DOI: https://doi.org/10.1038/s41598-026-41629-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41748912
تاريخ النشر: 2026-02-26
المؤلف: Zhao Jiang وآخرون
الموضوع الرئيسي: إدارة سلسلة التوريد والمخزون
نظرة عامة
تتناول الأبحاث التحديات الكبيرة في إنتاج المنتجات المعقدة، مثل مكونات الطيران ورقائق أشباه الموصلات، والتي تشمل عدم اليقين العالي في الطلب، وتكاليف المخزون المفرطة، والاستجابة غير الكافية في الوقت الحقيقي. غالبًا ما تفشل نماذج المخزون المدفوعة بالذكاء الاصطناعي الحالية في دمج التنبؤ والتحكم، مما يحد من فعاليتها في بيئات التصنيع الديناميكية. للتغلب على هذه القيود، تقترح الدراسة إطار عمل متكامل للذكاء الاصطناعي يجمع بين الشبكات العصبية طويلة وقصيرة المدى (LSTM) والتعلم المعزز Q. يلتقط مكون LSTM بشكل فعال الاعتماديات طويلة المدى في بيانات السلاسل الزمنية متعددة المصادر، مما يظهر دقة تنبؤ متفوقة مقارنة بنماذج ARIMA التقليدية. في الوقت نفسه، يسهل نموذج Q التع adjustments في الإنتاج والمخزون بناءً على التفاعلات البيئية.
تشير النتائج التجريبية إلى أن الإطار المقترح يقلل بشكل كبير من التكاليف الإجمالية بنسبة 15.7% مقارنة بأنظمة تخطيط متطلبات المواد التقليدية (MRP) وبنسبة 8.3% مقارنة بنماذج البرمجة المختلطة المتقدمة مع التعلم العميق المعزز (MIP-DRL). بالإضافة إلى ذلك، يحقق معدل نفاد مخزون بنسبة 0% و4.2 دوران سنوي للمخزون، مما يظهر قوته عبر مستويات تقلب الطلب المختلفة. تسهم هذه الدراسة في الفهم النظري للتحسين متعدد المراحل المدفوع بالذكاء الاصطناعي وتقدم نهجًا قابلًا للتوسع لتعزيز الكفاءة التشغيلية وفعالية التكلفة في سياقات التصنيع ذات القيمة العالية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحديات المرتبطة بتصنيع المنتجات المعقدة، والتي تتميز بتعقيد التصميم العالي، وعمليات الإنتاج المعقدة، وسلاسل التوريد المتطورة. تسهم هذه المنتجات بشكل كبير في الناتج الصناعي العالمي ولكنها تتكبد تكاليف مخزون أعلى بنسبة تقارب 40% من تلك الخاصة بالمنتجات الأبسط بسبب عدم اليقين في الطلب وتقلبات سلسلة التوريد. تعتبر طرق اتخاذ القرار التقليدية غير كافية بشكل متزايد لإدارة الكميات الهائلة من البيانات غير المتجانسة التي يتم توليدها أثناء الإنتاج والتكيف مع الاضطرابات الديناميكية. يُقترح دمج تقنيات الذكاء الاصطناعي المتقدمة كحل حاسم لتعزيز اتخاذ القرار الذكي والتحكم طوال دورة حياة إنتاج المنتجات المعقدة، مما يؤدي إلى تحسين الكفاءة، وتقليل التكاليف، وجودة المنتج.
تحدد الورقة التطبيقات الحالية للذكاء الاصطناعي في تصنيع المنتجات المعقدة، مثل معالجة البيانات عبر الأنماط للكشف عن العيوب وتحسين معلمات العمليات من خلال طرق مدفوعة بالبيانات. ومع ذلك، تشير إلى ثلاث قيود كبيرة: التركيز السائد على تطبيقات الذكاء الاصطناعي المعزولة بدلاً من التحسين المتكامل عبر العمليات متعددة المراحل، وعدم كفاية دمج التنبؤ بالطلب مع التعديلات على الإنتاج والمخزون، وغياب الحلول الشاملة. لمعالجة هذه الفجوات، تهدف الأبحاث إلى تطوير إطار عمل متكامل يجمع بين الشبكات العصبية طويلة وقصيرة المدى (LSTM) لتنبؤ الطلب مع التعلم المعزز Q للتعديلات الديناميكية على الإنتاج والمخزون. سيتميز هذا الإطار بآلية تغذية راجعة مغلقة لتحسين استراتيجيات التنبؤ والتحكم بشكل تكراري، مع إجراء التحقق باستخدام بيانات التعبئة والاختبار الفعلية لأشباه الموصلات لضمان الموثوقية والفعالية.
النتائج
تشير نتائج المحاكاة إلى تكلفة إجمالية تراكمية قدرها 5,820 يوان، حيث نجح نموذج التحسين القوي في تقليل النفقات الإجمالية من خلال تعديل أحجام الإنتاج بشكل ديناميكي. تقلل هذه الطريقة من تكاليف نفاد المخزون وتكاليف الاحتفاظ بالمخزون، مما يؤدي إلى تكلفة إجمالية للمخزون قدرها 220 يوان مع الحفاظ على التحكم الفعال في المخزون. يمنع التحسين المدفوع بالذكاء الاصطناعي نفاد المخزون بنجاح، وهو أمر حاسم لمنتجات أشباه الموصلات ذات القيمة العالية، مما يضمن بقاء كميات المخزون ضمن نطاق معقول من 5-40 قطعة عبر المراحل. تساهم قدرة النموذج على التكيف مع تقلبات الطلب، كما يتضح من التعديل السريع في كمية الإنتاج إلى 130 قطعة استجابة لزيادة الطلب إلى 120 قطعة، في الحفاظ على معدل نفاد مخزون منخفض باستمرار.
علاوة على ذلك، تم تحسين نموذج LSTM لتنبؤ الطلب لتعزيز عقلانيته وقوته في تصنيع المنتجات المعقدة. تم تحديد المعلمات الرئيسية، بما في ذلك وحدة LSTM ذات الطبقتين مع 64 وحدة مخفية ومعدل تسرب 0.2، من خلال التحقق المتقاطع للبيانات الزمنية بخمسة أضعاف، محققًا خطأ متوسط النسبة المطلقة (MAPE) قدره 3.3% وقيمة R² قدرها 0.96. تؤكد هذه النتائج فعالية النموذج في التوافق مع الخصائص المعقدة لعمليات التصنيع، كما هو موضح في المواد التكميلية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التأثير التحويلي للذكاء الاصطناعي المتقدم على تصنيع المنتجات المعقدة، مع التأكيد على الحاجة إلى تحسين كفاءة اتخاذ القرار والتعاون عبر سلاسل التوريد المعقدة. يستعرض الأدبيات الحالية حول اتخاذ القرار الذكي ويحدد الفجوات في دمج التنبؤ بالطلب وإدارة المخزون الديناميكية، خاصة في بيئات التصنيع متعددة المراحل. تعتبر طرق التنبؤ التقليدية، مثل ARIMA، غير كافية لالتقاط تعقيدات تقلبات الطلب، بينما أظهرت الشبكات العصبية طويلة وقصيرة المدى (LSTM) وعدًا في تعزيز الدقة من خلال معالجة الاعتماديات طويلة المدى في البيانات.
يجمع الإطار المقترح بين LSTM لتنبؤ الطلب مع التعلم المعزز Q للتحكم الديناميكي في المخزون، بهدف تحسين تكاليف الإنتاج مع تقليل نفاد المخزون. يتضمن النموذج بيانات السوق في الوقت الحقيقي ومقاييس الإنتاج لتحسين التنبؤات وتحسين اتخاذ القرار. تظهر نتائج التحقق أن إطار عمل LSTM-Q يتفوق على الطرق التقليدية، محققًا تقليلًا كبيرًا في خطأ التنبؤ (MAPE قدره 3.3% مقارنة بـ 8.2% لـ ARIMA) وأدنى تكلفة إجمالية بين النماذج المختلفة التي تم اختبارها. تدعم التحليلات الحساسية قوة الإطار، حيث تكشف عن قابليته للتكيف مع تقلبات الطلب وضوضاء المستشعر، مما يبرز قابليته للتطبيق العملي في سياقات التصنيع ذات القيمة العالية.
القيود
تناقش قسم القيود التحديات المرتبطة بالتطبيق العملي للمنهجيات المقترحة. يبرز أنه بينما يظهر الإطار النظري إمكانات كبيرة، قد تواجه التنفيذ العملي عقبات مثل قابلية التوسع، وقيود الموارد، وتغيرات الظروف البيئية. يمكن أن تعيق هذه العوامل فعالية الحلول في بيئات متنوعة.
بالإضافة إلى ذلك، يؤكد القسم على أهمية تطوير استراتيجيات تخفيف قوية لمعالجة هذه القيود. يقترح أن هناك حاجة إلى مزيد من الأبحاث لتعديل المنهجيات وتكييفها مع السيناريوهات الواقعية، لضمان بقائها فعالة على الرغم من التعقيدات الكامنة في التنفيذ. بشكل عام، تؤكد النتائج على الحاجة إلى نهج شامل يأخذ في الاعتبار الجوانب النظرية والعملية لتعزيز قابلية تطبيق نتائج البحث.
DOI: https://doi.org/10.1038/s41598-026-41629-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41748912
Publication Date: 2026-02-26
Author(s): Zhao Jiang et al.
Primary Topic: Supply Chain and Inventory Management
Overview
The research addresses significant challenges in the production of complex products, such as aerospace components and semiconductor wafers, which include high demand uncertainty, excessive inventory costs, and inadequate real-time responsiveness. Existing AI-driven inventory models often fail to integrate forecasting and control, limiting their effectiveness in dynamic manufacturing settings. To overcome these limitations, the study proposes an integrated AI framework that combines Long Short-Term Memory (LSTM) networks with Q-learning. The LSTM component effectively captures long-term dependencies in multi-source time-series data, demonstrating superior prediction accuracy compared to traditional ARIMA models. Meanwhile, the Q-learning module facilitates real-time adjustments to production and inventory based on environmental interactions.
Experimental results indicate that the proposed framework significantly reduces total costs by 15.7% compared to conventional Material Requirements Planning (MRP) systems and by 8.3% relative to advanced Mixed Integer Programming with Deep Reinforcement Learning (MIP-DRL) models. Additionally, it achieves a 0% stock-out rate and 4.2 annual inventory turnovers, showcasing its robustness across varying demand volatility levels. This study contributes to the theoretical understanding of AI-driven multi-stage optimization and presents a scalable approach for enhancing operational efficiency and cost-effectiveness in high-value manufacturing contexts.
Introduction
The introduction of the research paper highlights the challenges associated with complex product manufacturing, which is characterized by high design complexity, intricate production processes, and sophisticated supply chains. These products contribute significantly to global industrial output but incur inventory costs approximately 40% higher than those of simpler products due to demand uncertainty and supply chain volatility. Traditional decision-making methods are increasingly inadequate for managing the vast amounts of heterogeneous data generated during production and adapting to dynamic disturbances. The integration of advanced artificial intelligence (AI) technologies is proposed as a crucial solution to enhance intelligent decision-making and control throughout the entire lifecycle of complex product production, leading to improved efficiency, cost reduction, and product quality.
The paper identifies existing applications of AI in complex product manufacturing, such as cross-modal data processing for defect detection and process parameter optimization through data-driven methods. However, it notes three significant limitations: a predominant focus on isolated AI applications rather than integrated optimization across multi-stage processes, insufficient integration of demand forecasting with production-inventory adjustments, and a lack of end-to-end solutions. To address these gaps, the research aims to develop an integrated framework that combines Long Short-Term Memory (LSTM) networks for demand forecasting with Q-learning for dynamic production-inventory adjustments. This framework will feature a closed-loop feedback mechanism to iteratively optimize both forecasting and control strategies, with validation conducted using real-world semiconductor packaging and testing data to ensure reliability and effectiveness.
Results
The simulation results indicate a cumulative total cost of 5,820 yuan, with the robust optimization model effectively reducing overall expenses by dynamically adjusting production volumes. This approach minimizes stockout and inventory holding costs, leading to a total inventory cost of 220 yuan while maintaining effective inventory control. The AI-driven optimization successfully prevents stockouts, which is crucial for high-value semiconductor products, ensuring that stock quantities remain within a reasonable range of 5-40 pieces across stages. The model’s ability to adapt to demand fluctuations, exemplified by a prompt adjustment in production quantity to 130 pieces in response to a demand increase to 120 pieces, contributes to a consistently low stockout rate.
Furthermore, the LSTM model for demand forecasting was optimized to enhance its rationality and robustness in complex product manufacturing. Key hyperparameters, including a two-layer LSTM module with 64 hidden units and a 0.2 dropout rate, were established through 5-fold time-series cross-validation, achieving a mean absolute percentage error (MAPE) of 3.3% and an R² value of 0.96. These findings underscore the model’s efficacy in aligning with the intricate characteristics of manufacturing processes, as detailed in the supplementary materials.
Discussion
The discussion section of the research paper highlights the transformative impact of advanced artificial intelligence (AI) on the manufacturing of complex products, emphasizing the need for improved decision-making efficiency and collaboration across intricate supply chains. It reviews existing literature on intelligent decision-making and identifies gaps in the integration of demand forecasting and dynamic inventory management, particularly in multi-stage manufacturing environments. Traditional forecasting methods, such as ARIMA, are deemed inadequate for capturing the complexities of demand fluctuations, whereas Long Short-Term Memory (LSTM) networks have shown promise in enhancing accuracy by addressing long-term dependencies in data.
The proposed framework combines LSTM for demand forecasting with Q-learning for dynamic inventory control, aiming to optimize production costs while minimizing stock-outs. The model incorporates real-time market data and production metrics to refine forecasts and improve decision-making. Validation results demonstrate that the LSTM-Q-learning framework outperforms traditional methods, achieving a significant reduction in forecast error (MAPE of 3.3% compared to ARIMA’s 8.2%) and the lowest total cost among various models tested. The framework’s robustness is further supported by sensitivity analyses, which reveal its adaptability to demand volatility and sensor noise, underscoring its practical applicability in high-value manufacturing contexts.
Limitations
The section on limitations discusses the challenges associated with the real-world deployment of the proposed methodologies. It highlights that while the theoretical framework demonstrates significant potential, practical implementation may encounter obstacles such as scalability, resource constraints, and variability in environmental conditions. These factors can hinder the effectiveness of the solutions in diverse settings.
Additionally, the section emphasizes the importance of developing robust mitigation strategies to address these limitations. It suggests that further research is necessary to refine the methodologies and adapt them to real-world scenarios, ensuring that they remain effective despite the inherent complexities of deployment. Overall, the findings underscore the need for a comprehensive approach that considers both theoretical and practical aspects to enhance the applicability of the research outcomes.