1.1 簡單事件
事實上，原始RFID數據可能並沒有精確展示我們所感興趣的事件，而且可能沒有遵守用戶自定義的事件格式。因此，行RFID數據流需要被RFID過濾器處理，比如應用程序級別事件標準[6]，其提供的函數用來過濾和移除不想要的或者多餘的數據，在時間區間中收集數據，以及對數據聚類以減少數據量。處理輸入數據之後的事件，如果提供了直接信息，以及直接觀察到的係統行為，這種事件就是簡單事件。包括入口事件，比如一個標簽在t時刻出現在特定的位置，以及一個t時刻，一個進程處理結束。
1.2 複雜事件
基於RFID簡單事件，複雜事件可以被定義為更單行和高效的使用記錄數據的事件。通過定義簡單事件為有限自動機中的狀態，當一係列狀態發生，如遷移到最後一個狀態的時候，則認為複雜事件發生了[5]。此時可以用如下操作符定義複雜事件：
（1）AND：在一個時間段內，當事件X和Y都發生的時候，複雜事件X AND Y發生；
（2）OR：在一個時間段內，當事件X或Y發生的時候，複雜事件X OR Y發生；
（3）NOT：在一個時間段內，當事件X沒有發生的時候，複雜事件NOT X便發生了；
（4）SEQ：當事件X在事件Y發生之前立即發生的時候，複雜事件X SEQ Y發生。
這裏應注意：複雜事件也可以將操作符應用到其他複雜事件上構造而成。
自動機由一個五元組（Q，Σ，δ，q0，F）構成，Q表示有限非空的狀態集合，Σ為輸入字符表，δ表示自動機Q×Σ→Q的狀態轉移函數，q0為自動機的開始狀態，F為自動機的終止狀態。使用自動機模型可以表示正則表達式，複雜事件的表達式與正則表示式具有一致性，因此，使用自動機模型表示相應的複雜事件表達式。
2 製造係統模型
一般來講，監控係統中肯定有一個事件處理模塊過濾出有用的事件。在本模塊中，首先應用事件過濾器將原始RFID數據轉化為簡單事件的標準形式。接著自動機模塊會利用這些簡單事件和存儲在數據庫中的曆史事件數據構造出複雜事件。所有的事件數據都會存儲在事件數據庫中，HMC模塊會請求這些數據用來預測係統狀態。
關鍵車間或環節的運行一旦出現故障給企業帶來不可估量的損失，也會嚴重影響企業的運行效率。為了預測到可能的故障狀態，提前采取合理的預防措施，需要使用恰當的模型。
由於製造過程本身結構和運行環境的複雜性，得到的複雜事件並不能與係統狀態簡單的一一對應。經典方法如布朗運動、泊鬆過程和馬爾科夫過程等都不能很好的描述製造過程檢測到的複雜事件和係統狀態的關係，而隱馬爾科夫鏈模型可以將觀察序列和隱狀態通過一組概率聯係起來，較好的描述這種雙重隨機過程機製。接下來通過前述DFA模型生成複雜事件，由狀態變遷過程來推斷運行可靠性。
可以用術語狀態或者模型來對製造係統建模。用前述的自動機模型構造的複雜事件可以描述製造係統的狀態，舉例來說，機器2正在第3部分處理任務4，工人2正在視察工作5，機器1發生故障，工作3完成了等。
狀態並不是可以直接觀察到的。可觀察序列由前麵構造的複雜事件提供。除此之外的可觀察對象可能是可以造成狀態轉移的用戶命令或行為。因此，HMM給出了一個製造係統的合適的描述，其中所有狀態都不是可以直接可觀察的。我們要從給定的可觀察對象中估計哪個是活動狀態。另一個替代模型方法是貝葉斯網絡。然而，這種方法使用更為複雜的模型，該模型適用於網絡狀態轉換的一般情況。
由此可見，隱馬爾可夫過程是一個雙重隨機過程，其中一重隨機過程不能直接觀察到，通過狀態轉移概率矩陣描述。另一重隨機過程輸出可以觀察到的觀察符號，這由輸出概率來定義。