CN102903011A - 一种用于面向工矿企业的安全生产云服务平台的海量数据处理系统 - Google Patents

Abstract

一种用于面向工矿企业的安全生产云服务平台的海量数据处理系统，所述面向工矿企业的安全生产云服务平台系统，包括安全云服务平台门户子系统，系统管理与相关工具集研制子系统，应用服务层子系统，虚拟资源层子系统，平台服务支撑层子系统，接入与适配层子系统，安全服务资源子系统，基础设施服务支撑层子系统，所述应用服务层子系统还包括海量数据处理系统，由数据采集设备、数据整合设备、数据管理设备、标准化服务接口设备以及高速可靠的光纤通信网络五大部分组成，构成基于云计算的工矿企业实时数据一体化处理系统。

Description

一种用于面向工矿企业的安全生产云服务平台的海量数据处理系统

技术领域

本发明属于工矿系统自动化信息采集与控制领域，涉及电力系统实时数据采集、处理与控制系统，尤其是基于云计算的工矿实时数据一体化处理系统及设计方法。 

背景技术

互联网中已经广泛地使用云技术，主要包括三种不同的类型，软件即服务SaaS，平台即服务PaaS，基础架构即服务IaaS。其中PaaS提供了用户可以访问的完整或部分的应用程序开发，SaaS则提供了完整的可直接使用的应用程序，比如通过Internet管理企业资源。而IaaS中的云技术以海量数据管理技术、海量数据分布存储技术、虚拟化技术、云计算平台管理技术最为关键。其中海量数据管理技术和分布式存储技术是数据处理的重要组成部分，云计算需要对分布的、海量的数据进行处理、分析，因此，数据管理技术必须能够高效的管理大量的数据，此外还需要冗余存储的方式保证数据的可靠性。云计算系统中广泛使用的数据存储系统是Google的GFS和Hadoop团队开发的GFS的开源实现HDFS。 

工矿企业的安全生产在实际的生产运行中，必然有海量数据(如各种安全生产标准、监测的数据、教育培训知识等)需要处理，云服务平台采用分布式计算存储方式，将计算任务分配到多台机器上并行处理，以此提高运算速度。云平台将安全生产企业实际生产积累的数据信息进行统一的管理与存储，为生产过程中提供基于数据的预测、异常检测等功能，实现企业的安全生产。 

传统工矿企业的数据采集功能和具体的逻辑判断功能结合紧密，通常由较为单一的硬件设备完成，因此，完成不同的功能就需要配置不同的设备或系统，这些不同功能的设备或系统都有各自独立的数据采集单元。各个数据采集存在着 交叉重复采集、利用率不高、数据及信息内容不一致、时间不统一等问题，形成了以纵向层次多、横向系统多为主要特征的“信息孤岛”，制约了信息的进一步融合和应用，数据及信息的重复采集和重复传输处理势必造成各种资源的浪费。大多数工矿企业中的仪表分成三类：保护类，测控类，计量类，他们都有自己的数据采集和处理单元，可与监控显示系统连接，用于基础参数测量。但也存在以下技术问题： 

(1)仪表的精度不同，造成了数据不一致，成本上也不经济。 

(2)仪表采集频率不同、算法不同造成了同一个量值在不同的仪表中也不同，数据冗余而且混乱。 

(3)系统与设备，设备与设备之间通讯困难，缺乏统一标准。 

(4)过程数据缺失，在采样的过程中，产生了大量的过程数据，这些数据对于后期的事故分析或业务扩展都是有价值的，但我们从仪表中取得的都是经过N次运算的“二手数据”，“简化值”。这种独立配置、独立计算、独立功能的装置带来的问题是信息共享差，利用率低和硬、软件资源浪费问题。 

为解决以上提到的问题，尤其是数据分别采集、数据分别处理与计算、数据难于共享等关键问题，有必要建立一套新的框架与机制，实现同一类型设备的数据一次采集，能在整套统一的软件应用平台下利用云计算技术实现测控、保护、相量测量、计量等多种应用功能。 

发明内容

本发明的目的是提供一种工矿企业的安全生产云服务平台系统，以解决设备独立配置、独立计算、独立功能的装置带来的信息共享差、利用率低和软、硬件资源浪费的问题，实现同一类型设备数据的一次采集，及测控、保护、相量测量、计量等多种应用。 

所述的工矿企业的安全生产云服务平台系统，包括： 

1)建立面向工矿企业的安全生产云服务平台，该平台集成了支持安全生产服务的海量数据处理、安全生产管理业务协同以及系统管理等功能，为工矿企业的安全生产与政府监管提供重要的技术支持。 

2)基于安全事故事件多维关联规则分析技术，能从海量的生产数据中分析 挖掘出可能导致事故及未遂事件发生的频繁因素和潜在规律，建立安全生产标准效用及标准缺失情况的动态监测预警分析方法，为政府及行业监管部门制定基于风险的、合理的作业标准提供科学的依据。 

3)提出了工矿企业安全生产中的海量数据处理方法，具体包括基于支持向量机的安全生产异常检测技术、基于广义规则推理的知识发现技术，能对生产的海量数据进行分析与知识挖掘，从而帮助企业提升事故预防预警和应急处置能力，提高企业安全生产水平。 

