云制造的数据采集与处理系统开发

　　摘 要

　　随着云制造概念在工业制造领域的深度融合，车间云端化建设已成为暨数字化、智能化建设之后的新趋势。作为最基本的生产单元，实现车间制造数据共享、离散资源管理和制造能力网络化等云功能，是云端化建设过程中必须解决的问题。

　　传统制造业通常存在以下问题：制造数据量大，共享性差，利用率低；资源离散分布，管理难度大，生产环节难以把控；制造能力过剩，难以准确表征，资源利用率低。针对上述问题，本文主要完成工作概括如下：

　　（1） 车间高性能传输网络架构和数据处理平台设计，及高并发多源异构数据采集软件设计与开发。针对云制造环境下对车间制造数据的需求，搭建了车间高性能传输网络结构，研发了多源异构设备统一采集软件，设计了支撑海量数据传输、处理和存储等功能的数据处理平台，并最终在模拟车间中进行了验证。

　　（2） 基于本体与语义化方法的资源虚拟化方法的设计与实现。根据资源分类结 果，利用本体和语义化的方法，借鉴 RDF 框架构建不同资源本体模型。结合动、静态数据，利用 XML 本体语言进行资源实例的语义封装，以提高资源本体的表征能力，并结合本体描述模型和 SpringBoot 框架开发了资源注册终端。

　　（3） 基于资源本体的制造资源知识图谱的研究与实现。结合各类资源本体的实例数据，抽取图谱所需的节点、属性等数据，通过建立启发式关系规则和资源关系处理算法，构建资源间关系数据。最后，完成对知识和关系数据的融合以及结构化处理，利用 InteractiveGraph 工具实现知识图谱的开发。

　　（4） 车间资源虚拟可视化管控系统的部署和测试。利用模块化理念，基于SpringBoot 框架实现了虚拟资源管理端和知识图谱终端的开发。结合数据采集，数据传输和数据处理平台，实现了基于 B/S 架构的车间信息可视化终端开发。最后，对系统传输、显示性能以及运行稳定性进行验证，证明了系统的有效性和准确性。

　　关键词：云制造，数据采集与处理，资源虚拟化，资源知识图谱，可视化

　　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

目录

　　第一章 绪 论

　　1.1 课题来源

　　本课题源于国家重大专项"用于钛合金壁板、复合材料等典型零件加工的高速立式五轴数控机床研制及自动化生产线示范应用",项目号：2017ZX04002001.

　　1.2 课题研究背景及意义

　　1.2.1 工业

　　4.0 与云制造工业制造业是推动国家改革发展的基石，是国民经济稳定增长的主体产业和核心支柱，其发展水平标志着一个国家的工业制造能力。"工业 4.0"概念的提出，明确了基于信息物理系统的（Cyber Physical System, CPS）数字化、智能化建设，开启了工业革命的新时代，并将智能化建设的推向了高潮。各国相继提出的智能化发展战略，如：美国"先进制造业国家战略"、法国"新工业法国计划"、英国"英国工业 2050 战略"与中国"中国制造 2025"[1].表明了推动 4.0 时代的工业制造模式改革，已是当前世界工业制造行业不可逆的发展趋势，"智能化工业制造"也将会逐渐成为现代化工业的新核心。现代化智能车间建设，离不开制造技术和信息技术的支撑，尤其在面向智能化、无人化的未来生产模式中，其需覆盖产品研发设计、生产制造等整个产品生命周期，突出制造系统集成化、决策过程智能化、加工过程自动化等特征[2].特别在航空制造领域，作为制造业的领头羊，其车间数字化、智能化水平高，制造资源具备相对独立分布和自治能力、分布异构性、异步协调协作性和动态性等特征。复杂的生产制造环境，导致生产信息的可读性较低，容易出现生产调度，任务执行，资源分配等系列问题。离散化的资源分布方式，也使得资源更加难以管理，容易产生设备闲置、故障停机等资源浪费的现象，这些客观问题严重限制了智能制造车间的进一步提升和发展。

　　云制造[3]作为一种网络化制造的新模式，在数字化、智能化建设环境下，推动了制造企业对车间资源的关注，其强调将制造业同云计算、物联网、大数据处理技术等相融合，实现物理制造资源向虚拟化资源（逻辑资源）转换。通过对虚拟资源和车间制造能力的集中化、可视化管理，提升各类资源的利用率，提高制造资源的共享性，服务性，并能满足用户各类按需制造服务。而整个世界兴起的智能制造的建设热潮，更促进了"网络化制造"、"云制造"等制造概念在工业制造领域的深度融合，加速了传统工业制造向现代化工业制造的转型，大量离散制造资源、工业应用程序以及复杂的信息系统的集成与整合。借助以云平台为基础的资源共享、信息共享和集中管理理念，将基础资源和生产数据构建为虚拟对象，打造一个高兼容性、高稳定性、运行高效的云制造平台，实现生产资源和生产活动在智能环境中感知、行动和行为，既满足了数字化车间智能化升级的基础风格，又能实现以工业大数据驱动的智能化生产车间的建设[4,5].

