制造物联网环境下实时事件监控系统优化

冯申杰　马志豪　张旭熳

摘 要：在制造物联网环境下监视现代复杂制造系统中的生产过程时，由于涉及生产要素多，系统架构复杂，仅仅通过原始RFID事件构造复杂事件或者利用隐马尔科夫建立状态转移模型，并不能很好地满足实际生产中复杂情况的需要。文章在现有研究基础上，结合自动机模型和隐马尔科夫链设计了实时事件监控系统中新的复杂事件构造和系统状态预测模块，优化之后的实时事件监控系统可以帮助管理人员高效地监控生产过程，提高生产效率。

关键词：制造物联网；RFID事件；复杂事件；隐马尔科夫链；状态转移；过程监控

中图分类号：TP277 文献标识码：A 文章编号：2095-1302（2015）08-00-03

0 引 言

随着物联网等新一代信息技术的出现和发展，推动了以绿色、智能和可持续发展为特征的新一轮产业革命的来临，因此，一种新型智能制造模式——制造物联（Internet of Manufacturing Things，IoMT）应运而生。现阶段制造物联网在制造业的应用主要是利用RFID技术实现生产过程的工人、工序、工件、工时的实时精确统计和计算，从而达到实时控制生产过程、便于质量管理和追溯的目的[1]。

制造物联网环境下现代制造系统非常复杂，涉及无数处理、机器、工具、交通装备和人。到目前为止为了监视这些过程以及生成中的具体流程，制造企业已经积累了大量的数据[2]。当前这些数据的应用主要在于过程之间的通信，包括工作进展，正在处理的工作，每一部分的位置和装备的状态。RFID技术的进步使得我们可以从各种装备、交通设备和工作人员身上获得大量信息[3]，并可利用这些信息进行快速响应。

越来越多的制造业企业发现RFID技术是一个从货运、原料处理到供应链管理等产品周期的各个方面都非常有用的工具[4]。然而，制造过程会面临一些不可预期的干扰事件，比如机器故障，紧急订单、交货日期提前、来料推迟到货等。因此，制造过程实时监控系统对于快速响应这些干扰事件、减少经济损失便是非常重要的。当前关于RFID技术和制造执行系统（MES）的相关研究实现了实时工厂数据的收集管理平台。

基于RFID的车间实时事件监视系统的一个关键挑战是设计可重定义的规则将RFID数据转化为事件。在文献[5]中已经基于逻辑操作规则设计好了事件构造方法以用来构造事件，包括简单事件和复杂事件。在文献[6]中，一个reactive模型方法更进一步提出来，可用来监视前面提到的简单和复杂事件。使用了reactive模型编程语言（RMPL）。接着，将基于自定义规则的事件处理和概率推理结合起来估计被观察对象的最大可能状态。然而，时间相关事件的临时关系并没有被考虑到。除此之外，事件数据增长的时候，RMPL语言也会非常长，很难修改。事实上，制造业企业每天都在收集海量的不同类型数据，存储在不同的表格中。如何高效管理大量事件数据，得到有用信息也是一个不小的挑战。

本文基于RFID技术，提出了优化的实时事件监控系统架构，并结合自动机模型构造复杂事件。将构造出来的复杂事件作为可观察序列，利用隐马尔科夫链（Hidden Markov Chain，HMC）模型预测可能会造成异常状态的情况。相比前述的成果，本系统为用户提供更实用和方便的设计实现RFID监控系统的方法。自动机模型和马尔科夫链模型非常适合制造物联网环境下复杂制造系统的大数据环境。

1 RFID数据和可观察事件

当一个RFID读写器在其周期内读到RFID标签，会产生数据信息。包括三个基本部分，表示为（e，r，t），其中e表示读到的标签的唯一标识，r表示读写器的标识，t表示时间戳。所以，RFID过滤器可以从输入信息流中读到什么时间，什么地点，发生了什么，有了这些便可以继续构造简单和复杂事件。

1.1 简单事件

事实上，原始RFID数据可能并没有精确展示我们所感兴趣的事件，而且可能没有遵守用户自定义的事件格式。因此，行RFID数据流需要被RFID过滤器处理，比如应用程序级别事件标准[6]，其提供的函数用来过滤和移除不想要的或者多余的数据，在时间区间中收集数据，以及对数据聚类以减少数据量。处理输入数据之后的事件，如果提供了直接信息，以及直接观察到的系统行为，这种事件就是简单事件。包括入口事件，比如一个标签在t时刻出现在特定的位置，以及一个t时刻，一个进程处理结束。

1.2 复杂事件

基于RFID简单事件，复杂事件可以被定义为更单行和高效的使用记录数据的事件。通过定义简单事件为有限自动机中的状态，当一系列状态发生，如迁移到最后一个状态的时候，则认为复杂事件发生了[5]。此时可以用如下操作符定义复杂事件：

（1）AND：在一个时间段内，当事件X和Y都发生的时候，复杂事件X AND Y发生；

（2）OR：在一个时间段内，当事件X或Y发生的时候，复杂事件X OR Y发生；

（3）NOT：在一个时间段内，当事件X没有发生的时候，复杂事件NOT X便发生了；

（4）SEQ：当事件X在事件Y发生之前立即发生的时候，复杂事件X SEQ Y发生。

这里应注意：复杂事件也可以将操作符应用到其他复杂事件上构造而成。比如表达式E=（X OR Y）AND Z表示简单事件X或Y发生后Z发生，则复杂事件E发生。

自动机由一个五元组（Q，Σ，δ，q0，F）构成，Q表示有限非空的状态集合，Σ为输入字符表，δ表示自动机Q×Σ→Q的状态转移函数，q0为自动机的开始状态，F为自动机的终止状态。使用自动机模型可以表示正则表达式，复杂事件的表达式与正则表示式具有一致性，因此，使用自动机模型表示相应的复杂事件表达式。具体如图1所示。

