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.

地铁列车环境中多依赖复杂事件处理研究

针对多源海量实时数据的复杂事件检测中,原始事件流的分流处理存在事件检测准确率低及效率慢的问题,提出一种基于事件树的复杂事件检测方法。首先给出事件依赖关系的明确定义,然后根据原子事件间存在的多依赖关系生成原子事件树,以事件树为节点构造依赖事件树链表,提升复杂事件处理引擎的有效检测次数,使得事件检测的匹配效率得到提升。同时该方法减少了事件检测过程的内存消耗,提高了事件检测的吞吐量。仿真实验与案例研究证明了提出方法在海量数据处理上的优异性及可行性。