Тип работы:
Предмет:
Язык работы:


РАЗРАБОТКА МОДУЛЯ ВЗАИМОДЕЙСТВИЯ С СЕРВЕРОМ ЧЕРЕЗ SQL ДЛЯ СИСТЕМЫ АНАЛИЗА ДАННЫХ

Работа №188960

Тип работы

Бакалаврская работа

Предмет

информатика

Объем работы55
Год сдачи2025
Стоимость4550 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
16
Не подходит работа?

Узнай цену на написание


АННОТАЦИЯ 3
ВВЕДЕНИЕ 3
1 АНАЛИЗ ТРЕБОВАНИЙ 5
1.1 ОБЗОР СИСТЕМЫ АНАЛИЗА ДАННЫХ 5
1.2 РАЗРАБОТКА ТРЕБОВАНИЙ К МОДИФИЦИРУЕМОЙ СИСТЕМЕ 12
1.3 СЦЕНАРИИ ИСПОЛЬЗОВАНИЯ СИСТЕМЫ АНАЛИЗА ДАННЫХ 14
2 ПРОЕКТИРОВАНИЕ МОДИФИЦИРОВАННОЙ СИСТЕМЫ АНАЛИЗА
ДАННЫХ 19
2.1 ОБЗОР ИСПОЛЬЗУЕМЫХ ТЕХНОЛОГИЙ 19
2.2 СТРУКТУРА МОДИФИЦИРОВАННОЙ СИСТЕМЫ 21
3 РЕАЛИЗАЦИЯ МОДИФИЦИРОВАННОЙ СИСТЕМЫ АНАЛИЗА
ДАННЫХ 23
3.1 ДИАГРАММА КЛАССОВ МОДИФИЦИРОВАННОЙ СИСТЕМЫ 23
3.2 РАБОТА ДИАЛОГОВЫХ ОКОН ПОДКЛЮЧЕНИЯ К ИСТОЧНИКУ ДАННЫХ 30
3.3 АЛГОРИТМ РАБОТЫ СИСТЕМЫ АНАЛИЗА ДАННЫХ 33
4 ТЕСТИРОВАНИЕ СИСТЕМЫ АНАЛИЗА ДАННЫХ 37
4.1 ДАННЫЕ ДЛЯ ТЕСТИРОВАНИЯ 37
4.2 ТЕСТИРОВАНИЕ МОДУЛЯ SQL 38
4.3 ТЕСТИРОВАНИЕ СИСТЕМЫ 41
ЗАКЛЮЧЕНИЕ 43
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 45
ПРИЛОЖЕНИЕ А 46

В современных условиях автоматизации производства системы анализа данных играют ключевую роль в обеспечении надёжности технологических процессов. Одной из важнейших задач таких систем является своевременное обнаружение аномалий, способных привести к сбоям или снижению эффективности работы оборудования. Однако для корректной работы систем анализа критически важно обеспечить доступ к актуальным данным в режиме реального времени.
Существующая система анализа данных, рассмотренная в данной работе, обладает функциональностью по обнаружению локальных аномалий на основе исторических данных, поступающих исключительно из файлов в формате CSV. Такая архитектура существенно ограничивает область её применения в промышленных условиях, где данные, как правило, хранятся и передаются через централизованные базы данных или промышленные протоколы связи. Отсутствие поддержки удалённых источников и оперативных данных делает систему неприменимой в реальных производственных сценариях.
Таким образом, актуальность данной работы обусловлена необходимостью расширения возможностей системы анализа данных за счёт реализации поддержки взаимодействия с удалёнными источниками. Это позволит получать как исторические, так и оперативные данные напрямую с серверов баз данных или систем диспетчерского управления, испол ьзуя производственные протоколы, такие как SQL (через ODBC) и OPC UA.
Целью настоящей работы является добавление в существующую систему анализа данных функций получения информации из автоматизированной производственной среды посредством подключения к удалённым источникам.
Для достижения поставленной цели необходимо решить следующие задачи:
функциональные возможности
существующей системы анализа данных.
• Модифицировать систему таким образом, чтобы обеспечить возможность выбора различных источников данных.
• Разработать модуль взаимодействия с удалённым источником данных через протокол SQL.
• Провести тестирование модифицированной системы с использованием как исторических, так и оперативных данных.
Решение обозначенных задач позволит повысить гибкость и универсальность системы анализа данных, расширив её применимость в условиях реального производства и мониторинга технологических процессов.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В ходе выполнения выпускной квалификационной работы была решена задача повышения универсальности и практической применимости системы анализа данных за счёт расширения её функциональности. Основной акцент был сделан на устранение ключевых ограничений исходной реализации, которая поддерживала только анализ исторических данных из локальных CSV- файлов и не имела возможности взаимодействия с удалёнными источниками.
В рамках работы была проведена модернизация архитектуры системы, обеспечившая поддержку подключения к удалённым источникам данных через промышленные протоколы SQL и OPC UA. Разработан и внедрён модуль взаимодействия с базами данных через SQL, позволяющий получать как исторические, так и оперативные данные. Также реализованы соответствующие интерфейсы и диалоговые окна, обеспечивающие пользователю удобную настройку параметров подключения и выбора источников данных.
Сравнение возможностей системы до и после модификации показывает следующие изменения:
До модификации система работала исключительно с локальными CSV- файлами и обрабатывала только исторические данные. Архитектура была жёстко задана, без возможности расширения, а работа в режиме реального времени не предусматривалась. Выбор источника данных отсутствовал как таковой, пользователь был ограничен фиксированным форматом входных данных.
После модификации система получила поддержку работы с удалёнными источниками через протоколы SQL и OPC UA. Стала возможной обработка не только исторических, но и оперативных данных, поступающих в режиме реального времени. Архитектура системы была переработана в сторону модульности, что обеспечило гибкость и возможность дальнейшего расширения. Пользовательский интерфейс был улучшен за счёт внедрения диалоговых окон, позволяющих удобно выбирать и настраивать источник данных. Всё это позволило применить систему в реальных условиях автоматизированного производства.
Модифицированная система успешно прошла тестирование в различных режимах работы, включая анализ как корректных, так и аномальных данных, а также проверку работы при ошибках подключения и некорректных запросах. Результаты подтвердили надёжность, устойчивость и расширенные функциональные возможности системы.
Таким образом, цель работы — добавление поддержки получения данных из автоматизированной производственной среды — была достигнута. Выполненные модификации значительно расширили сферу применения системы, позволив использовать её в промышленных условиях, где необходим доступ к удалённым и оперативным данным. Работа также заложила основу для дальнейшего развития системы, включая интеграцию с другими источниками, расширение пользовательского интерфейса и улучшение алгоритмов анализа.



1. Гудфеллоу И., Бенджио Й., Курвиль А. Глубокое обучение / пер. с англ. — М.: ДМК Пресс, 2018. — 800 с.
2. Мурзагулов Д. А. Математическое и программное обеспечение
системы обнаружения аномалий в технологических данных: диссертация на соискание ученой степени кандидата технических наук: 2.3.5 / Мурзагулов Дамир Альбертович. - Томск: [б. и.], 2022. URL:
http://vital.lib.tsu.rU/vital/access/manager/Repository/koha:000900989
3. Лакшманан В., Робинсон С., Мунн М. Машинное обучение: паттерны проектирования / пер. с англ. — М.: ДМК Пресс, 2022. — 368 с.
4. Open source OPC UA implementation // Open62541 URL:
https://open62541.org (дата обращения: 10.05.2025)
5. Microsoft. Руководство по использованию SQL Server [Электронный ресурс]. URL: https://learn.microsoft.com/sql/ (дата обращения: 10.05.2025)
6. офф док Qt The Qt Company. Официальный сайт Qt [Электронный ресурс]. — URL: https://www.qt.io/ (дата обращения: 10.05.2025)
7. Microsoft. ODBC Overview [Электронный ресурс]. — URL: https://learn.microsoft.com/en-us/sql/odbc/ (дата обращения: 10.05.2025)
8. Qt Documentation. QODBC - ODBC SQL Driver [Электронный
ресурс]. — URL: https://doc.qt.io/qt-6/qsqlodbc.html (дата обращения:
10.05.2025)


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