一种基于工业互联网的供应链人工智能处理方法及系统与流程

本发明提出了一种基于工业互联网的供应链人工智能处理方法及系统，属于供应链管理。

背景技术：

1、传统供应链管理面临信息孤岛、响应迟缓、预测不准确等问题，难以适应快速变化的市场需求。随着工业互联网的发展，海量数据的采集、传输与分析能力为供应链转型提供了新的机遇。然而，如何有效利用这些数据，构建一个能够自我学习、主动优化的智能供应链体系，是当前亟待解决的技术难题。

技术实现思路

1、本发明提供了一种基于工业互联网的供应链人工智能处理方法及系统，用以解决上述背景技术中提到的问题：

2、本发明提出的一种基于工业互联网的供应链人工智能处理方法，所述方法包括：

3、s1、通过工业互联网，实时收集多源异构数据，并通过边缘计算节点对数据进行处理，并将处理后的数据传输至云平台；

4、s2、云平台基于接收到的数据，通过深度学习与时间序列分析算法，构建多维度需求预测模型，将多因素数据输入多维度需求预测模型，并输出预测结果；

5、s3、基于强化学习算法，构建供应链协同优化决策引擎，所述决策引擎根据预测结果，进行相应动态调整操作；

6、s4、通过实时监控系统，对供应链各环节进行实时监测，并结合异常检测算法，自动识别潜在风险并进行决策调整。

7、进一步的，所述s1，包括：

8、利用工业物联网，通过多种方式从各个供应链环节对多种数据进行采集，并将采集到的数据传输至各个类型数据对应的边缘计算子节点；

9、通过虚拟化技术，将所述边缘计算子节点的物理资源抽象成多个虚拟资源，且每个虚拟资源都具备独立的计算能力；

10、基于所述虚拟资源通过并行处理算法对接收到的数据进行第一处理，第一处理过程中通过资源管理器实时监测各个边缘计算子节点上虚拟资源的使用情况；

11、为每个虚拟资源设置优先级，通过负载均衡算法对各个边缘计算子节点的虚拟资源进行实时调度；

12、处理完成后，通过边缘计算节点对各个边缘计算子节点的计算资源进行第二处理；

13、第二处理完成后，接着对第二处理结果进行第三处理；

14、第三处理完成后，通过对称与非对称加密相结合的方式对第三处理结果进行第四处理；

15、第四处理完成后，通过多通道传输协议将第四处理结果传输至云空间，且传输过程中基于数据的优先级以及各个通道的负载情况进行动态通道选择。

16、进一步的，所述s2，包括：

17、云空间基于接收顺序分别对接收到的数据进行第五处理，并将第五处理结果分被存入不同的存储空间；

18、对各个存储空间内存储的数据进行分片操作，将数据分片任务封装成异步任务，并将异步任务分配给多个线程或进程，进行同时执行；

19、并通过异步编程模型对数据分片过程进行实时调整，数据分片完成后，将分片结果存储到相应储存空间中的存储子空间中；

20、通过并行处理算法对各个存储子空间内存储的分片数据进行第六处理，通过第六处理结果，基于深度学习和时间序列分析算法，构建多维度需求预测模型；

21、将多因素数据输入多维度需求预测模型，基于云平台的计算资源，输出预测结果。

22、进一步的，所述s3，包括：

23、对多维度需求预测模型输出的预测结果进行解析，基于预测结果，进行风险评估，识别风险点；

24、根据风险评估结果，结合企业既定的业务规则和战略目标，制定供应链协同策略，利用强化学习算法，对决策引擎进行智能优化，模拟不同决策下的供应链运行情况，对各种决策的优劣进行评估；

25、基于模拟结果，不断调整决策引擎的参数和逻辑，根据预测结果和协同策略，动态调整生产计划。

26、进一步的，所述s4，包括：

27、建立覆盖供应链各环节的实时监控系统，并实时收集供应链各环节的数据和状态信息；

28、结合实时数据和历史数据，并根据多种风险因素和异常模式应用异常检测算法对潜在风险进行识别；

29、根据异常检测结果和实际情况，动态调整供应链决策，并通过决策反馈机制，对调整后的决策进行验证和评估，对供应链管理和决策过程进行持续优化。

30、本发明提出的一种基于工业互联网的供应链人工智能处理系统，所述系统，包括：

31、数据采集模块：通过工业互联网，实时收集多源异构数据，并通过边缘计算节点对数据进行处理，并将处理后的数据传输至云平台；

32、模型构建模块：云平台基于接收到的数据，通过深度学习与时间序列分析算法，构建多维度需求预测模型，将多因素数据输入多维度需求预测模型，并输出预测结果；

33、动态调整模块：基于强化学习算法，构建供应链协同优化决策引擎，所述决策引擎根据预测结果，进行相应动态调整操作；

34、决策调整模块：通过实时监控系统，对供应链各环节进行实时监测，并结合异常检测算法，自动识别潜在风险并进行决策调整。

35、进一步的，所述数据采集模块，包括：

36、第一传输模块：利用工业物联网，通过多种方式从各个供应链环节对多种数据进行采集，并将采集到的数据传输至各个类型数据对应的边缘计算子节点；

37、虚拟化操作模块：通过虚拟化技术，将所述边缘计算子节点的物理资源抽象成多个虚拟资源，且每个虚拟资源都具备独立的计算能力；

38、第一处理模块；基于所述虚拟资源通过并行处理算法对接收到的数据进行第一处理，第一处理过程中通过资源管理器实时监测各个边缘计算子节点上虚拟资源的使用情况；

39、实时调度模块：为每个虚拟资源设置优先级，通过负载均衡算法对各个边缘计算子节点的虚拟资源进行实时调度；

40、第二处理模块：处理完成后，通过边缘计算节点对各个边缘计算子节点的计算资源进行第二处理；

41、第三处理模块：第二处理完成后，接着对第二处理结果进行第三处理；

42、第四处理模块：第三处理完成后，通过对称与非对称加密相结合的方式对第三处理结果进行第四处理；

43、第二传输模块：第四处理完成后，通过多通道传输协议将第四处理结果传输至云空间，且传输过程中基于数据的优先级以及各个通道的负载情况进行动态通道选择。

44、进一步的，所述模型构建模块，包括：

45、第五处理模块：云空间基于接收顺序分别对接收到的数据进行第五处理，并将第五处理结果分被存入不同的存储空间；

46、任务封装模块：对各个存储空间内存储的数据进行分片操作，将数据分片任务封装成异步任务，并将异步任务分配给多个线程或进程，进行同时执行；

47、分片存储模块：并通过异步编程模型对数据分片过程进行实时调整，数据分片完成后，将分片结果存储到相应储存空间中的存储子空间中；

48、第六处理模块：通过并行处理算法对各个存储子空间内存储的分片数据进行第六处理，通过第六处理结果，基于深度学习和时间序列分析算法，构建多维度需求预测模型；

49、结果输出模块：将多因素数据输入多维度需求预测模型，基于云平台的计算资源，输出预测结果。

50、进一步的，所述动态调整模块，包括：

51、结果解析模块：对多维度需求预测模型输出的预测结果进行解析，基于预测结果，进行风险评估，识别风险点；

52、优劣评估模块：根据风险评估结果，结合企业既定的业务规则和战略目标，制定供应链协同策略，利用强化学习算法，对决策引擎进行智能优化，模拟不同决策下的供应链运行情况，对各种决策的优劣进行评估；

53、计划调整模块：基于模拟结果，不断调整决策引擎的参数和逻辑，根据预测结果和协同策略，动态调整生产计划。

54、进一步的，所述决策调整模块，包括：

55、实时监控模块：建立覆盖供应链各环节的实时监控系统，并实时收集供应链各环节的数据和状态信息；

56、风险识别模块：结合实时数据和历史数据，并根据多种风险因素和异常模式应用异常检测算法对潜在风险进行识别；

57、持续优化模块：根据异常检测结果和实际情况，动态调整供应链决策，并通过决策反馈机制，对调整后的决策进行验证和评估，对供应链管理和决策过程进行持续优化。

58、本发明有益效果：通过工业互联网实时收集多源异构数据，并利用边缘计算节点进行数据处理，有效减轻了云平台的计算负担，提高了数据处理的效率。采用虚拟化技术和负载均衡算法，使得边缘计算子节点的计算资源得到充分利用，进一步提升了数据处理的并行性和速度。基于深度学习和时间序列分析算法构建的多维度需求预测模型，能够综合考虑多因素数据，输出更为精准的预测结果，有助于企业做出更合理的生产和库存管理决策。对预测结果进行风险评估，及时识别风险点，为企业提供了风险预警和应对机制，降低了供应链中的不确定性。利用强化学习算法构建的供应链协同优化决策引擎，能够根据预测结果动态调整供应链策略，提高了供应链的灵活性和响应速度。通过模拟不同决策下的供应链运行情况，对各种决策的优劣进行评估，帮助企业选择最优的供应链策略。建立的实时监控系统能够全面覆盖供应链各环节，实时收集数据和状态信息，确保企业对供应链状态有全面的了解。结合实时数据和历史数据应用异常检测算法，能够及时发现并处理潜在风险，保障供应链的稳定运行。通过决策反馈机制对调整后的决策进行验证和评估，实现了对供应链管理和决策过程的持续优化，不断提升供应链的性能和效率。