一种基于汽车检测数据的智能补货方法及系统与流程

本发明涉及汽车检测，具体为一种基于汽车检测数据的智能补货方法及系统。

背景技术：

1、汽车配件补货是汽车后市场供应链管理的核心环节，现有补货方案普遍仅依赖车载诊断接口采集的实时运行参数或故障码，忽视了历史维修工单等蕴含先验知识的存量数据，且不同数据源时间基准不一致，难以全方位刻画零部件状态；

2、现有方案多采用纯数据驱动的深度学习模型预测剩余寿命，该黑箱模型在极端工况下预测可靠性骤降，结果不可追溯，无法为补货决策提供可验证依据；

3、在需求预测方面，现有技术对各零部件独立计算补货需求，当多个部件同时触发时，总需求易超出资金或仓储上限，须人工介入调整，破坏自动化闭环，在决策层面，现有方案一次性执行补货策略，未考虑供应商产能波动和物流延迟等动态因素，决策与实际执行脱节，缺乏自适应能力，在执行层面，供应链多参与方系统异构、互信不足，中心化订单存在数据篡改风险和多方对账困难，制约了补货指令的快速可信执行；

4、综上所述，现有技术亟需一种能够实现多源数据融合、物理机理与数据驱动协同预测、全局协同博弈、动态自适应响应及可信自动化执行的智能补货解决方案。

技术实现思路

1、本发明的目的在于提供一种基于汽车检测数据的智能补货方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于汽车检测数据的智能补货方法，包括以下步骤：

3、s1、采集实时运行参数、故障自诊断报文和历史维修工单数据，将三类数据按照统一时间轴进行时空对齐与融合，对齐融合后的数据格式为多维检测数据张量；

4、s2、接收多维检测数据张量，为各零部件构建数字孪生体，由物理退化机理模型驱动仿真，蒙特卡洛量化不确定性，输出各部件退化轨迹与剩余寿命概率分布；

5、s3、将数字孪生体封装为独立智能体，各智能体提交补货提案后，在全局资金与仓储约束下多轮协商，直至达成纳什均衡，输出协同补货需求集合；

6、s4、获取补货需求集合，强化学习模型结合实时供应与物流状态输出最优补货动作，智能合约校验业务规则后自动生成电子订单并上链广播。

7、优选的，所述s2具体包括以下步骤：

8、s201、获取目标车辆集合中任一车辆，确定内的零部件集合，其中，表示该车辆上零部件的总数，表示第个零部件，选取第个零部件，构建其对应的数字孪生体实例，其中，表示静态属性库，表示动态状态库，表示环境暴露档案，从多维检测数据张量中，按零部件维度进行切片，确定零部件在全部里程刻度上的检测特征序列，其中，表示零部件在第个里程刻度处的维特征向量，表示里程序列总长度，表示实数集，表示每个零部件的特征维度，表示序号数；

9、s202、将中各元素按照数据类别分别注入的动态状态库和环境暴露档案，完成数字孪生体的状态同步更新；

10、s203、启动虚拟退化仿真引擎对数字孪生体实例进行独立演化仿真，仿真引擎中预置零部件所属类型的物理退化机理模型，该物理退化机理模型从预置模型库中按零部件类型编码检索获得，设定仿真步长和总仿真步数，其中，表示预先设定的仿真总里程上限，表示向下取整函数；

11、s204、以零部件的当前累积里程为仿真起点，以动态状态库中的当前状态值为初始条件，通过环境暴露档案 中的历史环境序列及未来工况预测序列为驱动输入，按照物理退化机理模型逐仿真步长计算累积损伤量。

12、优选的，所述s2具体还包括以下步骤：

13、s205、统计零部件在第个仿真步长结束时的累积损伤量，其中，表示仿真步序号，表示在第个仿真步长结束时的累积损伤量，表示第个仿真步长内的损伤增量；

14、s206、设置不确定性参数集合，其中，表示零部件的第个不确定性参数，表示不确定性参数的总数，表示序号数，利用指定车型同型号零部件的历史更换数据经最大似然估计标定获得分布类型及统计参数，通过分布类型和统计参数确定出预设的概率分布，每个不确定参数服从预设的概率分布；

15、s207、对不确定性参数集合进行次独立随机抽样，表示预设的蒙特卡洛抽样次数，得到组抽样结果，其中表示第次抽样获得的参数组合；

16、s208、利用每一组参数组合，重复执行虚拟退化仿真，得到第条退化轨迹下零部件的失效里程，其中，表示零部件在当前时刻的里程，表示仿真步序号，表示固定仿真步长，表示累积损伤量，表示失效阈值，表示总仿真步数，若在仿真总里程内均未超过失效阈值，则标记该次仿真结果未发生无效；

17、s209、将所有仿真轨迹的失效里程结果构建成样本集合，确定当前时刻下零部件的剩余寿命随机变量，对于任意给定的剩余寿命阈值，生成对应的概率分布，对概率分布进行核密度估计得到零部件的剩余寿命概率密度函数，同时输出在未来预设里程窗口内的失效概率。

18、优选的，所述s3具体包括以下步骤：

19、s301、将生成的各零部件数字孪生体分别封装为独立的智能体，每个智能体具备感知自身退化状态、提交补货提案及响应全局约束的决策能力；

20、s302、各智能体按照自身剩余寿命概率分布计算个体补货需求，当零部件在未来预设里程窗口内的失效概率超过触发阈值时，该智能体生成初始补货提案，包含建议补货数量及期望到货时间窗；

21、s303、所有智能体提交初始补货提案后，汇总并检测是否满足全局约束条件，所述全局约束条件包括本次补货资金预算上限、仓储容量上限及各供应商最大可供应量，若全部满足，则直接输出结果，若存在违反，则启动多轮协商博弈。

22、优选的，所述s3具体还包括以下步骤：

23、s304、在每一轮协商过程中，计算各智能体的让步系数，该系数由两个因素决定，分别是该零部件所属的安全关键等级和当前损耗急迫度，所述当前损耗急迫度具体为剩余寿命均值与供应商供货周期的比值，比值越小表示越急需补货，让步系数越大的智能体在博弈中享有越高的保留优先级，承担越少的削减量；

24、s305、各智能体根据自身让步系数与当前全局超配比例，迭代调整自身的补货数量及期望时间窗，让步系数较低的智能体优先削减数量以及延后到货时间，每轮调整后重新检测全局约束，直至任一智能体单方面改变自身提案都无法在不损害其他智能体利益的前提下改善自身目标时，判定达到纳什均衡，此时输出的补货需求集合即为全局约束下的协同优化结果。

25、优选的，所述s4具体包括以下步骤：

26、s401、将补货需求映射为强化学习决策状态，所述决策状态包含各零部件库存水位、在途订单预计到货时间、各供应商动态供货能力及实时物流状态信息，其中各供应商动态供货能力通过api接口从供应商端实时获取，包含当前可用产能和承诺交付率，实时物流状态通过接入第三方物流平台获取运输在途时间及异常预警信息；

27、s402、将当前决策状态输入预先训练好的深度强化学习决策模型中，该模型以最小化供应链总成本为优化目标，总成本综合考虑库存持有成本、缺货损失成本及紧急调货溢价成本，模型输出最优补货动作，即本次各零部件的实际补货数量与建议下单时间点。

28、优选的，所述s4具体还包括以下步骤：

29、s403、决策模型输出的补货动作以结构化数据格式提交至区块链上预先部署的智能合约，利用智能合约校验该决策是否满足预设业务规则，若满足，则自动填充电子采购订单模板，调用各参与方数字签名完成签署，生成具有法律效力的电子采购订单，反之则依次执行自动修正；

30、s404、生成的订单由智能合约通过区块链网络自动广播至供应商、物流商及相关内部审批节点，所有参与方在统一分布式账本上实时更新订单执行状态，包括接单确认、发货、在途、签收及结算，实现补货指令从生成到履约的全链路自动化闭环与可信追溯。

31、所述一种基于汽车检测数据的智能补货系统，包括数据采集单元、仿真驱动单元、协商补货单元和订单输出单元；

32、所述数据采集单元提取实时运行参数、故障自诊断报文和历史维修工单数据，将三类数据按照统一时间轴进行时空对齐与融合，对齐融合后的数据格式为多维检测数据张量；

33、所述仿真驱动单元接收多维检测数据张量，为各零部件构建数字孪生体，由物理退化机理模型驱动仿真，蒙特卡洛量化不确定性，输出各部件退化轨迹与剩余寿命概率分布；

34、所述协商补货单元将数字孪生体封装为独立智能体，各智能体提交补货提案后，在全局资金与仓储约束下多轮协商，直至达成纳什均衡，输出协同补货需求集合；

35、所述订单输出单元获取补货需求集合，强化学习模型结合实时供应与物流状态输出最优补货动作，智能合约校验业务规则后自动生成电子订单并上链广播。

36、与现有技术相比，本发明的有益效果是：

37、1、本发明将多源数据融合与数字孪生相结合，实现了预测从数据驱动向机理增强的跃升，以行驶里程为统一基准对齐多源异构数据，提供了符合物理退化规律的标准化输入，数字孪生体融合实时数据与物理机理模型，在纯数据模型覆盖不到的极端工况下仍具备外推能力，克服了传统黑箱模型不可解释的缺陷；

38、2、本发明将多智能体协商博弈与强化学习相衔接，实现了补货从独立计算向全局协同的进化，承接各部件寿命概率分布，在全局资金与仓储约束下自主博弈达成纳什均衡，解决了多部件同时触发补货时资源竞争冲突问题，接收协同需求后，结合供应链实时动态优化具体补货动作，克服了传统静态规划无法响应环境变化的缺陷；

39、3、本发明将各阶段有机耦合，实现了汽车配件供应链从被动响应到主动预判、从独立决策到协同博弈、从静态规划到动态适应、从人工执行到可信自动化的全面升级，显著降低了库存资金占用与缺货停运风险，提升了供应链整体响应效率与智能化水平。