查欣欣 曹冬雪 盧 濤

(大連理工大學系統(tǒng)工程所 遼寧 大連 116023)

基于情境和事件的生產(chǎn)異常表示和監(jiān)測方法

查欣欣 曹冬雪 盧 濤

(大連理工大學系統(tǒng)工程所 遼寧 大連 116023)

隨著傳感器技術(shù)、通信技術(shù)的高速發(fā)展，實時監(jiān)測工業(yè)生產(chǎn)中加工狀況成為可能。為了實時監(jiān)測生產(chǎn)車間中的異常，根據(jù)生產(chǎn)現(xiàn)場感知到情境信息的特點，提出異常信息表示方法。分別構(gòu)建情境模型和事件模型，結(jié)合兩者的特點，提出Event-Context異常信息表示方法；根據(jù)事件的不同類型將異常歸結(jié)為七種模式，并轉(zhuǎn)換為復雜事件形式，應用復雜事件處理引擎Esper進行異常識別；對事件流進行預處理解決了因同源事件的干擾而未能識別出全部異常和正常識別為異常的問題。實驗結(jié)果表明，該方法能夠更準確識別出生產(chǎn)中異常情況。

事件 情境 異常表示 異常監(jiān)測 事件流預處理

0 引 言

現(xiàn)代工業(yè)生產(chǎn)過程一般具有規(guī)模大、工藝精細復雜等特點。研究發(fā)現(xiàn)因為操作人員主觀原因操作失誤，輕則導致產(chǎn)品質(zhì)量下降、產(chǎn)品返工等問題，重則導致重大事故發(fā)生。隨著傳感技術(shù)、RFID技術(shù)和通信技術(shù)的高速發(fā)展和廣泛應用，通過運用這些技術(shù)對工業(yè)生產(chǎn)中主要實體進行隨時隨地和透明的監(jiān)測，能減少或避免人為失誤造成的經(jīng)濟損失，具有一定的現(xiàn)實意義。

通常，工業(yè)生產(chǎn)中的異常是指導致生產(chǎn)沒有按照規(guī)定進行的一切事情，包括環(huán)境異常、生產(chǎn)人員的錯誤操作引起的異常、設備故障等。布置在生產(chǎn)現(xiàn)場的大量感知設備能夠收集并存儲大量數(shù)據(jù)，這些數(shù)據(jù)中蘊藏著生產(chǎn)中的異常信息，但需要一定的技術(shù)手段來實時處理這些數(shù)據(jù)才能及早獲取。復雜事件處理技術(shù)是處理此類數(shù)據(jù)的技術(shù)手段之一，它能結(jié)合來自多個數(shù)據(jù)源的原始數(shù)據(jù)來推斷出更為復雜的有意義的事件或模式。David Luckman所著的書The Power of Event[1]極大地推動了CEP的發(fā)展，它滿足了處理更高級別更復雜的事件的需求。情境感知同樣為異常信息的獲取提供了技術(shù)支持，Dey把情境感知定義為：無論是桌面計算機還是移動設備，普適計算環(huán)境中使用情境的應用，都稱為情境感知[2]。它可以根據(jù)感知到的情境做出相應的調(diào)整[3-4]。

異常監(jiān)測的核心是制定一系列模式能夠表示出生產(chǎn)人員描述的異常情況，從而根據(jù)這些異常模式從大量數(shù)據(jù)流中提取出隱含的異常信息。根據(jù)實時生產(chǎn)異常監(jiān)測的特點，單一基于情境或基于事件表示異常時信息不自然，本文提出結(jié)合情境和事件的異常信息表示方法Event-Context模型。該模型能夠表示出生產(chǎn)人員描述的異常情況。最后以金相組織中取樣工序為實例，使用成熟的開源復雜事件處理引擎Esper作為實驗工具進行事件處理，以實現(xiàn)實時、快速的異常監(jiān)控。通過異常模式識別和實驗結(jié)果分析，提出了事件流預處理方法。該方法能夠更準確識別出生產(chǎn)中異常情況。

1 情境模型和事件模型

1.1 情境模型

1.1.1 情境定義

Abowd等[5]給出情境的定義：情境是能夠用來描述實體情形的任何信息，一個實體可以是一個人、物理設備或其他可計算的對象，這些實體和用戶的互動相關。這是從語義層面目前最為經(jīng)典的情境定義。在形式化定義方面，針對具體的研究領域，不同的研究人員對情境的形式定義有所不同[6-8]。因此本文針對工業(yè)生產(chǎn)領域的特點提出對情境的形式化定義。

情境一般是通過嵌入在物理空間中的各類傳感器或計算設備獲得，具有多樣性和時效性。情境模型用于定義和表示情境，復雜的情境可通過已知的情境推理得到。設生產(chǎn)現(xiàn)場可感知的情境屬性用A1，A2，…，An表示，且情境屬性Ai的取值集合是Di，所有情境屬性值集合為D。

假設在給定時刻t，情境Ai的取值表示為Ai(t),Ai(t)∈Di,i=1,2,…,n，這種映射使得連續(xù)的情境信息離散化。

原子情境C在t1時刻開始成立，持續(xù)一段時間后在t2時刻不再成立，則t1時刻到t2時刻稱為原子情境C的一個實例c，記為c=(C,t1,t2)。情境實例對應情境的一次發(fā)生，一個原子情境C的實例集合記為Ins(C)，這些實例之間在線性時間上不存在交叉或包含關系。為區(qū)別方便，用大寫字母表示情境，用小寫字母表示情境的實例。

設c∈Ins(C)，c=(C,t1,t2)，其中t1≤t2。分別用↑c和↓c表示情境實例c的開始和結(jié)束時刻，↑c=t1,↓c=t2。T(c)表示情境實例c持續(xù)的時間，T(c)=↓c-↑c。如圖1所示。如果當前時刻，某一情境仍在持續(xù)，方便起見，將其結(jié)束時刻定義為“+∞”。

圖1 情境持續(xù)時間

1.1.2 情境間的時序關系描述

Allen[9]提出多種情境間的時序關系，根據(jù)研究問題的特點，文中主要應用三種時序關系：Before，During和Overlap。

Before：表示情境C1的實例結(jié)束后情境C2的實例開始發(fā)生，記作Before(C1,C2)。

During：表示情境C1的實例在情境C2的實例發(fā)生的期間內(nèi)發(fā)生，記作During(C1,C2)。

Overlap：表示情境C1的實例先開始，情境C2的實例在C1的實例發(fā)生期間發(fā)生且在C1的實例發(fā)生結(jié)束后才結(jié)束，記作Overlap(C1,C2)。

1.1.3 復合情境

定義如下運算符，通過運算符將多個原子情境或復合情境構(gòu)成情境表達式，稱為復合情境。

與運算(△)：假設?c1,?c2，滿足c1∈Ins(Ci),c2∈Ins(Cj)，其中i≠j,且?t1,?t2,使得t1≤t2,↑c1≤t1,↓c1≥t2,↑c2≤t1,↓c2≥t2,則Ci△Cj成立，表示情境Ci和Cj同時成立。

或運算(▽)：假設?t1,?t2,?c1,滿足c1∈Ins(Ci),t1≤t2,↑c1≤t1,↓c1≥t2;或?c2,滿足c2∈Ins(Cj),↑c2≤t1,↓c2≥t2,其中i≠j,則Ci▽Cj成立，表示情境Ci和Cj至少一個成立。

定義2情境表達式按如下遞歸定義：

(1) 原子情境是情境表達式；

(2) 若Ci,Cj是情境表達式，則Ci°Cj也是情境表達式，其中:“° ”是△或▽運算符。

多個感知的原子情境信息通過運算符得到復合情境信息，復合情境信息之間及原子情境信息可再次通過運算符得到更加復雜的情境信息。

根據(jù)定義，顯然△和▽都滿足結(jié)合率、交換率。

復合情境Ci°Cj也有開始和結(jié)束時刻，設C=Ci°Cj,c=(Ci°Cj,t1,t2),?c∈Ins(C),c的開始時間和結(jié)束時間如下所示：

↑(ci△cj)=max(↑ci,↑cj),↓(ci△cj)=min(↓ci,↓cj)

↑(ci▽cj)=min(↑ci,↑cj),↓(ci▽cj)=max(↓ci,↓cj)

