基于人-物-场信息融合的事件信息结构模型

任明仑, 李 伟

(合肥工业大学 管理学院,安徽 合肥 230009)

基于人-物-场信息融合的事件信息结构模型

任明仑, 李 伟

(合肥工业大学 管理学院,安徽 合肥 230009)

在物联网环境下,通过环境感知、事件发现进行实时决策和任务处理,是实现事件驱动架构的关键。文章建构了一种基于人-物-场信息融合的事件信息结构模型,该模型把感知到的物体信息与环境信息相结合,实现对场景的感知和理解,进而形成事件。同时,通过集成决策者偏好与经验,完成事件决策过程。通过描述人、物、场信息及其关系,该模型可以有效地表示管理过程中的状态变化、管理规则和管理者行为,实现对管理过程中事件的实时化发现与智慧化管理。最后,文章通过一个案例描述了该模型的具体应用。

事件驱动架构;信息融合;事件信息结构模型;离散事件系统;智能制造

在物联网环境下,通过对企业过程的全面感知和实时决策,及时发现企业生产过程中的问题并做出反应,是实现管理过程智能化的重要途径。为此,企业需要在感知当前过程和状态的基础上,把人、物、场信息融合,实现对信息的理解,从而把实时信息转化为对决策有用的知识。事件是管理过程的核心,通过事件及其发生情境信息的融合,能够准确认识管理过程中的突发状况,并做出有效决策。事件信息结构是描述这一融合过程的基础,通过事件信息结构把状态、环境、人等信息统一在一个结构中,系统地描述融合过程,为企业事件驱动架构打下基础。

企业生产、制造、管理、服务等系统是一种典型的事件驱动离散事件系统。离散事件系统是一类特殊的系统,它是由离散事件触发而引起状态迁移的一类自然或人造的动态系统,系统的运行是由离散事件错综复杂地相互作用所决定的,具有异步和并发等特性[1]。因此,对于企业来说,实现自动化管理关键在于事件的发现与处理[2]。关于离散事件系统的模型表征以及数学分析已经有了较好研究,如基于Petri网的离散事件系统仿真[3]。但是在典型的离散事件系统中,事件只是被定义为引起系统状态变化的实体行为[4]。相关研究并不集中在事件的结构或者事件过程中的信息融合,而是聚焦对整个系统进行建模。然而,伴随着物联网等新兴信息技术不断普及与应用,企业信息环境发生了很大变化,企业有能力实时采集底层数据[5]。这些数据实现了对物料、机器以及其他环境信息的全面感知,能够通过多信息融合反映企业的复杂业务过程。同时,由于单独事件往往不能反映出内在的业务价值,在特定上下文相关的情况下进行检测,并和其他事件关联在一起时,则可能会产生比较复杂的事件模式[6]。这使得从信息融合角度对事件系统进行研究成为一个关键问题。

针对事件系统信息结构的研究主要围绕事件的描述、事件触发规则以及事件组合等方面。Esper使用事件描述语言(event processing language,EPL)来表达事件语义,其事件表达模式主要由2个部分组成,即原子事件atom以及事件操作符。事件操作符表示原子事件间的逻辑组合关系以及时间约束关系。Esper使用有限状态自动机进行复合事件的检测。对于检测到的事件,触发POJO(plain old java objects)的自定义操作。Esper能够有效地从大量物联网数据流中发现复杂事件模式,被广泛地应用于物联网环境下的企业管理之中。SASE基于主动数据库技术的RFID应用原型系统,从而扩展了包括事件否定、参数化谓词和滑动窗口等[7]。不同于固定数据结构的事件系统(如有限自动机、petri网),SASE的特点在于其采用了非确定性有限自动机模型并基于查询计划的方法。但是SASE并没有考虑信息的不确定性。Cascadia则从基本事件的概率建模来解决不确定信息,其主要应用与移动对象的跟踪[8]。Lahar在Cascadia的基础上,将情境信息考虑进来,能够根据对象的位置变化做出更深的语义挖掘[9]。

复杂事件处理技术能够通过规则确定信息融合的方式,而情境信息却能够很好地确定事件语义,并理解事件。在情境信息融合方面,文献[10]系统深入地研究了集成情境的知识模型构建技术、情境的识别获取技术和集成情境的知识检索获取技术。他们将企业管理过程中的情境信息融合至企业知识管理中来,实现知识和知识过程与情境的集成。文献[11]将情境信息融合至地理信息检索的应用中,使用(semanlic web rule language,SWRL)规则表示用户模型以及情境信息,并以冲浪地点检索为实例,构建冲浪本体和规则,通过SOS(sensor observation serviees)服务获取相关海域的浪高、风向、水深等情境信息,使用基于规则的推理实现了融合了情境感知的地理信息的获取。文献[12]将情境信息融合至医疗服务中,提出一种基于Google API的医疗信息系统(ml search)。该系统能够从用户医疗记录中抽取情境信息并存储至用户数据库,当用户希望了解自己的医疗信息时,系统调用这部分情境信息,结合用户的检索词以及其情境信息,为其提供最佳的医疗服务。

