復雜事件處理的自適應制造情景識別方法

任 磊，任明侖

(教育部過程優化與智能決策重點實驗室(合肥工業大學)， 合肥 230009)

復雜事件處理的自適應制造情景識別方法

任 磊，任明侖

(教育部過程優化與智能決策重點實驗室(合肥工業大學)， 合肥 230009)

制造過程中的任務、自然條件、電力水平等環境因素，制約物體狀態及其關系的變化. 智能制造單元需要自適應的對不同情境約束下的事件和復雜情形及時理解判斷，提出基于復雜事件處理(Complex event processing, CEP)的情境約束情景識別方法，以實時作出合理的優化決策. 針對忽視情境約束對事件判別的影響，構建基于情境約束的多層次事件模型，給出同生、情境、協同等事件新算子，提出基于事件聚合的制造情景模型與演算過程. 針對情景識別知識庫中模式規則生成的不足，通過整合物體數據與環境數據建立映射關聯，將感知信息轉化為情境事件圖譜. 通過綜合序數、名義變量等距離計算和自適應熵權法，提出改進的混合聚類方法處理事件圖譜實例屬性的多樣性和關聯性，構建知識庫以為情景實時識別提供服務支持. 運用4個真實數據集和1個制造過程仿真數據集進行實驗，均驗證本文模型和方法的有效性，適用于大規模學習問題，并闡明情境因素能顯著提升復雜制造應用中的事件判斷、情景識別的準確性.

情境約束，數據流，復雜事件，情景識別，混合聚類方法

物聯網、云計算、大數據等新興信息技術的應用，使得制造單元具有高度智慧性[1]，能通過感知、識別當前發生事件而采取最優決策.由于環境的動態性和制造過程的復雜性，需實時關注設備、人員、環境等狀態，產生海量的多模態時變數據流. 每一條數據流都反映制造過程某一方面的狀態變化，共同刻畫了所面臨的制造情景.如何快速處理這些大規模數據以理解當前發生情形，實時地把各種不同來源的信息轉化為決策利用的知識成為一項基本挑戰.CEP作為一種新興流數據處理技術[2-3]，能夠抽取有意義的事件，通過順序、聚合、因果等事件算子發現事件關系[4]，從而識別更高決策價值的復雜事件模式.

很多學者運用CEP技術對制造系統底層的流數據處理[5]、事件發現[6]到高層的情景挖掘[7]與實時決策[8]進行廣泛研究.但假定周圍環境固定不變，忽視任務、時空等情境對物體狀態的影響，如同樣的設備溫度20度在Task1時為正常事件，而在Task2時則為異常事件.情境制約著主體對事物的認知，事件更全面的理解、自適應的決策均需要情境支持[9].雖有學者對制造領域情境分類建模，但仍將其作為事物的一種狀態屬性，并未與其他屬性區分，更未分析其對事件判別的制約.現有事件模式生成主要依賴于人工定義[10]，難以獲取全面知識且容易出現錯誤和組合爆炸.機器學習方法也只應用于簡單場景，涉及的實體、數據維度較少，難以解決制造過程大數據的新問題[14].基于現有CEP系統不足[11]，將多層次情境考慮到事件理解過程中，提出基于情境約束的自適應情景識別方法，通過改進混合聚類進行模式挖掘和在線實時識別，從而優化任務執行決策活動.

1 基于情境約束的多層次事件模型

多層次情境制約物體狀態變化和事件判別，給出情境約束的事件模型和基于事件聚合的情景演算過程.

1.1情境數據流

決策單元所關注物體某一屬性狀態隨時間不斷變化，形成一條不同時刻下的動態數據序列即數據流DS：

DS={v(a1),v(a2),…,v(an)}.

(1)

式中：a為物體屬性，v(ai)為第i時刻屬性值.如圖1中設備轉速曲線即是一條t0到tl時刻的動態數據流.

圖1 情境數據流

智能單元關注事物處于動態環境中，其屬性值在不同環境下具有不同分布特征、狀態變化模式.物體屬性狀態隨著情境變化而形成時間序列即情境數據流CSS：

CSS={〈v(a1),ct1〉,〈v(a2),ct2〉,…,〈v(an),ctn〉}.

