英语原文共 13 页

挖掘运输日志以了解造船业的装配后块制造过程

Seung-kyung Lee ^a, Bongseok Kim ^a, Minhoe Huh ^a, Sungzoon Cho ^a,uArr;, Sungkyu Park ^b, Daehyung Lee ^b

关键词：工艺挖掘 工作流程挖掘 运输 制造过程 造船业

摘要

在造船业的装配后块制造过程中，领域专家或工业经理在降低由于工艺设计中未定义的不规则性而导致的间接运输成本方面的第一步有以下问题：“什么任务是瓶颈？#39;#39;和#39;#39;块在仓库中等待多久？#39;#39;我们提供这两个问题的答案。在流程挖掘框架中，我们提出了一种从传输使用历史中自动提取最频繁任务流的方法。考虑到我们的应用程序的特征，我们使用聚类技术来识别异构的流程实例组，然后按组独立地派生流程模型。从现实世界的运输日志中提取的过程模型由领域专家进行验证，并根据其解释进行标记。因此，我们从一个全球流程模型中概念化“标准流程”。此外，从过程实例组派生的局部模型反映了关于块特征的未知上下文。我们提出的方法可以提供概念化的过程模型和过程（或在库存中等待）作为性能指标。为他们的问题提供合理的答案，帮助领域专家更好地理解和管理实际流程。随着我们应用问题的传统方法的扩展，本研究的主要贡献在于我们提出的方法提供了对装配后块制造过程的深入了解，并描述了降低运输成本的第一步。

1.介绍

现代造船通常基于块体施工方法，这种方法是在造船厂中独立预制安装块，然后将它们聚集到码头的船体中。如图所示图。1，装配后的块制造过程是通过一系列任务将装配块转换成安装块的过程，包括检查，预装配，爆破，预涂和预安装（PE）。通过在流程设计中定义的任务序列，使用运输车或浮动起重机在车间之间运输块以执行任务。

在装配后的块制造过程中，理想情况下，块应该从前一个任务的车间运输到车间，仅用于后续任务一次，以便实现最小的运输成本。但是，“正在发生的事情”与“应该做什么”不同，即流程设计（van der Aalst et al., 2003; van der Aalst, Weijter, amp; Maruster, 2004).

在现实世界的情况下，块有时会在车间内不必要地多次运输。一些街区被运往牲畜饲养场，等待处理繁重工作量的车间来处理其他街区。此外，一些区块的运输可能发生在牲畜饲养场内，以便将另一个区块运输到车间以进行后续任务。因此，由于在工艺设计中未定义的这种不规则块运输而导致的间接运输成本是不可忽略的。由于这种运输成本最小化导致了造船业的利润最大化，因此它被领域专家认为是一个关键问题。

然而，这个问题尚未解决，因为难以概念化在大型造船厂运营的过程的现状。关于这一点，领域专家有以下问题：“哪些任务是瓶颈？”和“块在仓库中等待多久？”也就是说，为了减少正在发生的事情和应该做什么之间的差距通过反馈控制，应该认识到后组装块制造过程如何运作并且应该分析其性能（Beckett, Wainwright, amp; Bance, 2000; Negash, 2004).幸运的是，当工人使用运输工具进行区块运输时，他们会手动记录有关车间的信息和装载和卸载区块的时间，并且这些数据已经收集在数据库中。因此，在本文中，从这样的事实出

图 1

S.-k. Lee et al. / Expert Systems with Applications 40 (2013) 83–95

发运输日志等同于事件之间具有依赖性的事件日志，即过程中的任务，我们从过程挖掘方法的角度分析运输日志数据，以便找到上述问题的答案。

过程挖掘是用于从事件日志数据中提取过程模型的一般方法，旨在了解“真正发生的事情”（Reijers等，2007;Tiwari，Turner和Majeed， 2008;van der Aalst等，2003).假设时间排序的事件日志序列（通常称为“历史”，“审计跟踪”，“事务日志”（Reijers等，2007））与块相关，每个块包括任务及其执行的时间，以一种情况的形式收集，其被称为基于过程设计的一个过程实例。在我们的应用程序中，每个案例由唯一的块号标识，即块标识符。换句话说，通过符合流程设计的流程实例处理每个块。通过这种方式，我们将运输日志数据解释为所有块的一组实际任务流，即流程实例，然后从流程挖掘方法的角度导出一个良好描述流程实例的流程模型（Agrawal, Gunopulos, amp; Leymann, 1998; Tiwari et al., 2008; van der Aalst et al., 2003).此外，可以使用关联规则分析来导出表示为有向图的过程模型。因此，最常见的任务流程是在装配后制造过程中“正在发生的事情”。

在我们的应用中，假设形成一艘船的所有区块都是同质的并且它们的任务流程符合独特的工艺设计是不合理的。在与过程挖掘方法相关的大多数研究中，这种假设是非常常见的。因此，传统的过程挖掘方法假设处理所有块是基于一个过程设计，然后从过程实例中提取一个过程模型。然而，正如之前所指出的，可能并不总是可以假设存在单一的工艺设计（Hwang, Wei, amp; Yang, 2004; Tiwari et al., 2008).在我们的应用程序中，覆盖的块船舶的各个部分显然是异质的，并且根据砌块的特性需要不同的工艺设计。与此相关，Greco，Guzzo，Pontieri和Saccagrave; (2004) 使用一种算法来聚类流程实例，以便识别流程实例的不同模式，然后与流程实例的模式分开提取独特的流程模型。通过这种方式，考虑到我们的应用程序的特性，我们还使用聚类技术来识别流程实例组，以便一组中的流程实例彼此更相似，而不是其他组中的流程实例。执行任务。然后，我们分别从流程实例中按组派生实际流程模型。它能够帮助更好地理解和管理与流程监控和控制问题相关的一些异构流程实例模式（Bose, 2006年;Kang, Kim, amp; Kang, 2012).