1.2 事件模型

Luckman把事件定義成系統(tǒng)中任意一個活動的發(fā)生，其特點有顯著性(發(fā)生在系統(tǒng)感興趣的特定領域)，瞬時性(發(fā)生在一個特定的時間點)和原子性(發(fā)生或不發(fā)生)[1]。事件按粒度從小到大分為原始事件、基本事件和復雜事件。原始事件是由感知設備產(chǎn)生，中間件對原始事件處理后得到基本事件，基本事件構(gòu)成復雜事件。事件處理過程如圖2所示。

圖2 事件處理框架

1.2.1 原始事件

原始事件是由感知設備產(chǎn)生的，表示某實體的狀態(tài)變化。這類產(chǎn)生事件的對象，如感知或識別設備狀態(tài)、環(huán)境指標和人的行為等實體的感知設備(如RFID、傳感器等)叫作事件源(記為ES)。原始事件存在格式不統(tǒng)一、重復、錯誤和無實際語義等問題，需要中間件對這些原始事件進行格式統(tǒng)一、篩選、過濾和抽取處理原始事件進行抽取。

1.2.2 基本事件

原始事件經(jīng)過中間件處理后得到基本事件，它反映單一對象的狀態(tài)變化，基本事件也是原子和瞬時的。原子性是指基本事件要么完全發(fā)生，要么根本就不發(fā)生[10]。

定義3(基本事件) 基本事件用一個四元組形式地表示，e=，其中:o表示事件源(object)，它可以是人、設備、原材料和環(huán)境等，也可以是某個軟件；s是對象o的狀態(tài)，E是事件類型，t是事件的發(fā)生時間。

定義4(事件類型) 事件類型用來明確某類事件的發(fā)生。形式化表示為E=(o,v),?Ei,?Ej,i≠j，則Ei·v≠Ej·v，其中o是事件源標識,v是事件類型的值。事件類型操作符type判斷事件的類型，記作E=type(e)。

1.2.3 復雜事件

定義5(復雜事件) 復雜事件是在一定時間段內(nèi)滿足某種關系的一系列基本事件的集合。形式化表示為ce={M,P;tstart,tend}。

其中:M表示一系列基本事件的集合,M={ei|i=1,2,…,n}；P表示事件模式，即事件之間需要滿足的關系；tstart和tend分別表示復雜事件ce的開始時間和結(jié)束時間。

目前關于復雜事件發(fā)生時間的表示方法有兩種：基于時刻和基于區(qū)間的方法。本文基本事件采用點時間，復雜事件采用區(qū)間時間[11]。

定義6(開始/結(jié)束時間操作符) 將時間視為一個線性有序離散集，則一個時間區(qū)間可以看為一個有序?qū)?，有序?qū)τ脕肀硎臼录闪⒌钠鹗紩r間和結(jié)束時間。事件開始時間操作符用S_t(e)表示，事件結(jié)束時間操作符用E_t(e)表示。

1.2.4 同源事件

定義7(同源事件) 對于?ei,?ej,i≠j,type(ei)=Em,type(ej)=En，如果m≠n，且Em·o=En·o，則稱ei和ej互為同源事件，記作SS(ei,ej)。

例如:e1=(室內(nèi)溫度,35,E1,10:00:00)，e2=(室內(nèi)溫度,10,E2,10:10:00)，E1=(室內(nèi)溫度，[30,35])，E2(室內(nèi)溫度，[15,30])，則e1和e2互為同源事件。

1.2.5 事件操作符

事件類型的一次發(fā)生稱為此事件類型的一個實例，使用大寫字母E表示事件類型,用小寫字母e表示事件類型的一個實例。多位學者提出復雜事件處理機制[10,12-13]，本文在此基礎上，歸納整理出適合生產(chǎn)實時監(jiān)測的事件建模語言操作符，具體如下所示:

定義8(事件操作符)