4)开发安全生产管理工具集，方便工矿行业安全生产的安全管理、监督、配置等，实现企业的快速排查、快速响应。 

其中开发的面向工矿企业的安全生产云服务平台，集成了支持安全生产服务云的海量数据处理、安全生产管理业务协同以及系统管理等功能，实现对企业生产安全的实时监测与预警。 

具体而言，一种用于面向工矿企业的安全生产云服务平台的海量数据处理系统，其特征在于：所述面向工矿企业的安全生产云服务平台系统，包括安全云服务平台门户子系统，系统管理与相关工具集研制子系统，应用服务层子系统，虚拟资源层子系统，平台服务支撑层子系统，接入与适配层子系统，安全服务资源子系统，基础设施服务支撑层子系统，所述应用服务层子系统还包括海量数据处理系统，由数据采集设备、数据整合设备、数据管理设备、标准化服务接口设备以及高速可靠的光纤通信网络五大部分组成，构成基于云计算的工矿企业实时数据一体化处理系统。 

所述的用于面向工矿企业的安全生产云服务平台的海量数据处理系统，其特征在于：还包括，无线传感器集群负责采集工矿现场的数据，并将数据传输给工矿数据整合设备，所述数据整合设备上，标配HTTP代理模块代理服务器和云管理服务器，这两者都使用ubuntu服务器刀片板，作为接受管理的节点，每台节点服务器上都安装了节点管理器，该节点管理器的主要功能是实现对KVM虚拟机的管理，包括：(1)接收云管理器的控制指令进行KVM虚拟机的部署、启停等操作；(2)监控本地KVM虚拟机的可用性，在本地KVM虚拟机出错不可用时，尝试启动另外一个相同的KVM虚拟机实例；(3)实时监控本地各个KVM虚拟机资源的使用状况，并将KVM虚拟机的实时资源使用情况发送给云管理器；(4) 根据虚拟机实时的资源使用情况自动执行KVM虚拟机的扩展操作；(5)接收来自云管理器的虚拟机迁移指令。 

所述的用于面向工矿企业的安全生产云服务平台的海量数据处理系统，其特征在于：还包括在每台节点服务器上都还将部署多个KVM虚拟机，并在每个虚拟机中都部署节点服务器。所有上述的节点服务器都共享同一个网络数据存储器。而每个节点服务器的本地存储只用来缓存每个虚拟机自身运行数据，而虚拟机的镜像文件和实施例都会被缓存在共享的网络数据存储中。 

所述的用于面向工矿企业的安全生产云服务平台的海量数据处理系统，其特征在于：工矿数据采集的数据，也会受云控制服务器和代理服务器的控制被随机分布到网络存储器中，并由各节点服务器上的应用软件完成业务协同和跨域任务协同。 

附图说明

图1工矿企业的安全生产云服务平台系统 

图2工矿企业实时数据一体化处理系统 

图3无线数据采集设备集群 

图4无线数据采集设备结构图 

图5云存储系统结构图 

图6云存储数据中心结构图 

图7设备资源实时监控模型 

图8设备性能实时监控模型 

图9SVM训练与预测流程图 

图10免疫进化算法流程 

图11关联规则分析流程 

图12Petri网挖掘模型 

具体实施方式

图1所示为一种面向工矿企业的安全生产的云服务平台，集成了支持安全生产服务云的实时数据处理、安全生产管理业务协同以及系统管理等功能，实现对 企业生产安全的实时监测与预警。 

具体而言，所述的面向工矿企业的安全生产云服务平台系统，包括安全云服务平台门户子系统，系统管理与相关工具集研制子系统，应用服务层子系统，虚拟资源层子系统，平台服务支撑层子系统，接入与适配层子系统，安全服务资源子系统，基础设施服务支撑层子系统。 

所述安全云服务平台门户子系统基于web2.0技术负责对外部实现信息查询和管理，包括政府监察平台，企业应用平台，行业监督平台，所述政府监察平台负责政府实时监察企业运行的设备数据和财税数据，所述企业应用系统负责对外提供增值服务和应用查询，所述行业监督平台用于产品质量的监控和反馈。 

所述系统管理与相关工具集研制子系统包括云服务工具的开发、部署、监控、安全管理、日志管理和配置。 

所述应用服务层，包括海量数据处理系统和业务协同操作系统，其中所述海量数据处理系统负责，对数据采集、数据整合、数据管理并且提供标准化的服务接口为安全云服务平台门户提供数据流，而所述业务协同操作系统负责对协作任务和跨域任务构建数学模型，具体为对业务数据进行采集，把云平台提供的服务内容与采集的业务数据整合，预测后续业务的发展，所述跨域任务具体包括不同业务领域的管理和监控，将企业的不同部门之间的工作实现任务协调。 

所述虚拟资源层，主要是为云服务器提供虚拟化后的数字资源，具体包括知识服务资源池、生产服务资源池、数据信息资源池，所述虚拟资源层包括了这些原始的可提供知识服务、生产服务的数据信息资源，通过虚拟化技术，将该部分数据内容整合到应用服务层当中，随时可以被所述海量数据处理单元和业务协同单元调用。 

所述接入与适配层子系统，主要从相关标准及验证测试系统中获得数据资源，此外还包括安全服务资源，具体包括生产设备数据、标准化基本规范、法律法规、安全管理制度、事故源历史数据、教育培训知识、安全生产投入、组织机构与负责、隐患检查信息从第三方服务适配接入。 

所述平台服务支撑层对上述应用服务层、虚拟资源层、接入适配层服务，提供云服务管理与支撑引擎，交易协同逻辑引擎，知识聚集与分类引擎，所述云服务管理与支撑引擎为所述应用服务层提供云服务注册、发布、注销，云服务搜索、 调度、组合，云服务执行与监控；所述交易协同逻辑引擎为业务协同提供过程管理、费用核算、信用评估，所述知识聚集与分类引擎为业务协同提供行业多资源分散知识获取，行业知识建模，行业知识聚集分类，而对于所述平台服务支撑层中其他的负责运营管理、运维管理、终端软件开发，平台开发工具的模块为所述虚拟资源层和接入与适配层服务，其中所述运营管理负责多租户服务，订单管理，交付管理，支付管理，用户管理，积分管理，所述运维管理负责安全管理，性能管理与优化，系统配置，海量数据容错与可信度管理，所述终端软件开发，包括传感信息的融合管理，服务资源图像界面和普适人机交互工具，以及平台开发工具，所述平台服务支撑层都由基础设施服务支撑层通过云计算，云网络，云存储统一支撑。 

基于云计算的工矿企业实时数据处理系统，如图2所示，由数据采集设备、数据整合设备、数据管理设备、标准化服务接口设备以及高速可靠的光纤通信网络五大部分组成，构成基于云计算的工矿企业实时数据一体化处理系统， 

数据采集设备：图2所示该数据一体化系统的网络结构，无线传感器集群负责采集工矿现场的数据，并将数据传输给工矿数据整合设备，所述数据整合设备上，标配HTTP代理模块代理服务器和云管理服务器，这两者都使用ubuntu服务器刀片板，作为接受管理的节点，每台节点服务器上都安装了节点管理器，此管理器的主要功能是实现对KVM虚拟机的管理，包括：(1)接收云管理器的控制指令进行KVM虚拟机的部署、启停等操作；(2)监控本地KVM虚拟机的可用性，在本地KVM虚拟机出错不可用时，尝试启动另外一个相同的KVM虚拟机实例；(3)实时监控本地各个KVM虚拟机资源的使用状况，并将KVM虚拟机的实时资源使用情况发送给云管理器；(4)根据虚拟机实时的资源使用情况自动执行KVM虚拟机的扩展操作；(5)接收来自云管理器的虚拟机迁移指令，同时，每台节点服务器上都还将部署多个KVM虚拟机，并在每个虚拟机中都部署节点服务器。所有上述的节点服务器都共享同一个网络数据存储器。而每个节点服务器的本地存储只用来缓存每个虚拟机自身运行数据，而虚拟机的镜像文件和实施例都会被缓存在共享的网络数据存储中，这样能够更容易地支持高可用性和虚拟机的迁移操作。此外，工矿数据采集的数据，也会受云控制服务器和代理服务器的控制被随机分布到网络存储器中，并由各节点服务器上的应用软件完成业务协同 和跨域任务协同。图3所示的是设置有无线传感器数据采集集群，所述无线传感器数据采集装置根据系统中应用组件功能需要，与被工矿数据设备通过数据或模拟接口，有线或无线接口连接，并将采集频率设置为功能需要的最高频率和精度进行数据采样，采集的数据缓存在自身的存储器内，数据压缩成统一格式后经无线收发单元发射到远程监控中心。其中各无线传感器设备之间也可以进行同步或异步的通讯，构成数据采集集群。图4所示无线数据采集设备的工作原理图，包括；核心处理单元、触摸屏、摄像头、话筒、时钟、存储器、电源管理、接口电路、传感器电路组成；所述核心处理单元包括嵌入式控制器、音频接口电路、视频接口电路、触摸屏接口电路、多路串行接口、高速USB接口、无线通讯模块、调试接口和传感器接口电路；所述触摸屏接口电路、存储器、音频接口电路、多路串行接口、无线通讯模块、调试接口和高速USB接口分别与嵌入式控制器双向连接；所述触摸屏与触摸屏接口电路双向连接；所述话筒和摄像头分别接音频接口电路和视频接口电路的输入端；所述多路串行接口和高速USB接口分别接工矿数据设备；所述视频接口电路的输出端接嵌入式控制器的相应输入端；嵌入式控制器与因特网相连接；电源管理设备用于提供电能，电源采用光伏太阳能板和蓄电池组相组合的形式，既能保证设备能有效稳定的长期工作，还可避免布设电源线；其中使用MC3063芯片构成的充放电控制器，以便提供稳定的电压，传感器单元中设置有加速度、压力、温度、光传感器和载荷信号传感器，通过加速度信号和载荷信号来实现对位移的计算，通过压力和温度传感器对环境进行监控。核心处理单元用于传感器信号的采集运算和存储，无线通信模块实现无线信号的接收和发送；嵌入式控制器可采用CC2530ZigBee芯片，以方便地实现以ZigBee为基础的2.4GHz ISM波段信号的发送和接收，例如当用在钻井机上时，钻井机包括电机、四连杆机构、游梁、支架、抽杆；电机通过四连杆机构带动游梁运动，游梁驱动与抽杆做上下运动，数据采集装置上的加速度信号传感器和载荷信号传感器就可以设置在抽杆上，以便采集抽杆的运动参数。此外，所示的无线数据采集单元还可以设置在工矿用电器设备上，用于实时视频、音频、数字化监控工作参数，获取工作状态，并将采集的数据通过多协议网关上传至服务器，服务器根据采集的数据对相应设备的工作状况进行分析，以便得出其运行状态。 