2 制造系统模型

RFID监视系统如图2所示。一般来讲，监控系统中肯定有一个事件处理模块过滤出有用的事件。在本模块中，首先应用事件过滤器将原始RFID数据转化为简单事件的标准形式。接着自动机模块会利用这些简单事件和存储在数据库中的历史事件数据构造出复杂事件。所有的事件数据都会存储在事件数据库中，HMC模块会请求这些数据用来预测系统状态。

关键车间或环节的运行一旦出现故障给企业带来不可估量的损失，也会严重影响企业的运行效率。为了预测到可能的故障状态，提前采取合理的预防措施，需要使用恰当的模型。

由于制造过程本身结构和运行环境的复杂性，得到的复杂事件并不能与系统状态简单的一一对应。经典方法如布朗运动、泊松过程和马尔科夫过程等都不能很好的描述制造过程检测到的复杂事件和系统状态的关系，而隐马尔科夫链模型可以将观察序列和隐状态通过一组概率联系起来，较好的描述这种双重随机过程机制。接下来通过前述DFA模型生成复杂事件，由状态变迁过程来推断运行可靠性。

可以用术语状态或者模型来对制造系统建模。用前述的自动机模型构造的复杂事件可以描述制造系统的状态，举例来说，机器2正在第3部分处理任务4，工人2正在视察工作5，机器1发生故障，工作3完成了等。

状态并不是可以直接观察到的。可观察序列由前面构造的复杂事件提供。除此之外的可观察对象可能是可以造成状态转移的用户命令或行为。因此，HMM给出了一个制造系统的合适的描述，其中所有状态都不是可以直接可观察的。我们要从给定的可观察对象中估计哪个是活动状态。另一个替代模型方法是贝叶斯网络。然而，这种方法使用更为复杂的模型，该模型适用于网络状态转换的一般情况。

由此可见，隐马尔可夫过程是一个双重随机过程，其中一重随机过程不能直接观察到，通过状态转移概率矩阵描述。另一重随机过程输出可以观察到的观察符号，这由输出概率来定义。

HMC模型的组成原理如图3所示。将HMC模型应用于实际工程时，通常采用Forward-Backward算法来解决模型的概率计算问题。

3 计算活动状态

在给定HMMλ=（A，B，π），观察序列O={o1，o2，…，oT}的情况下要计算的活动状态，可以通过枚举所有的状态转换序列，并对每一个状态转换序列q计算P（O， q |λ），能使P（O， q |λ）取最大值的状态转换序列q*成为能最好解释观察序列的状态转换序列，即：

4 结 语

本文讨论了在制造物联网环境下，由于实时事件监控系统涉及生产要素多，系统架构复杂所面临的一系列问题。在现有通过原始RFID事件构造复杂事件和利用马尔科夫建立状态转移模型相关研究的基础上，为实时事件监控系统设计了新的架构，结合自动机模型构造复杂事件，将构造出来的复杂事件作为可观察序列，利用隐马尔科夫链模型预测可能会造成异常状态的情况。并给出自动机模型构造复杂事件的具体定义和隐马尔科夫链模型计算活动状态的算法。这样，在系统优化后，可以帮助管理人员更有效的监控生产过程，提高制造企业的生产效率。

参考文献

[1] 姚锡凡，于淼，陈勇，等.制造物联的内涵、体系结构和关键技术[J].计算机集成制造系统，2014，20（1）：1-20.

[2] Brown B， Chui M， Manyika J. Are you ready for the era of big data[J]. Intermedia， 2012， 71（2）：739-741.

[3] Want R. An Introduction to RFID Technology[J].IEEE Pervasive Computing，2006， 5（1）：25-33.

[4] Zhang Z， Lu Z， Saakian V， et al. Item-Level Indoor Localization With Passive UHF RFID Based on Tag Interaction Analysis[J].IEEE Transactions on Industrial Electronics， 2014， 61（4）：28-35.

[5] 袁爱平，傅明.有限自动机在复合事件检测中的应用[J].计算机工程与设计，2009，30（14）：3393-3395.

[6] Huang Y， Williams B C， Zheng L. Reactive， model-based monitoring in RFID-enabled manufacturing[J]. Computers in Industry， 2011（62）：811–819.

[7]姚运志，孟晨，王成，等. RFID辅助生产实时监控的复杂事件处理研究[J].现代制造工程，2015（1）：24-29.

[8]吴军，邵新宇，邓超. 隐马尔科夫链模型在装备运行可靠性预测中的应用[J].中国机械工程，2010，21（19）：2345-2349.

[9]王猛，唐敦兵，顾文斌，等. 基于RFID离散制造业车间生产过程控制系统研究与开发[J].企业管理与信息化，2012（11）：13-17.

[10]李强，陈琳.原始RFID数据流上复杂事件处理研究[J].计算机工程与设计，2013，33（4）：361-364.

[11]戚湧，胡军，李千目.面向RFID数据处理的复杂事件模式匹配方法[J].计算机科学，2013，40（1）：73-76.