(1) 邏輯操作符

AND:P=AND(E1,E2,…,En)，當事件類型E1,E2,…,En，的實例都發(fā)生時(順序無關)，事件模式P成立。

OR:P=OR(E1,E2,…,En), 當事件類型E1,E2，…,En的任一實例發(fā)生時，事件模式P成立。

NOT:P=NOT(E)，表示事件類型E的實例沒有發(fā)生，該操作符不能單獨使用，需要結(jié)合其他操作符才有意義。

(2) 順序操作符

SEQ:P=SEQ(E1,E2,…,En;t1,t2,…,tn-1)，表示事件類型E1,E2,…,En的實例按時間順序先后發(fā)生，且Ei和Ei+1的實例發(fā)生時間間隔ti(i=1,2,…,n-1)時，事件模式P成立；SEO(E;t)，表示t時間單位后事件E的實例發(fā)生。如果省略t，則表示不考慮事件間的時間間隔，常與NOT操作符一起使用。

(3) 時限操作符

WITHIN:P′=WITHIN(P,t)，表示事件模式P成立的有效時長范圍。

以上只是給出部分事件操作符，各種復雜事件處理軟件中都能找到相應的操作符，這些已足夠表達絕大部分本文感興趣的異常信息。

根據(jù)事件操作符的定義，顯然AND和OR滿足交換律、結(jié)合律；SEQ只滿足結(jié)合律不滿足交換律。

根據(jù)操作符的定義，它們之間存在一定的相關關系，下面在設計事件模式時經(jīng)常需要考慮的兩點：

(1) 操作符SEQ、AND和OR存在包含關系，即(SEQ(E1,E2))?(AND(E1,E2))?(OR(E1,E2))。

(2) WITHIN(SEQ(E1,E2;t0);t)中必須滿足t>t0，即總的時間限制大于內(nèi)部時間間隔。

2 異常信息表示方法

某一情境發(fā)生或結(jié)束是由事件的發(fā)生導致，由兩個相鄰的同源事件組成的復雜事件就是一個原子情境。Es(C)和Ee(C)分別表示觸發(fā)情境C開始和結(jié)束的事件類型。Es(C)的實例發(fā)生既標志C開始成立，又標志情境C結(jié)束。例如：事件類型E1、E2和E3分別為溫控顯示儀溫度為0、150及其他，C=(溫度，0)，Es(C)=E1；當E1的實例發(fā)生時，情境C開始成立，當E2或E3的實例發(fā)生時，情境C結(jié)束。

本文定義兩個函數(shù)，分別表示某一情境正在發(fā)生和已經(jīng)發(fā)生過，記作()和□()，具體映射如下所示：

采用以下表達式來表示異常信息：

((C1)∧□(C2)∧(T)

其中:C1和C2為情境，既可以是原子情境也可以是復合情境;T為情境間的時間約束表達式。

根據(jù)正常時C1和C2間需要滿足一定的時序關系，而異常發(fā)生時該時序關系一定不滿足的原則，總結(jié)出以下異常模式：

(1) 如果要求Before(C1,C2)，且情境之間的時間約束為T，則當檢測到Before(C2,C1)、During(C1,C2)、During(C2,C1)、Overlap(C1,C2)、Overlap(C2,C1)或不滿足時間約束T則為異常。以上異常情形用函數(shù)表示為((C1)∧(C2))。

(2) 如果要求During(C1,C2)，且情境間的時間約束為T，當檢測到Before(C1,C2)、Before(C2,C1)During(C2,C1)、Overlap(C1,C2)、Overlap(C2,C1)成立時或不滿足時間約束T為異常。函數(shù)表示為((C1)∧(C2))∨(T)。

(3) 如果要求Overlap(C1,C2)，且情境間的時間約束為T，則當檢測到Before(C1,C2)、Before(C2,C1)、During(C2,C1)、During(C1,C2)、Overlap(C2,C1)成立或不滿足時間約束T為異常。使用函數(shù)表示為((C2)∧(C1)∧□(C1))∨(□(C1)∧(C1))∨((C1)∧□(C2))∨(T)。

如AUTOP軟件加載完成后30 s內(nèi)需要走絲電機開啟，已知情境C1=(AUTOP, on)，C2=(走絲電機,on)，它們需滿足Before(C1,C2)時序關系，且時間約束為↑C2-↓C1≤30 s，則根據(jù)上述異常模式(1)可將異常信息描述：(□(C2)∧□(C1))∨□(C2))∨(↑(C2-↓C1>30 s)。

生產(chǎn)監(jiān)測時希望盡可能早的及時發(fā)現(xiàn)異常情況，但上述異常表達式及文獻[14]只有完全成立才能檢測到異常，此時異常已經(jīng)發(fā)生很長時間。因為某一情境的發(fā)生都是由某一事件導致的，用事件表示異常可盡快發(fā)現(xiàn)異常，根據(jù)情境與事件間的關系，即C?SED(Es(C),Ee(C))，將情境間的時序關系轉(zhuǎn)化為以下事件模式：

(1) Before(C1,C2)?SEQ(Es(C1),Ee(C1),Es(C2),Ee(C2))

(2) During(C1,C2)?SEQ(Es(C2),Es(C1),Ee(C1),Ee(C2))

(3) Overlap(C1,C2)?SEQ(Es(C1),Es(C2),Ee(C1),Ee(C2))

對于事件模式SEQ(Es(C1),Ee(C1),Es(C2)，Ee(C2))，只有當檢測到Ee(C1)的實例才會發(fā)現(xiàn)異常，而實際上檢測到的實例時就可準確判斷異常發(fā)生。為了更早發(fā)現(xiàn)異常，需對上述事件模式調(diào)整。

由于一個情境實例的開始事件必定早于它的結(jié)束事件發(fā)生，因此Before、During和Overlap時序關系轉(zhuǎn)化為事件模式時進行如下調(diào)整：

(1) Before(C1,C2)?SEQ(Es(C1),Ee(C1),Es(C2))

(2) During(C1,C2)?SEQ(Es(C2),Es(C1),Ee(C1))

(3) Overlap(C1,C2)?SEQ(Es(C1),Es(C2),Ee(C1))

基于事件的異常信息描述方法在表示更復雜的異常信息時，事件模式過于復雜。而生產(chǎn)中的異常一般是某情境正在發(fā)生，某事件發(fā)生時導致異常，將情境和事件結(jié)合起來描述異常更合理。因此，提出Event-Context異常信息描述方法。

采用如下表達式表示異常信息：

其中:P表示事件模式；C1和C2都是情境表達式，它們可以是原子情境也可以是復合情境。當P的事件實例發(fā)生且情境C1成立，C2成立過且滿足時間約束時異常發(fā)生。

3 異常監(jiān)測系統(tǒng)實現(xiàn)

3.1 異常模式

按照Event-Context中Event的類型將生產(chǎn)過程中的異常情況總結(jié)為以下幾種異常模式：

異常模式(1): 情境C1正在發(fā)生(且情境C2發(fā)生過)，事件類型E的實例一旦發(fā)生時，發(fā)生異常?？芍狿=E，異常模式描述為：

異常模式(2): 情境C1正在發(fā)生(且情境C2發(fā)生過)，事件類型E1,E2,…，En中的任意一個類型的實例發(fā)生時為異常?？芍琍=OR(E1,E2,…，En)，異常模式描述為：

異常模式(3)： 情境C1正在發(fā)生(且情境C2發(fā)生過)，事件類型E1,E2,…,En的實例都發(fā)生時為異常。可知，P=AND(E1,E2,…,En)，異常模式描述為：

例如:線切割機總電源、控制器開關、高頻脈沖電源處于開啟狀態(tài)、工件位于線切割機上，AUTOP軟件未關閉時走絲電機就開啟。E1=(走絲電機,on)，E2=(Autop,on)，P=AND(E1,E2)，C1=(切割機總電源,on)Δ(控制器開關,on)Δ(高頻脈沖電源，on)Δ(工件位置,線切割機)。

異常模式(4)： 情境C1正在發(fā)生(且情境C2發(fā)生過)，事件類型E2的實例發(fā)生前事件類型E1的實例未發(fā)時為異常。可知，P=SEQ(NOTE1,E2)異常模式描述為：

異常模式(5)： 情境C1正在發(fā)生(且情境C2發(fā)生過)，事件類型E1的實例發(fā)生后t時間內(nèi)事件類型E2的實例未發(fā)生時為異常。P=SEQ(E1,NOTE2;t)，異常模式描述為：

異常模式(6)： 情境C1正在發(fā)生(且情境C2發(fā)生過)，事件類型E1的實例發(fā)生后，事件類型E2的實例未發(fā)生，而事件類型E3的實例發(fā)生時為異常，P=SEQ(E1,NOTE2,E3)。異常模式描述為：

°(SEQ(E1,NOTE2,E3))∧(C1)[∧(C2)][∧□(C3)]

異常模式(7)： 情境C1正在發(fā)生(且情境C2發(fā)生過)，事件類型E1的實例和E2的實例發(fā)生時間間隔小于t時為異常。P=WITHIN(SEQ(E1,E2),t))。異常模式描述為：

3.2 異常模式實現(xiàn)

近年來許多研究機構(gòu)、學者和商業(yè)公司就復雜事件處理和事件流處理的算法和實現(xiàn)進行了深入研究，已經(jīng)開發(fā)出許多復雜事件處理工具。如商業(yè)化的STREAM的Coral8,Aurora項目的StreamBase和Oracle CEP 10 g等。研究型的引擎系統(tǒng)如Cayuga[15]、SASE[16]、Siddhi[17]、Esper[18]，這些引擎是基于自動機語義監(jiān)測事件。SASE優(yōu)化了窗口滑動和中間結(jié)果集較大兩個問題；Cayuga采用索引和內(nèi)存管理等技術(shù)提高了處理性能；而Esper使用多線程檢測事件。

本文的事件處理模塊在Esper基礎上實現(xiàn)，Esper是一個Java開發(fā)并且開源的輕量級和可擴展的事件流處理和復雜事件處理引擎。它是為了滿足海量實時事件進行分析并做出反應等應用需求而產(chǎn)生的，即滿足了高吞吐量、低響應時間和復雜計算的需求。

本文提出的事件操作符完全可以映射至Esper中的事件操作符，具體如表1所示。

表1 事件操作符對照表

表2為描述生產(chǎn)異常信息經(jīng)常使用的事件模式映射到Esper中的EPL(Event Processing Language)。

表2 Esper中EPL實現(xiàn)(部分)

create context ContextName start pattern[E_s(C)] end pattern[E_e(C)]；

3.1節(jié)中的7種異常模式映射到Esper中的EPL如下所示：

(1) 異常模式(1)對應的EPL語句

語句1：context ContextName select * from pattern[every E1=A(state=on)]；

(2) 異常模式(2)對應的EPL語句

語句2：context ContextName select * from pattern[every(E1=A(state=on) or E2=B(state=on) or…)]；

(3) 異常模式(3)對應的EPL語句

語句3：context ContextName select * from pattern[every((E1=A(state=on) and E2=B(state=on))]；

(4) 異常模式(4)對應的EPL語句

語句4：context ContextName select * from pattern[every(not E1=A(state=on) ->E2=B(state=on))]；

(5) 異常模式(5)對應的EPL語句

語句5：context ContextName select * from pattern[every E1=A(state=on) ->(timer:interval(t) and not E2=B(state=on))]；

(6) 異常模式(6)對應的EPL語句

語句6：context ContextName select * from pattern[every(E1=A(state=on)->E2=B(state=on) and not E3=C(state=on))]；

(7) 異常模式(7)對應的EPL語句

語句7：context ContextName select * from pattern [every(E1= A(state=on)->E2=B(state=on)) where timer:within(t)]；

4 實驗結(jié)果及分析

通過Esper引擎進行復雜事件處理提取生產(chǎn)現(xiàn)場的異常信息。通過實驗測試，檢驗能否有效的識別出異常信息。

實驗以取樣工序為實例，取樣工序是金相組織分析的第一道工序，該工序操作復雜且最容易產(chǎn)生異常，具有一定的代表性。取樣工序在室內(nèi)溫度20～25 ℃、濕度相對值不大于85%的環(huán)境下進行，取樣設備為線切割機，操作流程如下：

(1) 依次開啟線切割機總電源、控制器開關和高頻脈沖電源；

(2) 將工件放入夾具中，然后打開AUTOP軟件，設置相應的參數(shù)，關閉AUTOP軟件；

(3) 開啟走絲電機，走絲速度為8～10 m/s，先后開啟水泵開關、高頻脈沖開關、進給開關，此時開始切割工件，切割時間為8分鐘；

(4) 待工件切割完畢后，依次關閉進給開關、走絲電機、高頻脈沖開關和水泵，取出工件；

(5) 依次關閉高頻脈沖電源、控制器開關和切割機總電源，加工完畢。

epl5=“ context CuttingMachine select * from pattern[not”+“E7=SampleLocationEvent(location=on)“->every E8=AutopEvent(state=on))]”；

輸入表示工件位置不斷變化，AUTOP軟件不斷開啟和關閉的事件流。輸入的異常事件流如表3所示，可知表中劃線事件到達時發(fā)生異常。測試結(jié)果顯示、到達時識別到異常，識別到了全部異常情況。

表3 實驗1事件流

Epl6=“context CuttingMachineWork select * from pattern[every (E9=” + “WireMotorEvent(state=on) -> (timer:interval(10 sec) and not E10=”+“WaterPumpEvent (state=on)))]”；

輸入表示走絲電機和水泵的狀態(tài)不斷開啟和關閉的事件流。輸入的異常事件流如表4所示。已知在表4中第一個劃線事件到達時發(fā)生異常，第二、三個劃線事件到后間隔10 s時發(fā)生異常，即在時間戳為20 800和31 000時發(fā)生異常。

表4 實驗2事件流

實驗結(jié)果顯示在時間戳為10 500和31 000時發(fā)生異常，此實驗結(jié)果與實際的情況不符。主要表現(xiàn)在時間戳為10 500時識別到有異常發(fā)生，而實際上無異常；時間戳為20 800時發(fā)生異常確未識別到。由此發(fā)現(xiàn)事件識別效果不理想，主要表現(xiàn)為不是異常的情況識別為異常，異常情況當作正常情況未識別出來。

產(chǎn)生上述問題的原因是有時只需考慮監(jiān)測對象的當前狀態(tài)，而最新的同源事件發(fā)生即表示監(jiān)測對象當前的狀態(tài)，舊的同源已沒用了，如果還放入事件流中會影響事件模式匹配的結(jié)果。因此本文對只考慮監(jiān)測對象當前狀態(tài)的事件模式的輸入事件流進行預處理。預處理方法：只保留最新的同源事件進行模式匹配。

對實驗2中的輸入事件流進行預處理，實驗結(jié)果顯示經(jīng)過事件流預處理后再輸入能有效識別出各種異常情況。

實驗發(fā)現(xiàn)在存在以下問題：(1)未識別出全部異常；(2)正常當作異常識別出來。經(jīng)研究發(fā)現(xiàn)產(chǎn)生這些問題的原因：事件流中最新的同源事件表示的是該事件源監(jiān)測的物體的當前狀態(tài)。有時只需根據(jù)環(huán)境、設備、操作和人的當前狀態(tài)來判斷是否發(fā)生異常。因此，隨著新同源事件的到達舊同源事件已經(jīng)過時了，此時事件處理只關心事件流中最新的同源事件，不關心舊的同源事件。通過對事件流進行預處理很好地解決了這些問題，能夠基本識別出各種異常情況。

5 結(jié) 語

本文主要研究普適計算環(huán)境下，如何根據(jù)感知到的情境信息對生產(chǎn)現(xiàn)場進行實時監(jiān)測。構(gòu)建了情境模型和事件模型，提出了Event-Context異常信息表示方法。這種表示方法結(jié)合了情境和事件的特點，使得異常表示變得簡單。根據(jù)事件的不同類型將異常歸結(jié)為七種模式，并轉(zhuǎn)換為復雜事件形式，應用復雜事件處理引擎Esper進行異常的識別。由于同源事件的干擾，導致未能識別出全部異常和正常當作異常識別出來的問題，通過對事件流進行預處理很好地解決了這些問題，能夠基本識別出各種異常情況。本文中復合情境操作符相對較少，使得情境表示變得繁復。為了使復雜異常情形表示更加簡單，后續(xù)工作將從擴展復合情境表示的方面展開。

[1] Luckham D. The Power of Events: An Introduction to Complex Event Processing in Distributed Enterprise Systems[C]// International Workshop on Rules and Rule Markup Languages for the Semantic Web. Springer Berlin Heidelberg, 2008: 3-3.

[2] Chen H. An Intelligent Broker Architecture for Pervasive Context-Aware Systems[D]. University of Maryland, Baltimore County,2004.

[3] Roman M, Campbell R H. Gaia: enabling active spaces[C]// The Workshop on ACM Sigops European Workshop: Beyond the Pc: New Challenges for the Operating System. ACM, 2000:229-234.

[4] 曹洪江, 傅魁. 情境感知推薦中的上下文寬松匹配方法研究[J]. 計算機應用與軟件, 2015, 32(10): 105-108.

[5] Abowd G D, Dey A K, Brown P J, et al. Towards a Better Understanding of Context and Context-Awareness[C]// International Symposium on Handheld and Ubiquitous Computing. Springer-Verlag, 1999:304-307.

[6] 李偉平,王武生,莫同,等.情境計算研究綜述[J].計算機研究與發(fā)展,2015, 52(2): 542-552.

[7] 張青川，曾廣平.支持情境感知計算的上下文服務框架研究[J].計算機工程與設計，2012, 33(5): 2036-2041.

[8] 唐蕾，王瀚博. 面向普適計算應用的模型分析與設計語言研究[J]. 計算機應用與軟件, 2015, 32(7): 23-28.

[9] Allen J F. Maintaining knowledge about temporal intervals[J]. Communications of the ACM, 1983, 26(11): 832-843.

[10] 臧傳真,范玉順.基于智能物件的實時企業(yè)復雜事件處理機制[J].機械工程學報,2007, 43(2): 22-32.

[11] 荊心，張璟，李軍懷.復雜事件處理技術(shù)及其在物流物聯(lián)網(wǎng)中的應用[J].計算機應用,2013, 33(07): 2026-2030.

[12] Cao B, Li J. An intelligent complex event processing with DS evidence theory in IT centralized monitoring[C]//International Conference on Internet and Distributed Computing Systems. Springer Berlin Heidelberg, 2013: 373-384.

[13] 曹科寧,王永恒,李仁發(fā),等.面向物聯(lián)網(wǎng)的分布式上下文敏感復雜事件處理方法[J].計算機研究與發(fā)展,2013, 50(6): 1163-1176.

[14] 劉曉剛，盧濤. 基于情境時序建模的活動異常監(jiān)控方法[J].計算機工程與設計, 2013, 34(7): 2623-2626.

[15] Demers A J, Gehrke J, Panda B, et al. Cayuga: A General Purpose Event Monitoring System[C]// CIDR 2007, Third Biennial Conference on Innovative Data Systems Research, Asilomar, CA, USA, January 7-10, 2007, Online Proceedings. DBLP, 2007:412-422.

[16] Wu E, Diao Y, Rizvi S. High-performance complex event processing over streams[C]//Proceedings of the 2006 ACM SIGMOD international conference on Management of data. ACM, 2006: 407-418.

[17] Suhothayan S, Gajasinghe K, Narangoda I L, et al. Siddhi: a second look at complex event processing architectures[C]// ACM Workshop on Gateway Computing Environments. ACM, 2011:43-50.

[18] Esper Team, EsperTech Inc. Esper Reference [EB/OL]. http://www.espertech.com/esper/release_5.4.0/esper_reference/pdf/esper_reference.pdf.

ANOMALYREPRESENTATIONANDMONITORINGMETHODSONPRODUCTIONSITEBASEDONCONTEXTANDEVENT

Zha Xinxin Cao Dongxue Lu Tao

(InstituteofSystemEngineering,DalianUniversityofTechnology,Dalian116023,Liaoning,China)

With the rapid development of sensor technology and communication technology, it is possible to monitor the processing status in industrial production in real time. In order to monitor the abnormity in the workshop in real time, the method of abnormal information representation is proposed according to the characteristic of the scene information. The context model and event model were respectively constructed, and an Event-Context method described anomaly was proposed according to their characteristics. Depending on the different types of events, the anomaly was classified into seven patterns, and converted to the form of complex events. Anomaly could be recognized by a complex event processing product Esper. Through preprocessing of the event streams, the problems of failing to recognize all anomaly and the normal identified as anomaly because of the interference of homologous events were solved. The experimental results show that the method can accurately identify the abnormal situation in production.

Event Context Anomaly representation Anomaly monitoring Preprocessing

2017-03-08。國家自然科學基金項目(71271038)。查欣欣，碩士生，主研領域：情境建模，異常監(jiān)測。曹冬雪，碩士生。盧濤，副教授。

TP391

A

10.3969/j.issn.1000-386x.2017.12.017