基于情境和事件的生产异常表示和监测方法
2018-01-03查欣欣曹冬雪
查欣欣 曹冬雪 卢 涛
(大连理工大学系统工程所 辽宁 大连 116023)
基于情境和事件的生产异常表示和监测方法
查欣欣 曹冬雪 卢 涛
(大连理工大学系统工程所 辽宁 大连 116023)
随着传感器技术、通信技术的高速发展，实时监测工业生产中加工状况成为可能。为了实时监测生产车间中的异常，根据生产现场感知到情境信息的特点，提出异常信息表示方法。分别构建情境模型和事件模型，结合两者的特点，提出Event-Context异常信息表示方法；根据事件的不同类型将异常归结为七种模式，并转换为复杂事件形式，应用复杂事件处理引擎Esper进行异常识别；对事件流进行预处理解决了因同源事件的干扰而未能识别出全部异常和正常识别为异常的问题。实验结果表明，该方法能够更准确识别出生产中异常情况。
事件 情境 异常表示 异常监测 事件流预处理
0 引 言
现代工业生产过程一般具有规模大、工艺精细复杂等特点。研究发现因为操作人员主观原因操作失误，轻则导致产品质量下降、产品返工等问题，重则导致重大事故发生。随着传感技术、RFID技术和通信技术的高速发展和广泛应用，通过运用这些技术对工业生产中主要实体进行随时随地和透明的监测，能减少或避免人为失误造成的经济损失，具有一定的现实意义。
通常，工业生产中的异常是指导致生产没有按照规定进行的一切事情，包括环境异常、生产人员的错误操作引起的异常、设备故障等。布置在生产现场的大量感知设备能够收集并存储大量数据，这些数据中蕴藏着生产中的异常信息，但需要一定的技术手段来实时处理这些数据才能及早获取。复杂事件处理技术是处理此类数据的技术手段之一，它能结合来自多个数据源的原始数据来推断出更为复杂的有意义的事件或模式。David Luckman所著的书The Power of Event[1]极大地推动了CEP的发展，它满足了处理更高级别更复杂的事件的需求。情境感知同样为异常信息的获取提供了技术支持，Dey把情境感知定义为：无论是桌面计算机还是移动设备，普适计算环境中使用情境的应用，都称为情境感知[2]。它可以根据感知到的情境做出相应的调整[3-4]。
异常监测的核心是制定一系列模式能够表示出生产人员描述的异常情况，从而根据这些异常模式从大量数据流中提取出隐含的异常信息。根据实时生产异常监测的特点，单一基于情境或基于事件表示异常时信息不自然，本文提出结合情境和事件的异常信息表示方法Event-Context模型。该模型能够表示出生产人员描述的异常情况。最后以金相组织中取样工序为实例，使用成熟的开源复杂事件处理引擎Esper作为实验工具进行事件处理，以实现实时、快速的异常监控。通过异常模式识别和实验结果分析，提出了事件流预处理方法。该方法能够更准确识别出生产中异常情况。
1 情境模型和事件模型
1.1 情境模型
1.1.1 情境定义
Abowd等[5]给出情境的定义：情境是能够用来描述实体情形的任何信息，一个实体可以是一个人、物理设备或其他可计算的对象，这些实体和用户的互动相关。这是从语义层面目前最为经典的情境定义。在形式化定义方面，针对具体的研究领域，不同的研究人员对情境的形式定义有所不同[6-8]。因此本文针对工业生产领域的特点提出对情境的形式化定义。
情境一般是通过嵌入在物理空间中的各类传感器或计算设备获得，具有多样性和时效性。情境模型用于定义和表示情境，复杂的情境可通过已知的情境推理得到。设生产现场可感知的情境属性用A1，A2，…，An表示，且情境属性Ai的取值集合是Di，所有情境属性值集合为D。
假设在给定时刻t，情境Ai的取值表示为Ai(t),Ai(t)∈Di,i=1,2,…,n，这种映射使得连续的情境信息离散化。
原子情境C在t1时刻开始成立，持续一段时间后在t2时刻不再成立，则t1时刻到t2时刻称为原子情境C的一个实例c，记为c=(C,t1,t2)。情境实例对应情境的一次发生，一个原子情境C的实例集合记为Ins(C)，这些实例之间在线性时间上不存在交叉或包含关系。为区别方便，用大写字母表示情境，用小写字母表示情境的实例。
设c∈Ins(C)，c=(C,t1,t2)，其中t1≤t2。分别用↑c和↓c表示情境实例c的开始和结束时刻，↑c=t1,↓c=t2。T(c)表示情境实例c持续的时间，T(c)=↓c-↑c。如图1所示。如果当前时刻，某一情境仍在持续，方便起见，将其结束时刻定义为“+∞”。
