一种基于AI的汽车零部件供应链管理系统的制作方法

本发明涉及供应链管理，更具体地说，它涉及一种基于ai的汽车零部件供应链管理系统。

背景技术：

1、供应链是指生产及流通过程中，涉及将产品或服务提供给最终用户活动的上游与下游企业所形成的网链结构，即将产品从厂商送到消费者手中的整个链条。

2、目前是采用当前的市场信息制定适合当前市场的目标为价值最大化、成本最小化、响应速度最快化的供应链方案，然而市场无时无刻不在发生变化，市场中的各个企业、生产厂家也在发生变化，而汽车零部件供应链中的供需关系一旦确定，在短时间之内没办法改变，如果汽车零部件供应链中的某一环出现问题，例如：原材料生产厂商产能达不到预期，会导致原材料生产厂商下游的零部件加工商没有足够的原材料加工，同样，零部件加工商下游的汽车装配商没有足够的零部件进行汽车的装配；因此，一旦供应链的产品流出现问题，供应链的资金链也非常容易出现问题，这样就导致整个供应链遭受损失。

3、然而上述方案不能对市场变化及时作出预测和对应的调整，因此，亟须一种汽车零部件供应链管理系统。

技术实现思路

1、本发明提供一种基于ai的汽车零部件供应链管理系统，解决上述技术问题。

2、本发明提供了一种基于ai的汽车零部件供应链管理系统，包括：

3、供应链参数采集模块，其用于在预设时间段l内，按照预设时间间隔m采集当前型号汽车的零部件市场中所有厂商的工作参数；

4、供应链中厂商类型包括：原材料供应商类型、零部件加工商类型、汽车装配商类型和物流公司类型；

5、供应链中厂商的连接顺序为：原材料供应商、第一物流公司、零部件加工商、第二物流公司、汽车装配商，其中，第一物流公司和第二物流公司均属于物流公司类型；

6、图网络数据生成模块，其用于根据供应链中所有厂商的工作参数生成图网络数据；

7、预测评分模块，其用于将图网络数据输入到风险评分预测模型中，输出的值表示在未来时间段t的供应链中每一环的预测评分；

8、供应链推荐方案生成模块，其用于根据在未来时间段t的供应链中每一环的预测评分生成汽车零部件供应链推荐方案；

9、汽车零部件供应链推荐方案中的厂商包括：一个原材料供应商、一个零部件加工商、一个汽车装配商、一个第一物流公司和一个第二物流公司；并且汽车零部件供应链推荐方案中的厂商的连接顺序与供应链中厂商的连接顺序相同。

10、进一步地，原材料供应商的工作参数包括：原材料质量参数、原材料产能参数、原材料良品率参数和原材料单价参数，原材料质量参数=第三方检测机构的原材料评分*第一评分参数+对应零部件加工商的验收评分*第二评分参数，其中，第一评分参数和第二评分参数均为自定义参数；

11、零部件加工商的工作参数包括：零部件质量参数、零部件产能参数、零部件良品率参数和零部件单价参数，零部件质量参数=第三方检测机构的零部件加工评分*第三评分参数+对应汽车装配方的验收评分*第四评分参数，其中，第三评分参数和第四评分均为自定义参数；

12、汽车装配商的工作参数包括：装配质量要求参数、装配产能参数装配、装配良品率要求参数和汽车单价参数，装配质量要求参数通过相关技术专家确定；

13、物流公司的工作参数包括：配送质量参数、配送产能参数、配送良品率参数和配送单价参数。

14、进一步地，未来时间段t、预设时间间隔m和预设时间段l均为自定义参数。

15、进一步地，所述图网络数据包括节点、节点的初始特征和节点之间的边；

16、所述节点包括：第一节点、第二节点、第三节点、第一物流节点和第二物流节点；

17、第一节点、第二节点、第三节点、第一物流节点和第二物流节点分别与每个原材料供应商、零部件加工商、汽车装配商、第一物流公司和第二物流公司建立数据映射；

18、第一节点的初始特征根据原材料供应商的工作参数生成；

19、第二节点的初始特征根据零部件加工商的工作参数生成；

20、第三节点的初始特征根据汽车装配商的工作参数生成；

21、第一物流节点和第二物流节点的初始特征分别根据第一物流公司和第二物流公司的工作参数生成；

22、节点之间的边包括：第一节点和第一物流节点之间存在边表示物流公司和原材料供应商有过合作；第一节点和第一物流节点之间存在边表示物流公司的配送质量参数和配送良品率参数符合原材料供应商的要求；第一物流节点和第二节点存在边表示物流公司负责配送的原材料的原材料质量参数和原材料良品率参数符合零部件加工商的标准；第二节点和第二物流节点之间存在边表示物流公司和汽车装配商合作过；第二节点和第二物流节点之间存在边表示物流公司的配送质量参数和配送良品率参数符合零部件加工商的要求；第二物流节点和第三节点之间存在边表示物流公司负责运送的零部件的零部件质量参数和零部件良品率参数符合汽车装配商的要求。

23、进一步地，将风险评分预测模型包括：第一隐藏层、提取层和分类器；

24、第一隐藏层输入图网络数据，输出供应链更新矩阵，供应链更新矩阵的一个行向量表示一个节点的更新特征；

25、提取层用于提取供应链更新矩阵中各个节点之间的边的更新特征；

26、分类器输入各个节点之间的边的更新特征，输出汽车零部件供应链的在未来时间段t的供应链中每一环的预测评分；

27、分类器的分类标签为1到10的离散值。

28、进一步地，用于所述风险评分预测模型训练的训练样本对应的样本标签通过相关技术专家或者企业管理人员进行人工标注获得。

29、进一步地，风险评分预测模型的计算公式包括：

30、第i个节点更新特征的计算公式如下：

31、；

32、其中，表示与第i个节点存在边连接的节点的集合，表示第i个节点的更新特征，第i个节点的初始特征，表示第j个节点的初始特征，、分别表示第一权重参数和第二权重参数，和分别表示第一偏置参数和第二偏置参数，表示sigmod激活函数；

33、第i个节点和第k个节点之间的边的更新特征的计算公式如下：

34、；

35、其中，，表示与第i个节点存在边连接的节点的集合，和分别表示第i个节点的更新特征和第k个节点的更新特征，表示sigmod激活函数。

36、进一步地，通过蚁群算法生成未来时间段t之后的汽车零部件供应链推荐方案，包括以下步骤：

37、约束条件包括：一个路径只包含一个第一节点、一个第二节点、一个第三节点、一个第一物流节点和一个第二物流节点，并且其顺序为：第一节点、第一物流节点、第二节点、第二物流节点、第三节点；

38、步骤s201，根据当前型号汽车零部件的供应链信息构建预测信息素矩阵；

39、预测信息素矩阵的大小为v*v，v表示第一节点、第二节点、第三节点、第一物流节点和第二物流节点的数量总和，其中预测信息素矩阵的第i行第j列的元素值表示第i个厂商和第j个厂商之间的预测评分，预测信息素矩阵中第v个节点与第v个节点之间的预测评分为0，不存在边连接的节点之间的预测评分为0；

40、步骤s202，初始化参数；

41、包括：蚁群规模n，信息素重要因子a，启发重要因子q，信息素释放总量q，迭代次数起始值c，信息素浓度矩阵g，信息素浓度矩阵的大小为v*v，信息素浓度矩阵的元素值的初始值为常数，取值范围为[0.1,2]，信息素蒸发系数p，取值范围为（0,1）；上述参数都为自定义参数，优选的，q为100；

42、步骤s203，计算状态转移概率；将n个蚂蚁随机分布在第一节点，根据初始化参数计算每只蚂蚁的状态转移概率，通过轮盘赌算法选择下一个节点；

43、步骤s204，获得当前最优解；当n个蚂蚁移动至第三节点时，表示完成一次迭代，取所有节点之间的边的预测评分总和的最大值为当前最优解；

44、步骤s205，判断是否满足迭代终止条件，如果满足迭代终止条件则输出当前最优解作为最优解路径，否则返回步骤s202；

45、终止条件包括：达到最大迭代次数r；在连续迭代次数p内，当前最优解的变化值小于等于设定阈值e，其中，r、p和e均为自定义参数。

46、本发明的有益效果在于：根据当前汽车零部件市场中所有厂商的历史工作参数生成图网络数据，并根据图网络数据中记载的各个厂商的历史变化信息分析当前供应链和可行的供应链在未来的预测评分，并采用蚁群算法寻找一个在未来预测分值最高的供应链，相较于常见的供应链构建方法来说，吸取了各个厂商的历史工作参数，完成对未来变化趋势的预测，可以使企业根据预测结果制定对应的未来合作计划，进而实现供应链的价值最大化、成本最小化、响应速度最快化。