Erkennung von Störungen für einen kognitiven digitalen Supply-Chain-Zwilling mithilfe von hybridem Deep Learning

Zusammenfassung: Jüngste disruptive Ereignisse wie COVID-19 und der Konflikt zwischen Russland und der Ukraine hatten erhebliche Auswirkungen auf die globalen Lieferketten. Digitale Supply-Chain-Zwillinge wurden vorgeschlagen, um Entscheidungsträgern ein effektives und effizientes Werkzeug zur Minderung der Auswirkungen von Störungen bereitzustellen. Dieses Papier stellt einen hybriden Deep-Learning-Ansatz zur Störungserkennung innerhalb eines kognitiven digitalen Supply-Chain-Zwilling-Rahmens vor, um die Resilienz der Lieferkette zu erhöhen. Das vorgeschlagene Modul zur Störungserkennung nutzt ein tiefes Autoencoder-Neuronales Netzwerk, kombiniert mit einem One-Class-Support-Vector-Machine-Algorithmus. Darüber hinaus werden Langzeit-Kurzzeitgedächtnis-Neuronale Netzwerkmodelle entwickelt, um die gestörte Ebene zu identifizieren und die Zeit bis zur Wiederherstellung von den Auswirkungen der Störung vorherzusagen. Die aus dem vorgeschlagenen Ansatz gewonnenen Informationen werden Entscheidungsträgern und Fachleuten der Lieferkette helfen, angemessene Entscheidungen zu treffen, um die negativen Auswirkungen von disruptiven Ereignissen anhand von Echtzeitdaten zur Störungserkennung zu minimieren. Die Ergebnisse zeigen den Kompromiss zwischen der Sensitivität des Störungserkennungsmodells, den aufgetretenen Verzögerungen bei der Störungserkennung und Fehlalarmen. Dieser Ansatz wurde in der jüngsten Literatur, die sich mit diesem Thema beschäftigt, selten verwendet.