《Decision Analytics Journal》：An automated data-driven simulation framework for digital twin-enabled manufacturing analytics using process mining
编辑推荐：
现代制造系统在高度动态的环境中运行，持续的创新要求广泛的监控和适应。这些系统中的瓶颈对在不中断运行的情况下测试和实施改进构成了挑战。离散事件仿真（Discrete Event Simulation, DES）提供了一种前瞻性的方法论，用于评估复杂系统中的替代方
现代制造系统在高度动态的环境中运行，持续的创新要求广泛的监控和适应。这些系统中的瓶颈对在不中断运行的情况下测试和实施改进构成了挑战。离散事件仿真（Discrete Event Simulation, DES）提供了一种前瞻性的方法论，用于评估复杂系统中的替代方案。然而，DES模型的手工设计通常耗费资源和时间，难以适应动态、快速变化的条件。当前的方法大多是概念性的，并未纳入基于证据的DES模型构建，这限制了其有效性和可扩展性，尤其是在高度可变和持续演变的现代制造环境中。本研究针对手动设计DES环境的复杂性，提出了一个自动化框架——WEFTSIM，该框架直接从制造数据中提取仿真模型。目标是提高DES模型在表征真实世界过程方面的准确性、效率和适应性。评估结合了两种方法：（i）通过系统比较场景性能，对WEFTSIM在自动、数据驱动设计DES模型方面的适用性进行真实案例研究驱动的评估；（ii）通过将所提方法与历史数据进行对比性能分析，进行验证评估，以量化其在表征系统行为方面的保真度。WEFTSIM有效地推导出了紧密反映实际制造操作的DES模型，在活动层面达到了约80%的覆盖率，并且在与观测数据验证时实现了高达90%的高轨迹相似度。该自动化方法减少了手动且耗时的概念化阶段。与现有基准方法的评估表明，WEFTSIM能够自动设计DES模型、检测瓶颈并快速识别改进方案。
**论文解读：基于数据驱动的自动仿真框架赋能数字孪生制造分析**
**研究背景与问题**
现代制造系统面临高度动态和持续创新的挑战，其中瓶颈问题尤为突出，对系统进行测试和改进往往需要中断实际运行，成本高昂。离散事件仿真（Discrete Event Simulation, DES）作为一种前瞻性方法，允许在虚拟环境中评估替代方案，从而避免物理实验的代价。然而，传统DES模型的手工构建过程极为耗时费力，严重依赖建模者的经验，导致模型难以适应快速变化的环境，且其准确性和可靠性存疑。当前的研究多停留在概念层面，缺乏基于证据的、自动化的DES模型构建方法，这限制了其在现代制造环境中的有效性和可扩展性。因此，亟需一种能够自动从实际制造数据中提取仿真模型，从而支持实时、证据驱动的决策支持框架。
针对上述问题，研究人员提出了一种名为WEFTSIM的自动化数据驱动仿真框架，旨在通过过程挖掘（Process Mining）技术，直接从制造事件日志中提取DES模型，实现数字孪生（Digital Twin, DT）赋能的前瞻性制造分析。该研究发表在《Decision Analytics Journal》上。研究得出的核心结论是：WEFTSIM能够自动、高效地构建高度保真的DES模型，在活动层面达到约80%的覆盖率，且轨迹相似度高达90%，显著缩短了模型构建时间，并有效支持了瓶颈检测与改进方案的快速评估。这一成果对于提升数字孪生中智能服务（Intelligence Service, Si）的实现，以及推动数据驱动仿真在制造领域的实际应用具有重要意义。
**关键技术方法**
WEFTSIM框架主要包含两个核心模块：过程发现引擎（Process Discovery Engine, PDE）和过程仿真引擎（Process Simulation Engine, PSE）。关键方法包括：（1）基于改进的稳定启发式挖掘算法（Stable Heuristic Miner），通过统计过程控制原理（如控制图）计算活动和边的上下控制限（Upper Control Limit, UCL; Lower Control Limit, LCL），从事件日志中自动提取统计稳定的参考过程模型，避免主观阈值设定；（2）通过算法将稳定轨迹映射为可执行的仿真工作流，并与领域专家提供的领域知识（如资源能力、时间分布）相结合；（3）采用蒙特卡洛模拟（Monte Carlo Simulation）进行多复制统计分析，评估不同改进方案下的性能指标（如吞吐时间、等待时间、资源利用率）。研究采用了公开的制造事件日志数据集（来自[50]），包含55个独特活动、43种产品和58个资源。
