基于大數(shù)據(jù)的制造企業(yè)能耗預測架構設計

王強

【關鍵詞】大數(shù)據(jù);制造業(yè);系統(tǒng)架構設計

大數(shù)據(jù)時代下，利用生產(chǎn)過程中采集到的數(shù)據(jù)對能源消耗進行及時、準確的預測，進而達到節(jié)能減排的目的，利用科學的算法對數(shù)據(jù)進行分析進而調(diào)整產(chǎn)業(yè)結構，都將成為制造企業(yè)發(fā)展的新方向。但傳統(tǒng)的數(shù)據(jù)分析、預測架構結構單一固定并且動態(tài)適應能力與可拓展性較差，很明顯已經(jīng)不能適應企業(yè)對于海量數(shù)據(jù)的處理和快速、深度挖掘的需求，因此作者認為制造企業(yè)迫切需要運用大數(shù)據(jù)技術對企業(yè)能源消耗進行預測。本文試圖對制造企業(yè)運用大數(shù)據(jù)技術進行能耗預測時面臨的機遇與挑戰(zhàn)進行分析，并給出制造企業(yè)大數(shù)據(jù)能耗預測的一種可選框架。

一、裝備制造企業(yè)大數(shù)據(jù)能耗預測架構分析

大數(shù)據(jù)背景下的制造企業(yè)，僅對直接生產(chǎn)數(shù)據(jù)進行處理是不能滿足其需求的，因而要處理多元化的數(shù)據(jù)。在大數(shù)據(jù)時代，我們可以便捷地獲取和存儲各類數(shù)據(jù)，從而幫助我們實現(xiàn)全集數(shù)據(jù)庫的建立。全集數(shù)據(jù)使數(shù)據(jù)的分析過程更加全面，能夠發(fā)現(xiàn)很多隱性的細節(jié)，使數(shù)據(jù)分析的結果更加精確。

制造企業(yè)中的全集數(shù)據(jù)具有不同的數(shù)據(jù)來源，不同數(shù)據(jù)間的獲取、轉(zhuǎn)換相互獨立，因此傳統(tǒng)的集中數(shù)據(jù)存儲方法已不再適用。分布式存儲已成為當前大數(shù)據(jù)分析中的主流解決方案，該技術采用可擴展的系統(tǒng)結構，利用多臺存儲服務器和位置服務器，對存儲負荷進行負載均衡，對存儲信息進行定位，大大增強了系統(tǒng)的穩(wěn)定性以及數(shù)據(jù)的存取效率，并具有易于擴展的優(yōu)點，動態(tài)適應能力較強。

在本文的架構當中，全集數(shù)據(jù)被分散的存儲在分布式系統(tǒng)的各個節(jié)點中，針對當前大數(shù)據(jù)環(huán)境下的數(shù)據(jù)增長速度較快的問題，僅需在當前的分布式存儲系統(tǒng)中增加相應數(shù)量的節(jié)點即可，這樣就保證了系統(tǒng)的拓展性問題。

雖然分布式的數(shù)據(jù)存儲系統(tǒng)為我們解決了數(shù)據(jù)存儲的問題，但是未能實現(xiàn)對大量數(shù)據(jù)的實時獲取功能，造成了企業(yè)的業(yè)務系統(tǒng)對數(shù)據(jù)進行獲取以及使用的過程中，存在較為嚴重的數(shù)據(jù)滯后問題。因此在本文設計的架構中，在分布式節(jié)點存儲數(shù)據(jù)之后，會將計算節(jié)點融合在數(shù)據(jù)旁的CPU之中，將計算推向數(shù)據(jù)，取代傳統(tǒng)意義程序從數(shù)據(jù)庫獲取數(shù)據(jù)進行計算，進而轉(zhuǎn)變?yōu)樵朴嬎愕募軜嬆Ｊ健?/p>

分布式數(shù)據(jù)存儲、計算系統(tǒng)在功能結構上包括分布式基礎設施層、平臺層與軟件層3個層次。

二、制造企業(yè)分布式計算架構設計

（一）基礎層

在分布式架構的基礎層中主要是分布式存儲的各個結點和計算系統(tǒng)的計算單元，各結點位于分布式結構的基礎設施當中，并且它們之間可以進行分組，每組中都會有一個目錄服務器節(jié)點，它的作用是對該組節(jié)點進行統(tǒng)一任務分配，并且對計算結果進行匯總，而且可以作為各結點的文件和數(shù)據(jù)索引。在每一組結點的外部，都存在一個總目錄服務器的節(jié)點，對于所有的分布式基礎設施進行任務分配以及計算結果的匯總，并且作為下層各目錄服務器的文件和數(shù)據(jù)索引。

（二）平臺層

服務類引擎以及數(shù)據(jù)類引擎等均位于平臺層中，其中數(shù)據(jù)引擎主要包括能源數(shù)據(jù)引擎，供應鏈數(shù)據(jù)引擎，人力數(shù)據(jù)引擎，財務數(shù)據(jù)引擎，生產(chǎn)數(shù)據(jù)引擎等。服務引擎主要包括用戶身份認證引擎，企業(yè)報表引擎，數(shù)據(jù)統(tǒng)計分析引擎等，上述的服務引擎和數(shù)據(jù)引擎作為架構中軟件層的核心，為上層提供相應的數(shù)據(jù)接口以及一些通用功能類接口。比如，系統(tǒng)中各類對能源數(shù)據(jù)有需求的業(yè)務系統(tǒng)可以調(diào)用能源類數(shù)據(jù)引擎所提供的數(shù)據(jù)接口，通過傳遞參數(shù)的方式獲取到所需的能源數(shù)據(jù)。文中提及的平臺層的引擎均具備較強的通用性和適應性，根據(jù)不同的業(yè)務邏輯需求進行適配。目前平臺層采用的是Google公司的MapReduce數(shù)據(jù)分析處理框架。2004年Google公司提出的MapReduce[1]編程模型采用批處理模式，其為目前批處理方式采用的主要模型。

（三）軟件層

軟件層作為該架構的最頂層，本層主要包括了與大數(shù)據(jù)綜合分析直接相關的各個業(yè)務系統(tǒng)，軟件層的最終目標是將數(shù)據(jù)轉(zhuǎn)化為有價值的信息，并通過合理的方式將其展現(xiàn)在企業(yè)高層與相關用戶面前。要完成本層中各個業(yè)務系統(tǒng)的功能目標，需要通過調(diào)用平臺層提供的各類數(shù)據(jù)接口，將數(shù)據(jù)篩選條件作為參數(shù)傳遞給平臺層，從而獲取到對應的數(shù)據(jù)，將數(shù)據(jù)進行處理后，使用數(shù)據(jù)挖掘方法對數(shù)據(jù)進行深層次加工，進而實現(xiàn)系統(tǒng)功能。顯而易見，該部分的核心內(nèi)容就是數(shù)據(jù)挖掘算法，挖掘算法的精確程度將對系統(tǒng)分析結果的精確性和準確性產(chǎn)生影響。