本文的其余部分安排如下。在节2中，我们基于事件日志数据解释过程挖掘方法。在节3中，我们提出基于运输日志的过程挖掘方法。在节4中，我们提供问题的答案，将提出的方法应用于现实世界的运输日志数据，并与领域专家解释结果。最后，我们在节5中总结了这篇论文.

2.相关工作：基于事件的流程挖掘

流程挖掘方法中的输入被定义为一组实际任务流，即符合流程设计的流程实例，形成按时间排序的事件日志序列（Schimm, 2004).而且，我们假设存在一个过程设计图2作为示例，以讨论基于事件的日志数据。在本文中，该过程呈现为有向图，这是图形导向元模型的最常见形式（Agrawal et al., 1998; Tiwari et al., 2008），虽然有更强大的Petri Net等表示。由于从装配开始的装配后块制造过程与预装配完成相当于一个块的一系列任务，因此任何两个任务都不能同时进行。在代表的过程中图2每个任务和两个任务之间的依赖关系分别表示为两个节点之间的节点和有向边。工艺设计图2从任务A开始，完成任务D.此外，当任务A完成时，选择性地执行任务B或任务C.然后在任务B或任务C完成之后执行任务D.也就是说，由于应用程序中可能的行为模式是排序，选择和迭代，因此有向图可以足够强大地表示这些行为模式，就像在工作中一样。Cook and Wolf (1998)，谁使用有限状态机（FSM）作为起点。因此，本文中的所有过程模型都将以有向图的形式呈现。

图 2

基于过程设计图2，三个块的流程执行历史记录显示为时间排序的事件日志序列表格1.事件日志数据表格1分为三个流程实例。每个流程实例都包含在带有块运输的车间中执行的任务的事件日志。每个事件日志包括最少的信息（块标识符，任务标识符，顺序）van der Aalst等。（2003年）在他们的工作中假设事件的类型，例如，开始事件和完整的事件和研讨会。每个日志中的研讨会信息是执行相应任务的位置，该任务与业务流程挖掘中的执行者信息对称。此外，可以为一项任务举办一些研讨会，例如，研讨会的A1和A2研讨会表格1.在事件日志数据的示例中，有事件日志指示块在堆场中等待具有繁重工作负载的车间。这些事件日志是在流程设计中未定义的违规行为，但实际上发生在造船厂的任何地方。例如，在事件日志7中，块2被运送到堆场。也就是说，在车间A1的任务A完成后（在事件日志6中表示），任务B应该在车间B1中执行。然而，由于块1的任务B是在事件日志4中所示的相同车间B1中执行的，因此块2被强制运输到堆场中，如事件日志7中所示。

流程挖掘方法是一组解决流程挖掘问题的方法，用于从基于事件的数据中提取实际流程模型表格1.定义流程设计是一项非常耗时且容易出错的任务，需要大量的工作对过程的了解（Herbst amp; Karagiannis, 2004; van der Aalst et al., 2003; van der Aalst et al., 2004).因此，已经研究了过程挖掘方法作为一种工具，通过从先前过程执行的日志中捕获过程来简化过程管理系统的引入，或者通过将捕获的过程模型与当前过程设计进行比较来找到改进的空间（Agrawal等，1998).

已经提出了许多过程挖掘算法以解决包括噪声，循环等在内的过程挖掘问题。这些算法可以分为启发式方法，遗传算法方法和基于数据挖掘的方法。大多数算法属于启发式方法，使用“经验法则”，基于对给定应用程序中的过程模式的假设（Tiwari等，2008).此外，遗传算法方法常用于过程挖掘研究（Tiwari et al., 2008).遗传算法是一种模仿自然进化过程的搜索启发式算法（Mitchell, 1996).遗传算法方法中的算法将候选解决方案（即流程模型）编码为用于描述给定流程实例的优化问题，并向更好的解决方案演进（Medeiros amp; Weijters, 2004; van der Aalst, de Beer, amp; van Dongen, 2005; van der Aalst, de Medeiros, amp; Weijters, 2005).人们越来越关注应用数据挖掘和机器学习算法的技术来支持过程挖掘问题（Herbst amp; Karagiannis, 2004).应用这些数据挖掘算法的方法大致分为以下三种方式。首先，作为监督学习方法，Cook and Wolf (1998) 使用人工神经网络（ANN）从给定的当前任务推断下一个任务。第二种方法基于无监督学习方法，该方法将一组对象（即，过程挖掘问题中的过程实例）分配到集群中，使得同一集群中的对象彼此更相似而不是与其他集群中的对象相似。然后通过聚合流程实例的集群来提取流程模型（Greco等，20

资料编号：[5272]