石油钻井企业设备管理数据仓库多重粒度模型的研究.docVIP

石油钻井企业设备管理数据仓库多重粒度模型的研究 　　摘要:数据仓库在决策支持系统(DSS)中起着核心作用,而要创建一个好的数据仓库,如何划分数据粒度是要解决的一个重要问题。该文通过在石油运输企业数据仓库建立多重粒度模型,以便更好地满足不同层次用户的决策分析需要。从而提高效率,为企业创造更大利润。 　　关键词:石油;钻井设备;数据仓库;多重粒度 　　中图分类号:TP311文献标识码:A文章编号:1009-3044(2010)04-0991-03 　　Oil Drilling Equipment Management Data Warehouse Model of Multi-granularity 　　WANG Wu-xi 　　(School of Computer, Xian Shiyou University, Xian 710065, China) 　　Abstract: Data Warehouse in Decision Support System(DSS) plays a central role, and to establish a good data warehouse, how to divide the data granularity is an important issue to be addressed. In this paper, the oil transportation enterprise data warehouse to establish multi-granularity model, in order to better meet different levels of decision-making analytical needs of users. Thereby enhancing efficiency and create greater profits for the enterprise. 　　Key words: petroleum; drilling equipment; data warehouse; Multi-granularity 　　随着我国石油企业的迅速发展和计算机数据库技术的迅速发展和广泛应用,企业各项管理工作尤其是设备管理的许多业务得到了联机事务处理信息系统的支持。在石油企业钻井设备数据管理中,数据的堆积越来越大,对于管理和决策层的人员来说,分析复杂、庞大的数据已经无所适从,为了能从中挖掘出可信的、新颖的、能被理解的面向各种需求的统计信息和决策支持信息,对数据仓库中的数据进行粒度的划分无疑有着极为重要的意义。基于此本文提出了一种在设备管理数据仓库设计中采用数据仓库中数据粒度划分的模型,然后以此为依据,对各种设备管理数据进行数据挖掘,结合实际需要为决策提供可靠的信息。 　　1多重粒度模型的建立 　　1.1 多重粒度的提出 　　确定系统的数据粒度是数据仓库逻辑模型设计的重要步骤。而要确定合理的数据粒度,首先需要粗略地估算将来数据仓库的数量级。数据仓库数量级的一个简单粗略估算方法是:设在概念模型中出现的表的个数为N,对于每个表i(0i≤N)计算表的大小Si和表的主要关键字大小Ki,然后估计每张表i在单位时间内最大记录数Lmax和最少记录数Lmin。则数据仓库的粗略数据量在如下范围: 　　α×((Si+Ki)×Limax×T)～α×((Si+Ki)×Limin×T) 　　其中,T是数据在数据仓库存在的周期。通常轻度综合的数据在数据仓库中存放的周期是5～10年。α是考虑由于数据索引和数据冗余而使得数据量增大的冗余因子,上式的含义是数据仓库数据量=(表的记录大小+主关键字大小)×记录的数量/单位时间×存储时间×冗余因子[3]。 　　一般来说,对于不同的数据量将采用不同的数据粒度策略,在数据量较小的环境下,采用单一的数据粒度,即直接存储细节数据并定期在细节数据基础上进行综合。由于数据仓库是进行DSS分析用的,绝大部分都是基于一定程度的综合数据查询的,因而在数据仓库中,采用多重粒度来分析数据是必不可少的[4]。 　　数据仓库临时表中用来存的记录随着时间的累积,数据量将不断增多,面对大规模的数据,要想从中得出用户需要的数据,必须建立一种有效地措施来方便、快捷地查询所需数据。在许多情况,建立简要记录数据量可以显著降低,按照数据的细节程度划分原则通过把许多记录聚集为一个记录,方便用户从大量数据查询和分析。当然根据相同的细节可以创建多个简要记录,按照不同的需求可以对数据仓库中的数据细节程度进行划分,比如按照不同时间记录进行划分、不同部门(地区)记录的划分、不同车型的划分、不同运输线路的划分等等。 　　在企业设备管理数据仓库表中,面对