復(fù)雜事件處理的自適應(yīng)制造情景識(shí)別方法
發(fā)布時(shí)間:2020-02-08 11:17
【摘要】:制造過(guò)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(duì)不同情境約束下的事件和復(fù)雜情形及時(shí)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(shí)別方法,以實(shí)時(shí)作出合理的優(yōu)化決策.針對(duì)忽視情境約束對(duì)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(guò)程.針對(duì)情景識(shí)別知識(shí)庫(kù)中模式規(guī)則生成的不足,通過(guò)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(guò)綜合序數(shù)、名義變量等距離計(jì)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(shí)例屬性的多樣性和關(guān)聯(lián)性,構(gòu)建知識(shí)庫(kù)以為情景實(shí)時(shí)識(shí)別提供服務(wù)支持.運(yùn)用4個(gè)真實(shí)數(shù)據(jù)集和1個(gè)制造過(guò)程仿真數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),均驗(yàn)證本文模型和方法的有效性,適用于大規(guī)模學(xué)習(xí)問(wèn)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(shí)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(guò)程中,提出基于情境約束的自適應(yīng)情景識(shí)別方法,通過(guò)改進(jìn)混合聚類進(jìn)行模式挖掘和在線實(shí)時(shí)識(shí)別,從而優(yōu)化任務(wù)執(zhí)行決策活動(dòng).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(guò)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(shí)間不斷變化,形成一條不同時(shí)刻下的動(dòng)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(shí)刻屬性值.如圖1中設(shè)備轉(zhuǎn)速曲線即是一條t0到tl時(shí)刻的動(dòng)態(tài)數(shù)據(jù)流.!"##$##"##!"#$%&%&’()*+’()*!,-./!#!"!#!$!!0123456%&&2%+圖1情境數(shù)據(jù)流Fig.1Contextbaseddatastream智能單元關(guān)注事物處于動(dòng)態(tài)環(huán)境中,其屬性值在不同環(huán)境下具有不同分布特征、狀態(tài)變化模式.物體屬性狀態(tài)隨著情境變化而形成時(shí)間序列即情境數(shù)據(jù)流CSS:CSS={〈v(a1),ct1〉,〈v(a2),ct2〉,…,〈v(an),ctn〉}.(2)式中:v(aj)為第j時(shí)刻情境約束ctj該物體屬性a的數(shù)值,ctj為第j時(shí)刻情境值.如圖1中,t0到tj的情境為(TASK1,EL1),,tj到tl的情境為(TASK1,EL2),轉(zhuǎn)速曲線是一條在兩類情境下的數(shù)據(jù)流.兩類情境的數(shù)據(jù)特征存在差異,(TASK1,EL1)下設(shè)備轉(zhuǎn)速水平明顯高于(TASK1,EL2),原因是電力水平的高低影響運(yùn)轉(zhuǎn)速度.具有相同情境約束的不同時(shí)刻物體狀態(tài)數(shù)據(jù)構(gòu)成同類情境數(shù)據(jù)流段CSE,描述物體狀態(tài)在同一情境下的數(shù)值分布:CSE={〈v(a1),ctk〉,〈v(a2),ctk〉,…,〈v(am),
夽的數(shù)值,ctk為同類情境約束.圖1中t0到tj的數(shù)據(jù)流為同類情境數(shù)據(jù)流段CSE1,tj到tl是同類情境數(shù)據(jù)流段CSE2.情境是描述物體相關(guān)行為和狀態(tài)變化時(shí)所處的環(huán)境信息,可表示為CT:CT=(V,T).(4)式中:V為情境數(shù)值,T為時(shí)間集.制造情境包含任務(wù)、自然環(huán)境、時(shí)空信息等.情境具有時(shí)變性,不同時(shí)刻形成情境序列流CTS=(ct1,ct2,…,ctn),cti為第i時(shí)刻情境值.情境具有層次性,高層抽象情境是底層情境的泛化表示,情境層次結(jié)構(gòu)通過(guò)有向無(wú)環(huán)圖描述H=(CTH,WH).如圖2,CTH為某一層次情境類,WH
本文編號(hào):2577497
【圖文】:
低巢蛔?[11],將多層次情境考慮到事件理解過(guò)程中,提出基于情境約束的自適應(yīng)情景識(shí)別方法,通過(guò)改進(jìn)混合聚類進(jìn)行模式挖掘和在線實(shí)時(shí)識(shí)別,從而優(yōu)化任務(wù)執(zhí)行決策活動(dòng).1基于情境約束的多層次事件模型多層次情境制約物體狀態(tài)變化和事件判別,給出情境約束的事件模型和基于事件聚合的情景演算過(guò)程.1.1情境數(shù)據(jù)流決策單元所關(guān)注物體某一屬性狀態(tài)隨時(shí)間不斷變化,形成一條不同時(shí)刻下的動(dòng)態(tài)數(shù)據(jù)序列即數(shù)據(jù)流DS:DS={v(a1),v(a2),…,v(an)}.(1)式中:a為物體屬性,v(ai)為第i時(shí)刻屬性值.如圖1中設(shè)備轉(zhuǎn)速曲線即是一條t0到tl時(shí)刻的動(dòng)態(tài)數(shù)據(jù)流.!"##$##"##!"#$%&%&’()*+’()*!,-./!#!"!#!$!!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(dòng)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(shí)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(shí)刻情境約束ctj該物體屬性a的數(shù)值,ctj為第j時(shí)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(yùn)轉(zhuǎn)速度.具有相同情境約束的不同時(shí)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(shí)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(shí)間集.制造情境包含任務(wù)、自然環(huán)境、時(shí)空信息等.情境具有時(shí)變性,不同時(shí)刻形成情境序列流CTS=(ct1,ct2,…,ctn),cti為第i時(shí)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(guò)有向無(wú)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(hào):2577497
本文鏈接:http://sikaile.net/kejilunwen/ruanjiangongchenglunwen/2577497.html
最近更新
教材專著