制造物聯網環境下實時事件監控系統優化

馮申杰　馬志豪　張旭熳

摘 要：在制造物聯網環境下監視現代復雜制造系統中的生產過程時，由于涉及生產要素多，系統架構復雜，僅僅通過原始RFID事件構造復雜事件或者利用隱馬爾科夫建立狀態轉移模型，并不能很好地滿足實際生產中復雜情況的需要。文章在現有研究基礎上，結合自動機模型和隱馬爾科夫鏈設計了實時事件監控系統中新的復雜事件構造和系統狀態預測模塊，優化之后的實時事件監控系統可以幫助管理人員高效地監控生產過程，提高生產效率。

關鍵詞：制造物聯網；RFID事件；復雜事件；隱馬爾科夫鏈；狀態轉移；過程監控

中圖分類號：TP277 文獻標識碼：A 文章編號：2095-1302（2015）08-00-03

0 引 言

隨著物聯網等新一代信息技術的出現和發展，推動了以綠色、智能和可持續發展為特征的新一輪產業革命的來臨，因此，一種新型智能制造模式——制造物聯（Internet of Manufacturing Things，IoMT）應運而生。現階段制造物聯網在制造業的應用主要是利用RFID技術實現生產過程的工人、工序、工件、工時的實時精確統計和計算，從而達到實時控制生產過程、便于質量管理和追溯的目的[1]。

制造物聯網環境下現代制造系統非常復雜，涉及無數處理、機器、工具、交通裝備和人。到目前為止為了監視這些過程以及生成中的具體流程，制造企業已經積累了大量的數據[2]。當前這些數據的應用主要在于過程之間的通信，包括工作進展，正在處理的工作，每一部分的位置和裝備的狀態。RFID技術的進步使得我們可以從各種裝備、交通設備和工作人員身上獲得大量信息[3]，并可利用這些信息進行快速響應。

越來越多的制造業企業發現RFID技術是一個從貨運、原料處理到供應鏈管理等產品周期的各個方面都非常有用的工具[4]。然而，制造過程會面臨一些不可預期的干擾事件，比如機器故障，緊急訂單、交貨日期提前、來料推遲到貨等。因此，制造過程實時監控系統對于快速響應這些干擾事件、減少經濟損失便是非常重要的。當前關于RFID技術和制造執行系統（MES）的相關研究實現了實時工廠數據的收集管理平臺。

基于RFID的車間實時事件監視系統的一個關鍵挑戰是設計可重定義的規則將RFID數據轉化為事件。在文獻[5]中已經基于邏輯操作規則設計好了事件構造方法以用來構造事件，包括簡單事件和復雜事件。在文獻[6]中，一個reactive模型方法更進一步提出來，可用來監視前面提到的簡單和復雜事件。使用了reactive模型編程語言（RMPL）。接著，將基于自定義規則的事件處理和概率推理結合起來估計被觀察對象的最大可能狀態。然而，時間相關事件的臨時關系并沒有被考慮到。除此之外，事件數據增長的時候，RMPL語言也會非常長，很難修改。事實上，制造業企業每天都在收集海量的不同類型數據，存儲在不同的表格中。如何高效管理大量事件數據，得到有用信息也是一個不小的挑戰。

本文基于RFID技術，提出了優化的實時事件監控系統架構，并結合自動機模型構造復雜事件。將構造出來的復雜事件作為可觀察序列，利用隱馬爾科夫鏈（Hidden Markov Chain，HMC）模型預測可能會造成異常狀態的情況。相比前述的成果，本系統為用戶提供更實用和方便的設計實現RFID監控系統的方法。自動機模型和馬爾科夫鏈模型非常適合制造物聯網環境下復雜制造系統的大數據環境。

1 RFID數據和可觀察事件

當一個RFID讀寫器在其周期內讀到RFID標簽，會產生數據信息。包括三個基本部分，表示為（e，r，t），其中e表示讀到的標簽的唯一標識，r表示讀寫器的標識，t表示時間戳。所以，RFID過濾器可以從輸入信息流中讀到什么時間，什么地點，發生了什么，有了這些便可以繼續構造簡單和復雜事件。

1.1 簡單事件

事實上，原始RFID數據可能并沒有精確展示我們所感興趣的事件，而且可能沒有遵守用戶自定義的事件格式。因此，行RFID數據流需要被RFID過濾器處理，比如應用程序級別事件標準[6]，其提供的函數用來過濾和移除不想要的或者多余的數據，在時間區間中收集數據，以及對數據聚類以減少數據量。處理輸入數據之后的事件，如果提供了直接信息，以及直接觀察到的系統行為，這種事件就是簡單事件。包括入口事件，比如一個標簽在t時刻出現在特定的位置，以及一個t時刻，一個進程處理結束。

1.2 復雜事件

基于RFID簡單事件，復雜事件可以被定義為更單行和高效的使用記錄數據的事件。通過定義簡單事件為有限自動機中的狀態，當一系列狀態發生，如遷移到最后一個狀態的時候，則認為復雜事件發生了[5]。此時可以用如下操作符定義復雜事件：

（1）AND：在一個時間段內，當事件X和Y都發生的時候，復雜事件X AND Y發生；

（2）OR：在一個時間段內，當事件X或Y發生的時候，復雜事件X OR Y發生；

（3）NOT：在一個時間段內，當事件X沒有發生的時候，復雜事件NOT X便發生了；

（4）SEQ：當事件X在事件Y發生之前立即發生的時候，復雜事件X SEQ Y發生。

這里應注意：復雜事件也可以將操作符應用到其他復雜事件上構造而成。比如表達式E=（X OR Y）AND Z表示簡單事件X或Y發生后Z發生，則復雜事件E發生。

自動機由一個五元組（Q，Σ，δ，q0，F）構成，Q表示有限非空的狀態集合，Σ為輸入字符表，δ表示自動機Q×Σ→Q的狀態轉移函數，q0為自動機的開始狀態，F為自動機的終止狀態。使用自動機模型可以表示正則表達式，復雜事件的表達式與正則表示式具有一致性，因此，使用自動機模型表示相應的復雜事件表達式。具體如圖1所示。

2 制造系統模型

RFID監視系統如圖2所示。一般來講，監控系統中肯定有一個事件處理模塊過濾出有用的事件。在本模塊中，首先應用事件過濾器將原始RFID數據轉化為簡單事件的標準形式。接著自動機模塊會利用這些簡單事件和存儲在數據庫中的歷史事件數據構造出復雜事件。所有的事件數據都會存儲在事件數據庫中，HMC模塊會請求這些數據用來預測系統狀態。

關鍵車間或環節的運行一旦出現故障給企業帶來不可估量的損失，也會嚴重影響企業的運行效率。為了預測到可能的故障狀態，提前采取合理的預防措施，需要使用恰當的模型。

由于制造過程本身結構和運行環境的復雜性，得到的復雜事件并不能與系統狀態簡單的一一對應。經典方法如布朗運動、泊松過程和馬爾科夫過程等都不能很好的描述制造過程檢測到的復雜事件和系統狀態的關系，而隱馬爾科夫鏈模型可以將觀察序列和隱狀態通過一組概率聯系起來，較好的描述這種雙重隨機過程機制。接下來通過前述DFA模型生成復雜事件，由狀態變遷過程來推斷運行可靠性。

可以用術語狀態或者模型來對制造系統建模。用前述的自動機模型構造的復雜事件可以描述制造系統的狀態，舉例來說，機器2正在第3部分處理任務4，工人2正在視察工作5，機器1發生故障，工作3完成了等。

狀態并不是可以直接觀察到的。可觀察序列由前面構造的復雜事件提供。除此之外的可觀察對象可能是可以造成狀態轉移的用戶命令或行為。因此，HMM給出了一個制造系統的合適的描述，其中所有狀態都不是可以直接可觀察的。我們要從給定的可觀察對象中估計哪個是活動狀態。另一個替代模型方法是貝葉斯網絡。然而，這種方法使用更為復雜的模型，該模型適用于網絡狀態轉換的一般情況。

由此可見，隱馬爾可夫過程是一個雙重隨機過程，其中一重隨機過程不能直接觀察到，通過狀態轉移概率矩陣描述。另一重隨機過程輸出可以觀察到的觀察符號，這由輸出概率來定義。

HMC模型的組成原理如圖3所示。將HMC模型應用于實際工程時，通常采用Forward-Backward算法來解決模型的概率計算問題。

3 計算活動狀態

在給定HMMλ=（A，B，π），觀察序列O={o1，o2，…，oT}的情況下要計算的活動狀態，可以通過枚舉所有的狀態轉換序列，并對每一個狀態轉換序列q計算P（O， q |λ），能使P（O， q |λ）取最大值的狀態轉換序列q*成為能最好解釋觀察序列的狀態轉換序列，即：

4 結 語

本文討論了在制造物聯網環境下，由于實時事件監控系統涉及生產要素多，系統架構復雜所面臨的一系列問題。在現有通過原始RFID事件構造復雜事件和利用馬爾科夫建立狀態轉移模型相關研究的基礎上，為實時事件監控系統設計了新的架構，結合自動機模型構造復雜事件，將構造出來的復雜事件作為可觀察序列，利用隱馬爾科夫鏈模型預測可能會造成異常狀態的情況。并給出自動機模型構造復雜事件的具體定義和隱馬爾科夫鏈模型計算活動狀態的算法。這樣，在系統優化后，可以幫助管理人員更有效的監控生產過程，提高制造企業的生產效率。

參考文獻

[1] 姚錫凡，于淼，陳勇，等.制造物聯的內涵、體系結構和關鍵技術[J].計算機集成制造系統，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] 袁愛平，傅明.有限自動機在復合事件檢測中的應用[J].計算機工程與設計，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]姚運志，孟晨，王成，等. RFID輔助生產實時監控的復雜事件處理研究[J].現代制造工程，2015（1）：24-29.

[8]吳軍，邵新宇，鄧超. 隱馬爾科夫鏈模型在裝備運行可靠性預測中的應用[J].中國機械工程，2010，21（19）：2345-2349.

[9]王猛，唐敦兵，顧文斌，等. 基于RFID離散制造業車間生產過程控制系統研究與開發[J].企業管理與信息化，2012（11）：13-17.

[10]李強，陳琳.原始RFID數據流上復雜事件處理研究[J].計算機工程與設計，2013，33（4）：361-364.

[11]戚湧，胡軍，李千目.面向RFID數據處理的復雜事件模式匹配方法[J].計算機科學，2013，40（1）：73-76.