💻 computer science

A Closed-Loop Data-Driven Framework for Value Stream Mapping and Future-State Design

本文提出了一种闭环、数据驱动的框架，该框架整合了流程挖掘、复杂网络分析、可解释机器学习以及数字孪生仿真，旨在实现价值流图的自动化绘制并定量优化未来状态设计，在真实制造场景中证明了其在降低交付周期、在制品数量及缺陷率方面的显著成效。

原作者： Edwin Montes Orozco, Mariam Dopslaf, Roman Anselmo Mora-Gutiérrez, Sergio Gerardo de-los-Cobos-Silva, Eric Alfredo Rincón-García, Miguel Ángel Gutiérrez-Andrade, Pedro Lara-Velázquez

发布于 2026-09-15

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Edwin Montes Orozco, Mariam Dopslaf, Roman Anselmo Mora-Gutiérrez, Sergio Gerardo de-los-Cobos-Silva, Eric Alfredo Rincón-García, Miguel Ángel Gutiérrez-Andrade, Pedro Lara-Velázquez

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代制造业繁忙的世界中，长期以来，企业一直依赖一种被称为“价值流图”（Value Stream Mapping）的方法来了解其产品如何从原材料转化为成品。想象一下，一群工程师拿着写字板在工厂车间走动，计时一名工人拧紧螺栓所需的时间，记录零件在堆积处等待的位置，并在纸上绘制整个过程的静态图景。这种传统方法有助于识别浪费和延迟，但它有一个根本性的缺陷：它只能捕捉到时间中的一个瞬间，往往会错过现实生活中隐藏的混乱，例如意外的机器故障、返工循环，或者不同任务之间相互干扰的微妙方式。随着工厂变得更加数字化，通过传感器和计算机系统产生大量数据，传统的依靠人工观察的方法已难以跟上可用数据的复杂性。

研究人员一直在探索利用这些数字数据来构建更准确的工作实际发生情况的图景，从而超越静态草图，转向动态的、数据驱动的模型。他们开发了能够从数字记录中自动重建过程历史的工具，就像通过阅读日记来了解一个人的日常生活一样。他们还开始使用数学技术来观察任务之间连接的隐藏结构，并使用计算机模拟在现实世界中实施更改之前进行测试。该领域的核心问题已变为：如何将所有这些独立的数字工具编织在一起，形成一条可靠的路径，从而从原始数据通向设计得更好的工厂。

由 Edwin Montes-Orozco 领导的一个研究小组提出了一种新的框架，将这些数字能力连接成一个闭环，为重新设计生产流程提供了一种系统化的方法。该方法不再依赖人工观察，而是首先将原始事件日志（记录工厂中每项行动的数字记录）输入到一个系统中，该系统会自动重建当前的过程状态。这个系统不仅仅是列出发生了什么，它还重建了材料和信息的流动，精确识别出时间在哪里损失以及缺陷在哪里发生。随后，它叠加了一层结构分析，观察不同的任务和资源如何相互依赖，从而揭示出简单的线性时间线可能会忽略的联系。

一旦理解了当前状态，该框架就会使用可解释的机器学习来预测下一步可能出现问题的地方。与不解释原因只给出答案的“黑箱”计算机程序不同，该系统会强调导致延迟或错误的特定因素，使人类专家能够理解根本原因。在掌握这些见解后，研究人员使用“数字孪生”（即工厂的虚拟副本）来模拟不同的改进策略。他们可以测试诸如在特定工作站增加更多工人或改变操作顺序等想法，在触摸任何真实机器之前，先在安全的虚拟环境中观察这些变化如何在整个系统中产生连锁反应。

研究人员在一个受控的合成制造环境中测试了这种方法，在该环境中他们可以精确测量每一次变化的效应，同时也使用了来自不同行业（包括业务流程和采购工作流）的三个真实世界数据集。在合成环境中，结合了所有数字工具的完整框架展示了提升性能的强大能力。与基准流程相比，新设计使产品在系统中的总停留时间减少了 32.40%，使积压在队列中的未完成工作量减少了 45.09%。它还将缺陷率降低了 27.63%，并将返工率降低了 45.52%，同时将成品数量增加了 71.73%。

研究还通过真实世界的数据，检查了系统预测特定问题（如返工或瓶颈）的能力。结果表明，加入对任务连接结构的分析显著提高了这些预测的准确性。例如，在一个数据集中，当系统考虑了活动之间的网络连接时，预测返工的能力得到了显著提升，这表明理解过程的形态与了解单个步骤的速度同样重要。研究人员发现，这些改进并非随机波动；统计测试证实，这些收益在他们测试的不同配置中都是显著且一致的。

至关重要的是，论文反对认为仅仅拥有更多数据或使用单一先进工具就足以解决这些问题的观点。研究人员证明，最大的收益来自于将所有步骤整合为一个持续的循环：重建当前状态、诊断性能低下的原因、模拟潜在的修复方案，然后基于证据设计一个新的未来状态。他们表明，将这些工具视为独立的、孤立的技术，会错失创造从观察到行动之连贯路径的机会。该框架并非取代人类决策，而是为人类决策提供了一个严谨的、基于证据的基础，使管理者能够以前所未有的清晰度看到其选择的后果。

虽然结果令人鼓舞，但研究人员也谨慎地指出，最显著的改进是在旨在验证该方法的受控模拟环境中观察到的。真实世界的测试确认了该方法适用于不同类型的行业和数据质量，但设计、模拟并实施新的工厂布局的完整循环尚未在真实的工业环境中进行测试。这项工作表明，通过结合过程挖掘、结构分析和数字模拟，组织可以从“猜测改进方案”转向“确切知道什么行之有效”，从而将持续改进的艺术转变为一门精确的、数据驱动的科学。

技术摘要：一种用于价值流图绘制与未来状态设计的闭环数据驱动框架

问题陈述
价值流图（VSM）是精益生产中用于识别浪费和指导流程改进的核心工具。然而，传统的 VSM 高度依赖于人工数据采集、静态表示和专家解读。这些局限性导致生成的图表往往无法捕捉执行过程中的变异性、返工循环、动态瓶颈以及随时间变化的资源交互。尽管 VSM 的数字化已成为一个研究方向，但现有方法通常仍停留在概念层面、针对特定案例，或者仅实现了流程挖掘输出与端到端价值流分析所需数据之间的部分集成。在数据驱动的现状分析与基于证据的未来状态设计之间存在着显著的方法论鸿沟；具体而言，缺乏一种能够将操作事件数据系统地转化为定量诊断、评估候选干预措施并将其转化为未来状态价值流设计（VSD）的可复现、闭环方法论。

方法论
本文提出了一种闭环、数据驱动的决策支持框架，该框架整合了四个分析层，旨在将操作事件日志转化为经过定量评估的未来状态 VSD。工作流通过以下阶段进行：

现状重建（流程挖掘）： 利用流程挖掘（PM）处理操作事件日志，以重建实际的业务行为。这取代了人工观察，通过自动提取操作指标（如周期时间、等待时间、缺陷率）来生成定量的现状价值流图（ $VSM_c$ ）。
结构与预测性诊断：
- 复杂网络分析 (CNA)： 将流程建模为三个互补的图：活动网络、资源网络和价值流网络。计算结构化指标（度、介数、接近度、特征向量中心性、密度），以识别仅凭操作指标可能无法发现的结构依赖性和关键节点。
- 可解释机器学习 (XAI)： 将来自 PM 的操作指标与来自 CNA 的结构特征集成到监督学习模型（随机森林、XGBoost）中，以预测不良结果（延迟、瓶座、返工）。使用 SHAP（SHapley Additive exPlanations）对预测进行分解，提供关于驱动流程关键问题的因素的可解释证据。
干预评估（数字孪生）： 诊断证据用于定义候选改进方案（ $\Omega_t$ ）。经过校准的数字孪生（DT）模拟在受控条件下评估这些方案，在物理实施前估算系统级的后果（提前期、吞吐量、在制品、缺陷率、返工率）。
未来状态设计： 将最有利配置的模拟结果映射回价值流表示，以构建定量的未来状态价值流设计（ $VSM_f$ ）。

该框架通过一个受控的合成制造事件日志和三个异构的真实世界事件日志（BPI 2017、BPI 2019 以及一个数据质量问题日志）进行了评估。研究通过六种配置（ $G_0$ 到 $G_5$ ）进行了累积消融研究，通过逐步增加分析能力（人工 VSM $\to$ PM-VSM $\to$ +XAI $\to$ +DT $\to$ +CNA）来衡量增量和累积的性能提升。

核心贡献

闭环方法论： 本文建立了一条从操作事件数据到基于证据的流程再设计的可追溯分析路径，将现状重建、诊断解释、干预评估和未来状态设计连接在单一的工作流中。
图增强的可解释诊断： 引入了一种结合操作指标与网络衍生结构特征的诊断机制。这种集成允许识别结构性关键流程元素，并为驱动低效表现（如返工、瓶颈）的因素提供可解释的见解，而这些因素是传统 VSM 指标可能遗漏的。
基于模拟的向设计转型： 该框架提供了一种定量机制，将诊断发现转化为候选干预措施，并通过数字孪生模拟进行评估。这弥合了“识别流程何处表现不佳”与“确定如何进行重新设计并估算系统级后果”之间的鸿沟。

结果

运营性能： 在基于模拟的累积评估中，完整的框架（ $G_5$ ）相对于基准（ $G_0$ ）表现出显著改进。具体而言，提前期减少了 32.40%，在制品减少了 45.09%，缺陷率降低了 27.63%，返工率降低了 45.52%，同时吞吐量增加了 71.73%。统计分析（ANOVA 和 Kruskal-Wallis）证实这些改进是显著的，且超过了随机模拟的变异性。
预测能力： 引入网络衍生结构特征提高了机器学习模型在特定任务上的预测性能。值得注意的是，对于返工预测，随机森林在 BPI2017 数据集上的 F1 分数从 0.2243 提高到了 1.0000，在 BPI2019 数据集上从 0.4658 提高到了 0.7451。在数据质量问题数据集上的瓶颈预测也观察到了类似的增益。
结构性洞察： 复杂网络分析识别出了具有结构影响力的人物/活动（如功能测试、组装），这些活动与 VSM 中高耗时区域相吻合，证实了结构分析的互补价值。

意义与主张
作者声称，这项工作通过从静态可视化转向可复现、数据驱动的决策支持系统，解决了精益生产中的关键方法论缺口。该框架的意义不仅在于技术的集成（PM、ML、DT、CNA），更在于将它们组织成一个连贯的闭环工作流，以支持基于证据的未来状态价值流设计。

论文强调，观察到的改进是累积的框架级增益，而非单个组件的孤立因果效应。通过系统地将操作证据与流程再设计相连接，该框架降低了传统 VSM 的主观性，并为评估部署前的改进方案提供了定量依据。作者将其定位为工业 4.0 和 5.0 范式下数字化生产系统的迈进，提供了一种适用于制造业和业务流程领域的通用方法论。不过，作者也谦虚地指出，基于模拟的验证是在合成环境中进行的以保证可复现性，未来的工作需要在实施了改进措施的工业案例研究中进行验证。

技术摘要：一种用于价值流图绘制与未来状态设计的闭环数据驱动框架

类似论文