CN116306325A - 一种基于工业互联网的生产供应链监测管理系统及方法 - Google Patents
一种基于工业互联网的生产供应链监测管理系统及方法 Download PDFInfo
- Publication number
- CN116306325A CN116306325A CN202310596319.4A CN202310596319A CN116306325A CN 116306325 A CN116306325 A CN 116306325A CN 202310596319 A CN202310596319 A CN 202310596319A CN 116306325 A CN116306325 A CN 116306325A
- Authority
- CN
- China
- Prior art keywords
- supply chain
- supply
- receiving
- mapping
- time
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 111
- 238000009826 distribution Methods 0.000 claims abstract description 98
- 238000010586 diagram Methods 0.000 claims abstract description 36
- 238000007726 management method Methods 0.000 claims abstract description 25
- 238000012163 sequencing technique Methods 0.000 claims abstract description 18
- 238000004220 aggregation Methods 0.000 claims abstract description 5
- 230000002776 aggregation Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 40
- 238000007689 inspection Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 17
- 238000012384 transportation and delivery Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013068 supply chain management Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 239000005022 packaging material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及供应链管理技术领域，具体公开了一种基于工业互联网的生产供应链监测管理系统及方法，所述方法包括实时监测收货信息，根据所述收货信息确定客户分布图；对不同时间段的客户分布图进行图内聚类，并根据时间段进行排序，得到供应图层组；获取含有时间信息的产品供应链，根据所述供应图层组和所述产品供应链建立映射模型；接收用户输入的供应链变化信息，将所述供应链变化信息输入所述映射模型，得到理论分布图层。本发明基于深度学习技术建立产品供应链和客户分布图之间的映射模型，可以快速对用户输入的变化信息进行一定程度的预测，预测速度极高，可以作为辅助预测工具，提高预测推演过程的时效性。
Description
技术领域
本发明涉及供应链管理技术领域，具体是一种基于工业互联网的生产供应链监测管理系统及方法。
背景技术
产品供应链是指从初级生产直到消费的各环节和操作的顺序，涉及产品及其辅料的生产、加工、分销、贮存和处理，其范围从原材料生产者、产品生产制造商、运输和仓储者、转包商到零售商和产品服务环节以及相关的组织，如设备、包装材料生产者、清洗行业、添加剂和配料生产者。
当产品供应链较长时，其中任何一个环节发生变化，都会影响其他环节，进而影响产品的收益率；每一次更新产品供应链都需要相关的工作人员进行长时间的模拟推演，再做出更新决定；长时间的模拟推演过程，使得供应链与实时情况之间存在着较长的时间差，产品更迭的实效性较差。
如何优化模拟推演过程，提高模拟推演过程的效率是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种基于工业互联网的生产供应链监测管理系统及方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于工业互联网的生产供应链监测管理方法，所述方法包括：
实时监测收货信息，根据所述收货信息确定客户分布图；所述收货信息包括收货地址与收货时间；
对不同时间段的客户分布图进行图内聚类，并根据时间段进行排序，得到供应图层组；
获取含有时间信息的产品供应链，根据所述供应图层组和所述产品供应链建立映射模型；
接收用户输入的供应链变化信息，将所述供应链变化信息输入所述映射模型，得到理论分布图层；
