مقالة منهجية

بروتوكول التوأم الرقمي الموجه للتنبؤ بمخاطر سلسلة التوريد والتخفيف منها باستخدام نماذج التسلسل العصبي والرسم البياني

DOI:

10.3791/69878

⸱

مارس 6, 2026

 , 
1Department of Journalism and Communication, Fuyang Normal University, 2School of Public Administration, China University of Mining and Technology

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يوضح هذا البروتوكول سير عمل مزدوج رقمي قابل لإعادة إنتاج يدمج استيعاب البيانات، والتنبؤ بالمخاطر المعتمد على التسلسل والرسم البياني، ومحاكاة الانتشار، وتحسين السياسات. يحدد إصدارات البرمجيات، والمعلمات، ونقاط التفتيش، وخطوات استكشاف الأخطاء لدعم التكرار الصحيح في البيئات الصناعية.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تتطلب سلاسل التوريد التنبؤ بالمخاطر في الوقت الحقيقي والتخفيف منها في ظل حالة عدم اليقين العالية والاعتماد المتبادل على الشبكة. يصف هذا البروتوكول سير عمل مزدوج رقمي قابل لإعادة الإنتاج (DT) يربط بين استيعاب البيانات، والتنبؤ بالمخاطر المكانية والزمانية، ومحاكاة انتشار المخاطر، وتحسين سياسات التخفيف في مكدس حاوية واحد. للتنبؤ، ندمج نموذج تسلسل ورسم بياني قابل للتفسير يجمع بين Bi-LSTM والالتفاف البياني لالتقاط الديناميكيات الزمنية والاعتمادات الشبكية. للتخفيف، يتعلم تحسين السياسات القريبة (PPO) سياسات اتخاذ القرار القابلة للتنفيذ من خلال الاضطرابات المحاكاة، مما يمكن الاستجابات الواعية بالتكلفة بدلا من التشخيص اللاحق. لدعم النشر والتكرار، نوفر تصنيفا هرميا لمؤشر المخاطر الرئيسية يفصل بين المخاطر الداخلية والخارجية الخارجية، إلى جانب البيئات المثبتة على الإصدارات، وعقود البيانات، ونقاط التحقق للتحقق. تظهر النتائج التمثيلية مكاسب تنبؤية ومستوى اتخاذ القرار. على شبكة سيارات مكونة من 300 عقدة، يحسن هذا النهج الفورمولا 1 بنسبة 19.3٪ ويمدد أفق الإنذار المبكر بمقدار 5.2 ساعة. في إعادة تشغيل ازدحام الموانئ الأمريكية لعام 2021، يقلل PPO من التأخيرات وتكاليف الاستجابة للطوارئ بأكثر من 20٪. يتدرج سير العمل ليشمل محاكاة 500 عقدة مع زمن تأخير في مستوى ميلي ثانية مع الحفاظ على أداء مستقر على الأفق الطويل. التحقق المزدوج مع إعادة عرض الأحداث التاريخية والمحاكاة عبر الإنترنت يؤكد تحسينات الدقة، وجودة القرار المتينة، وقابلية التوسع العملية. تتم مناقشة القيود وإرشادات التكيف لتسهيل الانتقال إلى بيئات سلسلة التوريد الجديدة.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

شبكات الإمداد العالمية تعاني من حالة عدم يقين مستمر، حيث يمكن أن تنتشر الاضطرابات المحلية عبر مستويات الموردين ومسارات النقل وتؤدي إلى تباطؤ على مستوى النظام. في العديد من المؤسسات، لا تزال مراقبة المخاطر تعتمد على التقارير الرجعية أو التدقيقات الدورية، والتي تكون مفيدة لتوثيق الحوادث والامتثال لكنها أقل فعالية في التيارات التشغيلية سريعة التغير. عندما تتطور البيانات دقيقة بدقيقة، يحتاج صناع القرار إلى سير عمل يدعم الفهم المستمر، والتنبؤ القريب المدى، والتدخل في الوقت المناسب بدلا من التشخيص اللاحق1.

تظل الأدوات التقليدية مثل سجلات المخاطر ونماذج الإنذار المبكر المبنية على الإحصائيات ذات قيمة في التوحيد القياسي والتتبع عالي المستوى، لكنها عادة ما تتجاهل التفاعلات الديناميكية بين المنشآت والجرد والقدرات والتدفقات. يكمل سير العمل القائم على التوأم الرقمي الموضح هنا هذه الأساليب من خلال الحفاظ على التزامن المستمر للحالات وتمكين التقييم القائم على السيناريوهات، بحيث يمكن اختبار الاضطرابات وإجراءات التخفيف قبل وصولها إلى أرضية الورشة أو الساحة. في الواقع، يعمل التوأم كتمثيل سيبراني-فيزيائي يعكس الحالات والقيود التشغيلية الرئيسية، مما يوفر أساسا قابلا للتنفيذ للتخفيف الاستباقي بدلا من الإبلاغ بأثر رجعي2.

سلطت أبحاث سلسلة التوريد الأخيرة الضوء على تزايد التعرض للاضطرابات الناتجة عن شبكات الموردين المعولمة، وأنماط الطلب المتقلبة، وعدم الاستقرار الجيوسياسي، والأحداث المدفوعة بالمناخ. تعتمد الأساليب التقليدية لإدارة المخاطر بشكل كبير على التقارير الرجعية والتقييمات الثابتة، والتي تفشل في التقاط الظروف التشغيلية المتطورة بسرعة أو الترابطات المعقدة داخل الشبكات متعددة المستويات. يعتمد النشر العملي على متطلبين. يجب قياس المخاطر بمؤشرات قابلة للمقارنة عبر النباتات والمناطق؛ وإلا، فإن العتبات تنحرف وتصبح الإنذارات عشوائية، ويجب على التوأم تحقيق أهداف الكمون والدقة الصريحة حتى تتمكن الحالات المحاكاة من تتبع الواقع التشغيلي بشكل دقق لدعم قرارات التحكم 3,4. استنادا إلى هذه المتطلبات، يصف هذا البروتوكول سير عمل قابل للتكرار يربط عقود البيانات بسياسات اتخاذ القرار ضمن نظام مستمر واحد. تلخص الإشارات الزمنية بذاكرة قصيرة المدى طويلة ثنائية الاتجاه، ويتم ترميز هيكل الشبكة بالتفاف الرسوم البيانية، ويستخدم تصور وزن الانتباه للحفاظ على تفسير خطوة النمذجة للمشغلين والمدققين 5,6,7,8. على الرغم من أن النماذج المعتمدة على البيانات وتطبيقات التوأم الرقمي المبكرة قد حسنت الوعي بالظرف، إلا أنها غالبا ما تبقى مجزأة، تفتقر إلى آليات موحدة للإدراك في الوقت الحقيقي، والتنبؤ الزماني المكاني، ودعم اتخاذ القرار القابل للتنفيذ. تؤكد هذه الفجوات الحاجة إلى بروتوكول متكامل يجمع بين بيئات رقمية عالية الدقة ونماذج التعلم المتقدمة للتسلسل والرسوم البيانية لتمكين مراقبة المخاطر في الوقت المناسب والقابلة للتفسير والتوسع في الأنظمة الصناعية الديناميكية. يتم الحصول على استراتيجيات التخفيف من خلال تحسين السياسات القريبة المدربة ضد التوأمين، مما يسمح بضبط المقايضات بين مستوى الخدمة والتأخير والتكلفة دون التأثير على العمليات الحية 9,10.

هذا البحث مخصص لشبكات الإمداد المتوسطة إلى الكبيرة (100–500 عقدة) التي تحتوي على حجم بيانات متدفقة بين 1–5 ملايين سجل يوميا وجودة بيانات متوسطة (≥اكتمال 85٪، ≤5٪ مفقود بعد المعالجة المسبقة). يتطلب النشر في الوقت الحقيقي زمن استجابة مستمر من البداية إلى النهاية أقل من 100 مللي ثانية وتزامنا مستقرا (<انحراف 0.5٪) وقد يقتصر على البيئات ذات النطاق الترددي المنخفض أو غير الحاويات.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نؤكد أن هذه الدراسة تستخدم سجلات الأعمال واللوجستيات غير المحددة الهوية، إلى جانب سيناريوهات الاضطراب الاصطناعي، دون تدخل بشري أو حيواني. تم منح الوصول إلى السجلات التشغيلية الخام كتابيا من قبل المؤسسات المالكة للبيانات وتمت الموافقة عليه من قبل لجنة حوكمة البيانات المؤسسية قبل استخراج البيانات. تم إدارة الوصول إلى البيانات من خلال التحكم في الوصول القائم على الأدوار؛ تم تسجيل جميع أحداث الوصول؛ وسيتم الاحتفاظ بسجلات التدقيق لمدة ≥3 سنوات بعد النشر. عند الإبلاغ عن حالات الاضطراب، نقوم بتعميم أو إخفاء سمات تعريف الشركة (مثل أسماء المرافق، معرفات العملاء، معرفات العقود، والمواقع الجغرافية الدقيقة) لتقليل مخاطر إعادة التعريف. يمكن تقديم نسخ من موافقات استخدام البيانات وخطابات الموافقة/الإذن إلى المجلة عند الطلب، وسيتم تضمينها كوثائق تكميلية للمراجعة التحريرية.

1. مفهوم التوأم الرقمي، والهندسة المعمارية، والمعايير

  1. حدد التوأم الرقمي وفقا لنموذج مرآة المعلومات الخاص ب Grieves، وحدد مكدسا من خمس طبقات (ماديا، افتراضي، بيانات، اتصال، تطبيق) مع مسؤوليات وواجهات واضحة في الطبقات، كما تم التأكيد عليه في أعمال غريفز المبكرة ومعايير ISO 23247. تستخدم وثائق تصميم النظام ومخططات ISO-23247 كمدخلات أساسية، مع تطبيع تعريفات الطبقات إلى تجريد من خمس طبقات لرسم خرائط معمارية متسقة 2,11.
  2. اعرض البنية الشاملة من الطرف إلى الطرف في الشكل 1؛ إعلان المعرفات العالمية (assetID، modelID، runID)، القاعدة الزمنية الرسمية (UTC)، ونظام التسمية لمجموعات البيانات والتجارب. توحيد بيانات الأصول، وسجلات النماذج، وسجلات التجارب إلى صيغ معرفية موحدة (assetID/modelID/runID) ووضعها وختما زمنيا بالتوقيت العالمي قبل دمج المعمارية.
  3. اعتماد معايير مفتوحة للتوافق: استخدم OPC UA/IEC 62541 وMQTT v5 للتبادل بين الميدان، وREST/GraphQL لواجهات برمجة التطبيقات للخدمة، وFMI/AutomationML لتبادل النماذج ووصف الطوبولوجيا. لاحظ أي فجوات في المخطط عبر المجال وقدم للمحولات ملاحظات دقة صريحة. يتم تحليل وتدفقات الحقول OPC UA/MQTT وملفات نماذج AutomationML/FMI وتحويلها عبر محولات المخطط للحفاظ على التوافقية عبر المنصات 2,12,13,14.
  4. مزامنة جميع العقد مع IEEE 1588 PTP، وفرض زمن تأخير من البداية إلى النهاية أقل من 100 مللي ثانية للاستخدام المغلق، وحدود قبول المستندات للتذبذب وانحراف الساعة. سجل التحقق من صحة الرحلة والإياب بالمحول في الجدول 1. يتم جمع وتنظيف سجلات التزامن مع الساعة، ومسارات الشبكة، وعينات زمن الاستجابة ذهابا وإيابا للتحقق من قيود التوقيت التي تقل عن 100 مللي ثانية ودقة تزامن PTP15.
  5. نقطة التوقف: بعد الخطوات 1.1–1.4، توقف لتأكيد رحلات المخطط (التصدير، الاستيراد، والتحقق) والامتثال لزمن الاستجابة قبل المتابعة.
    التحقق من رحلات المخطط ذهابا وإيابا: تأكد من أن سجلات التصدير/الاستيراد/التحقق لا تظهر أي أخطاء.
    مقاييس الكمون: من البداية إلى النهاية <100 مللي ثانية؛ اهتزاز <5 مللي ثانية; انحراف الساعة <1 مللي ثانية/دقيقة.
    لقطة لوحة التحكم: تأكد من أن الجدول 1 مليء بأوقات الذهاب والإياب وأخطاء التزامن.

2. التقنيات التحليلية لإدراك المخاطر والتنبؤ بها

  1. تدريب نماذج تنبؤية على سجلات المصادر المتعددة التاريخية (الأوامر، التليمترية، الأحداث) لإثبات قدرة الإنذار المبكر؛ قم بإصلاح البذور العشوائية وتسجيل تقسيمات البيانات لإعادة إنتاجها. توحيد المتغيرات العددية، تطبيق ترميز أحادي الساخن على الميزات التصنيفية، وبناء التسلسلات باستخدام نوافذ منزلقة (مثل 12–24 خطوة زمنية).
  2. قسم البيانات إلى 70٪ تدريب، 15٪ تحقق، و15٪ اختبار. استخدم Bi-LSTM بطبقتين (128–256 وحدة)، ونقطة انقطاع 0.2–0.3، ومحسن آدم (LR = 1e-3). سجل جميع البذور العشوائية لضمان قابلية التكرار. تنظيف سجلات الترتيب التاريخي، والقياسات عن بعد، وتدفقات الأحداث، وتوحيد وترميزها وتحويلها إلى تسلسلات نوافذ منزلقة لتدريب Bi-LSTM.
  3. تطبيق طرق كشف الشذوذات غير المراقبة (مثل غابة العزل، التغاير القوي، المشفرات الذاتية) عندما تكون البيانات الموسومة قليلة، ومعايرة العتبات باستخدام مفاضلات الدقة والاسترجاع. قم بتطبيع المدخلات باستخدام مقياس الحد الأدنى (Min-Max)، ثم تدريب غابات العزل باستخدام 100–200 شجرة أو مشفرات ذاتية مع 3–5 طبقات مخفية. ضبط العتبات باستخدام تحسين منحنى PR وتقييمه باستخدام توزيعات أخطاء إعادة البناء أو نقاط الشذوذ. تطبيع السجلات التشغيلية غير المعنونة (Min-Max) وتحويلها إلى ميزات نقاط الشذوذ لتدريب الغابات العازلة أو الترميز الذاتي ومعايرة العتبة16،17.
  4. دمج النماذج القائمة على التسلسل والرسوم البيانية (مثل Bi-LSTM مع الانتباه وGCN) لالتقاط الأنماط الزمنية والاعتماديات المكانية عبر شبكات الموردين والنقل. إنشاء مصفوفات مجاورة من روابط المورد والنقل وتطبيع باستخدام مقياس الدرجات المتماثل. يجمع النموذج الهجين بين مخرجات Bi-LSTM مع طبقة GCN من 1–2 (حجم مخفي 64–128) ورأس تصنيف متصل بالكامل. القطار لمدة 30–50 حقبة، مع توقف مبكر بناء على التحقق F1 18,19.
    ملاحظة: خطوة الالتفاف الرسم البياني في النموذج المقترح تقوم بتحديث تمثيلات العقد باستخدام قاعدة التجميع التطبيع الموضحة في المعادلة (1)، مما يمكن كل عقدة من دمج المعلومات من جيرانها مع الحفاظ على التوازن الهيكلي. تضمن هذه الصياغة انتشار الميزات بشكل مستقر عبر شبكة سلسلة التوريد وتوفر الأساس لالتقاط التبعيات المكانية ضمن بنية التوأم الرقمي.
    figure-protocol-1   (1)
    figure-protocol-2 هي مصفوفة المجاور مع إضافة الحلقات الذاتية. figure-protocol-3 تشير إلى مصفوفة الدرجة ل figure-protocol-4. H(l)  هي مصفوفة ميزات العقدة في الطبقة l. W(l) هي مصفوفة الوزن القابلة للتدريب و σ(•) هي دالة تفعيل ReLU. يتم تحويل جداول شبكة المورد-النقل إلى مصفوفات مجاورة ويتم تطبيعها بمقياس درجة متماثل قبل أن تدخل في نموذج التسلسل-الرسم البياني الهجين.
  5. استخدم معالجة اللغة الطبيعية لاستخراج إشارات السياسات والسوق من الأخبار والنشرات، وتطبيق الرؤية الحاسوبية لاكتشاف اضطرابات المنافذ الناتجة عن تغذيات المراقبة باستخدام إخفاء الخصوصية. لاستخراج تضمينات الجمل من نشرات السياسات أو السوق، استخدم محول مدرب مسبقا (مثل قاعدة BERT)، ثم طبق شبكات CNN خفيفة الوزن أو MobileNet لتحليل إطارات تغذية المنافذ بعد تشويش الخصوصية. قبل الاندماج، يتم تطبيع جميع التضمينات الخارجيةالنموذجية 20.
  6. إنشاء رسم بياني لمعرفة للموردين والمسارات والمرافق والعقود لتمكين الاستعلامات السببية وتتبع الأسباب الجذرية؛ تصدير اللقطات للشكل 2. إنشاء عقد من الموردين والمنتجات والمسارات والمرافق، ثم بناء الحواف مع روابط تعاقدية وتدفقات لوجستية. استخدم تنسيق RDF أو رسم بياني الخصائص، وقواعد حل الكيانات، والتحقق من صحة الرسم البياني لاكتشاف المكونات غير المتصلة21.
  7. توضيح استراتيجية البحث وبناء الكلمات المفتاحية
    1. صقل طريقة البحث لتوضيح هيكل ومنطق مصطلحات الاستعلام. قم بتجميع مصطلحات البحث حسب المفهوم ودمجها باستخدام عوامل بولية لضمان البحث المنهجي والقابل للتكرار. على سبيل المثال، كانت سلسلة الاستعلام الكاملة المستخدمة هي:
      ("مخاطر سلسلة التوريد" أو "تعطيل التوريد") و ("التوأم الرقمي" أو "المحاكاة") و ("التنبؤ" أو "الإنذار المبكر").
      عرض بناء جملة البحث بشكل منظم يوضح تسلسل التنفيذ ويقلل الغموض. فصل الكلمات المفتاحية التقنية والمجالات والوظيفية يظهر الشفافية ويدعم المراجعين في التحقق من عملية البحث.
    2. استكشاف المشاكل: عندما يكون هناك عدد كبير جدا من التنبيهات، زد نوافذ التجميع، أدخل الهيستريزيس، أو رفع عتبات الشذوذ باستخدام إحصائيات قوية. إذا انحرفت النماذج أو أصبحت غير مستقرة، أعد التدريب على جدول ثابت وحافظ على سجلات الاختبار السابقة لتوثيق تغييرات الأداء.

3. تصنيف المخاطر ونظام المؤشرات الرئيسية

  1. تصنيف المخاطر إلى داخلية (انتشار خطي داخل شبكة المؤسسة) وخارجية (صدمات متعددة العقد من مصادر خارجية). قدم أمثلة وقواعد التعيين22، 23.
  2. إنشاء نظام متعدد المستويات لمؤشر المخاطر الرئيسية (KRI) يغطي استقرار الموردين، عمليات الإنتاج، أداء اللوجستيات، ودمج المعلومات؛ حدد كل KRI، مصدر بياناته، وتصحيح الأحداث. تصفية مجموعات بيانات الموردين، العمليات، اللوجستيات، والتكامل؛ قم بتجميعها ومحاذاتها لتوليد قيم KRI متدرجة مع ترددات تحديث محددة.
  3. عرض تعريفات KRI والصيغ وعتبات التنبيه في الجدول 2؛ معايير قبول الوثائق وقواعد التصعيد24.
    1. مراقبة الجودة: تحقق من صحة نظام KRI من خلال اشتراط توافق أدنى 0.7 بين التنبيهات المولدة وسجلات الحوادث التاريخية. أطلق عتبة KRI فقط بعد اجتياز اختبار التوافق. للحصول على الصلاحية التجريبية، قم باختبار نظام KRI متعدد المستويات مقابل سجلات الحوادث التاريخية باستخدام اختبار التوافق.
    2. تحديد العتبة والاختبار العكسي: حدد عتبات تنبيه لكل مؤشر (مثلا، تنبيه المستوى 1: تنفيذ التسليم <95٪؛ تنبيه المستوى 2: تنفيذ التسليم <85٪؛ تذبذب الطلب >5٪) واختبارها مقابل 18 شهرا من تاريخ التشغيل وسجلات الاضطرابات الزمنية المحددة. عرف التوافق بأنه نسبة تنبيهات KRI التي تطابق وقوع الحادث الفعلي خلال نافذة ±12 ساعة. تأكد من أن متوسط التوافق يفي بمعيار الإفراج (≥0.7) قبل الاستخدام التشغيلي.
    3. صيانة العتبة: في النشرات اللاحقة، قم بتعديل العتبات من خلال إعادة الاختبار الدورية والاختبار العكسي، أو تعديل نافذة الاختبار بناء على الاتجاهات الموسمية وتكرار الشذوذ.
  4. أداء عتبة KRI في التقاط الحوادث الحقيقية مقابل الإنذارات الكاذبة
    1. اختبر كل عتبة KRI في جدول مؤشر نوع المخاطر واختبار العكس مقابل 18 شهرا من سجلات الحوادث التاريخية لتحديد الفائدة التشغيلية. لكل مؤشر، يحسب معدل التقاط الحادث الحقيقي (الاستدعاء)، والذي يعرف بأنه نسبة الأحداث الحقيقية للاضطراب المحددة قبل أو عند حدوثها. احسب معدل الإنذار الكاذب، الذي يعرف بأنه نسبة التنبيهات التي لا يحدث فيها أي اضطراب خلال نافذة ±12 ساعة. استخدم هذه المقاييس لقياس المقايضة بين الحساسية والضوضاء التشغيلية في الإنذار المبكر (الجدول 3).
  5. التقييم القائم على السيناريو للنموذج الزماني المكاني المقترح
    1. تقييم دقة التنبؤ، وموثوقية المعايرة، والكفاءة الحسابية لنموذج الاندماج الزماني Bi-LSTM + Attention + GCN المقترح باستخدام ثلاثة سيناريوهات اضطراب تمثيلية: خطر عطل المعدات، مخاطر الاضطرابات الجيوسياسية، وفشل الشبكة متعددة العقد المتسلسل. استخدم متوسط الخطأ المطلق (MAE)، ودرجة بريير، ووقت حساب دورة القرار كمقاييس تقييم (الجدول 4).

4. نماذج القياس

  1. تطبيق نماذج قائمة على الاحتمالات (مثل مونتي كارلو) لتقدير احتمالية الأحداث والخسارة المتوقعة؛ تقرير تشخيصات التقارب وفترات الثقة. احتمالية اضطراب العينة من التوزيعات التجريبية أو النماذج البرامسترية المتوافقة. شغل 5,000–10,000 تكرار، احسب الخسارة المقدرة لكل عقدة، وأبلغ عن فترات ثقة95٪ 25.
  2. تحويل أحكام الخبراء إلى درجات كمية باستخدام المنطق الضبابي (مثل AHP/FIS الضبابية)؛ معايرة وظائف العضوية بناء على النتائج التاريخية. تطوير مصفوفات مقارنة زوجية باستخدام مدخلات الخبراء، وترجمة المفاهيم اللغوية إلى أعداد مثلثية ضبابية، وحساب الأوزان المجمعة باستخدام الوسائل الهندسية. إزالة التشويش باستخدام طريقة المركز المركزي للحصول على نقاط مخاطرة واضحة26.
  3. استخدام تحليل الشبكة لرسم خريطة مسارات الانتشار وتحديد العقد الضعيفة عبر عتبات المركزية والتسرب؛ مجموعات القطع المرشحة لتصدير. تصفية مجموعات بيانات الموردين، العمليات، اللوجستيات، والتكامل؛ قم بتجميعها ومحاذاتها لتوليد قيم KRI متدرجة مع ترددات تحديث محددة.
  4. احسب مقاييس مركزية العقدة (درجة، بين، متجه ذاتي) ومحاكاة الانتشار باستخدام نماذج العتبة أو نماذج SIR مع احتمالات نقل قابلة للتكوين (مثل 0.1–0.3). تحديد العقد الرئيسية من خلال إعطاء الأولوية للتأثير المنتشر عبر 500–1000 محاكاة27,28.
  5. قارن بين نماذج الاحتمالية، الضبابية، والنماذج الشبكية في الجدول 5؛ اختر حسب ملاءمة السيناريو، وتوفر البيانات، وقابلية التفسير. نقطة الإيقاف المؤقت: قم بقفل خطوط الأساس للمعلمات وأرشفة ملفات التكوين قبل الانتقال إلى النشر.
    المخرج: خطوط أساس المعلمات محفوظة في ملفات التكوين.
    السجلات: تشخيصات التقارب، فترات الثقة، وحسابات المركزية مؤرشفة.

5. البنية العامة والوحدات الوظيفية

  1. تنظيم القدرات في خمسة مجالات وسبع طبقات؛ تقوم بتعيين وحدات الإدراك، والكمية، والتنبؤ، والقرار، والتنفيذ إلى خدمات مصغرة محوية مع واجهات برمجة تطبيقات معدلة.
  2. توفير تعيين الوظائف ذات الطبقات السبع في الجدول 6 مع أسماء الخدمات والتبعيات.
  3. تنفيذ جمع البيانات في الوقت الحقيقي عبر خط أنابيب نهاية-حافة-سحابية؛ تعريف ترددات العينة، وقواعد التجميع، وجودة الخدمة في الجدول 7؛ مواضيع وسياط السجلات وسياسات الاحتفاظ بها. اعرض خط الأنابيب في الشكل 329،30.
  4. بناء نماذج افتراضية باستخدام Graph-SLAM للتخطيط والتدفقات، والمحاكاة القائمة على الوكيل للسلوكيات، وأدوات CFD لقيود البيئة؛ إعداد إعدادات سيناريو الحزمة للشكل 4.
  5. ضمان المزامنة تحت 100 مللي ثانية باستخدام الرسائل العامة/الفرعية وPTP؛ يلتقط مقاييس زمن التشغيل، ومعدل الإنتاجية، ومقاييس فقدان الحزم، ويوفر مقاييس خام في مجموعات البيانات التكميلية.
  6. تطوير وحدات دعم القرار للإنذار المبكر، ومحاكاة صندوق الرمل، وتصور المشغلين؛ عرض نقاط نهاية REST ولوحات المعلومات القائمة على الأدوار. تطبيع مخرجات التحذير المبكر، ونتائج المحاكاة، ومعلمات التصور لعرض لوحة المعلومات.
    تحقق: خط أنابيب الابتلاع نشط؛ رسائل عينات تتم معالجتها عبر MQTT/OPC-UA.
    تحقق: تستجيب نقاط نهاية النموذج لطلبات الاختبار (REST/GraphQL).
    ملاحظة توفر البيانات: ملفات تكوين الأرشيف، أوزان النماذج، وبذور المحاكاة؛ توفر مجموعات التحقق ورابط مستودع للقراءة فقط في قسم توفر البيانات.
  7. إعدادات المعاملات الفائقة لنموذج التنبؤ بالمخاطر
    1. راجع الجدول 8 لإعدادات المعلمات الفائقة لسير العمل (Bi-LSTM، GCN، بوابة الاندماج، وحدات PPO، وإعدادات بيئة التدريب).
  8. اختبار t العينة المزدوجة
    1. استخدم اختبار t مزدوج لتقييم ما إذا كانت التحسينات الملحوظة في أداء النموذج (مثل دقة التنبؤ، أفق التحذير المبكر، دقة الانتشار، ومؤشرات جودة القرار) تختلف بشكل كبير بين المخرجات الأساسية والطريقة المقترحة تحت السيناريوهات المتطابقة. احسب إحصائية الاختبار باستخدام المعادلة (2):
      figure-protocol-5   (2)
      حيث figure-protocol-6 هو متوسط الفرق المزدوج بين المخرجات الأساسية والمخرجات المقترحة، وsd هو الانحراف المعياري للفروقات المزدوجة، وm هو عدد الملاحظات المزدوجة (سيناريوهات المحاكاة المتطابقة)، و u هو إحصاء اختبار t الزوجي.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الإعداد التجريبي

يستخدم البروتوكول بايثون 3.11 مع PyTorch 2.1، scikit-learn 1.3، NetworkX 3.1، pandas 2.1، numpy 1.27، وخيار TensorFlow 2.14. تعتمد المحاكاة على Graph-SLAM (g2o 2025.10، ROS2)، وAnyLogic 2025 للنمذجة القائمة على الوكلاء، وANSYS Fluent 2025 أو OpenFOAM v11 للنمذجة المعتمدة على CFD. يتم دعم تبادل البيانات من خلال MQTT v5 وOPC-UA وFastAPI لخدمة النماذج، مع الحاويات عبر Docker 24.0 وNVIDIA Toolkit. تشمل الأجهزة المطلوبة معالجات ≥16...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تدعم نتائج الدراسة الرأي القائل بأن خطوط التعلم المدعومة بالتوائم الرقمية يمكن أن تعزز إدارة مخاطر سلسلة التوريد من خلال ربط مزامنة الحالة بالتوقعات المبنية على البيانات. تشير النتائج التجريبية إلى أن العمود الفقري ثنائي المدى الداخلي للتركيز والانتباه، مع الترميز المكاني القائم على GCN، يحسن الدقة التنبؤية ويوسع أفق الإنذار المبكر، وهو ما يتوافق مع الأدلة الحديثة على أن التنبؤ الزماني المكاني يستفيد من دمج الإشارات الخارجية وبنية الشبكة في نموذجموحد 31.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وقد دعم هذا العمل من قبل صناديق البحث الأساسي للجامعات المركزية (المنحة رقم 2024JCXKSK06). يشكر المؤلفون جامعة الصين للتعدين والتكنولوجيا وجامعة فويانغ للمعلمين على تقديم الدعم المؤسسي. يعبر عن شكر خاص لشركاء الصناعة على مشاركة البيانات وخبرتهم في المجالات. كما نعترف بالمساهمات التقنية من مجتمعات المصدر المفتوح ومطوري منصات المحاكاة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
AnyLogic Simulation PlatformThe AnyLogic CompanyN/Aبرنامج نمذجة متعدد الأساليب للمحاكاة القائمة على الوكيل، والمحاكاة الحدثية المنفصلة، وديناميكيات النظام، متكامل مع TensorFlow
NVIDIA A100 GPU Server ClusterNVIDIA CorporationN/Aيُستخدم للتدريب المتوازي لنماذج Bi-LSTM-Attention + GCN وتحسين PPO داخل منصة التوأم الرقمي

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Zhu, X. X., Zhu, J., Regan, D., Wen, Z. M. Exploring cascading failures in supply chain risk management: A systematic review, 2013–2024. J Safety Sci Resilience. 7, 100234 (2025).
  2. International Organization for Standardization (ISO). . Automation systems and integration — Digital twin framework for manufacturing. , (2021).
  3. Zhang, C. Y., Ji, J., Zhang, T. Can sustainable supply chain sustain supplier’s operational efficiency?. Int J Prod Econ. 285, 109640 (2025).
  4. Alyasein, O. I. Y., Ojha, D., Sadeghi, R. K. Supply chain digitalization, innovation capability, and organizational agility: The moderating role of institutionalization and supply chain integration. Ind Mark Manag. 125, 215-225 (2025).
  5. Schuster, M., Paliwal, K. K. Bidirectional recurrent neural networks. IEEE Trans Signal Process. 45 (11), 2673-2681 (1997).
  6. Graves, A., Mohamed, A. R., Hinton, G. Speech recognition with deep recurrent neural networks. , (2013).
  7. Kipf, T. N., Welling, M. Semi-supervised classification with graph convolutional networks. arXiv:1609.02907. , (2016).
  8. Bahdanau, D., Cho, K., Bengio, Y. Neural machine translation by jointly learning to align and translate. arXiv:1409.0473. , (2014).
  9. Schulman, J., Wolski, F., Dhariwal, P., Radford, A., Klimov, O. Proximal policy optimization algorithms. arXiv:1707.06347. , (2017).
  10. Ma, C., Liu, M., Zhang, M., Tian, X. Supply chain economic decision-making based on reinforcement learning algorithm. Procedia Comput Sci. 261, 912-918 (2025).
  11. Grieves, M. . Digital twin: Manufacturing excellence through virtual factory replication. , (2014).
  12. . OPC Unified Architecture Available from: https://webstore.iec.ch/en/publication/61109 (2020)
  13. . MQTT Version 5.0 Available from: https://docs.oasis-open.org/mqtt/mqtt/v5.0/mqtt-v5.0.html (2019)
  14. . Functional Mock-up Interface specification Available from: https://fmi-standard.org/docs/3.0/ (2022)
  15. Chandola, V., Banerjee, A., Kumar, V. Anomaly detection: A survey. ACM Comput Surv. 41 (3), 15 (2009).
  16. Ahmed, M., Mahmood, A. N., Hu, J. A survey of network anomaly detection techniques. J Netw Comput Appl. 60, 19-31 (2016).
  17. Hochreiter, S., Schmidhuber, J. Long short-term memory. Neural Comput. 9 (8), 1735-1780 (1997).
  18. Zhang, H., Lu, G., Zhan, M., Zhang, B. Semi-supervised classification of graph convolutional networks with Laplacian rank constraints. Neural Process Lett. 54 (4), 2645-2656 (2022).
  19. Guo, Y., et al. Deep learning for visual understanding: A review. Neurocomputing. 187, 27-48 (2016).
  20. Cimiano, P., Paulheim, H. Knowledge graph refinement: A survey of approaches and evaluation methods. Semant Web. 8 (3), 489-508 (2017).
  21. Tang, C. S. Perspectives in supply chain risk management. Int J Prod Econ. 103 (2), 451-488 (2006).
  22. Ivanov, D. Supply chain viability and the COVID-19 pandemic: A conceptual and formal generalisation of four major adaptation strategies. Int J Prod Res. 59 (12), 3535-3552 (2021).
  23. Crouhy, M., Galai, D., Mark, R. . The essentials of risk management. , (2014).
  24. Shapiro, A. Monte Carlo simulation approach to stochastic programming. , (2001).
  25. Zadeh, L. A. The concept of a linguistic variable and its application to approximate reasoning—I. Inf Sci. 8 (3), 199-249 (1975).
  26. Albert, R., Jeong, H., Barabási, A. L. Error and attack tolerance of complex networks. Nature. 406 (6794), 378-382 (2000).
  27. Buldyrev, S. V., Parshani, R., Paul, G., Stanley, H. E., Havlin, S. Catastrophic cascade of failures in interdependent networks. Nature. 464 (7291), 1025-1028 (2010).
  28. Xu, L. D., He, W., Li, S. Internet of things in industries: A survey. IEEE Trans Ind Inform. 10 (4), 2233-2243 (2014).
  29. Schlechtendahl, J., Keinert, M., Kretschmer, F., Lechler, A., Verl, A. Making existing production systems Industry 4.0-ready. Prod Eng. 9 (1), 143-148 (2015).
  30. Berkani, S., Guermah, B., Zakroum, M., Ghogho, M. Spatio-temporal forecasting: A survey of data-driven models using exogenous data. IEEE Access. 11, 75191-75214 (2023).
  31. Song, X., Zhao, P., Yin, R., Zu, Y., Zhang, Y. Cascading failure model and resilience-based sequential recovery strategy for complex networks. Reliab Eng Syst Saf. 253, 110488 (2025).
  32. Xu, L., et al. Addressing concept drift in IoT anomaly detection: Drift detection, interpretation, and adaptation. IEEE Trans Sustain Comput. 9 (6), 913-924 (2024).
  33. Vieira, A. A. C., Dias, L., Santos, M. Y., Pereira, G. A. B., Oliveira, J. Supply chain risk management: An interactive simulation model in a big data context. Procedia Manuf. 42, 140-145 (2020).
  34. Guptha, V. D. P. S., Anamalamudi, S., Madupuri, R. P., Sivarajan, S. Interoperability between OPC UA and MQTT in hybrid industrial IoT (IIoT) environments. , (2025).
  35. Lundberg, S. M., Lee, S. I. A unified approach to interpreting model predictions. , (2017).
  36. Saxena, S., et al. Blockchain for supply chain traceability: Opportunities and challenges. , (2023).
  37. Kheioon, I. A., Saleem, K. B., Sultan, H. S. Analysis of natural convection and radiation from a solid rod under vacuum conditions with the aiding of ANFIS. Experimental Techniques. 47 (1), 139-152 (2023).
  38. Bachi, I. O., Bahedh, A. S., Kheioon, I. A. Design of control system for steel strip-rolling mill using NARMA-L2. J Mech Sci Technol. 35 (4), 1429-1436 (2021).
  39. Bahedh, A. S., Kheioon, I. A., Munahi, B. S., Al-Sabur, R. Modelling and controlling of modified robotic gripper mechanism using intelligent technique scheme. , (2022).
  40. Jawad, Q. A., Mohammed, R. J., Hadi, A. K., Kheioon, I. A. Liquid level controlling using the intelligent techniques. , (2023).
  41. Kheioon, I. A., Al-Sabur, R., Sharkawy, A. N. Design and modeling of an intelligent robotic gripper using a cam mechanism with position and force control using an adaptive neuro-fuzzy computing technique. Automation. 6 (1), 4 (2025).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

الفيديو قريباً

مقالات ذات صلة