数据存储层：设有云数据存储池，针对工矿企业中来自各种不同数据源的 海量数据，对其进行处理后生成与不同业务对应的统一接口的主题数据，并将这些主题数据存储在分布式文件系统中，在有任务请求时，根据不同的任务请求，对所述分布式文件系统中存储的数据进行多节点、多任务的并行计算和分析，对分析结果根据不同的应用进行相应的展现。如图5所示，本发明提供的数据处理的云存储池，括至少一个云存储管理节点，至少一个云存储空间以及至少一个虚拟设备，云存储管理节点、云存储空间与虚拟设备构成私有云。如图4所示的实施例中，该云存储架构包括两个云存储节点、三个云存储空间与多个虚拟设备，三个云存储空间与多个虚拟设备构成一个私有云。云存储管理节点a与云存储管理节点b相互连接，两个云存储管理节点之间相互接管，两个云存储管理节点之间可以均衡负载并且在其中一个云存储管理节点在发生故障时互为接管，以保证基于该云存储架构的系统运行时的可靠性能。其中，两个云存储管理节点可分别对三个云存储空间以及多个虚拟设备进行管理，其管理包括对三个云存储空间与多个虚拟设备进行的新建、删除与配置，以进行系统备份、恢复与扩容。每个云存储管理节点中都有数据目录，数据目录用于记录云存储空间及虚拟设备的相关信息，云存储管理节点通过其内部的数据目录中的相关数据找到相对应的云存储空间与虚拟设备。另外，每个云存储管理节点上都设置有统一的应用程序访问入口，该应用程序访问入口为应用程序接口，应用程序/服务通过调用该应用程序访问入口访问云存储空间。图4中的每一个虚拟设备均可映射为操作系统中的一个裸设备、内存区、文件系统或内存文件系统等，并虚拟管理物理内存、内置磁盘和各种接口、协议的磁盘阵列。另外，由于多个虚拟设备c1、虚拟设备c2、......、虚拟设备cn均为特性相同的虚拟设备，所以，在本实施例中，虚拟设备c1、虚拟设备c2、......、虚拟设备cn可以构成一个虚拟设备组b，通过该虚拟设备组b简化了对多个虚拟设备的管理。多个虚拟设备可分别对应一个物理存储设备或一个物理存储设备中的一个存储空间。在本实施例中，虚拟设备a1、虚拟设备a2、......、虚拟设备an分别与物理存储设备a1、物理存储设备a2、......、物理存储设备an相连接，从而将从工矿现场采集的数据信息存储在上述物理存储设备中。外部的应用程序/服务a、b分别与云存储架构中的云存储管理节点a、b相连接。由于在云存储管理节点上设置有统一的应用程序访问入口，因此，应用程序/服务通过调用应用程序访问入口的接口函数从而访问相应的云存储空间。应用 程序/服务会通过应用程序访问入口指明访问或存取任意一个云存储空间中的相应信息、或者对云存储空间以及虚拟设备进行管理。应用程序/服务通过调用应用程序访问入口连接上云存储管理节点，接着应用程序/服务会通过API指明访问的云存储空间、文件名、偏移量、存取操作等，云存储管理节点根据这些API所传入的信息结合内部数据字典将最终操作分配到一个或多个具体的物理存储设备上完成存取操作，最后通过云存储管理节点返回存取结果。 

数据计算层：对应于云数据计算平台，该云数据计算平台用于调用云数据存储池中存储的实时采集到的数据分别按照工矿系统业务公共关系计算其特性，建立通用的数据计算分析模型，如计算设备性能、负载能力、工作效率、安全程度、环境参数等数值，节点控制器上的虚拟系统的数据计算模块可实现灵活的添加与设置，更新数据分析计算模块，得到相应的计算值。数据中心的结构如图6所示。包括：云控制服务期通过网络适配器与代理服务器与数据网络、互联网络互联，监控及控制多个存储节点及其上的虚拟机，主控制器的任务控制模块负责对下游节点控制器进行统一调配管理，包括添加、删除及迁移控制系统的任何数量的可读数据的物理驱动器和存储介质等操作，管理模型负责对收集到的负载及资源使用信息进行分析处理，然后交由控制器进行控制。计算节点包含任意数量的虚拟机，每一个节点内部包含一个节点控制器负责节点内部的虚拟机资源控制，协同管理引擎负责资源的分配同步管理，虚拟机内运行应用程序资源，如资源监控器、性能监控器、预警监控器在内的多个性能监控器。以性能监控器为例介绍下数据统计流程，如图7所示，实时负载及资源监控模型，根据采样数据类型，选择预设设备类型，进而调用针对该设备的统计模型分析处理采样的工作性能数据，生成设备理想分配数据，再通过控制器结合实际采样数据进行模型计算，输出实际分配的数据，判断设备资源使用情况及其负载水平，进而指导主控节点控制系统设备资源的分配，而对于负载监控模块而言，如图8所示，在系统运行中，根据所收集到数据信息，实时监控生成的曲线，观察曲线是否有突变点或不符合拟合曲线的异常值出现。若存在，则说明当前数据中心该应用出现尖峰时刻，证明系统所需资源需要进行较大的变动。此时需要快速对系统资源使用状况进行分析，当系统资源达到最大容量时是否可以满足资源需求。因为是异常值点，当前所获参数不能代表整体的负载、性能及资源间的关系模型，但如果不及时处理的话会 对系统的性能有很大的影响，所以需要及时对异常值点进行分析处理。若系统资源池资源满足当前需求，则直接交给云控制器进行处理，快速解决当前异常值点，如果资源不满足当前需求，就启动备份设备资源，期间使用简单的线性回归模型预测下一个5分钟的工作负载，简单的线性回归模型可以有效的捕捉工作负载随时间变化规律，即使是更为复杂的历史数据也可以很容易的归纳预测其负载。预测的工作负载作为模型的输入来评估现有的工作量所需的设备资源需求及系统可以达到的性能。许多复杂的因素都会影响应用程序的性能，例如环境参数、操作人员数量的改变等，这时可以采用KCCA算法及远距离相关算法实现多元统计分析建模，同时分析多个影响因素对系统性能带来的影响，实时调整模型参数，生成理想的设备资源分配数据。计算的分配数据可以通过主控节点上的标准化查询接口或通讯接口，由用户主动进行查询操作或被动推送到用户。其中针对那些需要实时收集的数据信息，需要及时更新数据，才能保证数据中心的服务质量。 

