查欣欣 曹冬雪 盧 濤

(大連理工大學(xué)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(xué)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(shí)時監(jiān)測工業(yè)生產(chǎn)中加工狀況成為可能。為了實(shí)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(diǎn)，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(diǎn)，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(fù)雜事件形式，應(yīng)用復(fù)雜事件處理引擎Esper進(jìn)行異常識別；對事件流進(jìn)行預(yù)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(shí)驗(yàn)結(jié)果表明，該方法能夠更準(zhǔn)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(yù)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(xì)復(fù)雜等特點(diǎn)。研究發(fā)現(xiàn)因?yàn)椴僮魅藛T主觀原因操作失誤，輕則導(dǎo)致產(chǎn)品質(zhì)量下降、產(chǎn)品返工等問題，重則導(dǎo)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(yīng)用，通過運(yùn)用這些技術(shù)對工業(yè)生產(chǎn)中主要實(shí)體進(jìn)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(jì)損失，具有一定的現(xiàn)實(shí)意義。

通常，工業(yè)生產(chǎn)中的異常是指導(dǎo)致生產(chǎn)沒有按照規(guī)定進(jìn)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(shè)備故障等。布置在生產(chǎn)現(xiàn)場的大量感知設(shè)備能夠收集并存儲大量數(shù)據(jù)，這些數(shù)據(jù)中蘊(yùn)藏著生產(chǎn)中的異常信息，但需要一定的技術(shù)手段來實(shí)時處理這些數(shù)據(jù)才能及早獲取。復(fù)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(fù)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(fù)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(jī)還是移動設(shè)備，普適計算環(huán)境中使用情境的應(yīng)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(yīng)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(shí)時生產(chǎn)異常監(jiān)測的特點(diǎn)，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?yàn)閷?shí)例，使用成熟的開源復(fù)雜事件處理引擎Esper作為實(shí)驗(yàn)工具進(jìn)行事件處理，以實(shí)現(xiàn)實(shí)時、快速的異常監(jiān)控。通過異常模式識別和實(shí)驗(yàn)結(jié)果分析，提出了事件流預(yù)處理方法。該方法能夠更準(zhǔn)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(shí)體情形的任何信息，一個實(shí)體可以是一個人、物理設(shè)備或其他可計算的對象，這些實(shí)體和用戶的互動相關(guān)。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(lǐng)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(lǐng)域的特點(diǎn)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(shè)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(fù)雜的情境可通過已知的情境推理得到。設(shè)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(shè)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(shí)例c，記為c=(C,t1,t2)。情境實(shí)例對應(yīng)情境的一次發(fā)生，一個原子情境C的實(shí)例集合記為Ins(C)，這些實(shí)例之間在線性時間上不存在交叉或包含關(guān)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(shí)例。

設(shè)c∈Ins(C)，c=(C,t1,t2)，其中t1≤t2。分別用↑c(diǎn)和↓c表示情境實(shí)例c的開始和結(jié)束時刻，↑c(diǎn)=t1,↓c=t2。T(c)表示情境實(shí)例c持續(xù)的時間，T(c)=↓c-↑c(diǎn)。如圖1所示。如果當(dāng)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(guān)系描述

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

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

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

1.1.3 復(fù)合情境

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

與運(yùn)算(△)：假設(shè)?c1,?c2，滿足c1∈Ins(Ci),c2∈Ins(Cj)，其中i≠j,且?t1,?t2,使得t1≤t2,↑c(diǎn)1≤t1,↓c1≥t2,↑c(diǎn)2≤t1,↓c2≥t2,則Ci△Cj成立，表示情境Ci和Cj同時成立。

或運(yùn)算(▽)：假設(shè)?t1,?t2,?c1,滿足c1∈Ins(Ci),t1≤t2,↑c(diǎn)1≤t1,↓c1≥t2;或?c2,滿足c2∈Ins(Cj),↑c(diǎn)2≤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(dá)式按如下遞歸定義：

(1) 原子情境是情境表達(dá)式；

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

多個感知的原子情境信息通過運(yùn)算符得到復(fù)合情境信息，復(fù)合情境信息之間及原子情境信息可再次通過運(yùn)算符得到更加復(fù)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(fù)合情境Ci°Cj也有開始和結(jié)束時刻，設(shè)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(↑c(diǎn)i,↑c(diǎn)j),↓(ci△cj)=min(↓ci,↓cj)

