מאמר שיטה

פרוטוקול מונחה דיגיטלי-כפול לחיזוי והפחתת סיכוני שרשרת אספקה באמצעות מודלים של רצף וגרף עצבי

DOI:

10.3791/69878

⸱

6 במרץ 2026

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

במאמר זה

סיכום

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

פרוטוקול זה מפרט תהליך עבודה דיגיטלי-טווין שניתן לשחזור הכולל קליטת נתונים, חיזוי סיכונים מבוסס רצף וגרף, סימולציית הפצה ואופטימיזציה של מדיניות. הוא מפרט גרסאות תוכנה, פרמטרים, נקודות ביקורת ושלבים לפתרון תקלות לתמיכה בשכפול נאמן בסביבות תעשייתיות.

תקציר

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

שרשראות אספקה דורשות חיזוי סיכונים בזמן אמת ולהפחתת נזקים תחת חוסר ודאות גבוה ותלות הדדית ברשתות. פרוטוקול זה מתאר תהליך עבודה דיגיטלי-טווין (DT) שניתן לשחזור (DT) שמקשר בין קליטת נתונים, חיזוי סיכונים מרחב-זמניים, סימולציית הפצת סיכונים ואופטימיזציה של מדיניות הפחתה במחסנית מכולת אחת. לחיזוי, אנו משלבים מודל רצף וגרף שניתן לפענח שמשלב Bi-LSTM עם קונבולוציה של גרף כדי ללכוד דינמיקות זמניות ותלות ברשת. לצורך הפחתה, אופטימיזציה של מדיניות פרוקסימלית (PPO) לומדת מדיניות החלטה מעשית מהפרעות מדומות, ומאפשרת תגובות מודעות לעלות במקום אבחון לאחר מעבר. כדי לתמוך בפריסה ושכפול, אנו מספקים טקסונומיה היררכית של מפתח-סיכון-אינדיקטור שמפרידה בין סיכונים אנדוגניים לחיצוניים, יחד עם סביבות מוצמדות בגרסאות, חוזי נתונים ונקודות בדיקת אימות. תוצאות מייצגות מראות הן הישגים חיזויים והן ברמת ההחלטה. ברשת רכב בת 300 צמתים, הגישה משפרת את פורמולה 1 ב-19.3% ומאריחה את אופק ההתרעה המוקדמת ב-5.2 שעות. בבדיקת עומס בנמלים בארה"ב בשנת 2021, PPO מפחית עיכובים ועלויות תגובה למצבי חירום ביותר מ-20%. זרימת העבודה מתרחבת לסימולציות של 500 צמתים עם השהיה ברמת אלפיות שנייה, תוך שמירה על ביצועים יציבים לטווח ארוך. אימות כפול עם שידור אירועים היסטוריים וסימולציה מקוונת מאשר דיוק משופר, איכות החלטות חזקה ויכולת הרחבה מעשית. נדונים מגבלות והנחיות התאמה כדי להקל על העברה להגדרות חדשות בשרשרת האספקה.

מבוא

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

רשתות האספקה הגלובליות נמצאות בחוסר ודאות מתמדת, כאשר שיבושים מקומיים עלולים להתפשט בין רמות הספקים ונתיבי ההובלה ולגרום להאטות מערכתיות כוללות. בארגונים רבים, ניטור סיכונים עדיין מסתמך על דוחות רטרוספקטיביים או ביקורות תקופתיות, שהן שימושיות לתיעוד אירועים וציות אך פחות יעילות לזרמים תפעוליים המשתנים במהירות. כאשר הנתונים מתפתחים דקה אחר דקה, מקבלי ההחלטות זקוקים לזרימת עבודה שתומכת ביצירת משמעות מתמשכת, חיזוי לטווח קצר והתערבות בזמן הנכון, ולא באבחנה לאחר מכן1.

כלים מסורתיים כמו רשומות סיכון ומודלים מבוססי סטטיסטיקה של התרעה מוקדמת נשארים בעלי ערך לסטנדרטיזציה ומעקב ברמה גבוהה, אך בדרך כלל הם מסירים את האינטראקציות הדינמיות בין מתקנים, מלאי, קיבולות וזרימות. זרימת העבודה המבוססת על תאומים דיגיטליים המתוארת כאן משלימה את הגישות הללו על ידי שמירה על סנכרון מצב רציף ואפשרות להערכה מבוססת תרחישים, כך שניתן יהיה לבדוק הפרעות 'מה אם' ופעולות הפחתה לפני שהן מגיעות לרצפת המפעל או לחצר. בפועל, התאום משמש כייצוג סייבר-פיזי המשקף מצבים ומגבלות תפעוליות מרכזיות, ומספק בסיס מעשי להפחתה פרואקטיביתבמקום דיווח רטרוספקטיבי.

מחקרי שרשרת אספקה עדכניים הדגישו פגיעות גוברת לשיבושים הנגרמות על ידי רשתות ספקים גלובליות, דפוסי ביקוש משתנים, חוסר יציבות גיאופוליטית ואירועים מונעים על ידי האקלים. גישות ניהול סיכונים מסורתיות נשענות במידה רבה על דיווח רטרואקטיבי והערכות סטטיות, שאינן מצליחות ללכוד את תנאי התפעול המתפתחים במהירות או את התלות המורכבת בתוך רשתות רב-שכבתיות. פריסה מעשית תלויה בשתי דרישות. יש לכמת את הסיכון באמצעות מדדים שניתן להשוות בין צמחים ואזורים; אחרת, הספים נודדים, והאזעקות הופכות לשרירותיות, והתאומים חייבים לעמוד ביעדי השהייה ונאמנות מפורשים כדי שמדינות מדומות יעקבו מקרוב אחרי המציאות המבצעית כדי לתמוך בהחלטות שליטה 3,4. בהתבסס על דרישות אלו, פרוטוקול זה מתאר תהליך עבודה שניתן לשחזור שמחבר חוזי נתונים למדיניות החלטה בתוך מערכת רציפה אחת. אותות זמניים מסוכמים באמצעות זיכרון דו-כיווני ארוך טווח קצר, מבנה הרשת מקודד באמצעות קונבולוציה של גרפים, והדמיית משקל קשב משמשת כדי לשמור על שלב המידול ניתן לפרשנות למפעילים ולמבקרים 5,6,7,8. למרות שמודלים מונעי נתונים ויישומי התאומים הדיגיטליים המוקדמים שיפרו את המודעות הסיטואציונית, הם לעיתים נשארים מפוצלים, חסרים מנגנונים מאוחדים לתפיסה בזמן אמת, חיזוי מרחבי-זמני ותמיכה בהחלטות מעשית. פערים אלו מדגישים את הצורך בפרוטוקול משולב המשלב סביבות דיגיטל-טווין באיכות גבוהה עם מודלים מתקדמים של למידת רצף וגרף, כדי לאפשר ניטור סיכונים בזמן, פרשנות וניתנים להרחבה במערכות תעשייתיות דינמיות. אסטרטגיות הפחתה מתקבלות באמצעות אופטימיזציה מדיניות קרובה המאומנת נגד התאום, מה שמאפשר כוונון פשרות בין רמת השירות, עיכוב ועלות מבלי להשפיע על תפעול חי 9,10.

מחקר זה מיועד לרשתות אספקה בינוניות עד גדולות (100–500 צמתים) עם נפחי נתוני סטרימינג של 1–5 מיליון רשומות ביום ואיכות נתונים בינונית (≥85% שלמות, ≤5% חסרות לאחר עיבוד מוקדם). פריסה בזמן אמת דורשת השהייה מקצה לקצה מתחת ל-100 מילישניות וסנכרון יציב (<0.5% סטייה) ויכולה להיות מוגבלת לסביבות עם רוחב פס נמוך או לא מכולות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

אנו מאשרים שמחקר זה עושה שימוש ברשומות עסקיות ולוגיסטיות שלא מזוהות, יחד עם תרחישי שיבוש סינתטי, ללא מעורבות של בני אדם או בעלי חיים. הגישה ללוגים תפעוליים גולמיים ניתנה בכתב על ידי הארגונים בעלי הנתונים ואושרה על ידי ועדת ממשל הנתונים המוסדית לפני חילוץ הנתונים. הגישה לנתונים נוהלה באמצעות בקרת גישה מבוססת תפקידים; כל אירועי הגישה נרשמו; ומעקבי ביקורת יישארו למשך ≥3 שנים לאחר הפרסום. כאשר מדווחים על מקרים של הפרעה, אנו מכלילים או מסתירים תכונות מזהות של החברה (למשל, שמות מתקנים, מזהי לקוחות, מזהי חוזה ומיקומים גאוגרפיים מדויקים) כדי להפחית את הסיכון לזיהוי מחדש. עותקים של אישורי שימוש בנתונים ומכתבי הסכמה/הרשאה יכולים להימסר לכתב העת לפי בקשה, ויכללו כתיעוד משלים לסקירה מערכתית.

1. קונספט, ארכיטקטורה וסטנדרטים של תאומים דיגיטליים

  1. הגדר את התאום הדיגיטלי לפי מודל מראת המידע של גריבס, והגדר מחסנית בת חמש שכבות (פיזי, וירטואלי, נתונים, חיבור, יישום) עם אחריות וממשקים ברורים בשכבה, כפי שמודגש בעבודותיו המוקדמות של גריבס ובתקני ISO 23247. מסמכי עיצוב מערכת וסכמות ISO-23247 משמשים כקלטים ראשיים, כאשר הגדרות השכבות מנורמלות להפשטה בת חמש שכבות למיפוי אדריכלי עקבי 2,11.
  2. המחיש את הארכיטקטורה מקצה לקצה באיור 1; הכרז על מזהים גלובליים (assetID, modelID, runID), בסיס הזמן הקנוני (UTC), וסכמת השמות למערכי נתונים וניסויים. תקננו מטא-דאטה של נכסים, רישומי מודלים ויומני ניסויים לפורמטים מאוחדים של מזהה (assetID/modelID/runID) וחותמת זמן שלהם ב-UTC לפני אינטגרציה ארכיטקטורתית.
  3. אימצו תקנים פתוחים לאינטרופרביליות: השתמשו ב-OPC UA/IEC 62541 ו-MQTT v5 להחלפת שדה לפלטפורמה, ב-REST/GraphQL לממשקי שירות, וב-FMI/AutomationML להחלפת מודלים ותיאור טופולוגיה. שים לב לכל פערי סכמה חוצה תחומים ולספק למתאמים הערות נאמנות מפורשות. זרמי שדה OPC UA/MQTT וקבצי מודל AutomationML/FMI מנותחים, מאומתים ומומרים באמצעות מתאמי סכמה לשמירה על אינטרופרביליות בין פלטפורמות 2,12,13,14.
  4. סנכרן את כל הצמתים עם IEEE 1588 PTP, אכיפת השהיה מקצה לקצה מתחת ל-100 מילישניות לשימוש בלולאה סגורה, ומגבלות קבלת מסמכים עבור ג'יטר וסטיית שעון. רשמו בדיקות אימות ונסיעות בין מתאמים בטבלה 1. יומני סינכרון שעון, עקבות רשת ודגימות השהיה הלוך ושוב נאספים ומנוקים כדי לאמת מגבלות תזמון מתחת ל-100 מילישניות ודיוק סינכרון PTP15.
  5. נקודת הפסקה: לאחר שלבים 1.1–1.4, עצור לאישור נסיעות הלוך ושוב של הסכימה (ייצוא, ייבוא ואימות) ועמידה בהשהיה לפני ההמשך.
    אימות סיבובי סכימה: אשר יומני ייצוא/ייבוא/אימות שאין שגיאות.
    מדדי השהיה: מקצה לקצה <100 מילישניות; רטט <5 מילישניות; סטיית השעון <1 ms/דקה.
    תמונת לוח מחוונים: ודא שטבלה 1 מלאה בזמני נסיעה הלוך ושוב של מתאמים ושגיאות סנכרון.

2. טכנולוגיות אנליטיות לתפיסת סיכונים וחיזוי

  1. לאמן מודלים חיזויים ביומני ריבוי מקורות היסטוריים (פקודות, טלמטריה, אירועים) כדי לקבוע יכולת התרעה מוקדמת; תקן זרעים אקראיים ורשום חלוקות נתונים לצורך שחזוריות. סטנדרטיזציה של משתנים מספריים, יישום קידוד one-hot על תכונות קטגוריות, ובניית רצפים באמצעות חלונות הזזה (למשל, 12–24 צעדי זמן).
  2. חלק את הנתונים ל-70% אימון, 15% אימות ו-15% בדיקות. השתמש ב-Bi-LSTM עם שתי שכבות (128–256 יחידות), dropout 0.2–0.3, ואופטימייזר אדם (LR = 1e-3). תתעד את כל הזרעים האקראיים כדי להבטיח שחזור. לנקות יומני סדר היסטורי, טלמטריה וזרמי אירועים, לתקן, לקודד ולהמיר אותם לרצפי חלונות החלקה לאימון Bi-LSTM.
  3. יישמו שיטות זיהוי אנומליות לא מפוקחות (למשל, יער בידוד, קווריאנטיות עמידה, מקודדים אוטומטיים) כאשר הנתונים המסומנים דלילים, וכייל את הספים באמצעות פשרות דיוק–זיכרון. נרמול קלטים עם קנה מידה מינימ-מקס, ואז אימון יערות בידוד עם 100–200 עצים או אוטואנקודרים עם 3–5 שכבות נסתרות. כוונן ספים באמצעות אופטימיזציה של עקומת PR והערכה באמצעות התפלגויות ציון שחזור או אנומליה. נרמול יומני תפעול לא מסומנים (Min-Max) והמירם לתכונות ציון אנומליה לאימון יער בידוד או מקודד אוטומטי וכיול סף16,17.
  4. שילוב מודלים מבוססי רצף וגרף (למשל, Bi-LSTM עם תשומת לב ו-GCN) כדי ללכוד דפוסים זמניים ותלות מרחבית בין רשתות ספק-תחבורה. צור מטריצות סכנות מקישורי ספק-הובלה וננרמל באמצעות קנה מידה סימטרי של דרגות. המודל ההיברידי משלב פלטי Bi-LSTM עם שכבות GCN של 1–2 (גודל נסתר 64–128) וראש סיווג מחובר במלואו. רכבת ל-30–50 תקופות, עם עצירות מוקדמות בהתבסס על אימות F1 18,19.
    הערה: שלב הקונבולוציה של הגרף במודל המוצע מעדכן ייצוגי צמתים באמצעות כלל האגרגציה המנורמל המוצג במשוואה (1), מה שמאפשר לכל צומת לשלב מידע משכניו תוך שמירה על איזון מבני. נוסחה זו מבטיחה הפצת תכונות יציבה לאורך רשת שרשרת האספקה ומספקת את הבסיס ללכידת תלות מרחבית בארכיטקטורת התאום הדיגיטלי.
    figure-protocol-1   (1)
    figure-protocol-2 היא מטריצת השכנות עם לולאות עצמיות מתווספות. figure-protocol-3 מתייחס למטריצת המדרגות של figure-protocol-4. H(l)  היא מטריצת תכונות הצומת בשכבה l. W(l) היא מטריצת המשקל הניתנת לשינון ו-σ(•) היא פונקציית ההפעלה של ReLU. טבלאות רשת ספק-תחבורה מומרת למטריצות סכנות ומנורמלות באמצעות קנה מידה סימטרי של דרגות לפני ההזנה למודל ההיברידי של רצף–גרף.
  5. השתמשו בעיבוד שפה טבעית כדי לחלץ אותות מדיניות ושוק מחדשות ועלונים, ויישמו ראיית מחשב לזיהוי הפרעות בפורטים משידורי ניטור באמצעות הסתרת פרטיות. כדי להפיק הטמעות-משפט מהודעות מדיניות או שוק, השתמש בשנאי מאומן מראש (למשל, בסיס BERT), ואז השתמש ב-CNN קלים או MobileNet לניתוח מסגרות בהזנת פורט לאחר טשטוש פרטיות. לפני המיזוג, נרמל את כל ההטמעות החיצוניות-מודליות20.
  6. לבנות גרף ידע של ספקים, נתיבים, מתקנים וחוזים שיאפשרו שאילתות סיבתיות ומעקב אחר שורש הגורמים; ייצוא תמונות מצב לאיור 2. צור צמתים מספקים, מוצרים, מסלולים ומתקנים, ואז בנה קצוות עם קישורים חוזיים וזרימות לוגיסטיות. השתמש בפורמט RDF או גרף תכונות, בכללי פתרון ישויות ובאימות גרף כדי לזהות רכיבים לא מחוברים21.
  7. הבהרת אסטרטגיית חיפוש ובניית מילות מפתח
    1. לחדד את שיטת החיפוש כדי להציג בצורה ברורה את המבנה והלוגיקה של מונחי השאילתה. קבץ מונחי חיפוש לפי מושג ומשלב באמצעות אופרטורים בוליאניים כדי להבטיח חיפוש שיטתי וניתן לשחזור. לדוגמה, מחרוזת השאילתות המלאה ששימשה הייתה:
      ("סיכון שרשרת אספקה" או "שיבוש אספקה") AND ("תאום דיגיטלי" או "סימולציה") ו-("חיזוי" או "התרעה מוקדמת").
      הצגת תחביר החיפוש בצורה מובנית מבהירה את רצף הביצוע ומפחית את העמימות. הפרדת מילות מפתח טכנולוגיה, דומיין ופונקציונליות מדגימה שקיפות ותומכת בסוקרים באימות תהליך החיפוש.
    2. פתרון תקלות: כאשר יש יותר מדי התראות, יש להאריך את חלונות ההצטברות, להכניס היסטרזיס, או להעלות את ספי האנומליה באמצעות סטטיסטיקות חזקות. אם מודלים נוטים או הופכים לבלתי יציבים, יש להכשיר מחדש לפי לוח זמנים קבוע ולשמור על יומני בדיקות חוזרות כדי לתעד שינויים בביצועים.

3. סיווג סיכונים ומערכת מדדים מרכזיים

  1. סווג סיכונים לאנדוגניים (התפשטות ליניארית בתוך רשת הארגון) וחיצוניים (זעזועים מרובי צמתים ממקורות חיצוניים). ספק דוגמאות וכללי מיפוי22,23.
  2. הקמת מערכת מדד סיכון מרכזי (KRI) רב-שכבתית המכסה יציבות ספקים, פעולות ייצור, ביצועי לוגיסטיקה ואינטגרציה של מידע; הגדר כל KRI, מקור הנתונים שלו, וקצב עדכון. סינון מאגרי נתונים של ספקים, תפעול, לוגיסטיקה ואינטגרציה; אגרגו ויישרו אותם ליצירת ערכי KRI מדורגים עם תדרי עדכון מוגדרים.
  3. הצג את ההגדרות, הנוסחאות וספי ההתראה של KRI בטבלה 2; קריטריוני קבלת מסמכים וספרי הסלמה24.
    1. בקרת איכות: אימות מערכת KRI על ידי דרישת התאמה מינימלית של 0.7 בין התראות שנוצרות ליומני אירועים היסטוריים. שחרר את סף ה-KRI רק לאחר שעבר בדיקת התאמה. כדי לקבל תוקף אמפירי, יש לבדוק מחדש את מערכת KRI הרב-שכבתית מול יומני אירועים היסטוריים באמצעות בדיקות התאמה.
    2. הגדרת סף ובדיקות לאחור: קבעו ספי התראות לכל אינדיקטור (למשל, התראת רמה 1: מימוש אספקה <95%; התרעת רמה 2: מימוש אספקה <85%; תנודות ביקוש >5%) ולבדוק אותן לאחור מול 18 חודשים של היסטוריית תפעול ורשומות שיבוש עם חותמות זמן. הגדר התאמה כאחוז התראות KRI שמתאימה לאירוע בפועל בתוך חלון של ±12 שעות. אשר שממוצע ההתאמה עומד בקריטריון השחרור (≥0.7) לפני שימוש תפעולי.
    3. תחזוקת סף: בפריסות הבאות, יש לשנות את הספים באמצעות בדיקות חוזרות ובדיקות חוזרות תקופתיות, או להתאים את חלון הבדיקה בהתאם למגמות עונתיות ותדירות חריגות.
  4. ביצועי סף KRI בלכידת אירוע אמיתית לעומת אזעקות שווא
    1. בדקו כל סף KRI בטבלת סוג הסיכון ובדקו לאחור מול 18 חודשים של יומני אירועים היסטוריים כדי לקבוע את התועלת התפעולית. עבור כל מדד, חשב את קצב לכידת האירוע האמיתי (Recall), המוגדר כאחוז אירועי השיבוש האמיתיים שזוהו לפני או בזמן ההתרחשות. חשב את קצב האזעקה השגויה, המוגדר כשיעור ההתראות שבהן לא מתרחשת הפרעה בתוך חלון של ±12 שעות. השתמש במדדים אלו כדי לכמת את הפשרה בין רגישות לרעש תפעולי בהתרעה מוקדמת (טבלה 3).
  5. הערכה מבוססת תרחיש של המודל המרחב-זמני המוצע
    1. הערכת דיוק התחזית, אמינות הכיול והיעילות החישובית של מודל המיזוג המרחב-זמני Bi-LSTM + Attention + GCN המוצע באמצעות שלושה תרחישי שיבוש מייצגים: סיכון לכשל ציוד, סיכון לשיבושים גיאופוליטיים, וכשל רשת מרובת צמתים מתדרדר. השתמשו בטעות ממוצעת מוחלטת (MAE), ציון ברייר, וזמן חישוב מחזור ההחלטה כמדדי הערכה (טבלה 4).

4. מודלים של כימות

  1. יישמו מודלים מבוססי הסתברות (למשל, מונטה קרלו) להערכת סבירות אירועים והפסד צפוי; דווח על אבחוני התכנסות ואינטרוולי ביטחון. הסתברויות להפרעה מדגימה מהתפלגויות אמפיריות או מודלים פרמטריים מותאמים. הרץ 5,000–10,000 איטרציות, חשב אובדן משוער לכל צומת, ודווח על טווחי ביטחוןשל 95% 25.
  2. המרת שיפוטי מומחים לציונים כמותיים באמצעות לוגיקה מטושטשת (למשל, AHP/FIS מטושטש); כיול תפקודי החברות לפי תוצאות היסטוריות. פיתוח מטריצות השוואה זוגיות באמצעות קלטים מומחים, תרגם מושגים לשוניים למספרים משולשים מעורפלים, וחשב משקלים מצטברים באמצעות ממוצעים גאומטריים. דה-פזיפיק באמצעות שיטת הסנטרואיד כדי לקבל ציוני סיכון חדים26.
  3. להשתמש בניתוח רשת למיפוי מסלולי התפשטות ולזיהוי צמתים פגיעים באמצעות ספי מרכזיות וחלילה; יצא ערכות חיתוך מועמדים. סינון מאגרי נתונים של ספקים, תפעול, לוגיסטיקה ואינטגרציה; אגרגו ויישרו אותם ליצירת ערכי KRI מדורגים עם תדרי עדכון מוגדרים.
  4. חשב מדדי מרכזיות של הצומת (דרגה, בין, וקטור עצמי) וסימולציה של התפשטות באמצעות מודלים בסגנון סף או SIR עם הסתברויות שידור ניתנות לקונפיגורציה (למשל, 0.1–0.3). זיהוי צמתים מרכזיים על ידי מתן עדיפות להשפעה המופצת על פני 500–1,000 ריצות סימולציה27,28.
  5. השווה מודלים של הסתברות, מטושטש ומודלים של רשת בטבלה 5; בחר לפי התאמת תרחישים, זמינות נתונים ויכולת פרשנות. נקודת הפסקה: נעל קווי בסיס פרמטרים וקבצי תצורה ארכיון לפני המעבר לפריסה.
    פלט: קווי בסיס של פרמטרים נשמרים בקבצי קונפיגורציה.
    לוגים: אבחון התכנסות, מרווחי ביטחון וחישובי מרכזיות בארכיון.

5. ארכיטקטורה כוללת ומודולים פונקציונליים

  1. ארגן יכולות לחמישה תחומים ושבע שכבות; מיפוי מודולי תפיסה, כמות, חיזוי, החלטה וביצוע למיקרו-שירותים במכולות עם API בגרסאות.
  2. ספק את המיפוי הפונקציונלי בן שבע השכבות בטבלה 6 עם שמות שירותים ותלותיות.
  3. ליישם איסוף נתונים בזמן אמת דרך צינור קצה-קצה-ענן; הגדר תדרי דגימה, כללי אצווה ואיכות איכות בטבלה 7; נושאים למתווך רשומות ומדיניות שימור. המחיש את הצינור באיור 329,30.
  4. בניית מודלים וירטואליים באמצעות Graph-SLAM לפריסה וזרימות, סימולציה מבוססת סוכנים להתנהגויות, וכלי CFD למגבלות סביבה; הפריסטים של תסריטי חבילות עבור איור 4.
  5. להבטיח סנכרון מתחת ל-100 מילישניות באמצעות הודעות pub/sub ו-PTP; לוכדים מדדי השהיה בזמן ריצה, קצב העברה ואובדן מנות, ומספקים מדדים גולמיים במאגרי הנתונים המשלימים שלהם.
  6. פיתוח מודולים לתמיכה בקבלת החלטות לאזהרה מוקדמת, סימולציית סנדבוקס והדמיית מפעילים; חשפו נקודות קצה של REST ולוחות מחוונים מבוססי תפקידים. נרמול פלטי התרעה מוקדמת, תוצאות סימולציה ופרמטרי ויזואליזציה עבור רינדור בלוח המחוונים.
    בדיקה: צינור הבליטה פעיל; הודעות לדוגמה מעובדות באמצעות MQTT/OPC-UA.
    בדיקה: נקודות קצה של מודל מגיבות לבקשות בדיקה (REST/GraphQL).
    הערת זמינות נתונים: קבצי תצורה בארכיון, משקלי מודלים וזרעי סימולציה; ספק סכומי בדיקה וקישור למאגר לקריאה בלבד בסעיף זמינות הנתונים.
  7. הגדרות היפרפרמטרים למודל חיזוי סיכון
    1. ראו טבלה 8 להגדרות היפרפרמטרים של זרימת העבודה (Bi-LSTM, GCN, שער פיוז'ן, מודולי PPO וסביבות אימון).
  8. מבחן t מדגם זוג
    1. השתמשו במבחן t מדגם זוגי כדי להעריך האם השיפורים הנצפים בביצועי המודל (למשל, דיוק חיזוי, אופק התרעה מוקדמת, דיוק הפצה ומדדי איכות החלטה) שונים באופן מובהק בין תוצרי הבסיס לשיטה המוצעת בתרחישים מותאמים. חשב את סטטיסטיקת המבחן באמצעות משוואה (2):
      figure-protocol-5   (2)
      כאשר figure-protocol-6 הוא ההפרש הממוצע הזוגי בין הפלטים הבסיסיים למוצעים, sd הוא סטיית התקן של ההבדלים הזוגיים, m הוא מספר התצפיות הזוגיות (תרחישי סימולציה תואמים), ו-u הוא סטטיסטיקת מבחן t הזוגי.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

סידור ניסיוני

הפרוטוקול משתמש ב-Python 3.11 עם PyTorch 2.1, scikit-learn 1.3, NetworkX 3.1, pandas 2.1, numpy 1.27, ו-TensorFlow 2.14 אופציונלי. הסימולציות מסתמכות על Graph-SLAM (g2o 2025.10, ROS2), AnyLogic 2025 למידול מבוסס סוכנים, ו-ANSYS Fluent 2025 או OpenFOAM v11 עבור CFD. החלפת נתונים נתמכת דרך MQTT v5, OPC-UA ו-FastAPI להגשת מודלים, עם קונטיינריזציה דרך Docker 24.0 ו-NVIDIA Toolkit. החומרה הנדרשת כוללת מעבדי ≥16 ליבות, זיכרון ≥512 ג'יג...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

ממצאי המחקר תומכים בתפיסה שצינורות למידה המופעלים בתאומים דיגיטליים יכולים לחזק את ניהול סיכוני שרשרת האספקה על ידי שילוב סנכרון מצב עם תחזית מונחית נתונים. תוצאות הניסוי מצביעות על כך שעמוד השדרה של Bi-LSTM–קשב, בשילוב עם קידוד מרחבי מבוסס GCN, משפר את דיוק החיזוי ומרחיב את אופק האזהרה המוקדמת, בהתאם לראיות עדכניות לכך שחיזוי מרחבי-זמני מרוויח משילוב אותות חיצוניים ומבנה רשת במודל מאוחד31.

ניתוח ההפצה מדגיש עוד יותר את הערך של מידול כי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחברים אין מה לחשוף.

תודות

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

עבודה זו נתמכה על ידי קרנות המחקר הבסיסיות של האוניברסיטאות המרכזיות (מענק מס' 2024JCXKSK06). המחברים מודים לאוניברסיטת הכרייה והטכנולוגיה של סין ולאוניברסיטת נורמל פויאנג על התמיכה המוסדית. תודה מיוחדת מוענקת לשותפי התעשייה על שיתוף נתונים ומומחיות בתחום. אנו גם מכירים בתרומות הטכניות של קהילות קוד פתוח ומפתחי פלטפורמות סימולציה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
AnyLogic Simulation PlatformThe AnyLogic CompanyN/Aתוכנת מודלים מרובת שיטות עבור סימולציות מבוססות סוכנים, אירועים בדידים ודינמיקת מערכת, משולבת עם TensorFlow
NVIDIA A100 GPU Server ClusterNVIDIA CorporationN/Aמשמש לאימון מקבילי של מודלים Bi-LSTM-Attention + GCN ואופטימיזציית PPO בתוך פלטפורמת התאום הדיגיטלי

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

הסרטון יגיע בקרוב

מאמרים קשורים