3DVIA Composer делает возможным создание технических иллюстраций, видео и интерактивных 3D-объектов, которые не только обеспечивают лучшее восприятие информации, но и повышают качество документации. Использование интерактивных и графических элементов позволяет сократить объем примечаний, благодаря чему снижаются затраты на перевод текстов при выпуске документации на нескольких языках.

3DVIA Composer позволяет импортировать 3D-данные из большинства современных CAD- и PLM-систем в их собственных форматах или в 3DXML. Импортированные объекты группируются в сборке, на основе которой может быть сформирована спецификация (рисунок2.5). Разработанные интерактивные руководства можно сохранять в виде компактных EXE-файлов со встроенным бесплатным просмотрщиком 3DVIA Player, благодаря чему их можно открыть на любом компьютере без использования каких-либо предварительно установленных CAD-систем. Проекты 3DVIA Composer можно также сохранять в различных стандартных форматах, например PDF, HTML, SVG, CGM, 3DXML, AVI, Microsoft Office и др., которые позволяют применять графические и мультимедийные объекты 3DVIA Composer даже в традиционной текстовой документации. Таким образом, с появлением 3DVIA Composer уходят в прошлое малоэффективные и трудоемкие методы создания документации, исчезает потребность в услугах дорогостоящих специалистов (фотографов, художников-иллюстраторов), снижается себестоимость документации при одновременном повышении качества представления и восприятия материала.

Применение 3DVIA Composer позволяет существенным образом сократить время, затрачиваемое на переделку или обновление документации при внесении изменений в конструкцию изделия. Обновление происходит автоматически за счет ассоциативной связи с конструкторской 3D-моделью. Стоимость и сроки разработки документации также сокращаются за счет более эффективного использования информации о проектируемом изделии: разработку документации в 3DVIA Composer можно начинать на ранних этапах, когда конструкторская модель еще не сформирована полностью, а по завершении проектирования легко обновлять графический и мультимедийный контент в подготовленном шаблоне документа.

Рисунок 2.6- Жизненный цикл документации в жизненном цикле изделия: 1 -- разработка документации по традиционной технологии; 2 -- разработка документации с помощью 3DVIA Composer

2.2.4 OLAP-технологии

OLAP (англ. onlineanalyticalprocessing, аналитическая обработка в реальном времени) -- это класс приложений и технологий, предназначенных для оперативной аналитической обработки многомерных данных (сбор, хранение, анализ) для анализа деятельности корпорации и прогнозирования будущего состояния с целью поддержки принятия управленческих решений.

Причина использования OLAP для обработки запросов -- это скорость. Реляционные БД хранят сущности в отдельных таблицах, которые обычно хорошо нормализованы. Эта структура удобна для операционных БД (системы OLTP), но сложные многотабличные запросы в ней выполняются относительно медленно.

OLAP делает мгновенный снимок реляционной БД и структурирует её в пространственную модель для запросов. Заявленное время обработки запросов в OLAP составляет около 0,1 % от аналогичных запросов в реляционную БД [71].

Рисунок 2.7 - Общая схема работы настольной OLAP системы

OLAP-структура, созданная из рабочих данных, называется OLAP-куб. Куб создаётся из соединения таблиц с применением схемы звезды или схемы снежинки (рисунок 2.8). В центре схемы звезды находится таблица фактов, которая содержит ключевые факты, по которым делаются запросы. Множественные таблицы с измерениями присоединены к таблице фактов.

Рисунок 2.8 - Куб, разложенный по плоскостям в схеме «звезда»

Эти таблицы показывают, как могут анализироваться агрегированные реляционные данные. Количество возможных агрегирований определяется количеством способов, которыми первоначальные данные могут быть иерархически отображены.

OLAP-структура, созданная из рабочих данных, называется OLAP-куб. Куб создаётся из соединения таблиц с применением схемы звезды или схемы снежинки. В центре схемы звезды находится таблица фактов, которая содержит ключевые факты, по которым делаются запросы. Множественные таблицы с измерениями присоединены к таблице фактов. Эти таблицы показывают, как могут анализироваться агрегированные реляционные данные. Количество возможных агрегирований определяется количеством способов, которыми первоначальные данные могут быть иерархически отображены.

OLAP-куб содержит в себе базовые данные и информацию об измерениях (агрегатах). Куб потенциально содержит всю информацию, которая может потребоваться для ответов на любые запросы. Из-за громадного количества агрегатов, зачастую полный расчёт происходит только для некоторых измерений, для остальных же производится «по требованию».

Вместе с базовой концепцией существуют три типа OLAP -- OLAP со многими измерениями (Multidimensional OLAP -- MOLAP), реляционный OLAP (Relational OLAP --ROLAP) и гибридный OLAP (Hybrid OLAP -- HOLAP). MOLAP -- это классическая форма OLAP, так что её часто называют просто OLAP. Она использует суммирующую БД, специальный вариант процессора пространственных БД и создаёт требуемую пространственную схему данных с сохранением как базовых данных, так и агрегатов. ROLAP работает напрямую с реляционным хранилищем, факты и таблицы с измерениями хранятся в реляционных таблицах, и для хранения агрегатов создаются дополнительные реляционные таблицы. HOLAP использует реляционные таблицы для хранения базовых данных и многомерные таблицы для агрегатов. Особым случаем ROLAP является ROLAP реального времени (Real-time ROLAP -- R-ROLAP). В отличие от ROLAP в R-ROLAP для хранения агрегатов не создаются дополнительные реляционные таблицы, а агрегаты рассчитываются в момент запроса. При этом многомерный запрос к OLAP-системе автоматически преобразуется в SQL-запрос к реляционным данным.

Каждый тип хранения имеет определённые преимущества, хотя есть разногласия в их оценке у разных производителей. MOLAP лучше всего подходит для небольших наборов данных, он быстро рассчитывает агрегаты и возвращает ответы, но при этом генерируются огромные объёмы данных. ROLAP оценивается как более масштабируемое решение, использующее к тому же наименьшее возможное пространство. При этом скорость обработки значительно снижается. HOLAP находится посреди этих двух подходов, он достаточно хорошо масштабируется и быстро обрабатывается. Архитектура R-ROLAP позволяет производить многомерный анализ OLTP-данных в режиме реального времени.

Сложность в применении OLAP состоит в создании запросов, выборе базовых данных и разработке схемы, в результате чего большинство современных продуктов OLAP поставляются вместе с огромным количеством предварительно настроенных запросов. Другая проблема -- в базовых данных. Они должны быть полными и непротиворечивыми.

C технической точки зрения, представленные на рынке продукты делятся на «физический OLAP» ((M)ultidimensional) OLAP, ((H)ybrid OLAP) и «виртуальный» ((R)elational OLAP).

В первом случае наличествует программа, на этапе предварительной загрузки данных в OLAP из источников выполняющая предварительный расчёт агрегатов (вычислений по нескольким исходным значениям, например «Итог за месяц»), которые затем сохраняются в специальную многомерную БД, обеспечивающую быстрое извлечение. Примерытакихпродуктов -- MicrosoftAnalysisServices, OracleOLAPOption, Oracle/HyperionEssbase, Prognoz, SASOLAPServer, CognosPowerPlay. Hybrid OLAP является комбинацией. Сами данные хранятся в реляционной БД, а агрегаты -- в многомерной БД.

Во втором случае данные хранятся в реляционных СУБД, а агрегаты могут не существовать вообще или создаваться по первому запросу в СУБД или кэше аналитического ПО. Примеры таких продуктов -- SAS, SAP BW, Deductor, BusinessObjects, Microstrategy.

Системы, имеющие в своей основе «физический OLAP» обеспечивают стабильно лучшее время отклика на запросы, чем системы «виртуальный OLAP». Поставщики систем «виртуальный OLAP» заявляют о большей масштабируемости их продуктов в плане поддержки очень больших объемов данных.

С точки зрения пользователя оба варианта выглядят похожими по возможностям.

2.2.4.1 Сравнение OLAP-серверов

Итак, суть OLAP заключается в том, что исходная для анализа информация представляется в виде многомерного куба, и обеспечивается возможность произвольно манипулировать ею и получать нужные информационные разрезы - отчеты. При этом конечный пользователь видит куб как многомерную динамическую таблицу, которая автоматически суммирует данные (факты) в различных разрезах (измерениях), и позволяет интерактивно управлять вычислениями и формой отчета. Выполнение этих операций обеспечивается OLAP-машиной (или машиной OLAP-вычислений).

На сегодняшний день в мире разработано множество продуктов, реализующих OLAP-технологии. Чтобы легче было ориентироваться среди них, используют классификации OLAP-продуктов: по способу хранения данных для анализа и по месту нахождения OLAP-машины.

В приведенных таблицах сравниваются основные и технические характеристики основных OLAP-серверов.

Таблица 2.1 Сравнение OLAP-серверов

OLAP сервер	Вендор	Последняя стабильная версия	Лицензия ПО
Microsoft Analysis Services	Microsoft	2008	Проприетарное ПО
Essbase	Oracle	11.1.2	Проприетарное ПО
TM1	IBM	9.5	Проприетарное ПО
Mondrian OLAP server	Pentaho		EPL
Palo	Jedox		GPL v2 or EULA
Oracle OLAP Option	Oracle	11.2	Проприетарное ПО
Microstrategy OLAP Services	Microstrategy	9	Proprietrary
SAS OLAP Server	SAS Institute		Proprietrary

Из приведенной выше таблицы видно, что все перечисленные серверы являются проприетарным ПО, следовательно явных преимуществ отдельно взятого сервера перед другими по данному критерию не выявлено.

Таблица 2.2 Модель хранения данных

OLAPсервер	MOLAP	ROLAP	HOLAP	Offline
MicrosoftAnalysisServices	Да	Да	Да	Localcubes
Essbase	Да	Да	Да
TM1	Да	Нет	Нет
Mondrian OLAP server	Нет	Да	Нет
Palo	Да	Нет	Нет
Oracle OLAP Option	Да	Да	Да
Microstrategy OLAP Services	Да	Да	Нет
SAS OLAP Server	Да	Да	Да

В таблице 2.2 наглядно проиллюстрировано превосходство серверов от Microsoft, Essbase, OrackeиSAS.

В представленных ниже таблицах рассматриваются функции отдельно взятых серверов и операционные системы, под которыми эти серверы могут быть запущены.

Таблица 2.3 Операционные системы

OLAP Server	Windows	Linux	UNIX	z/OS
Microsoft Analysis Services	Да	Нет	Нет	Нет
Essbase	Да	Да	Да	Нет
TM1	Да	?	?	Нет
Mondrian OLAP server	Да	Да	Да	Да
Palo	Да	Да	?	Нет
Oracle OLAP Option	Да	Да	Да	?
Microstrategy OLAP Services	Да	?	?	Нет
SAS OLAP Server	Да	Да	Да	Да

Выбор сервера по критерию ОС зависит от потребностей потребителя.

Таблица 2.4 Функции OLAP

OLAP Server	Иерархии Parent-child	Semi-additive measures	Write-back	Партицирование
Microsoft Analysis Services	Да	Да	Да	Да
Essbase	Да	Да	Да	Да
TM1	Да	Да	Да	Нет
Mondrian OLAP server	Да	?	Нет	Нет
Palo	?	?	?	?
Oracle OLAP Option	Да	Да	?	Да
Microstrategy OLAP Services	?	?	Нет	?

Выводы и обоснование выбора OLAP-сервера более детально представлены далее в разделе 2.3.

2.2.5 DataMining

Развитие методов записи и хранения данных привело к бурному росту объемов собираемой и анализируемой информации. Объемы данных настолько внушительны, что человеку просто не по силам проанализировать их самостоятельно, хотя необходимость проведения такого анализа вполне очевидна, ведь в этих "сырых" данных заключены знания, которые могут быть использованы при принятии решений. Для того чтобы провести автоматический анализ данных, используется Data Mining.

Английский термин «Data Mining» не имеет однозначного перевода на русский язык (добыча данных, вскрытие данных, информационная проходка, извлечение данных/информации) поэтому в большинстве случаев используется в оригинале. Наиболее удачным непрямым переводом считается термин «интеллектуальный анализ данных» (ИАД).

Data Mining - это процесс обнаружения в "сырых" данных ранее неизвестных нетривиальных практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Data Mining являетсяоднимизшагов Knowledge Discovery inDatabases.

Информация, найденная в процессе применения методов Data Mining, должна быть нетривиальной и ранее неизвестной, например, средние продажи не являются таковыми [72]. Знания должны описывать новые связи между свойствами, предсказывать значения одних признаков на основе других и т.д. Найденные знания должны быть применимы и на новых данных с некоторой степенью достоверности. Полезность заключается в том, что эти знания могут приносить определенную выгоду при их применении. Знания должны быть в понятном для пользователя не математика виде. Например, проще всего воспринимаются человеком логические конструкции "если - то". Более того, такие правила могут быть использованы в различных СУБД в качестве SQL-запросов. В случае, когда извлеченные знания непрозрачны для пользователя, должны существовать методы постобработки, позволяющие привести их к интерпретируемому виду.

Алгоритмы, используемые в Data Mining, требуют большого количества вычислений. Раньше это являлось сдерживающим фактором широкого практического применения Data Mining, однако сегодняшний рост производительности современных процессоров снял остроту этой проблемы. Теперь за приемлемое время можно провести качественный анализ сотен тысяч и миллионов записей.

Задачи, решаемые методами Data Mining:

1) Классификация - это отнесение объектов (наблюдений, событий) к одному из заранее известных классов.

2) Регрессия, в том числе задачи прогнозирования. Установление зависимости непрерывных выходных от входных переменных.

3) Кластеризация - это группировка объектов (наблюдений, событий) на основе данных (свойств), описывающих сущность этих объектов. Объекты внутри кластера должны быть "похожими" друг на друга и отличаться от объектов, вошедших в другие кластеры. Чем больше похожи объекты внутри кластера и чем больше отличий между кластерами, тем точнее кластеризация.

4) Ассоциация - выявление закономерностей между связанными событиями. Примером такой закономерности служит правило, указывающее, что из события X следует событие Y. Такие правила называются ассоциативными. Впервые эта задача была предложена для нахождения типичных шаблонов покупок, совершаемых в супермаркетах, поэтому иногда ее еще называют анализом рыночной корзины (market basket analysis).

5) Последовательные шаблоны - установление закономерностей между связанными во времени событиями, т.е. обнаружение зависимости, что если произойдет событие X, то спустя заданное время произойдет событие Y.

6) Анализ отклонений - выявление наиболее нехарактерных шаблонов.

Для решения вышеописанных задач используются различные методы и алгоритмы Data Mining. Ввиду того, что Data Mining развивалась и развивается на стыке таких дисциплин, как статистика, теория информации, машинное обучение, теория баз данных, вполне закономерно, что большинство алгоритмов и методов Data Mining были разработаны на основе различных методов из этих дисциплин. Например, процедура кластеризации k-means была просто заимствована из статистики. Большую популярность получили следующие методы Data Mining: нейронные сети, деревья решений, алгоритмы кластеризации, в том числе и масштабируемые, алгоритмы обнаружения ассоциативных связей между событиями и т.д.

Knowledge Discovery in Databases (KDD) - это процесс поиска полезных знаний в "сырых" данных. KDD включает в себя вопросы: подготовки данных, выбора информативных признаков, очистки данных, применения методов Data Mining (DM), постобработки данных и интерпретации полученных результатов. Безусловно, "сердцем" всего этого процесса являются методы DM, позволяющие обнаруживать знания.

Этими знаниями могут быть правила, описывающие связи между свойствами данных (деревья решений), часто встречающиеся шаблоны (ассоциативные правила), а также результаты классификации (нейронные сети) и кластеризации данных (карты Кохонена) и т.д.

Процесс Knowledge Discovery in Databases, состоит из следующих шагов:

1) Подготовка исходного набора данных. Этот этап заключается в создании набора данных, в том числе из различных источников, выбора обучающей выборки и т.д. Для этого должны существовать развитые инструменты доступа к различным источникам данных. Желательно иметь поддержку работы с хранилищами данных и наличие семантического слоя, позволяющего использовать для подготовки исходных данных не технические термины, а бизнес понятия.

2) Предобработка данных. Для того чтобы эффективно применять методы Data Mining, следует обратить внимание на вопросы предобработки данных. Данные могут содержать пропуски, шумы, аномальные значения и т.д. Кроме того, данные могут быть избыточны, недостаточны и т.д. В некоторых задачах требуется дополнить данные некоторой априорной информацией. Данные должны быть качественны и корректны с точки зрения используемого метода DM. Поэтому первый этап KDD заключается в предобработке данных. Более того, иногда размерность исходного пространства может быть очень большой, и тогда желательно применять специальные алгоритмы понижения размерности. Это как отбор значимых признаков, так и отображение данных в пространство меньшей размерности.

3) Трансформация, нормализация данных. Этот шаг необходим для приведения информации к пригодному для последующего анализа виду. Для чего нужно проделать такие операции, как приведение типов, квантование, приведение к "скользящему окну" и прочее. Кроме того, некоторые методы анализа, которые требуют, чтобы исходные данные были в каком-то определенном виде. Нейронные сети, скажем, работают только с числовыми данными, причем они должны быть нормализованы.

4) Data Mining. На этом шаге применяются различные алгоритмы для нахождения знаний. Это нейронные сети, деревья решений, алгоритмы кластеризации, установления ассоциаций и т.д.

5) Постобработка данных. Интерпретация результатов и применение полученных знаний в бизнес приложениях.

Рисунок 2.9 - Алгоритм работы KDD

Knowledge Discovery in Databases не задает набор методов обработки или пригодные для анализа алгоритмы, он определяет последовательность действий, которую необходимо выполнить для того, чтобы из исходных данных получить знания. Данный подход универсальный и не зависит отпредметной области, что является его несомненным достоинством.



2.2.5.1 IBMSPSS

Программное обеспечение IBM SPSS -- всеобъемлющий комплекс инструментов для прогностической аналитики и анализа данных [73].

ВсоставIBMSPSSвходят: Data Collection;Statistics; Modeler;Collaboration and Deployment Services.

Программные продукты IBM SPSS Statistics позволяют эффективно анализировать данные, находить решения бизнес- и исследовательских задач, наглядно представлять результаты в виде таблиц и диаграмм, а также распространять и внедрять полученные результаты.

Рисунок 2.10 - SPSSDataEditor

Между 2009 и 2010 название программного обеспечения SPSS было изменено на PASW (Predictive Analytics SoftWare) Statistics [74].

28 июля 2009 компания объявила, что она была приобретена компанией IBM за 1,2 млрд долл. США. По состоянию на январь 2010 года компания стала называться «SPSS: An IBM Company».

По мнению некоторых авторов, SPSS «занимает ведущее положение среди программ, предназначенных для статистической обработки информации»[75].

Возможности:

§ Ввод и хранение данных;

§ Возможность использования переменных разных типов;

§ Частотность признаков, таблицы, графики, таблицы сопряжённости, диаграммы;

§ Первичная описательная статистика;

§ Маркетинговые исследования;

§ Анализ данных маркетинговых исследований.

Модули:Statistics Base; Advanced Statistics; Bootstrapping; Categories; Complex Samples; Conjoint; Custom Tables; Data Preparation; Decision Trees; Direct Marketing; Exact Tests; Forecasting; Missing Values; Neural Networks; Regression.

BM SPSS Statistics 18 функционируетподуправлением Windows XP, Windows Vista (32- или 64-разрядныхредакций), Windows 7, Mac OS X 10.5, Mac OS X 10.6 и Linux дляx86. Требует 800 МБайт места на жёстком диске и 1 ГБайт оперативной памяти.

2.2.5.2 Deductor

Deductor является аналитической платформой, т.е. основой для создания законченных прикладных решений. Реализованные в Deductor технологии позволяют на базе единой архитектуры пройти все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов.

Deductor предоставляет аналитикам инструментальные средства, необходимые для решения самых разнообразных аналитических задач: корпоративная отчетность, прогнозирование, сегментация, поиск закономерностей - эти и другие задачи, где применяются такие методики анализа, как OLAP, Knowledge Discovery in Databases и Data Mining. Deductor является идеальной платформой для создания систем поддержки принятия решений.

Deductor является аналитической платформой, в которую включен полный набор инструментов для решения задач Data Mining: линейная регрессия, нейронные сети с учителем, нейронные сети без учителя, деревья решений, поиск ассоциативных правил и множество других. Для многих механизмов предусмотрены специализированные визуализаторы, значительно облегчающие использование полученной модели и интерпретацию результатов. Сильной стороной платформы является не только реализация современных алгоритмов анализа, но и обеспечение возможности произвольным образом комбинировать различные механизмы анализа.

Deductor - полнофункциональная платформа для решения задач Knowledge Discovery in Databases, позволяющая провести все вышеописанные шаги.

1) Подготовка исходного набора данных. В состав системы входит Deductor Warehouse - многомерное хранилище данных, ориентированное на решение задач консолидации информации из разнородных источников и быстрого извлечения интересующего набора данных. Deductor Warehouse поддерживает богатый семантический слой, позволяющий конечному пользователю оперировать бизнес терминами для получения интересующих данных. Кроме собственного хранилища Deductor поддерживает работу и с другими источниками: Oracle, DB2, MS SQL, Informix, Sybase, Interbase, DBase, FoxPro, Paradox, MS Access, CSV (текстовые файлы с разделителями), ODBC, ADO. Для обеспечения максимального быстродействия Deductor поддерживает прямой (direct) доступ к большинству наиболее популярных баз данных.

2) Предобработка. Deductor содержит большой набор механизмов предобработки и очистки данных: заполнение пропусков, редактирование аномалий, очистка от шумов, сглаживание, фильтрация и множество других с возможностью комбинирования методов предобработки.

3) Трансформация, нормализация данных. Deductor включает большой набор механизмов трансформации данных, позволяющих провести всю подготовительную работу для последующего анализа. Кроме этого, система содержит широкий спектр механизмов нормализации для всех типов данных: числовых, строковых, дата/время и логических.

4) Data Mining. В состав пакета включены алгоритмы, реализующие популярные и эффективные методы Data Mining: нейронные сети, деревья решений, самоорганизующиеся карты Кохонена, ассоциативные правила и прочее.

5) Постобработка данных. Результаты любой обработки могут быть отображены при помощи большого набора механизмов визуализации: OLAP, таблицы, диаграммы, деревья и множество других. Для некоторых механизмов предусмотрены специализированные визуализаторы, обеспечивающие легкость интерпретации результатов. Результаты могут быть экспортированы для последующей обработки при помощи других приложений. Это дает возможность эффективно использовать полученные знания или модели на других данных.

Deductor удовлетворяет всем требованиям для успешного взаимодействия с экспертом (аналитиком):

· Единая платформа, в которой можно пройти все этапы Knowledge Discovery in Databases;

· Все операции производятся при помощи мастеров, благодаря которым снижаются требования к знанию экспертом математического аппарата;

· Возможность произвольного комбинирования любых методов обработки;

· Большой набор методов визуализации полученных результатов;

· Пакетное выполнение всей действий по обработке данных.

Рисунок 2.11 - DeductorViewer

Кроме того, Deductor содержит специальное приложение - Deductor Viewer для конечных пользователей, позволяющее им получить конечные результаты, без необходимости разибраться в методах анализа данных. Для получения результата пользователю достаточно просто выбрать нужный отчет, все остальное будет выполнено автоматически.

Deductor состоит из пяти частей:

· Studio - программа, реализующая функции импорта, обработки, визуализации и экспорта данных. Deductor Studio может функционировать и без хранилища данных, получая информацию из любых других источников, но наиболее оптимальным является их совместное использование. В Deductor Studio включен полный набор механизмов, позволяющий получить информацию из произвольного источника данных, провести весь цикл обработки (очистку, трансформацию данных, построение моделей), отобразить полученные результаты наиболее удобным образом (OLAP, диаграммы, деревья…) и экспортировать результаты на сторону.

· Viewer - рабочее место конечного пользователя. Позволяет отделить процесс построения сценариев от использования уже готовых моделей. Все сложные операции по подготовке сценариев обработки выполняются аналитиками-экспертами при помощи Deductor Studio, а Deductor Viewer обеспечивает пользователям простой способ работы с готовыми результатами, скрывает от них все сложности построения моделей и не предъявляет высоких требований к квалификации сотрудников.

· Warehouse - многомерное хранилище данных, аккумулирующее всю необходимую для анализа предметной области информацию. Использование единого хранилища позволяет обеспечить непротиворечивость данных, их централизованное хранение и автоматически обеспечивает всю необходимую поддержку процесса анализа данных.

· Server - служба, обеспечивающая удаленную аналитическую обработку данных. Позволяет автоматически обрабатывать данные и переобучать модели на сервере, оптимизирует выполнение сценариев за счет кэширования проектов и использования многопоточной обработки.

· Client - клиентдоступак Deductor Server. Обеспечивает доступ к серверу из сторонних приложений и управление его работой.

Реализованная в Deductor архитектура позволяет добиться максимальной гибкости при создании законченного решения. Благодаря данной архитектуре можно собрать в одном аналитическом приложении все необходимые инструменты анализа и реализовать автоматическое выполнение подготовленного сценария.

Технологическая платформа включает средства, позволяющие максимально сократить время разработки, быстро создавать и выводить на рынок новые прикладные решения и в короткие сроки адаптировать их в соответствии с изменяющимися требованиями предприятий. Возможности платформы обеспечивают не только высокую скорость первоначальной разработки продукта, но и его быструю адаптацию в дальнейшем.

Создание законченного решения занимает очень мало времени. Достаточно получить данные, определить сценарий обработки и задать место для экспорта полученных результатов. Наличие мощного набора механизмов обработки и визуализации позволяет двигаться по шагам, от наиболее простых способов анализа к более мощным. Таким образом, первые результаты пользователь получает практически сразу, но при этом можно легко наращивать мощность решения.

2.3 Выводы по разделу. Обоснование решения

В ходе выполнения данного раздела был проведен комплексный анализ программных продуктов и информационных систем, которые могут лечь в основу системы интеллектуальной паспортизации технологического оборудования. Комбинируя эти средства можно получить качественную информационную систему с возможность легкой интеграции с разработками, сделанными в данной работе. Это позволит создать гибкую систему паспортизации технологического оборудования с многообразным интеллектуальным функционалом, способную удовлетворят требованиям различных пользователей. Система приобретет фактор модульности, что так же увеличит ее востребованность и конкурентоспособность на рынке НТНВ.

Основой такой системы может послужить система цифрового макетирования. Однако данная система имеет массу недостатков по сравнению с системой, разрабатываемой в данной работе. Чтобы улучшить функционал существующей системы предлагается использование различных инструментов интеллектуального анализа данных и средств управления жизненным циклом изделия.

При рассмотрении систем управления жизненным циклом не стоит забывать, что такие системы, как Teamcenterи WindChillявляются веб-центричными, в то время, как остальные, рассмотренные в разделе 2.2.2, являются клиент-серверными. В контексте данной работы рационально использовать веб-центричные технологии.

В частности, из рассмотренных систем управления жизненным циклом объектов предлагается использовать PLM-систему Teamcenter от SiemensPLMSoftware, в основном в силу того, что она зарекомендовала себя на мировом рынке, как надежная, очень гибкая и многофункциональная система, что может быть выгодно для российского рынка потребителей и необходимо для продвижения системы и формирования ее имиджа на рынке НТНВ. Так же разумно было бы использовать систему ArasInnovator в силу ее распространения на условиях открытого кода. Однако данная система не является полнофункциональной и не позволяет всецело решать задачи системы интеллектуальной паспортизации технологического оборудования на данном уровне. В данном случае выбор системы создания ИЭТР не является существенным, так как две представленные в обзоре системы практически идентичны и отвечают всем поставленным требованиям. Эти системы, в контексте разрабатываемой методологии, являются средствами визуализации интерактивной технической документации.

При выборе OLAP-сервера рекомендуется остановиться на OracleOLAPOption, так как этот сервер поддерживает большее количество операционных систем при эквивалентной функциональности. Это, в свою очередь, повышает гибкость итоговой системы.

В качестве DataMiningсредства подойдет DeductorProfessioal, в сило того, что он доступнее, чем IBMSPSS, а его функционал полностью удовлетворяет поставленным задачам.

3. Моделирование процессов интеллектуальной паспортизации

Тенденции развития современных информационных технологий приводят к постоянному возрастанию сложности информационных систем, создаваемых в самых различных областях. Современные крупные проекты ИС характеризуются, как правило, следующими особенностями:

· сложность описания (достаточно большое количество функций, процессов, элементов данных и сложные взаимосвязи между ними), требующая тщательного моделирования и анализа данных и процессов;

· наличие совокупности тесно взаимодействующих компонентов (подсистем), имеющих свои локальные задачи и цели функционирования (например, традиционных приложений, связанных с обработкой транзакций и решением регламентных задач, и приложений аналитической обработки (поддержки принятия решений), использующих нерегламентированные запросы к данным большого объема);

· отсутствие прямых аналогов, ограничивающее возможность использования каких-либо типовых проектных решений и прикладных систем;

· необходимость интеграции существующих и вновь разрабатываемых приложений;

· функционирование в неоднородной среде на нескольких аппаратных платформах;

· разобщенность и разнородность отдельных групп разработчиков по уровню квалификации и сложившимся традициям использования тех или иных инструментальных средств;

· существенная временная протяженность проекта, обусловленная, с одной стороны, ограниченными возможностями коллектива разработчиков, и, с другой стороны, масштабами организации-заказчика и различной степенью готовности отдельных ее подразделений к внедрению ИС.

Для успешной реализации проекта объект проектирования (ИС) должен быть прежде всего адекватно описан, должны быть построены полные и непротиворечивые функциональные и информационные модели ИС. Накопленный к настоящему времени опыт проектирования ИС показывает, что это логически сложная, трудоемкая и длительная по времени работа, требующая высокой квалификации участвующих в ней специалистов. Однако до недавнего времени проектирование ИС выполнялось в основном на интуитивном уровне с применением неформализованных методов, основанных на искусстве, практическом опыте, экспертных оценках и дорогостоящих экспериментальных проверках качества функционирования ИС. Кроме того, в процессе создания и функционирования ИС информационные потребности пользователей могут изменяться или уточняться, что еще более усложняет разработку и сопровождение таких систем.

Перечисленные факторы способствовали появлению программно-технологических средств специального класса - CASE-средств, реализующих CASE-технологию создания и сопровождения ИС. CASE (Computer-AidedSoftwareEngineering) -- набор инструментов и методов программной инженерии для проектирования программного обеспечения, который помогает обеспечить высокое качество программ, отсутствие ошибок и простоту в обслуживании программных продуктов. Также под CASE понимают совокупность методов и средств проектирования информационных систем с интегрированными автоматизированными инструментами, которые могут быть использованы в процессе разработки программного обеспечения.

В этой главе рассматривается моделирование процессов различных составляющих интеллектуального электронного паспорта объекта.



3.1 Моделирование хранилища и баз данных в IDEF стандартах

Хранилище данных является необходимой составляющей для базовой части системы интеллектуального электронного документирования технологических объектов, содержащей наследуемые характеристики объекта.

Ниже приведены IDEF0 диаграмма хранилища данных (рисунок 3.1) ИЭП и ее декомпозиция (рисунок 3.2).

Рисунок 3.1 - IDEF0 диаграмма хранилища данных

Хранилище данных строится на базе клиент-серверной архитектуры, реляционной СУБД и утилит поддержки принятия решений. Данные, поступающие в хранилище данных, становятся доступны только для чтения. Данные из промышленной OLTP-системы копируются в хранилище данных таким образом, чтобы построение отчётов и OLAP-анализ не использовал ресурсы промышленной системы и не нарушал её стабильность. Данные загружаются в хранилище с определённой периодичностью, поэтому актуальность данных несколько отстает от OLTP-системы.

Рисунок 3.2 - Декомпозиция IDEF0 диаграммы хранилища данных

Операции с данными:

1. Извлечение - перемещение информации от источников данных в отдельную БД, приведение их к единому формату.

2. Преобразование - подготовка информации к хранению в оптимальной форме для реализации запроса, необходимого для принятия решений.

3. Загрузка - помещение данных в хранилище, производится атомарно, путем добавления новых фактов или корректировкой существующих.

4. Анализ - OLAP, Data Mining, Reporting ит. д.

5. Представление результатов анализа.

Далее представлена концептуальная модель связей в таблицах БД в соответствии с методологией IDEF1. Данная методология применяется для построения информационной модели, которая представляет структуру информации, необходимой для поддержки функций производственной системы или среды.Метод IDEF1 позволяет построить модель данных, эквивалентную реляционной модели в третьей нормальной форме.

Рисунок 3.3 - Реляционная модель данных IDEF1 в БД наследуемых параметров станка

Данная модель иллюстрирует информационные потоки внутри базы данных и позволяет отображать и анализировать их структуру и взаимосвязи. Данная база данных является тестовым примером наследуемых параметров станка, более детально рассмотренного в главе 4.



4. Предложения по реализации ИС управления знаниями технологического оборудования

В данной главе рассматривается практическая реализация работы и в качестве примера приводится база данных наследуемых параметров станка 2204ВМФ4. Данная база в совокупности с представленным далее в этой главе программным обеспечением формируют автоматизированную систему сбора и обработки наследуемых и оперативных данных предложенного станка. При использовании этой системы совместно с системами автоматизированного управления жизненным циклом изделия, системами интеллектуального анализа данных и другими системами, рассмотренными в разделе 2.2, возможно создать полноценную систему интеллектуального электронного документирования металлорежущих станков.

4.1 Анализ объекта исследований

Разработанная система испытывалась на сверлильно-фрезерно-расточном горизонтальном станке 2204ВМФ4.

Данный обрабатывающий центр выбран в силу его обширных возможностей и гибкости управления. Основные технические характеристики станка 2204ВМФ4 представлены в таблице 4.1.

Горизонтальный сверлильно-фрезерно-расточный станок с ЧПУ, крестовым столом и инструментальным магазином мод. 2204ВМФ4 предназначен для комплексной обработки с четырех сторон без переустановки корпусных деталей средних размеров. На станке может производиться получистовое и чистовое фрезерование плоскостей, пазов и криволинейных поверхностей концевыми, торцовыми и дисковыми фрезами, а также растачивание, сверление, зенкерование, развертывание, нарезание резьбы метчиками.

Шероховатость обработанной поверхности Ra 1,5...2,5 мкм. Управление станком производится с помощью микропроцессорного устройства ЧПУ и вручную (с пульта управления). На станке программируются координатные перемещения стола и шпиндельной бабки, скорости этих перемещений, режимы обработки, выбор и смена инструмента с коррекцией их размеров, выполняемых в автоматическом цикле.

Таблица 4.1 Основные технические характеристики станка 2204ВМФ4

Станок многоцелевой сверлильно-фрезерно-расточной горизонтальный 2204ВМФ4 для комплексной обработки корпусых деталей средних размеров без переустановки
Модель	2204ВМФ4
Класс точности станка по ГОСТ 8-82, (Н,П,В,А,С)	В
Длина рабочей поверхности стола, мм	500
Ширина стола, мм	400
Перемещение стола X,Y,Z, мм	500,500,500
Габариты станка Длинна Ширина Высота (мм)	4680_2805_2825
Масса, кг	6000
Мощность двигателя кВт	10
Пределы частоты вращения шпинделя Min/Max об/мин	20/5000
Число инструментов в магазине, шт	30

Особенностью станка является наличие устройства для контроля угла поворота шпинделя, позволяющее нарезать резьбу резцом, а также автоматически устанавливать ориентированный относительно продольной оси инструмент. Применение замкнутых роликовых направляющих качения и беззазорных шарико-винтовых пар повышает долговечность станка, плавность перемещения рабочих органов и КПД их приводов.

4.2 База данных наследуемых параметров обрабатывающего центра

Для демонстрации примера базовой части интеллектуального электронного паспорта сформирована база данных наследуемых параметров многоцелевого сверлильно-фрезерно-расточного горизонтального станка 2204ВМФ4.

База данных наследуемых параметров станка выполнена на платформе СУБД MySQL. Данная СУБД выбрана в силу того, что она имеет API для языков Delphi, C, C++, Эйфель, Java, Лисп, Perl, PHP, Python, Ruby, Smalltalk и Tcl, библиотеки для языков платформы .NET, а также обеспечивает поддержку для ODBC посредством ODBC-драйвераMyODBC.

Реляционная модель данных в соответствии с методологией IDEF1 представлена на рисунке 3.3 в разделе 3.1.Подобные базы могут быть использованы в системе интеллектуальной паспортизации технологического оборудования.При применении интеллектуального анализа данных к приведенной в примере базе данных, а также используя базы данных, сформированные при помощи программного обеспечения, приведенного далее в этой главе, можно с легкостью формировать базы знаний, необходимые для интеллектуального управления станком в процессе обработки деталей.

Листинг кода БД наследуемых параметров станка 2204ВМФ4 и концептуальной модели данных в БД представлены в приложении А.

4.3 Разработка программного средства для определения ошибки перемещения подвижных узлов станка

При решении задачи интеллектуальной паспортизации возникает проблема отслеживания погрешности координат перемещения подвижных узлов станка. Для решения данной проблемы предлагается соответствующее программное средство, представляющее собой устройство цифровой индикации. Данные, получаемые в процессе выполнения программы, используются для корректировки и увеличения точности исходных баз данных (как наследуемых данных, так и оперативных).



Рисунок4.1 - Программа для определения ошибки перемещения подвижных узлов станка

Устройство цифровой индикацииобеспечивает отсчет перемещений по двум осям координат с помощью первичных измерительных преобразователей типа ВЕ-164, ВЕ-178А5, ДФ-20, ЛИР или других, имеющих аналогичные характеристики. Для отслеживания погрешности перемещения координат станка была разработана программа, показанная на рисунке 4.1, которая позволяет отслеживать рассогласования привода по координатам X и Y. Далее эти рассогласования компенсируются путем корректировки управляющей программы станка.

Разработанное программное средство позволяет формировать данные, являющиеся оперативными параметрами станка. Таким образом, появляется возможность для формирования баз данных в реальном времени, отслеживая ошибки перемещения подвижных узлов станка. Получаемые базы данных в совокупности с базами данных наследуемых параметров формируют общее хранилище данных, готовое к обработке посредством интеллектуального анализа данных. Это позволяет формировать базы знаний, обеспечивающие интеллектуальное управление машиностроительным технологическим оборудованием.

Данное программное средство выполнено на языке программирования высокого уровня Delphi и состоит из следующих модулей:

- Mikro_1.dpr;

- CommunicationObj.pas;

- ddkint.pas;

- Unit_micro_1.pas;

- zlportio.pas.

Листинг модулей программы представлен в приложении Б.

4.4Преимущества и перспективы использования разработанных программных средств

В данном разделе продемонстрированы разработанные программные средства и сформированные, на основе полученных измерений, базы данных. Все это является необходимой частью информационной системы управления знаниями технологического оборудования. Так же стоит отметить, что данная работа является первым шагом на пути решения задач, сформулированных в магистерской диссертации, являющейся логическим продолжением представленного дипломного проекта. В магистерской диссертации будут рассмотрены вопросы создания единой системы формирования и управления комплексом знаний о технологическом оборудовании. Эти знания, в совокупности с данными из представленных в этом дипломном проекте БД,позволят управлять технологическим оборудованием с большей точностью и позволят создавать условия для более оптимизированного управления этим оборудованием.

Разработанные в этом дипломном проекте программные средства в совокупности с предложенными в аналитическом разделе существующими информационными системами смогут образовать полнофункциональную систему управления знаниями машиностроительного технологического оборудования. Это реализуемо при интеграции сформированных баз данных в среду интеллектуального анализа данных и управления многомерными базами данных. Например, при использовании OLAP-технологий в совокупности с инструментами KnowledgeDiscoveryinDatabasesи DataMining, можно формировать и осуществлять управление многомерными массивами знаний об определенном технологическом объекте.

Таким образом, сформированные предпосылки управления знаниями отвечают необходимым требованиям систем управления знаниями технологического оборудования, что позволяет формировать полноценные, гибкие и многофункциональные информационные интеллектуальные системы документирования и сопровождения металлорежущих станков, а так же систем формирования, структурирования, интерпретации и управления знаниями о машиностроительном технологическом оборудовании.



5. Экономическое обоснование исследования системы интеллектуальной паспортизации технологического оборудования

5.1 Характеристика НИР, в том числе логическая структурная рамка исследования в виде маркетинговой модели

Необходимость повышения качества выпускаемой продукции и возросшая конкуренция привела к заметному ужесточению требований, предъявляемых к технологическим машинам. Для того чтобы сохранить конкурентоспособность и вести эффективную экономическую деятельность, необходимо применять результативные системы контроля и управления этими машинами на всех этапах жизненного цикла. Предлагается инновационный подход к решению задач повышения эксплуатационных качеств технологических машин, в том числе, металлорежущих станков.

Современные информационные технологии открывают возможности для формирования обобщенного подхода к построению интеллектуальных систем управления металлорежущими станками. Такой подход позволяет интерпретировать практически полезные и доступные данные о состоянии элементов станочной системы в производственных условиях при формировании целостной базы знаний, необходимой для управления и обеспечения высокой точности обработки деталей.

Подход основывается на следующих базовых концептуальных положениях.

1) Технологические машины как сложные мехатронные системы наделяются системой знаний (СЗ) о своих особенностях, в том числе, преимуществах и недостатках, отличающих машину-индивидуум* от себе

*Имеется в виду, что каждая технологическая машина-индивидуум, например станок-индивидуум, имеет отличительные особенности не только среди станков других типоразмеров, но и среди станков того же типоразмера по действительной геометрической точности, жесткости, динамическим характеристикам и пр.

подобных. Этим обеспечивается информационная и интеллектуальная поддержка управления технологическим процессом обработки и сопровождения в жизненном цикле. Так СЗ в виде интеллектуального узла или блока УЧПУ станка используется для планирования и программирования процесса обработки конкретной детали. Планирование предполагает обеспечение экономически эффективной обработки при условии удовлетворения конструкторских требований к точности детали. Обеспечение точности обработки основывается на использовании технологии искусственного интеллекта в формировании предложенного в [1] обобщенного подхода- Generalized Knowledge Mining for Technological System (GKMTS) - «Обнаружение обобщенных знаний для технологической системы».

Повышение эффективности функционирования в производственных условиях в течение жизненного цикла открывает новые возможности в соответствии с подходом PLM (Product Lifecycle Management -- технология управления жизненным циклом изделий) и системой электронного документирования сложных технических объектов. Электронное представление информации о сложном техническом объекте стало нормой на мировом рынке высокотехнологичной продукции. Процессы в PLM в современных условиях не мыслимы без применения интерактивных электронных технических руководств, технической и эксплуатационной документации, обучающих систем. Это особенно важно для станкостроительных предприятий, представляющих свои изделия на мировой рынок.

Подход предполагает реализацию указанных концептуальных положений 1 и 2 путем создания для каждой единицы технологического оборудования интеллектуального электронного паспорта. Это дает возможность использования СЗ, формализуемой в разработанной документации, и возможность интеграции электронного паспорта в информационную инфраструктуру станка и технологической системы предприятия. Таким путем создается информационная и интеллектуальная поддержка управления процессом обработки на станке и, в целом, эксплуатации станка, включая обслуживание, ремонт и утилизацию.

На основе маркетинговой ориентации НИР предусмотрена структурно логическая рамка данного исследования, т.е маркетинговая модель системы интеллектуальной паспортизации технологического оборудования (рисунок 5.1).

2)



5.2 «Комплекс инженерного маркетинга - 6p»

Под комплексом инженерного маркетинга по данной НИР понимается набор маркетинговых инструментов, с помощью которых исследователь (разработчик) может выходить на рынок НТНВ.

Комплекс инженерного маркетинга раскрыт по формуле: КИМ=f(6p).



Размещено на http://www.allbest.ru/

Рисунок 5.2 - Комплекс инженерного маркетинга 6p

1. People:ориентация на крупные и мелкие машиностроительные предприятия. 2. Product: создание системы знаний, позволяющей осуществлять более оптимизированное управление технологическими объектами, что, в свою очередь, обеспечивает большую производительность.

3. Price: снижение затрат на эксплуатационные расходы за счет оптимизации работы технологического оборудования и прогнозирования ремонтных работ. 4. Publicrelations: участие исследователя в проведении PR мероприятий для поднятия своего имиджа и имиджа кафедры «РиМ» и рекламы своей продукции; создание имиджа исследователя (конкурентоспособности) за счет создания инновационной разработки, не имеющей аналогов на сегодняшний день. 5. Promotion: размещение НИР на сайте ДГТУ, на рынке НТНВ для возможности коммерциализации НИР и привлечения инвесторов, а также публикация статей в различных научных изданиях. 6. Processing: повышение надежности и эффективности обработки детали на станке за счет использования передовых методик интеллектуального анализа данных и PLM-средств (в сочетании с обратной связью с УЧПУ станка).



5.3 Обоснование научной и научно-технической результативности

Результатом НИР является достижение научного, научно-технического, экономического, социального эффекта.

Научный эффект предполагает получение новых научных знаний и отражает увеличение объема информации, предназначенной для научного потребления. Научно-технический эффект характеризует возможность исследования результатов выполняемых исследований в других НИР или ОКР и обеспечивает получение информации, необходимой для создания новой техники. Экономический эффект характеризуется выраженной в стоимостных показателях экономией живого и овеществленного труда в общественном производстве, полученной при использовании результатов прикладной НИР. Социальный эффект проявляется в улучшении условий труда, повышении экологических характеристик, развитии здравоохранения и др.

Количественную оценку научного эффекта целесообразно производить путем расчета коэффициентов научной и научно-технической результативности. Качественный анализ возможных видов эффекта НИР состоит в сопоставлении преимуществ и недостатков полученных результатов в форме «выше-ниже», «лучше-хуже», «больше-меньше».

Оценка научной и научно-технической результативности НИР теоретического характера: