[논문]조선 산업에서 프로세스 마이닝을 이용한 블록 이동 프로세스 분석 프레임워크 개발

이동하; 배혜림

doi:10.7232/jkiie.2013.39.6.577

문제 정의

, 2013). 본 논문에서는 데이터마이닝 기법을 넘어서, 다양한 프로세스 마이닝 기법을 이용해서, 전체 프로세스를 이해하고, 관리할 수 있는 수준의 프로세스 모델을 찾고, 예외 활동을 감지하고 분석하는 전체적인 방법론을 제안한다. 프로세스 마이닝 연구 관점에서도 프로세스를 도출하거나, 특정 분석을 위한 알고리즘을 개발하는 것이 아니라, 실제 제조업의 데이터를 활용하여 프로세스 분석 프레임워크를 제안한다는 데 의의가 있다.
[Table 1]에서는 단지 한 개의 블록에 대한 로그 정보를 추출하여 예로 제시하였지만, 데이터베이스에는 동시에 작업 되는 많은 블록에 대해서 이벤트 가 발생하는 순서에 따라 로그 정보가 축적되고, 블록의 이동 거리, 시간, 위치 등에 대한 정보도 저장된다. 본 논문에서는 문제의 특성상 블록의 이동 패턴을 찾고, 프로세스 모델을 정의하고 관리하는 방법에 더 많은 관심을 가진다.
본 논문에서는 이러한 조선 산업의 블록 이동 프로세스를 프로세스 마이닝(process mining) 기법을 이용하여 분석하는 프레임워크(framework)를 제안한다. 블록 이동에 대한 데이터는 블록 공정 모니터링 시스템(BPMS : Block Process Monitoring System)의 로그 데이터를 활용한다.
본 논문에서는 조선 산업에서 프로세스 마이닝을 이용한 블록 이동 프로세스 분석을 위한 프레임워크를 제안 하였다. 데이터 전처리 작업을 제외하고 목적에 따라 네 단계로 구성된다.
본 논문에서는 프로세스 마이닝을 이용한 블록 이동 프로세스 분석 프레임워크를 제안한다. 블록 공정 모니터링 시스템의 실적 데이터를 이용해서 실제 생산단계에서 발생한 블록의 이동 패턴을 찾고, 프로세스 모델을 정의하고, 예외 공정에 대한 분석과 관리를 지원하는 것이 목적이다.
도크에서 최종 배의 모습을 갖춘 선박은 안벽으로 옮겨져 마무리 의장, 도장 작업을 하게 된다. 본 논문은 이러한 선박의 생산 공정 중, 여러 조립 작업장에서 제작된 조립 블록들이 선행 탑재 작업장 혹은 도크에서 탑재될 때까지의 이동 데이터에 관심을 둔다.
본 논문에서는 프로세스 마이닝을 이용한 블록 이동 프로세스 분석 프레임워크를 제안한다. 블록 공정 모니터링 시스템의 실적 데이터를 이용해서 실제 생산단계에서 발생한 블록의 이동 패턴을 찾고, 프로세스 모델을 정의하고, 예외 공정에 대한 분석과 관리를 지원하는 것이 목적이다. 블록 공정 모니터링 시스템의 이벤트 로그 데이터 중, 본 연구에서 대상으로 하는 주요 데이터는 [Table 1]과 같다.
각 로그 군집에서 예외적인 활동에 대한 필터링 작업을 통해 표준 프로세스를 얻을 수 있다. 이는 대상 문제에 따라서 차이가 있으므로 사례연구에서 블록 이동 프로세스 분석의 경우 어떤 기준을 적용했는지 설명하도록 하겠다.
프로세스 마이닝은 기업정보시스템에서 프로세스 실행 과정에서 발생한 이벤트 로그로부터 의미 있는 지식을 추출해 내는 과정이다. 즉, 프로세스의 액티비티 실행 과정에서 누적된 기록을 통하여 프로세스의 개선이나 설계에 필요한 유용한 지식을 추출하는 것이다. 프로세스 저장소의 실행 결과 및 이벤트에 관한 로그를 추출하여 기존의 통계 기법, 인공지능 기법, 사회적 네트워크 기법 등을 이용하여 분석함으로써(Medeiros et al.

제안 방법

따라서 프로세스 관리 차원의 표준 모델로 활용하기에는 어렵다. 그러므로 본 문제의 특성을 고려하여 예외 상황들을 정제(filtering)할 수 있는 기준을 마련하고, 군집별 표준 프로세스 모델을 정의하였다. 이 단계에서는 단계 1에서 퍼지 마이닝에 의해 추상화된 ‘Cluster’ 표현을 사용하지 않고 초기 데이터 수준으로 의미론적 표현을 재 반영하여 모델을 구성하였다.
단계 1에서 전체 분석 데이터를 통해 중요 프로세스의 개요를 확인한 후에 관리할 수 있는 수준의 프로세스를 얻기 위해서 로그 군집화를 수행하였다. 자취 군집화는 전체 이벤트 로그들을 동질의 하위 집합(subset)들로 나누고 각 하위 집합에 대해서 프로세스 모델을 획득하는 것을 의미한다.
본 대상 문제에서는 군집화 알고리즘(algorithm)들 중에서 병합 계층 군집화(agglomerative hierarchical clustering)와 k-평균 군집화(k-means clustering)를 사용했다. 먼저 전체 데이터 로그에 대해서 의미 있는 하위 로그 군집의 개수를 찾기 위해서 병합 계층 군집화를 수행하였다. 그리고 나서, 병합 계층 군집화를 통해 확인한 의미 있는 군집 수를 k 값으로 설정하고, k-평균 군집화를 순차적으로 수행 하는 것이 효과적이었다.
본 논문에서는 퍼지 마이닝을 통해 추상화 된 군집들을, 예를 들어 ‘Cluster 30’과 ‘Cluster 42’ 등을, 이후 단계 2의 입력 값으로 그대로 사용하였다.
본 사례 연구에서는 불필요한 이동 및 불합리한 이동에 해당되는 예외 활동을 3가지 경우(Case)로 정의 하였다. Case 1은 ‘재 취급(Re-handling Movement)’, Case 2는 ‘역 물류(Reverse Movement)’, Case 3은 ‘불필요 이동 (Unnecessary Movement)’이다.
, 2009). 본 프레임워크에서는 자취 군집화 후, 군집 결과를 각 군집별 시퀀스 다이어그램(Sequence Diagram)으로 확인하고 군집별 특징을 비교할 것을 제안한다. 또한 관리할 수 있는 수준의 특징이 뚜렷한 군집화 결과를 얻을 때까지 다양한 군집화 알고리즘을 적용해 보아야 한다.
블록 공정 모니터링 시스템의 실적 데이터 중 1개의 프로젝트 데이터를 이용하여 조립 블록 이동 프로세스를 분석 하였다. 해당 프로젝트는 중복 데이터를 제외하고 불완전한 데이터를 제거하는 등의 데이터 전처리 후에 총 3167개의 이벤트(event) 로그들이 존재 했고, 212개의 인스턴스(instance)들로 구성 되었다.
제안한 프레임워크에서는 프로세스 마이닝 기법들 중, 단계 1에서 퍼지 마이닝을, 단계 2에서 자취 군집화 기법을 사용하였다. 뿐만 아니라, 데이터의 의미론적 표현을 조정하는 방안, 퍼지 마이닝의 추상화 결과를 활용하는 방안 등을 제안 하였고, 단계 3과 단계 4에서는 본 논문의 대상 문제에 맞는 표준 프로세스 모델을 정의하는 방법과 예외 활동 및 프로세스를 분석하는 기준을 제시 하였다. 제안한 분석 프레임워크는 실제 조선소의 블록 공정 모니터링 시스템의 로그 데이터를 활용한 사례 연구를 통해 효용성을 제시하였다.
사례 연구에서는 병합 계층 군집화를 통해 3개의 군집으로 나눌 것을 결정하였고, k-평균 군집화를 통해 3개의 군집을 구성하였다. 군집화를 통해 얻은 군집 0(Cluster 0), 군집 1(Cluster 1), 군집 2(Cluster 2)는 각각 인스턴스를 84개, 71개, 57개를 가지게 되었고, 군집별 이벤트 수는 각각 1310개, 556개, 1301개로 구성 되었다.
단계 2에서 얻은 각 군집별로 프로세스 모델을 정의하는 것이다. 이 단계에서는 단계 1에서 퍼지 마이닝 결과로 얻은 덜 중요한 활동들에 대한 추상화된 군집 데이터를 사용하지 않고, 원래 데이터의 표현으로 재 반영한 후 모델을 정의할 것을 제안한다. 단계 2까지는 덜 중요한 활동들에 대해서 추상화를 해 두면 전체 프로세스를 이해하고 로그 군집화를 하는데 도움이 되지만, 단계 3에서 정의한 모델은 실제 프로세스 관리에 활용하기 위한 것이므로 원래 데이터의 표현 수준으로 바꾸는 것이 필요하다.
전체 데이터로부터 프로세스를 이해하기 위해서 퍼지 마이닝의 수행과 데이터의 의미론적 표현 수준 조정 작업을 반복할 것을 제안 하였다. 본 사례 연구에서도 원천 데이터에 대해서 퍼지 마이닝만으로는 전체 프로세스를 이해하기에는 어려움이 있었다.
제안한 프레임워크는 [Figure 1]과 같이 데이터 전처리 단계인 단계 0(Step 0)을 제외하고 목적에 따라 네 단계(Step)로 구성된다. 전처리 단계에서는 이동 작업장에 대한 데이터가 누락된 경우, 동일 시각에 데이터가 중복 입력된 경우 등에 대한 데이터 수정 혹은 삭제 작업이 필요하다.
단계 3은 실제 프로세스 관리에 활용할 수 있는 표준 프로세스 모델을 로그 군집별로 얻기 위한 작업으로 구성되고, 단계 4는 정의한 표준 모델과 대비하여 예외 프로세스를 감지하고 해당 내용을 레포팅 하는 것을 목적으로 한다. 제안한 프레임워크에서는 프로세스 마이닝 기법들 중, 단계 1에서 퍼지 마이닝을, 단계 2에서 자취 군집화 기법을 사용하였다. 뿐만 아니라, 데이터의 의미론적 표현을 조정하는 방안, 퍼지 마이닝의 추상화 결과를 활용하는 방안 등을 제안 하였고, 단계 3과 단계 4에서는 본 논문의 대상 문제에 맞는 표준 프로세스 모델을 정의하는 방법과 예외 활동 및 프로세스를 분석하는 기준을 제시 하였다.
주요 프로세스(Main Process)는 조립 검사 혹은 조립 후 적치장으로의 이동이 군집화 되어 추상화된 ‘Cluster 42’를 시작으로 ‘Outfitting Shop’, ‘Painting Shop’, ‘Painting Area(Outdoor)’, ‘HEAVY+PE Area’로의 이동으로 요약 되었다.
즉, 프로세스의 액티비티 실행 과정에서 누적된 기록을 통하여 프로세스의 개선이나 설계에 필요한 유용한 지식을 추출하는 것이다. 프로세스 저장소의 실행 결과 및 이벤트에 관한 로그를 추출하여 기존의 통계 기법, 인공지능 기법, 사회적 네트워크 기법 등을 이용하여 분석함으로써(Medeiros et al., 2007; Jansen-Vullers et al., 2006; Rozinat and Aalst, 2006; Aalst et al., 2005), 프로세스 모델을 유도하거나, 업무의 상관관계, 작업자의 업무 전달 관계 등 프로세스 수행 상의 특징을 분석한다(Aalst and Basten, 2002).

대상 데이터

사례 연구에서는 병합 계층 군집화를 통해 3개의 군집으로 나눌 것을 결정하였고, k-평균 군집화를 통해 3개의 군집을 구성하였다. 군집화를 통해 얻은 군집 0(Cluster 0), 군집 1(Cluster 1), 군집 2(Cluster 2)는 각각 인스턴스를 84개, 71개, 57개를 가지게 되었고, 군집별 이벤트 수는 각각 1310개, 556개, 1301개로 구성 되었다.
블록 공정 모니터링 시스템의 실적 데이터를 이용해서 실제 생산단계에서 발생한 블록의 이동 패턴을 찾고, 프로세스 모델을 정의하고, 예외 공정에 대한 분석과 관리를 지원하는 것이 목적이다. 블록 공정 모니터링 시스템의 이벤트 로그 데이터 중, 본 연구에서 대상으로 하는 주요 데이터는 [Table 1]과 같다. [Table 1]에서는 단지 한 개의 블록에 대한 로그 정보를 추출하여 예로 제시하였지만, 데이터베이스에는 동시에 작업 되는 많은 블록에 대해서 이벤트 가 발생하는 순서에 따라 로그 정보가 축적되고, 블록의 이동 거리, 시간, 위치 등에 대한 정보도 저장된다.
본 논문에서는 이러한 조선 산업의 블록 이동 프로세스를 프로세스 마이닝(process mining) 기법을 이용하여 분석하는 프레임워크(framework)를 제안한다. 블록 이동에 대한 데이터는 블록 공정 모니터링 시스템(BPMS : Block Process Monitoring System)의 로그 데이터를 활용한다. BPMS 데이터는 블록이동에 대한 실적 정보를 가지고 있다.
블록 공정 모니터링 시스템의 실적 데이터 중 1개의 프로젝트 데이터를 이용하여 조립 블록 이동 프로세스를 분석 하였다. 해당 프로젝트는 중복 데이터를 제외하고 불완전한 데이터를 제거하는 등의 데이터 전처리 후에 총 3167개의 이벤트(event) 로그들이 존재 했고, 212개의 인스턴스(instance)들로 구성 되었다. 블록 이동 프로세스 분석 문제에서 인스턴스는 조립 블록이 된다.

이론/모형

본 대상 문제에서는 군집화 알고리즘(algorithm)들 중에서 병합 계층 군집화(agglomerative hierarchical clustering)와 k-평균 군집화(k-means clustering)를 사용했다. 먼저 전체 데이터 로그에 대해서 의미 있는 하위 로그 군집의 개수를 찾기 위해서 병합 계층 군집화를 수행하였다.
이 프레임워크는 ERP나 BPM 시스템의 프로세스 로그를 임포트(import)하여 프로세스 모델 추출, 프로세스 모델 분류, 프로세스 패턴 추출, 작업자 간 업무 전달 형태 등을 분석할 수 있는 환경을 제공한다. 본 연구에서도 프로세스 마이닝 기법의 활용을 위해 ProM을 이용하였다.

성능/효과

(c)]의 군집 3도 군집 1과 같이 ‘Cluster 42’에서 시작하지만, 의장 관련 작업과 도장 관련 작업이 순차적으로 일어나지 않고, 필요 작업이 적치장을 거쳐 각각 일어나고 탑재되는 것을 확인할 수 있다.
결과적으로 데이터의 의미론적 표현 수준 조정 작업이 전체 주요 활동의 분석 수준을 결정하고, 퍼지 마이닝의 추상화 작업이 해당 활동에 대한 이해를 중요 수준별로 이해할 수 있게 한다고 하겠다. 본 논문에서는 퍼지 마이닝을 통해 추상화 된 군집들을, 예를 들어 ‘Cluster 30’과 ‘Cluster 42’ 등을, 이후 단계 2의 입력 값으로 그대로 사용하였다.
먼저 전체 데이터 로그에 대해서 의미 있는 하위 로그 군집의 개수를 찾기 위해서 병합 계층 군집화를 수행하였다. 그리고 나서, 병합 계층 군집화를 통해 확인한 의미 있는 군집 수를 k 값으로 설정하고, k-평균 군집화를 순차적으로 수행 하는 것이 효과적이었다. 전체 로그의 최종 군집화 결과는 각 군집별 시퀀스 다이어그램으로 확인 하였다.
본 사례 연구에서도 원천 데이터에 대해서 퍼지 마이닝만으로는 전체 프로세스를 이해하기에는 어려움이 있었다. 따라서 데이터의 의미론적 표현 수준을 조정하는 작업을 병행 하였고, 이는 퍼지 마이닝과 함께 간단하고 이해할 수 있는 전체 프로세스 모델을 얻는 것을 가능하게 하였다. 예를 들어 각 조립 작업장 코드 혹은 명칭을 단순히 조립 작업을 의미하는 ‘Assembly Shop’으로 표현함으로써 의미론적 표현 수준을 단순화 할 수 있다.
적합도 2의 경우는 프로세스 인스턴스 내에서 초반에 예외 이벤트가 발생하면 전체의 적합도를 더 많이 떨어뜨리기 때문에, 예외 이벤트의 발생위치에도 영향을 받는다. 본 대상 문제와 같이 이벤트의 발생이 매우 복잡하고, 이벤트 발생 위치와 상관없이 특정 시퀀스의 패턴을 확인하고 모델을 평가하고자 한다면 적합도 3이 가장 적합한 방법이라고 하겠다. 만약 본 사례연구에서 적합도가 더 높은 표준 모델을 얻고자 한다면, 제안한 프레임워크 내에서 로그 군집의 개수를 늘이면 된다.
본 사례 연구를 통해 확인 할 수 있는 것처럼 로그 군집화를 한 후 프로세스 모델을 획득하면 각 로그의 군집별 특성에 따른 프로세스 모델을 확인 할 수 있다. 이것은 블록 이동에 대한 패턴을 찾고 관리할 수 있는 프로세스 모델을 획득하는 것에 도움을 준다.
뿐만 아니라, 데이터의 의미론적 표현을 조정하는 방안, 퍼지 마이닝의 추상화 결과를 활용하는 방안 등을 제안 하였고, 단계 3과 단계 4에서는 본 논문의 대상 문제에 맞는 표준 프로세스 모델을 정의하는 방법과 예외 활동 및 프로세스를 분석하는 기준을 제시 하였다. 제안한 분석 프레임워크는 실제 조선소의 블록 공정 모니터링 시스템의 로그 데이터를 활용한 사례 연구를 통해 효용성을 제시하였다.

후속연구

블록 공정 모니터링 시스템은 블록의 현재 위치 정보를 모니터링 할 목적으로 개발 되었고, 안정화되어 데이터의 신뢰도가 높다. 그러나 본 연구에서는 위치 정보 관점에서는 필요 없는 데이터일 수 있지만, 해당 블록의 이동이 어떤 목적으로 발생 했는지에 대한 부가적인 정보가 없는 것이 아쉬웠다. 조선 산업의 특성상, 특정 작업장에 블록이 위치했다고 해서, 해당 작업 중인 것으로 이해할 수 없는 경우도 있기 때문이다.
단순히 블록의 위치 정보만으로는 일부 이러한 예외 상황들을 구분해 내기에는 어려움이 있어서, 예외 상황에 대한 구분에 전문가의 판단이 필요했다. 따라서 작업자의 입력을 추가하는 일이기는 하지만 블록 공정 모니터링 시스템에 블록 이동 목적 정보도 추가 관리하면 보다 정확한 분석이 가능할 것이다.
본 연구와 같이 데이터를 통해 생산의 프로세스를 조망하는 것은 사람과 문건을 통해 이해하는 것보다 훨씬 빠르고, 정확하게 많은 이해를 가능하게 한다. 뿐만 아니라, 이러한 분석은 프로세스 개선과 많은 의사결정에 활용될 수 있을 것으로 사료된다.
, 2011; Park and Seo, 2012). 실제 생산에서는 보다 세분화된 수준의 공정 단위로 작업이 이루어지고, 다양한 예외 상황에 의해서 블록 작업과 이동이 발생하므로 실적 데이터 기준의 분석과 연구가 더 많이 요구된다.
향후 연구로는 주요 작업 공정에 대한 일정 계획 정보와 실적 기준의 블록 이동 프로세스 모델을 비교 분석 하는 것과 정의한 표준 프로세스 모델을 이용해서 예외 프로세스들을 관리하고, 실제 프로세스를 평가하는 구체적인 방법론 등을 고려하고 있다.

핵심어	질문	논문에서 추출한 답변
	조선 산업의 제조 공정은 어떻게 이루어지는가?	조선 산업의 제조 공정은 기본적으로 철판을 절단/벤딩하는 가공작업을 시작으로 블록을 조립하는 선각 작업, 의장, 도장 작업 그리고 탑재 작업 순으로 이루어진다. 선박 설계 후, 생산을 위해서는 선박을 작업장 내에서 조립할 수 있는 적절한 크기의 블록들로 나누는데, 이를 블록 분할(block division) 작업이라고 한다.
	블록 분할 작업이란 무엇인가?	조선 산업의 제조 공정은 기본적으로 철판을 절단/벤딩하는 가공작업을 시작으로 블록을 조립하는 선각 작업, 의장, 도장 작업 그리고 탑재 작업 순으로 이루어진다. 선박 설계 후, 생산을 위해서는 선박을 작업장 내에서 조립할 수 있는 적절한 크기의 블록들로 나누는데, 이를 블록 분할(block division) 작업이라고 한다. 또한, 선박은 나누어진 블록을 기준으로 건조되는데, 이를 블록 건조 공법이라고 한다.
	실제 생산에서는 예측된 것보다 훨씬 많은 블록의 이동이 존재하는 이유는 무엇인가?	그러나 실제 생산에서는 예측된 것보다 훨씬 많은 블록의 이동이 존재한다. 조선 산업의 특성상 생산 계획 단계에서 관리하는 작업의 수준보다 세분화된 작업들을 기준으로 생산이 이루어질 뿐만 아니라, 주요 작업 이외에도 다양한 이유로 블록 이동이 발생하기 때문이다. 예를 들어, 특정 작업을 마치고 다음 공정의 작업장으로 이동하기 전 적치장으로의 이동이 발생하고, 이 경우도 적치장의 상황에 따라 다음 공정의 작업에 유리한 적치장으로의 이동이 가능한 경우와 그렇지 못한 경우가 있다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

조선 산업에서 프로세스 마이닝을 이용한 블록 이동 프로세스 분석 프레임워크 개발
Analysis Framework using Process Mining for Block Movement Process in Shipyards 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

조선 산업에서 프로세스 마이닝을 이용한 블록 이동 프로세스 분석 프레임워크 개발 Analysis Framework using Process Mining for Block Movement Process in Shipyards 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

배혜림 (40)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

조선 산업에서 프로세스 마이닝을 이용한 블록 이동 프로세스 분석 프레임워크 개발
Analysis Framework using Process Mining for Block Movement Process in Shipyards 원문보기

AI 본문요약
AI-Helper