信息时代让生产或者企业管理可以方便快捷的在互联网上操作,特别是工业制造领域流水线的生产过程复杂且离散化,其生产记录繁杂且数据量大,更是可以方便的存储在信息系统。过程挖掘的目标就是从信息系统中可用事件日志的记录里提取出有价值的客观信息来发现真实过程,帮助企业改善生产过程、优化管理流程。现有的模型挖掘算法多是针对完整事件日志数据进行的,对于包含噪声的日志数据挖掘效果并不好。本课题将在研究过程模型挖掘算法的基础上致力于已生成的过程模型库高效检索技术研究,属于过程模型发现和合规性检查研究范围。本文针对大多数过程挖掘算法不能同时处理事件日志的非完备性和非频繁轨迹问题,以及生产过程中产生的事件日志是否符合预先设定或者已经构建好的过程模型的问题,进行了以下研究:(1)本文针对不完备的事件日志以及日志中的非频繁行为提出基于FP-growth算法的启发式过程模型挖掘算法。该算法将日志中出现的任务对作为单一项集计算其支持度,用置信度来确定任务间的可靠性,从而挖掘出任务间的依赖关系,然后基于启发式挖掘算法挖掘出过程模型。为了方便模型检索将挖掘得到的过程模型转化为Petri网表示。(2)根据构建的过程模型建立过程模型库,基于事件日志中行为轨迹和过程模型库中执行序列的一致性研究,提出基于行为轨迹一致性的并行检索算法来衡量挖掘模型的质量。该算法根据遗传算法“优胜劣汰”的思想,将待检测事件日志中的行为与过程模型库中的变迁组成一致性行为对进行对比,记录里面的缺失,根据缺失来计算模型的拟合度和精确度,从而判断过程模型是否符合实际情况。工业生产过程由于其环境复杂、离散化,其生产日志记录不完整,使得构建的过程模型不准确,无法反映实际生产过程。本文在最大化利用原始事件日志的基础上构建过程模型,并通过建立过程模型库来研究过程模型的检索算法。最后通过和经典的方法分析对比(启发式过程模型挖掘算法和基于FP-growth算法的启发式过程模型挖掘算法、基于托肯的轨迹重演检测算法和基于行为轨迹一致性的并行检索算法分别在不同的事件日志中进行实验对比),验证了本文所提出的过程模型挖掘算法和模型检索算法的正确性与合理性。通过不断修正模型,当过程模型成熟到一定的程度时,可通过过程模型指导实际生产,解决工业制造过程中效率低下、生产过程不透明难以实时监控的问题,以期实时终止那些有误差的或者错误的生产过程,以节省生产成本,提高生产效率。