基于混合深度学习的认知数字供应链孪生体中断检测与恢复规划方法研究

这篇研究论文介绍了一种创新的认知数字供应链孪生体(CDSCT)原型，通过整合机器学习(ML)、离散事件仿真和优化引擎，实现了供应链中断的实时检测(Si)、受损组件识别、恢复时间预测(TTR)以及最优恢复方案推荐。该框架显著提升了供应链韧性(SCR)，为动态环境下的决策支持提供了智能化解决方案。

　　

Highlight

本研究亮点在于开发了首个集成混合深度学习与实时仿真的认知数字供应链孪生体(CDSCT)原型，其创新性体现在：

1）构建了四重功能模块：基于随机森林(RF)的中断检测、组件识别、持续时间预测和恢复时间(TTR)预测；

2）首创"中断外推模块"模拟不同恢复方案对供应链KPI的影响；

3）嵌入式优化引擎可自动推荐成本效益最优的恢复方案（如产能调整、安全库存调配等）。

The proposed CDSCT theoretical framework

提出的CDSCT理论框架包含三大组件：

• •

  物理供应链层：通过物联网(IoT)设备实时采集物流、库存等数据

• •

  数字供应链镜像(DSCS)层：动态更新虚拟映射

• •

  CDSCT智能层：搭载ML模型（准确率达92.3%）和优化算法，形成"感知-决策-执行"闭环

Performance evaluation

性能评估显示：

• •

  中断持续时间预测模块在四类场景(S₁-S₄)下的平均绝对误差(MAE)仅1.2小时

• •

  恢复行动推荐模块使供应链停工时间缩短37.5%

• •

  与传统电子表格模型相比，动态仿真使预测准确率提升58%

Conclusion

本原型验证了CDSCT在提升供应链韧性(SCR)方面的双重价值：

1）预警价值：提前4-6小时预测中断影响范围

2）决策价值：通过数字孪生沙盒测试不同恢复方案，使恢复成本降低22%-41%