在复杂事件处理方面,事件的信息处理规则以及模式已经有了广泛的研究,但这些事件的信息处理方式大多不考虑情境信息,或者把情境信息仅作为事件发生的条件而没有从情境对事件的语义影响角度进行研究,是一种基于物的属性值硬信息处理方式。如果对于一个问题的决策处理不考虑知识环境影响,处理方式是单一固定的,那么不符合物联网“智慧性”的要求。譬如,机器传感器监测到机器发生故障,决策者或智能体就必须考虑场景来进行调度与检修,而不是一旦机器发生故障就立刻维修。其次,事件处理缺乏综合的事件结构来支持物联网环境下各种信息的表达,传统的事件结构往往以时间、空间以及实体属性作为主要结构,涵盖的语义范围较小。再次,在实际生产中,面对复杂管理上的问题或事件,往往需要由决策者根据组织管理模式和价值判断做出相应的反应。然而,现有信息处理方式大多是一种事件-条件-动作(event-condtion-action，ECA)的模式,决策方案较为固定,不考虑人的经验以及决策偏好。

本文将情境信息、人的决策偏好信息融合至事件信息结构中来。在物联网环境下,物的状态在不同的场景下进行信息理解,构成不同的事件,集成场景中人的经验以及偏好信息对事件进行决策。该信息融合过程可以有效地表达管理过程中的状态变化、管理规则以及管理者行为,成为企业事件驱动架构中信息处理的重要一环。

1 人物场信息融合的事件系统架构

1.1 事件系统中的信息基本概念

企业的生产过程是典型的离散事件系统,在这一系统中,主要信息包括实体以及实体属性信息、状态信息、环境信息、场景、事件以及决策。

1.1.1 实体以及实体属性信息

实体指的是系统待检测对象,一般用RFID采集的物件信息。例如,加工的物件、物流中的货物。实体属性是实体特征的描述,往往与实体构成多对一关系。例如,物料具有ID、名称以及配送地等属性。

1.1.2 状态信息

状态是对实体的特征状况或性态的划分,是实体在一场景下呈现的管理含义。例如,在一个生产加工系统中,机器具有忙、闲、故障、正常等状态。

1.1.3 环境信息

环境信息是与加工、生产活动相关的影响实体状态的信息。具体包括制造过程中所包含的该实体的制造任务与目标、实体所处的业务过程或功能单元、制造过程所涉及的资源或实体、制造过程所涉及的业务人员、制造过程所处领域范畴、制造过程发生的时间、制造过程发生的地点等信息。例如,加工过程中的温度,业务过程中的位置、时间、进度要求等信息。

1.1.4 场景

场景是构建在环境信息上的知识规则,是系统的特征信息,表达了管理上的约束。在智能加工过程中,加工机器可以对多品种物料进行多工艺加工,形成了基于加工物料的多场景,在每个场景中,又有不同的环境信息要求以及管理约束规则。多场景的约束规则对感知到的状态变化有着多场景的理解,从而形成不同的事件。

1.1.5 事件

事件是指状态的改变或者跃迁。本文中所指的事件是对管理有影响需要做出反应的事件。

1.1.6 决策

决策是指针对待处理事件所采取的的行动。例如,加工过程中针对物料短缺事件触发补货的决策行动。值得一提的是,事件在不同的场景约束下有着不同的决策方式,同时,实时自动的制造过程要求决策的过程也必须是快速智能的,因此,自动化的决策过程必须集成领域专家的经验与决策偏好,模拟现实场景中人所做的正确决策过程。

1.2 基于人-物-场信息融合的事件系统架构

离散事件系统总是在不断地运动、发展、变化的,由于组成系统的实体之间相互作用而引起实体属性的变化,使得不同时刻系统中的实体和实体属性都可能会发生变化,进而改变实体状态。事件发生改变状态,状态的改变进而成为下一次事件发生的前提,从而形成了一个事件驱动的过程。基于事件驱动的本质特征,本文拟定信息环境下基于人-物-场信息融合的事件系统架构如图1所示。由图1可知,该系统架构主要分为感知层、信息融合层以及事件驱动服务层。

