一种分布式3D打印制造平台的订单派单方法和系统

技术领域

本发明涉及3D打印制造技术领域，尤其涉及一种分布式3D打印制造平台的订单派单方法和系统。

背景技术

分布式3D打印制造平台已成为制造业的重要领域，它允许多个3D打印机之间协同工作，以满足订单需求。然而，现有的订单派单方法通常基于固定规则或简单的排队方式，未能充分利用3D打印设备的性能和特性以及订单用户的反馈信息，从而导致了生产效率的低下和订单执行的延迟。

发明内容

基于此，本发明有必要提供一种分布式3D打印制造平台的订单派单方法，以解决至少一个上述技术问题。

为实现上述目的，一种分布式3D打印制造平台的订单派单方法，包括以下步骤：

步骤S1：获取分布式3D打印制造平台的历史订单信息数据，并对历史订单信息数据进行用户信息识别分析，得到订单用户信息数据；对订单用户信息数据进行信用评分检测，得到订单用户信用评分；

步骤S2：对历史订单信息数据进行信誉检测计算，得到订单信任评分以及订单质疑评分；根据订单质疑评分对历史订单信息数据进行质疑评估分析，得到订单质疑影响因子；根据订单质疑影响因子对订单用户信用评分进行信用修正分析，得到用户信用修正评分；

步骤S3：获取分布式3D打印制造平台的用户实时订单以及3D打印制造节点；对3D打印制造节点进行制造能力评估分析，得到制造节点能力承受数据；根据用户信用修正评分对用户实时订单进行订单筛选处理，得到信用用户订单；对信用用户订单进行优先紧急排序处理，得到优先紧急订单排序序列；

步骤S4：基于历史订单信息数据利用订单信任评分以及订单质疑评分对3D打印制造节点进行节点探索分析，得到3D打印制造信任节点以及3D打印制造质疑节点；对3D打印制造质疑节点进行节点修正调整处理，得到打印制造质疑修正节点；将3D打印制造信任节点以及打印制造质疑修正节点进行合并处理，以得到3D打印制造优化节点；基于制造节点能力承受数据以及3D打印制造优化节点对优先紧急订单排序序列中的信用用户订单进行订单派发处理，得到用户订单派发结果数据；

步骤S5：对3D打印制造优化节点进行负载分析，得到制造节点负载状况数据；根据制造节点负载状况数据对用户订单派发结果数据进行派单调整处理，得到用户订单派发调整数据。

本发明首先通过收集分布式3D打印制造平台的历史订单信息数据，并对收集到的历史订单信息数据进行用户信息的识别分析，以获取订单用户信息数据，这样可以从历史订单数据中提取有关订单用户的信息，如姓名、联系信息和购买历史，这有助于建立用户档案，了解用户的订单特征，例如购买习惯和首选产品类别，这样可以用于平台的个性化市场推广、客户关系管理以及改进客户满意度。随后，通过对订单用户信息数据进行信用评分检测，能够实现对历史订单用户的信用状况进行准确评估，以帮助平台了解用户的信用可靠性，以便更好地管理订单和资源。其次，通过对历史订单信息数据进行信誉检测计算，以生成订单信任评分和订单质疑评分，这样可以量化用户的信任水平和对订单问题的质疑，这有助于标识高信誉用户，减少不良交易风险，以及提前识别可能的争议和问题，从而减轻潜在损失。同时，通过基于订单质疑评分对历史订单信息数据进行质疑评估分析，可以确定哪些订单存在争议或问题，并了解其根本原因，这有助于改进服务质量、解决争议，提高用户满意度，减少退款和纠纷，从而提升平台的声誉。通过使用分析得到的质疑信用影响因子对订单用户信用评分进行信用影响修正分析，可以通过分析生成相应的修正指数来修正用户的信用评分，以更准确地反映他们的信誉状况，这样有助于提高信用评分的公正性，确保风险管理的准确性，为平台提供更可靠的用户信用信息，使得平台能够更准确地了解用户的可靠性和质疑情况，从而降低潜在的风险和损失。然后，通过实时获取分布式3D打印制造平台上的用户订单以及3D打印制造节点的信息，这样通过获取相应的数据有益于建立全面的生产环境的数据视图，使得平台能够为后续的处理过程提供基础数据保障，同时对订单进行有效的分配和调度，确保订单能够顺利进行3D打印制造。并通过对3D打印制造节点进行制造能力评估分析，以确定各个3D打印制造节点的制造能力和可承受的制造负荷，这有助于平台了解可用制造资源的状况，为订单的分配和安排提供了重要信息，还有助于平台了解哪些3D打印制造节点可以承担不同类型的订单，从而更好地分配订单资源，提高制造效率。同时，通过使用用户信用修正评分对用户实时订单进行订单筛选处理，以筛选出信用用户的订单，这样有助于确保为3D打印制造节点分配可信赖的用户订单，从而提高订单执行的可靠性。接着，通过对筛选出来的信用用户订单进行优先紧急排序处理，以分析信用用户订单的紧急性，从而生成优先紧急订单排序序列，这样能够优化订单分配，确保信用用户的订单得到合理分配和优先级排序，提高订单执行效率。接下来，通过利用历史订单信息数据，订单信任评分以及订单质疑评分对3D打印制造节点进行节点探索分析，以得到3D打印制造信任节点和3D打印制造质疑节点。并通过对质疑节点进行修正调整处理，以得到打印制造质疑修正节点，然后将信任节点和修正节点合并，形成3D打印制造优化节点。基于制造节点能力承受数据和优化节点，对优先紧急订单排序序列中的信用用户订单进行派发处理，以生成用户订单派发结果数据，这样能够充分利用3D打印设备的性能和特性以及订单用户的反馈信息来进行订单的派单过程，提高了制造节点的选择和订单派发的智能性，从而增加了订单的成功执行率。最后，通过对3D打印制造优化节点进行负载分析，有助于平台实时监控制造节点的负载情况，并根据负载情况对订单进行调整，以最大程度地优化资源利用和用户订单满足率，从而提高了用户订单的生产效率和订单执行的效率，以满足用户需求。

优选地，本发明还提供了一种分布式3D打印制造平台的订单派单系统，用于执行如上所述的分布式3D打印制造平台的订单派单方法，该分布式3D打印制造平台的订单派单系统包括：

用户信用评分检测模块，用于获取分布式3D打印制造平台的历史订单信息数据，并对历史订单信息数据进行用户信息识别分析，得到订单用户信息数据；对订单用户信息数据进行信用评分检测，从而得到订单用户信用评分；

用户信用评分修正模块，用于对历史订单信息数据进行信誉检测计算，得到订单信任评分以及订单质疑评分；根据订单质疑评分对历史订单信息数据进行质疑评估分析，得到订单质疑影响因子；根据订单质疑影响因子对订单用户信用评分进行信用修正分析，从而得到用户信用修正评分；

用户订单筛选排序模块，用于获取分布式3D打印制造平台的用户实时订单以及3D打印制造节点；对3D打印制造节点进行制造能力评估分析，得到制造节点能力承受数据；根据用户信用修正评分对用户实时订单进行订单筛选处理，得到信用用户订单；对信用用户订单进行优先紧急排序处理，从而得到优先紧急订单排序序列；

打印节点订单派发模块，用于基于历史订单信息数据利用订单信任评分以及订单质疑评分对3D打印制造节点进行节点探索分析，得到3D打印制造信任节点以及3D打印制造质疑节点；对3D打印制造质疑节点进行节点修正调整处理，得到打印制造质疑修正节点；将3D打印制造信任节点以及打印制造质疑修正节点进行合并处理，以得到3D打印制造优化节点；基于制造节点能力承受数据以及3D打印制造优化节点对优先紧急订单排序序列中的信用用户订单进行订单派发处理，从而得到用户订单派发结果数据；

