Artykuł metodologiczny

Protokół kierowana bliźniaczymi cyfrowym modelami sekwencji neuronowych i graficznych dla prognozowania i zmniejszania ryzyka w łańcuchu dostaw

DOI:

10.3791/69878

⸱

6 marca 2026

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

W tym artykule

Podsumowanie

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

Ten protokół szczegółowo opisuje odtwarzalny proces cyfrowego bliźniaka integrujący pobieranie danych, prognozowanie ryzyka na podstawie sekwencji i grafu, symulację propagacji oraz optymalizację polityk. Określa wersje oprogramowania, parametry, punkty kontrolne i kroki rozwiązywania problemów, aby wspierać wierną replikację w środowiskach przemysłowych.

Streszczenie

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

Łańcuchy dostaw wymagają predykcji i zmniejszania ryzyka w czasie rzeczywistym w warunkach dużej niepewności i wzajemnej zależności sieci. Ten protokół opisuje możliwy do powtórzenia przepływ pracy cyfrowego bliźniaka (DT), który łączy pobranie danych, przestrzenno-czasową prognozę ryzyka, symulację propagacji ryzyka oraz optymalizację polityki zarządzania ryzykiem w jednym konteneryzowanym stosie. Do predykcji integrujemy interpretowalny model sekwencji i grafu, który łączy Bi-LSTM z konwolucją grafu w celu uchwycenia dynamiki czasowej i zależności sieci. W przypadku zmniejszania ryzyka bezpośrednia optymalizacja polityki (PPO) uczy się działań z polityk symulowanych zakłóceń, umożliwiając reakcje uwzględniające koszty, a nie diagnozę po fakcie. Aby wspierać wdrożenie i replikację, zapewniamy hierarchiczną taksonomię wskaźników ryzyka kluczowego, która rozdziela ryzyko endogenne i egzogenne, wraz z środowiskami z przypisanymi wersjami, kontraktami danych i punktami walidacji. Wyniki reprezentatywne pokazują zyski zarówno na poziomie predykcji, jak i podejmowania decyzji. W sieci samochodowej liczącej 300 węzłów, podejście poprawia F1 o 19,3% i przedłuża horyzont wczesnego ostrzegania o 5,2 godziny. W przypadku powtórzenia korków w porcie USA w 2021 roku, PPO zmniejsza opóźnienia i koszty reagowania w nagłych wypadkach o ponad 20%. Przepływ pracy skaluje się do symulacji 500-węzłowych z opóźnieniem na poziomie milisekund, zachowując stabilną wydajność na dłuższą metę. Podwójna walidacja z powtórzeniem zdarzeń historycznych i symulacją online potwierdza poprawę dokładności, solidną jakość decyzji i praktyczną skalowalność. Omówiono ograniczenia i wytyczne dotyczące adaptacji, aby ułatwić transfer do nowych ustawień łańcucha dostaw.

Wprowadzenie

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

Globalne sieci dostaw są pod stałym niepewnością, gdzie lokalne zakłócenia mogą rozprzestrzeniać się wzdłuż poziomów dostawców i tras transportowych oraz wywoływać spowolnienia w całym systemie. W wielu organizacjach monitorowanie ryzyka nadal opiera się na raportach retrospektywnych lub okresowych audytach, które są przydatne do dokumentowania incydentów i zgodności, ale są mniej skuteczne dla szybko zmieniających się strumień operacyjnych. Gdy dane ewoluuje minutę po minucie, decydenci potrzebują procesu, który wspiera ciągłe rozumienie, prognozowanie krótkoterminowe i terminowe interwencje, zamiast diagnostykę po fakcie1.

Tradycyjne narzędzia, takie jak rejestry ryzyka i modele wczesnego ostrzegania oparte na statystykach, pozostają cenne dla standaryzacji i śledzenia na wysokim poziomie, jednak zazwyczaj abstrahuje dynamiczne interakcje między obiektami, zapasami, zdolnościami i przepływami. Opisany tutaj proces oparty na bliźniaczych cyfrowych modelach uzupełnia te podejścia, utrzymując ciągłą synchronizację stanów i umożliwiając ocenę opartą na scenariuszach, dzięki czemu możliwe jest przetestowanie zaburzeń i działań łagodzących, zanim dotrą one do hali produkcyjnej lub placu. W praktyce bliźniak służy jako cyber-fizyczna reprezentacja, która odzwierciedla kluczowe stany operacyjne i ograniczenia, zapewniając działalną podstawę dla proaktywnego łagodzenia zamiast raportowania retrospektywnego2.

Ostatnie badania nad łańcuchem dostaw podkreśliły rosnącą podatność na zakłócenia spowodowane zglobalizowanymi sieciami dostawców, wahania wzorców popytu, niestabilność geopolityczną i zdarzenia związane z klimatem. Tradycyjne podejścia do zarządzania ryzykiem opierają się w dużej mierze na raportach retrospektywnych i statycznych ocenach, które nie potrafią uchwycić szybko ewoluujących warunków operacyjnych lub złożonych zależności wewnątrz wielowarstwowych sieci. Praktyczne wdrożenie opiera się na dwóch wymaganiach. Ryzyko musi być zmierzone za pomocą wskaźników, które są porównywalne w różnych zakładach i regionach; w przeciwnym razie progi dryfują, a alarmy stają się dowolne, a bliźniak musi spełniać wyraźne cele dotyczące opóźnienia i wiarygodności, aby symulowane stany były wystarczająco zbliżone do rzeczywistości operacyjnej, aby wspierać decyzje kontrolne3,4. W oparciu o te wymagania, protokół ten opisuje powtarzalny proces, który łączy kontrakty danych z zasadami decyzyjnymi w jednym ciągłym systemie. Sygnały czasowe są podsumowywane za pomocą dwukierunkowych sieci pamięci krótkoterminowej, struktura sieci jest kodowana za pomocą konwolucji grafowej, a wizualizacja wag uwagi jest używana, aby utrzymać krok modelowania interpretowalnym dla operatorów i audytorów5,6,7,8. Mimo że modele oparte na danych i wczesne zastosowania cyfrowych bliźniaków poprawiły świadomość sytuacyjną, często pozostają fragmentaryczne, brakuje im ujednoliconego mechanizmu dla percepcji w czasie rzeczywistym, przewidywania przestrzenno-czasowego i wsparcia decyzyjnego. Te luki podkreślają potrzebę zintegrowanego protokołu, który łączy środowiska cyfrowych bliźniaków o wysokiej wiarygodności z zaawansowanymi modelami uczenia sekwencji i grafów, aby umożliwić terminowe, interpretowalne i skalowalne monitorowanie ryzyka w dynamicznych systemach przemysłowych. Strategie łagodzenia są uzyskiwane poprzez optymalizację polityki zbliżonej przeszkoloną na bliźniaku, co pozwala na dostosowanie kompromisów między poziomem usług, opóźnieniem i kosztami bez wpływu na działające operacje9,10.

Badania te dotyczą średnich do dużych sieci dostaw (100–500 węzłów) z objętością danych strumieniowych wynoszącą 1–5 milionów rekordów/dzień i umiarkowaną jakością danych (≥85% kompletność, ≤5% braków po przetwarzaniu). Wdrożenie w czasie rzeczywistym wymaga utrzymania opóźnienia end-to-end poniżej 100 ms i stabilnej synchronizacji (<0,5% dryf) i może być ograniczone do środowisk o niskiej przepustowości lub niekonteneryzowanych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Potwierdzamy, że niniejsze badanie wykorzystuje zanonimizowane zapisy przedsiębiorstw i logistyki wraz z syntetycznymi scenariuszami zakłóceń, bez udziału ludzi lub zwierząt. Dostęp do surowych logów operacyjnych został udzielony na piśmie przez organizacje będące właścicielami danych i zatwierdzony przez instytucjonalny komitet zarządzania danymi przed ich ekstrakcją. Dostęp do danych był zarządzany poprzez kontrolę dostępu opartą na rolach; wszystkie zdarzenia dostępu były rejestrowane, a ścieżki audytu będą przechowywane przez ≥3 lata po publikacji. Przy raportowaniu przypadków zakłóceń generalizujemy lub maskujemy atrybuty identyfikujące firmy (np. nazwy obiektów, identyfikatory klientów, identyfikatory kontraktów i dokładne lokalizacje geograficzne), aby zmniejszyć ryzyko ponownej identyfikacji. Kopie zgód na wykorzystanie danych oraz listów z pozwoleniem mogą zostać udostępnione czasopismu na prośbę i zostaną dołączone jako dokumentacja uzupełniająca do recenzji redakcyjnej.

1. Koncepcja, architektura i standardy cyfrowego bliźniaka

  1. Zdefiniuj cyfrowego bliźniaka zgodnie z modelem lustra informacji Grievesa i określ pięciowarstwowy stos (fizyczny, wirtualny, danych, połączeń, aplikacji) z jasno określonymi odpowiedzialnościami warstw i interfejsami, zgodnie z wczesnymi pracami Grievesa i normami ISO 23247. Dokumentacja projektowa systemu oraz schematy ISO-23247 służą jako główne dane wejściowe, a definicje warstw są normalizowane do pięciowarstwowej abstrakcji w celu zapewnienia spójnego mapowania architektonicznego2,11.
  2. Przedstaw pełną architekturę na Rysunku 1; zadeklaruj globalne identyfikatory (assetID, modelID, runID), kanoniczną bazę czasu (UTC) oraz schemat nazewnictwa zestawów danych i eksperymentów. Ustandaryzuj metadane zasobów, rejestry modeli i dzienniki eksperymentów do jednolitych formatów ID (assetID/modelID/runID) i przypisz im znaczniki czasu w formacie UTC przed integracją architektoniczną.
  3. Przyjmij otwarte standardy w celu zapewnienia interoperacyjności: użyj OPC UA/IEC 62541 oraz MQTT v5 do wymiany danych między warstwą polową a platformą, REST/GraphQL dla interfejsów API usług oraz FMI/AutomationML dla wymiany modeli i opisu topologii. Odnotuj wszelkie luki w schematach międzydomenowych i zapewnij adaptery z wyraźnymi uwagami dotyczącymi wierności odwzorowania. Strumienie polowe OPC UA/MQTT oraz pliki modeli AutomationML/FMI są parsowane, walidowane i konwertowane za pomocą adapterów schematów w celu utrzymania interoperacyjności między platformami2,12,13,14.
  4. Zsynchronizuj wszystkie węzły za pomocą IEEE 1588 PTP, wymuś opóźnienie end-to-end poniżej 100 ms dla zastosowań w pętli zamkniętej i udokumentuj dopuszczalne granice dla jittera oraz dryftu zegara. Zapisz walidację i kontrole czasu przejścia (round-trip) adapterów w Tabeli 1. Dzienniki synchronizacji zegarów, ślady sieciowe i próbki opóźnień round-trip są zbierane i oczyszczane, aby zweryfikować ograniczenia czasowe poniżej 100 ms oraz dokładność synchronizacji PTP15.
  5. Punkt wstrzymania: Po krokach 1.1–1.4 wykonaj przerwę, aby potwierdzić poprawność cykli round-trip schematów (eksport, import i walidacja) oraz zgodność opóźnień przed kontynuowaniem.
    Zwaliduj cykle round-trip schematów: potwierdź, że dzienniki eksportu/importu/walidacji nie wykazują błędów.
    Metryki opóźnień: end-to-end <100 ms; jitter <5 ms; dryft zegara <1 ms/min.
    Zrzut ekranu pulpitu nawigacyjnego: upewnij się, że Tabela 1 została uzupełniona o czasy round-trip adapterów i błędy synchronizacji.

2. Technologie analityczne do postrzegania i przewidywania ryzyka

  1. Wytrenuj modele predykcyjne na historycznych logach z wielu źródeł (zamówienia, telemetria, zdarzenia), aby ustanowić zdolność wczesnego ostrzegania; ustal stałe ziarna losowe (random seeds) i zarejestruj podziały danych w celu zapewnienia powtarzalności. Znormalizuj zmienne numeryczne, zastosuj kodowanie one-hot do cech kategorycznych i skonstruuj sekwencje przy użyciu okien przesuwnych (np. 12–24 kroków czasowych).
  2. Podziel dane na 70% treningowych, 15% walidacyjnych i 15% testowych. Wykorzystaj sieć Bi-LSTM z 2 warstwami (128–256 jednostek), dropout 0,2–0,3 oraz optymalizator Adam (LR = 1e-3). Zapisz wszystkie ziarna losowe, aby zapewnić powtarzalność. Oczyść historyczne logi zamówień, telemetrię i strumienie zdarzeń, znormalizuj je, zakoduj i przekształć w sekwencje okien przesuwnych do trenowania sieci Bi-LSTM.
  3. Zastosuj nienadzorowane metody detekcji anomalii (np. las izolacyjny, robust covariance, autoenkodery) w sytuacjach, gdy dane etykietowane są rzadkie, a progi skalibruj w oparciu o kompromis między precyzją a pełnością (precision–recall). Znormalizuj dane wejściowe za pomocą skalowania Min-Max, a następnie wytrenuj lasy izolacyjne z 100–200 drzewami lub autoenkodery z 3–5 warstwami ukrytymi. Dostrój progi za pomocą optymalizacji krzywej PR i oceń wyniki, korzystając z błędu rekonstrukcji lub rozkładów wyników anomalii. Znormalizuj nieetykietowane logi operacyjne (Min-Max) i przekształć je w cechy wyników anomalii do trenowania lasów izolacyjnych lub autoenkoderów oraz kalibracji progów16,17.
  4. Zintegruj modele oparte na sekwencjach i grafach (np. Bi-LSTM z mechanizmem uwagi oraz GCN), aby uchwycić wzorce czasowe i zależności przestrzenne w sieciach dostawca–transport. Stwórz macierze sąsiedztwa z powiązań dostawca–transport i znormalizuj je za pomocą symetrycznego skalowania stopnia. Model hybrydowy łączy wyjścia Bi-LSTM z 1–2 warstwami GCN (rozmiar ukryty 64–128) i w pełni połączoną warstwą klasyfikacyjną. Trenuj przez 30–50 epok, stosując wczesne zatrzymanie (early stopping) w oparciu o walidacyjną miarę F118,19.
    UWAGA: Krok konwolucji grafowej w proponowanym modelu aktualizuje reprezentacje węzłów przy użyciu znormalizowanej reguły agregacji przedstawionej w Równaniu (1), co umożliwia każdemu węzłowi włączenie informacji od sąsiadów przy zachowaniu równowagi strukturalnej. Sformułowanie to zapewnia stabilną propagację cech w sieci łańcucha dostaw i stanowi podstawę do uchwycenia zależności przestrzennych w architekturze cyfrowego bliźniaka.
    Równanie propagacji sieci neuronowej na grafie; aktywacja sigma; macierz sąsiedztwa; formuła matematyczna.   (1)
    Równowaga statyczna, schemat ΣFx=0, ilustrujący równowagę sił, strzałki i wektory sił. to macierz sąsiedztwa z dodanymi pętlami własnymi. Równowaga statyczna; ΣFx=0, MA=0; schemat z wektorami sił; konfiguracja analizy mechanicznej. odnosi się do macierzy stopnia Koncepcja równowagi statycznej, równanie ΣFx=0, schemat formuły do celów edukacyjnych.. H(l) to macierz cech węzłów w warstwie l. W(l) to trenowalna macierz wag, a σ(•) to funkcja aktywacji ReLU. Tabele sieci dostawca–transport są konwertowane na macierze sąsiedztwa i normalizowane za pomocą symetrycznego skalowania stopnia przed wprowadzeniem do hybrydowego modelu sekwencyjno-grafowego.
  5. Wykorzystaj przetwarzanie języka naturalnego do ekstrakcji sygnałów politycznych i rynkowych z wiadomości i biuletynów oraz zastosuj komputerową analizę obrazu do wykrywania zakłóceń w portach z materiałów monitorujących z maskowaniem prywatności. Aby wyekstrahować osadzenia (embeddings) zdań z biuletynów politycznych lub rynkowych, użyj wstępnie wytrenowanego transformera (np. BERT-base), a następnie zastosuj lekkie sieci CNN lub MobileNet do analizy klatek z monitoringu portów po rozmyciu danych prywatnych. Przed fuzją znormalizuj wszystkie osadzenia modalności zewnętrznych20.
  6. Skonstruuj graf wiedzy obejmujący dostawców, trasy, obiekty i kontrakty, aby umożliwić zapytania przyczynowe i śledzenie przyczyn źródłowych; wyeksportuj migawki do Ryciny 2. Utwórz węzły reprezentujące dostawców, produkty, trasy i obiekty, a następnie zbuduj krawędzie z powiązań kontraktowych i przepływów logistycznych. Użyj formatu RDF lub grafu właściwości (property-graph), reguł rozstrzygania encji oraz walidacji grafu w celu wykrycia komponentów niepołączonych21.
  7. Wyjaśnienie strategii wyszukiwania i konstrukcja słów kluczowych
    1. Udoskonal metodę wyszukiwania, aby jasno przedstawić strukturę i logikę terminów zapytań. Pogrupuj terminy wyszukiwania według pojęć i połącz je za pomocą operatorów Boole'a, aby zapewnić systematyczność i powtarzalność wyszukiwania. Na przykład, pełny ciąg zapytania był następujący:
      (“supply chain risk” OR “supply disruption”) AND (“digital twin” OR “simulation”) AND (“prediction” OR “early warning”).
      Przedstawienie składni wyszukiwania w formie strukturalnej wyjaśnia sekwencję wykonania i zmniejsza niejednoznaczność. Rozdzielenie słów kluczowych dotyczących technologii, domeny i funkcji zapewnia przejrzystość i pomaga recenzentom w weryfikacji procesu wyszukiwania.
    2. Rozwiązywanie problemów: W przypadku zbyt wielu alertów zwiększ okna agregacji, wprowadź histerezę lub podnieś progi anomalii przy użyciu statystyki odpornej. Jeśli modele wykazują dryft lub stają się niestabilne, trenuj je ponownie zgodnie z ustalonym harmonogramem i prowadź logi backtestingu, aby dokumentować zmiany w wydajności.

3. Klasyfikacja ryzyka i system kluczowych wskaźników

  1. Zaklasyfikuj ryzyka na endogeniczne (liniowa propagacja w obrębie sieci przedsiębiorstwa) oraz egzogeniczne (wstrząsy wielowęzłowe pochodzące ze źródeł zewnętrznych). Podaj przykłady oraz reguły mapowania22,23.
  2. Ustanów wielopoziomowy system Kluczowych Wskaźników Ryzyka (KRI) obejmujący stabilność dostawców, operacje produkcyjne, wydajność logistyczną oraz integrację informacji; zdefiniuj każdy KRI, jego źródło danych oraz częstotliwość aktualizacji. Przefiltruj zbiory danych dotyczące dostawców, operacji, logistyki i integracji; zagreguj je i dopasuj w celu wygenerowania poziomów wartości KRI z określonymi częstotliwościami aktualizacji.
  3. Przedstaw definicje KRI, wzory oraz progi alarmowe w Tabeli 2; udokumentuj kryteria akceptacji oraz scenariusze eskalacji (playbooks)24.
    1. Kontrola jakości: Uwierzytelnij system KRI, wymagając minimalnej zgodności na poziomie 0,7 pomiędzy wygenerowanymi alertami a historycznymi rejestrami incydentów. Wprowadź próg KRI do użytku dopiero po przejściu testów zgodności. Aby uzyskać walidację empiryczną, przeprowadź testy wsteczne (back-testing) wielopoziomowego systemu KRI w odniesieniu do historycznych rejestrów incydentów przy użyciu testów zgodności.
    2. Wyznaczanie progów i testy wsteczne: Ustaw progi alarmowe dla każdego wskaźnika (np. alert Poziomu 1: realizacja dostaw <95%; alert Poziomu 2: realizacja dostaw <85%; fluktuacja popytu >5%) i przeprowadź testy wsteczne w oparciu o 18 miesięcy historii operacyjnej oraz datowane rekordy zakłóceń. Zdefiniuj zgodność jako proporcję alertów KRI, które odpowiadają rzeczywistemu wystąpieniu incydentu w oknie czasowym ±12 h. Potwierdź, że średnia zgodność spełnia kryterium wdrożenia (≥0,7) przed rozpoczęciem użytkowania operacyjnego.
    3. Konserwacja progów: W kolejnych wdrożeniach modyfikuj progi poprzez okresowe ponowne testowanie i testy wsteczne lub dostosuj okno testowe w oparciu o trendy sezonowe i częstotliwość anomalii.
  4. Wydajność progów KRI w wykrywaniu rzeczywistych incydentów w stosunku do fałszywych alarmów
    1. Przetestuj każdy próg KRI w tabeli Typ-Ryzyka-Wskaźnik i przeprowadź testy wsteczne w oparciu o 18 miesięcy historycznych rejestrów incydentów, aby określić użyteczność operacyjną. Dla każdego wskaźnika oblicz wskaźnik wykrywania rzeczywistych incydentów (recall), zdefiniowany jako procent rzeczywistych zdarzeń zakłócających zidentyfikowanych przed lub w momencie wystąpienia. Oblicz wskaźnik fałszywych alarmów, zdefiniowany jako proporcja alertów, dla których nie wystąpiło żadne zakłócenie w oknie ±12 h. Wykorzystaj te metryki do ilościowego określenia kompromisu między czułością a szumem operacyjnym w systemie wczesnego ostrzegania (Tabela 3).
  5. Ocena proponowanego modelu czasoprzestrzennego w oparciu o scenariusze
    1. Oceń dokładność przewidywań, niezawodność kalibracji i wydajność obliczeniową proponowanego modelu fuzji czasoprzestrzennej Bi-LSTM + Attention + GCN, wykorzystując trzy reprezentatywne scenariusze zakłóceń: ryzyko awarii sprzętu, ryzyko zakłóceń geopolitycznych oraz kaskadową awarię wielowęzłową sieci. Jako metryki oceny zastosuj średni błąd bezwzględny (MAE), wynik Briera oraz czas obliczeń cyklu decyzyjnego (Tabela 4).

4. Modele kwantyfikacji

  1. Zastosować modele probabilistyczne (np. Monte Carlo) w celu oszacowania prawdopodobieństwa wystąpienia zdarzeń i oczekiwanej straty; przedstawić diagnostykę zbieżności oraz przedziały ufności. Próbkować prawdopodobieństwa zakłóceń z rozkładów empirycznych lub dopasowanych modeli parametrycznych. Przeprowadzić od 5 000 do 10 000 iteracji, obliczyć szacowaną stratę na węzeł i podać 95% przedziały ufności25.
  2. Przekształcić oceny eksperckie w wyniki ilościowe przy użyciu logiki rozmytej (np. rozmyte AHP/FIS); skalibrować funkcje przynależności na podstawie wyników historycznych. Opracować macierze porównań parzystych w oparciu o dane od ekspertów, przełożyć pojęcia językowe na trójkątne liczby rozmyte i obliczyć zagregowane wagi za pomocą średnich geometrycznych. Przeprowadzić defuzyfikację metodą centroidu w celu uzyskania konkretnych wyników ryzyka26.
  3. Wykorzystać analizę sieci do mapowania ścieżek propagacji i identyfikacji podatnych węzłów poprzez analizę centralności i progów perkolacji; wyeksportować kandydackie zbiory odcinające. Przefiltrować zbiory danych dotyczące dostawców, operacji, logistyki i integracji; zagregować i uzgodnić je w celu wygenerowania warstwowych wartości KRI z określoną częstotliwością aktualizacji.
  4. Obliczyć wskaźniki centralności węzłów (stopnia, pośrednictwa, wektora własnego) i zasymulować propagację przy użyciu modeli progowych lub modeli typu SIR z konfigurowalnymi prawdopodobieństwami transmisji (np. 0,1–0,3). Zidentyfikować kluczowe węzły poprzez priorytetyzację propagowanego wpływu w 500–1 000 uruchomieniach symulacji27,28.
  5. Porównać modele probabilistyczne, rozmyte i sieciowe w Tabeli 5; wybrać model na podstawie dopasowania do scenariusza, dostępności danych i interpretowalności. Punkt wstrzymania: zablokować wartości bazowe parametrów i zarchiwizować pliki konfiguracyjne przed przejściem do wdrożenia.
    Wynik: wartości bazowe parametrów zapisane w plikach konfiguracyjnych.
    Logi: zarchiwizowana diagnostyka zbieżności, przedziały ufności oraz obliczenia centralności.

5. Ogólna architektura i moduły funkcjonalne

  1. Zorganizuj możliwości w pięć domen i siedem warstw; przypisz moduły percepcji, kwantyfikacji, predykcji, decyzji i wykonawstwa do kontenerowych mikroserwisów z wersjonowanymi interfejsami API.
  2. Przedstaw funkcjonalne mapowanie siedmiu warstw w Tabeli 6 wraz z nazwami usług i zależnościami.
  3. Wdróż zbieranie danych w czasie rzeczywistym za pomocą potoku end–edge–cloud; określ częstotliwości próbkowania, reguły grupowania i QoS w Tabeli 7; zarejestruj tematy brokerów i polityki retencji. Zilustruj potok na Rysunku 329,30.
  4. Skonstruuj modele wirtualne, wykorzystując Graph-SLAM do układów i przepływów, symulację agentową dla zachowań oraz narzędzia CFD dla ograniczeń środowiskowych; zgrupuj gotowe ustawienia scenariuszy dla Rysunku 4.
  5. Zapewnij synchronizację poniżej 100 ms przy użyciu komunikacji pub/sub i PTP; zarejestruj opóźnienia czasu wykonania, przepustowość i wskaźniki utraty pakietów oraz udostępnij surowe metryki w dodatkowych zbiorach danych.
  6. Opracuj moduły wspomagania decyzji dla wczesnego ostrzegania, symulacji w piaskownicy i wizualizacji dla operatora; udostępnij punkty końcowe REST i pulpity nawigacyjne oparte na rolach. Znormalizuj wyniki wczesnego ostrzegania, rezultaty symulacji i parametry wizualizacji dla renderowania pulpitu nawigacyjnego.
    Sprawdzenie: potok ingestii aktywny; próbki wiadomości przetwarzane przez MQTT/OPC-UA.
    Sprawdzenie: punkty końcowe modelu odpowiadają na zapytania testowe (REST/GraphQL).
    ​Uwaga dotycząca dostępności danych: zarchiwizuj pliki konfiguracyjne, wagi modeli i ziarna symulacji; podaj sumy kontrolne i link do repozytorium tylko do odczytu w sekcji Dostępność danych.
  7. Ustawienia hiperparametrów dla modelu predykcji ryzyka
    1. Zobacz Tabelę 8 w celu uzyskania informacji o ustawieniach hiperparametrów przepływu pracy (moduły Bi-LSTM, GCN, bramka fuzji, PPO oraz ustawienia środowiska treningowego).
  8. Test t-Studenta dla prób zależnych
    1. Użyj testu t-Studenta dla prób zależnych, aby ocenić, czy zaobserwowane poprawy wydajności modelu (np. dokładność predykcji, horyzont wczesnego ostrzegania, precyzja propagacji i wskaźniki jakości decyzji) różnią się istotnie między wynikami bazowymi a proponowaną metodą w dopasowanych scenariuszach. Oblicz statystykę testową za pomocą równania (2):
      formuła analizy statystycznej; równanie do obliczania niepewności; dzielenie zmiennych   (2)
      gdzie Równowaga statyczna; schemat ΣFx=0; równowaga sił na belce; edukacyjna koncepcja fizyki; analiza równowagi. to średnia różnica par między wynikami bazowymi a proponowanymi, sd to odchylenie standardowe różnic par, m to liczba obserwacji parzystych (dopasowane scenariusze symulacyjne), a u to statystyka testu t dla prób zależnych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Układ eksperymentalny

Protokół wykorzystuje Python 3.11 z PyTorch 2.1, scikit-learn 1.3, NetworkX 3.1, pandas 2.1, numpy 1.27 oraz opcjonalnie TensorFlow 2.14. Symulacje opierają się na Graph-SLAM (g2o 2025.10, ROS2), AnyLogic 2025 do modelowania agentowego oraz ANSYS Fluent 2025 lub OpenFOAM v11 do CFD. Wymiana danych jest obsługiwana przez MQTT v5, OPC-UA oraz FastAPI do serwowania modeli, z konteneryzacją za pomocą Docker 24.0 i NVIDIA Toolkit. Wymagany sprzęt obejmuje proc...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Wyniki badania potwierdzają pogląd, że cyfrowe potoki uczenia wspierane przez bliźniacze cyfrowe modele mogą wzmocnić zarządzanie ryzykiem w łańcuchu dostaw poprzez skojarzenie synchronizacji stanu z prognozowaniem opartym na danych. Wyniki eksperymentalne wskazują, że rdzeń Bi-LSTM-attention, w połączeniu z enkodowaniem przestrzennym opartym na GCN, poprawia dokładność prognoz i przedłuża horyzont wczesnego ostrzegania, co jest zgodne z ostatnimi dowodami na to, że prognozowanie przestrzenno-czasowe korzysta z uwzględni...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

Praca ta została wspierana przez Fundusze Badań Podstawowych dla Centralnych Uniwersytetów (Grant nr 2024JCXKSK06). Autorzy dziękują China University of Mining and Technology oraz Fuyang Normal University za udzielenie wsparcia instytucjonalnego. Szczególne podziękowania dla partnerów z przemysłu za udostępnienie danych i wiedzy z dziedziny. Wyrażamy również wdzięczność dla społeczności open-source oraz deweloperów platform symulacyjnych za ich wkład techniczny.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
AnyLogic Simulation PlatformThe AnyLogic CompanyN/AOprogramowanie do modelowania wielowarstwowe dla symulacji opartych na agentach, dyskretnych zdarzeniach i dynamice systemu, zintegrowane z TensorFlow
NVIDIA A100 GPU Server ClusterNVIDIA CorporationN/AStosowane do równoległego trenowania modeli Bi-LSTM-Attention + GCN i optymalizacji PPO w ramach platformy cyfrowego bliźniaka

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

agodzenie ryzykaneuronowy model sekwencyjnysplot grafowyproksymalna optymalizacja politykiprognozowanie czasoprzestrzennepropagacja ryzykaoptymalizacja polityki
Film wkrótce dostępny

Powiązane artykuły