图1 基于人-物-场信息融合的事件系统架构

(1) 感知层包括各种物联网感知硬件,实时采集系统内关于实体的属性信息以及与实体相关的环境信息。

(2) 信息融合是指人、物、场信息的融合,感知层采集的各种各样的底层信息在信息融合层交汇融合,形成业务层事件。感知层感知到的信息主要分为环境信息和实体属性信息。对环境信息进行抽取得到特定环境下的场景。场景信息是环境信息的实例,涵盖了当前制造过程的管理规则。

信息融合层主要的信息处理包括3个部分,即状态的判断、事件与场景的融合以及决策方案的选择。实体的环境信息及其属性值受到内在的加工过程驱动以及外在的物理因素影响时刻变化。同时,状态的本质是赋予实体在当前场景下的含义,其数学表征为实体属性值的取值范围或者离散集合。状态的判断是将感知层感知到的实体属性值匹配至特定的范围,形成不同的状态。事件的本质是状态的跃迁,状态的跃迁是事件发生的前提,事件赋予状态跃迁在当前场景下的含义。事件与场景的融合是为了发现管理过程中的显著问题,并不是所有的事件发生都具有意义,这一过程是将感知到的跃迁与场景约束融合的过程,结合场景来判断事件意义。决策方案的选择则是将不同决策者对不同的决策方案按照权重进行量化。系统依据量化好的人的经验以及决策偏好,对决策方案按照权重大小进行自动化选择。

(3) 事件驱动服务层向上集成于企业各种管理信息系统,完成实时协同决策、优化调度功能的服务。如企业的物料到达生产加工要求,通过事件驱动服务层,以管理场景的方式下放约束要求以及状态过程。同时,底层的加工系统实时产生业务事件,通过事件驱动服务层向上传递,使得企业能够实时了解和控制底层加工系统。

2 事件的信息结构

2.1 信息结构描述

物联网技术能够实时感知到实体以及实体属性信息。在场景状态定义的约束下,对实体属性的取值进行状态匹配,从而使得系统能够实时地感知状态以及状态的跃迁。状态的跃迁触发事件,事件的发生结合场景规则判断其意义,进而进行决策,具体如图2所示。

因此,本文认为物联网环境下的事件融合信息基元主要包括实体以及实体属性、状态、场景、事件和决策。

图2 事件融合的信息基元

2.1.1 实体以及实体属性

以O表示实体,以A表示实体属性集。实体与实体属性一般呈一对一或一对多关系。则对于实体O,其属性集A={a1,a2,…,aj},其中,j为实体属性数量；属性实例a=〈key,type,value〉,其中,key表示属性名称,具有唯一标识性；type表示取值类型,包括数值类型以及文本类型;value表示属性取值。

2.1.2 状态

以S表示状态集,则实体的所有状态表示为S={s1,s2,…,sm},其中m表示状态数量。SC表示实体的状态信息的跃迁,对于∀si,st∈S,si→st表示状态由si跃迁至st。

状态的结构s=〈key,type,attri,range〉,其中,key表示状态名称,具有唯一标识性;type表示类型,包括数值类型以及文本类型;attri表示原属性,即构成该状态的属性;range表示状态的范围,分为可枚举的集合空间(例如{x0,x1,x6})或者连续的数值取值范围(例如[x0,x1])。

一定时间内,实体所具有的状态是有限的,以s表示状态实例,实体属性值的改变影响着状态实例的改变。若

∃ai=〈key,type,value〉,S={s1,s2,…,sm}

(1)

则状态实例为:

s=siwhen (x0

(si.type=ai.type)and

(si.attri=ai.key)and(si.range=[x0,x1])

s=skwhen

(ai.value∈{xb,…,xg})and(sk.type=

ai.type)and

(sk.attri=ai.key)and(sk.range=

{xb,…,xg})

(2)

状态的定义根据系统以及实体特征进行划分,状态实例公式将实体属性与状态定义相关联,从而对状态的取值进行判断。

2.1.3 事件

事件集合表示为E={e1,e2,…,ej},其中,j表示事件数量;e表示事件实例。事件的实质是特定场景下的状态跃迁,因此,事件的结构e=〈key,c,SC〉其中,key表示事件名称,具有唯一标识性;c表示管理环境;SC表示状态的跃迁。

2.1.4 场景

场景是构建在环境信息上的知识规则,以F=(c,R)表示。c表示管理环境,c=(key,goal,process,resource,person,domain,time,location)。其中,key为场景名称,具有唯一标识性;goal为实体所在业务流程或功能单元所要解决的问题、完成的目标与任务;process为实体所处的业务过程或功能单元活动;resource为制造过程中所涉及的各种资源或实体;person为制造过程中所涉及的人员;domain为制造过程所处的领域范畴;time为制造过程发生的时间;location为制造过程发生的地点。

