Yöntem makalesi

Sinir Dizisi ve Grafik Modelleri ile Tedarik Zinciri Risk Tahmini ve Azaltılması için Dijital İkiz Yönlendirilmiş Protokol

DOI:

10.3791/69878

⸱

6 Mart 2026

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

Bu makalede

Özet

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

Bu protokol, veri alımı, dizi ve grafik tabanlı risk tahmini, yayılma simülasyonu ve politika optimizasyonunu entegre eden tekrarlanabilir dijital ikiz iş akışını detaylandırır. Endüstriyel ortamlarda sadık çoğaltmayı desteklemek için yazılım sürümlerini, parametreleri, kontrol noktalarını ve sorun giderme adımlarını belirtir.

Özet

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

Tedarik zincirleri, yüksek belirsizlik ve ağ bağımlılığı altında gerçek zamanlı risk tahmini ve azaltma gerektirir. Bu protokol, veri alımı, uzaylı-zaman risk tahmini, risk yayılımı simülasyonu ve azaltma politikası optimizasyonunu tek bir konteynerli yığında birbirine bağlayan tekrarlanabilir dijital ikiz (DT) iş akışını tanımlar. Tahmin için, Bi-LSTM'yi grafik konvolüsyonuyla birleştiren yorumlanabilir bir dizi ve grafik modeli entegre ederek zaman dinamiklerini ve ağ bağımlılıklarını yakalarız. Azaltma için, yakın politika optimizasyonu (PPO), simüle edilmiş kesintilerden uygulanabilir karar politikalarını öğrenir ve maliyet farkında yanıtlar vermeyi mümkün kılarak sonradan tanı yerine maliyet farkında yanıtlar sağlar. Dağıtım ve çoğaltmayı desteklemek için, endojen ve dışsal riskleri ayıran hiyerarşik bir anahtar-risk-göstergesi taksonomisi, versiyon sabitli ortamlar, veri sözleşmeleri ve doğrulama kontrol noktaları sunuyoruz. Temsilci sonuçlar hem öngörücü hem de karar düzeyinde kazançlar gösterir. 300 düğümlü otomotiv ağında bu yaklaşım F1'i %19,3 artırıyor ve erken uyarı ufkunu 5,2 saat uzatıyor. 2021 ABD liman sıkışıklığı tekrarında, PPO gecikmeleri ve acil müdahale maliyetlerini %20'den fazla azaltıyor. İş akışı, milisaniye seviyesinde gecikmeyle 500 düğümlük simülasyonlara ölçeklenir ve uzun ufuk performansının stabil olmasını sağlar. Tarihsel olay tekrarı ve çevrimiçi simülasyon ile çift doğrulama, daha iyi doğruluğu, sağlam karar kalitesini ve pratik ölçeklenebilirliği doğrular. Yeni tedarik zinciri ortamlarına transferi kolaylaştırmak için sınırlamalar ve uyum yönergeleri tartışılmaktadır.

Giriş

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

Küresel tedarik ağları sürekli belirsizlik altındadır; yerel kesintiler tedarikçi katmanları ve ulaşım yolları arasında yayılabilir ve sistem çapında yavaşlamalara yol açabilir. Birçok kuruluşta risk izleme hâlâ olayların belgelenmesi ve uyum için faydalı olan ancak hızlı değişen operasyonel akışlar için daha az etkili olan geriye dönük raporlar veya periyodik denetimlere dayanır. Veri dakika dakika evrildiğinde, karar vericilerin sürekli anlamlandırma, yakın vadede tahmin ve zamanında müdahaleyi destekleyen bir iş akışına ihtiyacı vardır, sonradanteşhis 1.

Risk kayıtları ve istatistik tabanlı erken uyarı modelleri gibi geleneksel araçlar standartlaştırma ve üst düzey takip için değerli olmaya devam etseler de, genellikle tesisler, envanterler, kapasiteler ve akışlar arasındaki dinamik etkileşimleri soyutlar. Burada açıklanan dijital ikiz tabanlı iş akışı, sürekli durum senkronizasyonunu sürdürerek ve senaryo tabanlı değerlendirmeyi mümkün kılarak bu yaklaşımları tamamlar; böylece 'ya şöyle' kesintileri ve azaltma önlemleri atölye veya sahaya ulaşmadan önce test edilebilir. Pratikte, ikiz temel operasyonel durumları ve kısıtlamaları yansıtan siber-fiziksel bir temsil olarak hizmet eder ve geriye dönük raporlama yerine proaktif azaltma için uygulanabilir bir temelsağlar 2.

Son tedarik zinciri araştırmaları, küreselleşen tedarikçi ağları, değişken talep kalıpları, jeopolitik istikrarsızlık ve iklim kaynaklı olayların neden olduğu bozulmalara karşı artan savunmasızlığı ortaya koydu. Geleneksel risk yönetimi yaklaşımları, hızla gelişen operasyonel koşulları veya çok katmanlı ağlar içindeki karmaşık karşılıklı bağımlılıkları yakalayamayan geriye dönük raporlama ve statik değerlendirmelere büyük ölçüde dayanır. Pratik dağıtım iki gereksinime dayanır. Risk, bitkiler ve bölgeler arasında karşılaştırılabilir göstergelerle nicelleştirilmelidir; aksi takdirde, eşikler kayır ve alarmlar keyfi hale gelir; ikiz, simüle edilen durumların kontrolkararlarını destekleyecek kadar yakından operasyonel gerçekliği takip edebilmesi için açık gecikme ve sadıklık hedeflerini karşılamak zorundadır. Bu gereksinimler üzerine inşa edilen bu protokol, veri sözleşmelerini tek bir sürekli sistem içinde karar politikalarına bağlayan tekrarlanabilir bir iş akışını tanımlar. Zamansal sinyaller çift yönlü uzun kısa vadeli bellek ile özetlenir, ağ yapısı grafik konvolüsyonuyla kodlanır ve dikkat ağırlık görselleştirme kullanılarak modelleme adımı operatörler ve denetçiler tarafından yorumlanabilir kalır. 5,6,7,8. Veri odaklı modeller ve erken dijital ikiz uygulamalar durumsal farkındalığı geliştirmiş olsa da, çoğu zaman parçalanmış kalır; gerçek zamanlı algı, uzaylı-zaman tahmini ve uygulanabilir karar desteği için birleşik mekanizmalardan yoksundurlar. Bu boşluklar, dinamik endüstriyel sistemlerde zamanında, yorumlanabilir ve ölçeklenebilir risk izlemeyi mümkün kılmak için yüksek hassasiyetli dijital-ikiz ortamlarını gelişmiş dizi ve grafik öğrenme modelleri ile birleştiren entegre bir protokole olan ihtiyacı vurguluyor. İkiz sistemine karşı eğitilen yakın politika optimizasyonu yoluyla azaltma stratejileri elde edilir; bu da hizmet seviyesi, gecikme ve maliyet arasında dengelerin canlıoperasyonları etkilemeden ayarlanmasına olanak tanır 9,10.

Bu araştırma, günde 1–5 milyon kayıt akış veri hacmi ve orta düzeyde veri kalitesi (≥%85 tamlık, ön işlemeden sonra %≤%5 eksiklik) orta ve büyük tedarik ağları içindir. Gerçek zamanlı dağıtım, 100 ms'nin altında sürekli uçtan uca gecikme ve istikrarlı senkronizasyon (<%0,5 kayma) gerektirir ve düşük bant bantına veya konteynersiz ortamlarla sınırlı olabilir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu çalışmanın kimliği silinmiş kurumsal ve lojistik kayıtlarını, ayrıca sentetik bozulma senaryolarını kullandığını, insan veya hayvan dahil olmadığını doğruluyoruz. Ham operasyonel kayıtlara erişim, veri sahibi kuruluşlar tarafından yazılı olarak izinlendirildi ve veri çıkarımından önce kurumsal veri yönetişimi komitesi tarafından onaylandı. Veri erişimi rol tabanlı erişim kontrolüyle yönetildi; Tüm erişim etkinlikleri kaydedildi; ve denetim izleri yayımlandıktan sonra ≥3 yıl boyunca korunacaktır. Kesinti vakalarını bildirirken, firma tanımlayıcı özellikleri (örneğin tesis adları, müşteri tanımlayıcıları, sözleşme kimlikleri ve kesin coğrafi konumlar) genelleştirir veya gizlerek yeniden tanımlama riskini azaltırız. Veri kullanım onaylarının ve onay/izin mektuplarının kopyaları talep üzerine dergiye sağlanabilir ve editoryal inceleme için ek dokümantasyon olarak dahil edilecektir.

1. Dijital ikiz kavramı, mimarisi ve standartları

  1. Grieves'in bilgi aynası modeline göre dijital ikizi tanımlamak ve Grieves'in erken çalışmalarında ve ISO 23247 standartlarında vurgulandığı gibi, net katman sorumlulukları ve arayüzleri olan beş katmanlı bir yığın (fiziksel, sanal, veri, bağlantı, uygulama) belirtmek. Sistem tasarım belgeleri ve ISO-23247 şemaları ana girdiler olarak kullanılır; katman tanımları ise tutarlı mimari eşleme için beş katmanlı soyutlamaolarak normalleştirilir 2,11.
  2. Şekil 1'de uçtan uca mimariyi gösterin; küresel tanımlayıcıları (assetID, modelID, runID), kanonik zaman tabanını (UTC) ve veri setleri ile deneyler için adlandırma şemasını bildirir. Varlık meta verilerini, model kayıtlarını ve deney günlüklerini birleşik ID formatlarına (assetID/modelID/runID) standartlaştırın ve mimari entegrasyondan önce UTC'de zaman damgası ekleyin.
  3. Birlikte çalışabilirlik için açık standartları benimseyin: alandan platforma değişim için OPC UA/IEC 62541 ve MQTT v5, hizmet API'leri için REST/GraphQL ve model değişimi ve topoloji açıklaması için FMI/AutomationML kullanın. Çapraz alan şema boşluklarını not edin ve adaptörlere açıkça güvenilirlik notları verin. OPC UA/MQTT alan akışları ve AutomationML/FMI model dosyaları,platformlar 2,12,13,14 arasında birlikte çalışabilirliği korumak için şema adaptörleri aracılığıyla ayrıştırılır, doğrulanır ve dönüştürülür.
  4. Tüm düğümleri IEEE 1588 PTP ile senkronize edin, kapalı döngü kullanımı için uçtan uca 100 ms'in altında gecikme uygular ve jitter ile saat kayması için kabul sınırlarını belgeleyin. Kayıt doğrulama ve adaptör gidiş-dönüş kontrolleri Tablo 1'de. Saat senkronizasyonu logları, ağ izleri ve gidiş-dönüş gecikme örnekleri toplanır ve temizlenir; böylece 100 ms'in altında zamanlama kısıtlamaları ve PTP senkronizasyon doğruluğudoğrulanır 15.
  5. Duraklama Noktası: 1.1–1.4. adımlardan sonra, devam etmeden önce şema gidiş-dönüş (ihracat, ithalat ve doğrulama) ve gecikme uyumunu doğrulamak için duraklayın.
    Şema dönüş dönüşlerini doğrulayın: Dışa aktarma/içe aktarma/doğrulama kayıtlarında hata olmadığını doğrulayın.
    Gecikme metrikleri: uçtan uca <100 ms; jitter <5 ms; Saat kayması <1 ms/dakika.
    Dashboard anlık görüntüsü: Tablo 1'in adaptör gidiş-dönüş süreleri ve senkronizasyon hatalarıyla dolu olduğundan emin olun.

2. Risk algısı ve tahmini için analitik teknolojiler

  1. Erken uyarı yeteneği oluşturmak için tarihsel çok kaynaklı loglar (emirler, telemetri, olaylar) üzerinde öngörücü modeller eğitilmeli; Rastgele tohumları düzeltin ve veri bölünmelerini tekrarlanabilirlik için kaydedin. Sayısal değişkenleri standartlaştırın, kategorik özelliklere tek sıcak kodlama uygulayın ve kaydırmalı pencereler (örneğin, 12–24 zaman adımı) kullanarak diziler oluşturun.
  2. Verileri %70 eğitim, %15 doğrulama ve %15 teste böl. 2 katmanlı (128–256 birim), 0.2–0.3 çıkışlı bir Bi-LSTM ve Adam optimizatoru (LR = 1e-3) kullanın. Tüm rastgele tohumları kaydederek tekrarlanabilirliği garanti edin. Tarihsel sipariş günlüklerini, telemetri ve olay akışlarını temizleyin, standartlaştırın, kodlayın ve Bi-LSTM eğitimi için kaydırma penceresi dizilerine dönüştürün.
  3. Etiketlenmiş veri seyrekse, denetimsiz anomli tespit yöntemlerini (örneğin, izolasyon ormanı, sağlam kovaryans, otomatik kodlayıcılar) uygulayın ve hassasiyet–geri çağırma takaslarıyla eşikleri kalibre edin. Girdileri Min-Max ölçeklendirme ile normalleştirin, ardından 100–200 ağaçlı izolasyon ormanlarını veya 3–5 gizli katmanlı otomatik kodlayıcıları eğitin. Eşikleri PR-eğrisi optimizasyonu ile ayarlayın ve yeniden yapılandırma hatası veya anomali puan dağılımlarıyla değerlendirin. Etiketlenmemiş operasyonel günlükleri (Min-Max) normalize edin ve izolasyon ormanı veya otomatik kodlayıcı eğitimi ile eşik kalibrasyonu için anomali puan özelliklerinedönüştürün 16,17.
  4. Tedarikçi-taşıma ağları arasında zamansal kalıpları ve mekânsal bağımlılıkları yakalamak için dizi ve grafik tabanlı modelleri (örneğin, dikkat ve GCN ile Bi-LSTM) entegre edin. Tedarikçi–taşıma bağlantılarından bitişik matrisler oluşturun ve simetrik derecelendirme ile normalize edin. Hibrit model, Bi-LSTM çıkışlarını 1–2 GCN katmanı (gizli boyut 64–128) ve tamamen bağlı bir sınıflandırma başlığı ile birleştirir. 30–50 dönem için tren, F118,19 doğrulamasına dayalı erken duraklamalarla.
    NOT: Önerilen modeldeki grafik konvolüsyon adımı, Denklem (1)'de gösterilen normalize toplama kuralı kullanarak düğüm temsillerini günceller; böylece her düğüm komşularından gelen bilgileri dahil ederken yapısal dengeyi korur. Bu formülasyon, tedarik zinciri ağı boyunca istikrarlı özellik yayılımını sağlar ve dijital-ikiz mimarisi içinde mekânsal bağımlılıkların yakalanması için temel sağlar.
    figure-protocol-1   (1)
    figure-protocol-2 kendi kendine döngüler eklenen bitişik matrisidir. figure-protocol-3 derecenin matrisine figure-protocol-4atıfta bulunur. H(l) , katman l'deki düğüm özellik matrisidir. W(l) ise eğitilebilir ağırlık matrisidir ve σ(•) ReLU aktivasyon fonksiyonudur. Tedarikçi–taşıma ağı tabloları, komşuluk matrislerine dönüştürülür ve hibrit dizi-grafik modeline beslenmeden önce simetrik derecelendirme ile normalleştirilir.
  5. Haberlerden ve bültenlerden politika ve piyasa sinyallerini çıkarmak için doğal dil işleme kullanın ve gizlilik maskeleriyle izleme akışlarından kaynaklanan port aksaklıklarını tespit etmek için bilgisayar görüşü uygulayın. Politika veya piyasa bültenlerinden cümle gömülmelerini çıkarmak için, önceden eğitilmiş bir transformator (örneğin BERT tabanı) kullanın ve ardından gizlilik bulanıklığından sonra port beslemesi çerçeve analizi için hafif CNN veya MobileNet uygulayın. Füzyon öncesi, tüm dış-modal gömmeleri normalizeedin 20.
  6. Tedarikçiler, yollar, tesisler ve sözleşmelerden oluşan bir bilgi grafiği oluşturarak nedensel sorgulamalar ve kök neden takibi mümkün kılınabilir; Şekil 2 için dışa aktarma anlık görüntüleri. Tedarikçilerden, ürünlerden, güzergahlardan ve tesislerden düğümler oluşturun, ardından sözleşmesel bağlantılar ve lojistik akışlarıyla kenarlar oluşturun. Bağlantısız bileşenleri tespit etmek için RDF veya özellik-graf formatı, varlık çözümleme kuralları ve grafik doğrulaması kullanın21.
  7. Arama stratejisi açıklaması ve anahtar kelime oluşturma
    1. Arama yöntemini, sorgu terimlerinin yapısını ve mantığını net bir şekilde sunacak şekilde geliştirin. Kavrama göre arama terimlerini gruplar ve Boolean operatörleri kullanarak sistematik ve tekrarlanabilir arama sağlamak için birleştirilir. Örneğin, kullanılan tam sorgu dizisi şuydu:
      ("tedarik zinciri riski" VEYA "arz kesintisi") VE ("dijital ikiz" VEYA "simülasyon") VE ("tahmin" VEYA "erken uyarı").
      Arama sözdiziminin yapılandırılmış şekilde gösterilmesi, uygulama dizisini netleştirir ve belirsizliği azaltır. Teknoloji, alan ve işlevsel anahtar kelimeleri ayırmak şeffaflık gösterir ve incelemecilerin arama sürecini doğrulamasını destekler.
    2. Sorun giderme: Çok fazla uyarı olduğunda, toplama pencerelerini artırın, histerezi başlatın veya anomali eşiklerini sağlam istatistiklerle yükseltin. Modeller kayarsa veya kararsız hale gelirse, sabit bir takvime göre yeniden eğitim verin ve performans değişikliklerini belgelemek için geriye dönük test günlüklerini tutun.

3. Risk sınıflandırması ve anahtar gösterge sistemi

  1. Riskleri endojen (kurumsal ağ içinde doğrusal yayılma) ve dışsal (dış kaynaklardan çok düğümlü şoklar) olarak sınıflandırın. Örnekler ve eşleme kuralları22,23 ver.
  2. Tedarikçi istikrarı, üretim operasyonları, lojistik performansı ve bilgi entegrasyonunu kapsayan çok katmanlı bir Anahtar Risk Göstergesi (KRI) sistemi kurmak; her KRI'yi, veri kaynağını tanımlayın ve ritmini güncelleyin. Tedarikçi, operasyon, lojistik ve entegrasyon veri setlerini filtreleyin; bunları birleştirip tanımlanmış güncelleme sıklıklarıyla kademeli KRI değerleri üretir.
  3. KRI tanımlarını, formüllerini ve uyarı eşiklerini Tablo 2'de sunun; Belge kabul kriterleri ve yükseltme planları24.
    1. Kalite kontrolü: KRI sistemini doğrulamak, oluşturulan uyarılar ile geçmiş olay kayıtları arasında minimum 0.7 uyum gerektirerek doğrulamak. KRI eşiğini yalnızca uyum testini geçtikten sonra serbest bırakın. Ampirik geçerlilik elde etmek için, çok katmanlı KRI sistemini tarihsel olay günlükleriyle uyumluluk testi kullanılarak geriye dönük test edin.
    2. Eşik ayarları ve geri test: Her gösterge için uyarı eşikleri belirleyin (örneğin, Seviye 1 uyarı: teslimat yerine <%95; Seviye 2 uyarı: teslimat yerine <%85; talep dalgalanmaları >%5) ve bunları 18 aylık operasyonel geçmiş ve zaman damgalı kesinti kayıtlarıyla geriye dönük test edecek. Uyum sağlama, ±12 saat içinde gerçek olay gerçekleşmesiyle eşleşen KRI uyarılarının oranı olarak tanımlanır. Operasyonel kullanımdan önce uyum ortalamasının serbest bırakma kriterini (≥0.7) karşıladığını doğrulayın.
    3. Eşik bakımı: Sonraki dağıtımlarda, eşikleri periyodik olarak yeniden test ve geriye test ederek değiştirin veya test penceresini mevsimsel eğilimler ve anomali sıklığına göre ayarlayın.
  4. Gerçek olay yakalama ile yanlış alarmlarda KRI eşik performansı
    1. Her KRI eşiğini Risk-Tipi-Gösterge tablosunda test edin ve operasyonel faydalılığı belirlemek için 18 aylık tarihsel olay kayıtlarıyla geriye dönük test yapın. Her gösterge için, gerçek olay yakalama oranını (geri çağırma) hesaplayın; bu, gerçekleşmeden önce veya gerçekleştiğinde tespit edilen gerçek bozulma olaylarında yüzde olarak tanımlanır. Yanlış alarm oranını hesaplayın; bu, ±12 saat içinde hiç kesinti yaşanmayan uyarı oranı olarak tanımlanır. Bu metrikleri, erken uyarıda hassasiyet ile operasyonel gürültü arasındaki dengeyi nicelikle ölçemek için kullanın (Tablo 3).
  5. Önerilen uzaylı-zamansal modelin senaryo tabanlı değerlendirmesi
    1. Önerilen Bi-LSTM + Dikkat + GCN uzaylı-zamansal füzyon modelinin tahmin doğruluğunu, kalibrasyon güvenilirliğini ve hesaplama verimliliğini üç temsilli bozulma senaryosu kullanarak değerlendirin: ekipman arıza riski, jeopolitik bozulma riski ve zincirli çoklu düğümlü ağ arızası. Değerlendirme metrikleri olarak Ortalama Mutlak Hata (MAE), Brier Puanı ve karar döngüsü hesaplama süresini kullanın (Tablo 4).

4. Nicelik modelleri

  1. Olay olasılığını ve beklenen kaybı tahmin etmek için olasılık tabanlı modeller (örneğin Monte Carlo) uygulanır; Yakınsamama teşhisi ve güven aralıklarını bildirin. Ampirik dağılımlardan veya uyarlanmış parametrik modellerden örnekleme bozulma olasılıkları. 5.000–10.000 yineleme çalıştırın, düğüm başına tahmini kayıp hesaplayın ve %95 güven aralıklarınıraporlayın 25.
  2. Uzman kararlarını bulanık mantık kullanarak nicel puanlara dönüştürmek (örneğin, bulanık AHP/FIS); Üyelik fonksiyonlarını tarihsel sonuçlara göre kalibre edin. Uzman girdileriyle çift karşılaştırma matrisleri geliştirin, dilbilimsel kavramları üçgen bulanık sayılara çevirin ve geometrik ortalamalarla toplu ağırlıkları hesaplayın. Net risk puanları elde etmek için centroid yöntemiyle defuzzifyyapın 26.
  3. Yayılma yollarını haritalamak ve savunmasız düğümleri merkezilik ve perkolasyon eşikleri aracılığıyla belirlemek için ağ analizini kullanmak; İhracat adayları kesim setleri. Tedarikçi, operasyon, lojistik ve entegrasyon veri setlerini filtreleyin; bunları birleştirip tanımlanmış güncelleme sıklıklarıyla kademeli KRI değerleri üretir.
  4. Düğüm merkezilik metriklerini (derece, aralık, özvektör) hesaplayın ve eşikli veya SIR tarzı modellerle (örneğin, 0.1–0.3) yapılandırılabilir iletim olasılıklarına sahip yayılım simüle edilsin. 500–1.000 simülasyon çalışması boyunca yayılan etkiyi önceliklendirerek anahtar düğümleribelirleyin: 27,28.
  5. Tablo 5'te olasılık, bulanık ve ağ modellerini karşılaştırın; Senaryo uyumu, veri erişilebilirliği ve yorumlanabilirlik açısından seçin. Duraklatma Noktası: parametre tabanlarını kilitleyin ve yapılandırma dosyalarını arşivleyin, ardından dağıtıma geçin.
    Çıktı: yapılandırma dosyalarında kaydedilen parametre bazları.
    Günlükler: yakınsamaya yönelik teşhisler, güven aralıkları ve merkeziyet hesaplamaları arşivlenmiştir.

5. Genel mimari ve fonksiyonel modüller

  1. Yetenekleri beş alan ve yedi katmana ayırmak; algı, nicelik, tahmin, karar ve yürütme modüllerini versiyonlu API'lere sahip konteynerize mikroservislere haritalar.
  2. Tablo 6'daki yedi katmanlı fonksiyonel eşlemeyi servis adları ve bağımlılıklarla birlikte sağlayın.
  3. Uç-kenar–bulut pipeline üzerinden gerçek zamanlı veri toplama uygulamasını uygulayın; örnekleme frekanslarını, toplu düzenleme kurallarını ve QoS'u Tablo 7'de tanımlar; Kayıt brokerı konuları ve tutma politikaları. Boru hattını Şekil 3 29,30'da gösterin.
  4. Düzen ve akışlar için Graph-SLAM, davranışlar için ajan tabanlı simülasyon ve ortam kısıtlamaları için CFD araçları kullanarak sanal modeller oluşturmak; Şekil 4 için bundle senaryo ön ayarları.
  5. Pub/sub mesajlaşma ve PTP kullanarak 100 ms'in altında senkronizasyonu sağla; çalışma zamanı gecikmesi, veri verimliliği ve paket kaybı metriklerini yakalar ve ek veri setlerinde ham metrikler sağlar.
  6. Erken uyarı, kum havuzu simülasyonu ve operatör görselleştirmesi için karar destek modülleri geliştirmek; REST uç noktalarını ve rol tabanlı dashboardları açığa çıkarın. Dashboard render için erken uyarı çıktılarını, simülasyon sonuçlarını ve görselleştirme parametrelerini normalleştirin.
    Kontrol: alım boru hattı aktif; MQTT/OPC-UA aracılığıyla işlenen örnek mesajlar.
    Kontrol et: model uç noktaları test taleplerine (REST/GraphQL) yanıt verir.
    Veri Erişilebilirliği Not: arşiv yapılandırma dosyaları, model ağırlıkları ve simülasyon tohumları; Veri Erişilebilirliği bölümünde kontrol toplamları ve yalnızca okunabilir bir depo bağlantısı sağlar.
  7. Risk tahmin modeli için hiperparametre ayarları
    1. İş akışının hiperparametre ayarları (Bi-LSTM, GCN, fusion gate, PPO modülleri ve eğitim ortamı ayarları) için Tablo 8'e bakınız.
  8. Eşleştirilmiş örnek t-testi
    1. Eşleştirilmiş senaryolarda model performansındaki gözlemlenen iyileşmelerin (örneğin, tahmin doğruluğu, erken uyarı ufku, yayılma hassasiyeti ve karar kalitesi göstergeleri) temel çıktılar ile önerilen yöntem arasında önemli ölçüde farklılaşıp ayrılmadığını değerlendirmek için eşleştirilmiş bir örnek t-testi kullanın. Test istatistiklerini Denklem (2) kullanarak hesaplayın:
      figure-protocol-5   (2)
      burada figure-protocol-6 temel ve önerilen çıktılar arasındaki ortalama eşleşmiş fark, sd eşleşmiş farkların standart sapmasıdır, m eşleşmiş gözlem sayısıdır (eşleşmiş simülasyon senaryoları) ve u eşleştirilmiş t-test istatistiği vardır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Deneysel kurulum

Protokol, Python 3.11 ile PyTorch 2.1, scikit-learn 1.3, NetworkX 3.1, pandas 2.1, numpy 1.27 ve isteğe bağlı TensorFlow 2.14 kullanır. Simülasyonlar Graph-SLAM (g2o 2025.10, ROS2), ajan tabanlı modelleme için AnyLogic 2025 ve CFD için ANSYS Fluent 2025 veya OpenFOAM v11 kullanır. Veri alışverişi, model servisi için MQTT v5, OPC-UA ve FastAPI aracılığıyla desteklenmekte, Docker 24.0 ve NVIDIA Toolkit ile konteynerleştirme ise ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Çalışmanın bulguları, dijital ikiz destekli öğrenme hatlarının, durum senkronizasyonunu veri odaklı tahmin ile birleştirerek tedarik zinciri risk yönetimini güçlendirebileceği görüşünü destekliyor. Deneysel sonuçlar, Bi-LSTM–dikkat omurgasının GCN tabanlı mekânsal kodlama ile birleştiğinde, tahmin doğruluğunu artırdığını ve erken uyarı ufkunu genişlettiğini göstermektedir; bu, uzaylı-zaman tahmininin dış sinyaller ve ağ yapısının birleşik bir modele dahil edilmesinden fayda sağladığına d...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarların açıklayacak hiçbir şeyi yok.

Teşekkürler

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

Bu çalışma, Merkezi Üniversiteler için Temel Araştırma Fonları (Hibe No. 2024JCXKSK06) tarafından desteklenmiştir. Yazarlar, kurumsal destek sağladıkları için Çin Madencilik ve Teknoloji Üniversitesi ile Fuyang Normal Üniversitesi'ne teşekkür etmektedir. Sektör ortaklarına veri paylaşımı ve alan uzmanlığı için özel teşekkürler. Ayrıca açık kaynak toplulukları ve simülasyon platformu geliştiricilerinin teknik katkılarını da takdir ediyoruz.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
AnyLogic Simulation PlatformThe AnyLogic CompanyN/AAjan tabanlı, diskret olay ve sistem dinamiği simülasyonları için çok yöntemli modelleme yazılımı, TensorFlow ile entegre
NVIDIA A100 GPU Sunucu KümesiNVIDIA CorporationN/ADijital ikiz platform içinde Bi-LSTM-Attention + GCN modellerinin paralel eğitimi ve PPO optimizasyonu için kullanılır

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Risk AzaltmaSinirsel Dizilim ModeliGraf Konvol syonuProksimal Politika OptimizasyonuUzay Zamansal ng rRisk Yay l mPolitika Optimizasyonu
Video yakında

İlgili makaleler