基于高维数据聚类优先发布的制造过程数据分析平台

“微机与应用”技术与方法，2017年第1卷. 36基于高维数据聚类的第一制造过程数据分析平台吴少华1，李少波2，侯希阳1，陈金坤1（1；贵州大学计算机科学与技术学院，贵阳贵阳55025； 2.机械学院贵州大学工程学院，贵州贵阳55025）摘要: 随着制造技术在制造业领域的不断进步，大量的传感设备像人体器官一样被部署到制造业中. 过程中的每个重要节点都会产生大量的制造过程数据. 为了响应这些海量的制造过程数据，制造领域越来越需要科学，敏捷，高效的数据分析平台来为制造过程数据的分析提供智力支持和决策支持. 为了满足这种需求，本文使用了高维数据聚类技术以及Spring和Mybatis等成熟的敏捷开发框架，以开发制造过程数据分析平台. 该设计不仅可以分析历史数据，而且可以实时监控生产线上的动态过程数据，从而提高数据分析和决策效率. 关键词: 高维数据集群引导程序弹簧; Mybatis CLC编号: TP311. 13文件识别码: A DOI: 10. 19358 / j. issn. 1674-7720. 2017. 01. 026引用格式: 吴少华，李少波，侯希洋，等. 基于高维数据聚类的制造过程数据分析平台［J］. 冶金学报微型计算机与应用，2017，36（1）: 86-88，92.基于高维数据聚类的制造过程数据分析平台吴少华1，李少波2，侯希洋1，陈金坤1（1. 贵州大学机械工程学院，贵阳550025； 2.贵州大学机械工程学院，贵阳550025）摘要: 随着制造业和工业技术的不断进步，诸如人体器官等大量的传感设备，在制造过程中被部署到所有节点，从而导致庞大的制造过程数据. 制造业需要越来越科学，灵活和高效的数据分析系统，该系统为制造过程数据分析提供智力支持和决策支持. 根据需求，设计采用高维数据聚类技术结合Spring，My-batis等成熟框架进行敏捷开发，以开发制造过程数据分析平台. 该设计不仅可以分析历史数据，还可以实时监控生产线的动态过程数据，提高了数据分析和决策的效率. 关键字: 高维数据集群引导程序弹簧; Mybatis0简介随着制造过程的不断复杂性和精确性，在制造过程中对生产线进行管理和监视会消耗大量的人力和财力；对于生产线，实时高维数据仅进行预处理和存储，而没有进行有效的数据分析，并将分析结论应用于制造过程的决策中，从而导致数据浪费[1].

为了改善和完善制造过程中的流程，生产参数，并协助决策异常制造过程，并进一步提高产品质量以满足实际需求，开发了平台以实现信息化和信息化. 制造过程的标准化. 平台服务器使用Spring和Mybatis框架来促进代码的开发，重用，移植，扩展和维护. 整个平台采用MVC设计思想[2]，通过依赖注入减少了Model，View和Controler之间的耦合，从而使代码高内聚和低耦合彼此保持相对独立，从而降低了模块间的依赖程度. 在平台安全方面，采用拦截技术来保证平台安全. 其次，采用平台权限策略为不同的用户身份提供不同的访问权限，以保护制造过程中的机密数据. 1主要相关技术介绍1.1高维数据聚类随着制造业及相关学科的飞速发展，制造过程中生成的海量数据的观察角度和分析深度正在逐步扩大和深化. 因此，针对生产过程的目标，将生产过程中的每个元素数据抽象为高维数据. 在有效存储这些海量高维数据的同时，有必要对这些数据进行有效分析，然后使用分析结论来辅助决策和指导生产[3]. 在高维数据分析领域，一种非常重要的分析方法是高维数据聚类. 高维数据聚类方法大致可分为基于降维的聚类，基于超图的聚类，子空间聚类，联合聚类[4]和基于样本加权的综合聚类算法.

由于每种类型的数据在制造过程中对制造过程的影响不同，并且存在噪声点，因此本文使用基于样本加权的集成聚类算法[5-6]. 对于海量高维数据的聚类，数据通常包含具有高度不相似性的属性，并且直接使用欧几里得距离的相似性度量属性不再很高. 6 8技术和方法技术和方法“微型计算机与应用”，2017年第36卷，第1期欢迎提交www. pcachina. 基于经典k均值算法的com可行性不再能够产生高质量的聚类结果. 加权k均值聚类方法解决了传统聚类样本对聚类中心具有同等影响的缺点. 充分考虑用户对不同对象或属性的重视程度不同，通过权重分布，样本成为性别加权值，在聚类算法的计算过程中，将样本分配给最合适的聚类，从而提高了聚类结果的质量. 1.2平台框架平台采用B / S架构. 在前端使用成熟的Bootstrap前端框架. 首先，Bootstrap具有非常完整的代码规范. 在其之上创建一个项目，以后的代码维护将非常简单明了. 其次，基于Less和Mixin协助完成简单的语义布局，这种CSS预处理技术大大提高了Code的可读性；第三，Bootstrap提供了大量具有可重用性的前端组件和插件，从而大大提高了开发效率并丰富了平台UI.

在服务器端，使用Spring框架，并使用Spring的IOC容器[7]. 对象的管理已完全移交给Spring，这减少了组件之间的相关性和耦合，并使开发人员可以将更多精力放在主要业务逻辑上. ; Spring的AOP功能可以实现面向方面的编程. 该平台主要用于登录日志和异常日志的记录和管理，提高了程序的健壮性. Spring属于轻量级服务器框架，它污染了代码，入侵非常低. 这种高度的代码开放性并不一定取决于Spring，您可以根据平台要求自由选择所需的功能[8]. 在数据持久层的开发中，选择了轻便且高度稳定的Mybatis. Mybatis将SQL语句放在XML文件中，这有助于SQL语句的管理并减少SQL语句与程序代码之间的耦合[7]. Mybatis支持动态SQL，这大大简化了动态查询过程并减少了查询代码量； Mybatis提供标签映射以支持对象和之间的ORM字段关系映射；服务层代码以接口的方式调用Mybatis，这使得持久层代码的开发更加面向对象高维聚类分析，这极大地促进了程序开发和整个软件开发周期中代码的维护. 在选择方面，使用MySQL. 它是一个支持多个平台的，是免费和开放源代码. 它具有良好的安全性和并发性，非常适合平台开发.

2将高维数据集群模块与Spring和Mybatis框架集成在一起的平台结构2.1平台的总体架构该平台选择Eclipse作为开发IDE，选择Bootstrap作为前端开发框架，并结合jQuery和其他开发技术，使用Spring和Mybatis作为服务器开发框架，使用MySQL. 在业务逻辑方面，它分为表示层，业务逻辑层和数据持久层. 在业务逻辑层中使用加权的高维数据聚类技术[9]，分析制造过程的高维数据，并在表示层将数据可视化并呈现给用户. 平台的总体结构如图1所示. 2.2平台设计原则平台使用三层体系结构，从上到下分别是可视表示层，业务逻辑层和数据持久层. 可视表示层主要使用Bootstrap，jQuery和级联样式表. 当浏览器向服务器发送图1平台的总体的请求时，该请求将被移交给前端控制器DispacherServ-let. DispacherServlet控制器通过HandlerMapping找到相应的Controller. 该组件处理请求并执行Controller组件的相应模块. 最重要的模块之一是高维数据聚类模块. 在此部分中，完成了制造过程的高维数据的聚类操作. 执行相应模块的业务后，模块可以返回Mod-elAndView对象，该对象封装了视图名称信息和处理结果数据集. 收到ModelAndView后，控制器将调用Vie-wResolver组件以定位View，并传递信息以生成需要返回的响应接口.

3数据分析平台的实现3.1平台核心工作流程的设计本节主要介绍平台核心模块的工作流程，制造过程数据聚类模块. 首先启动平台，模块读取已经存储在中的高维数据和实时生产过程中生产线生成的高维数据；对于这些数据，将一次性权重分配给随机生成k个班级中心，每个班级中心对应一个聚类；将每个数据样本分配到其最近的加权类中心，生成一个新的加权类中心，然后继续迭代该过程，直到所有类中心稳定为止，或者达到平台指定的迭代次数（以避免陷入无限循环） ），一次聚类这是过程的结束[5]. 具体流程图如图2所示. 3.2平台使用的聚类算法在高维数据聚类模块中，用于生成基本聚类的算法主要是经典的k均值聚类算法. 另一个主要算法是计算加权中心. 其中X = {x 1，x 2，. . . ，X n}，X = {x T1，xT2 ，. . . ，XTn}∈Rn×d是矩阵表示，d是每个数据样本的维数，n是数据样本数. C = {C r1高维聚类分析，Cr2 ,. . . ，Crk}是一组R簇解，C r = {C r1，Cr2,. . . ，Crk}，对于每个聚类，r = 1、2，... R，即该算法将数据集X划分为k个不相交的聚类，将样本分配给每次迭代中最接近样本的聚类，然后计算权重聚类中心的加权中心的计算方法如下: 7 8技术和方法“微机与应用” 2017年第1期. 36 No. 1图2用于制造过程数据的聚类模块的流程图C i = ∑ xi∈Cnwixi∑ xi∈Cnwi，i = 1，2，...，n，其中wi是权重，xi是第i个样本[9].

4结束语本设计主要以高维数据聚类算法为核心. 鉴于制造过程数据的高维稀疏性和不适当性[10]，对高维数据采用加权聚类来弥补传统的制造方法. 过程聚类方法的聚类效果缺乏鲁棒性和不令人满意的缺点. 聚类效果，在一定程度上提高了聚类效果；该平台集成了多个轻量级框架，如Bootstrap，Spring，Mybatis，并使用经典的MVC服务器设计思想使模型层，视图层和控制层相对独立于平台体系结构[11]，从而提高了平台的凝聚力. 平台，减少了平台的耦合，并方便开发人员并行开发. 它提高了开发效率，并提高了平台的可伸缩性和可维护性. 参考文献[1]鲍扬. 制造业数据挖掘技术的研究与应用[D]. 上海: 东华大学，2006. [2]李刚. 轻量级Java EE企业应用程序实战[M]. 北京: 电子工业出版社，2011年. （续第92页）（续第85页）电流I（k）可以通过实验测量，令λ= 1，u（n）= I（n），公式（ 8），迭代计算可以通过将k 1和k 2的值代入公式（17）以获得R 1和R p的迭代值来获得k 1和k 2的值. 通过实验获得的R 1和R p的估计值如图7所示.

图7电池内阻和极化电阻的识别结果4结束语本文首先分析了锂离子电池的特性和充放电原理，介绍了锂离子电池的戴维南等效电路模型，并采用脉冲法. 和递归最小二乘. 乘法相结合来确定戴维南等效电路模型参数. 采用双脉冲法测量了不同SOC值下的磷酸铁锂电池的开路电压值，并分段拟合了磷酸铁锂电池的SOC和开路电压值. 戴维南等效电路模型参数的实时识别是通过脉冲放电法和递归最小二乘法实现的. 该方法为电动汽车锂电池等效电路模型的分析和研究提供了可行的途径. 参考文献[1]张玉轩. 电动汽车动力电池模型参数的辨识与SOC估计[D]. 长春: 吉林大学，2014. [2]周美兰，赵强，周永勤. 改进的PSO-BP神经网络估计磷酸铁锂电池的SOC ［J］. 哈尔滨科技大学学报，2015，20（4）: 88-92. [3] GREGORRY LP. 用于卡尔曼滤波器SOC估计的LiPB动态单元模型[A]. 第十九届国际电动汽车研讨会论文集[C]. 釜山: EVS，2002: 1860-1871. [4]张东华，马岩，陈思奇，等. 锂电池模型参数估计和荷电状态估计[J]. 武汉理工大学学报，2015，37（2）: 179-182. [5]范兴明，曾秋勇，张欣. 基于改进的安时积分法的电动汽车电池SOC估算与仿真［J］. 电气应用，2015（8）: 111-115. [6]尚云龙，张成辉，崔纳新，等. 基于准谐振LC转换器和升压转换器的具有零电流开关和零伏特间隙的电池间均衡器[C]. IEEE电力电子学报，2015，30（7）: 3731-3747. （收稿日期: 2016-09-04）作者简介: 李百华（1976-），男，硕士，副教授，主要研究方向: 自动控制，图像处理，汽车检测技术.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-247575-1.html