基于Petri网可达图的业务对齐方法

为提高过程挖掘中计算最优对齐的效率,提出一种基于Petri网可达图的业务对齐方法。首先,根据给定事件日志,提取其包含的活动子集;然后,将子集中包含的活动映射到变迁,构建花型日志模型;进一步,计算花型日志模型与过程模型之间的乘积模型及其可达图;最后,给出算法在可达图中查找出事件日志中全部迹与过程模型之间基于给定代价函数的一个最优对齐和所有最优对齐。从理论上证明了该方法的适用性与有效性。通过仿真实验,验证了该方法的可行性与优越性。     

基于直接后继关系对齐的过程符合性检测

针对现有的符合性检测方法大都基于单个活动的对齐,且只给出模型与日志的快速匹配方法,存在非块结构模型不敏感的问题,提出一种基于直接后继关系对齐的过程符合性检测方法。首先,根据直接后继关系得到模型与日志相关属性,并以紧邻活动对的方式展现出来。其次,根据基于紧邻活动对的最优对齐算法(AAP),得到轨迹的最优匹配活动对序列,提出基于最小代价的单条迹与模型的拟合度函数,并给出拟合度算法(DFA),计算日志与模型的拟合度。最后使用实际案例对所提方法进行了评估,结果表明:该方法能够正确计算过程模型与日志之间的拟合度,且具有较好的时空复杂度。     

基于Petri网基本结构的相似最优校准计算方法

为了提高事件日志与过程模型之间一致性检查的效率,提出一种基于Petri网基本结构的相似最优校准计算方法。根据网上购物流程建立Petri网模型,计算给定迹与模型之间的所有最优校准。分析发现有些最优校准包含的移动集合完全相同,只是移动出现顺序不同,定义为相似最优校准。通过对相似最优校准的性质进行分析得出定理与推论。定义最优校准相似关系和等价关系,给出了最优校准集合的划分方法,该方法可选取代表项,体现迹与过程模型之间的所有偏差。通过分析四种工作流模式提出多阶段校准算法,用于求解Petri网模型与约束迹之间相似最优校准代表项。仿真实验例证了该相似最优校准方法的正确性和有效性。     

基于行为校验与偏差组合的过程模型修复

模型修复通过对偏差行为的合理调整,改善事件日志与业务流程之间的一致性性能.采用自循环插入方式对日志中可观测的偏差活动进行模型修复,将优先考虑适合度的提升而忽视精度.为获得事件日志与过程模型之间不可回放的行为模式,根据行为关系将其可达活动图表划分为若干个片段并进行服从性校验.利用回放过程中行为模式所产生的最优对齐检测偏差的发生、位置以及潜在行为关系,将具有直接跟随关系的偏差元素构建为可修复的子结构,从而通过减少事件日志中的偏差个数而改善精度.通过实验使用M-repair插件在不同数据集上进行评估,结果表明该方法相较于现存方法在保证适合度的前提下可显著提升精度.     

基于对齐处理与偏差检测的业务流程适合度分析

由于业务流程在实际应用中的多变性及动态性,需要对日志与给定模型之间的服从性进行校验与分析。目前的服从性校验方法主要将日志与模型进行对齐处理以检测整体偏差,但这种全局观测所获得的偏差会影响服从性校验的准确性,因此提出一种新方法对日志和给定模型间的最优对齐进行搜索来分析服从性。首先设定选择子序列划分对齐的种类,并通过对齐搜索算法在不断排除的过程中寻找最小偏差对齐;然后分析同一偏差以不同形式回放于模型子模块中的精度及行为关系确定最优对齐。该方法通过实际业务流程的研究案例及比较实验进行评估,其结果表明准确检测偏差能够明显提高适合度的测量值,并通过分析适合度测量的详细数据得出缩小对齐比较范围可减少计算量的结论。     

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,提出一种基于执行者过程树的双维度遗传过程挖掘方法(BdSm).一方面,使用Induc-tive Miner预挖掘以优化遗传挖掘算法初始种群,达到生成高质量的控制流模型的目的;另一方面提出日志中活动之间距离的度量方法,能有效度量活动在组织层面的相似度,同时使用执行者信息扩充控制流过程模型,基于执行者过程树生成双维度的过程模型.通过模拟日志以及4个公开事件日志集对所提方法进行验证,结果表明,在控制流维度,所提方法能够生成较高综合质量的过程模型,同时借助组织维度信息,还能够发现典型的工作模式及组织结构.     

基于过程模型约束的轨迹乱序事件修复方法

日志的完备性一直是备受关注的问题,系统错误或者人为干预的影响常常会导致系统日志中的时间信息存在错误,使得日志活动之间的次序发生错位,影响后续日志分析流程.此外,现有日志修复方法在处理此类问题时,修复精度和修复效率方面有所不足.由此,提出一种基于A*算法的乱序轨迹修复方法,该方法基于模型约束,通过调整日志中活动之间的位置,可获得一个无乱序问题的最优修复结果,并利用模型分解和日志活动重放技术,有效提升了修复方法的修复效率.实验结果证明,该方法能够有效地对不同类型的乱序日志进行修复,获得了良好的性能表现.     

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。     

基于Artifact生命周期的业务流程一致性检查

为检查业务流程日志中对关键业务数据的操作和预定义模型中的操作是否存在偏差,提出一种基于Artifact生命周期的业务流程一致性检查方法。基于Petri网建立了业务流程关键数据Artifact的生命周期模型。给出Artifact实例日志,采用A*算法查找日志中的Artifact实例轨迹与模型中活动序列的最佳对齐,计算活动—属性关联拟合度。最后,实现了一个原型系统,结果表明以数据为中心进行一致性检查为流程分析和改进提供了有效的方法。     

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。     

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,首先基于日志分析活动的基本行为关系,通过并发交叉关系和循环交叉关系来发现and网关类型和循环类型的隐变迁.然后,根据活动基于日志的最小和最大行为距离寻找可能存在skip类型隐变迁的活动对,进一步分析该活动对基于模型和并发结构的最小行为距离,以发现skip类型的隐变迁,并不断优化初始模型,最终得到带多种类型隐变迁的过程模型.实验结果表明,该方法能正确地发现多类型隐变迁,相对现有隐变迁挖掘方法,所提方法能显著降低模型中冗余隐变迁的个数,同时在不降低模型精确度的前提下,有效地改善了模型的适合度.     

集成质量系统环境下基于过程取证的质量体系运行监管模式

为提升制造企业质量体系运行状态管理的能力,提出了集成质量系统环境下基于过程取证的质量体系运行监管模型。该模型将质量体系监管活动与集成质量管理系统相结合,通过在集成质量系统的相关业务节点嵌入取证代理组件,实现对质量体系运行过程的自动取证与监管,以及质量体系运行状态监管活动的日常化与过程化。建立了集成质量系统运行空间向质量体系监管空间的映射模型,构建了基于可配置检查单的监管业务模型,依托某集成质量系统环境开发了原型系统,并在典型工程环境中进行了验证。     

基于事件工序节点的砂型铸造过程工序碳源构建方法及应用

为了科学合理地应用工序碳源计算和分析砂型铸造生产过程的碳排放量,提出基于事件工序节点的砂型铸造过程的工序碳源构建方法。在工序碳源的基础上,通过分析砂型铸造过程工序状态,建立了砂型铸造过程事件工序节点模型,实现了对工序事件的状态描述。通过所建立的模型,提出基于事件工序节点模型的砂型铸造工序碳源构建方法,将砂型制造生产线工序转换为工序碳源的表示形式,从而实现对碳排放的计算和分析。以某砂型造型生产线为实例,科学规范地构建了该工序节点的工序碳源表达式,针对多个事件的聚合及其应用进行了讨论,为企业实现低碳铸造提供了分析方法。     

基于事件-状态-过程规则的跨组织工作流协同方法

目前跨组织工作流协同建模时,各个组织内业务模型的独立性和隐私性较差,"全局"协同模型的柔性不好,且缺乏描述协作活动之间细粒度操作语义.依据协调理论的思想,提出了一种基于事件-状态-过程规则的跨组织工作流协同方法,其核心是采用事件状态-过程规则形式表达的协同工作流来控制和协调多个组织内业务流程的运行.该方法中的业务工作流程仅曝露需要交互的活动,从而保证了其独立性和隐私性.同时,协同工作流由一系列具有细粒度操作语义的协同活动组成.并且基于事件-状态-过程规则的形式,可进行灵活的定义和删除,具有较好的柔性.     

基于过程挖掘与复杂网络集成的制造过程资源建模与关键加工节点识别

为了解决多任务复杂制造过程中的工作流变异导致的流程和资源的不确定性,进而导致制造资源模型出现实时变化,提出了基于过程挖掘与复杂网络集成的制造过程资源模型,得到了流程与资源信息集成的资源复杂网络模型与分析方法。首先,从制造过程中实时产生的事件日志出发,提出了一种基于统计α算法的过程挖掘算法,解决了制造过程工作流重构问题,可实时发掘实际制造过程中的工作流模型。接着,通过集成过程挖掘算法和复杂网络理论,构建了集流程信息与资源信息于一体的资源网络模型,提出了资源节点与流程节点的关联性分析方法,识别制造过程中的关键加工节点。最后,结合一个复杂的锥齿轮轴-轴承套组件装配过程实例,全面验证了所提出方法在制造过程工作流重构、资源网络模型建模、资源特性分析与关键加工节点的识别上的有效性。     

基于关系矩阵的工作流日志重复任务识别算法

针对传统工作流模型挖掘算法不考虑模型中重复任务的存在,导致挖掘出的模型精确度不高的问题,提出一种基于关系矩阵的重复任务识别方法。通过分析工作流执行日志得到所有事件的前驱后继关系,根据不同的模型结构进行事件重命名,再基于同类别重复事件之间的相似度对重复事件进行聚类得到最优识别结果。实验表明,该方法能正确有效地识别工作流日志中的重复任务,减少模型中的不可见任务,最终提高工作流模型挖掘方法的精确度和可理解性。     

循环并发结构的过程模型修正方法

过程模型描述的行为与事件日志记录的行为之间存在很多偏差,为了使模型可以重演日志中记录的行为,需要对现有模型进行修正。对于存在循环并发结构的模型,现有修正方法得到的模型结构比较复杂,且不能正确地描述活动之间的关系,导致模型精确度较低。因此,针对循环并发结构,提出一种基于逻辑Petri网的动态模型修正方法。基于过程树,提出并发变迁集概念,通过连续日志动作的标识库所集与相应变迁前集之间的关系,进行偏差定位,并根据逻辑Petri网对模型进行动态修正。最后,通过实例验证了所提修正方法的正确性和有效性。     

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。     

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。