هدف از بررسی سیستماتیک ما بررسی ادبیات اخیر منتشر شده در مورد اینترنت اشیاء تولیدی (IoMT) و ادغام بینش هایی است که در مورد برنامه ریزی فرآیند هوشمند با کمک یادگیری عمیق، شبکه های حسگر بی سیم روباتیک و الگوریتم های مدیریت داده های بزرگ جغرافیایی پیکربندی می کند. استفاده از موارد گزارش برگزیده برای بررسی های سیستماتیک و دستورالعمل های متاآنالیز (PRISMA). در سراسر اکتبر 2021 و ژانویه 2022، مروری بر ادبیات کمی از تجمیع‌کننده‌هایی مانند ProQuest، Scopus، و Web of Science با عبارات جستجو شامل «برنامه‌ریزی فرآیند هوشمند با کمک یادگیری عمیق + IoMT»، «شبکه‌های حسگر بی‌سیم روباتیک +» انجام شد. IoMT» و «الگوریتم های مدیریت داده های بزرگ جغرافیایی + IoMT». همانطور که تحقیق مورد تجزیه و تحلیل بین سالهای 2018 و 2022 منتشر شد، تنها 346 منبع معیارهای واجد شرایط بودن را برآورده کردند. یک برنامه براق برای نمودار جریان PRISMA استفاده شد تا داده‌های جمع‌آوری‌شده و مبتنی بر شواهد را در بر بگیرد. مشکلات و چالش‌های عمده شامل شناسایی همبستگی‌های قوی در میان موضوعات مورد بازرسی، اما تمرکز بر جدیدترین و مرتبط‌ترین منابع و به کارگیری ابزارهای غربالگری و ارزیابی کیفیت مانند ابزار ارزیابی برای مطالعات مقطعی، Dedoose، Distiller SR، ارزیابی روش ترکیبی بود. ابزار، و مخزن داده های مرور سیستماتیک، ما نتایج اصلی مربوط به IoMT را یکپارچه کردیم. تحقیقات آینده باید سیستم‌های زمان‌بندی پویا و اجرای تولید را که توسط برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، تصمیم‌گیری مبتنی بر داده و شبکه‌های حسگر بی‌سیم روباتیک توسعه یافته‌اند، بررسی کند. یک برنامه براق برای نمودار جریان PRISMA استفاده شد تا داده‌های جمع‌آوری‌شده و مبتنی بر شواهد را در بر بگیرد. مشکلات و چالش‌های عمده شامل شناسایی همبستگی‌های قوی در میان موضوعات مورد بازرسی، اما تمرکز بر جدیدترین و مرتبط‌ترین منابع و به کارگیری ابزارهای غربالگری و ارزیابی کیفیت مانند ابزار ارزیابی برای مطالعات مقطعی، Dedoose، Distiller SR، ارزیابی روش ترکیبی بود. ابزار، و مخزن داده های مرور سیستماتیک، ما نتایج اصلی مربوط به IoMT را یکپارچه کردیم. تحقیقات آینده باید سیستم‌های زمان‌بندی پویا و اجرای تولید را که توسط برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، تصمیم‌گیری مبتنی بر داده و شبکه‌های حسگر بی‌سیم روباتیک توسعه یافته‌اند، بررسی کند. یک برنامه براق برای نمودار جریان PRISMA استفاده شد تا داده‌های جمع‌آوری‌شده و مبتنی بر شواهد را در بر بگیرد. مشکلات و چالش‌های عمده شامل شناسایی همبستگی‌های قوی در میان موضوعات مورد بازرسی، اما تمرکز بر جدیدترین و مرتبط‌ترین منابع و به کارگیری ابزارهای غربالگری و ارزیابی کیفیت مانند ابزار ارزیابی برای مطالعات مقطعی، Dedoose، Distiller SR، ارزیابی روش ترکیبی بود. ابزار، و مخزن داده های مرور سیستماتیک، ما نتایج اصلی مربوط به IoMT را یکپارچه کردیم. تحقیقات آینده باید سیستم‌های زمان‌بندی پویا و اجرای تولید را که توسط برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، تصمیم‌گیری مبتنی بر داده و شبکه‌های حسگر بی‌سیم روباتیک توسعه یافته‌اند، بررسی کند. مشکلات و چالش‌های عمده شامل شناسایی همبستگی‌های قوی در میان موضوعات مورد بازرسی، اما تمرکز بر جدیدترین و مرتبط‌ترین منابع و به کارگیری ابزارهای غربالگری و ارزیابی کیفیت مانند ابزار ارزیابی برای مطالعات مقطعی، Dedoose، Distiller SR، ارزیابی روش ترکیبی بود. ابزار، و مخزن داده های مرور سیستماتیک، ما نتایج اصلی مربوط به IoMT را یکپارچه کردیم. تحقیقات آینده باید سیستم‌های زمان‌بندی پویا و اجرای تولید را که توسط برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، تصمیم‌گیری مبتنی بر داده و شبکه‌های حسگر بی‌سیم روباتیک توسعه یافته‌اند، بررسی کند. مشکلات و چالش‌های عمده شامل شناسایی همبستگی‌های قوی در میان موضوعات مورد بازرسی، اما تمرکز بر جدیدترین و مرتبط‌ترین منابع و به کارگیری ابزارهای غربالگری و ارزیابی کیفیت مانند ابزار ارزیابی برای مطالعات مقطعی، Dedoose، Distiller SR، ارزیابی روش ترکیبی بود. ابزار، و مخزن داده های مرور سیستماتیک، ما نتایج اصلی مربوط به IoMT را یکپارچه کردیم. تحقیقات آینده باید سیستم‌های زمان‌بندی پویا و اجرای تولید را که توسط برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، تصمیم‌گیری مبتنی بر داده و شبکه‌های حسگر بی‌سیم روباتیک توسعه یافته‌اند، بررسی کند. اما با تمرکز بر جدیدترین و مرتبط‌ترین منابع و به کارگیری ابزارهای غربالگری و ارزیابی کیفیت مانند ابزار ارزیابی برای مطالعات مقطعی، Dedoose، Distiller SR، ابزار ارزیابی ترکیبی و مخزن داده‌های مرور سیستماتیک، نتایج اصلی مرتبط را ادغام کردیم. به IoMT. تحقیقات آینده باید سیستم‌های زمان‌بندی پویا و اجرای تولید را که توسط برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، تصمیم‌گیری مبتنی بر داده و شبکه‌های حسگر بی‌سیم روباتیک توسعه یافته‌اند، بررسی کند. اما با تمرکز بر جدیدترین و مرتبط‌ترین منابع و به کارگیری ابزارهای غربالگری و ارزیابی کیفیت مانند ابزار ارزیابی برای مطالعات مقطعی، Dedoose، Distiller SR، ابزار ارزیابی ترکیبی و مخزن داده‌های مرور سیستماتیک، نتایج اصلی مرتبط را ادغام کردیم. به IoMT. تحقیقات آینده باید سیستم‌های زمان‌بندی پویا و اجرای تولید را که توسط برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، تصمیم‌گیری مبتنی بر داده و شبکه‌های حسگر بی‌سیم روباتیک توسعه یافته‌اند، بررسی کند.

کلید واژه ها:

اینترنت اشیاء تولیدی ; برنامه ریزی فرآیند هوشمند به کمک یادگیری عمیق ؛ شبکه حسگر بی سیم رباتیک ; مدیریت داده های بزرگ جغرافیایی ؛ الگوریتم یادگیری ماشین ; صنعت 4.0

1. مقدمه

هدف از بررسی سیستماتیک ما بررسی ادبیات اخیر منتشر شده در مورد اینترنت اشیاء تولیدی (IoMT) و ادغام بینش هایی است که در مورد برنامه ریزی فرآیند هوشمند با کمک یادگیری عمیق، شبکه های حسگر بی سیم روباتیک و الگوریتم های مدیریت داده های بزرگ جغرافیایی پیکربندی می کند. نظارت بر عملکرد، بازرسی و کنترل بی‌درنگ سیستم‌های صنعتی مبتنی بر IoMT [ 1 ، 2 ، 3 ، 4 ، 5 ، 6 ، 7 ، 8 ، 9 ] به حسگرها، دستگاه‌ها و محرک‌های هوشمند نیاز دارد [ 10 ، 11 ، 12 ، 13 ،14 ، 15 ، 16 ، 17 ، 18 ] از نظر بهینه سازی ساخت از طریق الگوریتم های مدیریت داده های بزرگ جغرافیایی. مقاله ما با بررسی جدیدترین (2018-2022) و منابع مرتبط (Web of Science، Scopus و ProQuest)، تلاش کرده است ثابت کند که هدف IoMT بهبود عملیات، تدارکات و تولید در فروشگاه است [ 19 ، 20 ، 21 ، 22 ، 23 ، 24 ، 25 ، 26 ، 27 ، 28 ]، کاهش خرابی دستگاه و خرابی سیستم، و بهینه سازی داده ها و کیفیت محصول [ 29, 30 , 31 , 32 , 33 , 34 , 35 , 36 , 37 , 38] از طریق الگوریتم های مدیریت داده های بزرگ جغرافیایی. واقعیت و تازگی مطالعه ما با پرداختن به رابطه بین برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، شبکه‌های حسگر بی‌سیم روباتیک و الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی پیکربندی می‌شود. سهم متمایز ما با نشان دادن این است که چگونه IoMT برنامه‌ریزی تولید کارخانه و پیش‌بینی عملکرد، تولید کلان داده و شبکه‌های حسگر را ادغام می‌کند که منجر به اتصال منطقه‌ای بهینه می‌شود. شباهت‌ها با ادبیات منتشر شده قبلی شامل تجزیه و تحلیل سیستم‌های لجستیک تولید دارای IoMT و طبقات فروشگاه‌های تولید دیجیتال با استفاده از تجزیه و تحلیل داده‌های بزرگ و فرآیندهای تعمیر و نگهداری پیش‌بینی‌شده است، در حالی که تفاوت‌ها شامل ادغام ما از برنامه‌ریزی فرآیند هوشمند با کمک یادگیری عمیق، شبکه‌های حسگر بی‌سیم روباتیک است. و الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی در لجستیک، برنامه‌ریزی و زمان‌بندی تولید بلادرنگ مبتنی بر IoMT از نظر تحلیل دینامیک سیستم، اندازه‌گیری عملکرد سیستم تولید و مدیریت چرخه عمر محصول. دستگاه‌های حسگر مبتنی بر IoMT، جریان‌های داده تولیدی در مقیاس بزرگ تولید می‌کنند. مشکل تحقیق این است که آیا سیستم‌های تولید هوشمند به جریان‌های منسجم در سیستم‌های اطلاعات سازمانی نیاز دارند.39 ، 40 ، 41 ، 42 ، 43 ، 44 ، 45 ، 46 ، 47 ، 48 ]، فرآیندهای کسب و کار [ 49 ، 50 ، 51 ، 52 ، 53 ، 54 ، 55 ، 56 ، داده های بزرگ، و کلان داده ها ساخت [ 58 , 59 , 60 , 61 , 62 , 63 , 64 , 65 , 66، 67 ] با دقت از طریق شبکه های حسگر بی سیم روباتیک. سیستم های برنامه ریزی و اجرای منابع به جمع آوری داده های حسگر نیاز دارند [ 68 ، 69 ، 70 ، 71 ، 72 ، 73 ، 74 ، 75 ، 76 ، 77 ] ، پشتیبانی از تصمیم گیری [ 78 ، 79 ، 80 ، 88 ، 3 ، 8 ، 85 ، 86] و الگوریتم های یادگیری ماشین. در این بررسی، یافته‌های قبلی ادغام شده‌اند که نشان می‌دهد کارخانه‌های تولید هوشمند از تجزیه و تحلیل داده‌های بزرگ برای استقرار داده‌های تولید استفاده می‌کنند [ 87 ، 88 ، 89 ، 90 ، 91 ، 92 ، 93 ، 94 ، 95 ، 96 ]، و قابلیت تنظیم فرآیند عملیاتی را بهینه می‌کند. . عملکرد عملیاتی طبقه مغازه قابل نظارت است [ 97 , 98 , 99 , 100 , 101 , 102 , 103 , 104 , 105, 106 , 107 , 108 ] با پایش شاخص های عملیاتی و تصحیح خطاهای سیستم. شکاف های شناسایی شده باعث می شود که چگونه سیستم های اطلاعات سازمانی در IoMT قابلیت همکاری بین ماشین های تولیدی و منابع [ 109 , 110 , 111 , 112 , 113 , 114 , 115 , 116 ] را از طریق مدیریت تولید بلادرنگ، فرآیند برنامه ریزی و داده ها بر حسب شرایط فراهم می کند. ، شبکه های حسگر و الگوریتم های مدیریتی.
هدف اصلی ما این است که نشان دهیم IoMT داده های بزرگ جغرافیایی را در مدیریت چرخه عمر محصول یکپارچه می کند. داده‌های تولید بلادرنگ منابع و خدمات لجستیک بی‌سیم روباتیک را می‌توان به‌طور دقیق جمع‌آوری، به اشتراک گذاشت، و یکپارچه کرد [ 117 ، 118 ، 119 ، 120 ، 121 ، 122 ، 123 ، 124 ، 125 ] از طریق برنامه‌ریزی عمیق به کمک فرآیندهای هوشمند. این بررسی سیستماتیک با توضیح اینکه فناوری‌های حسگر پیشرفته درک داده‌ها و قابلیت کنترل سیستم را در سراسر طبقات مغازه تشدید می‌کنند به ادبیات IoMT کمک می‌کند [ 126 , 127 ,128 ، 129 ، 130 ، 131 ، 132 ، 133 ] از طریق برنامه ریزی فرآیند هوشمند به کمک یادگیری عمیق. این تحقیق تلاش می‌کند روشن کند که آیا وظایف تولیدی می‌توانند به روشی بر اساس تقاضا با ارزیابی عملکرد زمان واقعی در سراسر مدیریت و نظارت بر فرآیندهای تولید و خدمات لجستیک انجام شوند یا خیر. مشارکت ما با جمع‌آوری یافته‌های تحقیقاتی است که نشان می‌دهد تولید هوشمند، تصمیم‌گیری مبتنی بر داده‌های بزرگ و عملیات منسجم را در سطح فروشگاه و قابلیت ردیابی زنجیره تامین تسهیل می‌کند [ 134 ، 135 ، 136 ، 137 ، 138 ، 139 ،140 , 141 , 142 , 143 , 144 , 145 , 146 , 147 , 148 , 149 ] بر روی اطلاعات بلادرنگ با استفاده از شبکه های حسگر بی سیم روباتیک توسعه یافته است. پیامدهای کلیدی این بررسی سیستماتیک مربوط به بهینه‌سازی لجستیک تولید فرآیندهای پیچیده و سیستم‌های پشتیبانی تصمیم در سراسر طبقات فروشگاه مبتنی بر IoMT از طریق خدمات تولید هوشمند مبتنی بر داده‌های زمان واقعی، زمان‌بندی تولید و تجزیه و تحلیل عملکرد است.
این مقاله به صورت زیر سازماندهی شده است: یک مرور نظری از مفاهیم اصلی ( بخش 2 )، روش شناسی ( بخش 3 )، برنامه ریزی فرآیند هوشمند به کمک یادگیری عمیق در IoMT ( بخش 4 )، شبکه های حسگر بی سیم روباتیک در IoMT ( بخش 5 )، الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی در IoMT ( بخش 6 )، بحث ( بخش 7 )، خلاصه نتایج تحقیقات اصلی ( بخش 8 )، نتیجه‌گیری ( بخش 9 )، و محدودیت‌ها، مفاهیم، ​​و جهت‌گیری‌های بیشتر تحقیق ( بخش 10 ).

2. بررسی اجمالی نظری مفاهیم اصلی

تجهیزات و فرآیندهای تولید مبتنی بر صنعت 4.0 به فناوری‌های هوشمند نیاز دارند. ماشین‌های شبکه‌شده برای انجام عملیات تولیدی [ 1 ، 2 ، 3 ، 4 ، 5 ، 6 ، 7 ، 8 ، 9 ، 10 ، 11 ، 12 ] با استفاده از الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی مستقر می‌شوند. جمع آوری، سنجش، پردازش، ذخیره، تجزیه و تحلیل و یکپارچه سازی کلان داده [ 13 ، 14 ، 15 ، 16 ، 17 ، 18 ، 19 ،20 ، 21 ، 22 ] فرآیند تولید و عملکرد را بهبود می بخشد. خدمات تولید هوشمند مبتنی بر داده می تواند استفاده از منابع را بهینه کرده و بهره وری را افزایش دهد. زمان‌بندی پویا و سیستم‌های اجرای تولید، استفاده از داده‌ها و ابزارهای بلادرنگ برای بهبود عملکرد [ 23 ، 24 ، 25 ، 26 ، 27 ، 28 ، 29 ، 30 ، 31 ، 32 ، 33 ، 34] در یک محیط تولید کلان داده، افزایش پیچیدگی فرآیند، انجام برنامه ریزی فرآیند یکپارچه ، تصمیم گیری مبتنی بر داده و زمان بندی عملیاتی [ 35 ، 36 ، 37 ، 38 ، 39 ، 40 ، 41 ، 42 ، 43 ، 44 ، 45 46 ، 47 ] در یک طبقه مغازه انعطاف پذیر. تولید هوشمند و سیستم‌های اتوماسیون با دیجیتالی‌سازی تولید در ارتباط هستند [ 48 ، 49 ، 50 ، 51 ، 52 ، 53 ،54 ، 55 ، 56 ، 57 ، 58 ، 59 ]، بهینه سازی حجم داده های موجود برای افزایش خروجی با استفاده از تصمیم گیری مبتنی بر داده در سراسر شبکه های حسگر بی سیم روباتیک. سیستم‌های تولید هوشمند نیازمند تجزیه و تحلیل فرآیند تولید داده در مدیریت چرخه عمر هستند _ _ _ _ _ _ _ _ _ _ _ _ _] با استفاده از تعمیر و نگهداری پیش بینی. عملیات تولید هوشمند، بهبود فرآیند تولید را ادغام می کند [ 74 ، 75 ، 76 ، 77 ، 78 ، 79 ، 80 ، 81 ، 82 ، 83 ، 84 ، 85 ، 86 ، 87 ، 88 ] و مدیریت داده های مکانیکی، ارزیابی عملکرد و توزیع مکانی بزرگ و پیکربندی منابع تولید سنسورهای هوشمند به برنامه ریزی تولید و زمان بندی توسعه یافته در یادگیری عمیق و شبکه های حسگر بی سیم روباتیک با تولید داده های بزرگ کمک می کنند [ 89 ], 90 , 91 , 92 , 93 , 94 , 95 , 96 , 97 ] با توجه به وضعیت تولید پویا و مدل سازی پیش بینی. دستگاه‌های حسگر می‌توانند داده‌های تولید بلادرنگ را در سراسر فروشگاه انتقال دهند _ _ _ _ _ _ _ _ _ _ _ _]، کمک به شناسایی نواقص عملیاتی با استفاده از سیستم های پشتیبانی تصمیم. تصمیم گیری سازمانی [ 110 , 111 , 112 , 113 , 114 , 115 , 116 , 117 , 118 , 119 , 120 , 121 , 122 ] نیازمند ابزارهای داده کاوی و پشتیبانی تصمیم است. معماری و عملکرد سیستم‌های تولید فیزیکی-سایبری (CPPS) می‌تواند بهبود سیستم تولید را از طریق مدل‌سازی زمینه و داده‌ها تقویت کند [ 123 ، 124 ، 125 ، 126 ،127 , 128 , 129 , 130 , 131 , 132 , 133 , 134 , 135 , 136 ] علاوه بر حسگرها، دستگاه های هوشمند و دارایی های کارخانه. داده‌های تولید از طریق فناوری‌های کلان داده جمع‌آوری، ذخیره، پردازش و بازرسی می‌شوند [ 137 ، 138 ، 139 ، 140 ، 141 ، 142 ، 143 ، 144 ، 145 ، 146 ، 147 ، 149 .] و برنامه ریزی فرآیند هوشمند به کمک یادگیری عمیق.

