基于双数组trie树的多模式复杂事件检测方法

制造物联网中海量实时数据流急需高效的事件检测与处理方法,高效意味着单位时间内使用较小的存储空间处理更多的输入事件。提出一种基于双数组trie树的多模式复杂事件检测方法,通过构建多模式匹配自动机模型减少查询过程中冗余的检测和计算,并利用双数组trie树充分压缩存储空间,从而提高了复杂事件处理的效率。仿真实验表明,提出的方案相比传统的单模式复杂事件检测,具有较小的空间和时间消耗。

基于大数据的汽配生产过程制造物联网系统设计与研究

汽车零配件生产制造过程,具有多品种、工序繁多、现场实时信息反馈要求高以及质量控制严格等特点,为提高制造过程实时可视化监控、生产过程产品质量监管和全程追溯定位,构建大数据环境下的汽配生产过程制造物联网系统,并对系统架构设计、实现与分析。该系统实现对海量数据采集与管理,以质量预测为关注点,对海量多源异构的工业大数据进行处理分析,利用广义回归神经网络算法对产品质量数据直接建模、进行回归预测研究。实验表明:其预测值与实测值相接近,该系统在生产过程中具有实际应用意义。

制造物联网生产过程工序流波动分析方法研究

制造物联网通过部署大规模传感器节点获取工业生产过程实时状态数据流,利用复杂事件处理方法对生产过程监测产生的大规模数据流进行实时智能分析处理非常有必要,而其中工序流稳定性判断是生产部门关心的重要问题.然而,制造物联网传感器数据流大量存在的固有误差,给工序流稳定性判断带来较大困难.针对该问题,本文定义了概率事件模型并采用一种基于带缓冲的不确定性有穷自动机(NFA with run buffer, r NFA)的概率事件检测方法,提出结合游程检验和灰色系统模型以及bootstrap经验预测的方法对工序流的稳定性做出定量校验.实验结果表明,所提出的方法能够有效检测概率工序流中的生产全局状态,从而在不确定工序流找出较稳定而均衡的工序,给生产线提供改进方向.