(2)

式中：v(aj)為第j時刻情境約束ctj該物體屬性a的數值，ctj為第j時刻情境值.如圖1中，t0到tj的情境為(TASK1,EL1)，tj到tl的情境為(TASK1, EL2)，轉速曲線是一條在兩類情境下的數據流.兩類情境的數據特征存在差異，(TASK1, EL1)下設備轉速水平明顯高于(TASK1, EL2)，原因是電力水平的高低影響運轉速度.

具有相同情境約束的不同時刻物體狀態數據構成同類情境數據流段CSE，描述物體狀態在同一情境下的數值分布：

CSE={〈v(a1),ctk〉,〈v(a2),ctk〉,…,〈v(am),ctk〉}.

(3)

式中：v(ai)為第i時刻情境約束ctk下屬性a的數值，ctk為同類情境約束.圖1中t0到tj的數據流為同類情境數據流段CSE1，tj到tl是同類情境數據流段CSE2.

情境是描述物體相關行為和狀態變化時所處的環境信息，可表示為CT：

CT=(V,T).

(4)

式中：V為情境數值，T為時間集.制造情境包含任務、自然環境、時空信息等.情境具有時變性，不同時刻形成情境序列流CTS=(ct1,ct2,…,ctn)，cti為第i時刻情境值.情境具有層次性，高層抽象情境是底層情境的泛化表示，情境層次結構通過有向無環圖描述H=(CTH,WH).如圖2，CTH為某一層次情境類，WH?CTH×CTH為情境節點層次關系，節點間偏序關系H刻畫情境類之間的具體化關系、泛化關系.

圖2 情境層次結構

1.2基于情境約束的事件和情景模型

事件是系統關注物體有決策意義的行為和狀態變化，如溫度異常、轉速波動等.簡單事件是系統中最小的不可分割的物體狀態的瞬時事件e：

e=(ID,type,time,v(a)).

(5)

式中：ID為標識符，type為事件類型，time為發生時間，v(a)為屬性值.如設備溫度在t0時刻100度為溫度異常簡單事件e1=(123,溫度,t0,100>50).

1.2.1 情境事件

由于情境制約著事件的理解，現有事件模型難以適應動態環境的決策需求.通過添加情境因素，拓展構造情境事件cte：

cte=(ID,type,time,v(a),ct).

(6)

式中：ct為情境約束，同一狀態值在不同情境下具有差別的意義.如設備溫度t0時100度，為TASK1下正常事件，TASK1要求溫度(50,150).而t2時100度，為TASK2下異常事件，TASK2要求溫度(50,80).

情境數據流中每個數值對應一個簡單情境事件，按照時間順序形成情境事件流CTE：

CTE=(type,state(cte),ct).

(7)

式中：type為事件類型，state(cte)為所有事件集，ct為情境約束集.圖1中運轉曲線對應一條情境事件流，同樣的設備轉速在兩個情境下分別為異常和正常事件.

1.2.2 基于事件聚合的情景模型

情景是系統所關注的特定環境下發生的多種關聯事件集合，即通過簡單事件聚合的復雜事件模式.如TASK1中t0時刻設備出現溫度、速度異常事件，則聚合為故障情景.后文中情景與復雜事件是相同概念SA：

SA=(type,state(CTE),F).

(8)

式中：type為情景類型，state(CTE)為多種情境事件集，F為情境事件算子集.制造情景是制造過程中某一時刻所有物體狀態變化，是多種事件的同時發生而聚合成的復雜事件，只需同生算子而不考慮事件間的順序、選擇、因果關系等.

多條事件流協同聚合形成一條新的復雜事件圖譜流即情景流SAS=(sa1,sa2,…,san)，整個演算過程如圖3所示.給定兩個簡單事件流E1和E2，分別表示機器溫度和震動事件，需要對持續到達的兩個子事件按照業務規則進行組合，通過同生算子、情境算子得到復合事件圖譜，最終運用函數Z進行情景判別，確認當前情景模式并給出相關描述.