3. روش شناسی

یک مرور سیستماتیک از ادبیات اخیر منتشر شده در اینترنت اشیاء تولیدی انجام شد که بر روی برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، شبکه‌های حسگر بی‌سیم روباتیک و الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی با استفاده از موارد گزارش ترجیحی برای بررسی‌های سیستماتیک و متاآنالیز (PRISMA) انجام شد. ) دستورالعمل ها فقط مقالات تحقیقی و مروری اصلی منتشر شده در رسانه‌های علمی نمایه‌شده در جمع‌آوری‌کننده‌هایی مانند ProQuest، Scopus، و Web of Science بین سال‌های 2018 و 2022 مورد تجزیه و تحلیل قرار گرفتند. مجموعه مقالات کنفرانس، کتابها و مطالب سرمقاله، علاوه بر محتوایی که به زبانهای دیگری غیر از انگلیسی نوشته شده بود، در نظر گرفته نشد. نیازی به تایید اخلاق سازمانی نبود زیرا فقط مقالات علمی در دسترس عموم استخراج و تجزیه و تحلیل شدند. یک برنامه براق برای نمودار جریان PRISMA به کار گرفته شد تا داده‌های جمع‌آوری‌شده و مدیریت‌شده مبتنی بر شواهد را از نظر شناسایی، غربالگری، واجد شرایط بودن و گنجاندن تشکیل دهد. مشکلات و چالش‌های عمده شامل شناسایی همبستگی‌های قوی میان موضوعات مورد بازرسی، اما تمرکز بر جدیدترین و مرتبط‌ترین منابع و به کارگیری ابزارهای غربالگری و ارزیابی کیفیت مانند ابزار ارزیابی برای مطالعات مقطعی (برای ارزیابی کیفیت تحقیقات مقطعی) بود. Dedoose (برای بازرسی تحقیق با روش‌های کیفی و ترکیبی)، Distiller SR (برای غربالگری و استخراج داده‌ها)، ابزار ارزیابی روش ترکیبی (برای تعیین کیفیت مقالات علمی منتخب) و مخزن داده‌های مرور سیستماتیک (برای جمع‌آوری داده‌ها) ، پردازش و تجزیه و تحلیل)، ما نتایج اصلی مربوط به IoMT را ادغام کردیم. و شمول. مشکلات و چالش‌های عمده شامل شناسایی همبستگی‌های قوی میان موضوعات مورد بازرسی، اما تمرکز بر جدیدترین و مرتبط‌ترین منابع و به کارگیری ابزارهای غربالگری و ارزیابی کیفیت مانند ابزار ارزیابی برای مطالعات مقطعی (برای ارزیابی کیفیت تحقیقات مقطعی) بود. Dedoose (برای بازرسی تحقیق با روش‌های کیفی و ترکیبی)، Distiller SR (برای غربالگری و استخراج داده‌ها)، ابزار ارزیابی روش ترکیبی (برای تعیین کیفیت مقالات علمی منتخب) و مخزن داده‌های مرور سیستماتیک (برای جمع‌آوری داده‌ها) ، پردازش و تجزیه و تحلیل)، ما نتایج اصلی مربوط به IoMT را ادغام کردیم. و شمول. مشکلات و چالش‌های عمده شامل شناسایی همبستگی‌های قوی میان موضوعات مورد بازرسی، اما تمرکز بر جدیدترین و مرتبط‌ترین منابع و به کارگیری ابزارهای غربالگری و ارزیابی کیفیت مانند ابزار ارزیابی برای مطالعات مقطعی (برای ارزیابی کیفیت تحقیقات مقطعی) بود. Dedoose (برای بازرسی تحقیق با روش‌های کیفی و ترکیبی)، Distiller SR (برای غربالگری و استخراج داده‌ها)، ابزار ارزیابی روش ترکیبی (برای تعیین کیفیت مقالات علمی منتخب) و مخزن داده‌های مرور سیستماتیک (برای جمع‌آوری داده‌ها) ، پردازش و تجزیه و تحلیل)، ما نتایج اصلی مربوط به IoMT را ادغام کردیم.شکل 1 ).
در سراسر اکتبر 2021 و ژانویه 2022، مروری بر ادبیات کمی از تجمیع‌کننده‌هایی مانند ProQuest، Scopus، و Web of Science با عبارات جستجو شامل «برنامه‌ریزی فرآیند هوشمند با کمک یادگیری عمیق + IoMT»، «شبکه‌های حسگر بی‌سیم روباتیک +» انجام شد. IoMT» و «الگوریتم های مدیریت داده های بزرگ جغرافیایی + IoMT». از آنجایی که تحقیق تحلیل شده بین سال های 2018 و 2022 منتشر شد، تنها 346 منبع معیارهای واجد شرایط بودن را برآورده کردند. یافته‌های غیردقیق، نتایجی که با تکرار اثبات نشده بودند، و محتوایی که عناوین کاملاً مشابه یا خیلی کلی داشتند حذف شدند و بنابراین 140 مقاله، عمدتاً تجربی، انتخاب شدند ( جدول 1 و جدول 2 ).

4. برنامه ریزی فرآیند هوشمند به کمک یادگیری عمیق در اینترنت اشیاء تولیدی

فناوری‌های IoMT از فرآیندها و داده‌ها، پیکربندی شاخص‌های عملکرد تولید و سیستم‌های برنامه‌ریزی، و وضعیت و عملیات ماشین استفاده می‌کنند [ 16 ، 17 ، 18] برای تعیین ناهنجاری های تولید در زیرساخت های مدیریتی. بنابراین، سیستم‌های اطلاعات سازمانی، قابلیت همکاری بین ماشین‌های تولیدی و منابع را از طریق مدیریت تولید، زمان‌بندی و داده‌ها در زمان واقعی امکان‌پذیر می‌سازد. ماشین‌های هوشمند شبکه‌های حسگر و مدیریت داده‌ها را برای نظارت بر اختلالات تولید و قابلیت لجستیک با تعیین وضعیت تولید بلادرنگ از طریق برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، ادغام می‌کنند. دستگاه‌های حسگر می‌توانند داده‌های تولید بلادرنگ را در سرتاسر فروشگاه منتقل کنند و با استفاده از سیستم‌های پشتیبانی تصمیم به شناسایی نقص‌های عملیاتی کمک کنند. سیستم های کنترل ساخت نیازمند مدیریت و برنامه ریزی، فرآیندهای قوی و تجهیزات مناسب است که در برنامه ریزی تولید، کنترل کیفیت و ارزیابی تعیین کننده است. وظایف تولیدی را می توان با ارزیابی عملکرد به موقع در سراسر مدیریت و نظارت بر فرآیندهای تولید و خدمات لجستیک به صورت درخواستی انجام داد. اینترنت صنعتی اشیا (IIoT) زمان تولید را کاهش می دهد و تولید و تدارکات را در سطح فروشگاه افزایش می دهد [1 ، 2 ، 3 ، 4 ] از طریق الگوریتم های یادگیری ماشین و برنامه ریزی فرآیند هوشمند به کمک یادگیری عمیق. سیستم های تولید هوشمند به وضعیت تولید و منابع برای تعیین خرابی تجهیزات، منابع محاسباتی و برنامه های تولید نیاز دارند. خدمات تولید هوشمند مبتنی بر داده می تواند استفاده از منابع را بهینه کرده و بهره وری را افزایش دهد.
Industry 4.0 شامل دیجیتالی شدن فرآیند، تولید مبتنی بر داده های بزرگ، و شبکه های عملیاتی، پیکربندی ایجاد ارزش است. IoMT داده ها را در مدیریت چرخه عمر محصول یکپارچه می کند و می تواند دقت تشخیصی در سطح سیستم، برنامه ریزی تعمیر و نگهداری و استحکام عملیاتی را در محیط های صنعتی افزایش دهد [ 19 ، 20 ، 21 ، 22 ، 23 .] با تجزیه و تحلیل داده های شرطی. داده های تولید در زمان واقعی می تواند تصمیم گیری تولید را در کارخانه های هوشمند شکل دهد و مدیریت کیفیت را بهینه کند. نگهداری پیش‌بینی‌کننده و برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق به سیستم‌های تصمیم‌گیری توزیع شده در تشخیص عیب ماشین‌آلات و زمان‌بندی تولید پویا کمک می‌کند. جمع آوری، سنجش، پردازش، ذخیره سازی، تجزیه و تحلیل و یکپارچه سازی کلان داده ها، فرآیند تولید و عملکرد را بهبود می بخشد. برنامه‌ریزی زمان‌بندی تولید و مدیریت طبقه فروشگاه با قابلیت IoMT [ 24 ، 25 ، 26 ، 27] توسعه و تولید پایدار را شکل می دهد. اقتصاد دایره‌ای می‌تواند پایداری بلندمدت سیستم‌های صنعتی مبتنی بر داده‌های بزرگ را تضمین کند، زیرا اختلالات عرضه می‌تواند منجر به نوسان قیمت کالاها، افزایش غیرقابل کنترل قیمت‌ها و گلوگاه‌های تولید شود. CPPS ها را می توان در تولید هوشمند با توجه به محصولات و خدمات سفارشی شده با استفاده از برنامه ریزی فرآیند هوشمند به کمک یادگیری عمیق به کار برد. سنجش در جمع‌آوری داده‌های بی‌درنگ و دقیق در عملیات‌ها و محیط‌های تولید هوشمند [ 28 ، 29 ، 30 ]، تصمیم‌گیری تطبیقی ​​را در هنگام بروز اختلالات با استفاده از پارامترهای عملیاتی برنامه‌ریزی‌شده و در نتیجه عملکرد تولید بهبود می‌بخشد.
تولید هوشمند مبتنی بر داده به طور قابل توجهی به طبقه مغازه ها کمک می کند [ 31 ، 32]، بهینه سازی های مرتبط را در بازده تولید و عملکرد اقلام ساخته شده بیشتر می کند. تجزیه و تحلیل داده ها می تواند هشدارهای اولیه در مورد نقص کیفیت و تشخیص سریع علل اصلی ارائه دهد. داده های عملیاتی طراحی شده برای نظارت بر کیفیت ساخت و قابلیت ردیابی نقص اقلام در طول تولید از طریق تجزیه و تحلیل داده های بزرگ به دست می آیند. کارخانه‌های تولید هوشمند از تجزیه و تحلیل داده‌های بزرگ برای استقرار داده‌های تولید، بهینه‌سازی قابلیت تنظیم فرآیندهای عملیاتی استفاده می‌کنند. داده‌های تولید از طریق فناوری‌های کلان داده و برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق جمع‌آوری، ذخیره، مدیریت و بازرسی می‌شوند. برنامه های کاربردی مبتنی بر داده های بزرگ طراحی و برنامه ریزی هوشمند، اشتراک گذاری و ردیابی موارد، نظارت بر فرآیند تولید، نظارت بر کیفیت و تعمیر و نگهداری ماشین هوشمند را تسهیل می کنند.4 ، 5 ، 6 ، 7] از طریق تعمیر و نگهداری پیش‌بینی‌کننده، و بنابراین شبکه‌های ماشین مجازی می‌توانند بهینه‌سازی و مدیریت تولید در مقیاس بزرگ را هدف قرار دهند. IoMT و رایانش ابری می‌توانند شبکه‌های ماشین مجازی را پیکربندی کنند و عملکرد تصمیم‌گیری تولید را با استفاده از ادغام فیزیکی-سایبری طبقات فروشگاه‌ها افزایش دهند. سنجش پیشرفته جریان های داده مربوطه را در سراسر IoMT منتقل می کند که تجهیزات را در CPPS ها به هم متصل می کند و داده های بزرگ را تولید می کند، حسگرهای ناهمگن را برای نظارت بی وقفه بر شرایط ماشین اعمال می کند، مدیریت و برنامه ریزی عملیات تولید را بهبود می بخشد. فناوری‌های حسگر پیشرفته از طریق برنامه‌ریزی فرآیند هوشمند با کمک یادگیری عمیق، درک داده‌ها و قابلیت کنترل سیستم را در سراسر طبقات مغازه تشدید می‌کنند.
محیط کارخانه بلادرنگ مبتنی بر IoMT، وضعیت ماشین‌ها، سیستم‌های تولید انعطاف‌پذیر و عملکرد پردازش را برای مدیریت زمان‌بندی عملیاتی و ارتقای وظایف تولید مطابق با وضعیت ماشین، بهبود برنامه‌ریزی، اجرا و نظارت کارخانه یکپارچه می‌کند. شرکت‌های تولیدی می‌توانند انسجام زمان‌بندی بلادرنگ را بهینه کنند [ 8 ، 9 ، 10 ، 11 ] و تأثیر رویدادهای استثنایی را کاهش دهند. فناوری های IoMT فرآیندهای تولید سبز و پایدار را در کل چرخه عمر محصول یکپارچه می کند. با توسعه سریع و کاربردهای گسترده فناوری های داده محور در طبقات مغازه ها [ 33 ، 34 ، 35]، حجم عظیمی از ورودی بلادرنگ تولید می شود که استثناهای غیرقابل پیش بینی را زیر نظر دارد. بنابراین، زمان‌بندی پویا و سیستم‌های اجرای تولید، استفاده از داده‌ها و ابزارهای بلادرنگ برای بهبود عملکرد در یک مجموعه داده‌های بزرگ تولید، افزایش پیچیدگی فرآیند، انجام برنامه‌ریزی فرآیند یکپارچه، تصمیم‌گیری مبتنی بر داده، و زمان‌بندی عملیاتی در یک فروشگاه انعطاف‌پذیر. کف. سیستم های برنامه ریزی و اجرای منابع به جمع آوری داده های حسگر، پشتیبانی از تصمیم گیری و الگوریتم های یادگیری ماشین نیاز دارند. معماری و عملکرد CPPS می‌تواند از طریق مدل‌سازی زمینه و داده‌ها، علاوه بر حسگرها، دستگاه‌های هوشمند و دارایی‌های کارخانه، بهبود سیستم تولید را تقویت کند. سیستم‌های متن‌آگاه تولید مبتنی بر داده‌های بزرگ، وظایف تولید، مدیریت داده‌های فروشگاه، اشتراک‌گذاری، ذخیره‌سازی و تصمیم‌گیری را یکپارچه می‌کنند.
در طول فرآیند تولید، دستگاه‌های IoMT برای توسعه پایدار منابع تولیدی و شرکت‌ها مورد استفاده قرار می‌گیرند [ 36 ، 37 ، 38 ، 39 ، 40 ، 41 ، 42 ]. در طبقه فروشگاه دارای IoMT، داده‌های تولید تاریخی و ورودی شرایط بلادرنگ می‌توانند بی‌عیب بودن پیش‌بینی پایین و عملیات تعمیم رضایت‌بخش را بهبود بخشند. تولید داده‌های بلادرنگ مبتنی بر IoMT و بهینه‌سازی دینامیکی مبتنی بر داده‌های بزرگ، لجستیک پایدار و سبز را ادغام می‌کنند [ 12 ، 13 ، 14 ، 15]، همراه با سنجش، پردازش، تجسم و منابع عملیاتی و خدمات. سیستم‌های تولید خودکار پیشرفته در طبقات مغازه‌ها برای ارتقای تولید هوشمند استفاده می‌شوند. در کارخانه‌های سفارشی، پیش‌بینی دقیق پیشرفت تولید به بهبود پویای فرآیند تولید و تحویل سریع سفارش کمک می‌کند. مدیریت، زمان‌بندی و توزیع بهینه منابع و خدمات لجستیکی نیازمند اکتساب بلادرنگ داده از نظر بازخورد، کنترل و پردازش است. داده‌های تولید بی‌درنگ در شرکت‌های تولیدی هوشمند برای شناسایی ناهنجاری‌های غیرمنتظره کف مغازه استفاده می‌شوند و بنابراین منابع قابل ردیابی هستند. داده‌های تولید بلادرنگ منابع و خدمات لجستیک را می‌توان با دقت جمع‌آوری، به اشتراک گذاشت و از طریق برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق جمع‌آوری کرد.جدول 3 ).

5. شبکه های حسگر بی سیم رباتیک در اینترنت اشیاء تولیدی

حسگرهای هوشمند به تولید هوشمند مبتنی بر IoMT در عملکرد تولید و عملیات لجستیک و فرآیندهای ماشینکاری کمک می کنند [ 43 ، 44 ، 45 ، 46 ، 47 ، 48] با استفاده از حجم عظیمی از داده های تولید شده توسط دستگاه های متصل به هم. سیستم‌های تولید و اتوماسیون هوشمند با دیجیتالی‌سازی تولید، بهینه‌سازی حجم داده‌های در دسترس برای افزایش خروجی با استفاده از تصمیم‌گیری مبتنی بر داده در سراسر شبکه‌های حسگر بی‌سیم روباتیک مرتبط هستند. سیستم‌های تولید هوشمند به جریان‌های منسجم در سیستم‌های اطلاعات سازمانی، فرآیندهای تجاری و تصمیم‌گیری مبتنی بر داده‌های بزرگ به‌طور دقیق از طریق شبکه‌های حسگر بی‌سیم روباتیک نیاز دارند. سیستم‌های داده سازمانی از نظر اشتراک دانش و نوآوری، عملیات مستقل، یکپارچه‌سازی یکپارچه، بهینه‌سازی پویا، هوش تجاری، خلق ارزش و ارزش‌های پایدار در تولید هوشمند نقشی اساسی دارند. داده‌های فرآیند تولید و سیستم‌های اجرایی، دیجیتالی‌سازی خدمات و تجهیزات تولید را ادغام می‌کنند. مدیریت داده های سازمانی و برنامه ریزی منابع، نظارت و بازرسی ورودی فرآیند برای کنترل کیفیت. بهینه سازی فرآیند و کارایی، عملکرد عملیاتی را با توجه به بهره وری و رشد پایدار پیکربندی مجدد می کند. سیستم های خدمات مبتنی بر CPPS طراحی و مدیریت جریان داده را در تولید صنعتی و تدارکات یکپارچه می کنند. CPPS ابزارهای محاسباتی پیشگامانه را ادغام می کند [49 ، 50 ، 51 ، 52 ]، تسهیل شبکه بلادرنگ بین طبقات فروشگاه و سیستم های پشتیبانی تصمیم از نظر رویه های زمان بندی و برنامه ریزی تولید.
عملکرد سیستم‌های IoMT مستلزم استفاده از تجزیه و تحلیل لبه، دستگاه‌های متصل هوشمند، و منابع محاسباتی مشترک [ 53 ، 54 ، 55 ، 56 ، 57 ] برای ارائه تصمیم‌گیری در زمان واقعی است. فرآیندهای عملیاتی غیرمتمرکز و بلادرنگ به تصمیم گیری تولید پویا و پیش بینی بازار کمک می کنند [ 62 ، 63]، شبکه‌های تجاری مبتنی بر داده‌های بزرگ را در سطح فروشگاه گسترش می‌دهد. تصمیم گیری سازمانی به ابزارهای داده کاوی و سیستم های پشتیبانی تصمیم نیاز دارد. سیستم‌های مدیریت اطلاعات تولید مبتنی بر IoMT می‌توانند زمان‌بندی طبقه فروشگاه را بهینه کنند. IoMT یکپارچه سازی دستگاه های فیزیکی و سیستم های مجازی در کارخانه های هوشمند، پیکربندی تولید متصل در محیط های دیجیتال و شبکه های حسگر بی سیم روباتیک را امکان پذیر می کند. خدمات نظارت و زمان‌بندی در سیستم‌های ماشینکاری و تولید پایدار با استفاده از شبکه‌های حسگر بی‌سیم روباتیک بسیار مهم هستند. شبکه های حسگر مبتنی بر IoMT، تولید و کنترل کیفیت را در سراسر زنجیره تولید یکپارچه می کنند و مجموعه داده های عظیمی را پردازش می کنند. تولید هوشمند در رابطه با پایداری، انعطاف پذیری و شبکه سازی بسیار مفید است: شناسایی و توزیع خدمات می تواند عملکرد تولید بر اساس تقاضا را برای برآورده ساختن نیازهای تولید شخصی فراهم کند. برنامه ریزی تولید پیش بینی شده با استقرار کلان داده ها عملکرد منابع را در تولید افزایش می دهد [58 ، 59 ، 60 ، 61 ]، به شرکت ها در پیکربندی مزیت های رقابتی کمک می کند. نظارت بر فرآیند مراحل چرخه عمر محصول، پیکربندی بهینه و تجمیع خود سازماندهی منابع چند سطحی را برای وظایف، شبکه ها و خدمات تولیدی امکان پذیر می کند.
الگوریتم‌های هوشمند و مدل‌های پیش‌بینی، عملیات تولید را از طریق تجزیه و تحلیل داده‌های بزرگ [ 68 ، 69 ، 70 ] بهبود می‌بخشند که تخصیص هوشمند مواد، ردیابی محصول، نگهداری پیش‌بینی‌کننده و مدیریت عملکرد را تسهیل می‌کند. الزامات ساخت و عملیات تجهیزات را می توان به سرعت در سراسر یک سیستم تولید انعطاف پذیر پیکربندی کرد [ 31 , 64]، و بنابراین ابزارهای نظارت و ارزیابی باید به طور هماهنگ در سطح فروشگاه تطبیق داده و اجرا شوند. ناهنجاری های تولید را می توان از طریق استخراج الگوهای مشخصه و تمایل به موقعیت های غیرعادی در سری های زمانی پیش بینی کرد. عملیات سیستم‌های تولیدی و شبکه‌های حسگر بی‌سیم روباتیک بر اساس رفتار تجهیزات و دستگاه‌های تحت شبکه شکل می‌گیرد. حسگرها در ماشین‌های تولیدی برای تشخیص داده‌های ناهمگن از طریق تشخیص و پیش‌بینی خطا یکپارچه شده‌اند. تجزیه و تحلیل داده های بزرگ می تواند داده های چند منبعی و عظیم را با افزایش قابلیت تنظیم، دقت و کاهش زمان محاسبات در شبکه های حسگر بی سیم روباتیک مدیریت کند. عملکرد عملیاتی طبقه فروشگاه را می توان با نظارت بر شاخص های عملیاتی و تصحیح خطاهای سیستم کنترل کرد. IIoT می تواند بر عملیات در طبقه فروشگاه نظارت کند [65 ، 66 ، 67 ] و هماهنگی تنظیمات واقعی و مجازی. جمع‌آوری، پردازش، و بازرسی داده‌های طبقه فروشگاه زمانی چالش برانگیز است که سیستم تحت شرایط نوسانی (به عنوان مثال، تغییرات در تقاضا، خرابی تجهیزات، به تعویق انداختن، یا پیکربندی مجدد کارخانه) کار می‌کند. داده‌های شرکت‌های تولیدی با ورودی‌های سفارشات و برنامه‌های عملیاتی ترکیب می‌شوند. داده های بلادرنگ می توانند روشن کنند که کدام تجهیزات نیاز به سرویس، بازیابی یا جایگزینی دارد.
CPPSهای دیجیتالی مبتنی بر دوقلو در کارخانه‌های مجازی می‌توانند از زوال عملکرد و خرابی تجهیزات سیستم تولید در عملیات فیزیکی کارخانه جلوگیری کنند و در نتیجه فرآیندهای عملیاتی، نظارت بلادرنگ و برنامه‌ریزی تولید را بهبود ببخشند. بهره وری عملیات کارخانه تولیدی را می توان با نظارت زمان واقعی اکتساب داده ها و برنامه ریزی فرآیند تولید، کاهش کیفیت نامطلوب محصول، موقعیت های غیرعادی و خرابی تجهیزات به دست آورد. عملیات CPPS مبتنی بر دوقلو دیجیتال و فناوری‌های مبتنی بر IIoT، سیستم‌های تولید شبکه‌ای را از نظر برنامه‌ریزی و زمان‌بندی تولید پیشرفته، پردازش داده‌ها و کنترل دستگاه پیکربندی می‌کنند. CPPS داده‌های تولیدی را در زمان واقعی جمع‌آوری می‌کند و با ماژول‌های محاسباتی در عملیات تولید کارخانه هوشمند شبکه‌سازی می‌کند [ 78 ،79 ، 80 ، 81 ] با استفاده از نقشه برداری دیجیتالی و مجازی. ادغام فیزیکی سایبری خدمات تولید دوقلو و داده محور دیجیتال در کارخانه دیجیتال [ 71 ، 72 ، 73 ، 74] تولید هوشمند و ترکیب داده ها را بهینه کنید. دوقلو دیجیتال به ترکیب فیزیکی-سایبری داده‌های بزرگ تولید هوشمند از نظر نگهداری پیش‌بینی‌کننده و برنامه‌ریزی و طراحی تولید کمک می‌کند. ترکیب دوقلوهای دیجیتال و کلان داده ها می تواند مراحل مختلف چرخه عمر محصول را هماهنگ کند، توالی توسعه و ارزیابی محصول را کاهش دهد، بهبود برنامه ریزی تولید و تنظیم زمان واقعی فرآیند تولید را از طریق شبکه های حسگر بی سیم روباتیک تسهیل کند. نظارت و ارتقای بی‌درنگ فرآیندهای تولید، طراحی نوآورانه محصول و چرخه عمر، و قابلیت ردیابی کیفیت، فرآیند تولید هوشمند را در شبکه‌های حسگر بی‌سیم روباتیک بهینه و بهبود می‌بخشد. دوقلو دیجیتال چرخه توسعه محصول را کاهش می دهد، عملکرد تولید را افزایش می دهد و دقت، انسجام و کیفیت را تضمین می کند. دوقلوی دیجیتال مدل‌سازی سیستم فیزیکی، تصمیم‌گیری الگوریتمی و شبیه‌سازی فضای سایبری را برای پیکربندی طرح‌های دیجیتال عملیات تولید به هم پیوند می‌دهد. دوقلو دیجیتال می تواند به توزیع و ادغام داده ها بین مراحل ناهمگن چرخه عمر محصول دست یابد.75 ، 76 ، 77 ]، افزایش گستره استقرار داده های تولیدی، و جلوگیری از تکرار و هدر رفتن. دوقلو دیجیتال از نظر تجسم و ارزیابی نتیجه مناسب است، به وابستگی متقابل و بازسازی پویا بین برنامه‌ریزی تولید و اجرا کمک می‌کند و در عین حال پیش‌بینی خطا، تشخیص عملیاتی و تعمیر و نگهداری پیش‌بینی‌کننده دیجیتالی را افزایش می‌دهد. همراه با تجزیه و تحلیل دقیق و عملکرد پیش‌بینی تجزیه و تحلیل داده‌های بزرگ، تولید هوشمند دیجیتال مبتنی بر دوقلو به طور فزاینده‌ای پاسخگو و حدس‌آمیز است و مدیریت تولید را ارتقا می‌دهد.
کارخانه‌های هوشمند مبتنی بر صنعت 4.0 به تولید، جمع‌آوری، استخراج، ارزیابی و یکپارچه‌سازی داده‌های ماشینی در سیستم‌های تولیدی متصل با استفاده از تکنیک‌های تجسم، اتوماسیون فرآیند، برنامه‌ریزی و نظارت و الگوریتم‌های یادگیری ماشین نیاز دارند و دیجیتالی شدن عملکرد کارخانه را افزایش می‌دهند. فن‌آوری‌های اتوماسیون می‌توانند بهره‌وری را در سراسر سیستم‌های تولید مبتنی بر صنعت 4.0 بهینه کنند، که منجر به یکپارچه‌سازی و توزیع داده‌ها کارآمد و سریع در شبکه‌های حسگر بی‌سیم روباتیک می‌شود. برنامه ریزی تولید و زمان بندی توسعه یافته بر اساس داده های تولید بلادرنگ [ 82 ، 83 ، 84 ، 85] می‌تواند توزیع وظایف، منابع و فرآیندهای عملیاتی و مدیریت طبقه فروشگاه با قابلیت IoMT را از طریق ماشین‌های سنجش بهبود بخشد. IoMT می تواند به سرعت و به صورت پویا برنامه ریزی را تطبیق دهد [ 89 , 90 , 91 , 92] برای برآوردن نیازهای سیال در طول اجرای تولید. دستگاه‌های حسگر مبتنی بر IoMT، جریان‌های داده تولیدی در مقیاس بزرگ تولید می‌کنند. سنسورهای هوشمند به برنامه‌ریزی و زمان‌بندی تولید که در یادگیری عمیق و شبکه‌های حسگر بی‌سیم روباتیک توسعه یافته‌اند، با تولید داده‌های بزرگ با توجه به وضعیت تولید پویا و مدل‌سازی پیش‌بینی‌کننده کمک می‌کنند. شاخص های عملکرد عملیاتی می توانند CPPS های به هم پیوسته را ارزیابی، ردیابی و تقویت کنند. ارزیابی عملکرد عملیاتی فرآیندهای ارزش آفرینی را در سیستم های تولید دیجیتالی شده بیان می کند. عملکردهای بهینه‌سازی عملکرد در مدیریت، برنامه‌ریزی و نظارت بر عملیات مؤثر هستند [ 86 ، 87 ، 88] در طول چرخه عمر کارخانه تولید در محیط های تولید مشترک. سیستم‌های تولید هوشمند نیاز به تجزیه و تحلیل فرآیند تولید داده در مدیریت چرخه عمر با استفاده از نگهداری پیش‌بینی دارند.
فناوری‌های Industry 4.0 در به اشتراک‌گذاری داده‌ها، افزایش عملکرد تصمیم‌گیری با نظارت و بازرسی ورودی‌های جمع‌آوری‌شده در سراسر محیط تولید، ابزاری هستند. IoMT در نظارت بر عملیات تولید قوی و جمع آوری داده های زمان واقعی [ 93 ، 94 ، 95 ، 96 ] در برنامه ریزی لجستیک تولید، تعیین کننده است. IoMT مدیریت از راه دور برنامه ریزی و برنامه ریزی تولید را تسهیل می کند [ 101 , 102 , 103]، عملیات زنجیره تامین، ذخیره سازی جمع آوری داده ها و نگهداری پیش بینی. در برنامه‌ریزی و عملیات بی‌درنگ طبقه فروشگاه با IoMT، اختلالاتی مانند خرابی ماشین نیاز به کنترل زمان‌بندی بهینه، ابزارهای ماشینی، فناوری‌های سنجش و چرخه توسعه محصول در سراسر شبکه‌های حسگر بی‌سیم روباتیک دارد. یک طبقه فروشگاهی تولید پایدار تجهیزات تولید توزیع شده و هوشمند را در محیط IoMT یکپارچه می کند [ 97 , 98 , 99 , 100] با استفاده از زمان‌بندی و پردازش داده‌ها، الگوریتم بهینه‌سازی و منابع عملیاتی. عملیات، مدیریت و فرآیندهای تحویل زنجیره تامین تولید نیازمند ردیابی محصول، تعمیر و نگهداری، لجستیک و دقت موجودی محصولات و ماشین‌های هوشمند است. زمان‌بندی و نظارت بر سیستم‌های کارخانه، تولید، تجهیزات و مدیریت محصول را یکپارچه می‌کند. سیستم‌های کنترل توزیع‌شده بر اساس الگوریتم‌های بهینه‌سازی زمان‌بندی پویا و داده‌های تولید طبقه فروشگاه، ردیابی مدیریت وظایف و فرآیندهای تولید توسعه می‌یابند. تولید هوشمند، تصمیم‌گیری مبتنی بر داده‌های بزرگ و عملیات منسجم را در سطح فروشگاه و قابلیت ردیابی زنجیره تامین که بر روی اطلاعات بلادرنگ با استفاده از شبکه‌های حسگر بی‌سیم روباتیک توسعه یافته است، تسهیل می‌کند ( جدول 4) .).

