[论文解读] From Internet of Things Data to Business Processes: Challenges and a Framework

Juergen Mangler, Ronny Seiger+13 more|arXiv (Cornell University)|May 14, 2024

Big Data and Business Intelligence被引用 4

一句话总结

本文提出了一种通用的、半自动化的框架，用于将低层次的物联网（IoT）传感器数据转换为适合流程挖掘的高层级业务流程事件。通过将数据抽象划分为八个标准化步骤——从数据离散化到专家指导的事件关联——该框架能够从原始物联网流中推导出流程感知的事件日志，并在智能制造用例中进行了验证，证明其可生成与专家构建的模型相媲美的模型。

ABSTRACT

The IoT and Business Process Management (BPM) communities co-exist in many shared application domains, such as manufacturing and healthcare. The IoT community has a strong focus on hardware, connectivity and data; the BPM community focuses mainly on finding, controlling, and enhancing the structured interactions among the IoT devices in processes. While the field of Process Mining deals with the extraction of process models and process analytics from process event logs, the data produced by IoT sensors often is at a lower granularity than these process-level events. The fundamental questions about extracting and abstracting process-related data from streams of IoT sensor values are: (1) Which sensor values can be clustered together as part of process events?, (2) Which sensor values signify the start and end of such events?, (3) Which sensor values are related but not essential? This work proposes a framework to semi-automatically perform a set of structured steps to convert low-level IoT sensor data into higher-level process events that are suitable for process mining. The framework is meant to provide a generic sequence of abstract steps to guide the event extraction, abstraction, and correlation, with variation points for plugging in specific analysis techniques and algorithms for each step. To assess the completeness of the framework, we present a set of challenges, how they can be tackled through the framework, and an example on how to instantiate the framework in a real-world demonstration from the field of smart manufacturing. Based on this framework, future research can be conducted in a structured manner through refining and improving individual steps.

研究动机与目标

• 解决在工业和服务环境中从低粒度物联网传感器数据中提取有意义的流程事件的挑战。
• 通过支持从传感器流中半自动推导流程事件，弥合原始物联网数据与流程感知分析之间的差距。
• 支持领域专家在无需深入掌握数据工程或流程挖掘知识的情况下，基于物联网数据构建流程模型。
• 提供一个结构化且可扩展的框架，指导将原始传感器数据转换为增强的事件日志以用于流程挖掘。
• 通过一个真实世界的智能制造案例研究，证明该框架的可行性与质量，显示其与专家构建的流程模型高度一致。

提出的方法

• 定义一个通用的8步框架，将原始物联网传感器数据转换为流程感知的事件日志，其中包含抽象与关联步骤，以支持更高层次的事件建模。
• 在步骤1中应用数据离散化，将连续的传感器值转换为离散事件，使用基于时间或基于数值的阈值。
• 根据时间上的接近性和功能相关性，识别传感器组（步骤2），以形成潜在的流程事件聚类。
• 构建拓扑结构（步骤5），通过时间窗口和依赖性分析来建模传感器事件之间的关系，推断事件序列。
• 在步骤3至5中使用统计和机器学习技术（例如相关性分析、聚类）检测传感器事件之间的模式与依赖关系。
• 在步骤6和7中引入专家输入，以优化事件边界、分组与抽象，确保领域相关性与模型质量。

实验结果

研究问题

• RQ1 如何系统性地将低层次的物联网传感器数据抽象为适合流程挖掘的高层级流程事件？
• RQ2 将原始传感器流映射到流程级事件时面临的主要挑战是什么？这些挑战如何通过结构化框架加以解决？
• RQ3 半自动化框架在多大程度上能够生成质量可与专家构建的模型相媲美的流程模型？
• RQ4 该框架如何在真实世界的工业场景（如智能制造）中实例化并验证？
• RQ5 领域专家在优化自动化数据抽象步骤输出方面发挥什么作用？其输入如何被有效整合？

主要发现

• 该框架通过八个结构化且可扩展的步骤，实现了从原始物联网传感器数据到流程感知事件日志的转换。
• 该方法支持半自动化的流程事件推导，减少了对数据工程师的依赖，使领域专家能够指导抽象与关联过程。
• 在智能制造案例研究中，该框架生成的流程模型质量与专家构建的模型相当，验证了其实际应用价值。
• 性能瓶颈主要集中在步骤1（离散化）和步骤4（依赖性计算），尤其是在高吞吐量传感器数据场景下。
• 该框架可适配其他领域（如医疗保健），因为它仅依赖时间序列传感器数据，不依赖特定领域的业务逻辑。
• 在步骤6和7中为专家交互设计用户界面，对于最大化框架实用性与模型准确性至关重要。