挖掘一次性高平均效用事件序列(MAUE)在工业流程日志分析中的创新应用

针对传统高效用事件序列(HUE)挖掘忽略事件长度和动态效用的问题，研究人员提出一次性高平均效用事件序列(MAUE)挖掘方法。通过数据库重构、候选序列生成和平均效用计算三大模块，开发MAUE-Miner算法，采用SeqExtraction策略和效用上界剪枝技术，在工业日志中成功识别高废品率路径，为生产优化提供数据支撑。

　　

在工业4.0时代，生产流程产生的海量事件日志隐藏着关键的质量控制线索。传统的高效用事件序列(HUE)挖掘方法存在明显局限：一方面，长事件序列天然具有效用累积优势，可能掩盖短序列的真实价值；另一方面，假定事件效用恒定不变，这与实际生产中机器损耗、原料波动等动态因素相矛盾。这些缺陷使得HUE方法难以精准识别导致高废品率的真实生产环节组合。

为解决这一工业痛点，中国某高校研究团队在《Future Generation Computer Systems》发表创新研究，提出一次性高平均效用事件序列(MAUE)挖掘框架。该研究突破性地引入事件长度归一化和动态效用追踪机制，开发出MAUE-Miner算法。通过重构数据库的SeqExtraction策略、基于效用上界的剪枝技术，以及结合深度优先搜索的事件索引方法，显著提升挖掘效率。实验证明该算法在真实工业日志中能准确锁定高废品率路径，如成功识别出"T→F"机器组合的异常风险，为流程再造提供量化依据。

关键技术方法包括：1) 数据库重构模块采用序列提取(SeqExtraction)策略优化事件搜索；2) 候选生成模块利用效用上界(UBU)实现早期剪枝；3) 平均效用计算模块基于深度优先搜索(DFS)和事件索引加速查询。所有实验数据均来自真实工业生产线日志。

研究结果部分显示：
• 数据库重构：通过时间戳重排和效用动态映射，将原始日志转化为带时效用的事件序列，支持变长事件分析。
• 候选剪枝：设计的上界效用公式UBU(α)=∑u_i×maxocc有效过滤低潜力序列，较传统方法减少38%计算量。
• 效用计算：采用事件索引的DFS策略，使F→T→P序列的查询效率提升5.7倍。工业案例证实算法能发现导致废品率激增的[16,18]时间窗异常。

结论表明，MAUE-Miner首次实现动态效用与长度归一化的协同分析，在汽车零部件生产线测试中准确率达92%。相比HUE方法，其发现的优化方案使废品率降低23%。该研究不仅为工业物联网提供新型分析工具，其事件索引机制更为医疗日志、金融交易等时序分析开辟新思路。论文作者Zhihong Dong、Jing Liu和Youxi Wu特别指出，未来将探索基于强化学习的效用动态预测模型，进一步提升算法在波动环境中的稳定性。