图1 情境持续时间
1.1.2 情境间的时序关系描述
Allen[9]提出多种情境间的时序关系，根据研究问题的特点，文中主要应用三种时序关系：Before，During和Overlap。
Before：表示情境C1的实例结束后情境C2的实例开始发生，记作Before(C1,C2)。
During：表示情境C1的实例在情境C2的实例发生的期间内发生，记作During(C1,C2)。
Overlap：表示情境C1的实例先开始，情境C2的实例在C1的实例发生期间发生且在C1的实例发生结束后才结束，记作Overlap(C1,C2)。
1.1.3 复合情境
定义如下运算符，通过运算符将多个原子情境或复合情境构成情境表达式，称为复合情境。
与运算(△)：假设∃c1,∃c2，满足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,则Ci△Cj成立，表示情境Ci和Cj同时成立。
或运算(▽)：假设∃t1,∃t2,∃c1,满足c1∈Ins(Ci),t1≤t2,↑c1≤t1,↓c1≥t2;或∃c2,满足c2∈Ins(Cj),↑c2≤t1,↓c2≥t2,其中i≠j,则Ci▽Cj成立，表示情境Ci和Cj至少一个成立。
定义2情境表达式按如下递归定义：
(1) 原子情境是情境表达式；
(2) 若Ci,Cj是情境表达式，则Ci∘Cj也是情境表达式，其中:“∘ ”是△或▽运算符。
多个感知的原子情境信息通过运算符得到复合情境信息，复合情境信息之间及原子情境信息可再次通过运算符得到更加复杂的情境信息。
根据定义，显然△和▽都满足结合率、交换率。
复合情境Ci∘Cj也有开始和结束时刻，设C=Ci∘Cj,c=(Ci∘Cj,t1,t2),∀c∈Ins(C),c的开始时间和结束时间如下所示：
↑(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把事件定义成系统中任意一个活动的发生，其特点有显着性(发生在系统感兴趣的特定领域)，瞬时性(发生在一个特定的时间点)和原子性(发生或不发生)[1]。事件按粒度从小到大分为原始事件、基本事件和复杂事件。原始事件是由感知设备产生，中间件对原始事件处理后得到基本事件，基本事件构成复杂事件。事件处理过程如图2所示。
图2 事件处理框架
1.2.1 原始事件
原始事件是由感知设备产生的，表示某实体的状态变化。这类产生事件的对象，如感知或识别设备状态、环境指标和人的行为等实体的感知设备(如RFID、传感器等)叫作事件源(记为ES)。原始事件存在格式不统一、重复、错误和无实际语义等问题，需要中间件对这些原始事件进行格式统一、筛选、过滤和抽取处理原始事件进行抽取。
1.2.2 基本事件
原始事件经过中间件处理后得到基本事件，它反映单一对象的状态变化，基本事件也是原子和瞬时的。原子性是指基本事件要么完全发生，要么根本就不发生[10]。
定义3(基本事件) 基本事件用一个四元组形式地表示，e=
定义4(事件类型) 事件类型用来明确某类事件的发生。形式化表示为E=(o,v),∀Ei,∀Ej,i≠j，则Ei·v≠Ej·v，其中o是事件源标识,v是事件类型的值。事件类型操作符type判断事件的类型，记作E=type(e)。
1.2.3 复杂事件
定义5(复杂事件) 复杂事件是在一定时间段内满足某种关系的一系列基本事件的集合。形式化表示为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，即事件之间需要满足的关系；tstart和tend分别表示复杂事件ce的开始时间和结束时间。
目前关于复杂事件发生时间的表示方法有两种：基于时刻和基于区间的方法。本文基本事件采用点时间，复杂事件采用区间时间[11]。
定义6(开始/结束时间操作符) 将时间视为一个线性有序离散集，则一个时间区间可以看为一个有序对，有序对用来表示事件成立的起始时间和结束时间。事件开始时间操作符用S_t(e)表示，事件结束时间操作符用E_t(e)表示。
1.2.4 同源事件
定义7(同源事件) 对于∀ei,∀ej,i≠j,type(ei)=Em,type(ej)=En，如果m≠n，且Em·o=En·o，则称ei和ej互为同源事件，记作SS(ei,ej)。
