制造物联网是物联网技术同制造业深度融合的新型制造模式和服务模式,它可以提升我国制造企业的竞争力和影响力。这种模式在发展过程中仍然存在许多挑战,如在网络传输方面,资源受限、异构网络融合等严重影响着数据传输的可靠性、实时性;在数据处理方面,由于数据的海量多源、高时空关联、时效性等具有特征,有限存储和计算的限制不足以支撑数据的完全处理。而加工质量实时监控作为制造物联网的可靠服务,需要在单位时间内处理更多的质量数据,从而更快的对质量异常模式进行识别。其中有关质量控制图的国内外研究开始集中在使用人工智能算法进行主动识别,并通过对控制图特征的提取和关键特征的筛选提升识别精度,但仍需考虑不同控制图模式的发生概率来调整分类结构进一步提升识别速度;除此之外,使用复杂事件处理技术从制造数据流中提取质量数据也将进一步提高质量异常在线识别的整体识别速度。因此,本文结合多支持向量机(MSVM)和复杂事件处理(CEP),着力提升制造物联网中质量异常模式在线识别效率,其主要研究工作有如下两个方面:(1)分析智能化质量控制的研究现状和需求,提出了基于优化特征选择和动态组合多支持向量机的生产过程质量异常模式识别模型。采用该模型对生产过程进行异常检测时,采用relief和随机森林算法进行特征选择,把提取后的特征子集作为根据异常模式发生概率动态组合的多支持向量机分类器的输入,并使用粒子群算法对超参数进行优化,最终使用优化后的分类器对质量异常模式进行识别,从而兼顾识别精度和识别速度。(2)使用复杂事件处理技术从制造数据流中提取质量数据,针对数据流中的多个复杂事件查询存在的共享现象,本文提出基于双数组trie树的多模式复杂事件检测方法,构建多模式匹配自动机模型以减少复杂事件处理查询过程中冗余的检测和计算,并利用双数组trie树方法充分压缩存储空间,以更有效地从数据流中提取质量数据。仿真实验表明,本文提出的质量数据提取方案在兼顾检测效率的同时减少一定的空间消耗;质量异常识别模型相比于传统识别方法有更好的识别精度,而其识别结构却更为简单并且随发生概率进行动态调整,有助于在实际应用中提升识别速度。