圖3 事件聚合過程

2 基于復雜事件處理的自適應情景識別方法

2.1基于復雜事件處理的情景識別過程

制造情景識別包括事件與情境抽取、事件圖譜構建、模式匹配和情景確認四個階段，如圖4.根據領域知識對環境數據分類，構建多個情境類，假定情境類已經獲得.分析不同情境類下物體狀態分布規律，界定事件類型并構建復雜事件圖譜.通過線下的混合聚類對大量事件實例學習，形成情景知識庫.最終將實時感知數據與知識庫中事件模式匹配識別當前情景，具體步驟如下：

圖4 基于復雜事件處理的情景識別過程

Fig.4 Situation identification based on complex event processing

1)事件、情境抽取：參照相關規則模型，對感知到的人、物、環境數據進行簡單事件和情境判別；

2)復雜事件圖譜構建：根據2.2節事件聚合算子建立事件與情境關聯，聚合得到事件圖譜實例；

3)情景匹配：計算當前事件實例與知識庫中情景模式的相似度，基于貼近原則選擇滿足閥值的情景；

4)情景確認：分析匹配情景特征，實施應對方案.如未滿足閥值，則將當前實例作為新情景存貯到知識庫，更新情景知識.

2.2事件圖譜的構建

根據領域知識將感知到的多維數據轉化為簡單事件，形成事件流和事件矩陣，通過聚合算子構建復雜事件圖譜以界定所面臨的情形.

2.2.1 數據矩陣

給定某一制造加工場景，感知的物體狀態檢測變量數為m，情境變量為k，n個時刻獲取海量數據為OB和CT兩個時空數據矩陣：

(9)

式中：OB中第i行為第i時刻物體狀態各個變量的值，第j列為第j個變量在不同時刻的值.CT中第i行為第i時刻各個情境因素的值，第j列為第j個情境因素在不同時刻下的值.

情境約束類通過專家知識界定，共獲得p個情境類為CT=(CT1, CT2,…,CTp).通過建立“物-環境”的數據關聯，原有兩個數據矩陣合并為一個情境數據矩陣CTX：

CTX中第i行為第i時刻在情境約束CTi下物體狀態各個變量值，xij為第i時刻在情境約束CTi下物體第j個變量值.

2.2.2 事件圖譜

(11)

將CTX中的每一個數值均映射為情境約束事件，則得到復雜事件圖譜TEQ：

(12)

TEQ中第i行表示第i時刻在情境約束CTi下出現的事件集合，反映CTi下所關注的情景狀態，xij為第i時刻在情境約束CTi下物體第j個變量的事件類型.

根據同生、情境和協同聚合算子，進一步剔除TEQ進中不符合業務邏輯和運算規則的事件，從而得到最終的情境約束復雜事件圖譜CTEQ：

(13)

2.3改進混合聚類方法

CTEQ是一個由多條事件流聚合構成的事件圖譜，出現現有混合聚類沒有的數值類型，且變量在不同模式中具有差異權重，以往方法只對數值、名義兩類變量的權重基于主觀經驗分配[13].本文通過統一的距離公式，運用自適應熵權改進混合聚類方法.給定n個情景對象集X=(X1,X2,…,Xn)，每個對象是一組事件集合，混合聚類的目標就是將X劃分為k簇，每個簇為一個情景模式，以最小化簇間距離為目標函數：

(14)

xi為第i個對象，Ql為第l個簇的中心點，d(xi,Ql)為第i個對象到第l個簇中心的距離.

2.3.1 改進距離計算

sim(E)=(dsq+dnm+dsem).

(15)

dsq為序數距離，dnm為名義距離，dsem為語義距離.

(a)序數距離：序數集合L=(l1,l2,…,lg)，li是語言序數值，g是序數值數，語言序數lr和ls的心理親近度為πrs，為映射π:L2→，=(πrs|r,s∈(1,2,…,g))為所有語言序數心理親近度的集合[14]，即根據已知序數親近度向量計算不同序數的距離相似度.

(b)名義距離：考慮共現概率，相對分類屬性Aj屬性Ai的兩值x和y距離用maxdij(x,y)=Pi(z|x))+Pi(zc|y)-1計算[15].z為值域Dom(Aj)子集，zc為z的補集，Pi(z|x)表示屬性i值為x的數據對象在屬性j上的值屬于z的條件概率，Pi(zc|y))表示屬性i值為y的數據對象在屬性j上的值屬于zc的條件概率.

(c)語義距離：語義結構樹中，如x處在從y到根節點路徑上，則x為y的層次祖先.如x和y處在同一層次，兩點是相等的即x≡y.LCA(x,y)為x和y最低層次的共同祖先，任意兩點的共同點為LCP(x,y)[16]：

(16)

語義層次樹中任意兩節點之間的距離通過D(x,y)=dx+dy-2dLCP(x,y)得到，dx、dy、dLCP(x,y)為節點x、y、LCP(x,y)位置到根節點的層次距離.

2.3.2 事件權重分配

2.3.3 改進聚類算法步驟：

Step1計算數據對象xi之間的距離，得出k閥值的鄰居集；

Step3計算該對象到所有簇中心的距離d(xi,Ql)和簇間距離B(W,Q)，將其分配到目標函數最小的簇中，更新相應簇的中心和屬性權重；

Step5重復Step4，直到迭代過程中沒有改變簇的數據對象存在；

Step6得到滿足目標的k個簇SA=(SA1,SA2,…,SAk).

2.4基于模式匹配的情景識別算法

(17)

3 實驗分析

為驗證本文改進混合聚類和情景識別方法的效果，首先利用已有的4個真實數據集進行實驗對比，然后通過仿真制造過程數據集，進一步檢測本文方法的優勢.所有實驗環境為Windows10操作系統，仿真開發環境為Microsoft Visual C++ 2010，硬件是CPU為Intel Core I5 2.6 GHz、內存為4 GB的鴻基臺式機，算法通過Matalabe編碼實現.

表1 數據集描述

3.1真實數據集

從UCI學習庫中找到Zoo、Heart、Flag、German Credit4個數集，如表1.與K-Prototype、DBSCAN、K-Center算法比較，通過聚類準確率r、平均聚類純度purity兩指標驗證算法有效性.實驗結果如表2，在Zoo數據集上，本文算法比K-Center在聚類準確率r、平均聚類純度purity上效果稍差外，比K-Prototype、DBSCAN均高，可能原因是Zoo包含分類屬性較多，K-Center在處理該類型數據具有優勢.在其他三個數據集上，本文算法均優于K-Prototype、DBSCAN、K-Center算法，效果優良.

表24類算法結果比較

Tab.2 Comparison results of 4 algorithms %

數據集本文算法rpurityK-PrototyperpurityDBSCANrpurityK-CenterrpurityZoo0.8630.9230.6280.7830.7470.7650.9060.946Heart0.8420.9750.5770.7360.7520.8940.5450.741Flag0.7460.8760.5130.7820.5560.8230.6240.824GermanCredit0.8410.9270.7100.8450.7030.8350.7100.876

3.2仿真制造過程

對奇瑞智能化生產車間調研，以某一零部件加工情景進行建模實驗，分析智能設備如何在復雜動態環境下對事件聚類學習、在線實時識別. 關注事件為代加工產品到達、設備運行狀態(溫度、運轉速度、震動頻率)，所處情境約束包括任務類型、電力水平. 參照實際情況生成1 000個時刻的數據分布，圖5中共有兩類情境約束為CT1(Task1,EL1)、CT2(Task1,EL2)，4類情景分別為0到200時刻的一般正常情景、200到500時刻的一般異常情景，500到800時刻的低壓正常情景、800到1 000時刻的低壓異常情景.

圖5 情境數據流

將生成數據轉化不同類型事件，構建情境事件圖譜.運用改進混合聚類進行模式學習，與K-Prototype、K-Center比較，結果如表3.本文算法在r、purity上均優于另外兩種算法，具有良好的聚類效果.同時，由于考慮屬性權重和不同數值類型，在時間上相對其他算法略差，但差別較小，仍具有較好的效率.

