#### 期刊菜单

Calculation of Carbon Footprint in Grinding Process of Drive Shaft Based on Big Data Technology
DOI: 10.12677/MOS.2023.126537, PDF, HTML, XML, 下载: 147  浏览: 217  国家自然科学基金支持

Abstract: By analyzing the influencing factors of carbon emission in the grinding process of drive shaft, a more accurate carbon footprint calculation model is established in this paper. In view of some problems existing in traditional calculation methods, it is decided to apply big data technology to the collec-tion and calculation of carbon footprint in the grinding process of drive shaft. Traditional methods of carbon footprint collection and accounting have a series of problems such as insufficient computing power and collection difficulties when faced with massive and unbounded data. However, this study uses big data technology to collect and analyze a large number of production data and energy con-sumption data to provide real-time and accurate metadata for carbon footprint accounting models.

1. 引言

2. 传动轴磨削加工过程碳足迹核算模型

2.1. 传动轴磨削加工碳排放量的影响因素

2.1.1. 磨削用量

${e}_{s}=\frac{{E}_{m}}{V}=\frac{{P}_{m}}{{V}_{w}{a}_{p}b}$ (1)

$\Delta {V}_{W}=\pi r\left(t\right)l{d}_{w}$ (2)

2.1.2. 砂轮磨损

$G=\frac{\Delta {V}_{w}}{\Delta {V}_{s}}$ (3)

$G=\frac{K{\left({V}_{w}/{V}_{s}\right)}^{0.158}}{{{F}^{\prime }}_{n}}$ (4)

$\Delta {V}_{s}=\frac{\pi l{d}_{w}\left(st/2\right){{F}^{\prime }}_{n}}{K{\left({V}_{w}/{V}_{s}\right)}^{0.158}}$ (5)

2.1.3. 磨削液

2.1.4. 磨床能耗

2.2. 建立传动轴磨削加工碳足迹核算模型

2.2.1. 数控磨床驱动电能的碳足迹核算

1) 磨床工作的基本耗能

${E}_{b}={\int }_{0}^{t}{P}_{b}\text{d}t={P}_{b}\cdot t$ (6)

2) 主轴频率转换的功耗

${E}_{T}={\int }_{0}^{t}\left({P}_{W}+{P}_{B}\right)\text{d}t$ (7)

3) 工件材料磨削去除能耗

$P\left(t\right)=\mu b{\tau }^{-2ϵ}\cdot {V}_{F}^{1-ϵ}{V}_{S}^{ϵ}$ (8)

${E}_{C}={\int }_{0}^{t}P\left(t\right)\text{d}t$ (9)

4) 机器响应的能耗

${E}_{r}={\int }_{0}^{t}{F}_{t}\cdot {V}_{n}\text{d}t$ (10)

$E={E}_{b}+{E}_{T}+{E}_{C}/\gamma +{E}_{r}$ (11)

2.2.2. 磨削加工过程中资源消耗的碳足迹核算

1) 磨削液的消耗

${R}_{G}={\int }_{0}^{t}T\left(t\right)\text{d}t$ (12)

2) 砂轮磨损消耗

${R}_{w}={\int }_{0}^{t}\frac{\Delta {V}_{s}\left(t\right)}{{V}_{I}-{V}_{B}}\text{d}t$ (13)

3) 磨屑排放消耗

${R}_{p}={\int }_{0}^{t}\Delta V\left(t\right)\cdot {\rho }_{m}\text{d}t$ (14)

$R={R}_{G}+{R}_{w}+{R}_{p}={\int }_{0}^{t}\left(T\left(t\right)+\frac{\Delta {V}_{s}\left(t\right)}{{V}_{I}-{V}_{B}}+\Delta V\left(t\right)\cdot {\rho }_{m}\right)\text{d}t$ (15)

$C{E}_{M}={C}_{Ener}\cdot E+{C}_{Mat}\cdot R$ (16)

Table 1. Carbon emission coefficient of electricity in various regions of China

Table 2. Carbon emission factor of commonly used materials

3. 传动轴磨削过程中碳足迹的收集和核算

3.1. 碳足迹核算所需基础数据

Figure 1. Basic data items on carbon emissions generated by each system

Table 3. An explanation of the underlying data item

3.2. 基础数据存储与处理需求分析

3.2.2. HDFS分布式文件系统

DataNode是工作节点，主要负责存储和检索数据。当客户端需要读取或写入数据时，它们会直接与DataNode进行通信。每个DataNode管理自己节点上的数据存储，并定期向NameNode报告其存储的块信息，以便NameNode能够进行全局的文件系统管理。

Client是一个客户端程序，主要负责与HDFS进行交互，实现文件的读写操作。当客户端需要读取文件时，它首先会连接到NameNode并获取文件的元数据信息，包括文件的块信息和所在的DataNode的信息。然后，客户端直接从DataNode中读取数据。当客户端需要写入文件时，它会向NameNode发出请求，获取可以写入的DataNode的信息。然后，客户端将数据直接写入到DataNode，并且同时也会将数据的副本写入其他的DataNode，以实现数据的冗余和容错。写入完成后，客户端会向NameNode报告文件的元数据信息。

Block是数据存储和处理的基本单位。在HDFS中，文件被切分成一系列的块，然后这些块被存储在集群的不同节点上。每个块都有一个唯一的块ID，以及一份元数据信息，包括块的大小、创建时间、副本数量等。

Figure 2. HDFS distributed storage system

3.2.3. Spark分布式计算框架

Spark的主要思想是将大规模的计算任务分解为一系列的操作，通过构建一系列的转换操作和动作操作来处理数据。Spark的运行过程主要由Driver、Executor和Cluster Manager三部分组成。Driver是Spark应用程序的主控制器，负责解析应用程序代码并将任务分发给Executor进行执行。Executor是Spark集群中的工作节点，负责实际的任务执行。Cluster Manager则负责协调和管理Executor的分配和调度。在处理计算任务时，Spark采用了弹性分布式数据集(Resilient Distributed Datasets，简称RDD)来表示数据集。RDD是一个可分区、可并行计算的数据集合，可以在计算过程中被缓存到内存中，提高计算速度。Spark的处理过程也可以分为两个阶段：转换阶段和动作阶段。转换操作是对RDD进行转换，生成新的RDD，而动作操作是对RDD进行计算，并返回结果。在实际开发过程中，可以通过编写一系列的转换操作和动作操作来处理碳足迹计算模型的基础数据。Spark提供了丰富的API和函数库，可以方便地进行数据处理和计算。通过使用Spark分布式计算框架，可以充分利用集群中的计算资源，并通过并行化计算提高计算效率 [8] 。同时，Spark的内存计算模型也能够加速数据处理过程，从而更快地得出最终的计算结果。

Spark处理传动轴碳排放数据具体流程图如图3所示。

Figure 3. Spark processes the propeller shaft carbon emission data flow chart

3.4. 基于HDFS的基础数据存储

3.4.1. 数据采集存储流程

3.4.2. 基于问题分析树型图的数据存储策略

Figure 4. Data acquisition and storage process

Figure 5. Tree diagram of the problem analysis of carbon emissions during the grinding process of the drive shaft

1. 传动轴信息存储：传动轴ID–传动轴基础信息。

2. 传动轴加工过程信息存储：传动轴ID-CID–碳排放数据。

3.5. 基于Spark的碳足迹核算流程

Figure 6. Data processing flow chart

Figure 7. A data flow diagram of the two phases of Spark’s carbon footprint accounting

4. 总结

 [1] 赵旭东. 基于OPC的数控加工单元数据采集技术研究[D]: [硕士学位论文]. 成都: 电子科技大学, 2016. [2] 王杰. 面向低碳的定位销生产过程中碳足迹核算及其加工参数优化[D]: [硕士学位论文]. 杭州: 浙江理工大学, 2023. https://doi.org/10.27786/d.cnki.gzjlg.2022.000747 [3] 刘文英. 磨削加工中磨削液的选择[J]. 工业技术创新, 2016, 3(6): 1120-1123. https://doi.org/10.14103/j.issn.2095-8412.2016.06.017 [4] 迟玉伦, 芦华, 徐亮亮, 等. 基于磨削去除率建立无心磨削ERWC碳排放模型的方法[P]. 中国专利, CN115577512A, 2023-01-06. [5] 刘朝晖, 张为民, 金希, 等. 制造过程中的广义碳排放计量方法研究[J]. 机械科学与技术, 2019, 38(4): 544-550. https://doi.org/10.13433/j.cnki.1003-8728.20180219 [6] 朱毓. 基于Hadoop与Spark的大数据处理平台的构建研[J]. 互联网周刊, 2023(7): 87-89. [7] 丁浩. 基于SpringBoot项目融合查询HDFS分布式文件系统[P]. 中国专利, CN116126793A. 2023-05-16. [8] 曹海平. 依托于Spark平台的大数据挖掘技术分析[J]. 软件, 2022, 43(7): 84-86. [9] 梁芷梧. 云计算中MapReduce分布式并行处理框架的研究[D]: [硕士学位论文]. 武汉: 湖北工业大学, 2017. [10] Zhang, J.H. and Wang, H.L. (2023) Analysis of CLARANS Algorithm for Weather Data Based on Spark. Com-puters, Materials & Continua, 76, 2427-2441. https://doi.org/10.32604/cmc.2023.038462