数据访问层：云服务访问模块设有云服务访问接口，用于根据应用组件的触发，通过光纤网络找到云服务器，可快速实时从云数据计算平台获得相应的计算值。数据访问层提供的接口服务包括各类数据服务器提供的云服务访问接口。 

以上四层通过可靠且高速的光交换通信网络依次连接，该通信环网与电力线路紧密关联，高速通信的光纤线路沿着电力线路敷设到所有智能单元，为企业提供强大的信息高速通信通道。相比传统工矿系统中的数据采集，本发明的数据处理系统可以扩展云端的数据存储和计算处理功能，以及具体的基于数据模型的逻辑判断功能，通过配置不同的硬件设备或系统完成不同的功能的统一监控，这些不同功能的设备或系统都有各自独立的数据处理单元。而传统的实时数据采集与处理单元是由孤立的多个系统组成，数据重复采集而且数据不完备，测控、计量、保护、安全自动装置是由不同的硬件装置当地实现。其缺陷是数据采集重复，数据难于共享，系统应用功能难以有效地协同。本发明中的测控、保护、计量、安全自动装置的应用功能都是通过功能组件的集群化形式实现，通过高速网络通信技术，真正实现数据统一处理、计算、共享，有利于提高系统的可靠性、降低系统的安装成本和维护费用。 

上述海量信息处理云平台将安全生产企业实际生产积累的数据信息进行统一的管理与存储，此外，为了生产过程中提供基于数据的预测、异常检测等功能， 实现企业的安全生产，管理者们还希望能及时发现生产中的异常情况，找出原因，并及时提出应对措施，保持生产的正常进行。对生产情况的判断分为正常和不正常两种情况，所以可把其归为分类问题，采用分类效果较好的支持向量机来进行生产情况异常判断。通过分析数据库中安全生产的指标数据，选择产品质量、成分、实际生产率作为指标评判生产情况是否异常的支持数据，对支持原始数据进行箱线图分析与相关性分析，获取数据之间的相互影响。选择数据样本，由于变量之间量级差距较大，首先需要进行需要对变量数据进行标准化处理， 

${V_i}^{\′}=\frac{V_i-\mathrm{\μ}}{\mathrm{\σ}},$ i＝1，2，3，......，n 

其中，Vi是原变量值，μ是原变量值的平均值，σ是原变量标准差。 

经过标准化处理后，可进行支持向量机决策模型的训练与测试，如图9所示，使用训练样本集数据进行模型训练，其训练算法采用SMO算法(Sequential Minimal Optimization，序列最小优化)，得出其分类模型的支持向量，根据支持向量计算出判定函数f(x)的参数。经过训练后得到的改进型支持向量机并不是最优的，这是由于初始参考模板和算法中的一些参数设置会影响训练的结果。通过选择分层核中的具体参数和对软件度量进行选择，可以得到更为优化的模型。在训练好的改进型支持向量机中输入需要进行预测的软件模块对应的树形数据结构，得到[-1，+1]间的输出，如果输出大于0，产品质量生产情况不存在异常；反之，输出小于0意味着产品质量的生产情况异常。 