6. الگوریتم های مدیریت داده های بزرگ جغرافیایی در اینترنت اشیاء تولیدی

محیط IoMT می‌تواند داده‌های بلادرنگ را در مورد تولید کف مغازه از طریق الگوریتم‌های زمان‌بندی و نظارت بر فرآیند [ 104 ، 105 ، 106 ، 107 ] جمع‌آوری کند تا رویدادهای غیرعادی را شناسایی کند تا به کارایی تولید بهینه برسد. IoMT سنجش مقیاس بزرگ، به اشتراک گذاری سیال و تجزیه و تحلیل داده ها را در زمان واقعی انجام می دهد که منجر به بهبود کارایی تولید می شود. عملکرد بلادرنگ و قابلیت پیش بینی در مدیریت تولید به برنامه ریزی تولید، اجرا، مدیریت و کنترل فرآیند مربوط می شود. در نتیجه نیروهای زیربنایی و غیرقابل پیش بینی بودن محیط پردازش، طبقات مغازه ها ممکن است دچار اختلالات پیش بینی نشده در سیستم های تولید شوند. عملیات تولید قابل پیش بینی، مدیریت و قابل تنظیم [108 ، 109 ، 110 ، 111] به تخصیص منابع قوی، اجرای کار منسجم و پشتیبانی مستمر در تصمیم گیری نیاز دارند. عملیات تولید هوشمند، بهبود فرآیند تولید و الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی، ارزیابی عملکرد، و توزیع و پیکربندی منابع تولید را با استفاده از داده‌های عملکرد و شبیه‌سازی ماشین، پیش‌بینی کیفیت و تشخیص خطا، ادغام می‌کند، در نتیجه زمان خرابی دستگاه و خرابی تجهیزات را کاهش می‌دهد. نظارت بر عملکرد، بازرسی و کنترل بی‌درنگ سیستم‌های صنعتی مبتنی بر IoMT، حسگرها، دستگاه‌ها و محرک‌های هوشمند را از نظر بهینه‌سازی تولید از طریق الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی ضروری می‌کند. مدیریت بصری زمان واقعی کارخانه توسعه یافته در IoMT، تصمیم گیری تولید و یکپارچه سازی داده های حسگر را یکپارچه می کند. اتوماسیون کارخانه به طراحی دیجیتال محصول، اشتراک گذاری و ادغام داده ها، جمع آوری و توزیع داده ها در زمان واقعی، عملیات به هم پیوسته و مبتنی بر داده های بزرگ، مدل سازی فرآیند دیجیتال، و چرخه عمر محصول، نگهداری و خدمات نیاز دارد. فرآیند تولید را می‌توان مطابق با داده‌های شبیه‌سازی و تولید بلادرنگ، همراه با داده‌های ساخت تاریخی، ارزیابی، افزایش و پیش‌بینی کرد. برای مثال، مدیریت دیجیتالی کارخانه‌های دوقلو، رفتار ماشین‌کاری یکپارچه و به هم پیوسته را در عملیات تولیدی شناسایی، بازرسی، نظارت و بهینه‌سازی می‌کند. جذب و تقویت فرآیندهای کسب و کار، ماشین ابزار، سیستم های اطلاعاتی و منابع کارخانه [ مدل‌سازی فرآیند دیجیتال و چرخه عمر محصول، تعمیر و نگهداری و خدمات. فرآیند تولید را می‌توان مطابق با داده‌های شبیه‌سازی و تولید بلادرنگ، همراه با داده‌های ساخت تاریخی، ارزیابی، افزایش و پیش‌بینی کرد. برای مثال، مدیریت دیجیتالی کارخانه‌های دوقلو، رفتار ماشین‌کاری یکپارچه و به هم پیوسته را در عملیات تولیدی شناسایی، بازرسی، نظارت و بهینه‌سازی می‌کند. جذب و تقویت فرآیندهای کسب و کار، ماشین ابزار، سیستم های اطلاعاتی و منابع کارخانه [ مدل‌سازی فرآیند دیجیتال و چرخه عمر محصول، تعمیر و نگهداری و خدمات. فرآیند تولید را می‌توان مطابق با داده‌های شبیه‌سازی و تولید بلادرنگ، همراه با داده‌های ساخت تاریخی، ارزیابی، افزایش و پیش‌بینی کرد. برای مثال، مدیریت دیجیتالی کارخانه‌های دوقلو، رفتار ماشین‌کاری یکپارچه و به هم پیوسته را در عملیات تولیدی شناسایی، بازرسی، نظارت و بهینه‌سازی می‌کند. جذب و تقویت فرآیندهای کسب و کار، ماشین ابزار، سیستم های اطلاعاتی و منابع کارخانه [ رفتار ماشینکاری یکپارچه و به هم پیوسته را در عملیات تولیدی بازرسی، نظارت و بهینه سازی می کند. جذب و تقویت فرآیندهای کسب و کار، ماشین ابزار، سیستم های اطلاعاتی و منابع کارخانه [ رفتار ماشینکاری یکپارچه و به هم پیوسته را در عملیات تولیدی بازرسی، نظارت و بهینه سازی می کند. جذب و تقویت فرآیندهای کسب و کار، ماشین ابزار، سیستم های اطلاعاتی و منابع کارخانه [112 ، 113 ، 114 ] می تواند در طول طراحی محصول، تعمیر و نگهداری و داده های خطا، ساخت، کنترل فرآیند ماشینکاری پویا و خدمات، هم افزایی را انجام دهد. جمع‌آوری بی‌درنگ داده‌های تولید، مدیریت و بهینه‌سازی فرآیند تولید در برنامه‌ریزی و کنترل تولید مبتنی بر داده‌های بزرگ و برنامه‌ریزی منابع بسیار مهم هستند.
پیکربندی مجدد منابع تولید مبتنی بر صنعت 4.0 منجر به اتصال نامحدود و جمع آوری داده های بلادرنگ از طریق شبکه های مشترک و IoMT، نظارت بر تقاضای سفارش و اختلالات غیرعادی می شود. تجهیزات و فرآیندهای تولید مبتنی بر صنعت 4.0 به فناوری‌های هوشمند نیاز دارند. سیستم‌های تولید قابل پیکربندی مجدد مبتنی بر CPPS را می‌توان بر روی ماژول‌ها یا توابع پیشرفته بهینه‌سازی و ادغام کرد و نظارت بیشتر بر عملیات تولید را از طریق IoMT تسهیل کرد تا ارزیابی شرایط مبتنی بر مدل و تشخیص سوگیری را بهبود بخشد و وظایف تولید پویا را انجام دهد. کارخانه‌های هوشمند بر روی CPPS و سیستم‌های تولید یکپارچه مبتنی بر داده‌های بزرگ با استفاده از داده‌های ناهمگن، شبکه‌های حسگر، مدیریت فرآیند کسب‌وکار و تصمیم‌گیری غیرمتمرکز توسعه می‌یابند.121 ، 122 ، 123 ، 124 ] در سراسر زنجیره ارزش محصول. شبکه های لجستیک کف فروشگاهی با برنامه ریزی و کنترل تولید هوشمند در طول فرآیند تولید [ 115 , 116 , 117 , 118 , 119 , 120 .] برای دستیابی به عملیات یکپارچه. تولید هوشمند می تواند یک تولید پایدار خدمات محور را برای طبقات مغازه ها عرضه کند. توزیع نمونه خدمات تولید هوشمند از منابع تولید غیرفعال جلوگیری می کند و توزیع گسترده و استقرار بر اساس تقاضا عملکرد عملیاتی را امکان پذیر می کند. سنجش، مدل‌سازی و ارزیابی داده‌ها می‌تواند رویدادهایی را پیش‌بینی کند که برای کاهش خطر عدم قطعیت با استفاده از الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی نظارت می‌شوند. داده‌های مربوط به تولید، نظارت بر منابع و نگهداری پیش‌بینی‌کننده به شناسایی استثناهای تولید و اطمینان از اجرای وظایف استاندارد از طریق الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی کمک می‌کنند.
فناوری‌های صنعت 4.0 با افزایش دیجیتالی‌سازی و اتوماسیون، بر زنجیره‌های تأمین تأثیر می‌گذارند. فناوری‌های CPPS کارخانه‌ها را قادر می‌سازد تا قابلیت ردیابی و نظارت بر تولید را برای افزایش کیفیت و بازده حفظ کنند [ 125 , 126 , 127]، در حالی که اختلالات تولید را می توان به سرعت شناسایی و رفع کرد. داده‌های تولید بی‌درنگ و ناهمگن می‌توانند پشتیبانی دقیقی را در طول تصمیم‌گیری لجستیک تولید ارائه دهند. وضعیت بی‌درنگ تجهیزات و دستگاه‌های شبکه‌شده را می‌توان توسط سیستم‌های تولید عملیاتی و الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی شناسایی و ردیابی کرد. الگوریتم‌های هوشمند و تجزیه و تحلیل پیش‌بینی‌کننده، مدیریت تولید، تصمیم‌گیری، و طبقه فروشگاه تولیدی را از نظر تخصیص منابع، داده‌های تولید و اجرای تصمیم ارتقا می‌دهند. فناوری‌های CPPS و تجزیه و تحلیل پیش‌بینی‌کننده، درک فعال و اشتراک‌گذاری دقیق داده‌های تولید را در مورد وضعیت ماشین و محیط تولید پویا تسهیل می‌کنند. دستگاه های سنجش هوشمند، پشتیبانی تصمیم گیری قوی، الگوریتم های پیش بینی، و تجزیه و تحلیل داده های بزرگ به سیستم های اطلاعات سازمانی در بهبود منابع تولید، تعمیر و نگهداری ماشین، توانایی های محاسباتی، کارایی تولید، برنامه ریزی پیشرفته و تنظیم برنامه لجستیک کمک می کند. تولید هوشمند با استفاده از الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی، داده‌های بلادرنگ را با توجه به زمان‌بندی تولید و تصمیم‌گیری‌ها پردازش می‌کند. در یک کارخانه دارای CPPS، وضعیت تولید را می توان به سرعت ردیابی و حس کرد، و نوسانات و استثناهای تولید را می توان به موقع شناسایی کرد. برای مدیریت تغییرات و اختلالات دائمی، گیاهان می توانند از فناوری های پیشرفته CPPS در مدیریت تولید استفاده کنند. تولید هوشمند با استفاده از الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی، داده‌های بلادرنگ را با توجه به زمان‌بندی تولید و تصمیم‌گیری‌ها پردازش می‌کند. در یک کارخانه دارای CPPS، وضعیت تولید را می توان به سرعت ردیابی و حس کرد، و نوسانات و استثناهای تولید را می توان به موقع شناسایی کرد. برای مدیریت تغییرات و اختلالات دائمی، گیاهان می توانند از فناوری های پیشرفته CPPS در مدیریت تولید استفاده کنند. تولید هوشمند با استفاده از الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی، داده‌های بلادرنگ را با توجه به زمان‌بندی تولید و تصمیم‌گیری‌ها پردازش می‌کند. در یک کارخانه دارای CPPS، وضعیت تولید را می توان به سرعت ردیابی و حس کرد، و نوسانات و استثناهای تولید را می توان به موقع شناسایی کرد. برای مدیریت تغییرات و اختلالات دائمی، گیاهان می توانند از فناوری های پیشرفته CPPS در مدیریت تولید استفاده کنند.128 ، 129 ، 130 ] برای حفظ قابلیت ردیابی و نظارت بر تولید درجه یک در سطح فروشگاه از طریق داده‌ها و عملیات ماشین‌های تولید بهینه. صافی تولید کف فروشگاه و عملکرد از نظر پیش‌بینی دقیق، شبیه‌سازی و بررسی خروجی تصمیم تولید در سیستم‌های مستقل پویا را امکان‌پذیر می‌سازد.
فناوری‌های IoMT یکپارچه‌سازی در مقیاس بزرگ عملیات فیزیکی و داده‌های تولید را در یک فروشگاه از طریق جمع‌آوری بی‌درنگ اطلاعات و شبکه تجهیزات صاف انجام می‌دهند [ 131 ، 132 ، 133 ، 134 ، 135 .]، افزایش بهره وری گیاه. فناوری‌های IoMT ادراک سیال، بهبود تطبیقی، و مدیریت زمان واقعی فرآیندهای تولید، نظارت بر رویدادهای غیرعادی و بار کاری حیاتی ماشین را از طریق الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی یکپارچه می‌کنند. هدف IoMT بهبود عملیات، تدارکات و تولید، کاهش خرابی دستگاه و خرابی سیستم، و بهینه‌سازی داده‌ها و کیفیت محصول از طریق الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی است. داده های به دست آمده را می توان برای تصمیم گیری بهینه در مورد فرآیندهای تولید، کاهش زمان خرابی و هزینه های تعمیر و نگهداری با نظارت بر رفتارهای غیر منتظره مورد استفاده قرار داد. سیستم‌های تولیدی و شرکت‌ها برای جلوگیری از خرابی تجهیزات، رویدادهای پویا و برنامه‌ریزی فرآیند را در طبقات انعطاف‌پذیر مغازه نظارت می‌کنند. الگوریتم های یادگیری ماشینی می توانند از کنترل رفتاری پشتیبانی کنند، ادراک، نگهداری محصول، تجزیه و تحلیل و تصمیم گیری هوشمندانه. تولید هوشمند نیاز به برنامه ریزی تولید و مدیریت چرخه حیات، مدیریت کارخانه و لجستیک انبار دارد که هدف آن توسعه پایدار است. تبدیل دیجیتال و محاسبات در کارخانه‌های صنعتی مستلزم این است که اجزای خط تولید با برنامه‌های کاربردی سازمانی شبکه شوند [136 ، 137 ، 138 ]، برای جمع آوری و تجزیه و تحلیل داده های خط تولید بلادرنگ در سراسر مراحل تولید. تجزیه و تحلیل داده های عملیات تولیدی در مقیاس بزرگ می تواند ارزش های تجاری قابل توجهی را به دست آورد.
در نتیجه مشکلات در مدیریت حجم زیادی از داده‌های جمع‌آوری‌شده، محیط ناهمگونی، و تغییرات آنی در IoMT [ 32 ، 139 ، 140 ]، یک پلت فرم تولید محور داده‌محور می‌تواند خدمات تولید و نظارت بر فرآیند را ارائه کند، و پیکربندی پیوسته را بیان کند. از خدمات داده های سنجش را می توان از ماشین های شبکه IoMT در مقیاس بزرگ استفاده کرد [ 141 ، 142 ، 143] برای پیشبرد ابزارهای پیشرفته برای تشخیص، پیش آگهی، و ارتقاء سیستم های تولید هوشمند از طریق پردازش اطلاعات ماشین، کنترل تجهیزات تطبیقی، جمع آوری داده ها در زمان واقعی، مدل سازی شبکه، سیستم های نگهداری پیش بینی و نظارت بر وضعیت. تقاضای فزاینده برای بازخورد سریع به سفارشات مشتریان نیاز به یکسان سازی برنامه ریزی، برنامه ریزی کارگاه های انعطاف پذیر و نظارت در سیستم های تولید انعطاف پذیر از طریق الگوریتم های بهینه سازی، آگاهی از زمینه و نگهداری آنی در تولید هوشمند دارد. ماشین‌های شبکه‌ای برای انجام عملیات تولید با استفاده از الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی مستقر می‌شوند. قابلیت همکاری بین ماشین های شبکه ای ممکن است به صورت پویا بیان شود تا قابلیت تنظیم برای کارهای سفارشی افزایش یابد.
با بیان CPPS، داده های IoMT شامل اطلاعات قابل توجهی است که باید از ماشین های به هم پیوسته استخراج و پردازش شوند [ 31 ، 32 ] با استفاده از عملیات شبکه ای و چرخه عمر اقلام ساخته شده در سراسر زنجیره تامین. IoMT و داده‌های بزرگ با استفاده از پردازش، مدل‌سازی و شبیه‌سازی منجر به پیکربندی شبکه‌های متصل فیزیکی-سایبری سیستم‌های تولید می‌شوند . کارخانه های صنعتی به تدریج در IoMT برای نظارت بر فرآیند، ارتقاء عملیات، تشخیص عیب و نظارت بر تولید سرمایه گذاری کرده اند. داده های مربوط به فرآیندهای خاص باید به طور منسجم شناسایی و بازیابی شوند تا به تجزیه و تحلیل تولید کمک کنند. شبکه های سنجش IoMT را می توان مستقر و جذب کرد [147 ، 148 ، 149] برای تولید بیشتر مبتنی بر داده. IoMT و رایانش ابری جمع آوری، ذخیره سازی و پردازش داده های ارزان قیمت و قابل تنظیم را در طول چرخه عمر داده های تولید فراهم می کنند. تولید هوشمند بر اساس پیشرفت‌های مبتنی بر داده توسعه می‌یابد تا سطوح بالاتری از خودگردانی و بهینه‌سازی طبقات مغازه را از طریق شبکه‌های ماشین مجازی و الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی انجام دهد. مقدار داده های به دست آمده در طول زنجیره ارزش تولید و چرخه عمر اقلام تولیدی به طور قابل توجهی در حال افزایش است. داده ها می توانند نظارت و بهینه سازی کیفیت محصول را فعال کنند. به اشتراک گذاری داده ها در حفظ شبکه در سیستم های تولیدی و منابع توزیع شده از طریق الگوریتم های مدیریت داده های بزرگ جغرافیایی تعیین کننده است.جدول 5 ).

7. بحث

ارتباط برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، شبکه‌های حسگر بی‌سیم روباتیک، و الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی در رابطه با IoMT تا حد زیادی با مقالات قبلی مطابقت دارد و دلایل بیشتری را ارائه می‌دهد، به عنوان مثال، [ 1 , 2 ، 3 ، 4 ، 5 ، 6 ، 7 ، 8 ، 9 ، 10 ، 11 ]، روشن می کند که محیط کارخانه بیدرنگ مبتنی بر IoMT وضعیت ماشین ها، سیستم های تولید انعطاف پذیر و عملکرد پردازش را یکپارچه می کند [ 12 ، 13 ، 14 ،15 ، 16 ، 17 ، 18 ، 19 ، 20 ، 21 ] برای رسیدگی به برنامه ریزی عملیاتی و بهبود وظایف تولید در [ 22 ، 23 ، 24 ، 25 ، 26 ، 27 ، 28 ، 29 ، 1 ، 3 ، مطابق با وضعیت دستگاه، بهبود برنامه ریزی، اجرا و نظارت کارخانه. سیستم‌های مدیریت اطلاعات تولید مبتنی بر IoMT می‌توانند زمان‌بندی طبقه فروشگاه را بهینه کنند. داده‌های تولید بلادرنگ می‌توانند تصمیم‌گیری تولید را شکل دهند [ 33, 34 , 35 , 36 , 37 , 38 , 39 , 40 , 41 , 42 , 43 , 44 , 45 ] در سراسر کارخانه های هوشمند، بهینه سازی مدیریت کیفیت.
نتایج این بررسی سیستماتیک از تحقیقات تجربی [ 46 ، 47 ، 48 ، 49 ، 50 ، 51 ، 52 ، 53 ، 54 ، 55 ، 56 ، 57 ، 58 ] مشتق شده است که سیستم های یکپارچه سازی فرآیند تولید را یکپارچه می کند و داده های تولید را یکپارچه می کند. خدمات و تجهیزات، مدیریت داده های سازمانی و برنامه ریزی منابع [ 59 ، 60 ، 61 ، 62 ، 63 ، 64 ، 65, 66 , 67 , 68 ]، نظارت و بازرسی ورودی فرآیند برای کنترل کیفیت. ماشین‌های هوشمند شبکه‌های حسگر و مدیریت داده‌ها را برای نظارت بر اختلالات تولید و قابلیت لجستیک [ 69 ، 70 ، 71 ، 72 ، 73 ، 74 ، 75 ، 76 ، 77 ، 78 ] با تعیین وضعیت تولید در زمان واقعی با استفاده از یادگیری عمیق ادغام می‌کنند. برنامه ریزی فرآیند هوشمند تولید هوشمند با استفاده از الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی، داده‌های بلادرنگ را با توجه به زمان‌بندی تولید و تصمیم‌گیری‌ها پردازش می‌کند.
مطالعات در حال توسعه [ 79 ، 80 ، 81 ، 82 ، 83 ، 84 ، 85 ، 86 ، 87 ، 88 ، 89 ، 90 ، 91 ] ادعا می کنند که برنامه های کاربردی مبتنی بر داده های بزرگ طراحی و برنامه ریزی هوشمند، به اشتراک گذاری مطالب را تسهیل می کنند. و ردیابی، نظارت بر فرآیند تولید، نظارت بر کیفیت و تعمیر و نگهداری ماشین هوشمند. IoMT سنجش در مقیاس بزرگ، به اشتراک گذاری سیال و تجزیه و تحلیل داده ها را در زمان واقعی انجام می دهد [ 92 ، 93 ، 94 ، 95 ،96 ، 97 ، 98 ، 99 ، 100 ، 101 ، 102 ، 103 ، 104 ، 105 ، 106 ، 107 ، 108 ]، منجر به بهبود راندمان تولید می شود. سیستم های کنترل ساخت نیازمند مدیریت و برنامه ریزی، فرآیندهای قوی و تجهیزات مناسب است [ 109 ، 110 ، 111 ، 112 ، 113 ، 114 ، 115 ، 116 ، 117] که در برنامه ریزی تولید، کنترل کیفیت و ارزیابی تعیین کننده هستند.
برخی مطالعات تجربی [ 118 ، 119 ، 120 ، 121 ، 122 ، 123 ، 124 ، 125 ، 126 ، 127 ، 128 ، 129 ، 130 ] به طور سیستماتیک نشان می دهد که فناوری ها در صنعت 1 ، 3، 1، 3، 1، 3، 1 ، 3، 1، 1، 1، 1، 1، 1، 1، 1، 1، 1 ، 1، 1، 1، 1 ، 4 ، ابزاری هستند . 135 ، 136 ، 137 ، 138 ]، بهبود عملکرد تصمیم گیری [ 139 ،140 ، 141 ، 142 ، 143 ، 144 ، 145 ، 146 ، 147 ، 148 ، 149 ] با نظارت و بازرسی ورودی جمع آوری شده در سراسر محیط تولید. سیستم‌های تولید خودکار پیشرفته و فن‌آوری‌های اتوماسیون شناختی [ 150 ، 151 ، 152 ، 153 ، 154 ] در طبقات فروشگاه‌ها استفاده می‌شوند [ 155 ، 156 ، 157 ، 158 ، 159 ، 160 ، 16 .] برای ارتقای تولید هوشمند. ارزیابی عملکرد عملیاتی [ 162 ، 163 ، 164 ، 165 ، 166 ، 167 ] فرآیندهای ارزش آفرینی [ 168 ، 169 ، 170 ، 171 ، 172 ] را در سیستم های تولید دیجیتالی بیان می کند. IoMT تولید هوشمند پایدار را با استفاده از الگوریتم‌های پیش‌بینی مبتنی بر داده، فناوری‌های حسگر مبتنی بر یادگیری عمیق و تجزیه و تحلیل داده‌های مکانی بزرگ بیان می‌کند [ 173 ، 174 ، 175 ، 176 ، 177 ، 178 .].

8. خلاصه نتایج اصلی تحقیق

فن آوری های IoMT فرآیندهای تولید سبز و پایدار [ 1 ، 2 ، 3 ، 4 ، 5 ، 6 ، 7 ، 8 ، 9 ، 10 ، 11 ، 12 ، 13 ] را در کل چرخه عمر محصول یکپارچه می کند. عملیات سیستم های تولید و شبکه های حسگر بی سیم روباتیک [ 14 ، 15 ، 16 ، 17 ، 18 ، 19 ، 20 ، 21 ، 22] بر اساس رفتار تجهیزات و دستگاه های شبکه شکل می گیرند. CPPS ها را می توان در تولید هوشمند با توجه به محصولات و خدمات سفارشی شده [ 23 ، 24 ، 25 ، 26 ، 27 ، 28 ، 29 ، 30 ، 31 ، 32 ، 33 ، 34 ] با استفاده از برنامه ریزی هوشمند به کمک یادگیری عمیق به کار برد. برنامه ریزی و نظارت بلادرنگ سیستم های کارخانه [ 35 ، 36 ، 37 ، 38 ، 39 ، 40 ، 41 ، 42, 43 , 44 , 45 , 46 ] تولید، تجهیزات و مدیریت محصول را یکپارچه می کند. مدیریت، زمان‌بندی و توزیع بهینه منابع و خدمات لجستیک [ 47 ، 48 ، 49 ، 50 ، 51 ، 52 ، 53 ، 54 ، 55 ، 56 ، 57 ، 58 ] نیازمند اکتساب بلادرنگ داده از نظر بازخورد، کنترل است. ، و پردازش. تجزیه و تحلیل داده های عملیات تولیدی در مقیاس بزرگ [ 59 ، 60 ، 61 ،62 ، 63 ، 64 ، 65 ، 66 ، 67 ، 68 ، 69 ، 70 ، 71 ] می توانند ارزش های تجاری قابل توجهی را به دست آورند. داده های عملیاتی طراحی شده برای نظارت بر کیفیت ساخت و قابلیت ردیابی نقص اقلام در طول تولید به دست می آید [ 72 ، 73 ، 74 ، 75 ، 76 ، 77 ، 78 ، 79 ، 80 ، 81 ، 82 ، 83 ، 84 ، 85 .، 86 ، 87 ، 88 ] از طریق تجزیه و تحلیل داده های بزرگ. صنعت 4.0 شامل دیجیتالی سازی فرآیند، تولید مبتنی بر داده های بزرگ و شبکه های عملیاتی است [ 89 ، 90 ، 91 ، 92 ، 93 ، 94 ، 95 ، 96 ، 97 ، 98 ، 99 ، 100 ، ایجاد ارزش، 10 . جمع‌آوری داده‌های تولید، مدیریت و بهینه‌سازی فرآیند تولید در زمان واقعی [ 103 ، 104 ، 105 ،106 , 107 , 108 , 109 , 110 , 111 , 112 , 113 , 114 ] در برنامه ریزی و کنترل تولید و زمان بندی منابع مبتنی بر داده های بزرگ نقش اساسی دارند. فناوری‌های اتوماسیون می‌توانند بهره‌وری را در سیستم‌های تولید مبتنی بر صنعت 4.0 بهینه کنند [ 115 ، 116 ، 117 ، 118 ، 119 ، 120 ، 121 ، 122 ، 123 .]، منجر به ادغام و توزیع کارآمد و سریع داده ها در سراسر شبکه های حسگر بی سیم روباتیک می شود. سیستم‌های تولید هوشمند به وضعیت و منابع تولید نیاز دارند [ 124 , 125 , 126 , 127 , 128 , 129 , 130 , 131 , 132 , 133 , 134 , 135 , 136. برای تعیین زمان‌بندی خرابی تجهیزات و منابع محاسباتی. بهینه سازی فرآیند و کارایی عملکرد عملیاتی را دوباره پیکربندی می کند [ 137 , 138 , 139 , 140, 141 , 142 , 143 , 144 , 145 , 146 , 147 , 148 , 149 ] در رابطه با بهره وری و رشد پایدار.

9. نتیجه گیری

تحقیقات مهمی تجزیه و تحلیل کرده است که چگونه تولید هوشمند و سیستم‌های اتوماسیون با دیجیتالی‌سازی تولید مرتبط هستند. معماری و عملکرد CPPS ها می تواند بهبود سیستم تولید را از طریق مدل سازی زمینه و داده ها تقویت کند. دستگاه‌های حسگر می‌توانند داده‌های تولیدی را در زمان واقعی در سراسر فروشگاه منتقل کنند. خدمات تولید هوشمند مبتنی بر داده و فناوری‌های کلان داده، برنامه‌ریزی عملیاتی، توزیع و پیکربندی منابع تولید و نگهداری پیش‌بینی‌کننده را در یک طبقه فروشگاهی انعطاف‌پذیر یکپارچه می‌کنند و با استفاده از سیستم‌های پشتیبانی تصمیم، کاستی‌های عملیاتی را شناسایی می‌کنند. این مرور متون سیستماتیک شواهد مرتبط منتشر شده را در مورد تجهیزات و فرآیندهای تولید مبتنی بر صنعت 4.0 با کمک ابزارهای داده کاوی و سیستم های پشتیبانی تصمیم بررسی می کند. ما نشان می‌دهیم که چگونه ماشین‌های شبکه‌شده برای انجام عملیات تولیدی، بهینه‌سازی حجم داده‌های موجود برای افزایش خروجی با استفاده از تصمیم‌گیری مبتنی بر داده در سراسر شبکه‌های حسگر بی‌سیم روباتیک، مستقر می‌شوند. ما توضیح می‌دهیم که زمان‌بندی واحد صنعتی و پردازش داده‌های آنی می‌تواند منجر به بهینه‌سازی پویا با قابلیت IoMT از نظر نظارت بر وضعیت ابزار، تشخیص ناهنجاری در زمان واقعی، برنامه‌ریزی تولید مبتنی بر رویداد، تعمیر و نگهداری پیش‌بینی‌کننده و عملکرد عملیاتی شود. در نتیجه، سیستم‌های تولید غیرمتمرکز و داده‌های سازمانی مبتنی بر CPPS می‌توانند تجسم داده‌های بزرگ، نظارت بر رویدادهای غیرعادی، برنامه‌ریزی و مدیریت چرخه عمر محصول، تولید صنعتی و لجستیک، و خدمات محصول مبتنی بر داده‌های بزرگ را در شرکت‌های مجازی مبتنی بر IoMT پیکربندی مجدد کنند. یافته‌های به‌دست‌آمده از کاوش‌های فوق روشن می‌کند که حسگرهای هوشمند به برنامه‌ریزی و زمان‌بندی تولید کمک می‌کنند، الگوریتم‌های مدیریت داده‌های بزرگ جغرافیایی فرآیند تولید و عملکرد عملیات تولید هوشمند را با استفاده از داده‌ها و ابزارهای بلادرنگ بهبود می‌بخشند، و بهبود فرآیند تولید و عملکرد را بهبود می‌بخشند. ارزیابی نیاز به تجزیه و تحلیل فرآیند تولید داده در سراسر مدیریت چرخه عمر با استفاده از فناوری های هوشمند و داده های تولیدی دارد. مفاهیم آکادمیک این مطالعه عمدتاً شامل نیاز به تحقیقات پیشرفته در مورد بهینه‌سازی فرآیند مبتنی بر داده‌های بزرگ سیستم‌های نظارت بلادرنگ مبتنی بر IoMT، خدمات اطلاعات آگاه از زمینه و برنامه‌ریزی تولید پیش‌بینی‌کننده است. پیامدهای عملی برای سیستم‌های تولید فیزیکی سایبری برای ادغام تصمیم‌های اجرایی تولید پیشرفته خواهد بود.

10. محدودیت ها، پیامدها و جهت گیری های بیشتر تحقیق

به عنوان محدودیت، با تجزیه و تحلیل تنها مقالات تحقیقی و مروری اصلی منتشر شده در رسانه‌های علمی نمایه‌شده در جمع‌آوری‌کننده‌هایی مانند ProQuest، Scopus، و Web of Science بین سال‌های 2018 تا 2022، منابع مهم در اینترنت اشیاء تولید بر روی فرآیند هوشمند به کمک یادگیری عمیق توسعه یافتند. برنامه ریزی، شبکه های حسگر بی سیم روباتیک و الگوریتم های مدیریت داده های بزرگ جغرافیایی ممکن است حذف شده باشند. علاقه بعدی باید به این معطوف شود که چگونه الگوریتم های مدیریت داده های بزرگ جغرافیایی می توانند استفاده از منابع را بهینه کنند و بهره وری را از نظر تصمیم گیری سازمانی افزایش دهند. دامنه بررسی سیستماتیک ما نشان نمی‌دهد که چگونه وضعیت تولید پویا و مدل‌سازی پیش‌بینی‌کننده می‌تواند از جمع‌آوری، سنجش، پردازش، ذخیره‌سازی، تجزیه و تحلیل و ادغام کلان داده در سیستم‌های تولید هوشمند استفاده کند. تحقیقات آینده باید سیستم‌های زمان‌بندی پویا و اجرای تولید را که توسط برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق، تصمیم‌گیری مبتنی بر داده و شبکه‌های حسگر بی‌سیم روباتیک توسعه یافته‌اند، بررسی کند. فن‌آوری‌های نظارت تصویری بیشتری باید برای جمع‌آوری داده‌های بلادرنگ در IoMT در مورد سیستم‌های تولید پیش‌بینی‌کننده و فرآیندهای تعمیر و نگهداری، اتوماسیون سایبری-فیزیکی کارخانه، و روش‌ها و ابزارهای تضمین عملکرد مورد بررسی قرار گیرد و به محصولات و خدمات پیشرفته منجر شود.

منابع

  1. زواریکووا، ک. رولند، ام. شبکه های بی سیم Krulicky، T. Sustainable Industry 4.0، عملکرد کارخانه هوشمند، و اتوماسیون شناختی در تولید مبتنی بر سیستم فیزیکی سایبری. جی. خودگردان مدیریت اقتصاد 2021 ، 9 ، 9-21. [ Google Scholar ] [ CrossRef ]
  2. کونکنی، وی. بارنت، سی. Poliak، M. فن‌آوری‌های سنجش و محاسبات، شبکه‌های خودروی هوشمند، و تصمیم‌گیری الگوریتمی مبتنی بر داده‌های بزرگ در شهرسازی پایدار هوشمند. تحقیر کردن خواندن. جامعه حقوق عدالت 2021 ، 13 ، 30-39. [ Google Scholar ] [ CrossRef ]
  3. Popescu Ljungholm، D.; اوه، ام ال آیا مقررات خودروهای پرنده خودران واقعا جاده ها را آزاد می کند؟ تحرک هوای پایدار هوشمند، پذیرش اجتماعی و نگرانی های ایمنی عمومی. زبانشناس. فیلوس تحقیق کنید. 2020 ، 19 ، 100-106. [ Google Scholar ] [ CrossRef ]
  4. بال دومانسکا، بی. سوبچاک، ای. Stańczyk، E. یک رویکرد چند متغیره برای شناسایی تخصص های هوشمند اولیه خانواده های لهستانی. تعادل QJ Econ. اقتصاد سیاست 2020 ، 15 ، 785–810. [ Google Scholar ] [ CrossRef ]
  5. لارنس، جی. Durana، P. تجزیه و تحلیل داده‌های بزرگ مبتنی بر هوش مصنوعی، سیستم‌های نگهداری پیش‌بینی‌کننده، و لجستیک تولید بلادرنگ مبتنی بر اینترنت اشیا در شبکه‌های بی‌سیم صنعت 4.0 پایدار. جی. خودگردان مدیریت اقتصاد 2021 ، 9 ، 62-75. [ Google Scholar ] [ CrossRef ]
  6. ولز، آر. سولر، پی. Vochozka، M. فناوری‌های بدون راننده شبکه‌ای، الگوریتم‌های خودروی خودمختار، و تجزیه و تحلیل حمل‌ونقل در سیستم‌های هوشمند تحرک شهری. تحقیر کردن خواندن. جامعه حقوق عدالت 2021 ، 13 ، 60-70. [ Google Scholar ] [ CrossRef ]
  7. Mircică، N. بازیابی اعتماد عمومی در عملیات پلت فرم دیجیتال: ساختار الگوریتمی یادگیری ماشین محتوای رسانه های اجتماعی. کشیش تحقیر. فیلوس 2020 ، 19 ، 85-91. [ Google Scholar ] [ CrossRef ]
  8. نیکا، ای. Stehel، V. شبکه‌های سنجش اینترنت اشیا، الگوریتم‌های تصمیم‌گیری مبتنی بر هوش مصنوعی، و نظارت بر فرآیند در زمان واقعی در صنعت پایدار 4.0. جی. خودگردان مدیریت اقتصاد 2021 ، 9 ، 35-47. [ Google Scholar ] [ CrossRef ]
  9. میچل، تی. Krulicky، T. ژئوپلیتیک شهری مبتنی بر داده های بزرگ، شبکه های حسگر به هم پیوسته، و الگوریتم های شناخت فضایی در سیستم های نرم افزاری شهر هوشمند. ژئوپلیت تاریخچه بین المللی مرتبط. 2021 ، 13 ، 9-22. [ Google Scholar ] [ CrossRef ]
  10. Ionescu، L. ابزارهای تجزیه و تحلیل داده های بزرگ و الگوریتم های یادگیری ماشین در سیستم های اطلاعات حسابداری مبتنی بر ابر. مقعدی متافیزیک. 2021 ، 20 ، 102-115. [ Google Scholar ] [ CrossRef ]
  11. اسکوارچیانی، وی. لاپینسکایت، آی. Volskyte، G. اقتصاد دایره ای به عنوان کمک برای توسعه پایدار در کشورهای OECD. اکونومیا کوپرنیک. 2021 ، 12 ، 11-34. [ Google Scholar ] [ CrossRef ]
  12. وید، ک. Vochozka، M. سیستم های اینترنت اشیاء مبتنی بر داده های هوش مصنوعی، شبکه های بی سیم صنعت 4.0 پایدار، و تولید انبوه دیجیتالی در تولید هوشمند سایبری-فیزیکی. جی. خودگردان مدیریت اقتصاد 2021 ، 9 ، 48-60. [ Google Scholar ] [ CrossRef ]
  13. لازارویو، جی. هریسون، الف. زیرساخت‌های سنجش اینترنت اشیا و فناوری‌های برنامه‌ریزی مبتنی بر داده در حکمرانی و مدیریت شهری پایدار. ژئوپلیت تاریخچه بین المللی مرتبط. 2021 ، 13 ، 23-36. [ Google Scholar ] [ CrossRef ]
  14. هاروور، ک. تصمیم گیری الگوریتمی در سازمان ها: داده کاوی شبکه، اندازه گیری و نظارت بر عملکرد کار، و کنترل مدیریتی. روانی اجتماعی مسائل Hum. منبع. مدیریت 2019 ، 7 ، 7–12. [ Google Scholar ] [ CrossRef ]
  15. Matuszewska-Pierzynka، A. رابطه بین عملکرد پایداری شرکت و عملکرد مالی شرکت: شواهد از شرکت های ایالات متحده. تعادل QJ Econ. اقتصاد سیاست 2021 ، 16 ، 885-906. [ Google Scholar ] [ CrossRef ]
  16. وانگ، ایکس. Ong، SK; Nee, AYC یک بررسی جامع از تحقیقات تولید در همه جا. بین المللی J. Prod. Res. 2018 ، 56 ، 604-628. [ Google Scholar ] [ CrossRef ]
  17. وانگ، دبلیو. یانگ، اچ. ژانگ، ی. Xu, J. روش بهینه سازی بهره وری انرژی در زمان واقعی با قابلیت IoT برای شرکت های تولیدی انرژی بر. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2018 ، 31 ، 362-379. [ Google Scholar ] [ CrossRef ]
  18. ژانگ، ی. گوا، ز. Lv، J. لیو، ی. چارچوبی برای سیستم‌های تولید لجستیک هوشمند مبتنی بر CPS و IoT صنعتی. IEEE Trans. Ind. اطلاع رسانی. 2018 ، 14 ، 4019–4032. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. لی، اچ. پالائو، ع. Parlikad, AK یک شبکه اجتماعی از دارایی های صنعتی همکار. Proc. Inst. مکانیک. مهندس قسمت O J. Risk Reliab. 2018 ، 232 ، 389-400. [ Google Scholar ] [ CrossRef ]
  20. مولر، جی.ام. بولیگا، او. Voigt، K.-I. فورچون از افراد آماده شده حمایت می کند: چگونه شرکت های کوچک و متوسط ​​به نوآوری های مدل کسب و کار در صنعت 4.0 برخورد می کنند. تکنولوژی پیش بینی. Soc. چانگ. 2018 ، 132 ، 2-17. [ Google Scholar ] [ CrossRef ]
  21. Ng، CK; وو، CH; یونگ، KL; IP، WH؛ Cheung, T. تحلیل شباهت معنایی اینترنت اشیا. Enterp. Inf. سیستم 2018 ، 12 ، 820-855. [ Google Scholar ] [ CrossRef ]
  22. مجید، ع. Lv، J. پنگ، تی. چارچوبی برای تجزیه و تحلیل فرآیند مبتنی بر داده های بزرگ و بهینه سازی برای تولید افزودنی. نمونه اولیه سریع J. 2019 ، 25 ، 308-321. [ Google Scholar ] [ CrossRef ]
  23. فنگ، جی. لی، اف. خو، سی. Zhong، RY تجزیه و تحلیل مبتنی بر داده برای کارخانه هوشمند مجهز به RFID: مطالعه موردی. IEEE Trans. سیستم مرد سایبرن. سیستم 2020 ، 50 ، 81-88. [ Google Scholar ] [ CrossRef ]
  24. ژانگ، ی. لیو، اس. لیو، ی. یانگ، اچ. لی، ام. Huisingh، D. Wang, L. «اینترنت اشیاء» برنامه‌ریزی بلادرنگ را برای تولید مجدد موتورهای خودرو امکان‌پذیر کرد. جی. پاک. تولید 2018 ، 185 ، 562-575. [ Google Scholar ] [ CrossRef ]
  25. وانگ، اس. وان، جی. عمران، م. لی، دی. Zhang, C. تولید هوشمند مبتنی بر ابر برای برنامه شخصی بسته بندی آب نبات. جی. ابرکامپیوتر. 2018 ، 74 ، 4339-4357. [ Google Scholar ] [ CrossRef ]
  26. شعیب الحسن، س. ماچی، م. پوزتی، آ. Carrasco-Gallego, R. چارچوبی مبتنی بر روتین که کنترل بار کاری را برای رسیدگی به اختلالات مکرر اجرا می کند. تولید طرح. کنترل 2018 ، 29 ، 943-957. [ Google Scholar ] [ CrossRef ]
  27. گوستاد، جی. کریستوفیک، م. بوستامانته، م. بادامی، ک. استراتژی های اقتصاد دایره ای برای کاهش مسائل حیاتی تامین مواد. منبع. حفظ کنید. بازیافت. 2018 ، 135 ، 24-33. [ Google Scholar ] [ CrossRef ]
  28. Grant، E. نوآوری مبتنی بر داده های بزرگ، برنامه ریزی فرآیند هوشمند به کمک یادگیری عمیق، و سیستم های اطلاعاتی تصمیم گیری محصول در صنعت پایدار 4.0. اقتصاد مدیریت مالی علامت. 2021 ، 16 ، 9-19. [ Google Scholar ] [ CrossRef ]
  29. Welch، H. نظارت الگوریتمی بر قاعدگی، تخمک گذاری، و بارداری با استفاده از برنامه های ردیابی پریود و باروری. J. Res. جنس. گل میخ. 2021 ، 11 ، 113-125. [ Google Scholar ] [ CrossRef ]
  30. ترنر، دی. Pera، A. دستگاه‌های حسگر اینترنت پوشیدنی اشیاء پزشکی، داده‌های بزرگ مراقبت‌های بهداشتی، و الگوریتم‌های تشخیصی مبتنی بر هوش مصنوعی در سیستم‌های تشخیص و نظارت بی‌درنگ COVID-19. صبح. جی. مد. Res. 2021 ، 8 ، 132-145. [ Google Scholar ] [ CrossRef ]
  31. تائو، اف. Qi، Q. لیو، آ. Kusiak، A. تولید هوشمند مبتنی بر داده. J. Manuf. سیستم 2018 ، 48 ، 157-169. [ Google Scholar ] [ CrossRef ]
  32. یانگ، اچ. کومارا، اس. Bukkapatnam، STS; Tsung، F. اینترنت اشیا برای تولید هوشمند: بررسی. IISE Trans. 2019 ، 51 ، 1190-1216. [ Google Scholar ] [ CrossRef ]
  33. وانگ، جی. ژانگ، ی. لیو، ی. Wu, N. زمان‌بندی هم‌زمان مبتنی بر بازی‌های چانه‌زنی و چند کارگزاری برای فروشگاه کار انعطاف‌پذیر با قابلیت اینترنت اشیا. IEEE Internet Things J. 2019 ، 6 ، 2518–2531. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. زو، ی. تائو، اف. Nee، AYC یک رویکرد مبتنی بر اینترنت اشیا و ابر برای ارزیابی مصرف انرژی و تجزیه و تحلیل برای یک محصول. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2018 ، 31 ، 337-348. [ Google Scholar ] [ CrossRef ]
  35. الکسوپولوس، ک. سیپساس، ک. زانتاکیس، ای. مکریس، س. Mourtzis، D. یک پلت فرم صنعتی مبتنی بر اینترنت اشیا برای خدمات اطلاعاتی آگاه از زمینه در تولید. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2018 ، 31 ، 1111-1123. [ Google Scholar ] [ CrossRef ]
  36. ژانگ، ی. ما، س. یانگ، اچ. Lv، J. لیو، ی. چارچوب تحلیلی مبتنی بر داده های بزرگ برای صنایع تولیدی انرژی بر. جی. پاک. تولید 2018 ، 197 ، 57-72. [ Google Scholar ] [ CrossRef ]
  37. وانگ، ال. Wang, J. طراحی آزمایشگاه‌هایی برای آموزش مکاترونیک/مهندسی برق در زمینه ارتقاء تولید. بین المللی جی الکتر. مهندس آموزش. 2019 ، 0020720919837856. [ Google Scholar ] [ CrossRef ]
  38. هوانگ، اس. گوا، ی. لیو، دی. ژا، اس. Fang, W. یک رویکرد یادگیری عمیق مبتنی بر یادگیری انتقالی دو مرحله‌ای برای پیش‌بینی پیشرفت تولید در تولید مبتنی بر اینترنت اشیا. IEEE Internet Things J. 2019 ، 6 ، 10627–10638. [ Google Scholar ] [ CrossRef ]
  39. لیو، اس. ژانگ، ی. لیو، ی. وانگ، ال. Wang, XV یک «اینترنت اشیا» روش بهینه‌سازی پویا را برای وسایل نقلیه هوشمند و کارهای لجستیکی فعال کرد. جی. پاک. تولید 2019 ، 215 ، 806-820. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. ژانگ، ی. شی، دی. یانگ، اچ. تائو، اف. وانگ، Z. محصورسازی خدمات مبتنی بر تولید ابر و روش پیکربندی بهینه برای دستگاه قالب گیری تزریقی. جی. اینتل. Manuf. 2019 ، 30 ، 2681–2699. [ Google Scholar ] [ CrossRef ]
  41. لی، اچ. مدل سازی و شبیه سازی ساخت زمان واقعی چارچوب با استفاده از واقعیت افزوده و تحلیل شبکه تصادفی. واقعی مجازی. 2019 ، 23 ، 85–99. [ Google Scholar ] [ CrossRef ]
  42. هوانگ، بی. وانگ، دبلیو. رن، اس. ژونگ، RY؛ جیانگ، جی. یک روش پیشگیرانه ارسال کار بر اساس پیش بینی تنگنای آینده برای کارخانه هوشمند. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2019 ، 32 ، 278-293. [ Google Scholar ] [ CrossRef ]
  43. ژونگ، RY؛ پوتنیک، جی دی؛ نیومن، ST یک چارچوب تجزیه و تحلیل داده ناهمگن برای کارخانه های دارای RFID. IEEE Trans. سیستم مرد سایبرن. سیستم 2021 ، 51 ، 5567-5576. [ Google Scholar ] [ CrossRef ]
  44. اسماعیل، ع. Truong، HL; Kastner, W. خطوط لوله تجزیه و تحلیل داده های فرآیند تولید: تحلیل و بررسی نیازمندی ها. J. Big Data 2019 ، 6 ، 1-26. [ Google Scholar ] [ CrossRef ]
  45. پارک، KT; من، SJ; کانگ، ی.-اس. نه، SD؛ کانگ، YT; Yang, SG پلت فرم سرویس گرا برای عملیات هوشمند صنعت رنگرزی و تکمیل. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2019 ، 32 ، 307–326. [ Google Scholar ] [ CrossRef ]
  46. راسیت، دی. توهم، اف. Frutos، M. برنامه ریزی تولید و برنامه ریزی در سیستم های تولید فیزیکی-سایبری: بررسی. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2019 ، 32 ، 385-395. [ Google Scholar ] [ CrossRef ]
  47. Qu، Y. مینگ، ایکس. نی، ی. لی، ایکس. لیو، ز. ژانگ، ایکس. Xie, L. چارچوب یکپارچه سیستم های اطلاعات سازمانی در سیستم تولید هوشمند از طریق مهندسی مجدد فرآیند کسب و کار. Proc. Inst. مکانیک. مهندس بخش B J. Eng. Manuf. 2019 ، 233 ، 2210–2224. [ Google Scholar ] [ CrossRef ]
  48. هومن، سی. پوسلت، تی. چالش‌های طراحی برای سیستم‌های خدمات مبتنی بر CPS در تولید صنعتی و تدارکات. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2019 ، 32 ، 329-339. [ Google Scholar ] [ CrossRef ]
  49. براون، ام. سیستم‌های اینترنت اشیاء مبتنی بر داده‌های هوش مصنوعی، نظارت بر فرآیند در زمان واقعی، و ایجاد ارزش صنعتی پایدار در کارخانه‌های شبکه هوشمند. جی. خودگردان مدیریت اقتصاد 2021 ، 9 ، 21-31. [ Google Scholar ] [ CrossRef ]
  50. ایوانز، وی. Horak، J. شبکه‌های حکمرانی شهری پایدار، سیستم‌های اینترنت اشیاء مبتنی بر داده، و برنامه‌های کاربردی مبتنی بر حسگر بی‌سیم در تدارکات شهر هوشمند. ژئوپلیت تاریخچه بین المللی مرتبط. 2021 ، 13 ، 65-78. [ Google Scholar ] [ CrossRef ]
  51. Pera، A. به سوی مدیریت نیروی کار موثر: الگوریتم های استخدام، سیستم های مسئولیت پذیری مبتنی بر داده های بزرگ و عملکرد سازمانی. روانی اجتماعی مسائل Hum. منبع. مدیریت 2019 ، 7 ، 19–24. [ Google Scholar ] [ CrossRef ]
  52. آندرونیسیانو، آ. نیکا، ای. جورجسکو، آی. Sabie, OM تأثیر فناوری اطلاعات و ارتباطات بر کنترل فساد در ادارات دولتی کشورهای عضو اتحادیه اروپا یک تحلیل مقایسه ای بر اساس داده های تابلویی. ادمین منگ عمومی 2021 ، 37 ، 41-59. [ Google Scholar ] [ CrossRef ]
  53. Bui، K.-HN; Jung، JJ تجزیه و تحلیل لبه مبتنی بر مذاکره محاسباتی برای اشیاء هوشمند. Inf. علمی 2019 ، 480 ، 222-236. [ Google Scholar ] [ CrossRef ]
  54. گوا، ی. وانگ، ن. Xu، Z.-Y. Wu, K. سیستم پشتیبانی تصمیم مبتنی بر اینترنت اشیا برای پردازش اطلاعات در تولید هوشمند با استفاده از فناوری داده کاوی. مکانیک. سیستم پردازش سیگنال 2020 ، 142 ، 106630. [ Google Scholar ] [ CrossRef ]
  55. تیان، اس. وانگ، تی. ژانگ، ال. Wu, X. اینترنت اشیا طراحی سیستم اطلاعات شرکت تولیدی و بهینه‌سازی زمان‌بندی پویا طبقه فروشگاه را فعال کرد. Enterp. Inf. سیستم 2020 ، 14 ، 1238-1263. [ Google Scholar ] [ CrossRef ]
  56. Munín-Doce، A.; دیاز-کااساس، وی. تروبا، پی. فرنو-گونزالس، اس. Vilar-Montesinos، M. اینترنت صنعتی اشیاء در محیط تولید کشتی سازی 4.0. بین المللی J. Adv. Manuf. تکنولوژی 2020 ، 108 ، 47-59. [ Google Scholar ] [ CrossRef ]
  57. لی، جی. مایتی، ع. اسپرینگر، ام. گری، تی. بلاک چین برای مدیریت کیفیت زنجیره تامین: چالش ها و فرصت ها در زمینه تولید باز و اینترنت صنعتی اشیا. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2020 ، 33 ، 1321-1355. [ Google Scholar ] [ CrossRef ]
  58. ما، س. ژانگ، ی. Lv، J. Ge، Y. یانگ، اچ. لی، ال. برنامه ریزی تولید پیش بینی کننده مبتنی بر داده های بزرگ برای صنایع تولیدی انرژی بر. Energy 2020 , 211 , 118320. [ Google Scholar ] [ CrossRef ]
  59. ژانگ، ی. ژانگ، دی. وانگ، ز. کیان، سی. یک روش پیکربندی بهینه منابع تولید چند سطحی بر اساس تکامل جامعه برای تولید اجتماعی. ربات. Comput.-Integr. 2020 , 65 , 101964. [ Google Scholar ] [ CrossRef ]
  60. ژانگ، جی. چن، سی.-اچ. ژنگ، پی. Zhong، RY یک چارچوب یکپارچه برای کشف فعال و تخصیص بهینه خدمات تولید هوشمند. جی. پاک. تولید 2020 ، 273 ، 123144. [ Google Scholar ] [ CrossRef ]
  61. هو، ال. ژنگ، اچ. شو، ال. جیا، اس. کای، دبلیو. Xu، K. تحقیق در مورد روش نظارت و کاهش انرژی برای سیستم های ماشینکاری. J. Manuf. سیستم 2020 ، 57 ، 390-399. [ Google Scholar ] [ CrossRef ]
  62. نیکا، ای. استن، CI; Luțan (Petre)، AG; Oașa (Geabazi)، R.-Ș. لجستیک تولید بلادرنگ مبتنی بر اینترنت اشیا، ایجاد ارزش صنعتی پایدار، و تجزیه و تحلیل داده‌های بزرگ مبتنی بر هوش مصنوعی در سیستم‌های تولید هوشمند فیزیکی سایبری. اقتصاد مدیریت مالی علامت. 2021 ، 16 ، 52-62. [ Google Scholar ] [ CrossRef ]
  63. Bacalu، F. ابزارهای پلیس دیجیتال به عنوان فناوری های کنترل اجتماعی: الگوریتم های پیش بینی مبتنی بر داده، نظارت خودکار تشخیص چهره، و بیومتریک اجرای قانون. مقعدی متافیزیک. 2021 ، 20 ، 74-88. [ Google Scholar ] [ CrossRef ]
  64. سائز، م. Maturana، FP; بارتون، ک. Tilbury، DM ماشین تولید بلادرنگ و نظارت بر عملکرد سیستم با استفاده از اینترنت اشیا. IEEE Trans. خودکار علمی مهندس 2018 ، 15 ، 1735-1748. [ Google Scholar ] [ CrossRef ]
  65. پوپسکو، جی اچ. پتریانو، اس. الکساندرو، بی. Corpodean، H. لجستیک تولید بلادرنگ مبتنی بر اینترنت اشیا، سیستم‌های نظارت بر فرآیند فیزیکی-سایبری و هوش مصنوعی صنعتی در تولید هوشمند پایدار. جی. خودگردان مدیریت اقتصاد 2021 ، 9 ، 52-62. [ Google Scholar ] [ CrossRef ]
  66. Nica، E. تجزیه و تحلیل کلان داده شهری و شبکه های حکمرانی پایدار در برنامه ریزی و مدیریت شهر هوشمند یکپارچه. ژئوپلیت تاریخچه بین المللی مرتبط. 2021 ، 13 ، 93-106. [ Google Scholar ] [ CrossRef ]
  67. Androniceanu، A. تغییرات ساختاری عمده در سیاست های اتحادیه اروپا به دلیل مشکلات و خطرات ناشی از COVID-19. ادمین منگ عمومی 2020 ، 34 ، 137-149. [ Google Scholar ] [ CrossRef ]
  68. کلیتون، ای. Kral، P. الگوریتم‌ها و رفتارهای رانندگی خودمختار، فناوری‌های سنجش و محاسباتی، و داده‌های وسیله نقلیه متصل در شبکه‌های حمل و نقل هوشمند. تحقیر کردن خواندن. جامعه حقوق عدالت 2021 ، 13 ، 9-22. [ Google Scholar ] [ CrossRef ]
  69. بلیک، آر. Frajtova Michalikova، K. فن‌آوری‌های سنجش مبتنی بر یادگیری عمیق، الگوریتم‌های تصمیم‌گیری مبتنی بر هوش مصنوعی، و تجزیه و تحلیل داده‌های مکانی بزرگ در اینترنت شناختی اشیا. مقعدی متافیزیک. 2021 ، 20 ، 159-173. [ Google Scholar ] [ CrossRef ]
  70. آندرونی، م. لازارویو، جی. Ștefănescu، R.; یونسکو، ال. Cocoșatu، M. تصمیم گیری مدیریت عصبی و فرآیندهای الگوریتمی شناختی در پذیرش فناوری برنامه های تجارت تلفن همراه. اکونومیا کوپرنیک. 2021 ، 12 ، 1033-1062. [ Google Scholar ] [ CrossRef ]
  71. چنگ، ی. ژانگ، ی. جی، پی. خو، دبلیو. ژو، ز. تائو، اف. یکپارچه سازی فیزیکی-سایبری برای پیشبرد کارخانه های دیجیتال به سمت تولید هوشمند: یک نظرسنجی. بین المللی J. Adv. Manuf. تکنولوژی 2018 ، 97 ، 1209-1221. [ Google Scholar ] [ CrossRef ]
  72. Qi، Q. تائو، اف. داده های دوقلوی دیجیتال و کلان داده به سمت تولید هوشمند و صنعت 4.0: مقایسه 360 درجه. دسترسی IEEE 2018 ، 6 ، 3585–3593. [ Google Scholar ] [ CrossRef ]
  73. چن، جی. وانگ، پی. فنگ، بی. لی، ی. لیو، دی. طراحی چارچوب کارخانه هوشمند در صنعت تولید گسسته بر اساس سیستم فیزیکی سایبری. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2020 ، 33 ، 79-101. [ Google Scholar ] [ CrossRef ]
  74. پارک، KT; لی، جی. کیم، اچ جی; نه، چارچوب معماری سیستم تولید فیزیکی سایبری مبتنی بر دوقلو SD Digital برای تولید شخصی. بین المللی J. Adv. Manuf. تکنولوژی 2020 ، 106 ، 1787-1810. [ Google Scholar ] [ CrossRef ]
  75. جانسون، ای. Nica، E. فناوری‌های وسایل نقلیه متصل، الگوریتم‌های ادراک رانندگی مستقل، و رفتارهای هوشمند تحرک شهری پایدار در سیستم‌های حمل و نقل شبکه‌ای. تحقیر کردن خواندن. جامعه حقوق عدالت 2021 ، 13 ، 37-50. [ Google Scholar ] [ CrossRef ]
  76. پیترز، کارشناسی ارشد قرائتی پسامارکسیستی از اقتصاد دانش: تولید دانش باز، سرمایه داری شناختی و سوسیالیسم دانش. مقعدی متافیزیک. 2022 ، 21 ، 7-23. [ Google Scholar ] [ CrossRef ]
  77. دوریکا، م. فرندا، ج. Svabova، L. مدل درختی تصمیم پیش‌بینی شکست کسب‌وکار برای شرکت‌های لهستانی. اکونومیا کوپرنیک. 2019 ، 10 ، 453-469. [ Google Scholar ] [ CrossRef ]
  78. تاکر، جی. مدیریت چرخه عمر محصول پایدار، داده‌های بزرگ صنعتی، و شبکه‌های سنجش اینترنت اشیا در کارخانه‌های هوشمند مبتنی بر سیستم فیزیکی سایبری. جی. خودگردان مدیریت اقتصاد 2021 ، 9 ، 9-19. [ Google Scholar ] [ CrossRef ]
  79. گری، م. Kovacova، M. حسگرهای اینترنت اشیا و حکمرانی شهری دیجیتال در شهرهای پایدار هوشمند مبتنی بر داده. ژئوپلیت تاریخچه بین المللی مرتبط. 2021 ، 13 ، 107-120. [ Google Scholar ] [ CrossRef ]
  80. Bekken، G. حاکمیت الگوریتمی استخدام پردازش مبتنی بر داده: شیوه‌های مدیریت مبتنی بر شواهد، نرم‌افزار استخدام هوش مصنوعی، و تصمیم‌های استخدام خودکار. روانی اجتماعی مسائل Hum. منبع. مدیریت 2019 ، 7 ، 25-30. [ Google Scholar ] [ CrossRef ]
  81. Androniceanu، A. پایداری اجتماعی شهرهای هوشمند: نوآوری تکنولوژیکی شهری، مدیریت کلان داده و اینترنت شناختی اشیا. ژئوپلیت تاریخچه بین المللی مرتبط. 2019 ، 11 ، 110-115. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  82. وانگ، جی. یانگ، جی. ژانگ، ی. رن، اس. Liu, Y. برنامه‌ریزی بی‌نهایت مبتنی بر بازی تکراری برای فروشگاه مشاغل انعطاف‌پذیر کم کربن با در نظر گرفتن دوره‌های زمانی چندگانه. جی. پاک. تولید 2020 , 247 , 119093. [ Google Scholar ] [ CrossRef ]
  83. نیش، دبلیو. گوا، ی. لیائو، دبلیو. رامانی، ک. هوانگ، اس. پیش‌بینی زمان باقی‌مانده مشاغل مبتنی بر داده‌های بزرگ در سیستم تولید گسسته: یک رویکرد مبتنی بر یادگیری عمیق. بین المللی J. Prod. Res. 2020 ، 58 ، 2751-2766. [ Google Scholar ] [ CrossRef ]
  84. پینزون، ام. آلب، اف. اورلاندلی، دی. بارلتا، آی. برلین، سی. یوهانسون، بی. Taisch، M. چارچوبی برای عملکردهای پایداری اجتماعی و عملیاتی در سیستم‌های تولید فیزیکی-سایبری انسان محور. محاسبه کنید. مهندسی صنعتی 2020 , 139 , 105132. [ Google Scholar ] [ CrossRef ]
  85. Osterrieder، P. بود، ال. فریدلی، تی. کارخانه هوشمند به عنوان ساختار کلیدی صنعت 4.0: مروری بر ادبیات سیستماتیک. بین المللی J. Prod. اقتصاد 2020 , 221 , 107476. [ Google Scholar ] [ CrossRef ]
  86. وودوارد، بی. Kliestik، T. برنامه های حمل و نقل هوشمند، داده های حسگر ادراک خودروی خودمختار، و الگوریتم های کنترل خودروی خودران تصمیم گیری در سیستم های هوشمند تحرک شهری پایدار. تحقیر کردن خواندن. جامعه حقوق عدالت 2021 ، 13 ، 51-64. [ Google Scholar ] [ CrossRef ]
  87. Ionescu، L. تجمیع داده های دیجیتال، تجزیه و تحلیل، و زیرساخت ها در عملیات فین تک. کشیش تحقیر. فیلوس 2020 ، 19 ، 92-98. [ Google Scholar ] [ CrossRef ]
  88. Vrbka، J. استفاده از شبکه های عصبی برای تعیین محرک های مبتنی بر ارزش برای SME های فعال در مناطق روستایی جمهوری چک. اکونومیا کوپرنیک. 2020 ، 11 ، 325-346. [ Google Scholar ] [ CrossRef ]
  89. ژانگ، اف. بای، جی. یانگ، دی. وانگ، کیو. استراتژی برنامه‌ریزی پیشگیرانه کارگاهی مبتنی بر داده‌های دوقلوی دیجیتال به سمت تصمیم‌گیری نامتقارن در اجرای تولید. علمی Rep. 2022 , 12 , 1546. [ Google Scholar ] [ CrossRef ]
  90. ماتسوموتو، تی. چن، ی. ناکاتسوکا، ا. وانگ، Q. تحقیق در مورد مدل سیستم افقی برای کارخانه های مواد غذایی: مطالعه موردی تولید کننده پنیر فرآیندی. بین المللی J. Prod. اقتصاد 2020 , 226 , 107616. [ Google Scholar ] [ CrossRef ]
  91. وانگ، جی. جی، بی. لین، اف. لو، اس. لان، ی. Cheng, L. یک طرح تشخیص رویداد پیچیده الگوی چندگانه مبتنی بر تجزیه و اشتراک‌گذاری ادغام برای جریان‌های رویداد عظیم. بین المللی J. Distrib. Sens. Netw. 2020 ، 16 ، 1-4. [ Google Scholar ] [ CrossRef ]
  92. وانگ، ز. کوی، ال. گوو، دبلیو. ژائو، ال. یوان، ایکس. گو، ایکس. تانگ، دبلیو. بو، ال. Huang, W. یک روش طراحی برای یک سیستم تولید و خدمات هوشمند برای دستگاه های کمکی توانبخشی و گروه های ویژه. Adv. مهندس به اطلاع رساندن. 2022 ، 51 ، 101504. [ Google Scholar ] [ CrossRef ]
  93. هوانگ، اس. گوا، ی. ژا، اس. وانگ، ی. روش بهینه‌سازی لجستیک تولید مبتنی بر اینترنت اشیا برای تولید گسسته. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2019 ، 32 ، 13-26. [ Google Scholar ] [ CrossRef ]
  94. فنگ، ال. هوانگ، دی. جین، م. لی، دبلیو. او، ز. Yu, AJ انتخاب طرح کنترل کیفیت با یک مورد توسعه تجهیزات هوانوردی. مهندس مدیریت J. 2020 ، 32 ، 14-25. [ Google Scholar ] [ CrossRef ]
  95. تیان، اس. وانگ، تی. ژانگ، ال. Wu, X. یک رویکرد زمان‌بندی کارآمد انرژی برای مشکل کارگاه انعطاف‌پذیر در محیط اینترنت اشیاء تولیدی. دسترسی IEEE 2019 ، 7 ، 62695–62704. [ Google Scholar ] [ CrossRef ]
  96. بن دایا، م. حسنی، ای. بهرون، ز. اینترنت اشیا و مدیریت زنجیره تامین: مروری بر ادبیات. بین المللی J. Prod. Res. 2019 ، 57 ، 4719–4742. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  97. لازارویو، جی. کلیستیک، تی. نواک، الف. دستگاه‌های هوشمند اینترنت اشیا، هوش مصنوعی صنعتی و شبکه‌های حسگر بلادرنگ در سیستم‌های تولید فیزیکی-سایبری پایدار. جی. خودگردان مدیریت اقتصاد 2021 ، 9 ، 20-30. [ Google Scholar ] [ CrossRef ]
  98. لوئیس، ای. سیستم های نرم افزاری شهر هوشمند و حسگرهای اینترنت اشیاء در شبکه های حاکمیت شهری پایدار. ژئوپلیت تاریخچه بین المللی مرتبط. 2021 ، 13 ، 9-19. [ Google Scholar ] [ CrossRef ]
  99. Meyers، TD; واگنر، ال. یانوسکووا، ک. گرکو، آی. گرکو، جی. تصمیم‌گیری الگوریتمی مبتنی بر داده‌های بزرگ در انتخاب و مدیریت کارکنان: تجزیه و تحلیل پیش‌بینی‌کننده پیشرفته، معیارهای نیروی کار، و نوآوری‌های دیجیتال برای افزایش سرمایه انسانی سازمانی. روانی اجتماعی مسائل Hum. منبع. مدیریت 2019 ، 7 ، 49–54. [ Google Scholar ] [ CrossRef ]
  100. پلائو، سی. دابیجا، D.-C.; Ene, I. چه چیزی یک دستگاه هوش مصنوعی را شبیه انسان می کند؟ نقش کیفیت تعامل، همدلی و ویژگی‌های انسان‌سازی روان‌شناختی درک شده در پذیرش هوش مصنوعی در صنعت خدمات. محاسبه کنید. هوم رفتار 2021 ، 122 ، 106855. [ Google Scholar ] [ CrossRef ]
  101. والاس، اس. Lăzăroiu، G. الگوریتم‌های کنترل پیش‌بینی، داده‌های خودروی متصل به دنیای واقعی، و فناوری‌های تحرک هوشمند در برنامه‌ریزی و مهندسی حمل‌ونقل هوشمند. تحقیر کردن خواندن. جامعه حقوق عدالت 2021 ، 13 ، 79-92. [ Google Scholar ] [ CrossRef ]
  102. راجرز، اس. Zvarikova، K. حکمرانی الگوریتمی مبتنی بر داده های بزرگ در تولید هوشمند پایدار: فرآیند رباتیک و فناوری های اتوماسیون شناختی. مقعدی متافیزیک. 2021 ، 20 ، 130-144. [ Google Scholar ] [ CrossRef ]
  103. هاشمخانی ذوالفانی، س. عبادی ترکایش، ع. ایسر، اف. تورسکیس، ز. Šaparauskas، J. انتخاب بازار بین المللی: چارچوب تحلیل EDAS مبتنی بر MABA. اکونومیا کوپرنیک. 2021 ، 12 ، 99-124. [ Google Scholar ] [ CrossRef ]
  104. وو، ایکس. تیان، اس. Zhang، L. اینترنت اشیاء برنامه ریزی طبقه مغازه و روش کنترل فرآیند را بر اساس شبکه های پتری فعال کرد. دسترسی IEEE 2019 ، 7 ، 27432–27442. [ Google Scholar ] [ CrossRef ]
  105. بائو، جی. گوا، دی. لی، جی. ژانگ، جی. مدل سازی و عملیات برای دوقلو دیجیتال در زمینه تولید. Enterp. Inf. سیستم 2019 ، 13 ، 534-556. [ Google Scholar ] [ CrossRef ]
  106. گلاتی، ن. Kaur، PD به سوی اینترنت اجتماعی فعال شده صنعتی: معماری، مدل معنایی و مدیریت روابط. Ad Hoc Netw. 2019 ، 91 ، 101869. [ Google Scholar ] [ CrossRef ]
  107. کیان، ایکس. تو، ج. Lou, P. معماری کلی یک سیستم تجسم سه بعدی برای مدیریت طبقه مغازه. جی. اینتل. Manuf. 2019 ، 30 ، 1531-1545. [ Google Scholar ] [ CrossRef ]
  108. هاپکینز، ای. Siekelova، A. شبکه های سنجش اینترنت اشیا، داده های بزرگ تولید هوشمند، و تولید انبوه دیجیتالی در صنعت پایدار 4.0. اقتصاد مدیریت مالی علامت. 2021 ، 16 ، 28-41. [ Google Scholar ] [ CrossRef ]
  109. گیبسون، پی. زیرساخت‌های سنجش اینترنت اشیا و تجزیه و تحلیل داده‌های بزرگ شهری در حکمرانی و مدیریت شهری پایدار. ژئوپلیت تاریخچه بین المللی مرتبط. 2021 ، 13 ، 42-52. [ Google Scholar ] [ CrossRef ]
  110. Noack، B. تجزیه و تحلیل داده های بزرگ در مدیریت منابع انسانی: فرآیندهای تصمیم گیری خودکار، الگوریتم های استخدام پیش بینی، و فناوری های پیشرفته نظارت بر محل کار. روانی اجتماعی مسائل Hum. منبع. مدیریت 2019 ، 7 ، 37–42. [ Google Scholar ] [ CrossRef ]
  111. باربو، سی ام; Florea، DL; دابیجا، دی سی; باربو، MCR تجربه مشتری در فین تک. جی. تئور. Appl. الکترون. بازرگانی Res. 2021 ، 16 ، 80. [ Google Scholar ] [ CrossRef ]
  112. گودمن، سی. Frajtova Michalikova، K. الگوریتم‌های تصمیم‌گیری خودروی خودمختار، شبکه‌های حسگر به هم پیوسته، و تجزیه و تحلیل داده‌های مکانی بزرگ در سیستم‌های هوشمند تحرک شهری. تحقیر کردن خواندن. جامعه حقوق عدالت 2021 ، 13 ، 93-106. [ Google Scholar ] [ CrossRef ]
  113. Ionescu، D. الگوریتم های یادگیری عمیق و داده های مراقبت های بهداشتی بزرگ در پردازش زبان طبیعی بالینی. زبانشناس. فیلوس تحقیق کنید. 2020 ، 19 ، 86-92. [ Google Scholar ] [ CrossRef ]
  114. یانوفسکا، ک. Vozňáková، I. بستا، پ. Šafránek، M. بهینه سازی چند معیاره اکولوژیکی و اقتصادی در کارکرد وسایل نقلیه پیشران جایگزین در شهر استراوا در جمهوری چک. تعادل QJ Econ. اقتصاد سیاست 2021 ، 16 ، 907-943. [ Google Scholar ] [ CrossRef ]
  115. گوا، دی. ژونگ، RY؛ رانگ، ی. Huang، GGQ همگام سازی لجستیک و تولید در طبقه فروشگاه تحت IIoT و سیستم تولید هوشمند فارغ التحصیلی دارای دوقلو دیجیتال. IEEE Trans. سایبرن. 2021 ، 1-12. [ Google Scholar ] [ CrossRef ]
  116. یائو، ایکس. ژو، جی. لین، ی. لی، ی. یو، اچ. لیو، ی. تولید هوشمند مبتنی بر سیستم‌های فیزیکی-سایبری و فراتر از آن. جی. اینتل. Manuf. 2019 ، 30 ، 2805–2817. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  117. ژانگ، ی. تانگ، دی. زو، اچ. لی، اس. Nie, Q. روش پیکربندی انعطاف پذیر منابع تولیدی توزیع شده در زمینه ساخت اجتماعی. محاسبه کنید. Ind. 2021 , 132 , 103511. [ Google Scholar ] [ CrossRef ]
  118. Jwo، JS; Lin, CS; Lee, CH جنبه های مبتنی بر فناوری هوشمند برای تولید هوشمند انسان در حلقه. بین المللی J. Adv. Manuf. تکنولوژی 2021 ، 114 ، 1741-1752. [ Google Scholar ] [ CrossRef ]
  119. ژانگ، جی. وانگ، جی. چن، سی.-اچ. کائو، ایکس. ژانگ، ی. ژنگ، پی. هماهنگی لاگرانژی تقویت شده برای تخصیص انرژی بهینه خدمات تولید هوشمند. ربات. Comput.-Integr. Manuf. 2021 ، 71 ، 102161. [ Google Scholar ] [ CrossRef ]
  120. ژانگ، جی. چن، سی.-اچ. لیو، بی. لی، ایکس. وانگ، Z. رویکرد مبتنی بر حسگر ترکیبی برای نظارت و نگهداری منابع تولید مشترک. بین المللی J. Prod. Res. 2021 ، 1-19. [ Google Scholar ] [ CrossRef ]
  121. راجرز، اس. کالینووا، E. فرآیندهای تصمیم گیری مبتنی بر داده های بزرگ، تجزیه و تحلیل پیشرفته در زمان واقعی، و شبکه های تولید فیزیکی-سایبری در سیستم های تولید مبتنی بر صنعت 4.0. اقتصاد مدیریت مالی علامت. 2021 ، 16 ، 84-97. [ Google Scholar ] [ CrossRef ]
  122. Lowe, R. فناوری‌های شهری پایدار شبکه‌شده و یکپارچه در حکمرانی شهر هوشمند مبتنی بر اینترنت اشیا. ژئوپلیت تاریخچه بین المللی مرتبط. 2021 ، 13 ، 75-85. [ Google Scholar ] [ CrossRef ]
  123. بارنز، آر. Zvarikova، K. دستگاه‌های پوشیدنی پزشکی با قابلیت هوش مصنوعی، سیستم‌های پشتیبانی تصمیم‌گیری بالینی و تشخیصی، و برنامه‌های کاربردی مراقبت‌های بهداشتی مبتنی بر اینترنت اشیا در پیشگیری، غربالگری و درمان COVID-19. صبح. جی. مد. Res. 2021 ، 8 ، 9-22. [ Google Scholar ] [ CrossRef ]
  124. کونهوسنر، پی. شانگ، بی. دابیجا، دی.-سی. کاربرد 4Es در پلتفرم های تامین مالی جمعی آنلاین: دیدگاه مقایسه ای آلمان و چین جی. ریسک مالی. مدیریت 2021 ، 14 ، 49. [ Google Scholar ] [ CrossRef ]
  125. وانگ، دبلیو. ژانگ، ی. ژونگ، RY روشی پیشگیرانه برای جابجایی مواد برای طبقه مغازه دارای CPS. ربات. Comput.-Integr. Manuf. 2020 ، 61 ، 101849. [ Google Scholar ] [ CrossRef ]
  126. وانگ، جی. لیو، ی. رن، اس. وانگ، سی. Wang, W. بازی تکاملی مبتنی بر زمان‌بندی زمان واقعی برای کارگاه توزیع‌شده و انعطاف‌پذیر با انرژی کارآمد. جی. پاک. تولید 2021 ، 293 ، 126093. [ Google Scholar ] [ CrossRef ]
  127. هاپکینز، JL تحقیقی در مورد فناوری‌های نوظهور صنعت 4.0 به عنوان محرک‌های نوآوری زنجیره تامین در استرالیا. محاسبه کنید. Ind. 2021 , 125 , 103323. [ Google Scholar ] [ CrossRef ]
  128. کوواکووا، م. Lăzăroiu، G. عملکرد سازمانی پایدار، شبکه‌های تولید فیزیکی-سایبری، و برنامه‌ریزی فرآیند هوشمند به کمک یادگیری عمیق در سیستم‌های تولید مبتنی بر صنعت 4.0. اقتصاد مدیریت مالی علامت. 2021 ، 16 ، 41-54. [ Google Scholar ] [ CrossRef ]
  129. بیلی، ال. بافت دیجیتال فناوری های تولید مثل: برنامه های ردیابی باروری، بارداری و چرخه قاعدگی. J. Res. جنس. گل میخ. 2021 ، 11 ، 126-138. [ Google Scholar ] [ CrossRef ]
  130. استنلی، ا. Kucera، J. دستگاه‌ها و برنامه‌های هوشمند مراقبت بهداشتی، سیستم‌های تشخیص خودکار مبتنی بر یادگیری ماشین، و تجزیه و تحلیل داده‌های پزشکی بلادرنگ در غربالگری، آزمایش و درمان COVID-19. صبح. جی. مد. Res. 2021 ، 8 ، 105-117. [ Google Scholar ] [ CrossRef ]
  131. کیان، ال. ژائو، آر. ژانگ، اچ. لو، جی. Wu, W. مدل زمان‌بندی مبتنی بر بازی چانه‌زنی تعاونی با وزن‌های چندهدفه متغیر در یک کارگاه تعبیه‌شده UWB و 5G. IEEE Internet Things J. 2021 . [ Google Scholar ] [ CrossRef ]
  132. وانگ، ال. لیو، ز. لیو، آ. تائو، اف. هوش مصنوعی در مدیریت چرخه عمر محصول. بین المللی J. Adv. Manuf. تکنولوژی 2021 ، 114 ، 771-796. [ Google Scholar ] [ CrossRef ]
  133. دال اورا، ن. عالمین، ک. فراکارولی، ای. پونچینو، ام. کواگلیا، دی. Vinco، S. تحول دیجیتال یک خط تولید: طراحی شبکه، جمع آوری داده های آنلاین و نظارت بر انرژی. IEEE Trans. ظهور. بالا. محاسبه کنید. 2021 ، 10 ، 46-59. [ Google Scholar ] [ CrossRef ]
  134. Lv، Y.; لی، سی. تانگ، ی. Kou, Y. به سمت مکانیسم‌های تصمیم‌گیری زمان‌بندی مجدد با انرژی کارآمد برای کارگاه انعطاف‌پذیر با رویدادهای پویا و برنامه‌های فرآیند جایگزین. IEEE Trans. خودکار علمی مهندس 2021 ، 1-17. [ Google Scholar ] [ CrossRef ]
  135. دای، H.-N. وانگ، اچ. خو، جی. وان، جی. عمران، ام. تجزیه و تحلیل داده های بزرگ برای تولید اینترنت اشیا: فرصت ها، چالش ها و فناوری های توانمند. Enterp. Inf. سیستم 2020 ، 14 ، 1279-1303. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  136. کوهن، اس. Macek، J. سیستم های نظارت بر فرآیند فیزیکی سایبری، تجزیه و تحلیل داده های بزرگ در زمان واقعی، و هوش مصنوعی صنعتی در تولید هوشمند پایدار. اقتصاد مدیریت مالی علامت. 2021 ، 16 ، 55-67. [ Google Scholar ] [ CrossRef ]
  137. فورد، سی. تجربیات عاطفی و اجتماعی با واسطه فناوری: به اشتراک گذاری داده های صمیمی توسط برنامه های باروری مبتنی بر الگوریتم. J. Res. جنس. گل میخ. 2021 ، 11 ، 87-99. [ Google Scholar ] [ CrossRef ]
  138. فیلیپس، A. ارائه مراقبت های بهداشتی مبتنی بر هوش مصنوعی و نظارت اپیدمیولوژیک دیجیتال در درمان از راه دور بیماران در طول همه گیری COVID-19. صبح. جی. مد. Res. 2021 ، 8 ، 40-49. [ Google Scholar ] [ CrossRef ]
  139. دونگ، ی. ژائو، ایکس. تانگ، ی. لی، دی.-بی. بهینه سازی خدمات اینترنت اشیاء تولیدی بر اساس اصول اطلاعات مختلط. دسترسی IEEE 2018 ، 6 ، 53254–53264. [ Google Scholar ] [ CrossRef ]
  140. یائو، ایکس. ژانگ، جی. لی، ی. Zhang, C. به سمت تولید یکپارچه رویداد محور RFID برای تولید سفارشی. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2018 ، 31 ، 228-242. [ Google Scholar ] [ CrossRef ]
  141. نواک، ا. بنت، دی. Kliestik، T. سیستم‌های اطلاعات تصمیم‌گیری محصول، شبکه‌های حسگر بلادرنگ، و تجزیه و تحلیل داده‌های بزرگ مبتنی بر هوش مصنوعی در صنعت پایدار 4.0. اقتصاد مدیریت مالی علامت. 2021 ، 16 ، 62-72. [ Google Scholar ] [ CrossRef ]
  142. میهایلا، آر. Braniște، L. معنای دیجیتالی اپلیکیشن‌ها و فیلترهای زیبایی: روتوش صورت مبتنی بر داده‌های بزرگ، دستگاه‌های نظارت بر زیبایی‌شناختی، و فناوری‌های تقویت‌کننده بدن مبتنی بر واقعیت افزوده. J. Res. جنس. گل میخ. 2021 ، 11 ، 100-112. [ Google Scholar ] [ CrossRef ]
  143. هرلی، دی. Popescu، GH Medical کلان داده ها و سیستم های مراقبت بهداشتی پوشیدنی اینترنت اشیا در نظارت و مراقبت از راه دور از بیماران تایید شده یا مشکوک COVID-19. صبح. جی. مد. Res. 2021 ، 8 ، 78-90. [ Google Scholar ] [ CrossRef ]
  144. هلمز، جی. Cug, J. مسیریابی و ناوبری خودروی خودمختار، الگوریتم‌های بینایی کامپیوتر، و تجزیه و تحلیل حمل و نقل در سیستم‌های اتصال شبکه. تحقیر کردن خواندن. جامعه حقوق عدالت 2021 ، 13 ، 135-148. [ Google Scholar ] [ CrossRef ]
  145. Costea، E.-A. الگوریتم‌های پردازش زبان طبیعی مبتنی بر یادگیری ماشین و داده‌های سوابق سلامت الکترونیکی. زبانشناس. فیلوس تحقیق کنید. 2020 ، 19 ، 93-99. [ Google Scholar ] [ CrossRef ]
  146. مالکوفسکا، ا. اوربانیک، م. Kosała، M. تاثیر تحول دیجیتال بر کشورهای اروپایی: بینش از یک تحلیل مقایسه ای. تعادل QJ Econ. اقتصاد سیاست 2021 ، 16 ، 325-355. [ Google Scholar ] [ CrossRef ]
  147. داوسون، A. شبکه‌های حسگر بی‌سیم رباتیک، فرآیندهای تصمیم‌گیری مبتنی بر داده‌های بزرگ، و نظارت بر زمان واقعی مبتنی بر سیستم فیزیکی سایبری در مدیریت چرخه عمر محصول پایدار. اقتصاد مدیریت مالی علامت. 2021 ، 16 ، 95-105. [ Google Scholar ] [ CrossRef ]
  148. موریسون، ام. داده‌سازی باروری و سلامت باروری: برنامه‌های ردیابی چرخه قاعدگی و الگوریتم‌های تشخیص تخمک‌گذاری. J. Res. جنس. گل میخ. 2021 ، 11 ، 139-151. [ Google Scholar ] [ CrossRef ]
  149. وودز، ام. Miklencicova، R. نظارت اپیدمیولوژیک دیجیتال، سیستم‌های تشخیص هوشمند پزشکی از راه دور، و سنجش و پردازش داده‌های بی‌درنگ مبتنی بر یادگیری ماشین در نظارت از راه دور بیمار COVID-19. صبح. جی. مد. Res. 2021 ، 8 ، 65-77. [ Google Scholar ] [ CrossRef ]
  150. الشریف، ق. صالح، NZM; بهارون، ر. هاشم ع، ع. منصور، AA; علی، ج. عباس، تکنیک‌های تصویربرداری عصبی AF در تحقیقات تبلیغاتی: کاربردهای اصلی، توسعه و مناطق و فرآیندهای مغز. Sustainability 2021 , 13 , 6488. [ Google Scholar ] [ CrossRef ]
  151. عباس، اف. جوسوه، ع. مسعود، ع. الشریف، ق. Ali, J. Bibliometrix تجزیه و تحلیل به اشتراک گذاری اطلاعات در رسانه های اجتماعی. اتوبوس کوجنت. مدیریت 2022 ، 9 ، 2016556. [ Google Scholar ] [ CrossRef ]
  152. الشریف، ق. صالح، NZM; بهارون، ر. آلهارتی، تحقیقات بازاریابی عصبی RHE در پنج سال گذشته: تجزیه و تحلیل کتاب سنجی. اتوبوس کوجنت. مدیریت 2021 ، 8 ، 1978620. [ Google Scholar ] [ CrossRef ]
  153. علی، ج. جوسوه، ع. ادریس، ن. عباس، اف. الشریف، AH همه چیز الکترونیکی می شود، خدمات و کیفیت خدمات نیز انجام می شود: تجزیه و تحلیل کتاب سنجی خدمات الکترونیکی و کیفیت خدمات الکترونیکی. بین المللی J. تعامل. اوباش تکنولوژی (iJIM) 2021 ، 15 ، 148-167. [ Google Scholar ] [ CrossRef ]
  154. الشریف، ق. صالح، NZM; بهارون، ر. ابوحسنه، ح. هاشم، EAR روندهای تحقیقاتی جهانی بازاریابی عصبی: 2015-2020. کشیش کمون. 2022 ، 21 ، 15-32. [ Google Scholar ] [ CrossRef ]
  155. فیلووا، ا. Hrdá، V. ارزیابی مدیریتی عملکرد لجستیک و وابستگی آن به اقتصاد در کشورهای منتخب. اکن.-ماناز. Spektrum 2021 ، 15 ، 15-27. [ Google Scholar ] [ CrossRef ]
  156. وینرین، اس. بوداک، سی. بالتادور، لس آنجلس؛ دابیجا، دی.-سی. ارزیابی اثرات همه‌گیری COVID-19 بر پذیرش تجارت M: یک رویکرد اقتباس شده UTAUT2. Electronics 2022 , 11 , 1269. [ Google Scholar ] [ CrossRef ]
  157. آندرونیسیانو، آ. کینونن، جی. ژرژسکو، I. خوشه های دولت الکترونیک در اتحادیه اروپا بر اساس مدل های مخلوط گاوسی. ادمین منگ عمومی 2020 ، 35 ، 6-20. [ Google Scholar ] [ CrossRef ]
  158. کلکوا، آ. Ključnikov، A. پیش بینی تقاضا: یک رویکرد جایگزین بر اساس شاخص فنی Pbands. اکونومیا کوپرنیک. 2021 ، 12 ، 1063-1094. [ Google Scholar ] [ CrossRef ]
  159. رولند، ز. کاسیچ، ا. سولر، پی. پیش‌بینی ناراحتی مالی: موردی از شرکت‌های معدنی در جمهوری چک. اکن.-ماناز. Spektrum 2021 ، 15 ، 1-14. [ Google Scholar ] [ CrossRef ]
  160. کریسان میترا، سی. استانکا، ال. دابیجا، عملکرد اجتماعی شرکت دی سی: یک مدل ارزیابی در یک بازار در حال ظهور. پایداری 2020 ، 12 ، 4077. [ Google Scholar ] [ CrossRef ]
  161. Ciobanu، A. آندرونیسیانو، آ. Lăzăroiu، G. دیدگاه روانی-جامعه شناختی یکپارچه در مورد انگیزه و عملکرد کارکنان عمومی. جلو. روانی 2019 ، 10 ، 36. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  162. پروکوپ، وی. کوتکووا استریتسکا، م. Stejskal, J. تقویت عملکرد نوآوری شرکت های چک از طریق همکاری کارآمد. اکونومیا کوپرنیک. 2021 ، 12 ، 671-700. [ Google Scholar ] [ CrossRef ]
  163. کلیستیک، تی. کووالووا، ای. Lăzăroiu، G. الگوریتم‌های تصمیم‌گیری شناختی در هوش خرده‌فروشی مبتنی بر داده: احساسات مصرف‌کننده، انتخاب‌ها و رفتارهای خرید. جی. خودگردان مدیریت اقتصاد 2022 ، 10 ، 30-42. [ Google Scholar ] [ CrossRef ]
  164. نیکا، ای. Sabie, O.-M. ماسکو، اس. Luțan (Petre)، تصمیم گیری هوش مصنوعی AG در الگوهای خرید: ارزش های مصرف کننده، شناخت و نگرش ها. اقتصاد مدیریت مالی علامت. 2022 ، 17 ، 31-43. [ Google Scholar ] [ CrossRef ]
  165. دیمیتروا، م. Treapat، LM; Tulaykova، I. ارزش در معرض خطر به عنوان ابزاری برای تصمیم گیری اقتصادی-مدیریتی در فرآیند معاملات در بازار مالی. اکن.-ماناز. Spektrum 2021 ، 15 ، 13-26. [ Google Scholar ] [ CrossRef ]
  166. واتامانسکو، ای.-م. الکساندرو، V.-A.; میتان، ع. دابیجا، دی.-سی. از استراتژی مدیریتی عمدی به سمت عملکرد تجاری بین‌المللی: فاصله روانی در مقابل رویکرد ذهنیت جهانی. سیستم Res. رفتار علمی 2020 ، 37 ، 374-387. [ Google Scholar ] [ CrossRef ]
  167. گراندیس، ک. Ślusarczyk، O.; حسین، سلام؛ Androniceanu، A. ارزیابی ریسک عملیات بخش SME در طول همه گیری COVID-19. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 ، 18 ، 4183. [ Google Scholar ] [ CrossRef ]
  168. چانگ، بی.-جی. وو، ک.-اس. رابطه غیرخطی بین انعطاف پذیری مالی و ریسک پذیری شرکت در طول همه گیری COVID-19 در صنعت نیمه هادی تایوان. اکونومیا کوپرنیک. 2021 ، 12 ، 307-333. [ Google Scholar ] [ CrossRef ]
  169. کرولیکی، تی. هوراک، جی. ارزیابی عملکرد تجاری و سلامت مالی از طریق هوش مصنوعی. اکن.-ماناز. Spektrum 2021 ، 15 ، 38-51. [ Google Scholar ] [ CrossRef ]
  170. واتامانسکو، ای.-م. دابیجا، D.-C.; گازولا، پ. Cegarro-Navarro، JG; Buzzi، T. قبل و بعد از شیوع COVID-19: پیوند رویکرد مسئولیت اجتماعی شرکت های مد با تقاضای مصرف کنندگان برای محصولات پایدار. جی. پاک. تولید 2021 , 321 , 128945. [ Google Scholar ] [ CrossRef ]
  171. کرزیودا، جی. کرزیودا، دی. Androniceanu، A. مدیریت انتقال انرژی از طریق گفتمان. مورد لهستان Energies 2021 , 14 , 6471. [ Google Scholar ] [ CrossRef ]
  172. میتان، ع. سیکلوا، آ. روسو، م. Rovnak، M. مدیریت مبتنی بر ارزش: مطالعه موردی از چهار کشور Visegrad. اکن.-ماناز. Spektrum 2021 ، 15 ، 87-98. [ Google Scholar ] [ CrossRef ]
  173. والاسکووا، ک. کلیستیک، تی. Gajdosikova، D. تعیین کننده های متمایز بدهی مالی: شواهد از شرکت های اسلواکی و چک. تعادل QJ Econ. اقتصاد سیاست 2021 ، 16 ، 639-659. [ Google Scholar ] [ CrossRef ]
  174. Pocol، CB; استانکا، ال. دابیجا، D.-C.; پاپ، ID; Mișcoiu، S. ایجاد مشترک دانش و آموزش پایدار در محیط کسب و کار دانشگاه-محور بازار کار. جلو. محیط زیست علمی 2022 ، 10 ، 781075. [ Google Scholar ] [ CrossRef ]
  175. کوردالسکا، ا. Olczyk، M. الگوهای جدید در موقعیت کشورهای CEE در زنجیره های ارزش جهانی: رویکرد تخصصی سازی عملکردی. اکونومیا کوپرنیک. 2021 ، 12 ، 35-52. [ Google Scholar ] [ CrossRef ]
  176. هاپکینز، ای. ابزارها، الگوریتم‌ها و تکنیک‌های یادگیری ماشین در عملیات خرده‌فروشی: تصورات، انتظارات و عادت‌های مصرف‌کننده. جی. خودگردان مدیریت اقتصاد 2022 ، 10 ، 43-55. [ Google Scholar ] [ CrossRef ]
  177. کلیستیک، تی. زواریکووا، ک. Lăzăroiu، G. الگوریتم های یادگیری ماشین و شبکه عصبی مبتنی بر داده در محیط خرده فروشی: تعامل، تجربه، و رفتارهای خرید مصرف کننده. اقتصاد مدیریت مالی علامت. 2022 ، 17 ، 57-69. [ Google Scholar ] [ CrossRef ]
  178. کومیتو، سی. Talia، D. GDIS: معماری مبتنی بر سرویس برای یکپارچه سازی داده ها در شبکه ها. در حرکت به سوی سیستم های اینترنتی معنادار 2004: OTM 2004 Workshops, OTM 2004 ; یادداشت های سخنرانی در علوم کامپیوتر; Meersman, R., Tari, Z., Corsaro, A., Eds. Springer: برلین/هایدلبرگ، آلمان، 2004; جلد 3292. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00277 g001 550
شکل 1. نمودار جریان PRISMA که نتایج جستجو و غربالگری را توصیف می کند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید