基于大數據和物聯網技術的物資管理方法研究

劉玉杰

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

0 引言

隨著信息化時代的飛速發展，物資管理系統已經難以滿足現有技術的發展需求，在計算機技術的發展情況下，現有的物資管理系統面臨嚴峻挑戰，文獻[1]采用物聯網通信技術，并將該技術逐步替代現有Internet技術，大數據作為當代網絡技術的主流，也逐步滲透到物資管理系統中，該技術通過構建物聯網，改變了傳統技術通訊的弊端，提高了數據通信能力，但是對于通信過程中的數據管理，尚未提及。文獻[2]將物聯網和大數據技術結合起來實現公共安全信息的管理和應用，該技術在公共安全管理過程中，通過將安全信息劃分為預防、準備、響應、恢復等4個階段，提高了物資管理的公共安全機制建設能力。該技術通過加強對新興事物的風險關注度，完善了物聯網癱瘓下的物資管理解決方案，提高了風險預警能力，但是對于大數據的具體計算以及物聯網架構的具體搭接尚未提及。

針對上述技術的不足，研究所提方法重點討論了融合ERP云存儲的物聯網架構，并通過數學模型的方式實現物聯網數據采集、計算和處理，又采用改進型Apriori算法模型實現物資信息的管理，提高了物資管理能力，使物資管理網絡具有重要的應用意義。下文對關鍵技術進行描述。

1 融合ERP云存儲的物聯網架構

研究所提方法的創新點是在物聯網架構中融合ERP云技術，采用該技術的目的在于提高數據共享和存儲能力，解決了現有技術數據共享和管理方法滯后的問題，本研究的方法提高了數據管理能力和物資現代化管理水平，融合ERP云存儲[3]的物聯網架構如圖1所示。

在ERP云存儲的物聯網架構中，其內融合了物資數據信息的感知層、移動互聯網傳遞層、基于多種軟件應用的平臺層以及實現物聯云計算的計算技術，將人工智能技術與多種數據信息通信技術恰當地融合起來，本研究還應用了物聯網架構，該架構將感知層、傳輸層、軟件架構層和應用層分別通過不同網絡架構聯系起來，提高了物聯通訊。在結構上，物聯網架構如表1所示。

圖1 物聯網云通信將架構

表1 物聯網云存儲架構設計

利用該架構實現物資管理能夠實現物資信息的入庫循環和出庫循環，入庫循環根據數據中心的需求，對輸入的物資數據信息進行云存儲。物資出庫循環由供應鏈云平臺與入庫循環進行數據交互，之后與ERP云存儲中心進行數據對照，由云存儲中心決定物資出庫、配送和生成發票，由職能交互平臺負責驗收和審核[4]。物資信息采集層中，輸入的物資類別假設為a，ma為物資信息的進而數值化后的長度值，c為感知層中物資信息輸出的公鑰參數，k為物資信息在進行加密時，將公鑰數據信息輸出的秘鑰值。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為感知層內采集到的物資管理信息數據組，e1為物資管理信息在傳輸過程中的秘鑰值，e2為物資管理信息數據元個數。應用層通過接收ea中的數據集，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據集，k2、k1分別為待傳遞的物資信息數據，ai為物資管理信息。通過上述數據計算[5]。

2 基于大數據的物資管理方法

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、物資信息計算、物資信息存儲和應用等。在物資信息數據采集中，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，經歷了模擬信號采樣、轉換和計算的過程。在采樣中，通過模擬信息采集器完成，實現物資信息各種數據的管理和計算，然后經由A/D轉換模塊實現模擬信號和數字信息的轉換，將物資信息模擬量轉換為數字量以更快地進行數據處理。轉換后的數據信息通過ADE7953計量芯片[4]，對獲取的物資信息進行計算，采用的微處理器為STM32F103ZET6芯片處理器，該處理機的外圍電路包括時鐘電路、復位電路和電源轉換電路等多模塊電路部分。該模塊將ADE7953電能計量芯片與STM32微處理器實現數據通訊，以提高計算的控制能力[5]。

多種不同形式的物資信息被轉換后，再通過改進型Apriori算法實現物資信息的管理。步驟如下。

(1) 獲取物資信息數據庫內第一條記錄信息，則輸出1-項集，然后將所有可以組成的組合通過1表示。

(2) 獲取物資信息數據庫中第二條記錄，標識形成的組合包括k-項集。假設不存在k-項集時，則將該條信息標示為1，然后將k-項集忽略。當k-項集中存在小于最小支持度閾值時，則在支持度上增加1。

通過上述計算，輸出的偽代碼如下。

算法模型：改進Apripri

輸入信息量：調取物資信息數據庫D，設置最小值初度閾值min_sup。

輸出信息量：Result=中的頻繁項集

Result:={};

for(x=1;x≤DB;x++)

begin

設項集為{a1,…,an}

for(y=1,y≤n,y++)

begin//進行判定

ifay首次出現，計數器cnt=0;

ay歸為Result;

continue;

else

cnt++;

end:

ifcnt=min_sup then

Result：=Result∪{ay}；

end;

end;

然后對物資信息數據庫中的不同數據庫進行劃分，則劃分信息如表2所示。

表2 物資信息數據庫劃分表

由于大數據信息在應用過程中，物資信息數據庫存在很多種類，如何分析不同數據之間的關聯因素，需要啟動Apriori算法模型，該模型可以通過以下方法進行計算。在采用Apriori算法計算不同數據信息中的數據關聯[6]時，表1為物資信息樣例物資信息數據庫，其中物資信息類型數設置為4，支持最小計數設置為2。物資信息數據庫劃分如圖3所示。