图1中所述的虚拟资源层和接入与适配层之间还需要提取和生产有关的标准、知识、数据等帮助生产与决策，这就要求云平台能够在数据库中搜索到有用的知识。针对知识的内涵与特性、知识转移的目的与要求，我们还将免疫算子(Immune erator)引入到标准进化规划算法中。将知识、知识转移与免疫理论结合起来，基于知识转移的免疫规划算法实现知识的推理发现。在实际的操作过程中，免疫算法是在遗传算法基础之上发展起来的一种全局优化算法，大多遗传算法能够解决的问题，免疫算法都能够有效解决且效率要比遗传算法好，利用免疫算法良好的寻优能力可以在虚拟资源层和无线传感器网络访问所有节点完成数据收集而总能耗最小的选择路径方案，最终实现了减少无线传感器网络的能量消耗、减少网络系统时延、提高虚拟资源层交互效率的问题。如图10所述，首先，根 据最优化的目标与条件，对所求解的问题进行具体分析和分解，提取出最基本的特征信息或特征集；其次，对此特征信息进行处理，以将其转化为局部环境或最优约束条件下求解问题的一种方案；最后，将此方案以适当的形式转化成免疫算子并用来产生新的个体。基于知识及知识转移的过程，在合理提取免疫疫苗的基础上，通过接种疫苗和免疫选择实现免疫进化，以有效地对待求问题的先验知识，提高个体的适应度。 

以免疫协同故障诊断软件工作流程为例，在免疫学研究中，各种免疫细胞之间的相互促进和抑制现象可以理解为一种特有的协同进化形式-免疫协同进化，可借鉴免疫协同进化机制，针对励磁系统故障诊断问题求解特点和协同诊断模式，提出了一种多诊断模型协同进化诊断策略，免疫协同诊断计算的主要构成要素是各个免疫诊断细胞群体、免疫诊断细胞的诊断进化算法和细胞种群调节机制等，进化采用基本免疫算法，免疫协同诊断策略可形式化描述如下：ICED＝(CPD，CPDN，CEDA，CPCM)，其中：CPD：免疫细胞诊断种群，CPDN：免疫细胞诊断种群数，诊断种群的免疫协同诊断算法， 

$\mathrm{CEDA}=\left[\begin{array}{cccccc}{\mathrm{CED}}_{\mathrm{1,1}}& {\mathrm{CED}}_{\mathrm{1,2}}& \·\·\·& {\mathrm{CED}}_{1,\mathrm{CPN}}& {\mathrm{DA}}_1& {\mathrm{CN}}_1\\ {\mathrm{CED}}_{\mathrm{2,1}}& {\mathrm{CED}}_{\mathrm{2,2}}& \·\·\·& {\mathrm{CED}}_{2,\mathrm{CPN}}& {\mathrm{DA}}_2& {\mathrm{CN}}_2\\ \·& \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·& \·\\ {\mathrm{CED}}_{\mathrm{CPN},1}& {\mathrm{CED}}_{\mathrm{CPN},2}& \·\·\·& {\mathrm{CED}}_{\mathrm{CPN},\mathrm{CPN}}& {\mathrm{DA}}_{\mathrm{CPN}}& {\mathrm{CN}}_{\mathrm{CPN}}\end{array}\right]$

其中CED_ij＝{PCM_ij，CEDP_ij，EDV_ij}，i，j＝1，2，…，CPDN：第i个诊断细胞种群同第j个诊断细胞种群的协同模式，PCMij代表同步任务评估，决定该任务是否需要和其他智能体协作完成，CEDPij代表同步进化算子，EDVij代表同步评价算子；DA_i＝{s_i，g_i，p_i，f_i，d_i}，i＝1，2，…，CPN：第i个诊断细胞种群的免疫进化算法，si表示第i个诊断细胞种群的选择策略，gi表示第i个诊断细胞种群的进化操作算子，包括细胞克隆、克隆抑制等，pi表示第i个诊断细胞种群的进化操作算子的执行概率，fi表示第i个诊断细胞种群的亲合度函数，di表示第i个诊断细胞种群的浓度函数；CNi：第i个诊断细胞种群的所含个体的数量；CPCM＝{CPO，CPD，CPA，CPE}：免疫细胞进化种群控制模式，CPO表示种群规模算子，CPD表示种群浓度调节，CPA表示种群进化目标函数；CPE表示 种群评价方式。在采用上述描述方式后，若：CPD(k)＝{CPD₁ ^k，CPD₂ ^k，…，CPD_CPN ^k}表示第k代免疫细胞群体，则第k代免疫细胞群体协同进化表示为：CEDA{CPD(k)}＝CEDA{{CPD₁ ^k，CPD₂ ^k，…，CPD_CPN ^k}}，则免疫协同诊断中从第k-1代进化到第k代可以表示为：CPCM(k)：CEDA{CPD(k-1)}→CEDA{CPD(k)}，k＝1，2，…。异常诊断过程大致分为六个阶段：①gen I＝1，故障诊断域设为设备故障集合F＝{F1，...，Fi，...，FM}，诊断模型集合为FDM＝{FDM1，...，FDMi，...，FDMM}，M为设备故障模型数，FDMi为第i个故障诊断模型；②针对某个诊断任务FDM_TASK，初始化故障诊断模型群体FDM，分配各诊断模型权重w＝{w1，...，wi，...，wM}，wi表示诊断模型FDMi在诊断故障任务FDM_TASK中的诊断重要度；③各故障模型FDMi对诊断任务FDM_TASK，给出各自诊断子结论FDR＝{FDR1，...，FDRi，...，FDRM}，计算每个诊断模型个体FDMi亲合度和浓度，评价FDM_TASK故障诊断效果，若满足故障诊断结束条件，则转向⑥；④gen I＝gen I+1，对故障诊断模型群体FDM，基于亲合度和浓度值从上一代群体中选取新一代群体；⑤将免疫算子(克隆、突变、抑制)应用到群体的个体中，获得新的故障诊断模型群体FDM，并分配新诊断模型权重w＝{w1，...，wi，...，wM}，转向③；⑥故障诊断结束。某一时刻的故障诊断过程，免疫协同故障诊断软件模块5将在完成了上述全部诊断行为，得到较为满意的诊断结果后，才结束本次诊断流程。 

此外，真对平台服务支撑层中的知识聚集和分类引擎，随着安全生产企业的生产建设，数据资料的数量和种类相应增加，数据间关系日也益复杂，对安全事故进行传统的定性分析已不适应大量而复杂数据的需要，提出利用关联规则的分析工具挖掘安全事故数据的特点与规律，找到事故发生类型与“人-机-环境-管理”各因子之间的强关联规则，对事故的发生进行预警。收集与挖掘有关的历史灾害数据和设计勘察资料，得到施工事故相关的数据。对施工事故数据进行数据清理，保证数据的准确规范。在施工事故数据记录不完整，不一致，还有错误的信息等等，因此，为保证以后分析中数据的有效，这一阶段需要对此类数据进行清理，主要解决数据文件建立中的人为误差，以及数据文件中一些对统计分析 结果影响较大的特殊数值建立多维数据模型。图11给出了一种基于关联规则分析流程的数据分析方法，其根据施工事故的特点事故发生的原因，设置数据属性，从数据库中提取事故数据和勘查数据构成事故样本数据，从事故类型、事故发生时间、设备工作参数三个维度建立其数据立方体，并利用SQL语言的聚集查询和连接语句对该数据立方体进行操作，完成频繁谓词集和强规则的搜索过程.产生频繁谓词集。具体需要满足最小支持度和最小置信度，设置最小支持度计数为3，从而确定没有概念分层维度的谓词集，最小置信度可以用项集最小支持度计数表示的条件概率来表达，从而利用改进的经典Apriori算法产生频繁谓词集。产生强关联规则。进一步的可以通过描述满足最小支持度阈值和最小置信度阈值的关联规则的现实含义，比如月份时间，设备工作参数对可能发生的事故级别进行关联预测，将有助于工矿事故的预警，辅助企业科学决策，在具体的挖掘过程中，各阈值可以由工作人员和领域专家共同设定，也就是说规则是否正确、适用，要取决于边界条件的设定。 

针对工矿企业安全生产管理交互频繁、协作紧密的特点，梳理企业的业务类型，实现支持业务协作的安全管理协同，还具体包括如下技术： 

依据国外的辨识标准，同时又结合了我国的生产技术水平和各个场所环境的不同，可以采用层次分析和模糊数学的方法进行综合评价，以判断其是否为重大危险源。对重大危险源的分析评价包括对各种危险源的危险原因，事故发生几率，后果的影响范围等。重大危险源的评价是控制重大工业事故的关键措施之一。重大危险源评价应从固有危险性评价和现实危险性评价两方面进行。固有危险性评价主要反映了物质固有特性，危险物质生产过程的特点和危险单元内部、外部环境状况。现实危险性评价是在前者的基础上考虑各种危险性的抵消因子，反映了人在控制事故发生和控制事故后果扩大方面的主观能动作用。增加了外部环境抵消因子提出如下评价模型： 

$A=\left\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left(B_{111}\right)}_i{W}_{\mathrm{ij}}{\left(B_{112}\right)}_j\right\}{B}_{12}(1-B_{2k})$

式中(B111)i——第i种物质的物质危险性评价值；(B112)j——第j种物质的工艺危险性评价值；Wij——第j项工艺与第i种物质危险性的相关系数；B12——事故严重评价值；B21——工艺设备容器建筑结构抵消因子；B22——人员素质抵 消因子；B23——安全管理抵消因子。 

通常采用危险源分级时的方法，通过死亡半径来确定一个圆形区域，这个圆形区域就是该危险源影响的范围。这种圆形区域的范围对于爆炸的影响是适用的，但是对于其他一些情况就不适用，比如涉及气体泄漏，就不能完全按照死亡半径来确定。对危险源进行准确的判断和分级，然后通过其评价的结果来采取相应的预防、急救措施。重大危险源快速评价分级的目的，是在重大危险源数据所收录的数据信息基础上，对重大危险源进行快速评价和分级，以便利政府主管部门对重大危险源进行宏观分级监控和管理。危险源快速评价方法主要对重大危险源可能导致的事故后果进行评价，以预测事故发生的死亡半径为主要评价指标，以死亡半径的大小进行重大危险源的分级。首先选择危险源的编号，然后根据此编号查找数据库的相关数据，得到数据以后进行分析，判断此危险源数据中所包含的物质的种类数，是否有毒性，从而分几种途径来处理该危险源。其中最重要的部分就是计算有毒物质，易燃，易爆物质的伤害模型的死亡半径，最后通过最大的死亡半径来给危险源分级。 

