Supply Chain Monitoring Using Principal Component Analysis
Notice bibliographique
Résumé
Various types of risks exist in a supply chain, and disruptions could lead to economic loss or even breakdown of a supply chain without an effective mitigation strategy. The ability to detect disruptions early can help improve the resilience of the supply chain. In this paper, the application of principal component analysis (PCA) and dynamic PCA (DPCA) in fault detection and diagnosis of a supply chain system is investigated. In order to monitor the supply chain, data such as inventory levels, market demands, and amount of products in transit are collected. PCA and DPCA are used to model the normal operating conditions (NOC). Two monitoring statistics, the Hotelling’s T 2 and the squared prediction error (SPE), are used to detect abnormal operation of the supply chain. The confidence limits of these two statistics are estimated from the training data based on the χ 2 -distributions. The contribution plots are used to identify the variables with abnormal behavior when at least one statistic exceeds its limit. Two case studies are presented—a multi-echelon supply chain for a single product that includes a manufacturing process and a gas bottling supply chain with multiple products. In order to validate the proposed method, supply chain simulation models are developed using the programming language Python 3.7, and simulated data is collected for analysis. PCA and DPCA are applied to the data using the scikit-learn machine learning library for Python. The results show that abnormal operation due to transportation delay, supply shortage, and poor manufacturing yield can be detected. The contribution plots are useful for interpreting and identifying the abnormality.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».