自 2019 年 1 月起，阿里巴巴逐步将内部维护的 Blink 回馈给 Flink 开源社区，目前贡献代码数量已超过 100 万行。国内包括腾讯、百度、字节跳动等公司，国外包括 Uber、Lyft、Netflix 等公司都是 Flink 的使用者。
今年 8 月发布的 Flink 1.9.0 是阿里内部版本 Blink 合并入 Flink 后的首次发版，在今天的 Flink Forward 2019 大会上，阿里发布了 Flink 1.10 版本功能前瞻，正式版本预计于 2020 年 1 月发布。
Flink 1.10 版本功能前瞻：Blink 全部功能进入 Flink
------------------------------------
据介绍，Flink 1.10 版本可以看作一个比较重要的里程碑式版本，至此，Blink 全部功能都已经进入 Flink，包括 Blink 中比较关键的设计和通用的优化。以下是该版本将包含的主要功能和技术亮点前瞻：
1.**完成Blink/Flink merge**
（1）**更加强大的Blink Query Processor**
* DDL 增强，支持在建表语句中定义计算列和 watermark
* 生产级别的Batch支持，完整支持 TPC-H 和TPC-DS 测试集，其中 TPC-DS 10T的性能是Hive3.0的7倍
（2）完成scheduler的重构，支持更灵活batch调度策略
（3）更完善，更细粒度，更灵活的资源管理
* 对 TaskExecutor 的内存模型进行了梳理，解决了 RockDB 内存难以配置和管控、TM 启动前后内存计算不一致等长期存在的问题
* 简化了内存计算逻辑，降低了配置难度
* 对算子级别的资源用量进行更精细的管理，解决算子资源超用带来的性能及稳定性问题，提高资源利用效率
**2.Hive兼容性生产可用**
（1）Meta 兼容，支持直接读取 Hive catalog，版本覆盖1.x，2.x到3.x
（2）数据格式兼容，支持直接读取 Hive 表，同时也支持写成 Hive 表的格式
（3）UDF 兼容，支持在 Flink SQL 内直接调用 Hive 的UDF，UDTF，UDAF
**3.更加强大的Python支持**
* 增加了对 NativePython UDF 的支持，用户可以用Python开发自己的业务逻辑
* 很好的支持了 Python 类库的依赖管理，Python用户不仅可以自定义Python UDF 而且可以与其他现有的Python library进行集成
* 在架构上引入了BeamPortability Framework，Flink与Beam社区共同打造功能便捷，性能优越的Python UDF支持框架
* 与Flink资源管理框架进行集成，实现了对Python UDF资源的管控
**4.支持原生K8S集成**
（1）原生的资源管理，可以根据作业的资源需求动态去申请TaskManager，不需要依赖外部系统或组件
（2）更加方便的任务提交，不需要安装kubectl等工具，可以达到和Yarn相似的体验
**5.新增多个主流机器学习算法库**
（1）包括逻辑回归，随机森林，KMeans等
提问：在 1.10 版本中，Blink 全部功能都已经进入 Flink，而这距离上一次 1.9 发布刚过去三个月，那也是 Blink 首次并入 Flink 的版本发布，距离去年阿里宣布要开源 Blink 也不过一年时间。为什么 Blink 的 Merge 进度能做到这么快？过程中遇到了哪些问题？你们是如何解决的？
莫问： 我们投入了很多资源，包括有数十位技术人员来做这个事情，并行度比较大，所以才能在比较短的时间内贡献多达 150 万行代码。
提问：整个过程中有没有遇到什么比较棘手的问题？
莫问： 社区是一个相对开放透明的场景，不像自己的项目可以比较随意地改动，而是要走一个民主的过程，包括要经过社区的讨论、大家的认可，要保证代码的质量等。我们既要做到快速推进，还要保证质量和社区的公平性，这个挑战还是很大的。
提问：所以你们怎么平衡这两件事情？
莫问： 整个 Flink 社区的合作模式是比较高效的，社区不同模块的负责人每周都会有视频会议，可能是不同国家的社区讨论，这些都做得非常高效，项目管理做得非常好。在这种机制的保证下，我们可以让代码快速进入同时保证迭代的速度。其实这对工程效率的开发也是非常大的挑战。说白了，我们投入了很多技术人员做这件事，但也不是只看数量。我们投入的很多人手本身就是 Apache 项目的 PMC 和 Committer，而不完全是普通的工程师，这些人本身对于 Apache 项目的工作机制和流程都比较熟悉，他们的效率和作战能力不能按一个人这么算。社区就是这样，不是人多的问题，还需要合适的人。
提问：您上午在演讲中提到 Flink 正在成为一个真正的 Unified Engine。有趣的是，我们近期已经不止一次听到不同的计算引擎提出类似的说法，比如 Spark 的核心理念也是成为“统一数据分析平台”，能否请您谈谈 Flink 的设计理念？二者的统一有什么相同点和不同点？
莫问：Flink 的核心理念我们强调过很多次，它的本质计算思想是流处理核心。流处理核心就是所有的都是基于 Stream 来处理，批可以看作是一个有限的流。像今天提到的在线的 Stateful Function 也是 Event Driven，所有的 Event 不停地进入做函数计算，做在线有状态的计算，然后把结果给用户，再不停地迭代。其实在线服务也是无限的，也是不会停止的处理，不停地有人访问，有人处理。Flink 的核心是基于流计算的 Core，去覆盖 Offline 和 Online，这样它跟 Spark 还是不太一样的。Spark 认为所有东西都是基于 Batch 的，而流是无数个 Batch 凑在一起，这一点不太一样。
但大家在宏观上的愿景都是类似的，用一套计算引擎技术或大数据处理的技术，来解决尽量多的场景，这样从用户的角度来说学习成本更低、开发效率更高、运维成本也更低。所以大家的目标和理念是一致的，只不过在实现这个目标的方法上的选择是不一样的。
\*\*提问：下面这个问题我们之前问过 Databricks 的工程师，今天也想问问您，如果我要做统一的平台，你也要做统一平台，那会不会存在最后到底谁能真正统一谁的问题？
\*\*莫问： 我觉得大家并不是说做什么，什么就一定会赢，一定会好。从我个人态度来说，技术还是需要有一定良性的竞争，这样才能相互学习，同时条条大路通罗马，不一定哪一个绝对正确，可能不同场景有不同的偏好或不同的特定区域的需求，或适应的场景不一样。解决类似问题有两三家公司共存，这种状态是比较健康的，就像数据库领域有 MySQL、PostgreSQL 等，在线服务也类似，起码得有两家大公司在一起竞争，是比较合适的。但最终哪个做得更好，还是取决于是否能把自己的理论做到极致。因为理论是理论，你的理论和我的理论听起来各有千秋，但是谁最后能赢看的是细节，包括用户体验。你是否按照正确的方法在做，细节做得够不够好，而不是大家听起来思路一样就没有区别了。细节和社区生态的发展、推进过程都很重要。
开源 Alink：Flink 机器学习进度几何？
------------------------
Flink 在机器学习领域的进展一直是众多开发者关注的焦点，今年 Flink 迎来了一个小里程碑：机器学习算法平台 Alink 开源，这也宣告了 Flink 正式切入 AI 领域。
Alink 开源项目链接：[https://github.com/alibaba/Alink](https://yq.aliyun.com/go/articleRenderRedirect?url=https%3A%2F%2Fgithub.com%2Falibaba%2FAlink)
Alink 是阿里巴巴机器学习算法团队从 2017 年开始基于实时计算引擎 Flink 研发的新一代机器学习算法平台，提供丰富的算法组件库和便捷的操作框架，开发者可以一键搭建覆盖数据处理、特征工程、模型训练、模型预测的算法模型开发全流程。作为业界首个同时支持批式算法、流式算法的机器学习平台，Alink 提供了 Python 接口，开发者无需 Flink 技术背景也可以轻松构建算法模型。Alink 这个名字取自相关名称（Alibaba, Algorithm, AI, Flink,Blink）的公共部分。
据悉，Alink 已被广泛运用在阿里巴巴搜索、推荐、广告等多个核心实时在线业务中。在刚刚落幕的天猫双 11 中，单日数据处理量达到 970PB，每秒处理峰值数据高达 25 亿条。Alink 成功经受住了超大规模实时数据训练的检验，并帮助提升 4% CTR（商品点击转化率）。
**提问：能否先介绍一下 FlinkML 和 Alink 的概况，以及二者的关系？**
莫问：FlinkML 是 Flink 社区现存的一套机器学习算法库，这一套算法库已经存在很久而且更新比较缓慢。Alink 是基于新一代的 Flink，完全重新写了一套，跟 FlinkML 没有代码上的关系。Alink 由阿里巴巴大数据团队开发，开发出来以后在阿里巴巴内部也用了，然后现在正式开源出来。
**未来我们希望 Alink 的算法逐渐替换掉 FlinkML 的算法，可能 Alink 就会成为新一代版本的 FlinkML，当然替换还需要一个比较漫长的过程。**Alink 包含了非常多的机器学习算法，往 Flink 贡献或发布的时候也需要比较大的带宽，我们担心整个过程耗时会比较长，所以先把 Alink 单独开源出来，大家如果有需要的可以先用起来。后面贡献进展比较顺利的情况下，Alink 应该能完全合并到 FlinkML，也就是直接进入 Flink 生态的主干，这对于 Alink 来说是最好的归宿，到这个时候 FlinkML 就可以跟 SparkML 完全对应起来了。
**提问：除了 Alink 以外，Flink 当前在机器学习领域的工作还有哪些进展？和其他计算引擎相比，您如何评价当前 Flink 在机器学习和 AI 领域的工作，它的竞争力足够强吗？**
莫问： 其实我们还有很多正在进行的工作。机器学习的核心是迭代计算，机器学习训练就是不停地对数据进行迭代训练，训练出来一个模型然后上线。在核心训练的基础上，Flink 正在设计新的迭代计算，因为 Flink 是基于流式计算，所以它的迭代计算可以转化为 mini-batch 的迭代计算，可以根据数据条目数也可以根据数据段的时长，在流上打出很多细粒度的数据段。
Flink 的好处是在流上打细粒度的数据段可行性上没有问题，因为它本来就是纯流式的，截成一段一段没有问题。而 Spark 的迭代是把一个数据集做一次迭代，再做一次迭代，这个数据集很难切得特别细，切出来一段就是一次任务的运行，细粒度的挑战比较大。Flink 的好处是本身可以把粒度截得很细，所以重构原有的迭代计算是可行的。
Flink 最早的迭代计算也跟 Spark 一样，要么是一批迭代要么是一条一条迭代，完全是两个极端，我们想把它做一个抽象，可以按照时间、大小来设定迭代的 batch 大小，就类似于 Flink 窗口的概念，这样可以支持嵌套迭代、增量迭代等。我们在引擎层面做好了基于流的迭代技术之后，整个机器学习的训练就会大幅度加速。虽然算法本身的效果可能是一样的，但是运行的性能和速度不一样。
同时它还可以解决在线训练的问题，比如说互联网的日志流、用户行为是不停产生的，Flink 流式迭代可以不间断地处理用户产生的实时数据，可以在线迭代更新，模型可以每隔 5 分钟更新一次，也可以每隔 1 分钟更新一次。这样它的模型上线是一个 7×24 小时环状的更新，这样一套在线学习的体系会给用户带来很大的变化，这个变化不是简单的 30% 的提升或者是工程上的优化，而是在使用机器学习的理念上会有优化。
这是我们当前正在做的工作，社区里也已经开始讨论了，可能会作为 Flink 明年 1-2 个版本的重点。你可以这么认为，Flink 去年还是 Unified Engine，今年开始拥抱 AI 了，2019 年我们做的很多工作是偏 SQL 的优化，明年我们会更多地切入到 AI，就是 FlinkML 和 AI 场景的方向上。
\*\*提问：阿里是什么时候决定开源 Alink 的？
\*\*
莫问： 去年 Blink 开源的时候，我们就在考虑是否把 Alink 一起开源了。但是后来觉得，第一个开源还没做，不敢一下子步子迈得这么大，要一步步来，而且 Blink 开源也要准备很多东西。当时我们没有办法做到两个大的项目同时开源，所以就先把 Blink 开源做好。
Blink 开源以后，我们想是不是把 Alink 的算法推到 Flink 就好了。但是发现往社区贡献确实是比较复杂的过程，Blink 在推的时候已经占用了很大的带宽，而社区的带宽就那么多，没有办法同时做多件事情。社区也需要一段时间消耗，所以决定先把 Blink 消耗掉，贡献完了，社区吃得下，然后再把 Alink 逐步贡献回社区。这是没有办法跨越的一个过程。
开源是一个很慎重的过程，不能随意想开就开一个。孩子不能管生不管养，要发东西就要有一个长期的计划，要负责任的，得给大家一个很明确的信号，这是有长期计划的，不是放了开源就结束了，以后肯定会有用户问你们放上去以后管不管？如果我们不想好这些问题，对用户来说就适得其反，大家觉得你并没有给大家一个清晰的信号，大家也不敢用。
**提问：相比 SparkML，Alink 的亮点是什么？对于开发者来说在哪些方面会比较有吸引力？**
莫问：Alink 一是依赖于 Flink 计算引擎层；第二 Flink 框架中有 UDF 的算子，Alink 本身对算法做了很多优化，包括在算法实现上做了细节的优化，比如通信、数据访问、迭代数据处理的流程等多方面的优化。基于这些优化可以让算法运行的效率更高，同时我们还做了很多配套工具，让易用性更好。同时 Alink 还有一个核心技术，就是做了很多 FTRL 的算法，是天然针对在线学习的。在线学习需要高频快速更新的迭代算法，这种情况下 Alink 有天然的优势，像今日头条、微博的信息流都会经常遇到这样的在线场景。
在离线学习上 Alink 跟 SparkML 对比基本上差不多，只要大家工程化都做得足够好，离线学习无法打出代差，真正的代差一定是设计上的理念不一样。设计上、产品形态、技术形态不一样才会有代差明显的优势。
相比 SparkML，我们的基调是批式算法基本一致，包括功能和性能，Alink 可以支持算法工程师常用的所有算法，包括聚类、分类、回归、数据分析、特征工程等，这些类型的算法是算法工程师常用的。我们开源之前也对标了 SparkML 所有的算法，做到了 100% 对标。除此之外，Alink 最大的亮点是有流式算法和在线学习，在自己的特色上能做到独树一帜，这样对用户来说没有短板，同时优势又很明显。
Alink 支持的机器学习算法
后续规划和未来展望
---------
**提问：接下来 Flink 会按照什么样的频率更新版本？能否透露 Flink 接下来还会有哪些值得期待的新特性或功能？**
莫问：3-4 个月，基本上会是一个季度更新一个版本，比如 2020 年 1 月份会发 1.10，4 月份会发 1.11。现在还说不好什么时候切 2.0，2.0 应该会是一个非常有里程碑意义的版本。现在 Flink 社区可以看到非常多的点，不仅有 AI、机器学习，还有今天主题演讲 Stephan Ewen 提到的 Stateful Function，也是非常有前景的。其实在线场景还有很多有前景的东西可以挖掘，Serverless（Faas）也是 Flink 后面的方向。Flink 社区有一点非常好，它刚刚演进到 1.x 版本，还有很大的上升空间，社区的生命力和状态都很好，大家有很多想法想放进去。
**提问：未来大数据领域还有哪些新的技术方向或趋势是比较重要的？**
莫问： 大数据和 AI 的融合可能是一个很好的机会，大家现在纯玩大数据基本上五花八门什么都玩过了，各种项目层出不穷。AI 也是百花争鸣，但其实用户想要的不只是 AI，数据在哪？AI 没有数据怎么玩？得把特征算好、样本算好才能训练出好的模型。这个模型只有经过不断地迭代反馈才能越来越好。这个过程中数据处理和数据分析非常重要，如果没有一套完整的反馈体系，大数据 +AI 的链路玩不通。有再好的引擎，如果没有闭环的计算路径也无法真正发挥生产或业务上的效果。
所以要把大数据 +AI 整套处理做成非常易用、好用的解决方案，这是大家最需要的。现在可能一个个零散的点大家已经做到了，很多东西都能找到对应的开源项目，但是需要有一个整体的平台把所有技术串起来。
**提问：Flink 在一定程度上也想做这样的？**
莫问： 明年我们会开源一个新的项目 AI Flow，目前还没有 Ready，我们希望 AI Flow 可以通过一个工作流程把数据处理、预处理，包括模型的训练、模型管理、模型上线、动态更新，更新完拿到反馈，反馈之后怎么反向优化流程，整个系统串起来。其中每个环节都可以使用不同的引擎来实现，用 Flink OK，用 Spark 也 OK，就看最后哪个好用。比如可以用 Flink 做大数据处理，TensorFlow 做深度学习训练，FlinkML 做流式训练，把这些都串联起来给用户提供一个端到端的解决方案，这是很有前景的一个项目。
**提问：这是不是跟 Databricks 的 MLflow 有点类似？**
莫问：AI Flow 大于 MLflow，因为 MLflow 只定义了数据格式，AI Flow 可能跟 Kubeflow 更像，AI Flow 偏工作流程，MLflow 偏重于数据格式，没有覆盖特别完整的工作流程，但我们也不排除 MLflow 将来越做越大。
为什么我们要做这个东西？因为我们在阿里巴巴内部非常熟悉整个搜索推荐广告最核心的系统怎么玩，如何一步步流程化才能形成一套大脑去调控整个流量，甚至是搜索流量、推荐流量、广告流量，在业务流量和现金流量去 battle 等，这是整个商业化最核心的系统，这个系统就是基于大数据 +AI 的方案，而这套方案离不开 workflow，离不开数据格式的定义，离不开不同计算引擎的协同，这是更大的一个概念。我们明年会在这方面投入更多资源，也会联合其他的公司一起来做。
[原文链接](https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/727597%3Futm_content%3Dg_1000089494)
本文为云栖社区原创内容，未经允许不得转载。
分享到：
相关推荐
- **Alink机器学习库**：提供丰富的机器学习算法，用于实时预测和模型训练。 - **Libra智能调优系统**：自动优化Flink作业的性能。 - **AppManager和Jobs**：管理应用程序和作业的部署、更新和监控。 - **...
摘 要 现代经济快节奏发展以及不断完善升级的信息化技术，让传统数据信息的管理升级为软件存储，归纳，集中处理数据信息的管理方式。本小型诊疗预约平台就是在这样的大环境下诞生，其可以帮助管理者在短时间内处理完毕庞大的数据信息，使用这种软件工具可以帮助管理人员提高事务处理效率，达到事半功倍的效果。此小型诊疗预约平台利用当下成熟完善的SSM框架，使用跨平台的可开发大型商业网站的Java语言，以及最受欢迎的RDBMS应用软件之一的Mysql数据库进行程序开发。实现了用户在线选择试题并完成答题，在线查看考核分数。管理员管理病例管理、字典管理、公告信息管理、患者管理、单页数据管理、药品管理、医生管理、医生收藏管理、医生留言管理、医生预约挂号订单管理、管理员管理等功能。小型诊疗预约平台的开发根据操作人员需要设计的界面简洁美观，在功能模块布局上跟同类型网站保持一致，程序在实现基本要求功能时，也为数据信息面临的安全问题提供了一些实用的解决方案。可以说该程序在帮助管理者高效率地处理工作事务的同时，也实现了数据信息的整体化，规范化与自动化。 关键词：小型诊疗预约平台；SSM框架；Mysql；自动化
内容概要：本文详细介绍了从230V交流输入到400V直流输出的有源功率因数矫正（APFC）系统的实现方法和技术要点。首先解释了不可控桥式整流的作用及其局限性，然后重点讨论了Boost型PFC电路的设计，包括电感的选择、控制算法的实现以及相关硬件配置。文中提供了具体的C语言和Python代码片段来帮助理解开关管控制逻辑和电感量计算。此外，还分享了一些实际调试过程中遇到的问题及解决方案，如EMI问题、电流环控制策略等。 适合人群：从事电力电子设计的技术人员，尤其是对APFC技术感兴趣的工程师。 使用场景及目标：适用于需要高效能电源转换的应用场合，如工业电源、通信基站等。目标是提高功率因数，降低谐波污染，确保电能的有效利用。 其他说明：文章不仅涵盖了理论知识，还包括了许多实用的经验技巧，对于理解和掌握APFC的实际应用非常有帮助。同时提醒读者，在实际项目中还需考虑更多因素，如过流保护、过压保护、电磁兼容性等。
内容概要：本文详细介绍了ABB机器人数据采集与监控系统的多种应用场景和技术实现方式。首先展示了如何通过RAPID程序实现实时坐标采集，利用Socket通信将位姿数据发送出去。接着讲解了用Python进行远程IO信号控制的方法，以及通过FTP和批处理脚本实现程序的远程更新。此外，还探讨了系统快照备份、日志分析等功能的具体实现步骤。文中强调了网络通信、位姿数据采集、程序传输、系统备份和日志分析等方面的技术细节，并提供了多个代码示例。 适合人群：从事工业自动化、机器人工程及相关领域的技术人员，特别是那些希望深入了解ABB机器人数据采集与监控系统的开发者。 使用场景及目标：适用于需要对ABB机器人进行数据采集、远程控制、程序更新和系统维护的实际工程项目。主要目标是提高工作效率，减少人工干预，确保系统的稳定性和可靠性。 其他说明：文中不仅提供了详细的代码示例，还分享了许多实践经验，如避免常见错误、优化性能等。同时提醒使用者在操作过程中保持谨慎，以防止意外情况的发生。
内容概要：本文详细介绍了两种应用于自动驾驶领域的激光雷达检测算法及其源码实现。第一种算法基于点云聚类，利用DBSCAN算法对点云数据进行聚类，从而识别出不同的物体。第二种算法基于特征提取，通过计算FPFH特征并使用RANSAC进行配准，实现点云的特征匹配。此外，文中还探讨了体素化处理和基于深度学习的PointPillars变种方案，分别适用于嵌入式设备和复杂场景。每种算法均配有示例代码、数据包及安装使用文档，方便开发者直接应用于项目中。 适合人群：从事自动驾驶技术研发的工程师和技术爱好者，尤其是对激光雷达点云处理感兴趣的读者。 使用场景及目标：①帮助开发者理解和实现激光雷达点云处理算法；②提供实际工程项目中可复用的代码和数据包；③提高自动驾驶系统的环境感知能力和检测精度。 其他说明：文中提到的代码和数据包已在实际项目中验证有效，能够直接应用于自动驾驶项目的开发。同时，针对不同硬件平台（如Jetson Xavier、RTX 3080）给出了具体的优化建议。
内容概要：本文详细介绍了选择排序算法的核心原理、具体实现步骤、性能分析及其优化方法。选择排序作为一种简单直观的排序算法，通过每一轮从未排序部分选择最小（或最大）元素并将其放置到已排序部分的末尾，逐步实现整个数组的排序。文章还提供了Python代码实现，并对其进行了逐行解析。此外，文中讨论了选择排序的时间复杂度、空间复杂度和稳定性，分析了其在不同场景下的优缺点，并与快速排序、冒泡排序进行了对比。最后，介绍了双元选择排序的优化方法及其性能提升效果。 适合人群：适合初学者和有一定编程基础的学习者，尤其是对数据结构和算法感兴趣的读者。 使用场景及目标：适用于小规模数据处理、资源受限环境（如嵌入式系统）、教学领域等。目标是帮助读者理解选择排序的工作机制，掌握其编码实现，并能在适当场景中应用。 其他说明：选择排序虽然时间复杂度较高，但在特定条件下仍有一定的实用价值。通过学习选择排序，读者不仅能掌握一种具体的排序算法，还能从中体会到算法设计的思想和方法。
内容概要：本文详细介绍了基于STM32F103C8的两轮平衡车的设计与实现，重点探讨了卡尔曼滤波和PID算法在姿态解算和运动控制中的应用。首先，针对MPU6050传感器返回的噪声数据，利用卡尔曼滤波进行平滑处理，确保角度数据的准确性。接着，通过PID控制器调节电机转速，使平衡车能够在动态中保持直立。文中还涉及了电机驱动、电压补偿以及参数调优的具体方法和技术细节。最终，通过不断的调试和优化，成功实现了平衡车的稳定运行。 适合人群：具有一定嵌入式开发经验的研发人员，尤其是对卡尔曼滤波和PID控制感兴趣的工程师。 使用场景及目标：适用于希望深入了解姿态解算和运动控制原理的研究者和开发者。目标是掌握如何将理论应用于实际工程项目中，提高对传感器数据处理和控制系统设计的理解。 其他说明：文中提供了详细的代码片段和调试技巧，有助于读者更好地理解和复现实验结果。此外，还分享了一些实用的经验教训，如参数选择、硬件选型等方面的注意事项。
内容概要：本文详细介绍了如何使用C# WinForms构建一个纯原生的工作流表单设计器，涵盖动态控件生成、拖拽移动、对齐辅助线、属性调整等功能模块。作者通过具体代码示例展示了如何利用鼠标的MouseDown、MouseMove和MouseUp事件实现控件的创建、移动和对齐，同时提供了对齐辅助线、属性调整等实用功能的具体实现方法。此外，还讨论了如何通过自定义控件、事件处理和绘图功能进一步增强设计器的功能。 适合人群：具有一定C#编程基础，尤其是对WinForms感兴趣的开发者。 使用场景及目标：适用于需要快速搭建工作流表单的应用场景，如企业内部审批流程管理系统的开发。主要目标是帮助开发者掌握WinForms的基本绘图和事件处理机制，以及如何通过原生控件实现复杂的设计器功能。 其他说明：文中强调了使用原生控件而非第三方库的优势，如灵活性高、便于理解和调试。同时也提供了一些扩展功能的方向，如序列化保存、连线功能和验证逻辑等。
内容概要：本文详细介绍了基于欧姆龙NJ501-1400控制器和EtherCAT总线的全自动锂电池二封机的设计与实现。系统集成了松下A6伺服电机、温控器、真空压力传感器、二维条码读取装置等多种设备，实现了高效稳定的生产工艺。文中重点讨论了EtherCAT总线的高速同步特性、伺服轴控制的功能块封装、扫码模块的通信优化、配方管理和故障记录等功能的具体实现方法和技术难点。此外，还分享了调试过程中遇到的问题及其解决方案，如伺服轴参数配置、扫码枪丢包处理、温控PID自整定等。 适合人群：从事工业自动化控制系统的工程师和技术人员，尤其是熟悉PLC编程、EtherCAT总线技术和锂电池生产设备的专业人士。 使用场景及目标：适用于需要深入了解和掌握锂电池二封机自动化控制系统的开发人员。目标是帮助读者理解如何利用欧姆龙NJ/NX系列PLC和EtherCAT总线构建高效的自动化生产线，提高设备的整体性能和可靠性。 其他说明：文章不仅提供了详细的代码示例和技术细节，还分享了许多宝贵的实践经验，对于解决实际工程中的常见问题具有很高的参考价值。
内容概要：本文详细介绍了基于FPGA的四相八拍步进电机控制系统的开发过程。主要内容包括：1. 使用VHDL和Verilog编写LED显示屏驱动代码，用于显示角度、学号和姓名等信息；2. 实现步进电机的正反转控制，通过状态机管理相序变化；3. 开发加速减速控制模块，确保电机启动和停止时的平稳性；4. 设计调速功能，通过调节脉冲频率实现速度控制。此外，文中还讨论了调试过程中遇到的问题及其解决方案。 适合人群：对FPGA开发和步进电机控制感兴趣的电子工程师、嵌入式系统开发者以及相关专业的学生。 使用场景及目标：适用于需要高精度运动控制的应用场合，如工业自动化、机器人技术和精密仪器等领域。目标是帮助读者掌握FPGA控制步进电机的基本原理和技术细节。 其他说明：文中提供了详细的代码片段和调试经验分享，有助于读者更好地理解和应用所学知识。同时，作者还提到了一些实用技巧，如通过PWM调节实现多级变速，以及如何避免步进电机的共振问题。
immich相册系统docker镜像文件之一
内容概要：本文深入探讨了基恩士KV8000控制器在全自动锂电池注液封装机中的应用。该系统采用了多种先进的硬件组件，如威伦通触摸屏、EtherCAT总线模块、松下A6伺服、SMC真空压力表和欧姆龙E5CC温控器等。通过详细讲解KV8000的硬件搭建、通信机制、伺服轴多位置变址控制、温度控制、人机交互等功能，揭示了其在工业自动化领域的卓越性能。文中还介绍了如何通过简化编码、优化通信协议、增强故障记录等方式提升系统的稳定性和易用性。 适合人群：从事工业自动化、机电一体化及相关领域的工程师和技术人员。 使用场景及目标：适用于希望深入了解工业自动化控制系统的设计与实现，尤其是锂电池生产设备的技术人员。目标是掌握KV8000控制器的应用技巧，提高生产效率和产品质量。 其他说明：文章不仅提供了理论知识，还包括大量实用的代码片段和实践经验分享，有助于读者快速理解和应用。
内容概要：本文详细介绍了三菱PLC时间锁机程序2.0的设计与实现，重点讲解了三期时间锁的设置方法及其扩展方式。程序通过比较PLC内部时钟与预设时间来决定是否触发停机信号。主要内容包括时间锁的核心逻辑、多期时间控制、停机控制、临时解锁机制以及注意事项。文中还提供了具体的梯形图代码示例，帮助读者理解和应用。 适合人群：从事工业自动化领域的工程师和技术人员，尤其是熟悉三菱PLC编程的从业者。 使用场景及目标：适用于需要精确时间管理的自动化设备，如租赁设备管理、按服务周期收费的设备等。主要目标是确保设备在特定时间内正常运行，超过规定时间则自动停机，防止非法使用。 其他说明：建议定期备份程序并更换PLC内部时钟电池，以确保系统的稳定性和准确性。同时，注意不要将锁机信号误接到安全回路，以免引发安全隐患。
内容概要：本文详细记录了利用COMSOL进行基于开口谐振环（SRR）的二次谐波产生的建模过程。首先介绍了SRR的基本概念及其在非线性光学中的重要性，随后逐步讲解了几何建模、材料属性设置、物理场配置、求解器配置以及后处理的具体方法。文中还分享了许多实用的操作技巧，如参数化控制几何尺寸、非线性材料属性的正确设置、频率设置中的双频模式、网格划分的优化策略等。此外，作者还提供了多个避免常见错误的经验之谈，确保仿真的顺利进行。 适合人群：从事非线性光学研究、超材料设计及相关领域的科研人员和技术爱好者。 使用场景及目标：帮助读者掌握COMSOL中SRR二次谐波仿真的完整流程，提高仿真效率并减少错误发生。具体目标包括：①理解SRR在非线性光学中的应用；②学会正确的建模、材料选择和物理场设置；③掌握求解器配置和后处理技巧；④避免常见的仿真陷阱。 其他说明：文章不仅提供了详细的理论解释，还结合了大量实践经验，使读者能够更好地理解和应用相关知识。
内容概要：本文详细介绍了基于Java构建的物联网云平台的全套源码，涵盖了设备管理、传感器管理、开关状态记忆、通讯协议与机制、任务与记录、用户与权限管理、前端与安全、开发便捷性等多个功能模块。平台采用了MQTT、Spring Boot、Shiro、MyBatis、Ehcache、Thymeleaf、Bootstrap、Swagger等一系列主流技术，实现了设备远程控制、传感器数据处理、权限管理和数据可视化等功能。文中不仅展示了具体的代码实现，还深入探讨了设计思想和技术细节，如指令生命周期管理、滑动窗口算法、设备级权限控制、状态同步机制等。 适合人群：具备一定Java编程基础，尤其是对物联网开发感兴趣的开发人员、研究人员和技术爱好者。 使用场景及目标：适用于希望深入了解物联网云平台架构和实现细节的技术人员，帮助他们掌握设备远程控制、传感器数据处理、权限管理等方面的知识，从而应用于实际项目开发或研究工作中。 其他说明：该平台提供了丰富的功能模块和详细的代码示例，能够作为学习和开发的基础框架。通过对平台源码的学习，开发者可以获得宝贵的实践经验，提升技术水平。
内容概要：本文详细介绍了单相交流调压、三相交流调压（含带中性线的三相调压）的技术原理及其应用场景。文中不仅阐述了通过控制晶闸管触发角来调节输出电压的方法，还提供了Python、Verilog和MATLAB/Simulink的代码示例，展示了不同触发角下电压波形的变化特性。此外，文章探讨了三相桥式半控整流电路在不同负载条件下的仿真表现，强调了触发角和负载性质对输出波形的影响。 适合人群：从事电力电子研究和技术开发的专业人士，以及对电力电子技术感兴趣的工程技术人员。 使用场景及目标：帮助读者深入理解单相和三相交流调压的基本原理，掌握通过编程手段模拟调压过程的方法，提升对实际电路设计和故障排查的能力。 其他说明：文章通过具体的代码实例和波形分析，使理论与实践相结合，有助于读者更好地理解和应用相关技术。同时提醒读者注意实际应用中的潜在问题，如谐波污染、中性线过载等。
内容概要：本文详细介绍了如何利用MATLAB搭建Z源光伏并网系统的仿真模型，重点探讨了扰动观察法（P&O）实现最大功率点跟踪（MPPT）以及电压电流双闭环控制的具体方法。文中通过具体代码展示了直通矢量法在Z源逆变器中的应用，解释了如何通过调整开关管的状态来实现电压提升，并讨论了双闭环控制中PID控制器的参数设置及其对抗电网扰动的作用。此外，文章还分享了一些仿真过程中的实践经验，如初始化设置、仿真精度和参数调整等方面的问题。 适合人群：从事电力电子、新能源发电领域的研究人员和技术人员，尤其适用于有一定MATLAB/Simulink基础并对光伏并网系统感兴趣的读者。 使用场景及目标：①帮助读者理解Z源逆变器的工作原理及其在光伏并网系统中的优势；②掌握扰动观察法和双闭环控制的具体实现方法；③提高仿真模型的准确性，为实际系统的设计和优化提供参考。 其他说明：文章强调了仿真过程中的一些关键技术和注意事项，如直通矢量的插入策略、PID参数的整定、仿真精度的选择等。通过对这些技术细节的深入探讨，旨在为读者提供一个完整的Z源光伏并网系统仿真解决方案。
用html创作的一个方田教育App下载单机网站，未经许可请勿转载!!!
本文章实现TCP、WIFI、串口工具的功能开发，这样方便与单片机MCU进行上下位机相互通信调试。 实现的TCP连接界面 文章地址：https://blog.csdn.net/u011463646/article/details/117969241
内容概要：本文详细介绍了支持TCP/IP、HTTP、MQTT通讯协议的物联网平台源码，重点讲解了其架构设计和技术实现。该平台主要由后台服务、传感器解析服务和web展示三部分组成，涵盖了实时数据采集、报警管理、历史数据分析、报表导出等功能。文中提供了多个代码示例，如通过HTTP协议获取传感器数据、使用MQTT协议进行消息传递、报警信息管理等。此外，还深入探讨了协议解析、数据流处理、权限设计等核心技术模块，展示了如何通过Go、Python、C/C++、JavaScript等语言实现这些功能。同时，针对海康摄像头的特殊需求，提出了环形缓冲区设计、动态协议适配等解决方案。 适合人群：具备一定编程基础，尤其是对物联网开发感兴趣的开发者和技术爱好者。 使用场景及目标：适用于希望深入了解物联网平台开发的技术人员，旨在帮助他们掌握多种通讯协议的集成方法，提高数据处理效率，增强系统的稳定性和扩展性。 其他说明：本文不仅提供了详细的代码示例，还分享了许多实际开发中的经验和技巧，如协议解析、数据流处理、权限设计等，有助于读者快速上手并应用于实际项目中。