此外，企业还可以通过云平台加强生产现场安全管理和生产过程的控制。对生产过程及物料、设备设施、器材、通道、作业环境等存在的隐患，应进行分析和控制。对动火作业、受限空间内作业、临时用电作业、高处作业等危险性较高的作业活动实施作业许可管理，严格履行审批手续。如图12所示，以Petri的过程挖掘算法为基础，将非Petri网建模的过程模型转换为Petri网，解决从日志中挖掘隐藏任务这一开放性问题，使得挖掘得到的Petri网中包含不带标签的任务节点。对安全生产过程日志进行分析，对生产过程的数据进行评估，及时杜绝不安全隐患。基于该Petr算法可以用于支持一种组合业务的工作流引擎，包括：接口层、控制层、实体层、存储层以及用于存储业务的流程实例的数据库；所述工作流引擎部署后，通过所述接口层接收业务系统或其他接口系统发送的业务信息，所述其他接口系统包括资源管理系统、服务开通管理系统、计费帐务系统；所述接口层提供了三种方式的接口，包括API接口、Corba接口、WebService接口，便于工作流引擎与业务系统的衔接；所述业务信息包括业务的流程实例、流程实例的当前环节完成情况；所述控制层接收到所述接口层传递的业务信息后，根据支持组合业务的流程路由控制方法，来控制业务的流程实例的生成、 调度、分解、合并、结束；并确定业务的流程实例是自动流转到下一个环节，还是需要原地等待；同时所述控制层调用所述实体层提供的方法记录流程实例的当前环节的完成情况以及所述流程路由控制方法确定的流转结果，流程结果通过所述接口层返回；所述实体层提供的方法为：对工作流引擎内部所描述的管理对象的新增、修改、删除和查询的操作，所述管理对象包括：业务的流程实例对象、流程路由对象、流程实例的当前环节对象、流程任务对象；其中，所述流程任务对象描述每个流程实例的环节执行的具体任务；所述存储层通过所述数据库持久性的保存所述业务的流程实例信息。所述流程操作过程中还可以融合一种优化调度的验证方法，具体步骤是： 

(1)调度方案生成：根据产品销售计划、原料采购计划、设备维修计划、产品(中间体、原料)库存信息和设备生产能力，生产资源占用、消耗、生产成本等生产约束信息，生成目标模型的数据文件建立优化调度的数学模型，并根据用户设定的优化目标(最大生产能力、最大利润或满足销售订单)，以及模型求解器，解算出优化调度方案。 

(2)通过推算预知可能出现的生产异常：采集企业资源计划系统中当前的产品销售计划、原料采购计划(包括到货情况)、库存信息、设备检修计划、能源供应计划等，通过混杂设备约束(包括间歇生产设备和连续生产设备)、容量约束、物流平衡约束和能源约束按时间进行跟踪推算，预知可能出现的生产异常。 

(3)将优化调度方案(步骤1获取的数据)与可能出现的生产异常(步骤2获取的数据)结合在一起，利用图形的可视化ESCPetri-Nets网技术仿真生产过程。以调度时间为轴线，动态曲线显示生产车间设备工况、物料平衡(采购-库存-销售)，模拟验证生产调度情况。以物料为中心，随调度时间变化，以图形的方式动态显示某个物料的变化趋势和某时刻与某物料生产消耗相关的设备运行状况。 

Claims (4)

1.一种用于面向工矿企业的安全生产云服务平台的海量数据处理系统，其特征在于：所述面向工矿企业的安全生产云服务平台系统，包括安全云服务平台门户子系统，系统管理与相关工具集研制子系统，应用服务层子系统，虚拟资源层子系统，平台服务支撑层子系统，接入与适配层子系统，安全服务资源子系统，基础设施服务支撑层子系统，所述应用服务层子系统还包括海量数据处理系统，由数据采集设备、数据整合设备、数据管理设备、标准化服务接口设备以及高速可靠的光纤通信网络五大部分组成，构成基于云计算的工矿企业实时数据一体化处理系统。

2.根据权利要求1所述的用于面向工矿企业的安全生产云服务平台的海量数据处理系统，其特征在于：还包括，无线传感器集群负责采集工矿现场的数据，并将数据传输给工矿数据整合设备，所述数据整合设备上，标配HTTP代理模块代理服务器和云管理服务器，这两者都使用ubuntu服务器刀片板，作为接受管理的节点，每台节点服务器上都安装了节点管理器，该节点管理器的主要功能是实现对KVM虚拟机的管理，包括：(1)接收云管理器的控制指令进行KVM虚拟机的部署、启停等操作；(2)监控本地KVM虚拟机的可用性，在本地KVM虚拟机出错不可用时，尝试启动另外一个相同的KVM虚拟机实例；(3)实时监控本地各个KVM虚拟机资源的使用状况，并将KVM虚拟机的实时资源使用情况发送给云管理器；(4)根据虚拟机实时的资源使用情况自动执行KVM虚拟机的扩展操作；(5)接收来自云管理器的虚拟机迁移指令。

3.根据权利要求2所述的用于面向工矿企业的安全生产云服务平台的海量数据处理系统，其特征在于：还包括在每台节点服务器上都还将部署多个KVM虚拟机，并在每个虚拟机中都部署节点服务器。所有上述的节点服务器都共享同一个网络数据存储器。而每个节点服务器的本地存储只用来缓存每个虚拟机自身运行数据，而虚拟机的镜像文件和实施例都会被缓存在共享的网络数据存储中。

4.根据权利要求3所述的用于面向工矿企业的安全生产云服务平台的海量数据处理系统，其特征在于：工矿数据采集的数据，也会受云控制服务器和代理服务器的控制被随机分布到网络存储器中，并由各节点服务器上的应用软件完成业务协同和跨域任务协同。

Images