基于大數(shù)據(jù)和物聯(lián)網(wǎng)技術(shù)的物資管理方法研究

劉玉杰

(國網(wǎng)內(nèi)蒙古東部電力有限公司物資分公司， 內(nèi)蒙古， 呼和浩特 010010)

0 引言

隨著信息化時(shí)代的飛速發(fā)展，物資管理系統(tǒng)已經(jīng)難以滿足現(xiàn)有技術(shù)的發(fā)展需求，在計(jì)算機(jī)技術(shù)的發(fā)展情況下，現(xiàn)有的物資管理系統(tǒng)面臨嚴(yán)峻挑戰(zhàn)，文獻(xiàn)[1]采用物聯(lián)網(wǎng)通信技術(shù)，并將該技術(shù)逐步替代現(xiàn)有Internet技術(shù)，大數(shù)據(jù)作為當(dāng)代網(wǎng)絡(luò)技術(shù)的主流，也逐步滲透到物資管理系統(tǒng)中，該技術(shù)通過構(gòu)建物聯(lián)網(wǎng)，改變了傳統(tǒng)技術(shù)通訊的弊端，提高了數(shù)據(jù)通信能力，但是對于通信過程中的數(shù)據(jù)管理，尚未提及。文獻(xiàn)[2]將物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)結(jié)合起來實(shí)現(xiàn)公共安全信息的管理和應(yīng)用，該技術(shù)在公共安全管理過程中，通過將安全信息劃分為預(yù)防、準(zhǔn)備、響應(yīng)、恢復(fù)等4個(gè)階段，提高了物資管理的公共安全機(jī)制建設(shè)能力。該技術(shù)通過加強(qiáng)對新興事物的風(fēng)險(xiǎn)關(guān)注度，完善了物聯(lián)網(wǎng)癱瘓下的物資管理解決方案，提高了風(fēng)險(xiǎn)預(yù)警能力，但是對于大數(shù)據(jù)的具體計(jì)算以及物聯(lián)網(wǎng)架構(gòu)的具體搭接尚未提及。

針對上述技術(shù)的不足，研究所提方法重點(diǎn)討論了融合ERP云存儲(chǔ)的物聯(lián)網(wǎng)架構(gòu)，并通過數(shù)學(xué)模型的方式實(shí)現(xiàn)物聯(lián)網(wǎng)數(shù)據(jù)采集、計(jì)算和處理，又采用改進(jìn)型Apriori算法模型實(shí)現(xiàn)物資信息的管理，提高了物資管理能力，使物資管理網(wǎng)絡(luò)具有重要的應(yīng)用意義。下文對關(guān)鍵技術(shù)進(jìn)行描述。

1 融合ERP云存儲(chǔ)的物聯(lián)網(wǎng)架構(gòu)

研究所提方法的創(chuàng)新點(diǎn)是在物聯(lián)網(wǎng)架構(gòu)中融合ERP云技術(shù)，采用該技術(shù)的目的在于提高數(shù)據(jù)共享和存儲(chǔ)能力，解決了現(xiàn)有技術(shù)數(shù)據(jù)共享和管理方法滯后的問題，本研究的方法提高了數(shù)據(jù)管理能力和物資現(xiàn)代化管理水平，融合ERP云存儲(chǔ)[3]的物聯(lián)網(wǎng)架構(gòu)如圖1所示。

在ERP云存儲(chǔ)的物聯(lián)網(wǎng)架構(gòu)中，其內(nèi)融合了物資數(shù)據(jù)信息的感知層、移動(dòng)互聯(lián)網(wǎng)傳遞層、基于多種軟件應(yīng)用的平臺(tái)層以及實(shí)現(xiàn)物聯(lián)云計(jì)算的計(jì)算技術(shù)，將人工智能技術(shù)與多種數(shù)據(jù)信息通信技術(shù)恰當(dāng)?shù)厝诤掀饋恚狙芯窟€應(yīng)用了物聯(lián)網(wǎng)架構(gòu)，該架構(gòu)將感知層、傳輸層、軟件架構(gòu)層和應(yīng)用層分別通過不同網(wǎng)絡(luò)架構(gòu)聯(lián)系起來，提高了物聯(lián)通訊。在結(jié)構(gòu)上，物聯(lián)網(wǎng)架構(gòu)如表1所示。