R表示知识规则,是在该管理环境上的管理约束。规则元语言具有如下形式:

R:ruleid,rulename

ON[e]

if (condition)

do[action1,action2,…,actionn]

其中，ruleid以及rulename分别为规则标识以及规则名称,具有唯一标识性；e为该环境内发生的事件,即状态跃迁；condition为布尔类型的用户定义的条件;{action1，action2，…，actionn}为决策顺序集。

2.1.5 决策

决策信息反映决策者的决策偏好,在本文以权重分配的方式来反映决策者对不同决策方案的偏好。对于某事件e有：

Pe=action1，θ1；action2,θ2；…；

(3)

其中,actioni表示对某事件的第i种决策方案；θi表示对actioni方案的偏好权重。

2.2 信息融合过程

物联网环境下事件的信息融合过程主要分为4个部分,即信息感知、状态判断、事件与场景的融合以及事件决策。具体融合过程如下:

(1) 对环境以及实体属性的感知。基于物联网技术以及工作流管理系统对环境信息进行有效感知,抽取得到时下的环境信息c架构在系统内的RFID以及各类传感器实时采集的关于实体属性的相关数据,对这些数据进行实时的过滤、清洗得到实时的实体属性集合A。

(2) 状态的判断。依据实时的实体属性值信息,结合该环境下状态范围的定义,得到实时的实体状态实例集合S={s1,s2,…,sm}。具体判断过程如下:

∃ai=〈key,type,value〉∈A,st=〈key,

type,attri,range〉∈S

if(ai.type=st)∧(st.attri=ai.key)∧(ai.

value∈St.range)

then[st]start

else[st]died

其中，start表示该状态实例激活;died表示该状态实例关闭。

(3) 事件与场景的融合。事件发生的前提是状态跃迁,事件的判定是基于场景对跃迁的划分,场景通过规则约束了跃迁是有意义的事件,即将状态的信息与场景信息融合起来。

if(∃si,st∈S,si→st)

then[e]start

if(e.c=F.c)∧(F.R.condition=True) then

do[action1,action2,…,actionn]

3 实例分析

钢铁连铸-连轧工艺能够将炼钢、轧钢变成一个紧密相连的一体化生产系统,从而可以降低能耗、缩短生产周期、减少氧化铁皮损耗、改进产品质量、降低成本。根据钢铁冶金和工艺流程特点的不同,钢铁连铸-连轧的主要连接形式也不尽相同,产生的场景也不尽相同。某企业A能够根据不同钢铁产品的质量要求,进行不同的连铸-连轧工艺生产。其主要工艺包括连铸环直接轧制(continuous casting-direct rolling,CC-DR)生产工艺和连铸环直接热装轧制(continuous casting-hot direct rolling，CC-HDR)生产工艺。CC-DR生产质量较高,工艺较复杂；CC-HDR生产质量较低,工艺较简单。

由工艺的不同引申出2个不同的场景、状态与事件。在CC-DR中,工艺要求为温度θ>1 100 ℃,状态集SCC-DR={normal(温度正常),low(低温)},主要异常事件为温降事件e1=〈WJ,CC-DR,normal→low〉,温降事件决策者偏好为PWJ={重新开浇,0.8;弃料,0.2}。在CC-HDR中,工艺要求为温度700 ℃ <θ<1 000 ℃,状态集SCC-HDR={normal(温度正常),low(低温),high(高温)},主要异常事件为高温事件e2=〈GW,CC-HDR,normal→high〉以及温降事件e3=〈WJ,CC-HDR,n-ormal→low〉,高温与温降决策者偏好为PGW={重新开浇,0.2;弃料,0.8},PWJ={重新开浇,0.9;弃料,0.1}。

在实际生产中,假设在企业A内的温度传感器实时感知生产温度。t1～t5时刻感知温度见表1所列。

表1 t1～t5时刻温度

由t1时刻温度为1 200 ℃可得,在CC-DR场景中,温度属性temperature=〈temperature,Integer,1 200〉,normal状态定义为normal=〈normal,Integer,temperature,(1 100,+∞)〉,由状态匹配规则(temperature.type=normal.type=Integer)and(normal.attri=temperature.key)and(temperature.value∈normal.range)istrue,得到normal状态发生。类似地,可得其他状态的发生序列见表2所列。

表2 t1～t5时刻CC-DR与CC-HDR场景的状态序列

由表2可以看出,对于相同的温度属性,在不同的场景下具有不同的状态。由状态跃迁定义,可得在CC-DR场景下,t2～t3时刻状态实例由normal变为low,事件e1=〈WJ,CC-DR,normal→low〉发生。在CC-HDR场景下,t2～t3时刻状态实例由high变为normal,表示温度回归正常,不属于异常事件。依据场景规则对温降事件进行处理,由CC-DR场景下关于温降的决策偏好信息PWJ={重新开浇,0.8;弃料,0.2}中2个方案的权重比较可得决策方案为重新开浇。而对于CC-HDR场景的温度回归正常事件,则不做处理。

由此可见,在同一生产系统中,由于原料生产工艺要求的不同产生了不同的生产场景与规则约束,对于相同的实体属性值能够产生不同的状态理解以及事件处理行为。因此,基于人-物-场信息融合的事件处理方式能够有效地表达物联网环境下的智慧制造过程,实现制造过程的实时化、自动化运行。

4 结 论

本文围绕人-物-场信息融合过程,提出了一个描述事件处理过程的信息结构模型。生产过程中,系统的实体属性实时发生变化,使得状态实时发生跃迁。物的状态信息的改变,结合场景信息对状态进行理解,形成事件判断过程。若事件发生,则结合人的偏好信息进行决策。本文按事件发生的过程和基于事件的决策需求，进行人、物、场信息的结构化描述,为信息物理系统的应用提供基本信息处理框架。

[1] 郑大钟,郑应平.离散事件动态系统理论:现状和展望[J].自动化学报,1992,18(2):129-142.

[2] Michelson B M.Event-driven architecture overview[R].Boston:Patricia Seybold Group,2006.

[3] 田维新.基于 Petri 网的离散事件系统仿真模型及其应用研究[D].武汉：华中科技大学,2006.

[4] BANKS J,CARSON J S,NELSON B L，et al.Discrete-event system simulation[M].Englewood Cliffs,NJ:Prentice hall,2000.

[5] 孙其博,刘杰,黎羴,等.物联网:概念、架构与关键技术研究综述 [J].北京邮电大学学报,2010,33(3):1-9.

[6] 项立锋.基于复杂事件处理的企业应用与研究 [D].杭州：浙江大学,2010.

[7] WU E,DIAO Y L，RIZVI S.High-performance complex event processing over streams[C]//Proceedings of the 2006 ACM SIGMOD International Conference on Management of Data New York:ACM,2006:407-418.

[8] WELBOURNE E,KHOUSSAINOVA N,LETCHNER J,et al.Cascadia:a system for specifying,detecting,and managing RFID events[C]//Proceedings of the 6th International Conference on Mobile Systems,Applications,and Services.New York:ACM,2008:281-294.

[9] LETCHNER J,RE C,BALAZINSKA M,et al.Lahar demonstration:Warehousing markovian streams[J].Proceedings of the VLDB Endowment,2009,2(2):1610-1613.

[10] 潘旭伟,顾新建,王正成,等.集成情境的知识管理方法和关键技术研究[J].计算机集成制造系统,2007,13(5):971-977.

[11] KEBLER C,RAUBAL M,WOSNIOK C.Semantic rules for context-aware geographical information retrieval[C]//Prooceedings of the 4th European Smart Sensing and Context.Berlin Heidelberg:Springer-Verlag,2009:77-92.

[12] SILVA J M,FAVELA J.Context aware retrieval of health information on the web[C]//Fourth Latin American.Web Congress,Washington,D.C.:IEEE Computer Society,2006:135-146.

(责任编辑 万伦来)

Event information structural model based on human-thing-context information fusion

REN Minglun, LI Wei

(School of Management, Hefei University of Technology, Hefei 230009, China)

In the environment of internet of things, to perceive environment and find events to make real-time decision and process task is the key to realize event driven architecture. In this paper, an event information structural model based on human-thing-context information fusion is put forward. This model combines the perceived objects information with environmental information to perceive and comprehend scenes and context, then further form events. Meanwhile, the event decision process is completed through the integration of decision makers’ preference and experience. The model can effectively express state change, control rules and managers’ behaviors in the management process through the description of human, thing and context information and their relations, so as to find events in real time and achieve management in an intelligent way. Finally, the application of the model in specific regions is described through an example.

event driven architecture; information fusion; event information structural model; discrete event system; intelligent manufacturing

2016-01-18；

2016-02-29

国家自然科学基金重点资助项目(71531008);国家自然科学基金面上资助项目(71271073)

任明仑(1969-),男,安徽濉溪人,博士,合肥工业大学教授,博士生导师.

10.3969/j.issn.1003-5060.2017.04.023

TP315

A

1003-5060(2017)04-0553-06