　　1.2.2 研究意义在工业

　　4.0 与云制造背景推动下，各制造行业纷纷追求对车间的智能化建设，虽然车间的智能化转型升级实施的如火如荼，但其仍面临一些不可避免的问题，尤其在以下几个方面：在物理资源层，实现设备互联和工业大数据的实时获取，把握生产制造过程；在网络层面，高灵活性、高扩展性的工业物联网络搭建以及设备、系统之间的相互交互的实现；在应用层面，以大数据为基础的远程资源监控和管理，设备预警维护，以及智能化的生产调度和任务排程等[6].国内制造企业，虽然在数字化、智能化层面已经取得进展，但仍处于较低的水平，尤其存在设备利用率低、制造系统协调性差、信息共享性差，生产管理多处于开环等问题。

　　为了满足制造企业对制造资源的监控和管理以及对资源信息的动态需求，提高车间的信息共享水平，促进生产制造过程的协调稳定，针对企业面临的车间资源管理和信息共享等问题。以云制造环境下的航空制造车间为对象，设计开发高效的数据采集和数据处理平台；研究结合本体语义技术和可视化技术的制造资源虚拟化方法，实现离散资源的集中化和可视化管理，提高资源利用和管理效率，增强资源信息的可共享性。最后，基于资源本体构建制造资源知识图谱，增强车间资源信息的关联性和可读性，从而为生产制造过程提供有效的信息保障。

　　1.3 国内外研究现状及存在问题

　　1.3.1 数据采集及处理技术研究现状

　　从工业 3.0 开始，信息化发展就已引起了人们对生产制造和运营管理过程中产 生的海量信息的关注。尤其在进入 4.0 时代后，大数据问题逐渐成为了各行各业中无法避免的问题，成为了行业数字化、智能化转型升级过程的一道门槛。因此，在这个以数据驱动的生产环境下，数据采集和处理等关键技术，也是我们当前需要关注的热点问题。

　　1.3.1.1 工业数据采集技术制造车间的建设

　　水平往往也决定了车间的数据采集方式。而制造车间的数据采集技术发展大致经历了传统数据采集、本地化数据采集和网络化数据采集三个阶段[7],其分别代表了以表单为形式的手工录入阶段；以 PLC（可编程逻辑控制器）、传感设备、设备数据采集卡或控制终端（工控机）为形式的数据采集站；以智能传感器、宏程序以及第三方标准接口等网络化采集方法。常见的数据采集方案如图 1- 1 所示：

　　目前，针对生产制造资源，如数控机床、工业机器人、AGV 小车等的数据采集，通常由外部传感设备、采集卡、嵌入式程序或者第三方协议/端口二次开发等形式组成。电子科技大学张心羽[8]较为全面的概括了当前数据采集方案，并以 OPC规范/第三方接口分别实现了西门子和华中-8 型数据采集系统的开发；华中科技大学谢青松[9]借鉴互联网行业中的 ETL（Extract-Transform-Load,抽取-转换-加载）技术，利用外部传感设备和 Apache Kafka 消息中间件实现数据的采集和高性能传输，提高了采集系统的可扩展性和灵活性；中科院王帅[10]利用 OPC 协议及机床数控系统的二次开发技术，针对西门子 840D 数控系统，实现一种基于 OPC 技术的多线程数据采集系统的开发，其多线程的开发方式，支撑了其基于 OPC 服务器的跨平台数据采集功能；合肥工业大学曹志成[11]利用冲压机床数控系统的第三方标 准接口、外部传感设备以及 Ethernet 工业以太网环境，实现了对机床数据的采集和数据存储；Jiedi Sun 等[12]以旋转机械的轴承为对象，采用非线性投影的方法实现对数据采集过程的数据压缩，减少了采集的数据量，并实现了变换域的自动特征提取，提高了对数据采集效率；Weili Li 等[13]以能源智能设备为对象，分别研究了基 于串口与 OPC 协议的能源数据采集方法，通过 Modbus-RTU 协议，结合智能设备串口实现了对设备数据的远程采集系统开发；结合 OPC 协议实现了嵌入式数据采集客户端的开发，实现能源消耗数据的采集以及网络传输与数据访问；Xing J 等[14]以设备控制器为对象，开发了基于串口协议的嵌入式数据采集系统，通过设备控制器实时采集数据，利用串口协议实现数据传输，并由 SQLite 数据库完成数据存储。

　　综上，目前车架数据采集方法存在以下局限：首先，面向的采集对象单一，多是针对某类或某具体产品的采集方案，采集效率低，通用性差；其次，专用的外界采集设备、第三方采集软件或标准协议开发的采集程序存在着价格昂贵、维护成本高和适应性差等不足；最后，不同的设备及其配套的数据采集程序，其相互之间存在一定的技术壁垒，难以实现融合开发，多源采集。在本课题中，资源数据是资源虚拟的重要支撑，因此，探究一种支持多源异构对象的高并发数据采集方案，对高效获取车间生产信息，避免数据浪费具有实际意义。

　　1.3.1.2 大数据处理技术

　　工业大数据存在以下几个特征：多源异构、数据量大、时效性要求强、波动多、数据间关系复杂且有效信息少等。一个高效合理的数据处理架构，直接决定了数据的利用效率。传统数据处理架构是单一流向运行，以批量处理为主要处理方式[15],无法满足企业的对数据处理的实时性需求。此外，采用单机数据存储和单一数据管理方式，难以保证数据存储的安全性以及获取效率，极大的限制了数据的有效利用。

　　设计一种高效的、稳定的、可靠的大数据处理方法和存储管理方法，满足企业在数据处理、存储和结果应用等方面的需求，是数据处理架构的研究热点。当前国内外数据处理架构的应用研究主要以传统线性处理架构、Lambda 架构[16]与 Kappa架构[16]为主，其基本组织结构如图 1-2 所示：

　　针对上述架构，Hausenblas Michale 等[17]系统的分析了 Lambda 架构的搭建要求、软件架构组成和实际应用效果等，进一步证明了 Lambda 架构在解决大数据问题上的有效性；Hasani Zirije 等人[18]以 Lambda 架构为大数据处理框架，分析了用 户对数据批处理和实时处理的需求，并基于 Hadoop、Storm 以及 Kafka 等完成了框架的搭建，并验证了其处理功能和处理性能；Villari Massimo 等[19]提出了 AllJoynLambda 软件解决方案，通过将 AllJoyn 应用程序框架集成在 Lambda 架构中，以满足对日常嵌入式设备的数据处理和存储需求，并以智能家居为例，开发了一个集成了 AllJoyn 系统与 MongoDB 和 Storm 的软件原型；Suthakar Uthayanath 等[20]在监视任务中应用了 Lambda 体系，其使用 Apache Spark 生态系统优化原有 Lambda体系结构，将批处理和流处理相结合，补偿了批出理带来的延时，提高了整个模型的计算性能。Zsch?rnig Theo 等[21]针对个人数据分析需求，结合 Kappa 架构和微服务概念提出了一种轻量级灵活的分析架构，针对用户侧重的数据，分析不同场景下有限的数据量，有效的避免了原 Kappa 架构在高吞吐量情景下的不足，提高了整个处理架构的处理性能和灵活性。央视国际韩嫕[22]以大型新闻直播过程中的海量高并发数据为研究对象，基于 Hadoop、Kafka 以及 Spark 等组件实现了 Lambda 架 构，搭建了新闻实况转播的数据处理平台，满足了数据处理分析业务，验证了 Lambda 架构的实际应用效果；武汉大学王敏[23]以制造大数据为对象，设计并实现了面向制造大数据的分布式存储引擎，利用对象代理数据库实现元数据存储管理功能，并基于 Hadoop HDFS 系统实现了数据高效存储管理；华中科技大学梅红泉[24]基于 HBase 非关系型数据库，提出了一种面向实时工业数据的存储管理办法，实现了数据的采集、处理、过程监控以及存储，并能支持高并发的访问查询；重庆大学刘东洪[25]以机床运行状态为对象，探究了机床数据采集和信息存储涉及的关键技术，并基于 Hadoop 分布式存储系统（HDFS）开发了机床运行状态信息存储系统，为后续开发提供了解决方案。

　　经调研，当前的数据处理的需求主要体现在数据批处理和实时处理两方面，而数据存储需求体现在数据安全性。而上述架构仍没有剥离传统架构的单一数据流向的问题，其应用针对性强，难以适应生产制造车间的不同场景需求，数据处理结果利用效率低，也无法避免由于数据集中处理而引起的传输延时。因此，探究一种具备多种数据处理方式，支持数据高效传输、存储及利用数据处理平台，对提升工业数据利用率，具有极强的现实意义。

　　1.3.2 制造资源虚拟化技术研究现状

　　目前，云计算技术已能够较好的实现计算资源、存储资源和网络资源的虚拟化管理，而制造车间中包含大量的制造资源，其离散式的分布和多样化的数据，使得对制造设备的管理和制造信息掌握变得愈加困难。云制造的核心便是将所有资源转换为网络信息数据，借鉴云计算虚拟化技术实现制造资源的集中管理与监控，其正好适应了现有制造业对离散资源管理、资源服务网络化以及信息共享等需求。

　　华南理工大学姚锡凡等[26]从云资源的虚拟化和服务化的角度，基于 CloudSimJava 给出了设备资源虚拟化的模板，实现了基于 Tuscany SCA 的虚拟化零部件资源云服务发布；解放军信息工程大学刘静波等[27]提出了一种基于 IO 处理机的协作型虚拟机监控器，并建立了基于 IO 处理机的虚拟化模型，验证了虚拟化模型提供的环境更加稳定；任磊等[28]指出了虚拟化技术在云制造网络化制造模式下的重要意义，如资源共享、按需资源分配和多主体协同运行等，系统研究和分析了虚拟化关键技术；西南科技大学关贺[29,30]从资源需求出发，从成本、时间、可靠度和质量4 个维度，分析资源的各类属性，逆向构建了资源虚拟化描述模型，实现了基于需求的资源信息的精准表征；汪卫星等[31]提出了一种设备资源虚拟化封装框架与方法，利用 WSDL 语言构建了五元组实现了对资源的语义化封装，并完成了资源的实例的构建；哈尔滨工业大学娄旭伟[32]设计了云制造平台的层次模型和技术框架，明确了制造车间各层次之间的逻辑关系，并深入研究了不同制造资源的虚拟化方法，通过软硬件技术的结合实现了实验室车间虚拟化资源的汇集；电子科技大学李畅[33]针对 IoT 的各式设备，为统一表征各种资源数据信息，利用语义技术构建了资源的语义模型，将物理资源与逻辑上对应的资源的相互映射，并实现了资源创建、更新、查询等基本功能；东南大学刘宁[34]从多粒度多视角的层面构建了资源虚拟化框架，利用层次化方法组织资源各类属性，建立了制造资源和制造能力的描述模型，最终结合领域本体实现了资源实例语义的填充；重庆大学李孝斌[35]针对机床设备资源的异质异构、独立自治等特点与规范化描述的需求，提出了一种基于 Web的服务本体的资源语义化描述与封装的方法，并结合机床实例完成了方法验证；Yuyan Xu 等[36]根据目标测试设备特点，提出了一种基于云计算、自动测试标记语言（ATML）描述和数据映射的测试设备感知与虚拟化方法，通过设备的动态数据与静态元数据来实现对设备的虚拟化描述；Dmytro Ageyev 等[37]对应用于远程通讯网络中的资源虚拟化技术进行了详细划分，为软件层面的虚拟化方法，提供了指导意见；Yuqian Lu 等[38]以智能工厂建设为对象，提出了一个测试驱动的资源虚拟化框架，给出了资源虚拟化的实现流程，并基于 OWL 与 Protégé 工具完成了建模与实例的构建，最后在工厂数字双胞胎项目中进行了测试，验证了框架的商业价值和可行性。Morariu Octavian 等[39]探究了虚拟 MES 系统和车间设备的分类，区分了每种设备类型的虚拟化技术，车间虚拟化通过车间配置文件与实际资源的相互映射，并以工业机器人为例，进行了试验性实现。

　　综上，现有研究主要针对资源虚拟化的关键技术进行研究分析，对具体制造环境下多资源类别的虚拟化研究较为缺乏。其次，多数研究对象针对数控设备，对象单一，构建的本体模型数据大多为其静态属性，难以展现资源实际状态。因此，为满足不同资源类别的虚拟化需求，分析构建不同资源的虚拟化建模方法，实现同类资源的本体模板的可复用，提高资源的语义化封装效率；结合动态和静态数据，提高本体对实际资源的表征准确度，对实现车间资源虚拟化具备一定的现实意义。

　　1.3.3 知识图谱技术研究现状

　　知识图谱[40]（Knowledge Graphs）最早由 Google 提出，被用于搜索引擎中的语义检索从而达到提高信息检索质量的目的，后逐渐被推广至情报学、经济学以及文献检索等领域[41].通过将应用数学、图形学以及信息可视化技术等理论与计量学分析方法相结合，可视化的展现实体间的层级架构及关联信息，有效提高信息获取的效率，其基本组成单位是"实体-关系-实体",及其对应的属性值，相互联结构成网状的知识结构[42,43].

　　施昭等[44]以制造过程的资源编排为对象，构建了工艺特征和数据属性的本体模型，通过挖掘本体实例之间的关系，利用知识图谱的方式表达制造工艺知识和生产设备布局等信息，并依赖数据属性使图谱更加具体化；熊嘉强等[45]以学科体系为研究对象，通过建立学科本体模型，利用资源描述框架（RDF）进行知识的表示，并通过 Jsoup 爬虫实现了知识库的扩充，最终实现学科知识图谱的构建；韩志等[46]

　　采用 Web 本体语言（OWL）实现了高铁检测系统的本体建模，探究了本体与知识图谱的映射匹配机制，解决高铁机车设备运行数据的独立采集与分析造成的大量数据冗余以及数据结构不一致等问题；车金立等[47]以装备维修保障过程的信息化数据为对象，针对信息过载、知识搜索效率低下等问题，通过建立设备维修保障的知识图谱，有效提高了维修人员获取知识的效率和知识的共享程度，为维修保障提供了支持；内蒙古大学王洋[48]基于 BiLSTM-CRF 模型进行了铁路领域非结构化知识的提取，挖掘了实体间的关系数据，并提出了一种递进式铁路知识三元组处理方法，提升了知识图谱的构建质量；北京邮电大学李思珍[49]详细分析了构建知识图谱相关技术，设计了基于本体的半自动化表格知识抽取方法，并利用知识图谱问答系统算法实现了智能客户领域的知识图谱构建；Shahadat Uddin 等[50]基于文献计量学方法和文献中的元数据，提出了一个探索合作研究的知识演化和学术量化的研究框架，通过构建知识图谱实现了对合作研究类文献导向的直观了解；IreneYChen 等[51]提出了基于电子健康记录的医学知识图谱的构建，通过获取疾病和症状之间的关联信息，为医学诊断提供了有效的信息支撑，并通过对病人康复情况的检测，进行了图谱知识准确度的校验；Remzi Celebi 等[52]构建了药物及其相互作用的知识库，利用逻辑回归、朴素贝叶斯和随机森林等算法实现了药物相互作用的预测，从而满足药物开发过程的安全性研究与上市后的市场监视等需求。Xuedong Li 等[53]基于不完全知识图谱构建了罕见疾病的分类，并结合深度学习知识对数据进行有效梳理，对于疾病早期风险划分和靶向治疗发挥了重要作用。

　　综上，知识图谱在情报学及其子领域已有一定的研究和应用深度，其提高了某一领域知识的关联性，提升了信息的读取效率和质量。在工业制造环境中，掌握复杂的制造资源信息及状态，是提高生产效率的重要保障。因此，为提高对制造资源关联信息的掌握，提高车间信息的可读性和读取效率，结合车间资源本体，挖掘不同资源间关联信息，实现资源知识可视化呈现，满足生产制造过程的信息需求。

　　1.4 论文研究的主要内容

　　针对制造车间云端化建设过程中的资源虚拟化和信息可视化等问题，以电子科技大学机电学院智能装备及其控制技术团队模拟车间为对象，研究在云制造环境下的车间资源虚拟化与信息可视化问题，文章的技术路线可概括为图 1-3 所示：

　　本文的主要内容可分为以下几个方面：

　　（1） 基于"5C"架构[54]的车间高性能传输网络架构、数据处理平台及高并发多源异构数据采集软件设计与开发。结合云环境对车间多源制造数据的需求，借鉴以CPS 为核心的数据价值体系架构--"5C"架构，搭建了车间 EtherCAT 实时以太网网络，保障数据传输和采集效率等物理需求；针对车间异构设备，研究了多源异构设备统一实时采集技术、数据传输、处理与分布式存储技术，并最终在模拟车间验证数据采集与存储过程的正确性和可靠性。

　　（2） 基于本体的车间物理资源虚拟化方法的设计与研究。探究基于物联网、数据采集和处理平台的制造资源虚拟化方法，根据各类制造资源的应用范畴和特点进行资源分类，借鉴云计算虚拟化技术的思想，利用本体和语义化的方法，构建不 同资源本体模型。进一步结合数据采集获取的动态和静态信息，利用规范化的本体语言进行资源的语义化封装，从而更加准确的表征资源设备的各项属性，实现物理资源的虚拟转化。

　　（3） 基于资源本体实例的制造资源知识图谱分析与构建。结合各类资源的资源本体实例数据，进一步挖掘与不同资源之间的关联性、获取不同实体的关键信息、建立资源关系规则。通过利用海量车间半结构化数据，实现知识的抽取，并基于规则和模板的关系抽取方式，实现对本体数据关系的建立；通过对数据的结构化处理，完成对知识和关系数据的融合，借鉴 InteractiveGraphWeb 图形数据框架和 Tomcat服务器实现车间知识图谱的建立和网络发布。

　　（4） 车间资源虚拟可视化管控系统的设计与实现。首先，结合车间数据采集、传输和处理模块，搭建了基于 B/S 架构的资源信息可视化终端，实现了对车间状态的监控。其次，结合大数据处理工具如 Hadoop,Spark,Kafka 等，实现了 Phi 数据处理平台的搭建，并进行了数据处理和存储的验证。此外，结合 SpringBoot 架构，对资源虚拟化终端和知识图谱终端进行了设计开发。最后，验证了整套系统的性能与稳定性，证明了系统的有效性。

　　第二章 航空制造车间高并发数据采集及数据处理系统构建
　　2.1 EtherCAT 的车间高性能传输网络设计与搭建
　　2.1.1 车间组网协议研究
　　2.1.2 车间网络架构
　　2.2 多源异构设备数据采集客户端的设计与开发
　　2.2.1 数据采集客户端采集原理
　　2.2.2 工业数据采集方法对比
　　2.2.3 车间多源异构数据特点分析

　　2.2.4 数据采集方法的设计与实现
　　2.2.5 客户端数据采集验证
　　2.3 Phi 架构数据处理平台
　　2.3.1 数据处理架构的价值及需求
　　2.3.2 架构对比及优缺点
　　2.3.3 Phi 数据处理架构的设计及特点
　　2.3.4 数据处理架构的适用场景
　　2.4 本章小结

　　第三章 基于本体的航空制造资源虚拟化方法设计与构建
　　3.1 制造资源本体
　　3.1.1 本体定义
　　3.1.2 资源虚拟化技术分类与区别
　　3.2 资源虚拟化本体建模分析
　　3.2.1 资源分类
　　3.2.2 航空资源特点与属性
　　3.2.3 车间资源的本体模型分析与分类
　　3.2.4 资源本体建模流程设计

　　3.3 资源本体实例模型的设计与实现
　　3.3.1 资源类的概念分层与资源核心属性分析
　　3.3.2 资源本体语义化封装基本规则
　　3.3.3 资源本体语义化描述语言及工具
　　3.3.4 基于 RDF 三元组概念的资源本体描述模型构建
　　3.3.5 制造资源本体模型的实例化
　　3.4 基于动态数据的资源本体实例的构建方法改进
　　3.4.1 数据预处理及数据融合
　　3.4.2 资源本体注册与封装方法的改进
　　3.5 本章小结

　　第四章 基于资源本体实例的制造资源知识图谱分析与构建
　　4.1 Ontology 与知识图谱关系分析
　　4.1.1 Ontology 与知识图谱
　　4.1.2 关系分析
　　4.2 车间资源知识图谱构建
　　4.2.1 资源知识图谱体系构建流程
　　4.2.2 资源知识图谱数据来源
　　4.2.3 资源知识图谱数据结构
　　4.2.4 资源知识图谱数据预处理

　　4.3 资源关联分析
　　4.3.1 制造资源关系分析
　　4.3.2 基于模板的资源关系规则设计
　　4.3.3 制造资源关系规则处理与实现
　　4.4 基于本体的车间资源知识图谱设计
　　4.4.1 Neo4j 图数据库与 InteractiveGraph 图数据交互框架对比
　　4.4.2 基于 InteractiveGraph 的资源知识图谱设计
　　4.5 本章小结

　　第五章 数字化车间虚拟资源管控系统实现与部署
　　5.1 基于 Phi 架构的数据处理平台部署与测试
　　5.2 资源虚拟化模块开发
　　5.2.1 资源虚拟化注册端
　　5.2.2 资源虚拟化管理端
　　5.3 资源可视化模块开发
　　5.3.1 基于动态数据的实时状态信息监控模块
　　5.3.2 制造资源知识图谱模块
　　5.4 系统功能集成及测试
　　5.5 本章小结

第六章 总结与展望

　　6.1 论文成果总结

　　云制造环境下的智能化、数字化车间包含了各式各样的生产制造资源。而复杂的制造车间环境导致多样、离散的生产资源难以集中化管理，生产环节难以准确把控，海量的生产数据也无法有效利用。在云制造环境下，利用虚拟化技术实现物理制造资源向逻辑上对应的虚拟资源转化，成为了实现制造资源集中化管理和资源共享的关键步骤。

　　本文以航空制造车间环境为对象。分析研究了车间的高性能传输网络架构，设计开发了数据采集客户端，搭建了车间的大数据处理系统；针对车间不同制造资源，分析确定了资源虚拟化方法并构建了资源本体描述模型，优化了建模方法；利用制造资源本体数据，实现了资源知识图谱的构建；最终结合模块化开发方式，实现整个系统开发，并进行了系统性能和稳定性测试。全文完成的主要研究与工作内容为： （1） 设计并搭建了基于 EtherCAT 现场总线的高速传输网络，开发了高并发多源异构数据采集软件，并设计了数据处理架构。结合云环境下对车间多源制造数据采集的需求，结合"5C"架构，搭建了车间实时以太网网络环境架构。同时，研究了华中数控、ABB 机器人以及欧凯 AGV 小车等设备的统一设备采集方案，开发了多源异构设备采集软件，并验证了采集程序的准确性。最后，结合车间数据处理需求，设计了 Phi 车间数据处理平台，最终在模拟车间验证数据采集、处理和存储过程的正确性和可靠性。

　　（2） 设计了结合本体与语义化方法的制造车间物理资源虚拟化方法。针对多种制造资源划分了本体模型分类，确定本体建模方法，设计了各类制造资源的本体建模流程。基于本体构建基本规则、语言和建模工具，结合对制造资源的分类和属性分析结果，设计了制造资源本体结构化模型，并构建制造资源的描述模型。最后，对资源动态和静态数据进行了融合处理，并结合本体描述模板，构建了半自动的资源实例构建方法，不仅提高了对物理资源的表征能力，而且提高了资源虚拟化封装的效率。

　　（3） 实现了基于资源本体的车间制造资源知识图谱工业应用。研究分析了资源本体和知识图谱的数据映射方式，构建了资源知识图谱层级模型，并对各层作用进行了详细阐述。同时，分析并确定了资源动态数据和虚拟化数据两大来源，确定了知识数据类型和数据的结构，并利用海量半结构化数据，实现对图谱节点数据的抽取。通过进一步挖掘不同资源间的关系，建立相应的实例关系规则，完成了图谱对应关系数据的构建。最后，通过数据的结构化处理，实现节点数据和关系数据的融合，借鉴 InteractiveGraph 图形数据框架和 Tomcat 容器实现了资源知识图谱的构建与部署。

　　（4） 采用模块化技术实现了车间资源虚拟化管控系统开发以及性能和稳定性测试。首先，利用 SpringBoot 软件开发框架实现了资源虚拟化注册端和管理端的开发。其次，结合车间多源异构数据采集模块、数据传输模块，开发了 B/S 结构的车间信息可视化终端，实现了对车间状态的监控。最后，基于 Phi 数据处理架构，结合大数据处理工具：Hadoop,Spark,Kafka 等，完成了数据处理和存储平台的搭建，并针对系统的性能和稳定性进行了验证，进一步证明了整套系统的有效性和实用性。

　　6.2 未来展望

　　全文深入探究了将云制造中的资源虚拟化理念深入融合到实际制造环境的方案，并最终开发了制造资源的虚拟管控平台及其辅助大数据处理系统，以满足制造数据处理等需求。经过全面测试和验证，该平台具备一定的价值，并取得了一定的成果，但由于作者时间和实验条件限制，以下方面仍具备进一步研究的价值：

　　（1） 扩展与优化制造资源的本体建模方法和描述模型种类。本文制造资源的本体模型建模内容较为片面，为提高建模的准确性和适用范围，后续工作建议优化建模方法，并构建体系全面的制造资源本体模型。

　　（2） 制造资源的本体实例资源的工业应用。本文中对制造资源的本体实例文档，仅用于了数据共享和知识图谱的数据挖掘，后续应考虑将此类数据应用于生产排程和调度等工作，以维持稳定的生产过程。

　　（3） 知识图谱的关系挖掘算法。本文在构建制造资源知识图谱的关系数据时，利用启发规则（已定义的关系类型）和已知数据对资源实例间关系进行判断和建立，其存在较大弊端。后续应考虑结合深度学习算法，以提高关系建立的准确性和效率。

致 谢

　　至此，论文撰写工作已近尾声，三年研究生时光，转瞬即逝，自己也将结束学生生涯，进入社会。此刻，我内心感慨万千，因为三年中值得我留恋事和感恩的人太多太多。

　　在攻读硕士学位期间，首先，我要衷心感谢我的导师王伟教授。感谢您在科研学习上对我细心指引与激励，令我不断进步。感谢您在生活中贴心的关怀与照顾，您不仅教会了我科研学习的方法态度，更传授了我踏入社会的处事经验。同时，我还要感谢团队杜丽老师、丁杰雄老师、黄智老师、蒋劲茂老师、吕强老师、姜忠老师的耐心指导，您们对科研工作的严谨态度，令我受益终身。感谢李晴朝、李海两位博士师兄，黄璞、赵睿、何林山、冯可四位师兄，以及董礼仪、沈睿、龚维纬、李小龙、龚帝武等同窗，感谢你们三年来在科研学习和日常生活中的帮助与关心。

　　感谢教研室的师弟师妹，是你们的陪伴和欢声让我的生活更加精彩，希望你们在科研学习中不断探索研究，取得更好的成绩。

　　我还要感谢祖国与母校电子科技大学，为我们提供了优越的科研学习环境。感谢我的父母、老婆，你们是我科研学习中坚强的后盾，是你们的鼓励让我坚持，是你们的期待，让我时刻充满动力，有勇气、有毅力去挑战未来。

　　最后，感谢所有参与本文评审的、答辩工作的专家老师们的耐心指导，感谢您们提出的宝贵意见！

　　参考文献
　　[1] 王友发， 周献中。 国内外智能制造研究热点与发展趋势[J]. 中国科技论坛， 2016（04）：154-160
　　[2] 杜宝瑞， 王勃， 赵璐， 等。 航空智能工厂的基本特征与框架体系[J]. 航空制造技术，2015（08）：26-31
　　[3] 李伯虎， 张霖， 王时龙， 等。 云制造--面向服务的网络化制造新模式[J]. 计算机集成制造系统， 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。 机械产品装配车间可视化实时监控技术研究[D]. 合肥工业大学， 2015
　　[8] 张心羽。 基于过程数据分析的数控机床状态预测及故障预警研究[D]. 电子科技大学， 2017
　　[9] 谢青松。 面向工业大数据的数据采集系统[D]. 华中科技大学， 2016
　　[10] 王帅。 面向工业 4.0 的机床管理系统的研究与开发[D]. 中国科学院研究生院（沈阳计算技术研究所）， 2016
　　[11] 曹志成。 基于信息采集系统的冲压车间能量建模与仿真分析[D]. 合肥工业大学， 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] 王伟， 范磊， 黄璞， 李海。 面向航空数字化车间的新型工业数据处理架构及多场景应用[J/OL]. 计算机集成制造系统， 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] 韩嫕。 Lambda 架构在处理海量高并发数据中的应用[J]. 现代电视技术， 2016（12）：70-72
　　[23] 王敏。 制造业大数据分布式存储管理方法研究[D]. 武汉大学， 2017
　　[24] 梅红泉。 基于 HBase 的工业物联网数据存储策略研究[D]. 华中科技大学， 2016
　　[25] 刘东洪。 基于 Hadoop 的机床运行状态信息采集与存储平台研究[D]. 重庆大学， 2016
　　[26] 姚锡凡， 金鸿， 徐川， 等。 云制造资源的虚拟化与服务化[J]. 华南理工大学学报（自然科学
　　版）， 2013, 41（03）：1-7
　　[27] 刘静波 ,郭玉东 ,王晓睿， 等。 设备虚拟化方法研究与实现[J]. 计算机工程与设计， 2011,32（08）：2874-2878
　　[28] 任磊，张霖，张雅彬， 等。云制造资源虚拟化研究[J].计算机集成制造系统， 2011, 17（03）：511-518
　　[29] 关贺， 石宇强。 基于拉式理论的云制造资源虚拟化研究[J]. 西南科技大学学报， 2015,30（03）：85-88
　　[30] 关贺。 云制造资源调度与集成优化研究[D]. 西南科技大学， 2016
　　[31] 汪卫星， 刘飞， 申爱民。 一种云制造设备资源服务化封装方法[J]. 激光杂志， 2016,37（12）：87-90
　　[32] 娄旭伟。 云制造环境下生产资源虚拟化的研究与实现[D]. 哈尔滨工业大学， 2017
　　[33] 李畅。 面向语义的物联网资源分配与调度技术的研究[D]. 电子科技大学， 2018
　　[34] 刘宁。 云制造资源虚拟化关键技术及应用[D]. 东南大学， 2015
　　[35] 李孝斌。 云制造环境下机床装备资源优化配置方法及技术研究[D]. 重庆大学， 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] 胡泽文， 孙建军， 武夷山。 国内知识图谱应用研究综述[J]. 图书情报工作， 2013,57（03）：131-137+84
　　[42] 刘峤， 李杨， 段宏， 等。 知识图谱构建技术综述[J]. 计算机研究与发展， 2016, 53（03）：582-600
　　[43] 漆桂林， 高桓， 吴天星。 知识图谱研究进展[J]. 情报工程， 2017, 3（01）：4-25
　　[44] 施昭， 曾鹏， 于海斌。 基于本体的制造知识建模方法及其应用[J]. 计算机集成制造系统，2018, 24（11）：2653-2664
　　[45] 熊嘉强， 孙阳光。 基于本体的学科体系知识图谱构建研究[J]. 电脑知识与技术， 2019,15（09）：187-189
　　[46] 韩智， 周法国。 基于知识图谱的高铁动车设备检测系统的本体框架构建与维护[J]. 现代电子技术， 2018, 41（06）：11-14
　　[47] 车金立， 唐力伟， 邓士杰， 等。 装备维修保障知识图谱构建方法研究[J]. 兵工自动化， 2019,38（01）：15-19
　　[48] 王洋。 基于铁路领域的知识图谱研究与实现[D]. 内蒙古大学， 2019
　　[49] 李思珍。 基于本体的行业知识图谱构建技术的研究与实现[D]. 北京邮电大学， 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。 工业大数据：工业 4.0 时代的工业转型与价值创造[M]. 机械工业出版社， 2015
　　[55] Industrial ethernet FACTS 五大主流以太网技术比较 [N]. ETHERNET POWERLINK Association China, 2013, 05（2）
　　[56] 主流实时以太网技术比较[N]. ETHERNET POWERLINK Association China, 2011-07
　　[57] 黄璞。 基于 Kafka 的数字化制造车间大数据处理平台设计与实现[D]. 电子科技大学， 2019
　　[58] 杨超， 胡旭。 数据采集系统中多线程的使用[J]. 电子制作， 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] 周长春， 殷国富， 吴迎春， 等。面向制造网格的制造资源优化配置策略研究[J]. 四川大学学报（工程科学版）， 2009, 41（02）：237-244
　　[62] 郑涛。 云制造系统的云资源信息采集方法研究[D]. 浙江大学， 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.

（如您需要查看本篇毕业设计全文，请您联系客服索取）