圖1 物聯(lián)網(wǎng)云通信將架構(gòu)

表1 物聯(lián)網(wǎng)云存儲(chǔ)架構(gòu)設(shè)計(jì)

利用該架構(gòu)實(shí)現(xiàn)物資管理能夠?qū)崿F(xiàn)物資信息的入庫循環(huán)和出庫循環(huán)，入庫循環(huán)根據(jù)數(shù)據(jù)中心的需求，對輸入的物資數(shù)據(jù)信息進(jìn)行云存儲(chǔ)。物資出庫循環(huán)由供應(yīng)鏈云平臺(tái)與入庫循環(huán)進(jìn)行數(shù)據(jù)交互，之后與ERP云存儲(chǔ)中心進(jìn)行數(shù)據(jù)對照，由云存儲(chǔ)中心決定物資出庫、配送和生成發(fā)票，由職能交互平臺(tái)負(fù)責(zé)驗(yàn)收和審核[4]。物資信息采集層中，輸入的物資類別假設(shè)為a，ma為物資信息的進(jìn)而數(shù)值化后的長度值，c為感知層中物資信息輸出的公鑰參數(shù)，k為物資信息在進(jìn)行加密時(shí)，將公鑰數(shù)據(jù)信息輸出的秘鑰值。其中a?{1,…,ma}，則物資信息的輸入公式為

ea=fixe1,e2f′a=akk×a+∑i=aa,ce2,e1

(1)

式中，ea為感知層內(nèi)采集到的物資管理信息數(shù)據(jù)組，e1為物資管理信息在傳輸過程中的秘鑰值，e2為物資管理信息數(shù)據(jù)元個(gè)數(shù)。應(yīng)用層通過接收ea中的數(shù)據(jù)集，輸出公式可以為

tea=ck2,k1·ek+∑i=1aia

(2)

式中，tea為整理后物資信息數(shù)據(jù)集，k2、k1分別為待傳遞的物資信息數(shù)據(jù)，ai為物資管理信息。通過上述數(shù)據(jù)計(jì)算[5]。

2 基于大數(shù)據(jù)的物資管理方法

研究所提方法管理方法包括物資信息輸入、物資信息采集、物資信息傳遞、物資信息計(jì)算、物資信息存儲(chǔ)和應(yīng)用等。在物資信息數(shù)據(jù)采集中，其原理如圖2所示。

圖2 物資信息采集模塊

在物資信息管理中，經(jīng)歷了模擬信號(hào)采樣、轉(zhuǎn)換和計(jì)算的過程。在采樣中，通過模擬信息采集器完成，實(shí)現(xiàn)物資信息各種數(shù)據(jù)的管理和計(jì)算，然后經(jīng)由A/D轉(zhuǎn)換模塊實(shí)現(xiàn)模擬信號(hào)和數(shù)字信息的轉(zhuǎn)換，將物資信息模擬量轉(zhuǎn)換為數(shù)字量以更快地進(jìn)行數(shù)據(jù)處理。轉(zhuǎn)換后的數(shù)據(jù)信息通過ADE7953計(jì)量芯片[4]，對獲取的物資信息進(jìn)行計(jì)算，采用的微處理器為STM32F103ZET6芯片處理器，該處理機(jī)的外圍電路包括時(shí)鐘電路、復(fù)位電路和電源轉(zhuǎn)換電路等多模塊電路部分。該模塊將ADE7953電能計(jì)量芯片與STM32微處理器實(shí)現(xiàn)數(shù)據(jù)通訊，以提高計(jì)算的控制能力[5]。

多種不同形式的物資信息被轉(zhuǎn)換后，再通過改進(jìn)型Apriori算法實(shí)現(xiàn)物資信息的管理。步驟如下。

(1) 獲取物資信息數(shù)據(jù)庫內(nèi)第一條記錄信息，則輸出1-項(xiàng)集，然后將所有可以組成的組合通過1表示。

(2) 獲取物資信息數(shù)據(jù)庫中第二條記錄，標(biāo)識(shí)形成的組合包括k-項(xiàng)集。假設(shè)不存在k-項(xiàng)集時(shí)，則將該條信息標(biāo)示為1，然后將k-項(xiàng)集忽略。當(dāng)k-項(xiàng)集中存在小于最小支持度閾值時(shí)，則在支持度上增加1。

