【摘要】：制造過程中的任務(wù)、自然條件、電力水平等環(huán)境因素,制約物體狀態(tài)及其關(guān)系的變化.智能制造單元需要自適應(yīng)的對不同情境約束下的事件和復(fù)雜情形及時理解判斷,提出基于復(fù)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(yōu)化決策.針對忽視情境約束對事件判別的影響,構(gòu)建基于情境約束的多層次事件模型,給出同生、情境、協(xié)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(guī)則生成的不足,通過整合物體數(shù)據(jù)與環(huán)境數(shù)據(jù)建立映射關(guān)聯(lián),將感知信息轉(zhuǎn)化為情境事件圖譜.通過綜合序數(shù)、名義變量等距離計算和自適應(yīng)熵權(quán)法,提出改進(jìn)的混合聚類方法處理事件圖譜實例屬性的多樣性和關(guān)聯(lián)性,構(gòu)建知識庫以為情景實時識別提供服務(wù)支持.運用4個真實數(shù)據(jù)集和1個制造過程仿真數(shù)據(jù)集進(jìn)行實驗,均驗證本文模型和方法的有效性,適用于大規(guī)模學(xué)習(xí)問題,并闡明情境因素能顯著提升復(fù)雜制造應(yīng)用中的事件判斷、情景識別的準(zhǔn)確性.
【圖文】：

低巢蛔?［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(yīng)情景識別方法，通過改進(jìn)混合聚類進(jìn)行模式挖掘和在線實時識別，從而優(yōu)化任務(wù)執(zhí)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(tài)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(shù)據(jù)流決策單元所關(guān)注物體某一屬性狀態(tài)隨時間不斷變化，形成一條不同時刻下的動態(tài)數(shù)據(jù)序列即數(shù)據(jù)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(shè)備轉(zhuǎn)速曲線即是一條t0到tl時刻的動態(tài)數(shù)據(jù)流．!"##$##"##!"#$%&%&’()*+’()*!,-./!#!"!#!$!!0123456%&&2%+圖1情境數(shù)據(jù)流Fig．1Contextbaseddatastream智能單元關(guān)注事物處于動態(tài)環(huán)境中，其屬性值在不同環(huán)境下具有不同分布特征、狀態(tài)變化模式．物體屬性狀態(tài)隨著情境變化而形成時間序列即情境數(shù)據(jù)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(shù)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(zhuǎn)速曲線是一條在兩類情境下的數(shù)據(jù)流．兩類情境的數(shù)據(jù)特征存在差異，(TASK1，EL1)下設(shè)備轉(zhuǎn)速水平明顯高于(TASK1，EL2)，原因是電力水平的高低影響運轉(zhuǎn)速度．具有相同情境約束的不同時刻物體狀態(tài)數(shù)據(jù)構(gòu)成同類情境數(shù)據(jù)流段CSE，描述物體狀態(tài)在同一情境下的數(shù)值分布:CSE={〈v(a1)，ctk〉，〈v(a2)，ctk〉，…，〈v(am)，

夽的數(shù)值，ctk為同類情境約束．圖1中t0到tj的數(shù)據(jù)流為同類情境數(shù)據(jù)流段CSE1，tj到tl是同類情境數(shù)據(jù)流段CSE2．情境是描述物體相關(guān)行為和狀態(tài)變化時所處的環(huán)境信息，可表示為CT:CT=(V，T)．(4)式中:V為情境數(shù)值，T為時間集．制造情境包含任務(wù)、自然環(huán)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(jié)構(gòu)通過有向無環(huán)圖描述H=(CTH，WH)．如圖2，CTH為某一層次情境類，WH

本文編號：2577497