【技术实现步骤摘要】
本专利技术属于业务流程管理，具体涉及一种基于遗传算法的生产业务流程超时异常处理方法。
技术介绍
1、在当今快速变化的商业环境中，生产业务流程的效率和可靠性对于企业的竞争力至关重要。生产业务流程中的超时异常，即任务实际完成时间超过预定期限，可能导致资源浪费、成本增加、客户满意度下降，甚至影响企业声誉。因此，对生产业务流程进行有效的超时异常处理是制造业面临的一大挑战。传统的生产业务流程超时异常处理方法主要依赖于人工经验进行决策，这些方法往往缺乏系统性和科学性。例如，当检测到超时风险时，可能采取简单的加班或增加临时资源的方式应对，但这些措施可能带来额外的成本，且无法从根本上解决问题。此外，传统方法难以预测和识别潜在的超时风险，往往在超时发生后才采取行动，缺乏预防性。
2、因此，迫切需要一种更为智能化、自动化的超时异常处理技术，能够准确预测生产业务流程中的剩余执行时间，及时识别潜在的超时风险，在检测到超时风险时，能够自动进行资源的优化配置，以最小化成本并确保任务按时完成。此外，不仅关注单个任务的执行，而且从整体上优化生产业务流程，提高资源利用率和生产效率。
技术实现思路
1、本专利技术提出一种基于遗传算法的生产业务流程超时异常处理方法。首先对生产业务流程的事件日志进行去重、错误修正、缺失值处理等操作，确保事件日志的准确性和完整性；然后从预处理后的事件日志中提取与时间和活动相关的特征，这些特征为双向长短期记忆网络(bi-directional long short-term me
2、一种基于遗传算法的生产业务流程超时异常处理方法，包括以下步骤：
3、1)输入生产业务流程事件日志以及每个案例执行的规定时间；
4、2)预处理事件日志数据，包括事件日志去重、错误修正、缺失值处理、时间格式统一、数据类型转换：
5、2.1)去重。检查事件日志中的重复记录，对于完全相同的记录进行删除，以避免在分析中产生偏差；
6、2.2)错误修正。识别和修正事件日志中的错误或不一致性，如时间戳的错误、任务id的拼写错误等；
7、2.3)缺失值处理。对于事件日志中缺失的任务持续时间，使用历史数据中的均值进行填充；
8、2.4)时间格式统一。将所有时间数据统一转换为时间戳格式：tstamp＝torigin-tepoch，其中，tstamp是从特定起始时间tepoch(unix时间戳的1970年1月1日)开始计算的时间戳，是原始时间记录；
9、2.5)数据类型转换。确保所有数据都是正确的数据类型，其中时间戳应该是整数类型，任务持续时间可以是浮点数类型；
10、3)对事件日志提取特征，得到一组特征集，这些特征集作为bilstm的输入，为模型提供丰富的信息，帮助其更好地预测剩余时间：
11、3.1)活动持续时间的标准差
12、
13、其中n是活动发生的次数，xi是当前案例中第i个活动的持续时间，μ是所有活动持续时间的平均值；
14、3.2)活动持续时间的最大值max＝max(x1,x2,…,xn)；
15、3.3)活动持续时间的最小值min＝min(x1,x2,…,xn)；
16、3.4)活动持续时间的平均值，即所有活动持续时间的总和除以活动个数：
17、
18、3.5)活动在一天中不同时间段的持续时间分布，首先将时间分为24个时间段，每个时间段对应一个小时。然后，计算每个时间段内活动的持续时间总和distribution＝{c1,c2,…,c24}，其中ct是在时间段t内活动的持续时间总和；
19、3.6)依赖活动的数量，指的是某个活动a所依赖的其他活动的数量。对于每个活动a，其依赖活动的数量nda可以通过计算指向活动a的边的数量来得到：nda＝|{e∈e|e的目标节点是a}|；
20、3.7)被依赖活动的数量，被依赖活动的数量是指依赖于活动a的其他活动的数量，对于每个活动a，其被依赖活动的数量nida可以通过计算从活动a出发的边的数量来得到：nida＝|{e∈e|e的起始节点是a}|；
21、4)构建bilstm模型，其中输入层神经元数量与特征向量的维度相同，隐藏层采用单层bilstm结构，由两个lstm组合而成，一个是正向去处理输入序列，另一个反向处理序列，处理完成后将两个lstm的输出拼接起来得到向量拼接结果，输出层的神经元数量为1，对应预测的剩余时间。在bilstm层中，每个单元的输出可以表示为：
22、ht＝tanh(whhht-1+wxhxt+bh)
23、其中，ht是在时间t的隐藏状态，xt是输入特征向量，whh和wxh是权重矩阵，bh是偏置项；
24、5)bilstm模型训练与预测，使用进行提取特征的事件日志对bilstm模型进行训练，模型的训练目标是最小化预测剩余时间与实际剩余时间之间的误差，采用均方误差作为损失函数：
25、
26、其中，n是训练样本的数量，yi,pred是模型预测的剩余时间，yi,actual是实际的剩余时间,使用adam优化器进行参数优化，学习率α设定为0.001，通过反向传播算法更新模型参数。模型训练完成后，使用测试集评估模型性能，并对当前执行的生产业务流程进行剩余时间预测；
27、6)将bilstm模型预测到的剩余时间与当前案例未执行部分的规定执行时间进行比较，判断是否会超时，若不会超时则结束，否则转到步骤7)；
28、7)引入遗传算法，通过选择、交叉、变异等操作来对当前案例未执行部分进行资源再分配，得到最优的资源再分配方案，重新进行剩余时间的计算：
29、7.1)设计遗传算法的染色体表示方法，其中染色体的每个基因采用二进制表示，即可以在0和1之间取值，表示一个资源是否可以被分配给一个特定的任务；
30、7.2)设计适应度函数f，用于确定每个资源分配方案的有效性：
31、f＝w1·ravg+w2·savg-w3·(tpred-tthres)
32、其中，tpred是预测的剩余时间，tthres是当前案例未执行部分的规定执行时间，w1、w2、w3是权重系数，用于平衡不同因素的重要性；ravg是所有资源的平均利用率，savg是所有资源的平均剩余量，计算方式如下：首先创建两个列表t执行和t容量，t执行用于存储每个资源的总执行时间，t容量用本文档来自技高网...
【技术保护点】
1.一种基于遗传算法的生产业务流程超时异常处理方法，该方法包括：
2.如权利要求1所述的一种基于遗传算法的生产业务流程超时异常处理方法，其特征在于，步骤2)具体如下：
3.如权利要求1所述的一种基于遗传算法的生产业务流程超时异常处理方法，其特征在于，步骤3)具体如下：
4.如权利要求1所述的一种基于遗传算法的生产业务流程超时异常处理方法，其特征在于，步骤7)具体如下：
【技术特征摘要】
1.一种基于遗传算法的生产业务流程超时异常处理方法，该方法包括：
2.如权利要求1所述的一种基于遗传算法的生产业务流程超时异常处理方法，其特征在于，步骤2)具体如下：
3.如权利要...
【专利技术属性】
技术研发人员：王佳星，余益丰，卢成梁，曹斌，范菁，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。