Methodenartikel

Digital-Twin-Guided Protocol zur Vorhersage und Minderung von Lieferkettenrisiken mit neuronalen Sequenz- und Graphenmodellen

DOI:

10.3791/69878

⸱

6. März 2026

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

In diesem Artikel

Zusammenfassung

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

Dieses Protokoll beschreibt einen reproduzierbaren Digital-Twin-Workflow, der Datenerfassung, sequenz- und graphbasierte Risikovorhersage, Ausbreitungssimulation und Politikoptimierung integriert. Es spezifiziert Softwareversionen, Parameter, Checkpoints und Fehlerbehebungsschritte, um eine treue Replikation in industriellen Umgebungen zu unterstützen.

Zusammenfassung

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

Lieferketten erfordern eine Echtzeit-Risikovorhersage und -minderung bei hoher Unsicherheit und Netzwerkabhängigkeit. Dieses Protokoll beschreibt einen reproduzierbaren Digital-Twin-(DT)-Workflow, der Datenerfassung, raumzeitliche Risikoprognose, Risikopropagationssimulation und Optimierung der Minderungspolitik in einem einzigen containerisierten Stack verbindet. Zur Vorhersage integrieren wir ein interpretierbares Sequenz- und Graphenmodell, das ein Bi-LSTM mit Graphenfaltung kombiniert, um zeitliche Dynamiken und Netzwerkabhängigkeiten zu erfassen. Zur Minderung lernt die proximale Policy Optimization (PPO) aus simulierten Störungen umsetzbare Entscheidungsrichtlinien und ermöglicht kostenbewusste Reaktionen statt nachträglicher Diagnose. Zur Unterstützung von Bereitstellung und Replikation bieten wir eine hierarchische Key-Risk-Indicator-Taxonomie an, die endogene und exogene Risiken trennt, zusammen mit versionsgepinnten Umgebungen, Datenverträgen und Validierungskontrollpunkten. Repräsentative Ergebnisse zeigen sowohl prädiktive als auch Entscheidungsgewinne. Auf einem 300-Knoten-Automobilnetzwerk verbessert der Ansatz F1 um 19,3 % und verlängert den Frühwarnhorizont um 5,2 Stunden. In einer US-Wiederholung der Hafenüberlastung 2021 reduziert PPO Verzögerungen und Notfall-Reaktionskosten um über 20 %. Der Workflow skaliert auf 500-Knoten-Simulationen mit Millisekunden-Latenz und erhält dabei eine stabile Long-Horizon-Performance. Duale Validierung mit historischer Ereigniswiederholung und Online-Simulation bestätigt verbesserte Genauigkeit, robuste Entscheidungsqualität und praktische Skalierbarkeit. Einschränkungen und Anpassungsrichtlinien werden diskutiert, um den Wechsel in neue Lieferkettenumgebungen zu erleichtern.

Einleitung

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

Die globalen Versorgungsnetze stehen in ständiger Unsicherheit, wo lokale Störungen über Lieferantenstufen und Transportwege hinweg ausbreiten und systemweite Verlangsamungen auslösen können. In vielen Organisationen basiert die Risikoüberwachung weiterhin auf rückwirkenden Berichten oder periodischen Audits, die nützlich sind, um Vorfälle und Compliance zu dokumentieren, aber für schnell wechselnde Betriebsbereiche weniger effektiv sind. Wenn sich Daten von Minute zu Minute entwickeln, benötigen Entscheidungsträger einen Workflow, der kontinuierliche Sinnfindung, kurzfristige Vorhersage und rechtzeitiges Eingreifen unterstützt, anstatt eine nachträgliche Diagnose1.

Traditionelle Werkzeuge wie Risikoregister und statistikbasierte Frühwarnmodelle sind weiterhin wertvoll für Standardisierung und hochrangige Nachverfolgung, abstrahieren jedoch typischerweise die dynamischen Interaktionen zwischen Anlagen, Inventaren, Kapazitäten und Strömen ab. Der hier beschriebene Digital-Twin-basierte Arbeitsablauf ergänzt diese Ansätze, indem er eine kontinuierliche Zustandssynchronisation aufrechterhält und szenariobasierte Bewertungen ermöglicht, sodass Was-wäre-wenn-Störungen und Minderungsmaßnahmen getestet werden können, bevor sie den Werkstattboden oder den Winkel erreichen. In der Praxis dient der Zwilling als cyber-physische Darstellung, die zentrale Betriebszustände und -beschränkungen widerspiegelt und eine umsetzbare Grundlage für proaktive Minderung statt rückwirkender Berichterstattungbietet 2.

Jüngste Forschungen zur Lieferkette haben eine zunehmende Anfälligkeit für Störungen durch globalisierte Lieferantennetzwerke, schwankende Nachfragemuster, geopolitische Instabilität und klimabedingte Ereignisse hervorgehoben. Traditionelle Risikomanagementansätze stützen sich stark auf rückwirkende Berichterstattung und statische Bewertungen, die es versäumen, sich schnell entwickelnde Betriebsbedingungen oder die komplexen Wechselwirkungen innerhalb von mehrstufigen Netzwerken zu erfassen. Der praktische Einsatz hängt von zwei Anforderungen ab. Das Risiko muss mit Indikatoren quantifiziert werden, die über Pflanzen und Regionen hinweg vergleichbar sind; Andernfalls driften Schwellenwerte, und Alarme werden willkürlich, und der Zwilling muss explizite Latenz- und Treueziele erreichen, damit simulierte Zustände die operative Realität genau genug verfolgen, um Kontrollentscheidungen 3,4 zu unterstützen. Aufbauend auf diesen Anforderungen beschreibt dieses Protokoll einen reproduzierbaren Workflow, der Datenverträge mit Entscheidungsrichtlinien innerhalb eines kontinuierlichen Systems verbindet. Zeitliche Signale werden mit bidirektionalem Langzeitgedächtnis zusammengefasst, die Netzwerkstruktur wird mit Graphen-Konvolution kodiert, und Aufmerksamkeitsgewicht-Visualisierung wird verwendet, um den Modellierungsschritt für Operatoren und Auditoren interpretierbarzu halten 5,6,7,8. Obwohl datengetriebene Modelle und frühe Digital-Twin-Anwendungen das Situationsbewusstsein verbessert haben, bleiben sie oft fragmentiert und fehlen einheitliche Mechanismen für Echtzeitwahrnehmung, raumzeitliche Vorhersage und umsetzbare Entscheidungsunterstützung. Diese Lücken unterstreichen die Notwendigkeit eines integrierten Protokolls, das hochauflösende Digital-Twin-Umgebungen mit fortschrittlichen Sequenz- und Graphenlernmodellen kombiniert, um eine zeitnahe, interpretierbare und skalierbare Risikoüberwachung in dynamischen Industriesystemen zu ermöglichen. Minderungsstrategien werden durch proximale Policy-Optimierung ermittelt, die gegen den Zwilling trainiert wird, wodurch Abwägungen zwischen Serviceniveau, Verzögerung und Kosten abgestimmt werden können, ohne den Live-Betriebzu beeinträchtigen.

Diese Forschung bezieht sich auf mittelgroße bis große Versorgungsnetzwerke (100–500 Knoten) mit Streaming-Datenvolumen von 1–5 Millionen Datensätzen pro Tag und moderater Datenqualität (≥85 % Vollständigkeit, ≤5 % Fehlen nach Vorverarbeitung). Die Echtzeitbereitstellung erfordert anhaltende End-to-End-Latenz unter 100 ms und stabile Synchronisation (<0,5 % Drift) und kann auf Umgebungen mit geringer Bandbreite oder nicht-containerisierten Umgebungen beschränkt sein.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

Wir bestätigen, dass diese Studie anonymisierte Unternehmens- und Logistikdaten sowie synthetische Störungsszenarien verwendet, ohne menschliche oder tierische Beteiligung. Der Zugang zu den Roh-Betriebsprotokollen wurde schriftlich von den datenbesitzenden Organisationen gewährt und vom institutionellen Datengovernance-Komitee vor der Datenextraktion genehmigt. Der Datenzugriff wurde durch rollenbasierte Zugriffskontrolle verwaltet; Alle Zugriffsereignisse wurden protokolliert; und Audit-Trails werden für ≥3 Jahre nach der Veröffentlichung aufbewahrt. Bei der Meldung von Störungsfällen verallgemeinern oder verbergen wir firmenidentifizierende Merkmale (z. B. Anlagennamen, Kundenkennungen, Vertrags-IDs und genaue Geostandorte), um das Risiko der Wiederidentifikation zu verringern. Kopien von Datennutzungsgenehmigungen und Einwilligungs-/Erlaubnisschreiben können der Zeitschrift auf Anfrage zur Verfügung gestellt werden und werden als ergänzende Dokumentation für die redaktionelle Überprüfung beigefügt.

1. Konzept, Architektur und Standards des digitalen Zwillings

  1. Definieren Sie den digitalen Zwilling gemäß dem Informationsspiegelmodell von Grieves und spezifizieren Sie einen fünfschichtigen Stack (physisch, virtuell, Daten, Verbindung, Anwendung) mit klaren Ebenenverantwortlichkeiten und Schnittstellen, wie es in Grieves' frühen Arbeiten und den ISO-23247-Standards betont wird. Systemdesigndokumente und ISO-23247-Schemata werden als primäre Eingaben verwendet, wobei Schichtdefinitionen zu einer fünfschichtigen Abstraktion für konsistente architektonische Abbildung 2,11 normalisiert wurden.
  2. Illustrieren Sie die End-to-End-Architektur in Abbildung 1; globale Identifikatoren (assetID, modelID, runID), die kanonische Zeitbasis (UTC) und das Benennungsschema für Datensätze und Experimente deklarieren. Standardisieren Sie Asset-Metadaten, Modellregistrierungen und Experimentprotokolle in einheitliche ID-Formate (assetID/modelID/runID) und stempeln Sie diese in UTC vor der architektonischen Integration ein.
  3. Übernehmen Sie offene Standards für Interoperabilität: verwenden Sie OPC UA/IEC 62541 und MQTT v5 für den Feld-zu-Plattform-Austausch, REST/GraphQL für Service-APIs und FMI/AutomationML für den Modellaustausch und die Topologiebeschreibung. Notieren Sie alle Schemalücken zwischen verschiedenen Domänen und stellen Sie Adapter mit expliziten Genauigkeitshinweisen bereit. OPC UA/MQTT-Feldströme und AutomationML/FMI-Modelldateien werden durch Schema-Adapter analysiert, validiert und konvertiert, um die Interoperabilität über die Plattformen2, 12, 13 und 14 hinweg zu gewährleisten.
  4. Synchronisieren Sie alle Knoten mit IEEE 1588 PTP, erzwingen Sie eine End-to-End-Latenz unter 100 ms für geschlossene Schleifennutzung und dokumentakzeptanzgrenzen für Jitter und Taktdrift. Datensatzvalidierung und Adapter-Roundtrip-Prüfungen in Tabelle 1. Taktsynchronisationsprotokolle, Netzwerkspuren und Roundtrip-Latenzproben werden gesammelt und bereinigt, um Zeitvorgaben unter 100 ms und die PTP-Synchronisationsgenauigkeitvon 15 zu überprüfen.
  5. Pausenpunkt: Nach den Schritten 1.1–1.4 pausieren, um die Schema-Roundtrips (Export, Import und Validierung) und die Einhaltung der Latenz zu bestätigen, bevor Sie fortfahren.
    Schema-Roundtrips validieren: Bestätigen, dass Export-/Import-/Validierungsprotokolle keine Fehler anzeigen.
    Latenzmetriken: End-to-End-<100 ms; Jitter <5 ms; Taktdrift <1 ms/min.
    Dashboard-Snapshot: Stelle sicher, dass Tabelle 1 mit Rundzeiten der Adapter und Synchronisationsfehlern gefüllt ist.

2. Analytische Technologien zur Risikowahrnehmung und -prognose

  1. Trainieren Sie prädiktive Modelle auf historischen Multi-Source-Logs (Befehle, Telemetrie, Ereignisse), um eine Frühwarnfähigkeit herzustellen; Setze zufällige Seed und dokumentiere Datenaufteilungen für Reproduzierbarkeit. Standardisieren Sie numerische Variablen, wenden Sie eine One-Hot-Codierung auf kategoriale Merkmale an und konstruieren Sie Sequenzen mit gleitenden Fenstern (z. B. 12–24 Zeitschritte).
  2. Teile die Daten in 70 % Training, 15 % Validierung und 15 % Tests auf. Verwenden Sie ein Bi-LSTM mit 2 Schichten (128–256 Einheiten), Dropout 0,2–0,3 und Adam Optimizer (LR = 1e-3). Protokolliere alle zufälligen Samen, um die Reproduzierbarkeit sicherzustellen. Bereinigen Sie historische Auftragsprotokolle, Telemetrie und Ereignisströme, standardisieren, kodieren und in Sliding-Window-Sequenzen für Bi-LSTM-Training umwandeln.
  3. Wenden Sie unüberwachte Anomalieerkennungsmethoden an (z. B. Isolationswald, robuste Kovarianz, Autoencoder), wenn markierte Daten spärlich sind, und kalibrieren Sie Schwellenwerte unter Verwendung von Präzisions-Rückruf-Abwägungen. Normalisiere Eingaben mit Min-Max-Skalierung und trainiere dann Isolationswälder mit 100–200 Bäumen oder Autoencoder mit 3–5 versteckten Schichten. Optimieren Sie Schwellenwerte mit PR-Kurvenoptimierung und bewerten Sie sie anhand von Rekonstruktionsfehler- oder Anomalie-Score-Verteilungen. Normalisieren Sie unmarkierte Betriebsprotokolle (Min-Max) und transformieren Sie sie in Anomalie-Score-Funktionen für das Training von Isolationswäldern oder Autoencodern und Schwellenkalibrierung16,17.
  4. Integration von sequenz- und graphbasierten Modellen (z. B. Bi-LSTM mit Aufmerksamkeit und GCN), um zeitliche Muster und räumliche Abhängigkeiten über Lieferanten-Transport-Netzwerke hinweg zu erfassen. Erstelle Adjazenzmatrizen aus Lieferanten-Transport-Verbindungen und normalisiere sie mit symmetrischer Gradskalierung. Das Hybridmodell kombiniert Bi-LSTM-Ausgänge mit 1–2 GCN-Schichten (versteckte Größe 64–128) und einem vollständig verbundenen Klassifikationskopf. Trainieren Sie für 30–50 Epochen, mit vorzeitigem Stoppen basierend auf der Validierung F118,19.
    HINWEIS: Der Graphen-Faltungsschritt im vorgeschlagenen Modell aktualisiert die Knotenrepräsentationen mithilfe der in Gleichung (1) gezeigten normalisierten Aggregationsregel, sodass jeder Knoten Informationen von seinen Nachbarn aufnehmen und gleichzeitig das strukturelle Gleichgewicht erhalten kann. Diese Formulierung gewährleistet eine stabile Ausbreitung von Merkmalen im gesamten Lieferkettennetzwerk und bildet die Grundlage für die Erfassung räumlicher Abhängigkeiten innerhalb der Digital-Twin-Architektur.
    figure-protocol-1   (1)
    figure-protocol-2 ist die Adjazenzmatrix mit hinzugefügten Selbstschleifen. figure-protocol-3 bezieht sich auf die Gradmatrix von figure-protocol-4. H(l)  ist die Knotenmerkmalsmatrix auf Schicht l. W(l) ist die trainierbare Gewichtsmatrix und σ(•) ist die ReLU-Aktivierungsfunktion. Lieferanten-Transportnetzwerk-Tabellen werden in Nachbarschaftsmatrizen umgewandelt und mit symmetrischer Gradskalierung normalisiert, bevor sie in das hybride Sequenz-Graphen-Modell eingespeist werden.
  5. Verwenden Sie natürliche Sprachverarbeitung, um Politik- und Marktsignale aus Nachrichten und Bulletins zu extrahieren, und wenden Sie Computer Vision an, um Portstörungen aus Überwachungsfeeds mit Datenschutzmaskierung zu erkennen. Um Satzeinbettungen aus Richtlinien- oder Marktbulletins zu extrahieren, verwenden Sie einen vortrainierten Transformator (z. B. BERT-Base) und wenden Sie dann leichte CNNs oder MobileNet für die Port-Feed-Frame-Analyse nach Datenschutzunschärfe an. Vor der Fusion normalisiere alle extern-modalen Einbettungen20.
  6. Erstellen Sie eine Wissensgraph von Lieferanten, Routen, Einrichtungen und Verträgen, um kausale Abfragen und Ursachenverfolgung zu ermöglichen; Exportiere Schnappschüsse für Abbildung 2. Erstellen Sie Knoten aus Lieferanten, Produkten, Routen und Einrichtungen und bauen Sie dann Edges mit vertraglichen Verbindungen und logistischen Flüssen. Verwenden Sie RDF oder property-graph-Format, Entitätsresolutionsregeln und Graphvalidierung, um nicht verbundene Komponenten21 zu erkennen.
  7. Suchstrategie-Klärung und Schlüsselwortkonstruktion
    1. Verfeinere die Suchmethode, um die Struktur und Logik der Abfragebegriffe klar darzustellen. Gruppensuchbegriffe nach Konzept und Kombination mit Boolesche Operatoren, um eine systematische und reproduzierbare Suche zu gewährleisten. Zum Beispiel war der vollständige verwendete Abfragestring:
      ("Lieferkettenrisiko" ODER "Lieferstörung") UND ("digitaler Zwilling" ODER "Simulation") UND ("Vorhersage" ODER "Frühwarnung").
      Die Darstellung der Suchsyntax in strukturierter Form klärt die Ausführungssequenz und reduziert Mehrdeutigkeiten. Die Trennung von Technologie-, Domänen- und funktionalen Schlüsselwörtern zeigt Transparenz und unterstützt Prüfer bei der Überprüfung des Suchprozesses.
    2. Fehlerbehebung: Wenn es zu viele Warnungen gibt, erhöhen Sie die Aggregationsfenster, führen Sie Hysterese ein oder erhöhen Sie Anomalieschwellenwerte mithilfe robuster Statistiken. Wenn Modelle abdriften oder instabil werden, trainieren Sie nach einem festen Zeitplan neu und führen Backtesting-Protokolle, um Leistungsänderungen zu dokumentieren.

3. Risikoklassifikation und Schlüsselindikatorsystem

  1. Klassifizieren Sie Risiken in endogen (lineare Ausbreitung innerhalb des Unternehmensnetzwerks) und exogene (Multi-Knoten-Schocks von externen Quellen). Geben Sie Beispiele und Abbildungsregeln22,23.
  2. Einrichtung eines mehrstufigen Key Risk Indicator (KRI)-Systems, das Lieferantenstabilität, Produktionsabläufe, logistische Leistung und Informationsintegration abdeckt; Definieren Sie jede KRI, ihre Datenquelle und aktualisieren Sie den Rhythmus. Datensätze für Filterzulieferer, Betrieb, Logistik und Integration; aggregieren und ausrichten, um gestufte KRI-Werte mit definierten Aktualisierungsfrequenzen zu erzeugen.
  3. Präsentieren Sie die KRI-Definitionen, Formeln und Warnschwellenwerte in Tabelle 2; Akzeptanzkriterien für Dokumente und Eskalations-Playbooks24.
    1. Qualitätskontrolle: Authentifizieren Sie das KRI-System, indem eine Mindestübereinstimmung von 0,7 zwischen generierten Warnungen und historischen Vorfallprotokollen erforderlich ist. Geben Sie die KRI-Schwelle erst nach Bestehen des Konkordanztests frei. Um empirische Validität zu erhalten, testen Sie das mehrstufige KRI-System mit historischen Vorfallprotokollen mithilfe von Konkordanztests zurück.
    2. Schwellenwertsetzung und Backtesting: Für jeden Indikator werden Alarmschwellen festgelegt (z. B. Level-1-Alarm: Lieferabwicklung <95 %; Stufe 2 Warnung: Lieferabwicklung <85 %; Nachfrageschwankungen >5 %) und überprüfen sie mit 18 Monaten Betriebshistorie und zeitgestempelten Störungsdaten. Definieren Sie Konkordanz als den Anteil der KRI-Warnungen, die mit dem tatsächlichen Vorfall innerhalb eines ±12-Stunden-Fensters übereinstimmen. Bestätigen Sie, dass der Konkordanz-Mittelwert das Freisetzungskriterium (≥0,7) vor der Betriebsnutzung erfüllt.
    3. Schwellenwertpflege: In nachfolgenden Implementierungen werden die Schwellenwerte durch periodische Neutests und Rücktests angepasst oder das Testfenster basierend auf saisonalen Trends und Anomaliehäufigkeit angepasst.
  4. KRI-Schwellenwerte bei echter Incident-Erfassung vs. Fehlalarmen
    1. Überprüfen Sie jede KRI-Schwelle in der Risikotyp-Indikator-Tabelle und testen Sie mit 18 Monaten historischer Vorfallprotokolle, um die betriebliche Nützlichkeit zu bestimmen. Für jeden Indikator berechnen Sie die tatsächliche Ereigniserfassungsrate (Recall), definiert als den Prozentsatz der realen Störungsereignisse, die vor oder zum Zeitpunkt des Auftretens identifiziert wurden. Berechnen Sie die Fehlalarmrate, definiert als der Anteil der Alarme, bei denen innerhalb eines Fensters von ±12 Stunden keine Störung auftritt. Verwenden Sie diese Kennzahlen, um den Kompromiss zwischen Empfindlichkeit und Betriebsrauschen in der Frühwarnung zu quantifizieren (Tabelle 3).
  5. Szenariobasierte Bewertung des vorgeschlagenen raumzeitlichen Modells
    1. Bewertung der Vorhersagegenauigkeit, Kalibrierungszuverlässigkeit und Recheneffizienz des vorgeschlagenen Bi-LSTM + Attention + GCN spatiotemporalen Fusionsmodells anhand von drei repräsentativen Störungsszenarien: Geräteausfallrisiko, geopolitisches Störungsrisiko und kaskadendes Multi-Node-Netzwerkausfall. Verwenden Sie den mittleren absoluten Fehler (MAE), den Brier-Wert und die Entscheidungszyklus-Berechnungszeit als Bewertungsmetriken (Tabelle 4).

4. Quantifizierungsmodelle

  1. Wenden wahrscheinlichkeitsbasierte Modelle (z. B. Monte Carlo) an, um die Ereigniswahrscheinlichkeit und den erwarteten Verlust zu schätzen; Berichte über Konvergenzdiagnostiken und Konfidenzintervalle. Stichprobenwahrscheinlichkeiten für Störungen aus empirischen Verteilungen oder angepassten parametrischen Modellen. Führe 5.000–10.000 Iterationen durch, berechnen Sie den geschätzten Verlust pro Knoten und melden Sie 95%-Konfidenzintervalle25.
  2. Expertenurteile mithilfe von Fuzzy-Logik in quantitative Werte umwandeln (z. B. fuzzy AHP/FIS); kalibrieren Sie Mitgliedschaftsfunktionen anhand historischer Ergebnisse. Entwicklung paarweiser Vergleichsmatrizen mit Experteneingaben, Übersetzung linguistischer Konzepte in dreieckige, vage Zahlen und Berechnung aggregierter Gewichte mittels geometrischer Mittel. Defuzzify mit der Centroid-Methode, um präzise Risikowerte26 zu erhalten.
  3. Einsatz von Netzwerkanalysen, um Ausbreitungspfade zu kartieren und verwundbare Knoten über Zentralitäts- und Perkolationsschwellenwerte zu identifizieren; Export-Kandidaten-Cut-Sets. Datensätze für Filterzulieferer, Betrieb, Logistik und Integration; aggregieren und ausrichten, um gestufte KRI-Werte mit definierten Aktualisierungsfrequenzen zu erzeugen.
  4. Berechnen Sie Knotenzentralitätsmetriken (Grad, Zwischenheit, Eigenvektor) und simulieren Sie die Ausbreitung mit Schwellenwert- oder SIR-ähnlichen Modellen mit konfigurierbaren Übertragungswahrscheinlichkeiten (z. B. 0,1–0,3). Identifizieren Sie Schlüsselknoten, indem Sie den propagierten Einfluss über 500–1.000 Simulationsläufe priorisieren,27,28.
  5. Vergleichen Sie Wahrscheinlichkeits-, Fuzzy- und Netzwerkmodelle in Tabelle 5; Wählen Sie nach Szenarioanpassung, Datenverfügbarkeit und Interpretierbarkeit aus. Pausenpunkt: Parameter-Baselines und Archivierungs-Konfigurationsdateien sichern, bevor zur Bereitstellung übergegangen wird.
    Ausgabe: Parameter-Baselines gespeichert in Konfigurationsdateien.
    Protokolle: Konvergenzdiagnostik, Konfidenzintervalle und Zentralitätsberechnungen archiviert.

5. Gesamtarchitektur und funktionale Module

  1. Organisieren Sie Fähigkeiten in fünf Domänen und sieben Schichten; Module für Wahrnehmung, Quantifizierung, Vorhersage, Entscheidungsfindung und Ausführung auf containerisierte Microservices mit versionierten APIs abbilden.
  2. Stellen Sie das siebenschichtige funktionale Mapping in Tabelle 6 mit Servicenamen und Abhängigkeiten bereit.
  3. Realzeit-Datenerhebung über eine End-Edge-Cloud-Pipeline implementieren; in Tabelle 7 Sampling-Frequenzen, Batching-Regeln und QoS definieren; Erfassen Sie Themen für Makler und Aufbewahrungsrichtlinien. Illustrieren Sie die Pipeline in Abbildung 329,30.
  4. Erstelle virtuelle Modelle mit Graph-SLAM für Layout und Flows, agentenbasierter Simulation für Verhalten und CFD-Tools für Umweltbeschränkungen; Bundle-Szenario-Presets für Abbildung 4.
  5. Synchronisation unter 100 ms mit Pub/Sub-Messaging und PTP sicherstellen; Erfassen Sie Laufzeit-Latenz-, Durchsatz- und Paketverlustmetriken und stellen Rohmetriken in den ergänzenden Datensätzen bereit.
  6. Entwicklung von Entscheidungsunterstützungsmodulen für Frühwarnung, Sandbox-Simulation und Operatorvisualisierung; REST-Endpunkte und rollenbasierte Dashboards bereitstellen. Normalisieren Sie Frühwarnausgaben, Simulationsergebnisse und Visualisierungsparameter für das Rendering von Dashboards.
    Check: Aufnahmepipeline aktiv; Beispiel-Nachrichten, die über MQTT/OPC-UA VERARBEITET WERDEN.
    Check: Modell-Endpunkte reagieren auf Testanfragen (REST/GraphQL).
    Datenverfügbarkeit Hinweis: Archivkonfigurationsdateien, Modellgewichte und Simulationsseeds; Stellen Prüfsummen und einen Schreibschutz-Link im Abschnitt Datenverfügbarkeit bereit.
  7. Hyperparameter-Einstellungen für das Risikovorhersagemodell
    1. Siehe Tabelle 8 für die Hyperparameter-Einstellungen des Workflows (Bi-LSTM, GCN, Fusion Gate, PPO-Module und Trainingsumgebungen).
  8. Gepaarter Stichproben-t-Test
    1. Verwenden Sie einen gepaarten Stichproben-t-Test, um zu bewerten, ob die beobachteten Verbesserungen der Modellleistung (z. B. Vorhersagegenauigkeit, Frühwarnhorizont, Ausbreitungsgenauigkeit und Entscheidungsqualitätsindikatoren) sich signifikant zwischen den Basisergebnissen und der vorgeschlagenen Methode in abgestimmten Szenarien unterscheiden. Berechnen Sie die Teststatistik mit Gleichung (2):
      figure-protocol-5   (2)
      wobei figure-protocol-6 die mittlere gepaarte Differenz zwischen Basis- und vorgeschlagenen Ausgaben ist, sd die Standardabweichung der gepaarten Unterschiede, m die Anzahl der gepaarten Beobachtungen (abgestimmte Simulationsszenarien) und U die gepaarte t-Test-Statistik ist.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

Experimenteller Aufbau

Das Protokoll verwendet Python 3.11 mit PyTorch 2.1, scikit-learn 1.3, NetworkX 3.1, pandas 2.1, numpy 1.27 und optionales TensorFlow 2.14. Simulationen basieren auf Graph-SLAM (g2o 2025.10, ROS2), AnyLogic 2025 für agentenbasierte Modellierung sowie ANSYS Fluent 2025 oder OpenFOAM v11 für CFD. Der Datenaustausch wird über MQTT v5, OPC-UA und FastAPI für die Modellbereitstellung unterstützt, mit Containerisierung über Do...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

Die Ergebnisse der Studie stützen die Ansicht, dass digital-twin-fähige Lernpipelines das Risikomanagement der Lieferkette stärken können, indem sie Zustandssynchronisation mit datenbasierter Prognose verknüpfen. Die experimentellen Ergebnisse zeigen, dass das Bi-LSTM–Attention-Backbone, kombiniert mit GCN-basierter räumlicher Codierung, die Vorhersagegenauigkeit verbessert und den Frühwarnhorizont erweitert, was mit aktuellen Erkenntnissen übereinstimmt, dass raumzeitliche Prognosen von...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

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

Die Autoren haben nichts offenzulegen.

Danksagungen

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

Diese Arbeit wurde durch die Grundlagenforschungsfonds der Zentraluniversitäten unterstützt (Zuschuss Nr. 2024JCXKSK06). Die Autoren danken der China University of Mining and Technology und der Fuyang Normal University für ihre institutionelle Unterstützung. Ein besonderer Dank gilt den Branchenpartnern für den Datenaustausch und die Fachkompetenz. Wir erkennen auch die technischen Beiträge von Open-Source-Communities und Entwicklern von Simulationsplattformen an.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

```html

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
AnyLogic Simulation PlatformThe AnyLogic CompanyN/AMulti-Method-Modellierungssoftware für Agenten-basierte, diskrete Ereignis- und Systemdynamik-Simulationen, integriert mit TensorFlow
NVIDIA A100 GPU Server ClusterNVIDIA CorporationN/AVerwendet für paralleles Training von Bi-LSTM-Attention + GCN-Modellen und PPO-Optimierung innerhalb der digitalen Zwillingsplattform
```

Referenzen

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

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Risikominimierungneuronales SequenzmodellGraph ConvolutionProximal Policy Optimizationraumzeitliche PrognoseRisikofortpflanzungPolicy Optimierung
Video demnächst verfügbar

Verwandte Artikel