选煤智能系统的制作方法

本发明涉及企业管理技术领域，尤其涉及一种选煤智能系统。

背景技术：

由于目前提倡将先进的大数据、人工智能、物联网、云计算等互联网技术深度融合到复杂制造过程，打造全域感知、全局协同、全线智能的“工厂大脑平台”，在目前的煤炭原料选择的企业平台管理中，对企业的数字化、智能化转型率较低，会降低企业的持续竞争力。

技术实现要素：

本发明的目的在于提供一种选煤智能系统，提高企业的持续竞争力。

为实现上述目的，本发明提供了一种选煤智能系统，所述选煤智能系统包括数据接入层、数据研发层、数据开发层和数据服务层，所述数据接入层、所述数据研发层、所述数据开发层和所述数据服务层依次连接；

所述数据接入层，用于对多种数据源提供接入能力，同时提供离线数据同步和实时数据采集与同步；

所述数据研发层，用于提供火花流法的实时计算和多种离线计算；

所述数据开发层，用于提供全域融通的数据资产管理服务；

所述数据服务层，用于为多种应用提供数据交换、共享和api服务。

其中，所述数据开发层包括物理支持模块、应用模块和运维模块，所述物理支持模块、所述应用模块和所述运维模块依次连接，所述应用模块还与所述数据研发层连接；

所述物理支持模块，用于为所述应用模块提供多个处理器支持；

所述应用模块，用于根据接收到的数据建立数据库，并利用大数据算法建模平台进行数据融合；

所述运维模块，用于对所述应用模块的操作进行记录和监控，并对数据和配置进行管理。

其中，所述应用模块包括数据库单元和大数据算法单元，所述数据库单元与所述大数据算法单元连接；

所述数据库单元，用于根据所述数据研发层传输过来的所有数据建立数据库；

所述大数据算法单元，用于利用构建的大数据算法建模平台计算出对应的决策信息，并对所述决策信息进行调优和部署。

其中，所述运维模块包括数据管理单元和配置管理单元，所述数据管理单元与所述数据库单元连接，所述配置管理单元与所述大数据算法单元连接；

所述数据管理单元，用于对数据质量、数据资产、数据建模标准和数据脱敏进行管理，并划分数据权限；

所述配置管理单元，用于对数据地图、血缘、标签和任务运维进行管理。

其中，所述数据开发层还包括意见沉淀层，所述意见沉淀层与所述配置管理单元连接；

所述意见沉淀层，用于为所述大数据算法建模平台提供专业的算法组件和解决方案。

本发明的一种选煤智能系统，所述选煤智能系统包括数据接入层、数据研发层、数据开发层和数据服务层，通过所述数据接入层接收海量的数据源，对接收的数据源进行同步后，利用所述数据研发层进行实时计算和离线计算；接着利用所述数据开发层，通过大数据算法建模平台进行全域融通的数据资产管理服务；并通过所述数据服务层为多种应用提供数据交换、共享和api服务，将先进的大数据、人工智能、物联网、云计算等互联网技术深度融合到复杂制造过程，打造全域感知、全局协同、全线智能的“工厂大脑平台”，大幅度推进企业全面的数字化、智能化转型，深入挖掘数据带来的价值，进一步提升企业的持续竞争力，持续增强企业的盈利能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种选煤智能系统的结构示意图。

图2是本发明提供的应用模块的结构示意图。

图3是本发明提高的运维模块的结构示意图。

1-数据接入层、2-数据研发层、3-数据开发层、4-数据服务层、5-物理支持模块、6-应用模块、7-运维模块、61-数据库单元、62-大数据算法单元、63-存储单元、71-数据管理单元、72-配置管理单元、73-日志记录单元、74-监控单元、8-意见沉淀层。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1至图3，本发明提供一种选煤智能系统，所述选煤智能系统包括数据接入层1、数据研发层2、数据开发层3和数据服务层4，所述数据接入层1、所述数据研发层2、所述数据开发层3和所述数据服务层4依次连接；

所述数据接入层1，用于对多种数据源提供接入能力，同时提供离线数据同步和实时数据采集与同步；

所述数据研发层2，用于提供火花流法的实时计算和多种离线计算；

所述数据开发层3，用于提供全域融通的数据资产管理服务；

所述数据服务层4，用于为多种应用提供数据交换、共享和api服务。

在本实施方式中，选煤智能系统总体架构涵盖了从所述数据接入层1、所述数据研发层2、所述数据开发层3(包括iaas层、paas层、saas层)、到所述数据服务层4。实现了公司内外部、在线、离线、it、ot的数据采集，传输、存储、建模、应用开发、服务用户。选煤智能系统搭建软件平台部分的核心任务为paas层数据资源管理子平台与大数据算法建模子平台的构建，数据的治理与标准化在搭建数据资源管理系统中完成，规范成统一的人、机、料、法、环、能、测等的标准数据仓库与数据体系，并对外提供数据服务。

系统硬件网络架构。用户请求通过门户负载均衡服务器转发到门户服务器集群，报表相关业务会转发给报表服务器集群处理，同时，源业务系统数据通过etl服务器集群进行转换处理。报表服务器集群和etl服务器集群也会和大数据集群进行交互，通过大数据集群，提供数据资源管理和算法建模分析支持。

首先由所述数据接入层1提供对海量数据源的接入能力，包括：关系型数据库、大数据存储、半结构化数据、时序数据、消息队列、iot等；提供离线数据同步、实时数据采集支持，增量、全量同步支持。然后所述数据研发层2提供基于sparkstreaming(火花流)的实时计算；提供基于hadoop3.0、hive2.1.0、spark2.4.0、搜索引擎、mpp的离线计算；然后将数据传输到所述数据开发层3，提供全域融通的数据资产管理服务：数据地图、血缘、标签、目录等；内置多种数据质量校验规则，支持双表逐行校验，支持表级、字段级数据质量监控等。最后由所述数据服务层4为百花齐放的应用提供数据交换、共享、api服务，包括推荐系统、可视化大屏、移动机器学习框架、手机应用、pc应用等，建设企业的数据中枢管理系统作为企业的数字化基础设施，全面打通研发、销售、生产、供应链、质量、售后服务等各个业务部门和系统的全量数据，解决企业的信息孤岛、数据无法发挥价值的问题，实现数据的实时全量在线；打造数字基础体系，建立经营的数字化协同调度体系，数字化智能决策与优化体系；将先进的大数据、人工智能、物联网、云计算等互联网技术深度融合到复杂制造过程，打造全域感知、全局协同、全线智能的“工厂大脑平台”，大幅度推进企业全面的数字化、智能化转型，深入挖掘数据带来的价值，进一步提升企业的持续竞争力，持续增强企业的盈利能力。

进一步的，所述数据开发层3包括物理支持模块5、应用模块6和运维模块7，所述物理支持模块5、所述应用模块6和所述运维模块7依次连接，所述应用模块6还与所述数据研发层2连接；

所述物理支持模块5，用于为所述应用模块6提供多个处理器支持；

所述应用模块6，用于根据接收到的数据建立数据库，并利用大数据算法建模平台进行数据融合；

所述运维模块7，用于对所述应用模块6的操作进行记录和监控，并对数据和配置进行管理。

在本实施方式中，由所述物理支持模块5向所述应用模块6提供多种、数量不一的处理器(如gpu、k8s等)用于应用支撑，有了强大的处理器支撑后，所述应用模块6能根据接收到的数据建立数据库，并利用大数据算法建模平台进行数据融合，同时由所述运维模块7提供运维支持，将工业机理、经验、管理模式、设计准则等工业知识与智能算法相结合，通过利用自然语言处理nlp，实现面向特定场景的智能决策系统的快速开发实现，深度挖掘数据背后的价值，所述运维模块7相当于数据资源管理子平台，是一款数据开发与管理平台，用于建设数据中台，让数据开发者能够像使用传统数据库一样的使用工厂大脑。产品需要提供总体概览、数据集成、数据开发、数据运维、数据质量、数据标签、服务开发、数据模型等功能,能够贯穿整个生成过程中数据的采集、存储、计算、应用等全链路，将企业数据汇集、打通、重组成真正可用、“人机料法环”清晰定义的数据中台，帮助企业掌握数据资产状态，为各业务提供统一、高效的数据服务。

进一步的，所述应用模块6包括数据库单元61和大数据算法单元62，所述数据库单元61与所述大数据算法单元62连接；

所述数据库单元61，用于根据所述数据研发层2传输过来的所有数据建立数据库；

所述大数据算法单元62，用于利用构建的大数据算法建模平台计算出对应的决策信息，并对所述决策信息进行调优和部署。

在本实施方式中，由于所述数据接入层1会接收海量的数据源，因此利用所述数据库单元61将接收到的所有数据源进行存储，便于后续的使用，然后通过所述大数据算法单元62中构建的大数据算法建模平台根据不同部门不同场景下的业务诉求，经由大数据算法建模系统，对所需要的数据进行快速灵活的装配，大数据算法建模系统协同来自不同业务系统的标准数据块，结合业务规则、机理规则、业务数据、ai智能等，计算产出决策结果；所产出的决策信息，经由执行后的结果，将再次回到大数据资源管理系统，从而形成数据的环路，通过ai算法，不断自学习与优化决策过程。

其中，所述大数据算法建模平台将工业机理、行业经验，不断规范化数据化，可协同可分享可沉淀，将工业机理行业经验与大数据人工智能算法融合，沉淀成行业算法模型。大数据算法建模平台应具备灵活的框架优势：

①支持maxcompute、hadoop等多计算引擎；

②支持hdfs，odps，oss，mysql，oracle及本地数据源；

③支持开源spark工具；

④支持java、python、nodejs等多种语言编译环境；

⑤提供vscode、notebook等在线开发工具；

大数据算法建模平台融合工业智能模型与实际业务流程，开发工业智能业务程序。提供图形化数字化业务决策过程，算法模型融入业务决策流程，支持任意组态，组态即部署即发布，灵活组件，满足跨行业场景下的复用。

大数据算法建模平台是一种工业智能建模协同平台，用于开发工业智能应用，可以快速完成数据模型建立、调优、部署应用，提高效率降低成本。

进一步的，所述应用模块6还包括存储单元63，所述存储单元63与所述大数据算法单元62连接；

所述存储单元63，用于将所述大数据算法单元62产生的决策信息进行保存。

在本实施方式中，利用所述存储单元63来将所述大数据算法单元62产生的决策信息进行保存，便于后续的查找与所述数据服务层4的使用。

进一步的，所述运维模块7包括数据管理单元71和配置管理单元72，所述数据管理单元71与所述数据库单元61连接，所述配置管理单元72与所述大数据算法单元62连接；

所述数据管理单元71，用于对数据质量、数据资产、数据建模标准和数据脱敏进行管理，并划分数据权限；

所述配置管理单元72，用于对数据地图、血缘、标签和任务运维进行管理。

在本实施方式中，利用所述数据管理单元71对数据建模标准、元数据、主数据、数据质量和数据脱敏进行管理和数据资产进行盘点，并对不同的数据源划分不同的数据权限，而所述配置管理单元72则包括血缘分析(血缘分析是指数据产生的链路，直白的来说，就是这个数据是怎么来的，经过了哪些过程和阶段，最终的结果是什么。)、标签管理、etl开发、任务运维、数据地图等功能，提高所述数据开发层3的管理服务功能。

进一步的，所述运维模块7还包括日志记录单元73和监控单元74，所述监控单元74与所述日志记录单元73连接；

所述日志记录单元73，用于对所有的过程进行记录保存；

所述监控单元74，用于对所述日记记录单元中的数据进行监控和预警。

在本实施方式中，由于数据在传输和计算的过程中，总会存在操作记录等，因此利用所述日志记录单元73将所有的操作记录以日志记录的形式保存下来，便于进行记录查找，而所述日志记录单元73只有记录功能，不能对保存的数据进行监测，因此利用所述监控单元74来监测所述日志记录单元73中的行为记录是否存在错误，并对错误的数据进行标记和警示，提高对数据的管理。

进一步的，所述数据开发层3还包括意见沉淀层8，所述意见沉淀层8与所述配置管理单元72连接；

所述意见沉淀层8，用于为所述大数据算法建模平台提供专业的算法组件和解决方案。

在本实施方式中，由于所述大数据算法单元62只是内部的一些决策意见，因此，在所述意见沉淀层8中增加专业性的如对应领域的专家提供的算法组件或者解决方案等，并融合进构建的所述大数据算法建模平台中，增加所述大数据算法建模平台的产生的决策信息的专业性，进一步提升企业的持续竞争力，持续增强企业的盈利能力。

本发明的一种选煤智能系统，所述选煤智能系统包括数据接入层1、数据研发层2、数据开发层3和数据服务层4，通过所述数据接入层1接收海量的数据源，对接收的数据源进行同步后，利用所述数据研发层2进行实时计算和离线计算；接着利用所述数据开发层3，通过大数据算法建模平台进行全域融通的数据资产管理服务；并通过所述数据服务层4为多种应用提供数据交换、共享和api服务，将先进的大数据、人工智能、物联网、云计算等互联网技术深度融合到复杂制造过程，打造全域感知、全局协同、全线智能的“工厂大脑平台”，大幅度推进企业全面的数字化、智能化转型，深入挖掘数据带来的价值，进一步提升企业的持续竞争力，持续增强企业的盈利能力。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。