求。因為是異常值點，當前所獲參數不能代表整體的負載、性能及資源間的關係模型，但如果不及時處理的話會對系統的性能有很大的影響，所以需要及時對異常值點進行分析處理。若系統資源池資源滿足當前需求，則直接交給雲控制器進行處理，快速解決當前異常值點，如果資源不滿足當前需求，就啟動備份設備資源，期間使用簡單的線性回歸模型預測下一個5分鐘的工作負載，簡單的線性回歸模型可以有效的捕捉工作負載隨時間變化規律，即使是更為複雜的歷史數據也可以很容易的歸納預測其負載。預測的工作負載作為模型的輸入來評估現有的工作量所需的設備資源需求及系統可以達到的性能。許多複雜的因素都會影響應用程式的性能，例如環 境參數、操作人員數量的改變等，這時可以採用KCCA算法及遠距離相關算法實現多元統計分析建模，同時分析多個影響因素對系統性能帶來的影響，實時調整模型參數，生成理想的設備資源分配數據。計算的分配數據可以通過主控節點上的標準化查詢接口或通訊接口，由用戶主動進行查詢操作或被動推送到用戶。其中針對那些需要實時收集的數據信息，需要及時更新數據，才能保證數據中心的服務質量。數據訪問層雲服務訪問模塊設有雲服務訪問接口，用於根據應用組件的觸發，通過光纖網絡找到雲伺服器，可快速實時從雲數據計算平臺獲得相應的計算值。數據訪問層提供的接口服務包括各類數據伺服器提供的雲服務訪問接口。以上四層通過可靠且高速的光交換通信網絡依次連接，該通信環網與電力線路緊密關聯，高速通信的光纖線路沿著電力線路敷設到所有智能單元，為企業提供強大的信息高速通信通道。相比傳統工礦系統中的數據採集，本發明的數據處理系統可以擴展雲端的數據存儲和計算處理功能，以及具體的基於數據模型的邏輯判斷功能，通過配置不同的硬體設備或系統完成不同的功能的統一監控，這些不同功能的設備或系統都有各自獨立的數據處理單元。而傳統的實時數據採集與處理單元是由孤立的多個系統組成，數據重複採集而且數據不完備，測控、計量、保護、安全自動裝置是由不同的硬體裝置當地實現。其缺陷是數據採集重複，數據難於共享，系統應用功能難以有效地協同。本發明中的測控、保護、計量、安全自動裝置的應用功能都是通過功能組件的集群化形式實現，通過高速網絡通信技術，真正實現數據統一處理、計算、共享，有利於提高系統的可靠性、降低系統的安裝成本和維護費用。上述海量信息處理雲平臺將安全生產企業實際生產積累的數據信息進行統一的管理與存儲，此外，為了生產過程中提供基於數據的預測、異常檢測等功能，實現企業的安全生產，管理者們還希望能及時發現生產中的異常情況，找出原因，並及時提出應對措施，保持生產的正常進行。對生產情況的判斷分為正常和不正常兩種情況，所以可把其歸為分類問題，採用分類效果較好的支持向量機來進行生產情況異常判斷。通過分析資料庫中安全生產的指標數據，選擇產品質量、成分、實際生產率作為指標評判生產情況是否異常的支持數據，對支持原始數據進行箱線圖分析與相關性分析，獲取數據之間的相互影響。選擇數據樣本，由於變量之間量級差距較大，首先需要進行需要對變量數據進行標準化處理，
V - MV' ---, i = 1,2,3,......, η
σ其中，Vi是原變量值，μ是原變量值的平均值，σ是原變量標準差。
經過標準化處理後，可進行支持向量機決策模型的訓練與測試，如圖9所示，使用訓練樣本集數據進行模型訓練，其訓練算法採用SMO算法(Sequential MinimalOptimization,序列最小優化)，得出其分類模型的支持向量,根據支持向量計算出判定函數f(x)的參數。經過訓練後得到的改進型支持向量機並不是最優的，這是由於初始參考模板和算法中的一些參數設置會影響訓練的結果。通過選擇分層核中的具體參數和對軟體度量進行選擇，可以得到更為優化的模型。在訓練好的改進型支持向量機中輸入需要進行預測的軟體模塊對應的樹形數據結構，得到[-1，+1]間的輸出，如果輸出大於0，產品質量生產情況不存在異常；反之，輸出小於O意味著產品質量的生產情況異常。圖I中所述的虛擬資源層和接入與適配層之間還需要提取和生產有關的標準、知識、數據等幫助生產與決策，這就要求雲平臺能夠在資料庫中搜索到有用的知識。針對知識的內涵與特性、知識轉移的目的與要求，我們還將免疫算子(Immune erator)引入到標準進化規划算法中。將知識、知識轉移與免疫理論結合起來，基於知識轉移的免疫規划算法實現知識的推理發現。在實際的操作過程中，免疫算法是在遺傳算法基礎之上發展起來的一種全局優化算法，大多遺傳算法能夠解決的問題，免疫算法都能夠有效解決且效率要比遺傳算法好，利用免疫算法良好的尋優能力可以在虛擬資源層和無線傳感器網絡訪問所有節 點完成數據收集而總能耗最小的選擇路徑方案，最終實現了減少無線傳感器網絡的能量消耗、減少網絡系統時延、提高虛擬資源層交互效率的問題。如圖10所述，首先，根據最優化的目標與條件，對所求解的問題進行具體分析和分解，提取出最基本的特徵信息或特徵集；其次，對此特徵信息進行處理，以將其轉化為局部環境或最優約束條件下求解問題的一種方案；最後，將此方案以適當的形式轉化成免疫算子並用來產生新的個體。基於知識及知識轉移的過程，在合理提取免疫疫苗的基礎上，通過接種疫苗和免疫選擇實現免疫進化，以有效地對待求問題的先驗知識，提高個體的適應度。以免疫協同故障診斷軟體工作流程為例，在免疫學研究中，各種免疫細胞之間的相互促進和抑制現象可以理解為一種特有的協同進化形式-免疫協同進化，可借鑑免疫協同進化機制，針對勵磁系統故障診斷問題求解特點和協同診斷模式，提出了一種多診斷模型協同進化診斷策略，免疫協同診斷計算的主要構成要素是各個免疫診斷細胞群體、免疫診斷細胞的診斷進化算法和細胞種群調節機制等，進化採用基本免疫算法，免疫協同診斷策略可形式化描述如下=ICED = (CPD, CPDN, CEDA, CPCM)，其中CPD :免疫細胞診斷種群，CPDN :免疫細胞診斷種群數，診斷種群的免疫協同診斷算法，
權利要求
1.一種用於面向工礦企業的安全生產雲服務平臺的海量數據處理系統，其特徵在於所述面向工礦企業的安全生產雲服務平臺系統，包括安全雲服務平臺門戶子系統，系統管理與相關工具集研製子系統，應用服務層子系統，虛擬資源層子系統，平臺服務支撐層子系統，接入與適配層子系統，安全服務資源子系統，基礎設施服務支撐層子系統，所述應用服務層子系統還包括海量數據處理系統，由數據採集設備、數據整合設備、數據管理設備、標準化服務接口設備以及高速可靠的光纖通信網絡五大部分組成，構成基於雲計算的工礦企業實時數據一體化處理系統。
2.根據權利要求I所述的用於面向工礦企業的安全生產雲服務平臺的海量數據處理系統，其特徵在於還包括，無線傳感器集群負責採集工礦現場的數據，並將數據傳輸給工礦數據整合設備，所述數據整合設備上，標配HTTP代理模塊代理伺服器和雲管理伺服器，這兩者都使用Ubuntu伺服器刀片板，作為接受管理的節點，每臺節點伺服器上都安裝了節點管理器，該節點管理器的主要功能是實現對KVM虛擬機的管理，包括(I)接收雲管理器的控制指令進行KVM虛擬機的部署、啟停等操作；(2)監控本地KVM虛擬機的可用性，在本地KVM虛擬機出錯不可用時，嘗試啟動另外一個相同的KVM虛擬機實例；(3)實時監控本地各個KVM虛擬機資源的使用狀況，並將KVM虛擬機的實時資源使用情況發送給雲管理器；(4)根據虛擬機實時的資源使用情況自動執行KVM虛擬機的擴展操作；(5)接收來自雲管理器的虛擬機遷移指令。
3.根據權利要求2所述的用於面向工礦企業的安全生產雲服務平臺的海量數據處理系統，其特徵在於還包括在每臺節點伺服器上都還將部署多個KVM虛擬機，並在每個虛擬機中都部署節點伺服器。所有上述的節點伺服器都共享同一個網絡數據存儲器。而每個節點伺服器的本地存儲只用來緩存每個虛擬機自身運行數據，而虛擬機的鏡像文件和實施例都會被緩存在共享的網絡數據存儲中。
4.根據權利要求3所述的用於面向工礦企業的安全生產雲服務平臺的海量數據處理系統，其特徵在於工礦數據採集的數據，也會受雲控制伺服器和代理伺服器的控制被隨機分布到網絡存儲器中，並由各節點伺服器上的應用軟體完成業務協同和跨域任務協同。
全文摘要
一種用於面向工礦企業的安全生產雲服務平臺的海量數據處理系統，所述面向工礦企業的安全生產雲服務平臺系統，包括安全雲服務平臺門戶子系統，系統管理與相關工具集研製子系統，應用服務層子系統，虛擬資源層子系統，平臺服務支撐層子系統，接入與適配層子系統，安全服務資源子系統，基礎設施服務支撐層子系統，所述應用服務層子系統還包括海量數據處理系統，由數據採集設備、數據整合設備、數據管理設備、標準化服務接口設備以及高速可靠的光纖通信網絡五大部分組成，構成基於雲計算的工礦企業實時數據一體化處理系統。
文檔編號H04L29/08GK102903011SQ20121037066
公開日2013年1月30日 申請日期2012年9月25日 優先權日2012年9月25日
發明者王斌, 陳新, 江麗琴, 張峰生 申請人:浙江圖訊科技有限公司