打印节点派单调整模块，用于对3D打印制造优化节点进行负载分析，得到制造节点负载状况数据；根据制造节点负载状况数据对用户订单派发结果数据进行派单调整处理，从而得到用户订单派发调整数据。

综上所述，本发明提供了一种分布式3D打印制造平台的订单派单系统，该分布式3D打印制造平台的订单派单系统由用户信用评分检测模块、用户信用评分修正模块、用户订单筛选排序模块、打印节点订单派发模块以及打印节点派单调整模块组成，能够实现本发明所述任意一种分布式3D打印制造平台的订单派单方法，用于联合各个模块上运行的计算机程序之间的操作实现一种分布式3D打印制造平台的订单派单方法，系统内部结构互相协作，通过充分利用3D打印设备的性能和特性以及订单用户的反馈信息对分布式3D打印制造平台上的3D打印制造节点进行订单派单分配，使得订单派单方法更加智能，以更好地适应3D打印设备性能的变化，还通过采用了优先级调整，可以确保紧急和重要订单得到及时处理，能够提高用户满意度，同时，通过负载均衡机制来确保3D打印制造节点之间的订单分配均匀，能够根据负载情况重新安排订单来确保每个节点的负载均衡，从而提高订单生产效率和制造节点的利用率，这样能够大大减少重复工作和人力投入，能够快速有效地提供更准确、更高效的订单派单过程，从而简化了分布式3D打印制造平台的订单派单系统的操作流程。

附图说明

通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明分布式3D打印制造平台的订单派单方法的步骤流程示意图；

图2为图1中步骤S1的详细步骤流程示意图；

图3为图1中步骤S2的详细步骤流程示意图。

具体实施方式

下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。

应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。

为实现上述目的，请参阅图1至图3，本发明提供了一种分布式3D打印制造平台的订单派单方法，所述方法包括以下步骤：

步骤S1：获取分布式3D打印制造平台的历史订单信息数据，并对历史订单信息数据进行用户信息识别分析，得到订单用户信息数据；对订单用户信息数据进行信用评分检测，得到订单用户信用评分；

步骤S2：对历史订单信息数据进行信誉检测计算，得到订单信任评分以及订单质疑评分；根据订单质疑评分对历史订单信息数据进行质疑评估分析，得到订单质疑影响因子；根据订单质疑影响因子对订单用户信用评分进行信用修正分析，得到用户信用修正评分；

步骤S3：获取分布式3D打印制造平台的用户实时订单以及3D打印制造节点；对3D打印制造节点进行制造能力评估分析，得到制造节点能力承受数据；根据用户信用修正评分对用户实时订单进行订单筛选处理，得到信用用户订单；对信用用户订单进行优先紧急排序处理，得到优先紧急订单排序序列；

步骤S4：基于历史订单信息数据利用订单信任评分以及订单质疑评分对3D打印制造节点进行节点探索分析，得到3D打印制造信任节点以及3D打印制造质疑节点；对3D打印制造质疑节点进行节点修正调整处理，得到打印制造质疑修正节点；将3D打印制造信任节点以及打印制造质疑修正节点进行合并处理，以得到3D打印制造优化节点；基于制造节点能力承受数据以及3D打印制造优化节点对优先紧急订单排序序列中的信用用户订单进行订单派发处理，得到用户订单派发结果数据；

步骤S5：对3D打印制造优化节点进行负载分析，得到制造节点负载状况数据；根据制造节点负载状况数据对用户订单派发结果数据进行派单调整处理，得到用户订单派发调整数据。

本发明实施例中，请参考图1所示，为本发明分布式3D打印制造平台的订单派单方法的步骤流程示意图，在本实例中，所述分布式3D打印制造平台的订单派单方法的步骤包括：

步骤S1：获取分布式3D打印制造平台的历史订单信息数据，并对历史订单信息数据进行用户信息识别分析，得到订单用户信息数据；对订单用户信息数据进行信用评分检测，得到订单用户信用评分；

本发明实施例通过从分布式3D打印制造平台的数据库或日志文件中提取必要的历史信息数据，包括订单编号、订单日期、订单金额、产品/服务信息、客户信息以及相关的订单状态信息，从而得到历史订单信息数据。然后，通过使用数据挖掘技术或文本分析技术从历史订单信息数据中提取出与用户相关的信息数据，从而得到订单用户信息数据。最后，通过对订单用户信息数据进行评价处理，并通过评价结果对每个用户进行信用评分，以确定对应用户的信用水平，最终得到订单用户信用评分。

步骤S2：对历史订单信息数据进行信誉检测计算，得到订单信任评分以及订单质疑评分；根据订单质疑评分对历史订单信息数据进行质疑评估分析，得到订单质疑影响因子；根据订单质疑影响因子对订单用户信用评分进行信用修正分析，得到用户信用修正评分；

本发明实施例通过使用自然语言处理技术对历史订单信息数据中的用户评论文本进行挖掘分析，以提取出历史订单中用户对平台所制造的产品和服务的评价信息，同时，通过分析评价信息中的情感词汇与信誉之间的关系，以帮助更准确地了解用户对订单完成的情感反馈，并评估用户评论的信誉水平，根据信誉水平量化分析用户对订单的信任程度和质疑程度，从而得到订单信任评分以及订单质疑评分。然后，通过使用计算得到的订单质疑评分对历史订单信息数据中对应的订单进行评估分析，以识别导致对应订单被质疑的影响因子，包括订单交付延迟、订单产品质量问题等，从而得到订单质疑影响因子。最后，通过使用分析得到的质疑信用影响因子对订单用户信用评分进行分析，以检测出对用户信用影响最显著的因子并生成相应的信用修正指数，并根据生成的信用修正指数对订单用户信用评分进行修正，以能够更加准确地反映订单用户的信用状况，最终得到用户信用修正评分。

步骤S3：获取分布式3D打印制造平台的用户实时订单以及3D打印制造节点；对3D打印制造节点进行制造能力评估分析，得到制造节点能力承受数据；根据用户信用修正评分对用户实时订单进行订单筛选处理，得到信用用户订单；对信用用户订单进行优先紧急排序处理，得到优先紧急订单排序序列；

本发明实施例通过收集来自分布式3D打印制造平台上用户的实时订单信息，包括订单的设计文件和相关订单设计要求，同时，也收集获取与订单制造相关的3D打印制造节点，这些节点包括承担订单制造方所需的3D打印设备以及3D打印材料，从而得到用户实时订单以及3D打印制造节点。然后，通过使用能力评估方法对各个3D打印制造节点的制造能力进行评估分析，以确定各个3D打印制造节点的制造能力和可承受的制造负荷，从而得到制造节点能力承受数据。接下来，通过使用用户信用修正评分来判断用户实时订单中用户的信誉和支付历史，并根据判断结果筛选出用户实时订单中信用较高的用户订单，以得到信用用户订单。最后，通过使用信用用户订单中的订单截止日期、交付时间或其他相关因素对信用用户订单进行紧急检测分析，以确定信用用户订单的紧急程度，根据分析得到的紧急程度确定优先级情况来对信用用户订单进行排序处理，根据优先级情况建立合理的订单处理顺序，最终得到优先紧急订单排序序列。

步骤S4：基于历史订单信息数据利用订单信任评分以及订单质疑评分对3D打印制造节点进行节点探索分析，得到3D打印制造信任节点以及3D打印制造质疑节点；对3D打印制造质疑节点进行节点修正调整处理，得到打印制造质疑修正节点；将3D打印制造信任节点以及打印制造质疑修正节点进行合并处理，以得到3D打印制造优化节点；基于制造节点能力承受数据以及3D打印制造优化节点对优先紧急订单排序序列中的信用用户订单进行订单派发处理，得到用户订单派发结果数据；

本发明实施例根据历史订单信息数据上的订单完成情况(其中包括使用哪个3D打印制造节点完成的)、用户反馈等信息数据结合订单信任评分以及订单质疑评分对相应的3D打印制造节点进行探索分析，以分析完成历史订单中值得信赖以及对其打印制造能力存在质疑的3D打印制造节点，从而得到3D打印制造信任节点以及3D打印制造质疑节点。然后，通过对每个3D打印制造质疑节点进行详细的根因分析，以确定造成用户质疑的具体原因，包括打印制造质量问题、订单完成延迟等原因，并对分析得到的具体原因进行针对性的修正调整，以改善对应3D打印制造质疑节点的表现和可信度，同时消除其中的用户质疑问题，从而得到打印制造质疑修正节点。接下来，通过将3D打印制造信任节点以及经过修正处理后的打印制造质疑修正节点合并在一起，以建立一个更可靠和优化的打印制造节点集合，从而得到3D打印制造优化节点。最后，通过分析3D打印制造优化节点对应的能力承受数据来决定对该3D打印制造优化节点的订单分配情况，同时制定相应的订单派发策略对优先紧急订单排序序列中的信用用户订单进行订单派发，以便订单派发策略将优先紧急订单排序序列中的信用用户订单分配给相应的3D打印制造优化节点，最终得到用户订单派发结果数据。

步骤S5：对3D打印制造优化节点进行负载分析，得到制造节点负载状况数据；根据制造节点负载状况数据对用户订单派发结果数据进行派单调整处理，得到用户订单派发调整数据。

本发明实施例首先通过对3D打印制造优化节点中3D打印设备以及3D打印材料的资源利用情况以及3D打印任务情况进行分析，以分析确定各个3D打印制造优化节点的当前工作状态和资源利用情况的负载情况，从而得到制造节点负载状况数据。然后，通过分析制造节点的负载状况数据，并根据分析结果对用户订单派发结果数据中的订单派发结果进行重新分配调整，以确定哪些订单任务应该重新分配给哪些不存在负载情况的3D打印制造优化节点，从而最大程度地平衡节点的负载情况，最终得到用户订单派发调整数据。

本发明首先通过收集分布式3D打印制造平台的历史订单信息数据，并对收集到的历史订单信息数据进行用户信息的识别分析，以获取订单用户信息数据，这样可以从历史订单数据中提取有关订单用户的信息，如姓名、联系信息和购买历史，这有助于建立用户档案，了解用户的订单特征，例如购买习惯和首选产品类别，这样可以用于平台的个性化市场推广、客户关系管理以及改进客户满意度。随后，通过对订单用户信息数据进行信用评分检测，能够实现对历史订单用户的信用状况进行准确评估，以帮助平台了解用户的信用可靠性，以便更好地管理订单和资源。其次，通过对历史订单信息数据进行信誉检测计算，以生成订单信任评分和订单质疑评分，这样可以量化用户的信任水平和对订单问题的质疑，这有助于标识高信誉用户，减少不良交易风险，以及提前识别可能的争议和问题，从而减轻潜在损失。同时，通过基于订单质疑评分对历史订单信息数据进行质疑评估分析，可以确定哪些订单存在争议或问题，并了解其根本原因，这有助于改进服务质量、解决争议，提高用户满意度，减少退款和纠纷，从而提升平台的声誉。通过使用分析得到的质疑信用影响因子对订单用户信用评分进行信用影响修正分析，可以通过分析生成相应的修正指数来修正用户的信用评分，以更准确地反映他们的信誉状况，这样有助于提高信用评分的公正性，确保风险管理的准确性，为平台提供更可靠的用户信用信息，使得平台能够更准确地了解用户的可靠性和质疑情况，从而降低潜在的风险和损失。然后，通过实时获取分布式3D打印制造平台上的用户订单以及3D打印制造节点的信息，这样通过获取相应的数据有益于建立全面的生产环境的数据视图，使得平台能够为后续的处理过程提供基础数据保障，同时对订单进行有效的分配和调度，确保订单能够顺利进行3D打印制造。并通过对3D打印制造节点进行制造能力评估分析，以确定各个3D打印制造节点的制造能力和可承受的制造负荷，这有助于平台了解可用制造资源的状况，为订单的分配和安排提供了重要信息，还有助于平台了解哪些3D打印制造节点可以承担不同类型的订单，从而更好地分配订单资源，提高制造效率。同时，通过使用用户信用修正评分对用户实时订单进行订单筛选处理，以筛选出信用用户的订单，这样有助于确保为3D打印制造节点分配可信赖的用户订单，从而提高订单执行的可靠性。接着，通过对筛选出来的信用用户订单进行优先紧急排序处理，以分析信用用户订单的紧急性，从而生成优先紧急订单排序序列，这样能够优化订单分配，确保信用用户的订单得到合理分配和优先级排序，提高订单执行效率。接下来，通过利用历史订单信息数据，订单信任评分以及订单质疑评分对3D打印制造节点进行节点探索分析，以得到3D打印制造信任节点和3D打印制造质疑节点。并通过对质疑节点进行修正调整处理，以得到打印制造质疑修正节点，然后将信任节点和修正节点合并，形成3D打印制造优化节点。基于制造节点能力承受数据和优化节点，对优先紧急订单排序序列中的信用用户订单进行派发处理，以生成用户订单派发结果数据，这样能够充分利用3D打印设备的性能和特性以及订单用户的反馈信息来进行订单的派单过程，提高了制造节点的选择和订单派发的智能性，从而增加了订单的成功执行率。最后，通过对3D打印制造优化节点进行负载分析，有助于平台实时监控制造节点的负载情况，并根据负载情况对订单进行调整，以最大程度地优化资源利用和用户订单满足率，从而提高了用户订单的生产效率和订单执行的效率，以满足用户需求。

优选地，步骤S1包括以下步骤：

步骤S11：获取分布式3D打印制造平台的历史订单信息数据；

步骤S12：对历史订单信息数据进行数据质量筛选处理，得到订单信息高质量数据；

步骤S13：对订单信息高质量数据进行用户信息识别分析，得到订单用户信息数据；

步骤S14：对订单用户信息数据进行用户画像挖掘分析，得到订单用户画像数据；

步骤S15：对订单用户画像数据进行用户评价分析，得到订单用户评价数据；

步骤S16：对订单用户评价数据进行信用评分检测，得到订单用户信用评分。

作为本发明的一个实施例，参考图2所示，为图1中步骤S1的详细步骤流程示意图，在本实施例中步骤S1包括以下步骤：

步骤S11：获取分布式3D打印制造平台的历史订单信息数据；

本发明实施例通过从分布式3D打印制造平台的数据库或日志文件中提取必要的历史信息数据，包括订单编号、订单日期、订单金额、产品/服务信息、客户信息以及相关的订单状态信息，最终得到历史订单信息数据。

步骤S12：对历史订单信息数据进行数据质量筛选处理，得到订单信息高质量数据；

本发明实施例首先通过对历史订单信息数据进行数据清洗，包括去除重复记录、处理缺失值、纠正数据格式错误等，以确保数据的质量，并通过进行异常值检测，以识别和处理历史订单信息数据中存在的异常订单数据，最终得到订单信息高质量数据。

步骤S13：对订单信息高质量数据进行用户信息识别分析，得到订单用户信息数据；

本发明实施例通过使用数据挖掘技术或文本分析技术从订单信息高质量数据中提取出与用户相关的信息数据，最终得到订单用户信息数据。

步骤S14：对订单用户信息数据进行用户画像挖掘分析，得到订单用户画像数据；

本发明实施例通过使用订单用户信息数据建立用户画像挖掘模型，然后，通过使用建立的用户画像挖掘模型对订单用户信息数据进行分析，来创建详细的用户画像，以识别用户的购买特征和偏好，包括年龄、性别、兴趣、购买历史和偏好等信息，最终得到订单用户画像数据。

步骤S15：对订单用户画像数据进行用户评价分析，得到订单用户评价数据；

本发明实施例通过使用评价分析技术对订单用户画像数据进行分析，以深入了解用户对订单产品的反馈，包括满意度、意见建议、投诉、评论等，最终得到订单用户评价数据。

步骤S16：对订单用户评价数据进行信用评分检测，得到订单用户信用评分。

本发明实施例通过使用订单用户评价数据的评价结果对每个用户进行信用评分，以确定对应用户的信用水平，最终得到订单用户信用评分。

本发明首先通过收集分布式3D打印制造平台的历史订单信息数据，可以建立一个全面的平台订单业务数据集，这有助于追踪订单数量、类型和交易规模的变化，从而更好地了解订单业务运营的趋势和历史演变。通过对历史订单数据的收集，可以创建时间序列数据，以便更好地预测用户需求、用户画像和用户评价。同时，通过对收集到的历史订单信息数据进行数据质量筛选处理，可以确保收集到的数据集准确、一致且可信，这个步骤通过清理数据来去除错误项、去重复项以及填补缺失值，来减少历史订单信息数据的质量问题对后续分析的影响。通过数据清洗有助于提高后续分析过程的可靠性，确保后续的处理步骤是基于高质量数据做出的战略性选择。其次，通过对订单信息高质量数据进行用户信息识别分析，可以从历史订单数据中提取有关订单用户的信息，如姓名、联系信息和购买历史，这有助于建立用户档案，了解用户的订单特征，例如购买习惯和首选产品类别，这样可以用于平台的个性化市场推广、客户关系管理以及改进客户满意度。然后，通过对订单用户信息数据进行用户画像挖掘分析，可以创建详细的用户画像，包括年龄、性别、兴趣、购买历史和偏好等信息，这有助于更好地了解用户群体，为他们提供个性化的产品和服务，提高用户忠诚度，并为后续的信用评分检测提供基础数据。接下来，通过对订单用户画像数据进行用户评价分析，能够根据用户画像数据深入了解用户对订单产品的反馈，包括满意度、意见建议、投诉、评论等，这些分析有助于改善平台制造的产品质量、优化平台服务流程，并且能够及时回应用户需求，从而提高用户满意度和忠诚度，为后续的信用评分检测提供数据保障。最后，通过对订单用户评价数据进行信用评分检测，能够根据评价结果数据来量化用户的信用风险，这对于制定信用政策、确定付款条件、减少不良账款风险以及定价策略非常关键。另外，检测得到的信用评分有助于降低风险，确保后续过程中的订单业务与可信赖的用户合作。

优选地，步骤S2包括以下步骤：

步骤S21：对历史订单信息数据进行评论挖掘分析，得到历史订单评论信息数据；

步骤S22：对历史订单评论信息数据进行词云关键识别分析，得到订单评论关键词信息数据；

步骤S23：对订单评论关键词信息数据进行信誉评估分析，得到订单评论信誉评估数据；

步骤S24：利用信誉评分检测计算公式对订单评论信誉评估数据进行评分计算，得到订单信任评分以及订单质疑评分；

步骤S25：根据订单质疑评分对历史订单信息数据进行质疑评估分析，得到订单质疑影响因子；

步骤S26：根据订单质疑影响因子对订单用户信用评分进行信用影响检测分析，得到质疑信用影响修正指数；根据质疑信用影响修正指数对订单用户信用评分进行信用修正处理，得到用户信用修正评分。

作为本发明的一个实施例，参考图3所示，为图1中步骤S2的详细步骤流程示意图，在本实施例中步骤S2包括以下步骤：

步骤S21：对历史订单信息数据进行评论挖掘分析，得到历史订单评论信息数据；

本发明实施例通过使用自然语言处理技术对历史订单信息数据中的用户评论文本进行挖掘分析，以提取出历史订单中用户对平台所制造的产品和服务的评价信息，最终得到历史订单评论信息数据。

步骤S22：对历史订单评论信息数据进行词云关键识别分析，得到订单评论关键词信息数据；

本发明实施例首先通过对挖掘得到的历史订单评论信息数据进行文本处理，例如分词、去除停用词等，以确保数据的精确性，然后，通过使用文本分析技术识别并提取历史订单评论信息数据中较为重要的短语，并通过生成词云图，以直观展示短语的频率和重要性，从中提取出关键词汇，最终得到订单评论关键词信息数据。

步骤S23：对订单评论关键词信息数据进行信誉评估分析，得到订单评论信誉评估数据；

本发明实施例通过分析订单评论关键词信息数据中的情感词汇与信誉之间的关系，以帮助更准确地了解用户对订单完成的情感反馈，并评估用户评论的信誉水平，最终得到订单评论信誉评估数据。

步骤S24：利用信誉评分检测计算公式对订单评论信誉评估数据进行评分计算，得到订单信任评分以及订单质疑评分；

本发明实施例通过结合积极和负面评论反馈数量参数、总评论反馈数量参数、积极和负面评论质量参数、总评论质量参数、积极和负面评论词汇数量参数、积极和负面评论词汇数量的均值和标准差、相对应的评分调节参数以及相关参数构成了一个合适的信誉评分检测计算公式对订单评论信誉评估数据进行评分计算，以量化分析用户对订单的信任程度和质疑程度，最终得到订单信任评分以及订单质疑评分。另外，该信誉评分检测计算公式还能够使用本领域内任意一种信誉检测算法来代替评分计算的过程，并不局限于该信誉评分检测计算公式。

步骤S25：根据订单质疑评分对历史订单信息数据进行质疑评估分析，得到订单质疑影响因子；

本发明实施例通过使用计算得到的订单质疑评分对历史订单信息数据中对应的订单进行评估分析，以识别导致对应订单被质疑的影响因子，包括订单交付延迟、订单产品质量问题等，最终得到订单质疑影响因子。

步骤S26：根据订单质疑影响因子对订单用户信用评分进行信用影响检测分析，得到质疑信用影响修正指数；根据质疑信用影响修正指数对订单用户信用评分进行信用修正处理，得到用户信用修正评分。

本发明实施例首先通过使用分析得到的质疑信用影响因子对订单用户信用评分进行分析，以检测出对用户信用影响最显著的因子并生成相应的信用修正指数，从而得到质疑信用影响修正指数。然后，根据生成的质疑信用影响修正指数对订单用户信用评分进行修正，以能够更加准确地反映订单用户的信用状况，最终得到用户信用修正评分。

本发明首先通过对历史订单信息数据进行评论挖掘分析，能够深入了解用户对平台所制造的产品和服务的评价，从而为后续了解满意度和不满意度的根本原因提供基础数据，这样有助于识别订单的问题领域、改进产品设计和服务流程，提高用户满意度和忠诚度。此外，还有助于发现隐含的需求，为市场定位和战略规划提供数据支持。同时，通过对历史订单评论信息数据进行词云关键识别分析，可以从大量的评论中提取出关键词汇，以发现用户最关心的话题和情感，这有助于了解用户需求、强化产品特点，并迅速发现可能的问题。平台可以利用这些信息来精确定位改进点，提供更符合用户期望的产品和服务。其次，通过对提取到的订单评论关键词信息数据进行信誉评估分析，能够客观评估用户对制造产品和服务的整体印象，这有助于了解用户对平台的信任程度，以及他们的满意度。基于这一分析，平台可以根据评估数据来计算用户对订单的信任评分，从而为后续的评分计算过程提供了基础数据保障。然后，通过使用合适的信誉评分检测计算公式对订单评论信誉评估数据进行评分计算，平台可以量化用户的信任水平和对订单问题的质疑，这有助于标识高信誉用户，减少不良交易风险，以及提前识别可能的争议和问题，从而减轻潜在损失。接下来，通过基于订单质疑评分对历史订单信息数据进行质疑评估分析，可以确定哪些订单存在争议或问题，并了解其根本原因，这有助于改进服务质量、解决争议，提高用户满意度，减少退款和纠纷，从而提升平台的声誉。最后，通过使用分析得到的质疑信用影响因子对订单用户信用评分进行信用影响检测分析，以检测出对用户信用影响最显著的因子并生成相应的信用修正指数，该修正指数可以修正用户的信用评分，以更准确地反映他们的信誉状况，这样有助于提高信用评分的公正性，确保风险管理的准确性，为平台提供更可靠的用户信用信息，从而降低潜在的风险和损失。

优选地，步骤S23包括以下步骤：

步骤S231：利用评论情感计算公式对订单评论关键词信息数据进行情感计算，得到评论情感程度值；

本发明实施例通过结合正面情绪的情感分数、负面情绪的情感分数、中性情绪的情感分数、情感强度参数、相对应的情感权重调节参数、中性情绪的调和平滑参数、意见检测计算的时间参数、情感强度的时间关联参数以及相关参数构成了一个合适的评论情感计算公式对订单评论关键词信息数据进行情感计算，以量化反映用户评论的情感极性，即正面、中性以及负面情感，最终得到评论情感程度值。另外，该评论情感计算公式还能够使用本领域内任意一种情感度量算法来代替情感计算的过程，并不局限于该评论情感计算公式。

其中，评论情感计算公式如下所示：

式中，S为评论情感程度值，n为订单评论关键词信息数据中情绪词汇的数量，Z

本发明构建了一个评论情感计算公式，用于对订单评论关键词信息数据进行情感计算，该评论情感计算公式综合考虑了情感词汇的数量、情感分数以及它们在总情感中的权重，还考虑了中性情绪、时间相关性等因素，使得对订单评论的情感进行了更加全面和细致的计算，同时考虑了在时间维度上的情感强度变化，这样可以帮助理解整体评论的情感倾向，以考虑到情感的强度和时间变化，从而有助于了解产品或服务在用户评论中的情感整体表现和评价。通过这个评估过程，可以得到订单评论信誉评估数据，从而对评论进行客观地分析和评价。该公式充分考虑了评论情感程度值S，订单评论关键词信息数据中情绪词汇的数量n，订单评论关键词信息数据中第i个情绪词汇表示为正面情绪的情感分数Z

该公式能够实现对订单评论关键词信息数据的情感计算过程，同时，通过评论情感程度值的修正值ε的引入可以根据计算过程中出现的误差情况进行调整，从而提高了评论情感计算公式的准确性和适用性。

步骤S232：根据预设的评论情感程度阈值对评论情感程度值进行细分判断，当评论情感程度值大于预设的评论情感程度阈值时，则将该评论情感程度值对应的订单评论关键词信息数据标记为评论负面情感数据；当评论情感程度值等于预设的评论情感程度阈值时，则将该评论情感程度值对应的订单评论关键词信息数据标记为评论中性情感数据并将其从订单评论关键词信息数据中剔除；当评论情感程度值小于预设的评论情感程度阈值时，则将该评论情感程度值对应的订单评论关键词信息数据标记为评论正面情感数据；

本发明实施例通过根据预先设置的评论情感程度阈值对计算得到的评论情感程度值进行比较判断，如果评论情感程度值大于预设的评论情感程度阈值，说明该评论情感程度值对应订单评论关键词信息数据的评论内容为负面情绪内容，则将该评论情感程度值对应的订单评论关键词信息数据标记为评论负面情感数据；如果评论情感程度值等于预设的评论情感程度阈值，说明该评论情感程度值对应订单评论关键词信息数据的评论内容为中性情绪内容，对后续的分析过程不会造成影响，则将该评论情感程度值对应的订单评论关键词信息数据标记为评论中性情感数据，并将其从订单评论关键词信息数据中移除；如果评论情感程度值小于预设的评论情感程度阈值，说明该评论情感程度值对应订单评论关键词信息数据的评论内容为正面情绪内容，则将该评论情感程度值对应的订单评论关键词信息数据标记为评论正面情感数据。

步骤S233：对评论负面情感数据以及评论正面情感数据进行情感分布检测分析，得到负面情感分布数据以及正面情感分布数据；

本发明实施例通过使用数据分布检测方法对被标记为评论负面情感数据以及评论正面情感数据进行分析，以检测它们在时间、地点或其他相关因素条件下的数据分布情况，最终得到负面情感分布数据以及正面情感分布数据。

步骤S234：对负面情感分布数据以及正面情感分布数据进行情感差异分析，得到评论情感分布差异数据；

本发明实施例通过比较负面情感分布数据以及正面情感分布数据的分布情况，并寻找负面情感分布数据以及正面情感分布数据之间的分布差异情况，以确定哪些因素导致了情感差异，最终得到评论情感分布差异数据。

步骤S235：对评论情感分布差异数据进行信誉因子识别分析，得到情感差异信誉关键因子；根据情感差异信誉关键因子对评论情感分布差异数据进行信誉关联分析，得到情感差异信誉关联数据；

本发明实施例通过评论情感分布差异数据对用户评论的信誉进行分析，以识别情感差异中影响用户评论信誉的关键因子，从而得到情感差异信誉关键因子。然后，通过使用关联规则分析技术对情感差异信誉关键因子以及评论情感分布差异数据进行进一步的关联分析，以分析情感差异与信誉之间的关联关系，确保能够更准确地分析情感差异与信誉之间的相互影响关系，最终得到情感差异信誉关联数据。

步骤S236：根据情感差异信誉关联数据对订单评论关键词信息数据进行评估分析，得到订单评论信誉评估数据。

本发明实施例通过使用情感差异信誉关联数据中的评论情感差异与用户信誉之间的关联关系对订单评论关键词信息数据进行分析，以帮助更准确地了解用户对订单完成的情感反馈，并识别与信誉相关的因素，最终得到订单评论信誉评估数据。

本发明首先通过使用合适的评论情感计算公式对订单评论关键词信息数据进行情感计算，计算得到的情感程度值可以反映用户评论的情感极性，即是正面、中性还是负面情感，这有助于将评论内容量化，以便更深入地理解用户的情感体验。同时，通过使用预先设置的评论情感程度阈值，将评论情感程度值进行划分，当情感程度值大于阈值时，将评论标记为负面情感，这有助于识别不满意或消极的评论。当情感程度值等于阈值时，评论被标记为中性情感，并将其移除，因为它们并没有对后续的分析过程产生积极或消极倾向。而当情感程度值小于阈值时，将评论标记为正面情感，这有助于识别满意或积极的评论，这样能够帮助平台快速筛选出潜在问题和好评，为后续分析提供清晰的情感数据。其次，通过对被标记出来的评论负面情感数据以及评论正面情感数据进行情感分布检测分析，以获得关于负面情感和正面情感的分布情况，这有助于了解负面情感和正面情感在评论中的分布程度，为后续分析提供情感分布的数据支持。然后，通过对负面情感分布数据以及正面情感分布数据进行情感差异分析，可以通过比较负面情感和正面情感的分布情况，来揭示正面和负面情感之间的差异，从而帮助了解不同类型的情感在评论中的分布情况，以及用户情感的变化趋势。接下来，通过对评论情感分布差异数据进行信誉因子识别分析，以确定影响情感差异的关键因子，如产品特性、服务质量等，这可以帮助平台识别潜在的问题和机会，并为改进产品或服务提供方向。此外，还通过情感差异信誉关键因子对评论情感分布差异数据进行关联分析，可以更准确地了解用户需求和满意度的关键因素。最后，通过使用分析得到的情感差异信誉关联数据对订单评论关键词信息数据进行评估分析，可以帮助更准确地了解用户对产品或服务的情感反馈，并识别与信誉相关的因素，这有助于改进产品、服务和用户体验，以增强用户满意度，维护品牌声誉，降低风险，以及制定有针对性的战略决策。

优选地，步骤S24中的信誉评分检测计算公式具体为：

式中，T

本发明构建了一个信誉评分检测计算公式，用于对订单评论信誉评估数据进行评分计算，该信誉评分检测计算公式综合考虑了积极评论反馈、积极评论质量、积极评论词汇数量、负面评论反馈、负面评论质量、负面评论词汇数量等因素，计算订单的信任评分和质疑评分，可以用于评估订单的整体质量和信任度。计算得到的评分反映了用户订单的信任和质疑情况，对于用户和服务提供商来说都非常有用，信任评分可以帮助用户选择可信赖的3D打印制造方，而质疑评分可以帮助平台识别可能存在制造问题的3D打印制造方并进行相应的调整。该公式充分考虑了订单评论信誉评估数据的数量N，第j个订单评论信誉评估数据中的积极评论反馈数量参数P

另外，还通过第j个订单评论信誉评估数据中的负面评论反馈数量参数Q

该公式能够实现对订单评论信誉评估数据的评分计算过程，同时，通过订单信任评分的修正值∈

优选地，步骤S25包括以下步骤：

步骤S251：根据订单质疑评分对历史订单信息数据进行质疑影响因素检测，得到订单质疑影响因素；

本发明实施例通过使用计算得到的订单质疑评分来检测分析历史订单信息数据中对应的订单信息数据，根据分析得到的订单信息数据(包括基于客户的反馈、退货情况、交付延误或其他相关因素)来识别出导致订单存在质疑有影响的各种潜在因素，最终得到订单质疑影响因素。

步骤S252：对订单质疑影响因素进行影响模式检测分析，得到质疑影响因素模式数据；

本发明实施例通过对已识别出来的订单质疑影响因素进行深入检测分析，以确定订单质疑影响因素之间的影响模式，以便帮助更好地理解订单存在质疑的原因，最终得到质疑影响因素模式数据。

步骤S253：对质疑影响因素模式数据进行模式拓扑分析，得到影响因素拓扑关系图；

本发明实施例通过拓扑分析工具对质疑影响因素模式数据进行拓扑分析，以分析建立各个质疑影响因素模式数据之间的拓扑关系，同时通过使用图表的形式可视化不同影响因素之间的关联，以便能够更好地理解它们之间的相互作用，最终得到影响因素拓扑关系图。

步骤S254：对影响因素拓扑关系图进行影响因素权衡处理，得到质疑影响因素权衡数据；

本发明实施例根据分析得到的影响因素拓扑关系图对各个影响因素进行权衡处理，包括评估不同影响因素的相对重要性，以确定哪些影响因素对订单质疑的影响更为显著，最终得到质疑影响因素权衡数据。

步骤S255：根据质疑影响因素权衡数据以及影响因素拓扑关系图对订单质疑影响因素进行因素调整，以得到质疑影响主要因素；

本发明实施例通过分析质疑影响因素的权衡数据以及拓扑关系图来调整各个影响因素的相对权重，以确定哪些订单质疑影响因素在解决质疑问题时最为关键，最终得到质疑影响主要因素。

步骤S256：对质疑影响主要因素进行影响评估分析，得到订单质疑影响因子。

本发明实施例通过对已确定的质疑影响主要因素进行评估分析，以分析确定每个影响因素对订单质疑的具体影响程度，并提供深入了解订单质疑问题的影响因子，最终得到订单质疑影响因子。

本发明首先通过使用计算得到的订单质疑评分来分析历史订单信息数据，以识别对订单质疑有影响的因素，这有益于确定导致用户质疑的根本原因，为问题解决提供方向，并改进用户满意度。同时，通过对检测分析出来的订单质疑影响因素进行影响模式的检测分析，可以确定不同订单质疑影响因素之间的关系，包括它们如何相互影响以及它们如何影响订单质疑的模式，这有助于识别出潜在的模式和趋势，从而帮助平台更好地了解用户质疑问题的根本原因。其次，通过对质疑影响因素模式数据进行模式拓扑分析，根据质疑影响因素模式数据来构建获得对应的订单质疑影响因素之间的拓扑关系图，该图能够表明不同订单质疑影响因素之间的联系，包括因果关系和相关性，为后续分析提供了可视化工具，使得平台能够更好地理解用户质疑问题的结构和相互关系。然后，通过对影响因素拓扑关系图进行影响因素权衡处理，可以确定哪些影响因素对订单质疑具有更大的影响力，这有益于优化资源分配，集中精力解决最重要的问题，从而提高效率和客户满意度。接下来，通过考虑质疑影响因素的权衡数据和拓扑关系图，可以对订单质疑影响因素进行因素调整，以确定哪些订单质疑影响因素在解决质疑问题时最为关键，这样有助于平台能够更精确地识别主要的质疑影响因素，从而优化问题解决的流程和效率。最后，通过对质疑影响主要因素进行影响评估分析，能够提供深入了解订单质疑问题的影响因子，分析得到的影响因子可以帮助平台采取有针对性的措施来改进订单处理流程、提高用户满意度，降低质疑率以及增强用户关系，这一系列步骤使得平台能够更有效地应对订单质疑，提高运营效率并提供更出色的用户体验。

优选地，步骤S3包括以下步骤：

步骤S31：获取分布式3D打印制造平台的用户实时订单以及3D打印制造节点，其中3D打印制造节点包括承担订单制造方的3D打印设备以及3D打印材料；

本发明实施例通过收集来自分布式3D打印制造平台上用户的实时订单信息，包括订单的设计文件和相关订单设计要求，同时，也收集获取与订单制造相关的3D打印制造节点，这些节点包括承担订单制造方所需的3D打印设备以及3D打印材料，最终得到用户实时订单以及3D打印制造节点。

步骤S32：对3D打印制造节点进行制造能力评估分析，得到制造节点能力承受数据；

本发明实施例通过使用能力评估方法对各个3D打印制造节点的制造能力进行评估分析，包括考察3D打印制造节点所具备的3D打印设备的性能和可用性以及相关3D打印材料是供应情况，以确定各个3D打印制造节点的制造能力和可承受的制造负荷，最终得到制造节点能力承受数据。

步骤S33：根据用户信用修正评分对用户实时订单进行订单筛选处理，得到信用用户订单；

本发明实施例通过使用用户信用修正评分来判断用户实时订单中用户的信誉和支付历史，并根据判断结果筛选出用户实时订单中信用较高的用户订单，以确保能够为3D打印制造节点分配可信赖的用户订单，最终得到信用用户订单。

步骤S34：对信用用户订单进行订单紧急检测分析，得到订单紧急状况数据；基于订单紧急状况数据对信用用户订单进行制造难度等级评估，得到紧急制造难度层次数据；

本发明实施例通过使用信用用户订单中的订单截止日期、交付时间或其他相关因素对信用用户订单进行紧急检测分析，以确定信用用户订单的紧急程度，从而得到订单紧急状况数据。然后，通过使用分析得到的订单紧急状况数据对相应的信用用户订单进行制造等级的评估，以评估信用用户订单的制造难度等级，最终得到紧急制造难度层次数据。

步骤S35：根据紧急制造难度层次数据对信用用户订单进行优先级检测分析，得到用户订单优先级；

本发明实施例通过分析紧急制造难度层次数据，根据分析结果对对应的信用用户订单进行优先级的分配，以确定每个信用用户订单的优先级，确保更复杂或紧急的订单能够获得更高的处理优先级，最终得到用户订单优先级。

步骤S36：根据用户订单优先级对信用用户订单进行订单排序处理，得到优先紧急订单排序序列。

本发明实施例通过使用分析得到的用户订单优先级对信用用户订单进行排序处理，根据优先级建立合理的订单处理顺序，以确保信用用户订单的合理分配和制造节点的有效利用，最终得到优先紧急订单排序序列。

本发明首先通过实时获取分布式3D打印制造平台上的用户订单以及3D打印制造节点的信息，其中3D打印制造节点包括承担订单制造的3D打印设备和相应的3D打印材料，这样通过获取相应的数据有益于建立全面的生产环境的数据视图，使得平台能够为后续的处理过程提供基础数据保障，同时对订单进行有效的分配和调度，确保订单能够顺利进行3D打印制造。其次，通过对3D打印制造节点进行制造能力评估分析，以确定各个3D打印制造节点的制造能力和可承受的制造负荷，这有助于平台了解可用制造资源的状况，为订单的分配和安排提供了重要信息，还有助于平台了解哪些3D打印制造节点可以承担不同类型的订单，从而更好地分配订单资源，提高制造效率。然后，通过使用用户信用修正评分对用户实时订单进行订单筛选处理，以筛选出信用用户的订单，这样有助于确保为3D打印制造节点分配可信赖的用户订单，还确保用户得到的可靠性和支付可行性，减少潜在的风险和纠纷，从而提高订单执行的可靠性。接下来，通过对筛选出来的信用用户订单进行订单紧急检测分析，以分析信用用户订单的紧急性，从而生成订单紧急状况数据。并且，基于生成的订单紧急状况数据对信用用户订单的制造难度进行评估分析，以得到紧急制造难度层次数据，这有助于平台了解哪些订单需要更迅速完成，以及它们的生产难度，有助于优化订单调度和资源分配。此外，通过使用评估得到的紧急制造难度层次数据对信用用户订单进行优先级检测分析，有助于确保更复杂或紧急的订单能够获得更高的处理优先级，以满足用户需求并提高订单交付的及时性。最后，通过使用分析得到的用户订单优先级对信用用户订单进行订单排序处理，能够建立合理的订单处理顺序，使得3D打印制造节点能够高效地处理订单，提供更好的用户体验，同时也提高平台整体的生产效率。

优选地，步骤S4包括以下步骤：

步骤S41：根据订单信任评分以及历史订单信息数据对3D打印制造节点进行信任探索分析，得到3D打印制造信任节点；

本发明实施例根据历史订单信息数据上的订单完成情况(其中包括使用哪个3D打印制造节点完成的)、用户反馈等信息数据结合订单信任评分对相应的3D打印制造节点进行探索分析，以分析完成历史订单中值得信赖的3D打印制造节点，最终得到3D打印制造信任节点。

步骤S42：根据订单质疑评分以及历史订单信息数据对3D打印制造节点进行质疑探索分析，得到3D打印制造质疑节点；

本发明实施例根据历史订单信息数据上的订单完成情况(其中包括使用哪个3D打印制造节点完成的)、用户质疑投诉情况等信息数据结合订单质疑评分对相应的3D打印制造节点进行探索分析，以分析完成历史订单中用户对其打印制造能力存在质疑的3D打印制造节点，最终得到3D打印制造质疑节点。

步骤S43：对3D打印制造质疑节点进行根因分析，得到节点质疑根因信息数据；

本发明实施例通过对每个3D打印制造质疑节点进行详细的根因分析，以确定造成用户质疑的具体原因，包括打印制造质量问题、订单完成延迟等原因，最终得到节点质疑根因信息数据。

步骤S44：根据节点质疑根因信息数据对3D打印制造质疑节点进行节点修正调整处理，得到打印制造质疑修正节点；

本发明实施例通过使用分析得到的节点质疑根因信息数据对每个3D打印制造质疑节点中发现的用户质疑问题进行针对性的修正调整，以改善对应3D打印制造质疑节点的表现和可信度，同时消除其中的用户质疑问题，最终得到打印制造质疑修正节点。

步骤S45：将3D打印制造信任节点以及打印制造质疑修正节点进行合并处理，以得到3D打印制造优化节点；

本发明实施例通过将3D打印制造信任节点以及经过修正处理后的打印制造质疑修正节点合并在一起，以建立一个更可靠和优化的打印制造节点集合，最终得到3D打印制造优化节点。

步骤S46：从制造节点能力承受数据中提取出各个3D打印制造优化节点对应的能力承受数据，以得到优化节点能力承受数据；

本发明实施例通过从评估分析后得到的制造节点能力承受数据中提取出各个3D打印制造优化节点对应的能力承受数据，包括对应3D打印制造优化节点的制造处理速度、可用资源、生产能力情况等信息，最终得到优化节点能力承受数据。

步骤S47：根据优化节点能力承受数据对3D打印制造优化节点进行订单派发调度分析，得到优化节点订单派发策略；

本发明实施例通过分析3D打印制造优化节点对应的优化节点能力承受数据来决定对该3D打印制造优化节点的订单分配情况，同时制定相应的订单派发策略，以确保订单能够有效、高效地分配到最合适的节点上，最终得到优化节点订单派发策略。

步骤S48：根据优化节点订单派发策略对优先紧急订单排序序列中的信用用户订单进行订单派发处理，得到用户订单派发结果数据。

本发明实施例通过使用分析得到的优化节点订单派发策略对优先紧急订单排序序列中的信用用户订单进行订单派发，以便根据优化节点订单派发策略将优先紧急订单排序序列中的信用用户订单分配给相应的3D打印制造优化节点，最终得到用户订单派发结果数据。

本发明首先通过使用订单信任评分以及历史订单信息数据对3D打印制造节点进行信任探索分析，以分析识别出对用户订单具有可信赖的3D打印制造节点，即3D打印制造信任节点，这有益于建立可靠的制造网络，确保订单分配给值得信赖的节点，提高生产效率和用户满意度，这个过程可以消除不可靠节点的风险，确保订单处理的可靠性和高质量的制造服务。同时，通过使用订单质疑评分以及历史订单信息数据对3D打印制造节点进行质疑探索分析，以找出用户存在质疑的3D打印制造节点，即3D打印制造质疑节点，这一步骤有助于识别可能存在用户质疑问题的节点，为后续的根因分析提供基础。通过定位和识别质疑节点有助于提升制造过程的透明度和质量，从而改进整体制造网络的可靠性。通过对识别出来的3D打印制造质疑节点进行根因分析，以识别可能导致用户质疑问题的原因，这样有益于深入了解质疑节点存在的问题和瓶颈，为解决节点不确定性提供依据。通过分析这些根本原因，可以有针对性地进行调整和改进，提高节点的稳定性和可信度。其次，通过使用节点质疑根因信息数据对3D打印制造质疑节点进行节点修正调整处理，可以对发现的用户质疑问题进行针对性的调整，以改善节点的表现和可信度。通过修正节点有助于消除用户质疑问题，提高节点的可靠性和制造过程的稳定性。接下来，通过将信任节点和经过修正的质疑节点合并，以得到3D打印制造优化节点。此过程通过整合了可信任的节点和经过修正改进的质疑节点，以建立一个更可靠和优化的制造网络，有助于提高整体的制造效率和质量，确保订单被分配到最合适和可信赖的节点上。并且，通过从制造节点能力承受数据中提取出优化节点的能力承受数据，以得到优化节点的生产能力情况，这有益于确保订单被分配到能够最佳完成任务的节点上，从而提高整体生产效率，保证订单的高质量完成。此外，通过使用提取出来的优化节点能力承受数据对3D打印制造优化节点进行订单派发调度分析，以分析得到最佳的订单派发策略，这样有助于优化订单分配，确保订单能够有效、高效地分配到最合适的节点上，从而提高整体制造网络的效率和生产能力。最后，通过使用分析得到的优化节点订单派发策略对优先紧急订单排序序列中的信用用户订单进行订单派发处理，有助于实现高效的订单派发，保证紧急订单和优先级高的订单能够迅速、准确地分配到合适的节点，保证高效的生产和满足客户需求。

优选地，步骤S5包括以下步骤：

步骤S51：对3D打印制造优化节点进行资源检测分析，得到节点资源利用信息数据；

本发明实施例首先通过收集和检测3D打印制造优化节点中3D打印设备以及3D打印材料的资源利用情况，包括计算资源、存储资源、材料库存、设备状态等信息，并对检测得到的资源利用信息进行分析，以描述各个节点的资源状态和利用情况来了解资源的可用性和利用率，最终得到节点资源利用信息数据。

步骤S52：对3D打印制造优化节点进行打印任务检测分析，得到节点打印任务排列信息数据；

本发明实施例通过检测3D打印制造优化节点中当前在排队的3D打印任务情况，包括订单任务类型、优先级、大小等信息，然后，通过对分析得到的打印任务情况进行分析，以了解各个3D打印制造优化节点上打印任务的排队和执行情况，最终得到节点打印任务排列信息数据。

步骤S53：根据节点资源利用信息数据以及节点打印任务排列信息数据对3D打印制造优化节点进行负载分析，得到制造节点负载状况数据；

本发明实施例通过结合检测分析得到的节点资源利用信息数据以及节点打印任务排列信息数据分析各个3D打印制造优化节点的打印制造负载情况，以确定各个3D打印制造优化节点的当前工作状态和资源利用情况，最终得到制造节点负载状况数据。

步骤S54：根据制造节点负载状况数据对用户订单派发结果数据进行负载分配方案分析，以得到负载订单分配方案；

本发明实施例首先通过分析制造节点的负载状况数据，然后根据分析结果对用户订单派发结果数据中的订单派发结果进行重新分配，以确定哪些订单任务应该重新分配给哪些不存在负载情况的3D打印制造优化节点，从而最大程度地平衡节点的负载情况，最终得到负载订单分配方案。

步骤S55：根据负载订单分配方案对用户订单派发结果数据进行派单调整处理，得到用户订单派发调整数据。

本发明实施例通过使用分析得到的负载订单分配方案对用户订单派发结果数据中的订单派发结果进行重新分配，以调整各个3D打印制造优化节点上的订单分配以符合负载均衡，最终得到用户订单派发调整数据。

本发明首先通过对3D打印制造优化节点进行资源的检测分析，能够对3D打印制造优化节点的资源利用情况进行详细审查，包括打印设备、材料、人力等，以获取节点资源利用信息数据，这有益于了解制造节点的资源状况，帮助有效管理资源，确保它们被充分利用，减少资源浪费，提高生产效率，降低成本，以满足生产需求。其次，通过对3D打印制造优化节点进行打印任务的检测分析，能够对3D打印制造优化节点的打印任务排列进行详细研究，以获得节点内部的任务排列信息数据，这有助于了解制造节点内部的任务分布和排列情况，以便更好地规划和管理生产流程，提高生产效率和降低制造周期。然后，通过借助节点资源利用信息数据和节点打印任务排列信息数据对3D打印制造优化节点进行负载分析，以评估3D打印制造优化节点的打印制造负载情况，这有益于确定节点的工作负荷和生产效率，为有效的生产调度提供基础。通过了解节点的负载情况，可以更好地分配任务，确保高效的生产运作。接下来，依据制造节点的负载状况数据，进行用户订单派发结果数据的负载分配方案分析，有助于根据负载状况数据优化用户订单的分配，确保它们被分配到适当的节点，以平衡节点的工作负担，提高整体的制造效率。通过合理的负载分配，可以降低节点过载风险，确保订单及时交付。最后，基于分析得到的负载订单分配方案，对用户订单派发结果数据进行派单调整处理，以获得用户订单派发调整数据。这一步骤有助于根据负载情况重新安排订单，确保每个节点的负载均衡，提高生产效率和制造节点的利用率。通过调整订单派发，可以更好地应对制造繁忙时期和高负载情况，提高订单交付的及时性和准确性。

优选地，本发明还提供了一种分布式3D打印制造平台的订单派单系统，用于执行如上所述的分布式3D打印制造平台的订单派单方法，该分布式3D打印制造平台的订单派单系统包括：

用户信用评分检测模块，用于获取分布式3D打印制造平台的历史订单信息数据，并对历史订单信息数据进行用户信息识别分析，得到订单用户信息数据；对订单用户信息数据进行信用评分检测，从而得到订单用户信用评分；

用户信用评分修正模块，用于对历史订单信息数据进行信誉检测计算，得到订单信任评分以及订单质疑评分；根据订单质疑评分对历史订单信息数据进行质疑评估分析，得到订单质疑影响因子；根据订单质疑影响因子对订单用户信用评分进行信用修正分析，从而得到用户信用修正评分；

用户订单筛选排序模块，用于获取分布式3D打印制造平台的用户实时订单以及3D打印制造节点；对3D打印制造节点进行制造能力评估分析，得到制造节点能力承受数据；根据用户信用修正评分对用户实时订单进行订单筛选处理，得到信用用户订单；对信用用户订单进行优先紧急排序处理，从而得到优先紧急订单排序序列；

打印节点订单派发模块，用于基于历史订单信息数据利用订单信任评分以及订单质疑评分对3D打印制造节点进行节点探索分析，得到3D打印制造信任节点以及3D打印制造质疑节点；对3D打印制造质疑节点进行节点修正调整处理，得到打印制造质疑修正节点；将3D打印制造信任节点以及打印制造质疑修正节点进行合并处理，以得到3D打印制造优化节点；基于制造节点能力承受数据以及3D打印制造优化节点对优先紧急订单排序序列中的信用用户订单进行订单派发处理，从而得到用户订单派发结果数据；

打印节点派单调整模块，用于对3D打印制造优化节点进行负载分析，得到制造节点负载状况数据；根据制造节点负载状况数据对用户订单派发结果数据进行派单调整处理，从而得到用户订单派发调整数据。

综上所述，本发明提供了一种分布式3D打印制造平台的订单派单系统，该分布式3D打印制造平台的订单派单系统由用户信用评分检测模块、用户信用评分修正模块、用户订单筛选排序模块、打印节点订单派发模块以及打印节点派单调整模块组成，能够实现本发明所述任意一种分布式3D打印制造平台的订单派单方法，用于联合各个模块上运行的计算机程序之间的操作实现一种分布式3D打印制造平台的订单派单方法，系统内部结构互相协作，通过充分利用3D打印设备的性能和特性以及订单用户的反馈信息对分布式3D打印制造平台上的3D打印制造节点进行订单派单分配，使得订单派单方法更加智能，以更好地适应3D打印设备性能的变化，还通过采用了优先级调整，可以确保紧急和重要订单得到及时处理，能够提高用户满意度，同时，通过负载均衡机制来确保3D打印制造节点之间的订单分配均匀，能够根据负载情况重新安排订单来确保每个节点的负载均衡，从而提高订单生产效率和制造节点的利用率，这样能够大大减少重复工作和人力投入，能够快速有效地提供更准确、更高效的订单派单过程，从而简化了分布式3D打印制造平台的订单派单系统的操作流程。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。