基于BPMN-DES-RSM-ML融合的智能工业信息系统优化钢铁骨架生产研究

本研究针对钢铁工业中资源分配与成本控制的难题，创新性地整合业务过程模型(BPMN)、离散事件仿真(DES)、响应面法(RSM)和机器学习(ML)算法，构建智能工业信息系统。通过AnyLogic软件模拟伊朗钢铁厂生产流程，采用Bagging模型优化参数，发现硬质合金倒角和小型焊件对成本效益影响显著(P<0.0001)，最终实现利润提升44天达5.87亿伊朗里亚尔，为流程工业提供标准化决策框架。

　　

在制造业数字化转型浪潮中，钢铁行业面临生产效率低下与资源分配失衡的双重挑战。传统生产管理方法难以应对复杂工业流程的优化需求，亟需融合多学科技术的智能解决方案。伊朗某钢铁骨架生产厂的实际案例表明，仅通过经验调整参数已无法满足降本增效需求，特别是硬质合金倒角加工与焊接工序的耗时问题长期制约整体产能。

为此，研究团队开发了一套集成业务过程模型与标记法(BPMN)、离散事件仿真(DES)、响应面法(RSM)和机器学习(ML)的智能工业信息系统。该系统通过AnyLogic软件构建离散事件仿真模型，精准模拟20mm钢板从原料存储到最终涂层的全流程；采用响应面法优化关键参数组合；并引入随机森林(RF)、随机树(RT)和Bagging等ML算法提升预测精度。研究特别关注生产周期与成本敏感因素，通过经济分析验证了方案可行性。

关键技术包括：1)基于AnyLogic的DES建模，模拟钢铁厂全流程；2)RSM优化生产参数空间；3)ML算法性能对比（Bagging模型表现最优）；4)伊朗实际生产数据验证。研究样本来自伊朗钢铁骨架生产线，涵盖切割、焊接、组装等全工序数据。

【Material and methods】
研究采用多阶段方法：首先通过BPMN规范生产流程，建立包含原料存储、切割、焊接等环节的标准化模型；随后运用AnyLogic构建DES模型，模拟不同场景下的资源分配；最后通过RSM确定最优参数组合，并采用ML算法验证模型鲁棒性。

【Results and Discussion】
仿真结果显示，小型硬质合金倒角机(Chamfer)和备用件焊机的P值分别为0.0002和>0.0001，是影响总成本的核心因素。Bagging模型在ML算法比较中表现最优，准确预测了生产周期与成本关系。经济分析表明优化后可在44天内实现5.87亿伊朗里亚尔利润，但需注意生产规模扩大导致的边际效益递减现象。

【Economic analysis】
成本效益分析(BCA)揭示：增加生产列数虽提升绝对利润，但利润成本比下降，主要源于设备维护与工时增加。最优方案平衡了设备配置与人力资源投入，使投资回收期缩短至行业领先水平。

【Conclusions and future works】
该研究首次将BPMN-DES-RSM-ML技术链应用于钢铁结构制造，创建了可扩展的智能决策框架。其创新点在于：1)实现生产流程的数字化孪生；2)通过ML增强传统优化方法的预测能力；3)提供标准化经济评估工具。未来研究可拓展至其他重工业领域，并探索数字孪生(DT)技术的深度集成。

论文发表于《Journal of Industrial Information Integration》，作者Seyed Alireza Mansoori Al-yasin等提出的方法体系为流程工业智能化树立了新范式，其结合仿真优化与数据驱动的思路，对实现《中国制造2025》中的智能工厂目标具有重要参考价值。