通過上述計(jì)算，輸出的偽代碼如下。

算法模型：改進(jìn)Apripri

輸入信息量：調(diào)取物資信息數(shù)據(jù)庫D，設(shè)置最小值初度閾值min_sup。

輸出信息量：Result=中的頻繁項(xiàng)集

Result:={};

for(x=1;x≤DB;x++)

begin

設(shè)項(xiàng)集為{a1,…,an}

for(y=1,y≤n,y++)

begin//進(jìn)行判定

ifay首次出現(xiàn)，計(jì)數(shù)器cnt=0;

ay歸為Result;

continue;

else

cnt++;

end:

ifcnt=min_sup then

Result：=Result∪{ay}；

end;

end;

然后對物資信息數(shù)據(jù)庫中的不同數(shù)據(jù)庫進(jìn)行劃分，則劃分信息如表2所示。

表2 物資信息數(shù)據(jù)庫劃分表

由于大數(shù)據(jù)信息在應(yīng)用過程中，物資信息數(shù)據(jù)庫存在很多種類，如何分析不同數(shù)據(jù)之間的關(guān)聯(lián)因素，需要啟動(dòng)Apriori算法模型，該模型可以通過以下方法進(jìn)行計(jì)算。在采用Apriori算法計(jì)算不同數(shù)據(jù)信息中的數(shù)據(jù)關(guān)聯(lián)[6]時(shí)，表1為物資信息樣例物資信息數(shù)據(jù)庫，其中物資信息類型數(shù)設(shè)置為4，支持最小計(jì)數(shù)設(shè)置為2。物資信息數(shù)據(jù)庫劃分如圖3所示。

圖3 物資信息數(shù)據(jù)庫劃分表

通過圖3，對研究所提方法的物資信息數(shù)據(jù)庫進(jìn)行劃分。其中步驟如下。

步驟一：物質(zhì)庫數(shù)據(jù)信息掃描T1，構(gòu)建物資信息項(xiàng)集組B1，生成物資信息備份項(xiàng)集組C1，然后對物資信息項(xiàng)集統(tǒng)計(jì)，輸出物資信息頻繁項(xiàng)集組D1和項(xiàng)集組C2。

步驟二：對物資信息數(shù)據(jù)庫T2進(jìn)行數(shù)據(jù)掃描，構(gòu)建物資信息項(xiàng)集組B2[7]，與物資信息C2融合后，然后輸出備份物質(zhì)庫數(shù)據(jù)信息項(xiàng)集組C3，對C3數(shù)組內(nèi)的物質(zhì)庫數(shù)據(jù)信息項(xiàng)集自動(dòng)統(tǒng)計(jì)，當(dāng)項(xiàng)集在數(shù)據(jù)結(jié)合組B2和在數(shù)據(jù)結(jié)合組C2上均有等待，則在進(jìn)行計(jì)數(shù)時(shí)，在輸出結(jié)果上加上1；在數(shù)據(jù)項(xiàng)=項(xiàng)集出現(xiàn)在B2，沒有出現(xiàn)在C2則計(jì)數(shù)為1；如果項(xiàng)集出現(xiàn)在C2，沒有出現(xiàn)在B2則計(jì)數(shù)不變， 生成物資信息頻繁項(xiàng)集組D2和物資信息項(xiàng)集組C3。

步驟三：將所有的數(shù)據(jù)接活進(jìn)行數(shù)據(jù)集合計(jì)算，則輸出物資信息的不同頻繁項(xiàng)組集[8]。

通過上述方法構(gòu)建Apriori算法模型數(shù)據(jù)網(wǎng)，則實(shí)現(xiàn)不同物資信息之間的數(shù)據(jù)挖掘[9]。然后再采用改進(jìn)型卷積分神經(jīng)網(wǎng)絡(luò)算法模型實(shí)現(xiàn)相關(guān)聯(lián)數(shù)據(jù)信息的多維處理。

圖4 改進(jìn)型神經(jīng)神經(jīng)網(wǎng)絡(luò)架構(gòu)示意圖

下面通過分步驟說明：

步驟一：數(shù)據(jù)輸入，輸入的物資管理數(shù)據(jù)樣本集合記作為{X1,X2,…,Xn}，輸數(shù)據(jù)量為W*，物資信息管理函數(shù)f(W×Xi)×Xi與管理輸出函數(shù)Yi為逼近關(guān)系，f在整個(gè)函數(shù)中作為激勵(lì)函數(shù)使用[10]，為了調(diào)節(jié)物資信息之間的維度差距，輸入物資信息為

hθ(x(i))=p(y(i)=1x(i);θ)

p(y(i)=2x(i);θ)

?

p(y(i)=kx(i);θ)=

1∑Kj=1eθTjx(i)eθT1x(i)

?

eθTKx(i)

(3)

式中，θ1,θ2,…,θk∈Rn+1，該物資信息作為權(quán)重參數(shù)存在，n為物資管理信息數(shù)據(jù)的向量值，矩陣公式為n維的向量，K為物資管理數(shù)據(jù)信息不同的種類。

步驟二：數(shù)據(jù)降維處理，該研究采用張量卷積自編碼神經(jīng)網(wǎng)絡(luò)，將輸入數(shù)據(jù)信息的多維度數(shù)據(jù)信息轉(zhuǎn)換為低緯度數(shù)據(jù)信息，提高了物資信息分析和處理能力。采用的張量卷積自編碼神經(jīng)網(wǎng)絡(luò)如圖5所示。

圖5 張量卷積自編碼神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

假設(shè)在圖6中的二維數(shù)據(jù)信息轉(zhuǎn)換為一維數(shù)據(jù)信息可以通過以下公式表示：

Jθ=∑i∈jLI,f′fI

(4)

式中，θ表示為物資信息的一維向量度數(shù)，J表示為物資信息的目標(biāo)函數(shù)，I和f分別表示為張量卷積自編碼神經(jīng)網(wǎng)絡(luò)重的變量值。

步驟三：物資信息故障診斷，設(shè)置數(shù)據(jù)迭代次數(shù)和誤差診斷方程，經(jīng)過持續(xù)數(shù)據(jù)處理和診斷，輸出的誤差公式為

J(θ)=-1m∑mi=1 ∑Kj=1{y(i)=j}logeθTjx(i)∑Kl=1eθTlx(i)+

λ2∑Ki=1 ∑nj=1θ2ij

(5)

式中，m為收集到的所有物資信息數(shù)據(jù)集合，λ表示為通過改進(jìn)型神經(jīng)網(wǎng)絡(luò)模型中參數(shù)數(shù)據(jù)信息的權(quán)重懲罰因子，i為物資數(shù)據(jù)信息輸出的樣本數(shù)據(jù)值，j為物資數(shù)據(jù)信息全生命周期的類型。輸出的誤差函數(shù)通過以下方程表示：

e=12×∑ni=1(Yi-Yi)2

(6)

然后求解神經(jīng)網(wǎng)絡(luò)算法模型中的最小誤差值e，通過下降梯度公式可以表示為

gradwe=?e?W=∑nk=1?ek?W

(7)

然后通過調(diào)整權(quán)重矩陣W，能夠不斷地對物資管理信息訓(xùn)練、學(xué)習(xí)和故障診斷，在研究所提方法中，調(diào)整了8次權(quán)值，實(shí)現(xiàn)了物資信息訓(xùn)練故障的最小。

3 試驗(yàn)結(jié)果與分析

為了驗(yàn)證研究所提方法的技術(shù)效果，研究所提方法通過Simulink軟件構(gòu)建物資管理架構(gòu)模型，計(jì)算機(jī)采用CPU運(yùn)行內(nèi)存為8G，存儲(chǔ)內(nèi)存為256G，硬件參數(shù)為Intel core i8 9700KF。模型環(huán)境參數(shù)設(shè)置數(shù)據(jù)采集精度為96%，實(shí)驗(yàn)參數(shù)配置如表1所示。

表1 實(shí)驗(yàn)環(huán)境參數(shù)配置

3.1 物聯(lián)架構(gòu)驗(yàn)證

將研究所提方法采用物聯(lián)網(wǎng)架構(gòu)的方式與傳統(tǒng)技術(shù)中的Internet網(wǎng)絡(luò)技術(shù)進(jìn)行數(shù)據(jù)通信。

表2 實(shí)驗(yàn)環(huán)境參數(shù)配置

在表3的硬件配置結(jié)構(gòu)中，可以看到，與常規(guī)的Internet技術(shù)相比，研究所提方法的物聯(lián)網(wǎng)通信技術(shù)接收數(shù)據(jù)信息量大，通信時(shí)間較短。經(jīng)過4個(gè)小時(shí)的試驗(yàn)后，分別將文獻(xiàn)[1]方法、文獻(xiàn)[2]方法與研究所提方法的技術(shù)通信進(jìn)行對比，則物聯(lián)網(wǎng)數(shù)據(jù)通信的準(zhǔn)確度對比如圖6所示。

3.2 大數(shù)據(jù)算法模型驗(yàn)證

通過圖6可以看到，研究所提方法的數(shù)據(jù)通信準(zhǔn)確度比較高。下面采用物聯(lián)技術(shù)和常規(guī)互聯(lián)網(wǎng)技術(shù)在數(shù)據(jù)通信效率上進(jìn)行對比，在經(jīng)過1個(gè)多小時(shí)的試驗(yàn)后，將其數(shù)據(jù)通信效率對比繪制到如圖7所示的對比曲線圖中。

通過圖7的對比示意圖，可以看到，研究所提方法數(shù)據(jù)通信速度快。因此采用物聯(lián)云存儲(chǔ)技術(shù)具有突出的技術(shù)優(yōu)勢。

圖6 物聯(lián)網(wǎng)數(shù)據(jù)通信準(zhǔn)確度對比示意圖

圖7 數(shù)據(jù)處理效率對比曲線圖

下面再驗(yàn)證改進(jìn)型Apriori算法模型，將該算法模型與k-means算法模型進(jìn)行對比分析。繼續(xù)采用表1的樣本示意表進(jìn)行驗(yàn)證，其中從以下幾個(gè)方面對研究所提方法算法的模型進(jìn)行驗(yàn)證。

平均值：

V=∑Nk=1Vk/N

(8)

極差：

RV=Vk,max-Vk,min

(9)

標(biāo)準(zhǔn)差：

σU=∑Nk=1Vk-V2/N-1

(10)

最大偏差率：

DmaxV=maxVk-VNk/VNk

(11)

平均偏差率：

DaveV=1N∑Nk=1Vk-VNk/VNk

(12)

通過式(8)～式(12)的計(jì)算，輸出如表3所示的信息。

表3 模型對比示意表

通過表3的數(shù)據(jù)模型，發(fā)現(xiàn)在平均值計(jì)算時(shí)，k-means算法模型計(jì)算值是1.963，研究所提方法為0.342，在極差計(jì)算時(shí)，k-means算法模型計(jì)算的數(shù)值是0.17，研究所提方法計(jì)算值是0.054。在進(jìn)行標(biāo)準(zhǔn)差時(shí)，k-means算法模型的計(jì)算值為0.098，研究所提方法的計(jì)算值為0.016，在計(jì)算最大偏差率時(shí)，k-means算法模型為6.85，研究所提方法為2.28，在計(jì)算平均偏差率時(shí)，k-means算法模型的計(jì)算結(jié)果是3.46，研究所提方法計(jì)算結(jié)果是1.29，因此，本研究的方法在多種計(jì)算中，其誤差均為最小值。本研究具有突出的技術(shù)效果。

4 總結(jié)

針對當(dāng)前物資管理系統(tǒng)滯后的問題，提出了新型的研究方案， 進(jìn)行以下技術(shù)研究。

(1) 針對數(shù)據(jù)通訊和交互能力差的問題，本研究應(yīng)用融合ERP云存儲(chǔ)的物聯(lián)網(wǎng)架構(gòu)，大大提高了數(shù)據(jù)通訊能力。

(2) 針對現(xiàn)有技術(shù)中物資信息管理落后的問題，本研究應(yīng)用改進(jìn)型Apriori算法模型實(shí)現(xiàn)多種不同物資信息的管理，提高了數(shù)據(jù)管理能力。

通過試驗(yàn)，研究所提方法大大提高了物資信息管理能力。由于物聯(lián)網(wǎng)數(shù)據(jù)信息在傳遞過程中，仍舊會(huì)受到多種數(shù)據(jù)因素的影響，這需要進(jìn)一步的研究，本研究為下一步技術(shù)的研究奠定技術(shù)基礎(chǔ)。