↑(ci▽cj)=min(↑c(diǎn)i,↑c(diǎn)j),↓(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(diǎn)有顯著性(發(fā)生在系統(tǒng)感興趣的特定領(lǐng)域)，瞬時性(發(fā)生在一個特定的時間點(diǎn))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(fù)雜事件。原始事件是由感知設(shè)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(fù)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(shè)備產(chǎn)生的，表示某實(shí)體的狀態(tài)變化。這類產(chǎn)生事件的對象，如感知或識別設(shè)備狀態(tài)、環(huán)境指標(biāo)和人的行為等實(shí)體的感知設(shè)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(fù)、錯誤和無實(shí)際語義等問題，需要中間件對這些原始事件進(jìn)行格式統(tǒng)一、篩選、過濾和抽取處理原始事件進(jìn)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(shè)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(biāo)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(fù)雜事件

定義5(復(fù)雜事件) 復(fù)雜事件是在一定時間段內(nèi)滿足某種關(guān)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(guān)系；tstart和tend分別表示復(fù)雜事件ce的開始時間和結(jié)束時間。

目前關(guān)于復(fù)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(diǎn)時間，復(fù)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(shí)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(shí)例。多位學(xué)者提出復(fù)雜事件處理機(jī)制[10,12-13]，本文在此基礎(chǔ)上，歸納整理出適合生產(chǎn)實(shí)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(dāng)事件類型E1,E2,…,En，的實(shí)例都發(fā)生時(順序無關(guān))，事件模式P成立。

OR:P=OR(E1,E2,…,En), 當(dāng)事件類型E1,E2，…,En的任一實(shí)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(shí)例沒有發(fā)生，該操作符不能單獨(dú)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(shí)例按時間順序先后發(fā)生，且Ei和Ei+1的實(shí)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(shí)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(fù)雜事件處理軟件中都能找到相應(yīng)的操作符，這些已足夠表達(dá)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(guān)關(guān)系，下面在設(shè)計事件模式時經(jīng)常需要考慮的兩點(diǎn)：

(1) 操作符SEQ、AND和OR存在包含關(guān)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(dǎo)致，由兩個相鄰的同源事件組成的復(fù)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(shí)例發(fā)生既標(biāo)志C開始成立，又標(biāo)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(dāng)E1的實(shí)例發(fā)生時，情境C開始成立，當(dāng)E2或E3的實(shí)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(dá)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(fù)合情境;T為情境間的時間約束表達(dá)式。

根據(jù)正常時C1和C2間需要滿足一定的時序關(guān)系，而異常發(fā)生時該時序關(guān)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(dāng)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(dāng)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(dāng)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(jī)開啟，已知情境C1=(AUTOP, on)，C2=(走絲電機(jī),on)，它們需滿足Before(C1,C2)時序關(guān)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(dá)式及文獻(xiàn)[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?yàn)槟骋磺榫车陌l(fā)生都是由某一事件導(dǎo)致的，用事件表示異?？杀M快發(fā)現(xiàn)異常，根據(jù)情境與事件間的關(guān)系，即C?SED(Es(C),Ee(C))，將情境間的時序關(guān)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(dāng)檢測到Ee(C1)的實(shí)例才會發(fā)現(xiàn)異常，而實(shí)際上檢測到的實(shí)例時就可準(zhǔn)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(shí)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(guān)系轉(zhuǎn)化為事件模式時進(jìn)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(fù)雜的異常信息時，事件模式過于復(fù)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(dǎo)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(dá)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(dá)式，它們可以是原子情境也可以是復(fù)合情境。當(dāng)P的事件實(shí)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(shí)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(shí)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(shí)例發(fā)生時為異常。可知，P=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(shí)例都發(fā)生時為異常?？芍琍=AND(E1,E2,…,En)，異常模式描述為：

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

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(shí)例發(fā)生前事件類型E1的實(shí)例未發(fā)時為異常?？芍?，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(shí)例發(fā)生后t時間內(nèi)事件類型E2的實(shí)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(shí)例發(fā)生后，事件類型E2的實(shí)例未發(fā)生，而事件類型E3的實(shí)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(shí)例和E2的實(shí)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(shí)現(xiàn)

近年來許多研究機(jī)構(gòu)、學(xué)者和商業(yè)公司就復(fù)雜事件處理和事件流處理的算法和實(shí)現(xiàn)進(jìn)行了深入研究，已經(jīng)開發(fā)出許多復(fù)雜事件處理工具。如商業(yè)化的STREAM的Coral8,Aurora項(xiàng)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(jī)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(chǔ)上實(shí)現(xiàn)，Esper是一個Java開發(fā)并且開源的輕量級和可擴(kuò)展的事件流處理和復(fù)雜事件處理引擎。它是為了滿足海量實(shí)時事件進(jìn)行分析并做出反應(yīng)等應(yīng)用需求而產(chǎn)生的，即滿足了高吞吐量、低響應(yīng)時間和復(fù)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(shí)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(yīng)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(yīng)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(yīng)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(yīng)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(yīng)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(yīng)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(yīng)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(shí)驗(yàn)結(jié)果及分析

通過Esper引擎進(jìn)行復(fù)雜事件處理提取生產(chǎn)現(xiàn)場的異常信息。通過實(shí)驗(yàn)測試，檢驗(yàn)?zāi)芊裼行У淖R別出異常信息。

實(shí)驗(yàn)以取樣工序?yàn)閷?shí)例，取樣工序是金相組織分析的第一道工序，該工序操作復(fù)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(jìn)行，取樣設(shè)備為線切割機(jī)，操作流程如下：

(1) 依次開啟線切割機(jī)總電源、控制器開關(guān)和高頻脈沖電源；

(2) 將工件放入夾具中，然后打開AUTOP軟件，設(shè)置相應(yīng)的參數(shù)，關(guān)閉AUTOP軟件；

(3) 開啟走絲電機(jī)，走絲速度為8～10 m/s，先后開啟水泵開關(guān)、高頻脈沖開關(guān)、進(jìn)給開關(guān)，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(guān)閉進(jìn)給開關(guān)、走絲電機(jī)、高頻脈沖開關(guān)和水泵，取出工件；

(5) 依次關(guān)閉高頻脈沖電源、控制器開關(guān)和切割機(jī)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(guān)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(dá)時發(fā)生異常。測試結(jié)果顯示、到達(dá)時識別到異常，識別到了全部異常情況。

表3 實(shí)驗(yàn)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(jī)和水泵的狀態(tài)不斷開啟和關(guān)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(dá)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(shí)驗(yàn)2事件流

實(shí)驗(yàn)結(jié)果顯示在時間戳為10 500和31 000時發(fā)生異常，此實(shí)驗(yàn)結(jié)果與實(shí)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(shí)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(dāng)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(dāng)前狀態(tài)，而最新的同源事件發(fā)生即表示監(jiān)測對象當(dāng)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(dāng)前狀態(tài)的事件模式的輸入事件流進(jìn)行預(yù)處理。預(yù)處理方法：只保留最新的同源事件進(jìn)行模式匹配。

對實(shí)驗(yàn)2中的輸入事件流進(jìn)行預(yù)處理，實(shí)驗(yàn)結(jié)果顯示經(jīng)過事件流預(yù)處理后再輸入能有效識別出各種異常情況。

實(shí)驗(yàn)發(fā)現(xiàn)在存在以下問題：(1)未識別出全部異常；(2)正常當(dāng)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(dāng)前狀態(tài)。有時只需根據(jù)環(huán)境、設(shè)備、操作和人的當(dāng)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(dá)舊同源事件已經(jīng)過時了，此時事件處理只關(guān)心事件流中最新的同源事件，不關(guān)心舊的同源事件。通過對事件流進(jìn)行預(yù)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(jìn)行實(shí)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(diǎn)，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(fù)雜事件形式，應(yīng)用復(fù)雜事件處理引擎Esper進(jìn)行異常的識別。由于同源事件的干擾，導(dǎo)致未能識別出全部異常和正常當(dāng)作異常識別出來的問題，通過對事件流進(jìn)行預(yù)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(fù)合情境操作符相對較少，使得情境表示變得繁復(fù)。為了使復(fù)雜異常情形表示更加簡單，后續(xù)工作將從擴(kuò)展復(fù)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(jī)應(yīng)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(jī)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(wù)框架研究[J].計算機(jī)工程與設(shè)計，2012, 33(5): 2036-2041.

[8] 唐蕾，王瀚博. 面向普適計算應(yīng)用的模型分析與設(shè)計語言研究[J]. 計算機(jī)應(yīng)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(shí)時企業(yè)復(fù)雜事件處理機(jī)制[J].機(jī)械工程學(xué)報,2007, 43(2): 22-32.

[11] 荊心，張璟，李軍懷.復(fù)雜事件處理技術(shù)及其在物流物聯(lián)網(wǎng)中的應(yīng)用[J].計算機(jī)應(yīng)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(fù)雜事件處理方法[J].計算機(jī)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(jī)工程與設(shè)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(xué)基金項(xiàng)目(71271038)。查欣欣，碩士生，主研領(lǐng)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