Methods of process mining and prediction using deep learning

• Autorzy: Cieplak Tomasz , Rymarczyk Tomasz , Kłosowski Grzegorz , Maj Michał , Pliszczuk Damian , Rymarczyk Paweł

Identyfikatory

DOI

10.15199/48.2021.03.28

Warianty tytułu

PL

Metody eksploracji i prognozowania procesów z wykorzystaniem głębokiego uczenia

• Języki publikacji: EN

Abstrakty

EN

The first part of the article presents analytical methods to understand how processes (security or business) occur and function over time. The second part presents the concept of a predictive system using deep learning methods that would enable the prediction of subsequent operations or steps that are part of the process under consideration. The article was supplemented with a review of scientific publications related to the content and theoretical foundations were provided. The research was of an applied nature, therefore the considerations are based on the example of analysis and forecasts based on historical data contained in process logs.

PL

Pierwsza część artykułu przedstawia metody analityczne pozwalające zrozumieć, w jaki sposób procesy (dotyczące bezpieczeństwa lub biznesu) zachodzą i funkcjonują w czasie. W drugiej części przedstawiono koncepcję systemu predykcyjnego wykorzystującego metody głębokiego uczenia, które umożliwiałyby przewidywanie kolejnych operacji lub kroków wchodzących w skład rozważanego procesu. Uzupełnieniem artykułu był przegląd publikacji naukowych pod kątem merytorycznym oraz podano podstawy teoretyczne. Badania miały charakter aplikacyjny, dlatego rozważania opierają się na przykładzie analiz i prognoz opartych na danych historycznych zawartych w logach procesów.

Słowa kluczowe

EN

process mining; Petri net; LSTM

PL

eksploracja procesu; sieć Petriego; sieć LSTM

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2021
• Tom: R. 97, nr 3
• Strony: 146--149
• Opis fizyczny: Bibliogr.24 poz., rys., tab.

Twórcy

autor

Cieplak Tomasz

• Lublin University of Technology

autor

Rymarczyk Tomasz

• University of Economics and Innovation, Projektowa 4, Lublin, Poland
• Research & Development Centre Netrix S.A.

autor

Kłosowski Grzegorz

• Lublin University of Technology

autor

Maj Michał

• University of Economics and Innovation
• Research & Development Centre Netrix S.A.

autor

Pliszczuk Damian

• Research & Development Centre Netrix S.A.

autor

Rymarczyk Paweł

• Research & Development Centre Netrix S.A.

Bibliografia

• [1] Romanowski, A. Big Data-Driven Contextual Processing Methods for Electrical Capacitance Tomography. IEEE Trans. Ind. Informatics, 15 (2019), 1609–1618
• [2] Rymarczyk T., Characterization of the shape of unknown objects by inverse numerical methods, Przegląd Elektrotechniczny, 88 (2012), No. 7b, 138-140
• [3] Rymarczyk T., Kłosowski G., Tchórzewski P., Cieplak T., Kozłowski E.: Area monitoring using the ERT method with multisensor electrodes, Przegląd Elektrotechniczny, 95 (2019), No. 1, 153-156
• [4] Rymarczyk T., Nita P., Vejar A., Woś M., Stefaniak B., Adamkiewicz P.: Wearable mobile measuring device based on electrical tomography, Przegląd Elektrotechniczny, 95 (219), No. 4, 211-214
• [5] Kłosowski G., Rymarczyk T., Kania K., Świć A., Cieplak T., Maintenance of industrial reactors based on deep learning driven ultrasound tomography, Eksploatacja i Niezawodnosc – Maintenance and Reliability; 22 (2020), No 1, 138–147
• [6] Kłosowski G., Rymarczyk T., Wójcik D., Skowron S., Adamkiewicz P., The Use of Time-Frequency Moments as Inputs of LSTM Network for ECG Signal Classification, Electronics, 9 (2020), No. 9, 1452
• [7] Kłosowski G., Rymarczyk T., Cieplak T., Niderla K., Skowron Ł., Quality Assessment of the Neural Algorithms on the Example of EIT-UST Hybrid Tomography, Sensors, 20 (2020), No. 11, 3324
• [8] Sekulska-Nalewajko, J., Gocławski, J., Korzeniewska, E., A method for the assessment of textile pilling tendency using optical coherence tomography, Sensors (Switzerland), 20 (2020), No.13, 1-19, 3687
• [9] Pawłowski, S., Plewako, J., Korzeniewska, E., Field modeling the impact of cracks on the electroconductivity of thin-film textronic structures, Electronics (Switzerland), 9 (2020), No.3, 402
• [10] Fraczyk, A.; Kucharski, J. Surface temperature control of a rotating cylinder heated by moving inductors. Appl. Therm. Eng., 125 (2017), 767–779
• [11] Kozłowski E., Mazurkiewicz D., Żabiński T., Prucnal S., Sęp J., Machining sensor data management for operation-level predictive model. Expert Systems with Applications 159 (2020), 1-22
• [12] Véjar A., Charpentier P., Generation of an adaptive simulation driven by product trajectories, J Intell Manuf, 23 (2012), No. 6, 2667–2679
• [13] Van Der Aalst W. M. P. et al., Business process mining: An industrial application, Inf. Syst., 32 (2007), No. 5, 713–732,
• [14] Bernardi S., Alastuey R. P., and Trillo-Lado R., Using process mining and model-driven engineering to enhance security of web information systems, in 2017 IEEE European Symposium on Security and Privacy Workshops (EuroS&PW), 2017, 160– 166.
• [15] Mishra V. P., Dsouza J., and Elizabeth L., Analysis and comparison of process mining algorithms with application of process mining in intrusion detection system, in 2018 7th International Conference on Reliability, Infocom Technologies and Optimization, 2018, 613–617
• [16] Vei F. t, Geyer-Klingeberg J., Madrzak J., Haug M., Thomson J., The Proactive Insights Engine: Process Mining meets Machine Learning and Artificial Intelligence. in BPM (Demos), 2017
• [17] Kalenkova A., De Leoni M., and. M. P. van der Aalst W. M. P., Discovering, Analyzing and Enhancing BPMN Models Using ProM. in BPM (Demos), 2014, 36.
• [18] Verbeek H. M. W., Buijs J., Van Dongen B. F., and van der Aalst W. M. P., Prom 6: The process mining toolkit, Proc. BPM Demonstr. Track, 615 (2010), 34–39, 2010
• [19] Berti A., van Zelst S. J., and van der Aalst W., Process mining for Python (PM4Py): bridging the gap between process-and data science, arXiv Prepr. arXiv1905.06169, 2019.
• [20] Tax N., Verenich I., Rosa M. La, and Dumas M., Predictive Business Process Monitoring with LSTM Neural Networks, 2017
• [21] Kłosowski G., Gola A., and Świć A., Human Resource Selection for Manufacturing System Using Petri Nets, in Applied Mechanics and Materials, 791 (2015), 132–140
• [22] Huang Y.-S. and Pan Y.-L., A Computationally Improved Control Policy for FMS Using Crucial Marking/Transition- Separation Instances, in Formal Methods in Manufacturing Systems: Recent Advances, IGI Global, 2013, 61–82
• [23] .Halder A. and Venkateswarlu A., A study of Petri nets modeling Analysis and simulation, Dep. Aerosp. Eng. Indian Inst. Technol. Kharagpur, India, 2006
• [24] .Zhang W. et al., LSTM-based analysis of industrial IoT equipment, IEEE Access, 6 (2018), 23551–23560

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).