**研究结果**
**4.2.1 基线/现状设置（As-Is）**：通过将事件日志输入WEFTSIM的PDE模块，研究人员提取了夹具生产的统计稳定参考过程模型，揭示了基线状态下的工作流结构。随后，PSE模块基于该模型运行了1000个时间单位的仿真，识别出“质量检查1”（Quality Check1）资源利用率达到100%，成为瓶颈，导致任务排队积压，而多数机器资源利用率较低（如车床22%、磨床28%）。
**4.2.2 识别与比较改进方案**：WEFTSIM通过调整系统参数，提出了四种不同的改进方案，并快速评估了每种方案的影响。
- **改进方案1（降低实体到达率）**：将到达率降低一半后，资源利用率有所平滑，但“质量检查1”的利用率仅降至92%，且在后半段仿真中瓶颈持续存在，系统等待时间未改善。
- **改进方案2（增加瓶颈资源容量50%）**：将质量检查活动的资源容量提升50%，但系统仅在仿真初期保持稳定，随后等待时间显著增加，效果较差。
- **改进方案3（为瓶颈资源增加一名操作员）**：增加一名操作员后，“质量检查1”的过载缓解，但其他资源（如机器15、机器27）出现新的瓶颈，系统等待时间在仿真中期后急剧上升。
- **改进方案4（组合方案）**：结合降低到达率、增加一名质量检查操作员并增加一台“机器15”。结果显示，所有资源均呈现稳定的“上升-下降”排队模式，表明资源容量与需求达到平衡，系统等待时间整体降低，且资源利用率更为均衡（如质量检查1利用率降至56%）。
**4.3 案例研究讨论**：通过对比，方案4表现出最高的整体性能提升。研究人员利用PDE与PSE的双向交互，从仿真数据中提取了代表未来（To-Be）过程模型，实现了前瞻性过程挖掘。该框架能快速检测瓶颈、排队积累和资源利用不足，支持操作层、战术层和战略层的决策。
**4.4 基于统计复制的方案评估**：采用30次独立复制的蒙特卡洛模拟，对方案4进行了统计评估。结果显示，平均吞吐时间为3875.86单位时间，平均等待时间仅为6.57单位时间，资源利用率为0.949，且95%置信区间较窄，表明结果具有统计稳定性和可靠性。
**5. 框架性能评估（基于案例数据）**：通过覆盖率、活动级分析和序列相似度等指标，验证了自动提取仿真模型的保真度。仿真生成了约3000个案例事件，覆盖了33.33%的历史轨迹，活动级转换覆盖率达到79.72%。核心生产活动（如包装、圆磨）的覆盖率为100%。轨迹相似度分析显示，大多数仿真轨迹与历史轨迹的相似度约为0.90。
**6. 框架性能评估（基于其他公开数据集与算法）**：在BPI 2012、2015、2017、2019等多个公开数据集上，WEFTSIM的稳定启发式挖掘算法均取得了高拟合度（>0.8）和高精度（高达1.0），F1分数在0.69至0.97之间，且模型复杂度较低（边数较少）。与经典启发式挖掘器、Alpha挖掘器和归纳挖掘器相比，WEFTSIM在平衡拟合度、精度和模型简洁性方面表现更优，且在仿真环境构建时间上极为高效（平均0.015秒），远低于归纳挖掘器（如BPI 2015上需21分钟）。
**总结与讨论**
**结论**：本文指出现有仿真方法存在问题，如无法适应动态变化、模型过时后需手动重新校准，且手工设计过程不可靠。WEFTSIM框架通过PDE自动提取仿真工作流，PSE集成领域知识运行仿真，实现了反应式与前瞻性仿真分析。评估结果表明，该方法在提供解决方案以解决制造过程低效问题方面更加敏捷，并为数字孪生开发中的预测性和前瞻性分析挑战提供了解决方案。其新颖性在于依赖事件日志中的统计稳定性来发现参考流程，并实现全自动、端到端的数据驱动仿真管道，无需依赖外部仿真工具或主观调参。
**局限性与未来展望**：当前研究仅从数据中自动提取了仿真引擎的4个要素（共14个），未来可扩展至时间分布等实体的自动提取。此外，需要更通用的本体驱动方法集成领域知识，并评估不同应用领域。未来工作将纳入优化函数，以确定最有效的资源利用率，并开发智能体人工智能框架，以支持数字孪生中的自主决策。