表3 算法結果比較

考慮外部環境對事件聚類的影響，對有、無情境約束兩類數據集應用改進算法聚類分析如表4. 在200到500、500到800兩個時間段，物體在溫度、震動等上具有相似數值和分布模式.不考慮任務類型和電力水平，則將它們聚成一類則只得到3個情景模式.與實際情形出現偏差，有一類情景沒有識別出來，導致r、purity較低.實際上，兩個時間段由于電力水平不同，分別為正常電壓下的異常情景和低壓下的正常情景.考慮情景約束，得到4個情景模式與實際相符，顯著提升識別的精度.

表4情境約束下的聚類結果比較

Tab.4 Comparison results of situation clustering in context constraint

算法制造情景準確率r/%聚類純度purity/%聚類數目有情境約束98.599.874無情景約束68.470.213

將原有1 000數據實例擴展到2 000、3 000、4 000、5 000、6 000 5種情形，情景數目仍為4，進行實驗3.如圖6(a)，本文算法不論有無情境約束，時間均隨數據增長而增加但仍在接受范圍內，具有良好的適應性. 圖6(b)中有情境約束時算法需計算情境相似度，增加計算復雜度，整體時間略大于無情境約束.有情境約束的準確率隨數據增長基本穩定，整體準確率明顯高于無情境約束.無情境約束呈現下降趨勢，可能由于聚類知識重疊，出現具有相同狀態值但不同情境的實例.

(a)計算時間

(b)識別準確率

Fig.6 The time and precision rate of the proposed algorithm

4 結 論

1)考慮情境因素對物體狀態變化的影響，構造基于多層次情境約束的事件模型，提出基于同生、情境、協同等事件算子的情景聚合過程.

2)建立物體狀態與環境信息關聯，界定事件的數據區間，構建復雜事件圖譜實例.

3)整合名義、序數和語義距離計算，運用自適應熵權法分配事件權重，提出改進的混合聚類方法進行情景模式學習.

4)真實和仿真數據集實驗均證明本文方法的優勢，驗證情境約束促進事件判斷、情景識別的效果.上述結論為動態環境下的復雜事件處理與情景決策，提供了理論基礎和應用參考.

[1] LI B H, HOU B C, YU W T, et al. Applications of artificial intelligence in intelligent manufacturing: a review[J]. Frontiers of Information Technology & Electronic Engineering, 2017, 18(1):86-96.

[2] TERROSO-SAENZ F, VALDES-VELA M, SKARMETA-GOMEZ A F. A complex event processing approach to detect abnormal behaviors in the marine environment[J]. Information Systems Frontiers, 2016, 18(4):765-780.

[3] BRUNS R, DUNKEL J, MASBRUCH H, et al. Intelligent M2M: Complex event processing for machine to machine communication[J]. Expert Systems with Applications, 2015, 42(3): 1235-1246.

[4] 趙會群, 孫晶, 楊巖坤,等. 復雜事件模式檢測與CEP測試數據生成算法研究[J]. 計算機學報, 2017,44(1):256-272.

ZHAO Huiqun, SUN Jing, YANG Yankun, et al. Study on algorithm of checking event pattern and generating test data for complex event processing[J].Chinese Journal of Computers, 2017,44(1):256-272.

[5] O’DONOVAN P, LEAHY K, BRUTON K, et al. Big data in manufacturing: a systematic mapping study[J]. Journal of Big Data, 2015, 2(1):1-22.

[6] CUGOLA G, MARGARA A. Complex event processing with T-REX[J]. Journal of Systems & Software, 2012, 85(8):1709-1728.

[7] CHONGWATPOL J, SHARDA R. RFID-enabled track and traceability in job-shop scheduling environment[J]. European Journal of Operational Research, 2013, 227(3): 453-463.

[8] YU M, LU R, HONG S H. A real-time decision model for industrial load management in a smart grid[J]. Applied Energy, 2016, 183(12) :1488-1497.

[9] CADENAS J T, MAR, N, N, et al. Context-aware fuzzy databases[J]. Applied Soft Computing, 2014, 25(C):215-233.

[10]ZHU A, GAO R, UCHIDA S. Could scene context be beneficial for scene text detection?[J]. Pattern Recognition, 2016, 58(10):204-215.

[11]LEE O J, JUNG J E. Sequence Clustering-based automated rule generation for adaptive complex event processing[J]. Future Generation Computer Systems, 2016,66(2):100-109.

[12]孫鍇, 高建民, 高智勇, 等. 基于故障圖譜的企業級故障模式識別方法[J]. 計算機集成制造系統, 2015, 21(2): 519-527.

SUN Kai, GAO Jianmin, GAO Zhiyong, et al. Plant-wide fault pattern recognition method based on fault-spectrum[J]. Computer Integrated Manufacturing Systems, 2015, 21(2):519-527.

[13]PATHAK A, PAL N R. Clustering of mixed data by integrating fuzzy, probabilistic, and collaborative clustering framework[J]. International Journal of Fuzzy Systems, 2016, 18(3): 339-348.

[14]GARE, A-LAPRESTA J, LUIS, et al. Ordinal proximity measures in the context of unbalanced qualitative scales and some applications to consensus and clustering[J]. Applied Soft Computing, 2015, 35(C):864-872.

[15]NOORBEHBAHANI F, MOUSAVI S R, MIRZAEI A. An incremental mixed data clustering method using a new distance measure[J]. Soft Computing, 2015, 19(3):731-743.

[16]HSU C C, HUANG Y P. Incremental clustering of mixed data based on distance hierarchy[J].Expert Systems with Applications: an International Journal, 2008, 35(3):1177-1185.

[17]黃海新, 孔暢, 于海斌,等. 自適應特征熵權模糊C均值聚類算法的研究[J]. 系統工程理論與實踐, 2016, 36(1):219-223.

HUANG Haixin, KONG Chang, YU Haibin, et al. Research on adaptive entropy weight fuzzy c-means clustering algorithm[J].Systems Engineering-Theory & Practice, 2016, 36(1):219-223.

Adaptivecontextbasedsituationidentificationbasedoncomplexeventprocessing

REN Lei, REN Minglun

(Key Laboratory of Process Optimization and Intelligent Decision Making of Ministry of Education, Hefei University of Technology, Hefei 230009, Anhui, China)

In the manufacturing process, environmental factors such as tasks, natural conditions, power levels, etc., restrict the state change of objects and their relationships. Intelligent manufacturing units need to adaptively understand and judge events and complex situations under different context constraints, and a adaptive situation identification method based on complex event processing is proposed naturally, to make real-time optimization decision reasonable. In view of the phenomenon that the influence of context constraints on event discrimination is neglected, a context-aware hierarchical event model is built, and new operators of events such as contemporaneity, context and collaboration are given, while manufacturing situation model and aggregation process are proposed. Aiming at the shortage of generating method on situation model in knowledge base, the mapping association between an object and environment data is established firstly, and such sensed information is transformed into context based events. Integrating the distance calculation of ordinal, nominal variable and adaptive entropy weight method, a improved mixed clustering method is put forward to deal with the diversity and relevance of complex event instance attributes, providing service support for real-time situation identification. Finally, 4 real data sets and 1 simulation data set of are employed for manufacturing process. Experiment results have verified the validity and adaption of the proposed model and method in large-scale problem, and expounded that context factors can significantly improve the accuracy of event judgment and situation recognition in complex manufacturing applications.

context constraints; data stream; complex event; situation identification; mixed clustering method

10.11918/j.issn.0367-6234.201705095

TP393

A

0367-6234(2017)11-0171-07

2017-05-17

國家自然科學基金(71531008)；國家自然科學基金面上項目(71271073)

任 磊(1988—)，男，博士研究生;任明侖(1969—)，男，教授，博士生導師

任明侖， renml@hfut.edu.cn

(編輯苗秀芝)