根据所述理论分布图层计算映射模型的准确率，并定时更新映射模型。
作为本发明进一步的方案：所述实时监测收货信息，根据所述收货信息确定客户分布图的步骤包括：
查询备案的发货点，以发货点为中心，预设的递增数值为半径确定检测区；
根据检测区的数量确定监测线程，基于所述监测线程实时监测收货行为；
当监测到收货行为时，获取收货地址及收货时间；
根据确定的检测区确定基准图，将某一时段内获取到的所有收货地址映射至对应的检测区，得到以该时段为索引的客户分布图。
作为本发明进一步的方案：所述对不同时间段的客户分布图进行图内聚类，并根据时间段进行排序，得到供应图层组的步骤包括：
读取客户分布图，根据预设的巡检框遍历客户分布图中的映射点；
计算巡检框中映射点的分布特征，当所述分布特征达到预设的分布条件时，标记巡检框；其中，所述分布特征用于表征映射点与检测区的位置关系；
基于所述巡检框对映射点进行聚类，得到供应图层；
根据时间顺序对各个供应图层进行排序，得到供应图层组；
其中，在对各个供应图层进行排序时，对相邻供应图层进行逻辑运算，根据逻辑运算结果合并相邻供应图层。
作为本发明进一步的方案：所述基于所述巡检框对映射点进行聚类，得到供应图层的步骤包括：
获取巡检框的中心点，作为初始点；
计算初始点与各映射点的距离向量；其中，计算距离向量时引入修正权重，所述修正权重由收货信息中的收货量及客户信息确定；
对所述距离向量进行求和，确定偏移向量；
根据所述偏移向量更新初始点，并重复执行上述内容，直至与初始点距离最近的映射点不发生变化；
根据最终确定的初始点对映射点进行聚类，统计聚类特征，得到供应图层；其中，所述聚类特征为向量集。
作为本发明进一步的方案：所述获取含有时间信息的产品供应链，根据所述供应图层组和所述产品供应链建立映射模型的步骤包括：
获取含有时间信息的产品供应链，根据时间信息和预设的时间跨度查询产品供应链对应的供应图层；其中，产品供应链和供应图层的时间跨度由历史数据定时更新；
将产品供应链作为特征，将供应图层作为标签建立训练集和测试集；
根据所述训练集和测试集训练预设的神经网络模型，得到映射模型。
作为本发明进一步的方案：所述根据所述理论分布图层计算映射模型的准确率，并定时更新映射模型的步骤包括：
记录供应链变化信息的时间，根据时间跨度查询对应的供应图层；
比对所述供应图层和理论分布图层，得到准确率；
根据供应链变化信息的时间顺序排列不同的准确率，得到准确率数组；
根据准确率数组更新训练集和测试集，基于更新后的训练集和测试集训练所述映射模型。
本发明技术方案还提供了一种基于工业互联网的生产供应链监测管理系统，所述系统包括：
分布图建立模块，用于实时监测收货信息，根据所述收货信息确定客户分布图；所述收货信息包括收货地址与收货时间；
供应图层生成模块，用于对不同时间段的客户分布图进行图内聚类，并根据时间段进行排序，得到供应图层组；
模型训练模块，用于获取含有时间信息的产品供应链，根据所述供应图层组和所述产品供应链建立映射模型；
模型应用模块，用于接收用户输入的供应链变化信息，将所述供应链变化信息输入所述映射模型，得到理论分布图层；
模型更新模块，用于根据所述理论分布图层计算映射模型的准确率，并定时更新映射模型。
作为本发明进一步的方案：所述分布图建立模块包括：
检测区确定单元，用于查询备案的发货点，以发货点为中心，预设的递增数值为半径确定检测区；
行为监测单元，用于根据检测区的数量确定监测线程，基于所述监测线程实时监测收货行为；
信息获取单元，用于当监测到收货行为时，获取收货地址及收货时间；
映射执行单元，用于根据确定的检测区确定基准图，将某一时段内获取到的所有收货地址映射至对应的检测区，得到以该时段为索引的客户分布图。
作为本发明进一步的方案：所述供应图层生成模块包括：
遍历单元，用于读取客户分布图，根据预设的巡检框遍历客户分布图中的映射点；
巡检框确定单元，用于计算巡检框中映射点的分布特征，当所述分布特征达到预设的分布条件时，标记巡检框；其中，所述分布特征用于表征映射点与检测区的位置关系；点位聚类单元，用于基于所述巡检框对映射点进行聚类，得到供应图层；
排序单元，用于根据时间顺序对各个供应图层进行排序，得到供应图层组；
其中，在对各个供应图层进行排序时，对相邻供应图层进行逻辑运算，根据逻辑运算结果合并相邻供应图层。
作为本发明进一步的方案：所述模型训练模块包括：
查询单元，用于获取含有时间信息的产品供应链，根据时间信息和预设的时间跨度查询产品供应链对应的供应图层；其中，产品供应链和供应图层的时间跨度由历史数据定时更新；
样本集建立单元，用于将产品供应链作为特征，将供应图层作为标签建立训练集和测试集；
训练执行单元，用于根据所述训练集和测试集训练预设的神经网络模型，得到映射模型。
与现有技术相比，本发明的有益效果是：本发明基于预设的权限获取客户的收货信息，根据收货信息确定客户分布图，然后，读取产品供应链，基于深度学习技术建立产品供应链和客户分布图之间的映射模型，可以快速对用户输入的变化信息进行一定程度的预测，虽然准确率与传统方式相比，略有降低，但是预测速度极高，可以作为辅助预测工具，提高预测推演过程的时效性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
图1为基于工业互联网的生产供应链监测管理方法的流程框图。
图2为基于工业互联网的生产供应链监测管理方法的第一子流程框图。
图3为基于工业互联网的生产供应链监测管理方法的第二子流程框图。
图4为基于工业互联网的生产供应链监测管理方法的第三子流程框图。
图5为基于工业互联网的生产供应链监测管理方法的第四子流程框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为基于工业互联网的生产供应链监测管理方法的流程框图，本发明实施例中，一种基于工业互联网的生产供应链监测管理方法，所述方法包括：
步骤S100：实时监测收货信息，根据所述收货信息确定客户分布图；所述收货信息包括收货地址与收货时间；
一般情况下，当接收到客户收货信息时，产品的生产-销售环节视为结束，本发明技术方案的目的是，建立供应环节和销售环节整体的对应关系，基于此，将收货信息作为最终数据进行存储。
由于收货信息中含有客户的信息，因此，在监测收货信息时，需要预先获取用户给予的权限，只有在获取到用户给予的权限时，本发明技术方案中的各步骤才能够继续进行；其中，所述收货信息至少包括收货地址与收货信息，像一些关于客户或产品的评价信息，也可以作为其中一种收货信息。
步骤S200：对不同时间段的客户分布图进行图内聚类，并根据时间段进行排序，得到供应图层组；
客户分布图以时间为索引，不同时间段的客户分布图是不同的；客户分布图内含有与客户对应的映射点位，图内聚类的含义为，对这些映射点位进行聚类；含有图内聚类信息的客户分布图，称为供应图层；根据时间信息对供应图层进行排序，得到供应图层组。
步骤S300：获取含有时间信息的产品供应链，根据所述供应图层组和所述产品供应链建立映射模型；
产品供应链是指从初级生产直到消费的各环节和操作的顺序，涉及产品及其辅料的生产、加工、分销、贮存和处理，其范围从原材料生产者、产品生产制造商、运输和仓储者、转包商到零售商和产品服务环节以及相关的组织，如设备、包装材料生产者、清洗行业、添加剂和配料生产者；在现有的生产过程中，生产方都会预先搭建产品供应链，因此，产品供应链在本发明技术方案中视为已存数据。
获取到产品供应链后，基于现有的深度学习技术，可以建立产品供应链与供应图层之间的映射关系，称为映射模型。
步骤S400：接收用户输入的供应链变化信息，将所述供应链变化信息输入所述映射模型，得到理论分布图层；
在实际应用中，供应链中的任何一个环节发生变化，都会影响其他环节，本发明技术方案关注的是供应链中的变化与最终销售环节的变化之间的关系；接收用户（生产方）输入的供应链变化信息，输入已经生成的映射模型，即可得到一个理论分布图层；由于供应链变化信息先于销售环节，因此，得到的理论分布图层是预测数据；其作用在于，当用户想要调节供应链时，可以借助映射模型直观的观察到销售数据的变化情况。
步骤S500：根据所述理论分布图层计算映射模型的准确率，并定时更新映射模型；
步骤S500是在应用过程中的补充步骤，当用户使用映射模型后，可以得到一个预测数据，随着时间的推移，当得到对应的实际数据时，比对预测数据和实际数据，根据比对结果可以再对映射模型进行更新，提高映射模型的性能，搭建一种负反馈系统。
图2为基于工业互联网的生产供应链监测管理方法的第一子流程框图，所述实时监测收货信息，根据所述收货信息确定客户分布图的步骤包括：
步骤S101：查询备案的发货点，以发货点为中心，预设的递增数值为半径确定检测区；
产品的销售渠道有很多，客户的分布情况也较为复杂，为了使得收货信息的统计过程更加准确，以备案的发货点为中心建立检测区，对各个收货信息进行处理。
步骤S102：根据检测区的数量确定监测线程，基于所述监测线程实时监测收货行为；
一个发货点对应多个检测区，多个检测区之间可以类比于同心圆，区别在于检测区的形状并不一定是圆，还有可能是其他形状；对每个检测区都进行独立的监测，因此，需要建立不同的监测线程，对收货行为进行监测。
步骤S103：当监测到收货行为时，获取收货地址及收货时间；
当监测到收货行为时，获取收货地址及收货时间即可。
步骤S104：根据确定的检测区确定基准图，将某一时段内获取到的所有收货地址映射至对应的检测区，得到以该时段为索引的客户分布图；
根据发货点及其检测区，可以建立一张基准地图，建立的基准地图与实际情况之间存在比例尺，根据比例尺可以将收货地址映射至对应的位置，从而得到客户分布图；检测区的设立，可以使得映射过程更加便捷。
图3为基于工业互联网的生产供应链监测管理方法的第二子流程框图，所述对不同时间段的客户分布图进行图内聚类，并根据时间段进行排序，得到供应图层组的步骤包括：
步骤S201：读取客户分布图，根据预设的巡检框遍历客户分布图中的映射点；
读取客户分布图，根据预设尺寸的巡检框遍历客户分布图，其中，预设的尺寸可以自主设定。
步骤S202：计算巡检框中映射点的分布特征，当所述分布特征达到预设的分布条件时，标记巡检框；其中，所述分布特征用于表征映射点与检测区的位置关系；
获取不同巡检框中映射点的数量及它们所属的检测区，确定分布特征，所述分布特征最简单的表示方式为矩阵；将所述分布特征与预设的分布条件进行比对，根据比对结果标记巡检框。
通俗地说，巡检框的标记过程可以理解为预聚类过程，先确定一些数量或分布满足预设条件的初始框。
步骤S203：基于所述巡检框对映射点进行聚类，得到供应图层；
根据已经确定好的巡检框，对映射点进行进一步的聚类，可以得到供应图层。
步骤S204：根据时间顺序对各个供应图层进行排序，得到供应图层组；
生成供应图层后，根据供应图层的时间段，可以对各个供应图层进行排序，在排序过程中，对相邻供应图层进行逻辑运算，根据逻辑运算结果合并相邻供应图层，同步的，相邻供应图层的时间段也要进行合并。
作为本发明技术方案的一个优选实施例，所述基于所述巡检框对映射点进行聚类，得到供应图层的步骤包括：
获取巡检框的中心点，作为初始点；
计算初始点与各映射点的距离向量；其中，计算距离向量时引入修正权重，所述修正权重由收货信息中的收货量及客户信息确定；
对所述距离向量进行求和，确定偏移向量；
根据所述偏移向量更新初始点，并重复执行上述内容，直至与初始点距离最近的映射点不发生变化；
根据最终确定的初始点对映射点进行聚类，统计聚类特征，得到供应图层；其中，所述聚类特征为向量集。
在本发明技术方案的一个实例中，对聚类过程进行了限定，首先，以巡检框的中心为初始点，然后，将初始点和各个映射点作为首尾节点，确定距离向量；在生成距离向量的过程中，可以引入修正权重，用于区分不同的客户；最后，对距离向量进行求和运算，可以得到一个合向量，由合向量对初始点进行更新；循环执行更新过程直至初始点不再发生变化；以最终的初始点为原点，标记指向不同映射点的向量（聚类特征），得到供应图层。
图4为基于工业互联网的生产供应链监测管理方法的第三子流程框图，所述获取含有时间信息的产品供应链，根据所述供应图层组和所述产品供应链建立映射模型的步骤包括：
步骤S301：获取含有时间信息的产品供应链，根据时间信息和预设的时间跨度查询产品供应链对应的供应图层；其中，产品供应链和供应图层的时间跨度由历史数据定时更新；
步骤S302：将产品供应链作为特征，将供应图层作为标签建立训练集和测试集；
步骤S303：根据所述训练集和测试集训练预设的神经网络模型，得到映射模型。
上述内容对映射模型的建立过程进行了限定，借助现有的深度学习技术，建立产品供应链至供应图层之间的模型组，称为映射模型。
值得注意的是，产品供应链与供应图层之间存在时间跨度，所述时间跨度一般比较稳定，由工作人员结合历史数据确定。
图5为基于工业互联网的生产供应链监测管理方法的第四子流程框图，所述根据所述理论分布图层计算映射模型的准确率，并定时更新映射模型的步骤包括：
步骤S401：记录供应链变化信息的时间，根据时间跨度查询对应的供应图层；
步骤S402：比对所述供应图层和理论分布图层，得到准确率；
步骤S403：根据供应链变化信息的时间顺序排列不同的准确率，得到准确率数组；
步骤S404：根据准确率数组更新训练集和测试集，基于更新后的训练集和测试集训练所述映射模型。
在本发明技术方案的一个实例中，记录供应链变化信息的时间，根据时间和时间跨度，可以查询对应的供应图层；比对供应图层和映射模型输出的理论分布图层，可以得到准确率；统计一段时间内的准确率，得到准确率数组，当准确率数组中的均值和方差满足预设的要求时，查询对应的供应链及其供应图层，即可对训练集和测试集进行更新，进而更新映射模型。
在本发明技术方案的一个优选实施例中，还提供了一种基于工业互联网的生产供应链监测管理系统，所述系统包括：
分布图建立模块，用于实时监测收货信息，根据所述收货信息确定客户分布图；所述收货信息包括收货地址与收货时间；
供应图层生成模块，用于对不同时间段的客户分布图进行图内聚类，并根据时间段进行排序，得到供应图层组；
模型训练模块，用于获取含有时间信息的产品供应链，根据所述供应图层组和所述产品供应链建立映射模型；
模型应用模块，用于接收用户输入的供应链变化信息，将所述供应链变化信息输入所述映射模型，得到理论分布图层；
模型更新模块，用于根据所述理论分布图层计算映射模型的准确率，并定时更新映射模型。
其中，所述分布图建立模块包括：
检测区确定单元，用于查询备案的发货点，以发货点为中心，预设的递增数值为半径确定检测区；
行为监测单元，用于根据检测区的数量确定监测线程，基于所述监测线程实时监测收货行为；
信息获取单元，用于当监测到收货行为时，获取收货地址及收货时间；
映射执行单元，用于根据确定的检测区确定基准图，将某一时段内获取到的所有收货地址映射至对应的检测区，得到以该时段为索引的客户分布图。
进一步的，所述供应图层生成模块包括：
遍历单元，用于读取客户分布图，根据预设的巡检框遍历客户分布图中的映射点；
巡检框确定单元，用于计算巡检框中映射点的分布特征，当所述分布特征达到预设的分布条件时，标记巡检框；其中，所述分布特征用于表征映射点与检测区的位置关系；点位聚类单元，用于基于所述巡检框对映射点进行聚类，得到供应图层；
排序单元，用于根据时间顺序对各个供应图层进行排序，得到供应图层组；
其中，在对各个供应图层进行排序时，对相邻供应图层进行逻辑运算，根据逻辑运算结果合并相邻供应图层。
具体的，所述模型训练模块包括：
查询单元，用于获取含有时间信息的产品供应链，根据时间信息和预设的时间跨度查询产品供应链对应的供应图层；其中，产品供应链和供应图层的时间跨度由历史数据定时更新；
样本集建立单元，用于将产品供应链作为特征，将供应图层作为标签建立训练集和测试集；
训练执行单元，用于根据所述训练集和测试集训练预设的神经网络模型，得到映射模型。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于工业互联网的生产供应链监测管理方法，其特征在于，所述方法包括：
实时监测收货信息，根据所述收货信息确定客户分布图；所述收货信息包括收货地址与收货时间；
对不同时间段的客户分布图进行图内聚类，并根据时间段进行排序，得到供应图层组；
获取含有时间信息的产品供应链，根据所述供应图层组和所述产品供应链建立映射模型；
接收用户输入的供应链变化信息，将所述供应链变化信息输入所述映射模型，得到理论分布图层；
根据所述理论分布图层计算映射模型的准确率，并定时更新映射模型。
2.根据权利要求1所述的基于工业互联网的生产供应链监测管理方法，其特征在于，所述实时监测收货信息，根据所述收货信息确定客户分布图的步骤包括：
查询备案的发货点，以发货点为中心，预设的递增数值为半径确定检测区；
根据检测区的数量确定监测线程，基于所述监测线程实时监测收货行为；
当监测到收货行为时，获取收货地址及收货时间；
根据确定的检测区确定基准图，将某一时段内获取到的所有收货地址映射至对应的检测区，得到以该时段为索引的客户分布图。
3.根据权利要求2所述的基于工业互联网的生产供应链监测管理方法，其特征在于，所述对不同时间段的客户分布图进行图内聚类，并根据时间段进行排序，得到供应图层组的步骤包括：
读取客户分布图，根据预设的巡检框遍历客户分布图中的映射点；
计算巡检框中映射点的分布特征，当所述分布特征达到预设的分布条件时，标记巡检框；其中，所述分布特征用于表征映射点与检测区的位置关系；
基于所述巡检框对映射点进行聚类，得到供应图层；
根据时间顺序对各个供应图层进行排序，得到供应图层组；
其中，在对各个供应图层进行排序时，对相邻供应图层进行逻辑运算，根据逻辑运算结果合并相邻供应图层。
4.根据权利要求3所述的基于工业互联网的生产供应链监测管理方法，其特征在于，所述基于所述巡检框对映射点进行聚类，得到供应图层的步骤包括：
获取巡检框的中心点，作为初始点；
计算初始点与各映射点的距离向量；其中，计算距离向量时引入修正权重，所述修正权重由收货信息中的收货量及客户信息确定；
对所述距离向量进行求和，确定偏移向量；
根据所述偏移向量更新初始点，并重复执行上述步骤，直至与初始点距离最近的映射点不发生变化；
根据最终确定的初始点对映射点进行聚类，统计聚类特征，得到供应图层；其中，所述聚类特征为向量集。
5.根据权利要求1所述的基于工业互联网的生产供应链监测管理方法，其特征在于，所述获取含有时间信息的产品供应链，根据所述供应图层组和所述产品供应链建立映射模型的步骤包括：
获取含有时间信息的产品供应链，根据时间信息和预设的时间跨度查询产品供应链对应的供应图层；其中，产品供应链和供应图层的时间跨度由历史数据定时更新；
将产品供应链作为特征，将供应图层作为标签建立训练集和测试集；
根据所述训练集和测试集训练预设的神经网络模型，得到映射模型。
6.根据权利要求5所述的基于工业互联网的生产供应链监测管理方法，其特征在于，所述根据所述理论分布图层计算映射模型的准确率，并定时更新映射模型的步骤包括：
记录供应链变化信息的时间，根据时间跨度查询对应的供应图层；
比对所述供应图层和理论分布图层，得到准确率；
根据供应链变化信息的时间顺序排列不同的准确率，得到准确率数组；
根据准确率数组更新训练集和测试集，基于更新后的训练集和测试集训练所述映射模型。
7.一种基于工业互联网的生产供应链监测管理系统，其特征在于，所述系统包括：
分布图建立模块，用于实时监测收货信息，根据所述收货信息确定客户分布图；所述收货信息包括收货地址与收货时间；
供应图层生成模块，用于对不同时间段的客户分布图进行图内聚类，并根据时间段进行排序，得到供应图层组；
模型训练模块，用于获取含有时间信息的产品供应链，根据所述供应图层组和所述产品供应链建立映射模型；
模型应用模块，用于接收用户输入的供应链变化信息，将所述供应链变化信息输入所述映射模型，得到理论分布图层；
模型更新模块，用于根据所述理论分布图层计算映射模型的准确率，并定时更新映射模型。
8.根据权利要求7所述的基于工业互联网的生产供应链监测管理系统，其特征在于，所述分布图建立模块包括：
检测区确定单元，用于查询备案的发货点，以发货点为中心，预设的递增数值为半径确定检测区；
行为监测单元，用于根据检测区的数量确定监测线程，基于所述监测线程实时监测收货行为；
信息获取单元，用于当监测到收货行为时，获取收货地址及收货时间；
映射执行单元，用于根据确定的检测区确定基准图，将某一时段内获取到的所有收货地址映射至对应的检测区，得到以该时段为索引的客户分布图。
9.根据权利要求8所述的基于工业互联网的生产供应链监测管理系统，其特征在于，所述供应图层生成模块包括：
遍历单元，用于读取客户分布图，根据预设的巡检框遍历客户分布图中的映射点；
巡检框确定单元，用于计算巡检框中映射点的分布特征，当所述分布特征达到预设的分布条件时，标记巡检框；其中，所述分布特征用于表征映射点与检测区的位置关系；点位聚类单元，用于基于所述巡检框对映射点进行聚类，得到供应图层；
排序单元，用于根据时间顺序对各个供应图层进行排序，得到供应图层组；
其中，在对各个供应图层进行排序时，对相邻供应图层进行逻辑运算，根据逻辑运算结果合并相邻供应图层。
10.根据权利要求7所述的基于工业互联网的生产供应链监测管理系统，其特征在于，所述模型训练模块包括：
查询单元，用于获取含有时间信息的产品供应链，根据时间信息和预设的时间跨度查询产品供应链对应的供应图层；其中，产品供应链和供应图层的时间跨度由历史数据定时更新；
样本集建立单元，用于将产品供应链作为特征，将供应图层作为标签建立训练集和测试集；
训练执行单元，用于根据所述训练集和测试集训练预设的神经网络模型，得到映射模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310596319.4A CN116306325B (zh) | 2023-05-25 | 2023-05-25 | 一种基于工业互联网的生产供应链监测管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310596319.4A CN116306325B (zh) | 2023-05-25 | 2023-05-25 | 一种基于工业互联网的生产供应链监测管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116306325A true CN116306325A (zh) | 2023-06-23 |
| CN116306325B CN116306325B (zh) | 2023-07-28 |
Family
ID=86787345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310596319.4A Active CN116306325B (zh) | 2023-05-25 | 2023-05-25 | 一种基于工业互联网的生产供应链监测管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306325B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050131805A1 (en) * | 2001-11-19 | 2005-06-16 | Wolfgang Bross | Software interface, method and computer program product product for linking a business application to a component of a computer-based transaction tax processing system |
| US20060250248A1 (en) * | 2005-05-05 | 2006-11-09 | Mengru Tu | System and a method, including software and hardware, for providing real-time and synchronization views of supply chain information |
| US8332249B1 (en) * | 2003-07-07 | 2012-12-11 | Turgut Aykin | System and method for integrated supply chain and contact center management |
| KR20140055663A (ko) * | 2012-11-01 | 2014-05-09 | 네이버비즈니스플랫폼 주식회사 | 위치 기반 정보의 디스플레이를 위한 데이터 클러스터링 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 |
| US20150032656A1 (en) * | 2013-07-23 | 2015-01-29 | Christopher Ricciardi | System and Methods for Determining Supply Chain Freight Costs |
| US20170039500A1 (en) * | 2012-08-26 | 2017-02-09 | Thomson Reuters Global Resources | Supply chain intelligence search engine |
| US20180349845A1 (en) * | 2017-05-31 | 2018-12-06 | Elliot Klein | Blockchain system and method for calculating location of time-crucial shipments according to expectation and smart contracts |
| KR102211437B1 (ko) * | 2019-10-22 | 2021-02-03 | 윤종열 | Mrp를 기반으로 수주예측정보를 산출하여 재고를 관리하는 통합 재고관리 운영방법 |
| CN112712314A (zh) * | 2020-12-29 | 2021-04-27 | 江阴华西化工码头有限公司 | 一种基于物联网传感器的物流数据推荐方法 |
| US20230029209A1 (en) * | 2019-12-24 | 2023-01-26 | Kim O Seong | System for providing shoe management service by using o2o-based delivery business platform |
| US11645611B1 (en) * | 2019-12-23 | 2023-05-09 | Blue Yonder Group, Inc. | System and method of decoding supply chain signatures |
-
2023
- 2023-05-25 CN CN202310596319.4A patent/CN116306325B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050131805A1 (en) * | 2001-11-19 | 2005-06-16 | Wolfgang Bross | Software interface, method and computer program product product for linking a business application to a component of a computer-based transaction tax processing system |
| US8332249B1 (en) * | 2003-07-07 | 2012-12-11 | Turgut Aykin | System and method for integrated supply chain and contact center management |
| US20060250248A1 (en) * | 2005-05-05 | 2006-11-09 | Mengru Tu | System and a method, including software and hardware, for providing real-time and synchronization views of supply chain information |
| US20170039500A1 (en) * | 2012-08-26 | 2017-02-09 | Thomson Reuters Global Resources | Supply chain intelligence search engine |
| KR20140055663A (ko) * | 2012-11-01 | 2014-05-09 | 네이버비즈니스플랫폼 주식회사 | 위치 기반 정보의 디스플레이를 위한 데이터 클러스터링 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 |
| US20150032656A1 (en) * | 2013-07-23 | 2015-01-29 | Christopher Ricciardi | System and Methods for Determining Supply Chain Freight Costs |
| US20180349845A1 (en) * | 2017-05-31 | 2018-12-06 | Elliot Klein | Blockchain system and method for calculating location of time-crucial shipments according to expectation and smart contracts |
| KR102211437B1 (ko) * | 2019-10-22 | 2021-02-03 | 윤종열 | Mrp를 기반으로 수주예측정보를 산출하여 재고를 관리하는 통합 재고관리 운영방법 |
| US11645611B1 (en) * | 2019-12-23 | 2023-05-09 | Blue Yonder Group, Inc. | System and method of decoding supply chain signatures |
| US20230029209A1 (en) * | 2019-12-24 | 2023-01-26 | Kim O Seong | System for providing shoe management service by using o2o-based delivery business platform |
| CN112712314A (zh) * | 2020-12-29 | 2021-04-27 | 江阴华西化工码头有限公司 | 一种基于物联网传感器的物流数据推荐方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘伟国;胡祥培;王旭茵;: "物流配送问题的知识表示及其在GIS中的映射研究", 控制与决策, no. 01 * |
| 刘艳秋;王浩;张颖;蔡超;: "大数据背景下物流服务订单分配", 沈阳工业大学学报, no. 02 * |
| 潘浩;: "基于模型优化的物流配送中心选址免疫优化算法", 电子设计工程, no. 10 * |
| 黄丽娟;甘筱青;: "基于SOFM神经网络的e-供应链客户聚类分析及营销策略", 系统工程理论与实践, no. 12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116306325B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kuo et al. | From data to big data in production research: the past and future trends | |
| CN109784806B (zh) | 供应链控制方法、系统以及存储介质 | |
| CN110990461A (zh) | 大数据分析模型算法选型方法、装置、电子设备及介质 | |
| CN113743876B (zh) | 一种用于核电装备的数字孪生无人仓库管理系统 | |
| Prasanna Venkatesan et al. | A multi-objective discrete particle swarm optimisation algorithm for supply chain network design | |
| US20210166181A1 (en) | Equipment management method, device, system and storage medium | |
| CN112712314A (zh) | 一种基于物联网传感器的物流数据推荐方法 | |
| CN112700192B (zh) | 一种基于spark物联网的码头物流业务对象处理方法 | |
| CN117709617A (zh) | 一种基于mes的生产车间智能排程系统 | |
| CN115423289A (zh) | 智能板材加工车间数据处理方法及终端 | |
| US20240211843A1 (en) | Method for Generating a Performance Value of a Process Module and a System Thereof | |
| CN115380295A (zh) | 用于优化制造过程的系统、方法和计算机程序产品 | |
| Birkmaier et al. | Towards a robust digital production and logistics network by implementing flexibility measures | |
| CN116703303A (zh) | 基于多层感知机与rbf的仓储可视化监管系统及方法 | |
| CN116976773A (zh) | 一种数字化工厂物流调度系统及方法 | |
| CN111191801A (zh) | 一种基于全景监测及智能预警的配电网数据源构建方法 | |
| CN116306325B (zh) | 一种基于工业互联网的生产供应链监测管理系统及方法 | |
| CN116227896A (zh) | 一种碳化硅生产工单管理方法及系统 | |
| CN114841590A (zh) | 供应链异常处理方法、装置、设备、存储介质及程序产品 | |
| CN113762842A (zh) | 仓库调度方法、服务器和系统 | |
| CN112308340A (zh) | 电力数据处理方法及装置 | |
| Harly et al. | Comparison of Single Exponential Smoothing Method with Double Exponential Smoothing Method Prediction of Salt Sales | |
| Kassim et al. | Internet of Things Implementation in Manufacturing Value Chain Process | |
| Weller et al. | Identification and prediction of standard times in machining for precision steel tubes through the usage of data analytics | |
| CN116777508B (zh) | 一种基于大数据的医药供应分析管理系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |