课程文献中心 更多>>

关键词： YW公司   电影放映设备   设备管理   改进  

摘要： 随着国民经济的快速发展,国家对精神文明建设越来越重视,国内电影院行业在政策及资本的支持下也进入快速发展时期。同时,越来越多的物业公司、地产公司等非文化产业公司进入电影院行业,使得这一行业的竞争越来越激烈。电影放映设备投资占到一家影城总投资的30%左右,电影放映设备管理是否到位直接影响播放效果,进而影响影城票房产出。因此,做好电影放映设备管理有利于提高电影放映质量,增强观众的满意度,提升电影放映企业的行业竞争力。本文针对YW公司的电影放映设备管理问题进行研究。首先,根据YW公司近几年电影放映设备的运行情况,运用数据分析法对电影放映设备故障记录进行统计分析,发现电影放映设备故障率高达万分之十,远超万分之五的行业平均水平,这表明YW公司电影放映设备的管理中还存在着不足。其次,运用帕累托图找出导致电影放映设备故障率过高的主要问题。再次,通过访谈法进行分析得出产生问题的具体原因。然后,为了减少电影放映设备故障问题的发生次数,根据设备综合工程学和全员生产维护理论,从计划保养体制、设备前期管理、技能教育培训、自主保养体制、安全和环境管理体制5个维度提出电影放映设备管理的改进方案,主要包括:加强计划维护、完善电影放映设备采购管理、加强员工培训、加强自主维护及改善电影放映设备安装和使用环境。最后,为确保所提出的电影放映设备管理改进方案顺利执行,制定了方案的实施步骤,提出了相应的保障措施。本文研究成果不仅能帮助YW公司改进电影放映设备管理,同时对其他电影放映企业在解决电影放映设备故障这一问题上具有重要的参考意义。

关键词： Cloud systems   Distributed systems   Middleware  

摘要： The prevalence, scale, and complexity of cloud-based applications are growing rapidly. These distributed applications adopt multi-tiered designs where each tier is composed of many distributed components. Their design is dynamic to match changing workloads and requirements: a component can be added, removed, or replaced with distributed components. While there is much work on improving aspects such as the performance and fault tolerance of each part of a cloud system, there has been little focus on how these parts should be composed together. This dissertation presents a systematic approach to building large-scale cloud systems and outlines the middleware that supports it. We identify the challenges in building and maintaining "distributed systems of distributed systems" that are increasingly relevant in cloud settings, and we provide a solution that allows these systems to be derived and reconfigured over time in a modular and methodical way. To support a variety of applications, we devise a solution that is both general and backward compatible. At the core of our approach is a novel message bus that hides the low-level specification and implementation details of unrelated parts of distributed systems from one another. We demonstrate and evaluate how various distributed systems of distributed systems can be built using our approach.

关键词： 制造企业   生产设备管理   经济效益  

摘要： 生产设备是制造企业生产经营的基础设施，是物化劳动的重要组成，也是企业管理不容忽视的内容。为了保证制造行业的持续稳定发展，越来越多的制造企业采用降低经营成本、优化生产设备管理模式、降低设备损耗、减少设备故障等措施，有效提高了企业整体效益，保证了企业的市场竞争力。文章分析了制造企业生产设备管理的重要性，阐述了制造企业生产设备管理与企业经济效益之间的关系，并结合制造企业设备管理存在的问题给出了对策，以供参考。

关键词： 分布式系统   可靠性   数据复制   一致性   持久内存  

摘要： 持久内存(Persistent Memory,PM)具有持久性和与动态随机存取存储器(Dynamic Random Access Memory,DRAM)相近的访问性能以及更大的内存容量,有助于提升数据中心和分布式系统的整体性能。一方面,由于数据中心可能存在的网络故障以及机器内部潜在的软件和硬件错误,分布式持久内存系统需要通过使用数据复制技术来建立冗余保障,以获得可靠性和可用性。另一方面,数据中心应用负载的请求压力大,系统需要将数据复制到多台设备中来分担访问请求。然而,现有的数据复制方法直接应用在分布式持久内存系统中会导致两倍写、小粒度随机访问和访问瓶颈的问题,难以充分发挥持久内存低延迟和高带宽的性能优势。为了在保障数据复制过程原子性的同时,避免两倍写放大以及小粒度随机访问的问题,并提供本地读服务以避免访问瓶颈的问题,提出了一种基于分布式持久内存系统的日志式数据复制方法,称为RLog(Replicated Log-Structured Persistent Memory)。RLog支持无锁地追加日志更新,在保障数据原子性的同时,避免了两倍写的问题;RLog的持久日志结构支持批量提交多次数据更新,从而避免了对持久内存的小粒度随机访问。为了快速索引持久日志结构中的数据,RLog设计了支持不同键值之间的独立访问的高并发索引。RLog提供了具有一致性保障的数据复制协议,通过支持只需一次网络往返的数据复制,能够实现分布式持久内存系统低延迟和高吞吐量的写。RLog使备份(Backup)服务器中的数据更新在复制请求提交之前处于失效状态,来避免向用户显示未提交的数据,在满足线性一致性(Linearizability)的前提下提供本地读服务和非阻塞读操作以提升系统的读性能。实验结果表明,与前沿的数据复制方法Log Shipping相比,RLog为分布式持久内存系统平均增加了37.2%的吞吐量,减少了17.5%的平均延迟和8.8%的尾延迟;同时,为更全面地评估本文提出的方法,通过与不能保证复制过程中数据原子性的Hermes的复制方法相比,RLog能够取得相近的吞吐量、平均延迟和尾延迟。

关键词： 电工实验室   实验数据   分类处理   成绩评定   设备管理  

摘要： 在计算机技术和人工智能技术高速发展的背景下,智能化和信息化已经运用到了校园生活的每一个角落,人工智能技术的发展和电工电子教育的普及为电工电子实验室的教学和管理提出了更高的要求。传统的实验室多为人工管理方式,耗费大量的人力、物力,实验教学效率低,数据分散,资源浪费严重,而且不能对于实验室使用频率高的设备实现有效管理。除此之外,实验过程中产生的实验数据也难以得到及时的处理和科学的评判,同时指导教师人工评判学生所测数据的工作较为烦琐,影响了教学质量和效率。为了迎合智能时代下的发展需求,本论文中的电工实验室测量数据评判与设备管理系统,旨在对学生上传的实验数据进行评判,对实验室设备进行有效管理。整个系统围绕着学生做实验产生的实验数据展开研究,通过对学生上传的实验数据进行深度挖掘和探析,实现电工实验室的信息化和智能化管理。该系统采用开源、免费、运行速度快的Python语言进行开发,选用成熟稳定的Flask轻量级Web应用框架搭建系统框架,使用Gunicorn零配置、性能高的WSGI作为该系统的Web服务器,数据库选用能够保证数据性完整的Postgre SQL,同时为了保证学生高效率完成电工实验课并将上传的实验数据完整无误的保存下来,使用基于优化改进的Rabbit MQ消息队列实现实验数据的异步可靠传输。系统使用基于改进的DT-kmeans聚类算法对学生的实验数据进行聚类,并在聚类完成后使用多重改进的KNN分类算法对学生上传的实验数据进行实时分类处理,在满足课程教学要求下,实现根据学生实验提交数据及时训练算法模型,并实现对新数据类别的准确判断,满足电工实验室教学的智能化、科学化管理需要,同时还通过对错误数据的分析处理来间接实现电工实验台的设备管理。电工实验室测量数据评判与设备管理系统研究能够很大程度的改善实验室智能化程度低的现状,有利于更加科学智能地利用实验室资源,大大减轻教学人员和实验室维护人员的工作压力,保证实验室设备的高效利用和实验数据的精准评判。

关键词： 化工机械设备   管理   维修保养  

摘要： 化工机械设备是支撑化工行业生产的基础，其机械设备性能的好坏不仅影响化工产品质量，还影响化工企业发展。由于化工机械长时间工作，加上工作环境复杂、恶劣，很容易出现各种部件损坏和故障，严重时还有可能导致机械报废。因此，化工企业需要加强化工机械设备管理和维护，减少设备故障，保证其稳定运行，以提高企业经济收益。本文主要以现代化工机械管理为基础，以化工机械保养和管理内容为切入点，结合化工企业实际发展需求，阐述了化工机械设备保养的重要性和管理方法，分析了实际保养中存在的问题。针对故障原因和当前化工机械设备管理现状，论述了化工机械设备保养维修技术和故障预防措施，以降低故障发生概率，保证企业稳定发展。

关键词： 分布式系统   自适应算法   递归最小二乘算法   稀疏系统   均方偏差   超额均方误差  

摘要： 自适应滤波器是目前信号处理领域研究的热门方向,它主要由实体结构和自适应滤波算法组成。这两个组成部分相互影响,不同的自适应算法应用不同的滤波器结构,使自适应滤波器的应用领域也不同。目前,系统辨识是自适应滤波器最热门的应用领域,其主要研究内容是通过相应的自适应算法由自适应滤波器的输入和输出信号估计系统中某些参数的信息。在系统辨识中应用最多的算法是最小均方(LMS)算法和递归最小二乘(RLS)算法以及它们的一些衍生算法。系统的稀疏性是指系统中的少部分系数有比较大的值,其余大部分的系数等于零或接近零。在自然界中,大部分系统都具有稀疏性,例如语音信号和图像信号。所以当我们在辨识一个未知的系统时,通常状况下可以预先假设这个系统是稀疏的。然而系统辨识中通用的LMS算法和RLS算法在辨识这类系统时表现出很差的估计性能和收敛性能,这是因为它们适用于常规系统,在辨识这类系统时不能利用到系统稀疏的特性。近些年来,一些研究者对自适应算法做出了一些改进,以使其适用于辨识稀疏系统,但都存在着一些不足。本论文在分析分布式系统和扩散RLS算法的特点的基础上,借鉴前人的研究经验,根据稀疏系统的特性进行扩散稀疏等比例自适应RLS算法的研究。首先将扩散稀疏LMS算法的优点应用于扩散稀疏RLS算法中,即选择扩散稀疏RLS算法的稀疏惩罚项为正则化的形式即λf(w),以提高算法对系统稀疏性的应用,并在后续的性能分析中将稀疏惩罚函数f(·)选为较为简单的L范数和L范数形式。其次为了提高算法的收敛速度,在上述改进的基础上得到的代价函数和递归公式中加入比例自适应系数。它的作用是让每个节点在当前时刻的递推步长与该节点上一时刻的估计值正相关。最后对算法进行仿真验证。我们使用MATLAB进行实验仿真,仿真结果表明:本论文提出的算法与LMS算法、RLS算法、扩散稀疏RLS算法相比在辨识稀疏系统时具有较快的收敛速度。

关键词： 5G   边缘计算   负载均衡   博弈论   公共品博弈  

摘要： 5G技术的出现大幅提升了无线网络的性能,带来了更高的吞吐量和更低的延迟。随着5G的快速发展,分布式系统也迎来架构上的发展与迭代。边缘计算作为继云计算之后的下一代的分布式系统,使计算、存储的资源与能力离用户更近一步。边缘计算中心通常与一个智能基站连接,在边缘计算中心会部署多台边缘服务器,每台服务器拥有不同的计算与存储能力,这是边缘分布式系统在负载均衡场景下与传统分布式系统最大的区别。这些位于边缘数据中心的服务器通常用来处理一些来自边缘设备的任务,如物联网、VR等。由于这些服务器的能力异构性,一个合理的负载均衡算法对保证服务质量至关重要。传统的负载均衡算法主要分为静态方法和动态方法两大类,其中静态方法效果有限,而动态方法通常会给服务器带来较高的负担与压力。本文基于公共物品博弈模型设计了一个有效且轻量的动态负载均衡算法,该模型在算法中用于解决边缘分布式系统的请求权重分配问题,其主要贡献如下:(一)对边缘数据中心服务器的服务能力进行建模:通过服务器历史上的处理速度、队列长度和内存负载在对计算和存储能力建模;借助爱尔兰第二公式描述每台边缘服务器发生服务阻塞的潜在能力;(二)基于公共物品博弈模型设计了负载均衡优化的博弈模型,形式化给出博弈模型的优化解,即每台服务器应当承担整个系统中所有任务的权重;在此基础上,基于Smooth Weighted Round-Robin(SWRR)调度算法提出了一个轻量的负载均衡算法,实现对上层应用的任务请求进行分发,同时分析了该算法的性能优势;(三)设计了负载均衡系统原型,将所提出的基于博弈模型的负载均衡算法进行了设计实现;为了性能比较,该原型支持多种负载均衡算法。经过大量的实验,本文提出的算法与随机算法、轮询算法、power-of-2-choices算法以及深度学习算法进行了量化对比。结果表明,本文提出的博弈算法在保证任务处理速度、任务响应延迟、稳定性和能耗等方面具有相当优势的同时,显著地将CPU率和内存占用率降低3倍。