CN116150493A - 基于知识图谱的工业互联网优质供应链推荐方法及系统 - Google Patents
基于知识图谱的工业互联网优质供应链推荐方法及系统 Download PDFInfo
- Publication number
- CN116150493A CN116150493A CN202310174670.4A CN202310174670A CN116150493A CN 116150493 A CN116150493 A CN 116150493A CN 202310174670 A CN202310174670 A CN 202310174670A CN 116150493 A CN116150493 A CN 116150493A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- supply chain
- model
- products
- product
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005516 engineering process Methods 0.000 claims abstract description 47
- 238000010276 construction Methods 0.000 claims abstract description 44
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 18
- 239000000047 product Substances 0.000 claims description 168
- 238000004519 manufacturing process Methods 0.000 claims description 44
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004806 packaging method and process Methods 0.000 claims description 10
- 239000002994 raw material Substances 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 239000011265 semifinished product Substances 0.000 claims description 8
- 238000013499 data model Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000012797 qualification Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于知识图谱的工业互联网优质供应链推荐方法及系统,包括如下步骤:全景图构建步骤:通过知识图谱技术构建产业链供应链数据全景图;风险模型构建步骤:通过分类、预测技术构建产业链供应链企业的风险模型;产能匹配模型构建步骤:通过分类预测技术构建产业链供应链企业的产能匹配模型;QCD模型构建步骤:通过预测技术构建产业链供应链的QCD模型;推理服务构建步骤:通过NLP技术构建产业链供应链的推理服务。本发明能够为使用者提供符合风险系数小、产能匹配度高、成本低、产品质量优和交付时间短的供应链优选方案的数据服务。
Description
技术领域
本发明涉及高技术服务业技术领域,具体地,涉及一种基于知识图谱的工业互联网优质供应链推荐方法及系统,尤其是一种基于知识图谱的工业互联网优质供应链方案推荐的算法研究,可以应用于智能制造管理系统中的供应链选择环节。
背景技术
现有技术中存在供应链关系量大难以构建、供应链选择多人工难以筛选、数据维度杂标签固化的技术问题。对供应链认识的深度、BOM拆解推理的能力等都会导致这个问题。况且,市场上BOM拆解推理是靠人肉拆解,不适合海量的数据,而且,不具备智能化。举例说明:A要买一张椅子,那么椅子的供应商B可能从C买入椅子脚,从D买入扶手等等,C生产椅子脚可能用到某种原材料,如果把整个供应链串联起来,要买一张椅子,会遇到海量的供应商,每一条供应链出来的成本、风险又不同等等,人只能根据经验选或者靠别人推荐,无法像机器一样考虑全面,选择最优化。
公开号为CN108921486B的专利文献公开了一种基于区块链的贸易供应链推荐方法及装置,所述方法包括:获取业务平台发送的待运输货物的始发地、目的地及物流偏好信息;在预设的供应链库中,查找与所述始发地和目的地相匹配的候选货物供应链;根据候选货物供应链的历史物流信息、所述物流偏好信息及预设因素权重,计算每个所述候选货物供应链的供应链评分;向所述业务平台推荐供应链评分最高的目标货物供应链。但是该专利文献与本申请的技术方案不同。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于知识图谱的工业互联网优质供应链推荐方法及系统。
根据本发明提供的一种基于知识图谱的工业互联网优质供应链推荐方法,包括如下步骤:
全景图构建步骤:通过知识图谱技术构建产业链供应链数据全景图;
风险模型构建步骤:通过分类、预测技术构建产业链供应链企业的风险模型;
产能匹配模型构建步骤:通过分类预测技术构建产业链供应链企业的产能匹配模型;
QCD模型构建步骤:通过预测技术构建产业链供应链的QCD模型;
推理服务构建步骤:通过NLP技术构建产业链供应链的推理服务。
优选的,所述全景图构建步骤中,所述产业链供应链数据全景图包括如下子数据模型:企业主题模型、产品主题模型、企业关系模型、产品关系模型、企业和产品关系模型。
优选的,所述企业主题模型:对企业的所处地域、所属行业、企业规模、资质的维度进行企业画像,刻画企业以及突出在供应链中所处的位置和起到的作用;
所述产品主题模型:
在产品的静态属性中,对产品的品牌、型规、颜色、材质、一级品类、二级品类、三级品类进行封装;
在产品的动态属性中,对产品的质量、成本、工艺、生产设备进行封装;
将动态画像和静态画像结合,显现产品自身的特征,建立与企业的生产要素的关系。
优选的,所述企业关系模型:对企业和企业之间的采购、供应、运输关系进行构建,将供需形成一条完整的链路;
所述产品关系模型:将原材料到半成品或者零部件的组装关系、半成品到成品的组装关系封装起来,通过对产品的灵活拆解以对产品完整的进行追踪溯源;
所述企业和产品关系模型:对企业和产品之间的生产、组装、运输、库存的关系进行封装,将企业实体、产品实体、供需关系全部链接起来。
优选的,所述风险模型构建步骤中,企业风险考虑的因素包括企业履约能力、近期的违规次数、法律诉讼数、财务状况的维度;
通过历史数据,针对企业的风险性进行分类和预测模型开发,对供应链的企业进行风险性监控和管理,找出低风险的供应商或者供应链路。
优选的,所述产能匹配模型构建步骤中,
企业的产能匹配分析模型的分析因素包括企业的基础设施因素和企业经营产品的生产要素;
企业的基础设施因素:对企业的工厂面积、科研能力、设备数量、生产人员数量进行分析,分析企业的基础产能;
企业经营产品的生产要素:对企业产品的工艺、生产设备、产品的质量进行分析,分析企业产品的的产能;
结合基础设施因素和企业经营产品的生产要素,通过对历史数据分析,训练企业的产能匹配模型,将企业的产能对于产品的产能量化,根据需求找出产能匹配的供应商或者供应链。
优选的,所述QCD模型步骤中,
通过分析历史数据,利用影响QCD指标的所有数据维度,训练QCD预测模型,找出产品质量好、成本低、交付时间短、交付距离近的供应商和供应链。
优选的,所述推理服务构建步骤中,
通过NLP技术建立针对实体、关系的推理服务,分析企业、产品相互关系中存在的潜在关系。
优选的,所述推理服务构建步骤中,所述推理服务包括如下两种关系的推理:
企业和产品之间的潜在关系:
对企业进行全面画像,包含如下属性:企业所处的行业、经营范围、经营品牌、拥有的生产设备、能够提供的工艺,形成标签集L1;
对产品进行全面的画像,包含如下属性:产品品类、生产设备、型规、行业,形成标签集L2;
通过短文本相似算法算出L1和L2之间的相似情况,推理出企业可能会生产的产品;
产品之间的BOM关系:
对产品描述的文本数据进行实体识别,得到产品实体;
通过关系抽取模型推理得到产品之间的BOM关系。
本发明还提供一种基于知识图谱的工业互联网优质供应链推荐系统,包括如下模块:
全景图构建模块:通过知识图谱技术构建产业链供应链数据全景图;
风险模型构建模块:通过分类、预测技术构建产业链供应链企业的风险模型;
产能匹配模型构建模块:通过分类预测技术构建产业链供应链企业的产能匹配模型;
QCD模型构建模块:通过预测技术构建产业链供应链的QCD模型;
推理服务构建模块:通过NLP技术构建产业链供应链的推理服务。
与现有技术相比,本发明具有如下的有益效果:
1、针对用户需求,市场上普遍存在的仅仅是符合要求的供应商,本发明构建供应链的全景图,输出的每个方案均是一条完整的供应链且不断链;
2、本发明输出的每个方案充分考量企业或者产品的BOM拆解等需求,可提供BOM元素的组合方案;
3、本发明输出的每个方案都通过人工智能技术对供应链风险、企业的产能匹配和QCD模型以及推理服务综合衡量,可在成千上万或者数以几十万的组合方案中推荐最优供应商或者供应链,也摒除人的经验造成的不合理选择。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的基于知识图谱的工业互联网优质供应链推荐方法的步骤流程图;
图2为本发明的基于知识图谱的工业互联网优质供应链推荐方法的技术路线图;
图3为图2中的主题数据层中基于企业数据、产品数据和供需关系数据构建的基础数据的示意图;
图4为基于图3中的基础数据生成的针对企业、产品的词库的示意图;
图5为企业数据、产品数据和供需数据以及数据之间的关系串联的示意图;
图6为图2中的算法模型层和模型分析层的分析流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1:
如图1~6所示,本实施例提供一种基于知识图谱的工业互联网优质供应链推荐方法,包括如下步骤:
全景图构建步骤:通过知识图谱技术构建产业链供应链数据全景图;产业链供应链数据全景图包括如下子数据模型:企业主题模型、产品主题模型、企业关系模型、产品关系模型、企业和产品关系模型;
企业主题模型:对企业的所处地域、所属行业、企业规模、资质的维度进行企业画像,刻画企业以及突出在供应链中所处的位置和起到的作用;
产品主题模型:在产品的静态属性中,对产品的品牌、型规、颜色、材质、一级品类、二级品类、三级品类进行封装;在产品的动态属性中,对产品的质量、成本、工艺、生产设备进行封装;将动态画像和静态画像结合,显现产品自身的特征,建立与企业的生产要素的关系;
企业关系模型:对企业和企业之间的采购、供应、运输关系进行构建,将供需形成一条完整的链路;
产品关系模型:将原材料到半成品或者零部件的组装关系、半成品到成品的组装关系封装起来,通过对产品的灵活拆解以对产品完整的进行追踪溯源;
企业和产品关系模型:对企业和产品之间的生产、组装、运输、库存的关系进行封装,将企业实体、产品实体、供需关系全部链接起来。
风险模型构建步骤:通过分类、预测技术构建产业链供应链企业的风险模型;企业风险考虑的因素包括企业履约能力、近期的违规次数、法律诉讼数、财务状况的维度;
通过历史数据,针对企业的风险性进行分类和预测模型开发,对供应链的企业进行风险性监控和管理,找出低风险的供应商或者供应链路。
产能匹配模型构建步骤:通过分类预测技术构建产业链供应链企业的产能匹配模型;企业的产能匹配分析模型的分析因素包括企业的基础设施因素和企业经营产品的生产要素;
企业的基础设施因素:对企业的工厂面积、科研能力、设备数量、生产人员数量进行分析,分析企业的基础产能。
企业经营产品的生产要素。对企业产品的工艺、生产设备、产品的质量进行分析,分析企业产品的的产能。
结合基础设施因素和企业经营产品的生产要素,通过对历史数据分析,训练企业的产能匹配模型,将企业的产能对于产品的产能量化,根据需求找出产能匹配的供应商或者供应链。
QCD模型构建步骤:通过预测技术构建产业链供应链的QCD模型;通过分析历史数据,利用影响QCD指标的所有数据维度,训练QCD预测模型,找出产品质量好、成本低、交付时间短、交付距离近的供应商和供应链。
推理服务构建步骤:通过NLP技术构建产业链供应链的推理服务;通过NLP技术建立针对实体、关系的推理服务,分析企业、产品相互关系中存在的潜在关系;推理服务包括如下两种关系的推理:
企业和产品之间的潜在关系:
对企业进行全面画像,包含如下属性:企业所处的行业、经营范围、经营品牌、拥有的生产设备、能够提供的工艺,形成标签集L1;
对产品进行全面的画像,包含如下属性:产品品类、生产设备、型规、行业,形成标签集L2;
通过短文本相似算法算出L1和L2之间的相似情况,推理出企业可能会生产的产品;
产品之间的BOM关系:
对产品描述的文本数据进行实体识别,得到产品实体;
通过关系抽取模型推理得到产品之间的BOM关系。
实施例2:
本实施例提供一种基于知识图谱的工业互联网优质供应链推荐系统,包括如下模块:
全景图构建模块:通过知识图谱技术构建产业链供应链数据全景图;
风险模型构建模块:通过分类、预测技术构建产业链供应链企业的风险模型;
产能匹配模型构建模块:通过分类预测技术构建产业链供应链企业的产能匹配模型;
QCD模型构建模块:通过预测技术构建产业链供应链的QCD模型;
推理服务构建模块:通过NLP技术构建产业链供应链的推理服务。
实施例3:
本领域技术人员可以将本实施例理解为实施例1、实施例2的更为具体的说明。
本实施例提供一种基于知识图谱的工业互联网优质供应链方案推荐的算法模型。包括企业画像,产品画像,企业之间采购、供应、运输等交付关系网络的构建,原材料、零部件、产品之间组装关系网络的构建,企业和产品(包含原材料、零部件)之间生产、组装、库存、运输等生产要素关系网络的构建,供应链企业风险模型的构建,企业产能分析模型的构建,供应链中QCD(质量、成本、交付)模型的构建,实体和关系推理模型,模型的整合输出。本实施例完成一系列数据底层的建设,构建工业互联网供应链全景图,结合整合模型,为使用者提供符合风险系数小、产能匹配度高、成本低、产品质量优和交付时间短的供应链优选方案的数据服务。符合智慧供应链建设的发展趋势,为企业节省成本,扩大利润空间。
建设主要包含以下五大部分:
一、通过知识图谱技术构建产业链供应链数据全景图。
智慧供应链全景图是贯穿企业、产品上下游关系的基础数据模型,通过对对全景图的构造,能够把控供企业、产品和供需关系的各个环节,主要有五大子数据模型组成:企业主题模型、产品主题模型、企业关系模型、产品关系模型、企业和产品关系模型。
1)企业主题模型。企业是智慧供应链的“器官”,是产品、产生和消解供需关系的载体。通过对企业的所处地域、所属行业、企业规模、资质等维度进行企业画像,能够更深入的刻画企业以及突出在供应链中所处的位置和起到的作用。
2)产品主题模型。产品是智慧供应链的“血液”,产品具有自身的静态属性,也有和企业相关的动态属性,是贯穿企业和供需关系的桥梁。在产品的静态属性中,通过对产品的品牌、型规、颜色、材质、一级品类、二级品类、三级品类等进行封装。在产品的动态属性中,通过对产品的质量、成本、工艺、生产设备等进行封装。将动态画像和静态画像结合,不仅仅显现产品自身的特征,也和企业建立生产要素的关系。对于产品动态属性的灵活拆解,不仅仅是现实供应链的写照也是保证供应链正常流通的重要保证。
3)企业关系模型。企业和企业之间的关系是供应链中供需关系的表现形式,对企业的经营发展而言,企业和企业之间存在着采购、供应、运输等关系,通过对这些关系的构建,可以将供需形成一条完整的链路。
4)产品关系模型。产品(包含原材料、零部件)和产品之间的关系,伴随着企业和企业之间的关系,打通企业上下游和产品上下游。将原材料到半成品或者零部件的组装关系、半成品到成品的组装关系封装起来,通过对产品的灵活拆解以对产品完整的进行追踪溯源。
5)企业和产品关系模型。企业和产品之间存在生产、组装、运输、库存等多种关系,通过对这些生产要素的关系进行封装,能够将企业实体、产品实体、供需关系全部链接起来。
二、通过分类、预测技术构建产业链供应链企业的风险模型。
因为企业是供应链不可缺少的一个环节,为了提供优质方案,对供应链的分析,对企业的风险性分析至关重要。企业风险考虑的因素主要是企业履约能力,近期的违规次数,法律诉讼数,财务状况等维度。通过历史数据,针对企业的风险性进行分类和预测模型开发,能够智能的对供应链的企业进行风险性监控和管理,以找出风险较低的供应商或者供应链路。
三、通过分类预测技术构建产业链供应链企业的产能匹配模型。
产能匹配模型是供应链或者供应商选择的重要参考因素,企业的产能匹配分析模型主要有两大考虑因素。
1)企业的基础设施因素。对企业的工厂面积、科研能力、设备数量、生产人员数量等基础设施进行分析,分析企业的基础产能。
2)企业经营产品的生产要素。除了企业自身的“硬实力”,企业对于某个产品的工艺不同、生产设备不同、产品的质量不同等,都会影响企业对于某类产品的产能不同。
结合上述两大考量因素,通过对历史数据分析,训练企业的产能匹配模型,将企业的产能对于产品的产能量化,能够更好的根据需求找出产能匹配的供应商或者供应链。
四、通过预测技术构建产业链供应链的QCD模型。
Q-质量(Quality),表示供应链中流通的产品的质量,通过以上分析,企业不同、工艺不同、生产设备不同等,都会导致产品质量不同。
C-成本(Cost),伴随着业务流,资金流也穿插其中。生产成本、组装成本、库存成本、去税成本,供应商、产品、原材料、工艺等几十种或者上百种因素不同,导致成本有所差异。
D-交付(Deliver),交付时间、交付距离也是供应链的重要参考因素,交付时间又和产能和库存有关。
通过历史数据,利用影响QCD指标的所有数据维度,训练QCD预测模型,以找出产品质量好,成本低,交付时间短,交付距离近的供应商和供应链。
五、通过NLP技术构建产业链供应链的推理服务。
为了整个产业链供应链的灵活性,企业、产品相互关系中存在潜在的复杂关系,比如产品之间极为相似,那么对应的企业同样具备生产另一件产品的可能性。为了挖掘出这种隐含的关系,通过NLP技术建立针对实体、关系的推理服务以增强服务的灵活性。
综上所有的数据模型,利用人工智能技术,在供应链成千上万的链路中,为使用者提供符合风险系数小、产能匹配度高、成本低、产品质量优和交付时间短的供应链优选方案。
主要有两方面的推理服务:
一、企业和产品之间的潜在关系(直接关系可以通过销售数据等获取,这里主要说明一下间接关系的推理):
1、对企业进行全面画像,包含了企业所处的行业、经营范围、经营品牌、拥有的生产设备、能够提供的工艺等属性,形成标签集L1;
2、对产品进行全面的画像,包含产品品类、生产设备、型规、行业等属性L2;
3、通过短文本相似算法(杰卡德相似、simhash等)算出L1和L2之间的相似情况,从而推理出企业可能会生产什么产品。
举例说明:生产服装的企业A,当疫情来临时,完全可以生产口罩。因为生产服装所用到的生产设备、工艺和生产口罩差不多。故根据相似性,推理出A有能力生产口罩。
二、产品之间的BOM关系:
1、对产品描述的文本数据进行实体识别(Bert模型和BILSTM模型)得到产品实体;
2、通过关系抽取模型(RNN模型等)推理得到产品之间的BOM关系。
举例说明:对产品的描述文本数据如下:该蓝牙耳机的耳塞采用了高级棉制作,拥有高性能芯片。电池仓超大续航。
通过对上述文本分析,首先识别出产品实体:蓝牙耳机,耳塞,高性能芯片,电池仓;其次,训练RNN模型,对语义进行分析,获取产品的BOM关系为:蓝牙耳机构成:耳塞、芯片、电池仓。
本实施例的技术路线图如图2所示,每个层次具体的实现方式为:
主题数据层:基于三大数据主题(企业数据、产品数据和供需关系数据)构建基础数据,以对企业和产品进行画像,结构化的数据。
基于图3所示的基础数据,生成针对企业、产品的词库,对后续的实体识别、关系抽取提供支持,具体如图4所示。
数据抽取层:基于上述的主题数据层,在数据抽取层主要识别实体、关系。考虑到数据质量参差不齐,在实体、关系抽取采用规则匹配和NER技术,加以通过jiaba、lac等分词算法生成知识抽取的工具。
供应链全景表示层:在主题数据层和数据抽取层建立的基础上,构建供应链全景数据模型。将企业数据、产品数据和供需数据以及数据之间的关系串联起来,具体示例如图5所示。
算法模型层和模型分析层:在底层数据图谱结构构建完成的基础上,对企业在供应链的风险性、企业对于指定产品的产能、实体之间潜在的关系推理以及产品在供应链中QCD指标的优化模型进行开发和整合性分析。另外,还结合结合订单、询单等计划数据进行数据分析以符合业务需求。具体流程如图6所示。
数据展示及应用层:通过公司自研的BI工具进行方案的展示,并且实现人性化的智能机器人。
本发明能够为使用者提供符合风险系数小、产能匹配度高、成本低、产品质量优和交付时间短的供应链优选方案的数据服务。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于知识图谱的工业互联网优质供应链推荐方法,其特征在于,包括如下步骤:
全景图构建步骤:通过知识图谱技术构建产业链供应链数据全景图;
风险模型构建步骤:通过分类、预测技术构建产业链供应链企业的风险模型;
产能匹配模型构建步骤:通过分类预测技术构建产业链供应链企业的产能匹配模型;
QCD模型构建步骤:通过预测技术构建产业链供应链的QCD模型;
推理服务构建步骤:通过NLP技术构建产业链供应链的推理服务。
2.根据权利要求1所述的基于知识图谱的工业互联网优质供应链推荐方法,其特征在于,所述全景图构建步骤中,所述产业链供应链数据全景图包括如下子数据模型:企业主题模型、产品主题模型、企业关系模型、产品关系模型、企业和产品关系模型。
3.根据权利要求2所述的基于知识图谱的工业互联网优质供应链推荐方法,其特征在于,所述企业主题模型:对企业的所处地域、所属行业、企业规模、资质的维度进行企业画像,刻画企业以及突出在供应链中所处的位置和起到的作用;
所述产品主题模型:
在产品的静态属性中,对产品的品牌、型规、颜色、材质、一级品类、二级品类、三级品类进行封装;
在产品的动态属性中,对产品的质量、成本、工艺、生产设备进行封装;
将动态画像和静态画像结合,显现产品自身的特征,建立与企业的生产要素的关系。
4.根据权利要求2所述的基于知识图谱的工业互联网优质供应链推荐方法,其特征在于,所述企业关系模型:对企业和企业之间的采购、供应、运输关系进行构建,将供需形成一条完整的链路;
所述产品关系模型:将原材料到半成品或者零部件的组装关系、半成品到成品的组装关系封装起来,通过对产品的灵活拆解以对产品完整的进行追踪溯源;
所述企业和产品关系模型:对企业和产品之间的生产、组装、运输、库存的关系进行封装,将企业实体、产品实体、供需关系全部链接起来。
5.根据权利要求1所述的基于知识图谱的工业互联网优质供应链推荐方法,其特征在于,所述风险模型构建步骤中,企业风险考虑的因素包括企业履约能力、近期的违规次数、法律诉讼数、财务状况的维度;
通过历史数据,针对企业的风险性进行分类和预测模型开发,对供应链的企业进行风险性监控和管理,找出低风险的供应商或者供应链路。
6.根据权利要求1所述的基于知识图谱的工业互联网优质供应链推荐方法,其特征在于,所述产能匹配模型构建步骤中,
企业的产能匹配分析模型的分析因素包括企业的基础设施因素和企业经营产品的生产要素;
企业的基础设施因素:对企业的工厂面积、科研能力、设备数量、生产人员数量进行分析,分析企业的基础产能;
企业经营产品的生产要素:对企业产品的工艺、生产设备、产品的质量进行分析,分析企业产品的的产能;
结合基础设施因素和企业经营产品的生产要素,通过对历史数据分析,训练企业的产能匹配模型,将企业的产能对于产品的产能量化,根据需求找出产能匹配的供应商或者供应链。
7.根据权利要求1所述的基于知识图谱的工业互联网优质供应链推荐方法,其特征在于,所述QCD模型步骤中,
通过分析历史数据,利用影响QCD指标的所有数据维度,训练QCD预测模型,找出产品质量好、成本低、交付时间短、交付距离近的供应商和供应链。
8.根据权利要求1所述的基于知识图谱的工业互联网优质供应链推荐方法,其特征在于,所述推理服务构建步骤中,
通过NLP技术建立针对实体、关系的推理服务,分析企业、产品相互关系中存在的潜在关系。
9.根据权利要求1所述的基于知识图谱的工业互联网优质供应链推荐方法,其特征在于,所述推理服务构建步骤中,所述推理服务包括如下两种关系的推理:
企业和产品之间的潜在关系:
对企业进行全面画像,包含如下属性:企业所处的行业、经营范围、经营品牌、拥有的生产设备、能够提供的工艺,形成标签集L1;
对产品进行全面的画像,包含如下属性:产品品类、生产设备、型规、行业,形成标签集L2;
通过短文本相似算法算出L1和L2之间的相似情况,推理出企业可能会生产的产品;
产品之间的BOM关系:
对产品描述的文本数据进行实体识别,得到产品实体;
通过关系抽取模型推理得到产品之间的BOM关系。
10.一种基于知识图谱的工业互联网优质供应链推荐系统,其特征在于,包括如下模块:
全景图构建模块:通过知识图谱技术构建产业链供应链数据全景图;
风险模型构建模块:通过分类、预测技术构建产业链供应链企业的风险模型;
产能匹配模型构建模块:通过分类预测技术构建产业链供应链企业的产能匹配模型;
QCD模型构建模块:通过预测技术构建产业链供应链的QCD模型;
推理服务构建模块:通过NLP技术构建产业链供应链的推理服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310174670.4A CN116150493A (zh) | 2023-02-27 | 2023-02-27 | 基于知识图谱的工业互联网优质供应链推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310174670.4A CN116150493A (zh) | 2023-02-27 | 2023-02-27 | 基于知识图谱的工业互联网优质供应链推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116150493A true CN116150493A (zh) | 2023-05-23 |
Family
ID=86357997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310174670.4A Pending CN116150493A (zh) | 2023-02-27 | 2023-02-27 | 基于知识图谱的工业互联网优质供应链推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116150493A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664170A (zh) * | 2023-08-01 | 2023-08-29 | 北京云中鹤科技发展有限公司 | 基于云平台的供应链管理数据分析系统 |
CN117474426A (zh) * | 2023-12-27 | 2024-01-30 | 四川丝路易购科技有限公司 | 基于区块链的贸易供应链推荐方法及装置 |
CN117473199A (zh) * | 2023-11-17 | 2024-01-30 | 广东永锢电子机械科技有限公司 | 应用于供应链物流系统的信息推送方法及系统 |
CN117726436A (zh) * | 2024-02-18 | 2024-03-19 | 中国科学院大学 | 基于知识图谱的企业信用涉信信息链路分析算法 |
-
2023
- 2023-02-27 CN CN202310174670.4A patent/CN116150493A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664170A (zh) * | 2023-08-01 | 2023-08-29 | 北京云中鹤科技发展有限公司 | 基于云平台的供应链管理数据分析系统 |
CN116664170B (zh) * | 2023-08-01 | 2023-09-26 | 北京云中鹤科技发展有限公司 | 基于云平台的供应链管理数据分析系统 |
CN117473199A (zh) * | 2023-11-17 | 2024-01-30 | 广东永锢电子机械科技有限公司 | 应用于供应链物流系统的信息推送方法及系统 |
CN117473199B (zh) * | 2023-11-17 | 2024-03-19 | 广东永锢电子机械科技有限公司 | 应用于供应链物流系统的信息推送方法及系统 |
CN117474426A (zh) * | 2023-12-27 | 2024-01-30 | 四川丝路易购科技有限公司 | 基于区块链的贸易供应链推荐方法及装置 |
CN117474426B (zh) * | 2023-12-27 | 2024-04-26 | 四川丝路易购科技有限公司 | 基于区块链的贸易供应链推荐方法及装置 |
CN117726436A (zh) * | 2024-02-18 | 2024-03-19 | 中国科学院大学 | 基于知识图谱的企业信用涉信信息链路分析算法 |
CN117726436B (zh) * | 2024-02-18 | 2024-06-07 | 中国科学院大学 | 基于知识图谱的企业信用涉信信息链路分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Artificial intelligence in business-to-business marketing: a bibliometric analysis of current research status, development and future directions | |
Ching et al. | Industry 4.0 applications for sustainable manufacturing: A systematic literature review and a roadmap to sustainable development | |
CN116150493A (zh) | 基于知识图谱的工业互联网优质供应链推荐方法及系统 | |
Song et al. | Performance analysis of CyberManufacturing systems | |
Jacyna-Gołda | Chosen aspects of logistics network design method for production service companies | |
Lal et al. | Exploiting the Potential of Artificial Intelligence in Decision Support Systems | |
Bodendorf et al. | Artificial neural networks for intelligent cost estimation–a contribution to strategic cost management in the manufacturing supply chain | |
Oztemel et al. | A taxonomy of industry 4.0 and related technologies | |
Muñoz et al. | Integration of enterprise levels based on an ontological framework | |
Zhang et al. | A framework and implementation of Customer Platform-connection manufactory to service (CPMS) model in product service system | |
Xu et al. | Towards a new framework: Understanding and managing the supply chain for product-service systems | |
Marzouk et al. | Analyzing project data in BIM with descriptive analytics to improve project performance | |
Peiris et al. | Building and evaluating ESET: A tool for assessing the support given by an enterprise system to supply chain management | |
Bhalla et al. | Tools and practices for tactical delivery date setting in engineer-to-order environments: a systematic literature review | |
Abdoli | A modelling framework to support integrated design of production systems at early design stages | |
Daase et al. | Following the digital thread–a cloud-based observation | |
Greenwood et al. | Active models in business | |
Chen et al. | Supplier selection using a hybrid model for 3C industry | |
Zhang et al. | Further expansion from Smart Manufacturing System (SMS) to Smart Manufacturing Implementation System (SMIS): industrial application scenarios and evaluation | |
US20230297089A1 (en) | Resource-task network (rtn)-based templated production schedule optimization (pso) framework | |
Badhotiya et al. | Multi-site planning and scheduling: state-of-the-art review and future research directions | |
Rai | Big data-real time fact-based decision: the next big thing in supply chain | |
Ocampo et al. | A sustainable manufacturing strategy from different strategic responses under uncertainty | |
Tariq | Role of artificial intelligence in the enabling sustainable supply chain management during COVID-19 | |
Galal et al. | Supplier evaluation and selection for logistics outsourcing: A conceptual framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |