Datenbasierte Aktivitätserkennung mit Process Mining auf Sensordaten

Titelangaben

Janssen, Dominik:
Datenbasierte Aktivitätserkennung mit Process Mining auf Sensordaten.
Bayreuth , 2025 . - IX, 178 S.
( Dissertation, 2025 , Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)
DOI: https://doi.org/10.15495/EPub_UBT_00008700

Volltext

Link zum Volltext (externe URL):

Abstract

Die zahlreichen Anwendungsmöglichkeiten von Process Mining ermöglichen es, Prozesse aus Rohdaten zu entdecken. In jüngster Zeit hat sich die Anwendung von Process Mining auf unstrukturierte Daten, insbesondere Sensordaten aus IoT-Systemen, als vielversprechendes Forschungsfeld erwiesen (Koschmider et al. 2024). Sensordaten ermöglichen es, Engpässe in IoT-basierten Prozessen (z.B. IoT Fabriken) zu identifizieren und fundierte Entscheidungen zu treffen. Die Anwendung von Process Mining auf Sensordaten ist jedoch ohne mehrere Vorverarbeitungsschritte nicht direkt möglich: Roh-Sensordaten müssen zunächst in diskrete Ereignisse abstrahiert werden. Anschließend werden diese in bedeutungsvolle Ereignisse umgewandelt, um die gewünschten Analyseziele zu erreichen.
Es existiert ein großes Potenzial, aus unstrukturierten Daten Prozessabläufe zu extrahieren. Die große Herausforderung besteht allerdings darin, dass bestehende Techniken im Bereich des Process Minings davon ausgehen, dass Ereignisdaten diskret und auf einer relativ hohen Ebene (d. h. nahe an Geschäftsprozessaktivitäten) vorliegen. In vielen Fällen befinden sich die während der Ausführung eines Prozesses erzeugten Sensordaten jedoch auf einer viel niedrigeren Abstraktionsebene. Die steigende Verfügbarkeit an IoT-Sensordaten in Bereichen wie Smart Cities, Smart Factories oder Smart Homes macht die Verfügbarkeit von effizienten Analysemethoden notwendig.
Die folgende Dissertation beschäftigt sich mit Methoden, die eine effiziente Verarbeitung von unstrukturierten Daten für das Process Mining ermöglichen. Zunächst werden grundlegende Begrifflichkeiten erklärt. Der Hauptteil der Dissertation bildet das sogenannte Framework. Dies ist eine vorgeschlagene und implementierte Methode, wie man aus Sensordaten Aktivitäten erkennen kann. Das vorgeschlagene Framework wird im Evaluationsteil dieser Arbeit an verschiedenen Datensätzen getestet.
Insgesamt trägt diese Arbeit dazu bei, die Integration von Process Mining und Sensordaten methodisch zu verbessern, bestehende Herausforderungen zu adressieren und neue Anwendungsfelder zu erschließen.
Diese Dissertation stellt ein neuartiges Framework vor, das es ermöglicht, Sensordaten in diskrete Ereignisdaten auf höherer Abstraktionsebene zu übersetzen. Dies ermöglicht es, bestehende Process-Mining-Techniken auf die Daten anzuwenden und Prozessmodelle aus Sensordaten zu erstellen. Die vorgestellte Methode erkennt in den beobachteten Sensordaten Aktivitäten, indem unüberwachtes Lernen in Form von Clustering angewendet wird. Darüber hinaus werden die entdeckten Prozessmodelle dahingehend verfeinert, dass auch Aktivitäten gleichzeitig stattfinden können.
Der Ansatz wird an verschiedenen öffentlich und nicht-öffentlich zugänglichen Testdaten evaluiert und die Ausdrucksmächtigkeit der Ergebnisse anhand verschiedener Qualitätsmaße evaluiert. Die Ergebnisse zeigen, dass die Anwendung des vorgestellten Frameworks die Verarbeitung von Daten effizient erlaubt, die sich bisher nicht für Process Mining Verfahren eigneten.

Abstract in weiterer Sprache

The numerous application areas of process mining enable the discovery of processes from raw data. Recently, applying process mining to unstructured data, particularly sensor data from IoT systems, has emerged as a promising research field (Koschmider et al. 2024). Sensor data enables the identification of bottlenecks in IoT-based processes (e.g., IoT factories) and supports well-founded decision-making. However, applying process mining to sensor data is not directly feasible without several preprocessing steps: raw sensor data must first be abstracted into discrete events, which must then be transformed into meaningful events to achieve the intended analytical goals.
There is substantial potential to extract process flows from unstructured data. The main challenge, however, is that existing techniques in process mining assume that event data is discrete and situated at a relatively high level of abstraction (i.e., close to business process activities). In many cases, the sensor data generated during process execution is available at a much lower level of abstraction. The increasing availability of IoT sensor data in domains such as smart cities, smart factories, and smart homes requires efficient analytical methods.
This dissertation addresses methods that enable efficient processing of unstructured data for process mining. It begins by introducing fundamental concepts. The core of the dissertation is a proposed framework, both conceptualised and implemented, that outlines how activities can be recognised from sensor data. This framework is evaluated using various datasets.
Overall, this work contributes to the improvement of methodological integration between process mining and sensor data, addresses existing challenges, and explores new application areas. The dissertation presents a novel framework that translates sensor data into discrete event data at a higher level of abstraction, enabling the application of established process mining techniques and the discovery of process models from sensor data. The proposed method identifies activities in observed sensor data through unsupervised learning, specifically clustering. Additionally, the discovered process models are refined to account for activities that may overlap.
The approach is evaluated on multiple public and non-public datasets, and the expressiveness of the results is assessed using various quality metrics. The findings show that the proposed framework enables efficient processing of data that previously could not be used for process-mining techniques.