圖3 物資信息數據庫劃分表

通過圖3，對研究所提方法的物資信息數據庫進行劃分。其中步驟如下。

步驟一：物質庫數據信息掃描T1，構建物資信息項集組B1，生成物資信息備份項集組C1，然后對物資信息項集統計，輸出物資信息頻繁項集組D1和項集組C2。

步驟二：對物資信息數據庫T2進行數據掃描，構建物資信息項集組B2[7]，與物資信息C2融合后，然后輸出備份物質庫數據信息項集組C3，對C3數組內的物質庫數據信息項集自動統計，當項集在數據結合組B2和在數據結合組C2上均有等待，則在進行計數時，在輸出結果上加上1；在數據項=項集出現在B2，沒有出現在C2則計數為1；如果項集出現在C2，沒有出現在B2則計數不變， 生成物資信息頻繁項集組D2和物資信息項集組C3。

步驟三：將所有的數據接活進行數據集合計算，則輸出物資信息的不同頻繁項組集[8]。

通過上述方法構建Apriori算法模型數據網，則實現不同物資信息之間的數據挖掘[9]。然后再采用改進型卷積分神經網絡算法模型實現相關聯數據信息的多維處理。

圖4 改進型神經神經網絡架構示意圖

下面通過分步驟說明：

步驟一：數據輸入，輸入的物資管理數據樣本集合記作為{X1,X2,…,Xn}，輸數據量為W*，物資信息管理函數f(W×Xi)×Xi與管理輸出函數Yi為逼近關系，f在整個函數中作為激勵函數使用[10]，為了調節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，該物資信息作為權重參數存在，n為物資管理信息數據的向量值，矩陣公式為n維的向量，K為物資管理數據信息不同的種類。

步驟二：數據降維處理，該研究采用張量卷積自編碼神經網絡，將輸入數據信息的多維度數據信息轉換為低緯度數據信息，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網絡如圖5所示。

圖5 張量卷積自編碼神經網絡結構示意圖

假設在圖6中的二維數據信息轉換為一維數據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，J表示為物資信息的目標函數，I和f分別表示為張量卷積自編碼神經網絡重的變量值。

步驟三：物資信息故障診斷，設置數據迭代次數和誤差診斷方程，經過持續數據處理和診斷，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據集合，λ表示為通過改進型神經網絡模型中參數數據信息的權重懲罰因子，i為物資數據信息輸出的樣本數據值，j為物資數據信息全生命周期的類型。輸出的誤差函數通過以下方程表示：

e=12×∑ni=1(Yi-Yi)2

(6)

然后求解神經網絡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)

然后通過調整權重矩陣W，能夠不斷地對物資管理信息訓練、學習和故障診斷，在研究所提方法中，調整了8次權值，實現了物資信息訓練故障的最小。

3 試驗結果與分析

為了驗證研究所提方法的技術效果，研究所提方法通過Simulink軟件構建物資管理架構模型，計算機采用CPU運行內存為8G，存儲內存為256G，硬件參數為Intel core i8 9700KF。模型環境參數設置數據采集精度為96%，實驗參數配置如表1所示。

表1 實驗環境參數配置

3.1 物聯架構驗證

將研究所提方法采用物聯網架構的方式與傳統技術中的Internet網絡技術進行數據通信。

表2 實驗環境參數配置

在表3的硬件配置結構中，可以看到，與常規的Internet技術相比，研究所提方法的物聯網通信技術接收數據信息量大，通信時間較短。經過4個小時的試驗后，分別將文獻[1]方法、文獻[2]方法與研究所提方法的技術通信進行對比，則物聯網數據通信的準確度對比如圖6所示。

3.2 大數據算法模型驗證

通過圖6可以看到，研究所提方法的數據通信準確度比較高。下面采用物聯技術和常規互聯網技術在數據通信效率上進行對比，在經過1個多小時的試驗后，將其數據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，研究所提方法數據通信速度快。因此采用物聯云存儲技術具有突出的技術優勢。

圖6 物聯網數據通信準確度對比示意圖

圖7 數據處理效率對比曲線圖

下面再驗證改進型Apriori算法模型，將該算法模型與k-means算法模型進行對比分析。繼續采用表1的樣本示意表進行驗證，其中從以下幾個方面對研究所提方法算法的模型進行驗證。

平均值：

V=∑Nk=1Vk/N

(8)

極差：

RV=Vk,max-Vk,min

(9)

標準差：

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的數據模型，發現在平均值計算時，k-means算法模型計算值是1.963，研究所提方法為0.342，在極差計算時，k-means算法模型計算的數值是0.17，研究所提方法計算值是0.054。在進行標準差時，k-means算法模型的計算值為0.098，研究所提方法的計算值為0.016，在計算最大偏差率時，k-means算法模型為6.85，研究所提方法為2.28，在計算平均偏差率時，k-means算法模型的計算結果是3.46，研究所提方法計算結果是1.29，因此，本研究的方法在多種計算中，其誤差均為最小值。本研究具有突出的技術效果。

4 總結

針對當前物資管理系統滯后的問題，提出了新型的研究方案， 進行以下技術研究。

(1) 針對數據通訊和交互能力差的問題，本研究應用融合ERP云存儲的物聯網架構，大大提高了數據通訊能力。

(2) 針對現有技術中物資信息管理落后的問題，本研究應用改進型Apriori算法模型實現多種不同物資信息的管理，提高了數據管理能力。

通過試驗，研究所提方法大大提高了物資信息管理能力。由于物聯網數據信息在傳遞過程中，仍舊會受到多種數據因素的影響，這需要進一步的研究，本研究為下一步技術的研究奠定技術基礎。