基于Spark的并行分布式过程挖掘算法

针对传统的过程发现算法对大规模事件日志挖掘效率低的问题,提出一种利用Spark集群进行加速过程挖掘的方法。该方法主要针对基于日志活动关系的过程挖掘算法,对抽取活动关系阶段进行加速。通过并行分布式抽取活动关系,将事件日志转化为活动关系矩阵。然后利用关系矩阵,按算法原本的后续步骤,挖掘出过程模型。利用Spark实现分布式α-Mine算法和分布式Flexible Heuristic Miner算法,结果表明:所提方法在时间消耗上优于目前最好的算法,挖掘效率明显提升。     

基于轨迹聚类种群的遗传过程混成挖掘算法

遗传过程挖掘算法以模型质量引导模型的发现,在挖掘模型的同时不断修正挖掘算法的执行,因此相比于其他挖掘算法,更容易生成高质量的过程模型。但由于其迭代发现的特性,对于大型日志,挖掘效率往往较低且生成模型质量不高。针对以上问题,提出一种基于轨迹聚类种群的遗传过程混成挖掘算法(GMTC)。该算法一方面通过轨迹聚类划分事件日志,简化挖掘环境,再使用归纳挖掘算法对事件日志进行预挖掘,为遗传挖掘算法准备高质初始种群;另一方面优化遗传算子,使用对齐日志得到的模型偏差信息指导突变操作,使得突变操作由随机变为有向,从而有效地提高种群的综合质量,使遗传挖掘算法加快收敛。基于过程日志生成器生成模拟日志、某市政府建筑许可申请过程的真实日志以及6个公开数据集的实验结果表明:基于轨迹聚类种群的遗传过程混成挖掘算法相较于其他挖掘算法不但在挖掘效率方面有较大提升,而且挖掘得到的模型质量也能够达到较高的水平。     

支持复杂结构的混成过程挖掘方法

为解决传统过程挖掘算法在处理蕴含复杂结构的海量日志时的低效低质问题,提出一种支持复杂结构的混成过程挖掘方法。该方法首先将事件日志转化为具有发生次数的直接后继图,以支持活动间基本关系的判定;通过过程树对已发现的两两活动间的基本关系进行抽象与合并,进而对日志进行更新,反复迭代直到整个日志中的所有具有基本关系的活动被全部发现。若待发现模型由基本块组成,则挖掘结果为基于块的过程模型;若待发现模型包含复杂结构,则通过混成使用基于区域的方法对复杂结构进行发现。最终利用活动重构操作对挖掘结果中已抽象为过程树的部分进行细化,从而获得最终结果。为了进一步提升挖掘效率,还提出并行化的发现与重构方法。大量基于真实数据的实验结果表明,该方法的挖掘效率和挖掘精确度达到了较好的水平。     

可解决多种复杂任务的过程挖掘算法

为解决事件日志中含有循环任务、重复任务和同一任务的过程挖掘问题,进一步优化企业建模方法,改进了α算法,提出了τ算法.该算法重新定义了任务之间的关联关系,提出启发式判定规则,识别出事件日志中所包含的循环任务、重复任务和同一任务;然后对事件日志进行挖掘,提取出工作流网,并还原挖掘预处理阶段重命名的重复任务和删除的单循环任务,从而得到最终的工作流模型.最后,通过实例验证了τ算法的正确性.     

基于Petri网的分层业务过程挖掘方法

已有的过程挖掘方法通常以事件日志为输入,挖掘得到扁平过程模型,然而这些方法并不能很好地支持任务之间嵌套关系的识别和分层过程模型的挖掘。由此,提出一种从带有任务生命周期信息的事件日志中识别任务之间嵌套关系,进而挖掘分层业务过程模型的方法,挖掘得到的模型用分层Petri网来描述。在分层过程模型的基础上,给出了模型质量度量方法。为了提高所提方法的通用性和对事件日志中的噪声和低频行为的处理,定义了基本任务关系的频次和频率,并引入噪声阈值来过滤低频关系。所提方法均已在开源过程挖掘平台ProM工具中实现。基于仿真日志数据和真实日志数据,定量比较了所提方法与已有过程挖掘方法挖掘模型的质量,进一步验证了本文方法针对分层业务过程模型挖掘的优势。     

关系数据库中事件日志的紧邻关系高效挖掘方法

关系数据库作为企业管理数据的主要工具,在信息系统运行过程中记录下大量事件日志。传统的流程挖掘技术主要处理用文件存储的XES格式日志数据,每次挖掘任务都需要手工从数据库导出最新日志文件,整个过程操作十分繁琐,且无法充分利用关系数据库强大的数据处理能力。针对该问题,研究了面向关系型日志数据的流程挖掘策略与算法。针对关系数据库中储存的大规模事件日志,利用关系数据库的快速排序能力,提出一种挖掘流程任务之间紧邻关系的近似线性挖掘算法,提高了关系型事件日志的流程挖掘效率。该算法对业务数据库侵入性小,具有较好的通用性。该算法已在开源软件平台ProM上实现,通过基于大规模事件日志的对比实验验证了该方法的高效性。     

基于事件日志增强的时序活动表示学习方法

传统业务流程建模与分析任务中通常将活动表示为离散符号,损失了一定的语义信息。针对这一问题,提出了时序活动表示学习方法,使用多维实数向量对活动语义进行量化表示,为深度学习等现代人工智能技术在业务流程建模与分析中的应用提供基础支持。首先利用过程模型对事件日志的高层次抽象能力,通过过程模型挖掘及仿真对原始事件日志进行增强,扩大事件日志规模并强化活动关系统计信息;然后设计了融合活动关系和执行时间信息的向量表示学习算法,从增强后的事件日志中学习活动向量表示。通过在一个公开的真实医院诊疗日志语料上开展的实验研究验证了所提方法相比于传统的词向量学习方法具有明显优势。     

基于MapReduce的海量事件日志并行转化算法

随着大数据时代的来临,为了高性能地转化海量分布式日志,提出事件日志在云平台上基于MapReduce架构的分布式转化算法.提出基于案例拆分的改进算法,以转化单机上的日志,使其变得可行;进一步提出基于MapReduce的并行转化算法.这是在过程挖掘领域中首次实现从海量原始日志到可扩展事件流事件日志的并行转化,极大地提高了转化性能.     

基于行为距离的带隐变迁过程模型挖掘方法

过程发现的目的是基于记录在事件日志中的业务过程的执行数据发现过程模型,由于一些原因导致过程模型中可能会出现隐变迁,而这些隐变迁的执行又不出现在事件日志中,因此隐变迁的挖掘是过程挖掘的难点之一.已有隐变迁挖掘方法对解决并发结构中的隐变迁存在不足,且可能出现一些冗余的隐变迁.基于此,提出一种带隐变迁的过程模型挖掘新方法,首...     

基于执行者过程树的双维度遗传过程挖掘方法

事件日志记录数量众多的事件,不仅包含与活动控制流相关的内容,还记录有关活动执行者的信息,即组织维度信息.控制流发现算法从事件日志中自动构建控制流过程模型,组织维度发现算法则构建社交网络模型.如果能合并两种维度,在同一个模型中进行展示,则能够提供更完整的过程组织视图,有助于更准确地对过程以及组织进行分析.因此,提出一种基...     

一种新的工作流模型挖掘算法

为提高工作流模型挖掘技术的准确性，提出了一种新的工作流模型挖掘方法。首先，阐述了工作流模型直接依赖矩阵的定义，并利用工作流日志建立了直接依赖矩阵的算法，设计了一种基于直接依赖矩阵的模型自动生成算法。给出的模型实例表明了这种方法在提高模型准确率与描述能力等方面的优势所在。     

基于Memetic算法的车间动态调度策略研究

针对车间动态调度问题的求解,提出了一种基于Memetic算法的车间动态调度策略。该策略结合滚动窗口机制,并采用基于周期和事件的混合驱动策略,运用Memetic算法对每个滚动窗口工件集进行重调度。该算法采用顺序交叉算子和基于邻域搜索的新型变异算子,在交叉和变异后均采用改进的模拟退火策略进行局部搜索。通过对改进后的基准实例进行实验,验证了该策略的有效性。
     

基于过程日志的业务过程自动化建模方法设计

提出了一种基于马尔可夫转移矩阵的过程挖掘方法.在该方法中,业务过程被看作是一条有限齐次的马尔可夫链.基于日志建立转移矩阵,定义基本过程逻辑关系的挖掘规则,并据此规则设计了挖掘算法.此外,将过程形式化表示算法的设计从过程挖掘算法中分离出来,可以满足同一过程的不同形式化表示的需要,具体给出了基于工作流网的过程形式化表示算法.     

结合混合进化算法和知识的多目标车间调度

提出了一种结合混合进化算法和知识的新型多目标车间调度方法,在有限的时间或迭代次数下可以得到更好的非支配Pareto解以服务于生产调度。由优化目标和属性归纳演绎法确定了知识挖掘的工件属性,通过优先级权重得到了规则初始种群。所提出的增减排序方法通过重新局部排序初始种群中工序的位置来克服优先级下工序不足或过饱和的问题。最后由一标准案例和非支配排序遗传算法-Ⅱ(NSGA-Ⅱ)混合模拟退火算法对所提调度方法进行了验证,得到的结果无论是优化目标值还是解集的分布在不同迭代次数和初始种群尺寸下都要优于传统随机进化方法。     

面向快速工艺准备的闭环工作流管理系统的研究

为提高军工制造企业工艺准备的响应速度,给出了一种基于流程挖掘及结果反馈的闭环工作流管理系统,用于支撑工艺一准备的流程控制.研究了该系统的框架、内部结构及各模块(特别是流程组织挖掘模块)的交互方式.运用活动一资源关系挖掘算法,对工作流运行日志进行了基于组织角度的挖掘.为优化工艺准备系统的任务分配,运用基于流程挖掘结果的反馈算法,对系统的资源组织进行了处理.同时,采用基于社会网络分析技术处理挖掘数据,以帮助优化资源组织结构.最后,采用.NET技术进行了系统实现,并基于该系统进行了一些验证实验.     

基于对象建模技术的事件驱动过程仿真技术研究

应用离散事件方法建立事件驱动的过程仿真概念模型；提出一种由事件驱动的过程仿真概念模型向基于对象建模技术的过程仿真模型的转换方法，从而提高了仿真模型向计算机可执行程序转换的能力；提出过程仿真系统的体系结构，并在此基础上开发了过程仿真系统，在实际中得到了初步应用。     

基于工作流挖掘的质量管理过程改进研究

为满足质量管理体系持续改进的要求,提出了基于工作流过程挖掘的质量管理过程改进方案.该方案包括过程日志预处理、过程活动控制图重构和活动转移条件生成3步,其中过程活动控制图的重构是核心.设计了一种启发式算法,以时间段建模活动的执行过程,将两活动执行时间段关系划分为不相交、部分相交和包含3种,并在此基础上设计启发式规则,搜索过程日志中蕴含的活动前序关系,解决了包含复杂的策划-实施-检查-处置循环结构的质量管理过程控制图的重构问题.最后,以质量外审意见处理流程的改进为例,对算法进行了说明和分析.     

Data mining algorithm for manufacturing process control

In this paper, a new data mining algorithm based on the rough sets theory is presented for manufacturing process control. The algorithm extracts useful knowledge from large data sets obtained from manufacturing processes and represents this knowledge using “if/then” decision rules. Application of the data mining algorithm developed in this paper is illustrated with an industrial example of rapid tool making (RTM). RTM is a technology that adopts rapid prototyping (RP) techniques, such as spray forming, and applies them to tool and die making. A detailed discussion on how to control the output of the manufacturing process using the results obtained from the data mining algorithm is also presented. Compared to other data mining methods, such decision trees and neural networks, the advantage of the proposed approach is its accuracy, computational efficiency, and ease of use.     

基于灰狼算法的矿用自卸车油气悬架半主动控制

为解决矿用自卸车乘坐舒适性与道路友好性相矛盾的问题,提出了一种可控阻尼阀式半主动油气悬架系统。搭建了包含摩擦力的油气弹簧AMESim物理模型,建立了可控阻尼阀的多项式力学模型;设计了一种以可控阻尼阀驱动电压为半主动控制对象的改进天棚控制策略,并基于灰狼优化算法对改进天棚策略关键控制参数进行优化。联合仿真结果表明：D级随机路面下,半主动油气悬架的车身加速度相比被动悬架减小了11.4%,而轮胎动载荷仅增加了1.1%,相比传统天棚控制策略,更好地兼顾了矿用自卸车的乘坐舒适性和道路友好性。硬件在环试验结果也验证了该控制策略的有效性和可行性。     

应用复合进化算法的叶栅气动优化设计方法的研究

采用结合进化算法和单纯形法的复合进化算法为优化算法,对跨音速轴流压气机叶栅进行气动优化设计。气动性能评价采用Reynolds平均Navier Stokes方程求解技术,采用Baldwin Lomax紊流模型封闭求解的方程。优化设计目标是最大化静压比。设计变量是叶栅型线的Bezier曲线控制点坐标。优化设计结果表明优化设计得到的叶栅具有高静压比和良好的气动性能,同时证明了复合进化算法是一种高效寻优算法。