例如:e1=(室内温度,35,E1,10:00:00)，e2=(室内温度,10,E2,10:10:00)，E1=(室内温度，[30,35])，E2(室内温度，[15,30])，则e1和e2互为同源事件。
1.2.5 事件操作符
事件类型的一次发生称为此事件类型的一个实例，使用大写字母E表示事件类型,用小写字母e表示事件类型的一个实例。多位学者提出复杂事件处理机制[10,12-13]，本文在此基础上，归纳整理出适合生产实时监测的事件建模语言操作符，具体如下所示:
定义8(事件操作符)
(1) 逻辑操作符
AND:P=AND(E1,E2,…,En)，当事件类型E1,E2,…,En，的实例都发生时(顺序无关)，事件模式P成立。
OR:P=OR(E1,E2,…,En), 当事件类型E1,E2，…,En的任一实例发生时，事件模式P成立。
NOT:P=NOT(E)，表示事件类型E的实例没有发生，该操作符不能单独使用，需要结合其他操作符才有意义。
(2) 顺序操作符
SEQ:P=SEQ(E1,E2,…,En;t1,t2,…,tn-1)，表示事件类型E1,E2,…,En的实例按时间顺序先后发生，且Ei和Ei+1的实例发生时间间隔ti(i=1,2,…,n-1)时，事件模式P成立；SEO(E;t)，表示t时间单位后事件E的实例发生。如果省略t，则表示不考虑事件间的时间间隔，常与NOT操作符一起使用。
(3) 时限操作符
WITHIN:P′=WITHIN(P,t)，表示事件模式P成立的有效时长范围。
以上只是给出部分事件操作符，各种复杂事件处理软件中都能找到相应的操作符，这些已足够表达绝大部分本文感兴趣的异常信息。
根据事件操作符的定义，显然AND和OR满足交换律、结合律；SEQ只满足结合律不满足交换律。
根据操作符的定义，它们之间存在一定的相关关系，下面在设计事件模式时经常需要考虑的两点：
(1) 操作符SEQ、AND和OR存在包含关系，即(SEQ(E1,E2))⊆(AND(E1,E2))⊆(OR(E1,E2))。
(2) WITHIN(SEQ(E1,E2;t0);t)中必须满足t>t0，即总的时间限制大于内部时间间隔。
2 异常信息表示方法
某一情境发生或结束是由事件的发生导致，由两个相邻的同源事件组成的复杂事件就是一个原子情境。Es(C)和Ee(C)分别表示触发情境C开始和结束的事件类型。Es(C)的实例发生既标志C开始成立，又标志情境C结束。例如：事件类型E1、E2和E3分别为温控显示仪温度为0、150及其他，C=(温度，0)，Es(C)=E1；当E1的实例发生时，情境C开始成立，当E2或E3的实例发生时，情境C结束。
本文定义两个函数，分别表示某一情境正在发生和已经发生过，记作()和□()，具体映射如下所示：
采用以下表达式来表示异常信息：
((C1)∧□(C2)∧(T)
其中:C1和C2为情境，既可以是原子情境也可以是复合情境;T为情境间的时间约束表达式。
根据正常时C1和C2间需要满足一定的时序关系，而异常发生时该时序关系一定不满足的原则，总结出以下异常模式：
(1) 如果要求Before(C1,C2)，且情境之间的时间约束为T，则当检测到Before(C2,C1)、During(C1,C2)、During(C2,C1)、Overlap(C1,C2)、Overlap(C2,C1)或不满足时间约束T则为异常。以上异常情形用函数表示为((C1)∧(C2))。
(2) 如果要求During(C1,C2)，且情境间的时间约束为T，当检测到Before(C1,C2)、Before(C2,C1)During(C2,C1)、Overlap(C1,C2)、Overlap(C2,C1)成立时或不满足时间约束T为异常。函数表示为((C1)∧(C2))∨(T)。
(3) 如果要求Overlap(C1,C2)，且情境间的时间约束为T，则当检测到Before(C1,C2)、Before(C2,C1)、During(C2,C1)、During(C1,C2)、Overlap(C2,C1)成立或不满足时间约束T为异常。使用函数表示为((C2)∧(C1)∧□(C1))∨(□(C1)∧(C1))∨((C1)∧□(C2))∨(T)。
如AUTOP软件加载完成后30 s内需要走丝电机开启，已知情境C1=(AUTOP, on)，C2=(走丝电机,on)，它们需满足Before(C1,C2)时序关系，且时间约束为↑C2-↓C1≤30 s，则根据上述异常模式(1)可将异常信息描述：(□(C2)∧□(C1))∨□(C2))∨(↑(C2-↓C1>30 s)。
生产监测时希望尽可能早的及时发现异常情况，但上述异常表达式及文献[14]只有完全成立才能检测到异常，此时异常已经发生很长时间。因为某一情境的发生都是由某一事件导致的，用事件表示异常可尽快发现异常，根据情境与事件间的关系，即C⟺SED(Es(C),Ee(C))，将情境间的时序关系转化为以下事件模式：
(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))
对于事件模式SEQ(Es(C1),Ee(C1),Es(C2)，Ee(C2))，只有当检测到Ee(C1)的实例才会发现异常，而实际上检测到的实例时就可准确判断异常发生。为了更早发现异常，需对上述事件模式调整。
由于一个情境实例的开始事件必定早于它的结束事件发生，因此Before、During和Overlap时序关系转化为事件模式时进行如下调整：
(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))
基于事件的异常信息描述方法在表示更复杂的异常信息时，事件模式过于复杂。而生产中的异常一般是某情境正在发生，某事件发生时导致异常，将情境和事件结合起来描述异常更合理。因此，提出Event-Context异常信息描述方法。
采用如下表达式表示异常信息：
其中:P表示事件模式；C1和C2都是情境表达式，它们可以是原子情境也可以是复合情境。当P的事件实例发生且情境C1成立，C2成立过且满足时间约束时异常发生。
3 异常监测系统实现
3.1 异常模式
按照Event-Context中Event的类型将生产过程中的异常情况总结为以下几种异常模式：
异常模式(1): 情境C1正在发生(且情境C2发生过)，事件类型E的实例一旦发生时，发生异常。可知P=E，异常模式描述为：
异常模式(2): 情境C1正在发生(且情境C2发生过)，事件类型E1,E2,…，En中的任意一个类型的实例发生时为异常。可知，P=OR(E1,E2,…，En)，异常模式描述为：
异常模式(3)： 情境C1正在发生(且情境C2发生过)，事件类型E1,E2,…,En的实例都发生时为异常。可知，P=AND(E1,E2,…,En)，异常模式描述为：
例如:线切割机总电源、控制器开关、高频脉冲电源处于开启状态、工件位于线切割机上，AUTOP软件未关闭时走丝电机就开启。E1=(走丝电机,on)，E2=(Autop,on)，P=AND(E1,E2)，C1=(切割机总电源,on)Δ(控制器开关,on)Δ(高频脉冲电源，on)Δ(工件位置,线切割机)。
异常模式(4)： 情境C1正在发生(且情境C2发生过)，事件类型E2的实例发生前事件类型E1的实例未发时为异常。可知，P=SEQ(NOTE1,E2)异常模式描述为：
异常模式(5)： 情境C1正在发生(且情境C2发生过)，事件类型E1的实例发生后t时间内事件类型E2的实例未发生时为异常。P=SEQ(E1,NOTE2;t)，异常模式描述为：
异常模式(6)： 情境C1正在发生(且情境C2发生过)，事件类型E1的实例发生后，事件类型E2的实例未发生，而事件类型E3的实例发生时为异常，P=SEQ(E1,NOTE2,E3)。异常模式描述为：
∘(SEQ(E1,NOTE2,E3))∧(C1)[∧(C2)][∧□(C3)]
异常模式(7)： 情境C1正在发生(且情境C2发生过)，事件类型E1的实例和E2的实例发生时间间隔小于t时为异常。P=WITHIN(SEQ(E1,E2),t))。异常模式描述为：
3.2 异常模式实现
近年来许多研究机构、学者和商业公司就复杂事件处理和事件流处理的算法和实现进行了深入研究，已经开发出许多复杂事件处理工具。如商业化的STREAM的Coral8,Aurora项目的StreamBase和Oracle CEP 10 g等。研究型的引擎系统如Cayuga[15]、SASE[16]、Siddhi[17]、Esper[18]，这些引擎是基于自动机语义监测事件。SASE优化了窗口滑动和中间结果集较大两个问题；Cayuga采用索引和内存管理等技术提高了处理性能；而Esper使用多线程检测事件。
本文的事件处理模块在Esper基础上实现，Esper是一个Java开发并且开源的轻量级和可扩展的事件流处理和复杂事件处理引擎。它是为了满足海量实时事件进行分析并做出反应等应用需求而产生的，即满足了高吞吐量、低响应时间和复杂计算的需求。
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，具体如表1所示。
表1 事件操作符对照表
表2为描述生产异常信息经常使用的事件模式映射到Esper中的EPL(Event Processing Language)。
表2 Esper中EPL实现(部分)
create context ContextName start pattern[E_s(C)] end pattern[E_e(C)]；
3.1节中的7种异常模式映射到Esper中的EPL如下所示：
(1) 异常模式(1)对应的EPL语句
语句1：context ContextName select * from pattern[every E1=A(state=on)]；
(2) 异常模式(2)对应的EPL语句
语句2：context ContextName select * from pattern[every(E1=A(state=on) or E2=B(state=on) or…)]；
(3) 异常模式(3)对应的EPL语句
语句3：context ContextName select * from pattern[every((E1=A(state=on) and E2=B(state=on))]；
(4) 异常模式(4)对应的EPL语句
语句4：context ContextName select * from pattern[every(not E1=A(state=on) ->E2=B(state=on))]；
(5) 异常模式(5)对应的EPL语句
语句5：context ContextName select * from pattern[every E1=A(state=on) ->(timer:interval(t) and not E2=B(state=on))]；
(6) 异常模式(6)对应的EPL语句
语句6：context ContextName select * from pattern[every(E1=A(state=on)->E2=B(state=on) and not E3=C(state=on))]；
(7) 异常模式(7)对应的EPL语句
语句7：context ContextName select * from pattern [every(E1= A(state=on)->E2=B(state=on)) where timer:within(t)]；
4 实验结果及分析
通过Esper引擎进行复杂事件处理提取生产现场的异常信息。通过实验测试，检验能否有效的识别出异常信息。
实验以取样工序为实例，取样工序是金相组织分析的第一道工序，该工序操作复杂且最容易产生异常，具有一定的代表性。取样工序在室内温度20～25 ℃、湿度相对值不大于85%的环境下进行，取样设备为线切割机，操作流程如下：
(1) 依次开启线切割机总电源、控制器开关和高频脉冲电源；
(2) 将工件放入夹具中，然后打开AUTOP软件，设置相应的参数，关闭AUTOP软件；
(3) 开启走丝电机，走丝速度为8～10 m/s，先后开启水泵开关、高频脉冲开关、进给开关，此时开始切割工件，切割时间为8分钟；
(4) 待工件切割完毕后，依次关闭进给开关、走丝电机、高频脉冲开关和水泵，取出工件；
(5) 依次关闭高频脉冲电源、控制器开关和切割机总电源，加工完毕。
epl5=“ context CuttingMachine select * from pattern[not”+“E7=SampleLocationEvent(location=on)“->every E8=AutopEvent(state=on))]”；
输入表示工件位置不断变化，AUTOP软件不断开启和关闭的事件流。输入的异常事件流如表3所示，可知表中划线事件到达时发生异常。测试结果显示
表3 实验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)))]”；
输入表示走丝电机和水泵的状态不断开启和关闭的事件流。输入的异常事件流如表4所示。已知在表4中第一个划线事件到达时发生异常，第二、三个划线事件到后间隔10 s时发生异常，即在时间戳为20 800和31 000时发生异常。
表4 实验2事件流
实验结果显示在时间戳为10 500和31 000时发生异常，此实验结果与实际的情况不符。主要表现在时间戳为10 500时识别到有异常发生，而实际上无异常；时间戳为20 800时发生异常确未识别到。由此发现事件识别效果不理想，主要表现为不是异常的情况识别为异常，异常情况当作正常情况未识别出来。
产生上述问题的原因是有时只需考虑监测对象的当前状态，而最新的同源事件发生即表示监测对象当前的状态，旧的同源已没用了，如果还放入事件流中会影响事件模式匹配的结果。因此本文对只考虑监测对象当前状态的事件模式的输入事件流进行预处理。预处理方法：只保留最新的同源事件进行模式匹配。
对实验2中的输入事件流进行预处理，实验结果显示经过事件流预处理后再输入能有效识别出各种异常情况。
实验发现在存在以下问题：(1)未识别出全部异常；(2)正常当作异常识别出来。经研究发现产生这些问题的原因：事件流中最新的同源事件表示的是该事件源监测的物体的当前状态。有时只需根据环境、设备、操作和人的当前状态来判断是否发生异常。因此，随着新同源事件的到达旧同源事件已经过时了，此时事件处理只关心事件流中最新的同源事件，不关心旧的同源事件。通过对事件流进行预处理很好地解决了这些问题，能够基本识别出各种异常情况。
5 结 语
本文主要研究普适计算环境下，如何根据感知到的情境信息对生产现场进行实时监测。构建了情境模型和事件模型，提出了Event-Context异常信息表示方法。这种表示方法结合了情境和事件的特点，使得异常表示变得简单。根据事件的不同类型将异常归结为七种模式，并转换为复杂事件形式，应用复杂事件处理引擎Esper进行异常的识别。由于同源事件的干扰，导致未能识别出全部异常和正常当作异常识别出来的问题，通过对事件流进行预处理很好地解决了这些问题，能够基本识别出各种异常情况。本文中复合情境操作符相对较少，使得情境表示变得繁复。为了使复杂异常情形表示更加简单，后续工作将从扩展复合情境表示的方面展开。
[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. 情境感知推荐中的上下文宽松匹配方法研究[J]. 计算机应用与软件, 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] 李伟平,王武生,莫同,等.情境计算研究综述[J].计算机研究与发展,2015, 52(2): 542-552.
[7] 张青川，曾广平.支持情境感知计算的上下文服务框架研究[J].计算机工程与设计，2012, 33(5): 2036-2041.
[8] 唐蕾，王瀚博. 面向普适计算应用的模型分析与设计语言研究[J]. 计算机应用与软件, 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] 臧传真,范玉顺.基于智能物件的实时企业复杂事件处理机制[J].机械工程学报,2007, 43(2): 22-32.
[11] 荆心，张璟，李军怀.复杂事件处理技术及其在物流物联网中的应用[J].计算机应用,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] 曹科宁,王永恒,李仁发,等.面向物联网的分布式上下文敏感复杂事件处理方法[J].计算机研究与发展,2013, 50(6): 1163-1176.
[14] 刘晓刚，卢涛. 基于情境时序建模的活动异常监控方法[J].计算机工程与设计, 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。国家自然科学基金项目(71271038)。查欣欣，硕士生，主研领域：情境建模，异常监测。曹冬雪，硕士生。卢涛，副教授。
TP391
A
10.3969/j.issn.1000-386x.2017.12.017
