基于过程挖掘和机器学习的生产订单剩余时间预测方法

《JOURNAL OF INTELLIGENT MANUFACTURING》:A process mining and machine learning based approach for remaining time prediction of production orders

【字体: 大 中 小 】 时间:2026年02月12日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.7

编辑推荐:

  预测生产订单的剩余时间是制造业中的一项关键任务,尤其对于从事生产计划与控制(PPC)的专业人员而言。这些管理人员在估算对客户的交付承诺时常常面临巨大的不确定性。已有多种技术被应用于应对这一挑战,包括神经网络、时间序列模型和非参数统计方法。在新兴方法论中,过程挖

  
预测生产订单的剩余时间是制造业中的一项关键任务,尤其对于从事生产计划与控制(PPC)的专业人员而言。这些管理人员在估算对客户的交付承诺时常常面临巨大的不确定性。已有多种技术被应用于应对这一挑战,包括神经网络、时间序列模型和非参数统计方法。在新兴方法论中,过程挖掘已被证明在利用事件日志提取业务流程实际执行情况方面尤为有效。本研究引入了一种混合预测模型,该模型将注释转换系统(annotated transition system)与机器学习技术相结合,以提高工业环境中进行中生产订单剩余时间预测的准确性。预测模型的组合是通过优化一个线性规划(linear programming, LP)问题来实现的,该问题旨在最小化总绝对误差。所提出的方法使用合成事件日志和来自一家制造公司的真实数据进行了评估。实验结果表明,在测试场景中,所提出方法在预测精度方面优于所有基准技术。在三种测试产品上,混合模型始终获得最低的平均绝对误差(MAE),相对于基线模型和最新机器学习模型,精度提升高达12%。
**论文解读:基于过程挖掘与机器学习的生产订单剩余时间预测方法**

**研究背景与问题**

在制造业中,生产计划与控制(PPC)是战略核心领域,但管理人员在估算客户交付承诺时面临巨大不确定性,尤其是设备故障、紧急订单插入、在制品(WIP)缺陷积累等意外事件会严重扰乱计划排程,导致生产订单剩余时间产生显著波动。现有剩余时间预测方法存在两大局限:一是多数方法难以有效处理制造过程中常见的活动重复现象,这种重复增加了时间和结构复杂性;二是过程挖掘技术与机器学习模型之间缺乏有效整合,导致解决方案要么过于侧重控制流而缺乏预测功能,要么完全依赖数据驱动模型而忽略过程结构。这些不足促使研究人员开发一种混合框架,将过程挖掘的结构感知能力与机器学习的预测能力相结合,以提高剩余时间预测的准确性和泛化能力。

**研究内容与结论**

研究人员提出了一种基于线性规划(LP)优化的混合预测模型,该模型线性集成一个注释转换系统模型(TSM)与五种机器学习回归器:多元线性回归(MLR)、随机森林回归(RF)、支持向量回归(SVR)、K近邻回归(KNN)和梯度提升回归(XGB)。通过最小化总绝对误差的线性规划目标函数,为每个模型分配最优权重,形成最终预测。研究使用合成事件日志(5种不同重复概率,各1000个案例)和真实工业事件日志(来自data.4tu.nl,包含43种产品、31个活动,但仅选取最频繁的三种产品:Cable Head、Ballnut、Spur Gear)进行实验评估。结果表明,混合模型在所有测试场景中均获得最低的平均绝对误差(MAE),相对于基线模型和最新机器学习模型,精度提升高达12%。该论文发表在《JOURNAL OF INTELLIGENT MANUFACTURING》。

**主要关键技术方法**

研究人员采用以下关键技术方法:(1)基于事件日志的注释转换系统(TSM)构建,通过提取子轨迹并计算剩余时间均值/中位数作为注释;(2)两种事件日志编码方法:二进制编码(忽略活动重复)和重复频率编码(记录活动重复次数),用于机器学习模型输入;(3)五种机器学习回归模型(MLR、RF、SVR、KNN、XGB)的独立训练与超参数手动优化;(4)线性规划(LP)模型,以最小化绝对误差之和为目标,求解各子模型的组合权重(α1至α6,满足非负且和为1);(5)5折交叉验证评估模型性能,使用MAE、均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为指标。样本队列来源:真实工业事件日志从data.4tu.nl公开数据集获取。

**研究结果**

**Artificial logs(人工日志)测试结果**:通过分析人工日志(重复概率0%、5%、10%、15%、20%),研究发现:仅MLR(重复频率编码)表现极差;SVR和BiGRU在重复概率增加时性能改善;基线模型仅在0%重复场景中具有竞争力;混合模型(二进制编码)在MAE方面整体最优,除产品1在20%重复概率时混合模型(频率编码)更优。在RMSE方面,KNN(二进制编码)和MLR(二进制编码)表现最好;在MAPE方面,基线模型、RF和XGB(二进制编码)在存在活动重复时表现最佳。总体而言,大多数模型在无重复时表现良好,但随着重复概率增加,差异显著扩大。

**Real log(真实日志)测试结果**:对真实日志中三种产品(Cable Head CH、Ballnut BN、Spur Gear SG)的测试显示,几乎所有模型(除MLR_B和MLR_R外)的MAE均优于基线。TSM在CH产品上优于所有ML模型,在BN和SG产品上结果混合。编码方式的影响:复杂模型(RF、SVR、XGB)受益于重复频率编码,而简单模型(MLR、KNN)则相反。混合模型在CH和SG产品上显著优于其他模型(基于Hedges效应量分析),在BN产品上差异较小。BiGRU虽然在某些产品上表现良好,但训练时间远超其他模型(例如CH产品上BiGRU验证时间约1200秒,而TSM仅约6秒)。线性规划优化得到的混合模型系数与各子模型的MAE排名高度相关(平均位置差异约1),但XGB例外,表明其正确预测被TSM覆盖,而RF的贡献更具互补性。

**讨论与结论总结**

讨论部分指出,基线模型在简单场景中尚可,但无法处理重复、并发等真实制造特征;混合模型通过整合过程感知结构(转换系统)与数据驱动学习(ML模型),不仅提高了复杂情况下的预测精度,还增强了可扩展性和鲁棒性。LP优化使模型权重动态适应各子模型的相对优势,确保了跨上下文的灵活性。在实际操作中,准确的剩余时间预测支持动态重调度、库存调整和资源分配,尤其在按订单生产(MTO)环境中对客户满意度和财务结果至关重要。框架的模块化设计便于适配新生产环境,开源实现(Python库)促进了可重复性和定制化。局限性包括:混合模型的计算复杂度较高、依赖高质量事件日志、以及某些ML模型对超参数和稀疏数据噪声敏感。未来工作方向包括:扩展到多产品线、集成IoT实时数据流、开发可解释性工具、纳入故障和维护事件、以及考虑概念漂移(concept drift)并实施自适应重训练策略。

**结论(翻译)**:本研究提出了一种混合方法,用于剩余时间预测,该方法整合了过程挖掘技术与机器学习模型。该方法的基础是通过过程挖掘构建的注释转换系统。为补充这一基础,研究人员纳入了五种机器学习算法和两种编码策略,这些共同构成了混合框架的基础。所提出的模型是面向产品的,并针对制造过程的特定特征进行了定制,其中过程轨迹由已执行的活动序列表示,并对不完整轨迹进行预测。所提出方法提供的预测结果令人满意,由精度指标量化。一个好的剩余时间估算可能意味着满足或未满足客户期望之间的差异。考虑到基于注释转换系统的方法,其易用性对制造业专业人员具有吸引力,因为它不需要特定的过程挖掘软件,学习曲线大大降低,且无相关成本。至于机器学习方法,它们比TSM的自动化程度低,需要超参数调整,且性能因编码而异。当至少有两个模型和一个线性规划求解器时,混合方法在吸引力上与基于注释转换系统的方法相当。准确的订单完成时间预测使管理人员能够向客户提供更可靠的交付时间线,提高客户满意度和信任度,并有助于尽早识别潜在延迟,从而采取主动措施。在竞争激烈的市场中,预测能力可能成为关键差异化因素。未来工作将探索整合更多ML模型、纳入故障和维护事件、与排程系统集成、考虑概念漂移,以及扩展事件日志属性(如产品颜色、家族、原材料)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号