CN114548861A - 基于数字孪生的仓库管理方法 - Google Patents
基于数字孪生的仓库管理方法 Download PDFInfo
- Publication number
- CN114548861A CN114548861A CN202210108546.3A CN202210108546A CN114548861A CN 114548861 A CN114548861 A CN 114548861A CN 202210108546 A CN202210108546 A CN 202210108546A CN 114548861 A CN114548861 A CN 114548861A
- Authority
- CN
- China
- Prior art keywords
- goods
- warehouse
- data
- model
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
Abstract
本发明是一种基于数字孪生的仓库管理方法,属智能仓储技术领域。该方法在模型构建和数据映射的基础上,结合任务数据和仓库基础源数据,通过相关预测算法,实现各项任务的时间预测,为任务调度、规划提供数据基础,辅助管理人员决策。本发明方法基于仓库场所环境,建立一个自动化仓库空间的仿真虚拟模型,考虑自动输送平台位置、货物位置、入货口、出货口、入货道路和出货道路等信息;模型具有良好的可重构性,可根据具体需要灵活设定。同时,对道路进行规划、定义,通过智能调度与规划仿真,避免车辆碰撞和路径冲突,实现路线优化,提升作业效率。
Description
技术领域
本申请涉及仓库管控技术领域,特别涉及一种基于数字孪生的仓库管理方法。
背景技术
如今的仓库作业和仓库管理已十分复杂,仅靠手动录入和操作,不但费时费力,而且容易出错;同时,存在仓库货物信息难以实时把控、仓储设备在运行过程中的状态难以实时监控、仓库管理效率低下等问题。本发明以数字孪生技术为基础,构建智能化仓库管理***、方法,通过可视化管控、运输时间预测、智能调度与路径规划等技术,提升仓库运行效率和综合管理水平。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供了一种新的基于数字孪生的仓库管理方法,该方法通过智能调度与规划仿真,可以避免车辆碰撞和路径冲突,实现路线优化,提升作业效率。
本发明所要解决的技术问题是通过以下的技术方案来实现的。本发明是一种基于数字孪生的仓库管理方法,其特点是:
对仓库物理实体进行数字孪生体的构建:构建对象主要为自动输送平台、货架、货物和其它仓库物理实体设备;通过对各种构建对象的三维建模,结合大屏显示来完成数字孪生仓库的孪生展示;
建立从物理仓库到虚拟仓库的映射:主要包括物理实体、虚拟实体、服务、孪生数据、各组成部分间的映射连接;采用数据驱动的方法能利用***的历史和实时运行数据,对物理模型进行更新、修正,展示仓库实时运行状态;
在模型构建和数据映射的基础上,结合任务数据和仓库基础源数据,通过相关预测算法,实现各项任务的时间预测,为任务调度、规划提供数据基础,辅助管理人员决策;
基于仓库场所环境,建立一个自动化仓库空间的仿真虚拟模型,考虑自动输送平台位置、货物位置、入货口、出货口、入货道路和出货道路信息;同时,对道路进行规划、定义,通过智能调度与规划仿真,避免车辆碰撞和路径冲突。
本发明所述的一种基于数字孪生的仓库管理方法,其进一下优选的技术方案是:对货物出库需求时间进行预测,需求预测在整个仓库管理***中处在最底层并且起到一个支撑的作用,支持上层的多个决策优化***,而这些决策优化***利用精准的预测数据结合运筹学技术得出最优的决策,并将结果提供给更上层的业务执行***。
本发明所述的一种基于数字孪生的仓库管理方法,其进一下优选的技术方案是:对货物出库需求时间进行预测的方法是:从外部数据源获取所需的业务数据,然后对基础数据进行加工清洗,再通过时间序列或机器学习或其它人工智能技术对数据进行处理分析,最后计算出预测结果并通过多种途径推送给下游模块使用;
货物出库需求预测模块整体架构从上至下依次是:数据源输入层、基础数据加工层、核心业务层、数据输出层和下游执行模块;
(1)数据源输入层:仓库管理的数据源包括需要的大部分业务数据,包括货物信息、仓储信息、历史出库信息;对于货物准运计划数据大部分来自操作人员通过贮运***录入;
(2)核心业务层:该层是核心部分,主要包含特征构建、预测算法和预测结果加工;同时还可以包含多条不发生交集的业务线;
其中特征构建是将之前清洗过的基础数据通过近一步的处理转化成标准格式的特征数据,提供给后续算法模型使用;核心算法主要利用时间序列分析、机器学习或其它人工智能技术进行货物出库需求的预测;预测结果加工是在格式和一些特殊性要求上不能满足下游模块,因此还需要根据实际情况对其进行加工处理,比如增加标准差、货物出库标识的额外信息;
货物出库需求预测核心技术实现主要分为基础层、框架层、工具层和算法层;其中基础层使用HDFS用来做数据存储,Yarn用来做资源调度,并开发相关的任务调度模块;框架层以Spark RDD、Spark SQL、Hive为主;工具层直接使用比较成熟、稳定的算法和模型,这些算法都封装在第三方Python包中,第三方Python包选自xgboost、numpy、pandas、sklearn、scipy或者hyperopt;算法层主要分为包括时间序列、机器学习算法;
利用RNN内部的记忆来处理任意时序的输入序列;在货物准运的时间序列任务预测上主要包括ARIMA和Holt winters;其中,ARIMA是自回归积分滑动平均模型,主要用于预测类似仓库货物出库单量这种平稳的序列;Holt winters又称三次指数平滑算法,用于预测具有季节性和趋势明显的出库货物。
本发明所述的一种基于数字孪生的仓库管理方法,其进一下优选的技术方案是:算法层为迭代的决策树算法,GBDT,该算法由多棵决策树组成,所有树的决策结果累加起来做最终决策,使用它来预测高出库但历史规律不明显的货物。
本发明所述的一种基于数字孪生的仓库管理方法,其进一下优选的技术方案是:以机器学习算法为主的货物出库需求预测的一般流程如下:
(1)特征构建:通过数据分析、模型试验确定主要特征,通过一系列任务生成标准格式的特征数据;
(2)模型选择:不同的货物有不同的特性,所以首先会根据货物的历史出库需求量高低、特殊训练日敏感性等因素分配不同的算法模型;
(3)特征选择:对一批特征进行筛选过滤不需要的特征,不同类型的货物特征不同;
(4)样本分区:对训练数据进行分组,分成多组样本,训练时针对每组样本生成一个模型文件;一般是同类型货物被分成一组;
(5)模型参数:选择最优的模型参数,合适的参数将提高模型的准确度,因为需要对不同的参数组合分别进行模型训练和预测;
(6)模型训练:待特征、模型、样本都确定好后进行模型训练,训练后会生成模型文件,存储在HDFS中;
(7)模型预测:读取模型文件进行预测执行;
(8)多模型择优:为了提高预测准确度,使用多个算法模型,当每个模型的预测结果输出后,选择一个最优的预测结果;
(9)预测值异常拦截:越是复杂且不易解释的算法越容易出现极个别预测值异常偏高的情况,这种预测偏高无法结合历史货物出库需求数据进行解释,因此,可以通过一些规则将这些异常值拦截下来,并且用一个更加保守的数值代替;
(10)模型评价:计算预测准确度;
(11)误差分析:通过分析预测准确度得出一个误差在不同维度上的分布,以便给算法优化提供参考依据。
本发明所述的一种基于数字孪生的仓库管理方法,其进一下优选的技术方案是:该方法对多个货物同时出入库进行智能调度与自动输送平台的路径规划设计,
首先建立一个自动化仓库空间的仿真虚拟模型;主要考虑车辆货物停放位置即空闲或货架占用、入货口、出货口、入货道路和出货道路;仓库模型具有良好的可重构性,仓库空间的长度宽度、货架和车辆的数量和密度、入货口出货口的数量、位置、运输订单任务的数量和密度参数,根据具体需要灵活设定;
在仓库空间中,多个自动输送平台同时运行时,为了避免碰撞冲突、简化自动输送平台的运行规则、提高***运行的安全性,设定货架区域间的横向、纵向道路均为单行道;
对于建立的仓库空间模型,任务的形式是运送某一货架从停放位置到某个入货口/出货口位置,待入货/出货任务完成后,再搬运回货架区域位置;
任务可以分解成为以下3个步骤:
第1个步骤:自动输送平台运动到任务对应货架;
第2个步骤:自动输送平台装填完毕后运动到入/出货口;
第3个步骤:自动输送平台运动到合适的空位等待卸载;
针对前述物流任务的第1个步骤,根据一个评价函数对所有可能执行任务的自动输送平台进行评价,从中选取最合适的承运人,定义评价函数为:
gn=w*tn1*tn2
上式表示第n个自动输送平台执行此任务的总代价,tn1表示第n个自动输送平台完成当前正在运行的任务预计要耗费的时间;w表示拥塞系数,用来反映***的拥塞程度;设置w>1可以反映完成当前任务耗费的实际时间要多于预计的时间;tn2表示第n个自动输送平台运行到任务要求货架处花费的时间;
根据评价函数,将所有的自动输送平台分成正在执行当前任务和处于空闲状态两种类型,分别计算等待代价和路径代价,再根据两者之和对所有的自动输送平台进行评价,选取总代价gn最小的自动输送平台承担运输任务;
针对第3个步骤,应使自动输送平台搬运的货架尽快停放在空闲区域内,从而使得自动输送平台可以继续执行下一个任务;因此,选取距离起点最近的一个空闲位置停放;使用曼哈顿距离估计代价:
gn=abs(cur.x-n.x)+abs(cur.y-n.y)
式中:gn表示停放到第n个存放位置的代价;
cur.x表示当前点的横坐标,cur.y表示当前点的纵坐标;
n.x表示第n个存放位置的横坐标,n.y表示第n个存放位置的纵坐标;abs表示求绝对值的函数;
在设计的仓库空间结构中,应用于多个自动输送平台的运动规划的方法为修正和改进的A*算法;A*算法的基本流程是从起始点开始,根据估计代价选择性地扩展节点,直到将目标点扩展进来;关键是选择合适的评价函数:
f(n)=g(n)+h(n)
式中:f(n)代表从起始点经过节点n到达目标点的预估代价,g(n)代表从起始点到节点n的真实代价,h(n)代表从节点n到目标点的估计代价;
如果预先知道每个时刻所有自动输送平台的具***置,就可以在路径规划时预测并避免可能发生的道路冲突;为此,设置“时空运行地图”,记录下每个机器人随时间运行的轨迹,把规划出的机器人轨迹记录下来形成一张“横-纵-时间”的三维地图,作为轨迹规划的参考;同时,在考虑运动到某个位置的路程的基础上,进一步加入因防止碰撞而增加的等待时间代价;
修正路径规划方法,在每一次非规划的避让发生之后及时修正时空运行地图,使得地图与实际相符。
本发明所述的一种基于数字孪生的仓库管理方法,其进一下优选的技术方案是:为了避免可能发生的碰撞,设置独占点;在某个时刻某个位置只能由一个自动输送平***自占用;同一时刻的其他自动输送平台想要进入此位置必须等待。
与现有技术相比,本发明具有以下有益效果:
本发明方法在模型构建和数据映射的基础上,结合任务数据和仓库基础源数据,通过相关预测算法,实现各项任务的时间预测,为任务调度、规划提供数据基础,辅助管理人员决策。本发明方法基于仓库场所环境,建立一个自动化仓库空间的仿真虚拟模型,考虑自动输送平台位置、货物位置、入货口、出货口、入货道路和出货道路等信息;模型具有良好的可重构性,可根据具体需要灵活设定。同时,对道路进行规划、定义,通过智能调度与规划仿真,避免车辆碰撞和路径冲突,实现路线优化,提升作业效率。
附图说明
图1为本发明方法的逻辑图;
图2为仓储任务需求预测流程图;
图3为智能调度与路径规划业务流程图。
具体实施方式
下面结合附图及实施例,对本发明中的技术方案进行详细地描述。而不构成对本发明权利的限制。
参照图1,一种基于数字孪生的仓库管理方法:
对仓库物理实体进行数字孪生体的构建:构建对象主要为自动输送平台、货架、货物和其它仓库物理实体设备;通过对各种构建对象的三维建模,结合大屏显示来完成数字孪生仓库的孪生展示;
建立从物理仓库到虚拟仓库的映射:主要包括物理实体、虚拟实体、服务、孪生数据、各组成部分间的映射连接;采用数据驱动的方法能利用***的历史和实时运行数据,对物理模型进行更新、修正,展示仓库实时运行状态;
在模型构建和数据映射的基础上,结合任务数据和仓库基础源数据,通过相关预测算法,实现各项任务的时间预测,为任务调度、规划提供数据基础,辅助管理人员决策;
基于仓库场所环境,建立一个自动化仓库空间的仿真虚拟模型,考虑自动输送平台货物停放位置、入货口、出货口、入货道路和出货道路信息;同时,对道路进行规划、定义,通过智能调度与规划仿真,避免车辆碰撞和路径冲突。
如图2所示,本实施例对货物出库需求时间进行预测,需求预测在整个仓库管理***中处在最底层并且起到一个支撑的作用,支持上层的多个决策优化***,而这些决策优化***利用精准的预测数据结合运筹学技术得出最优的决策,并将结果提供给更上层的业务执行***。货物出库需求预测模块整体架构从上至下依次是:数据源输入层、基础数据加工层、核心业务层、数据输出层和下游执行模块。
首先从外部数据源获取所需的业务数据,然后对基础数据进行加工清洗,再通过时间序列或机器学习等人工智能技术对数据进行处理分析,最后计算出预测结果并通过多种途径推送给下游模块使用。
图2中给出了出库需求预测技术的核心内容介绍,主要包括以下内容:
(1)数据源输入层:仓库管理的数据源包括需要的大部分业务数据,例如货物信息、仓储信息、历史出库信息等等。而对于货物准运计划数据大部分来自操作人员通过贮运***录入;
(2)核心业务层:该层是核心部分,主要包含特征构建、预测算法和预测结果加工;同时可能包含多条不发生交集的业务线。其中特征构建是将之前清洗过的基础数据通过近一步的处理转化成标准格式的特征数据,提供给后续算法模型使用;核心算法主要利用时间序列分析、机器学习等人工智能技术进行货物出库需求的预测,是预测***中最为核心的部分;预测结果加工是在格式和一些特殊性要求上不能满足下游模块,因此还需要根据实际情况对其进行加工处理,比如增加标准差、货物出库标识等额外信息。
货物出库需求预测核心技术实现主要分为基础层、框架层、工具层和算法层。其中基础层使用HDFS用来做数据存储,Yarn用来做资源调度,并开发相关的任务调度模块;框架层以Spark RDD、Spark SQL、Hive为主;工具层直接使用比较成熟、稳定的算法和模型,这些算法都封装在第三方Python包中,比较常用的包有xgboost、numpy、pandas、sklearn、scipy和hyperopt等;算法层主要分为包括时间序列、机器学***均模型,主要用于预测类似仓库货物出库单量这种平稳的序列。Holt winters又称三次指数平滑算法,用于预测具有季节性和趋势明显的出库货物。
以机器学习算法为主的货物出库需求预测的一般流程如下:
1)特征构建:通过数据分析、模型试验确定主要特征,通过一系列任务生成标准格式的特征数据。
2)模型选择:不同的货物有不同的特性,所以首先会根据货物的历史出库需求量高低、特殊训练日敏感性等因素分配不同的算法模型。
3)特征选择:对一批特征进行筛选过滤不需要的特征,不同类型的货物特征不同。
4)样本分区:对训练数据进行分组,分成多组样本,真正训练时针对每组样本生成一个模型文件。一般是同类型货物被分成一组,这样做是考虑并行化以及模型的准确性。
5)模型参数:选择最优的模型参数,合适的参数将提高模型的准确度,因为需要对不同的参数组合分别进行模型训练和预测。
6)模型训练:待特征、模型、样本都确定好后就可以进行模型训练,训练往往会耗费很长时间,训练后会生成模型文件,存储在HDFS中。
7)模型预测:读取模型文件进行预测执行。
8)多模型择优:为了提高预测准确度,我们可能会使用多个算法模型,当每个模型的预测结果输出后***会通过一些规则来选择一个最优的预测结果。
9)预测值异常拦截:越是复杂且不易解释的算法越容易出现极个别预测值异常偏高的情况,这种预测偏高无法结合历史货物出库需求数据进行解释,因此,可以通过一些规则将这些异常值拦截下来,并且用一个更加保守的数值代替。
10)模型评价:计算预测准确度。
11)误差分析:通过分析预测准确度得出一个误差在不同维度上的分布,以便给算法优化提供参考依据。
如图3所示,本实施例对多个货物同时出入库进行智能调度与自动输送平台的路径规划设计,首先建立一个自动化仓库空间的仿真虚拟模型。主要考虑车辆货物停放位置(空闲或货架占用)、入货口、出货口、入货道路和出货道路。这个仓库模型具有良好的可重构性,仓库空间的长度宽度、货架和车辆的数量和密度、入货口出货口的数量、位置、运输订单任务的数量和密度等参数,都可以根据具体需要灵活设定。在仓库空间中,多个自动输送平台同时运行时,为了避免碰撞冲突、简化自动输送平台的运行规则、提高***运行的安全性,设定货架区域间的横向、纵向道路均为单行道。对于建立的仓库空间模型,任务的形式是运送某一货架从停放位置到某个入货口/出货口位置,待入货/出货任务完成后,再搬运回货架区域位置。任务可以分解成为自动输送平台运动到任务对应货架、自动输送平台装填完毕后运动到入/出货口以及自动输送平台运动到合适的空位等待卸载。
针对前述物流任务的第1个步骤,根据一个评价函数对所有可能执行任务的自动输送平台进行评价,从中选取最合适的承运人,定义评价函数为:
gn=w*tn1*tn2
上式表示第n个自动输送平台执行此任务的总代价,tn1表示第n个自动输送平台完成当前正在运行的任务预计要耗费的时间(若当前为空闲状态则此项为0)。w表示拥塞系数,用来反映***的拥塞程度。设置w>1可以反映完成当前任务耗费的实际时间要多于预计的时间。tn2表示第n个自动输送平台运行到任务要求货架处花费的时间。根据评价函数,将所有的自动输送平台分成正在执行当前任务和处于空闲状态两种类型,分别计算等待代价和路径代价,再根据两者之和对所有的自动输送平台进行评价,选取总代价gn最小的自动输送平台承担运输任务。
针对第3个步骤,应使自动输送平台搬运的货架尽快停放在空闲区域内,从而使得自动输送平台可以继续执行下一个任务。因此,选取距离起点最近的一个空闲位置停放。使用曼哈顿距离估计代价:
gn=abs(cur.x-n.x)+abs(cur.y-n.y)
式中:gn表示停放到第n个存放位置的代价。cur.x表示当前点的横坐标,cur.y表示当前点的纵坐标。n.x表示第n个存放位置的横坐标,n.y表示第n个存放位置的纵坐标。abs表示求绝对值的函数。
在设计的仓库空间结构中,目前,应用于多个自动输送平台的运动规划的方法有人工势场法、神经网络、模糊逻辑、A*等算法。其中,A*算法已经得到了广泛地应用,而且能够保证找到最优的求解路径。考虑仓储空间结构中道路单向运行的约束,在A*算法的基础上进行修正和改进。A*算法的基本流程是从起始点开始,根据估计代价选择性地扩展节点,直到将目标点扩展进来。关键是选择合适的评价函数:
f(n)=g(n)+h(n)
式中:f(n)代表从起始点经过节点n到达目标点的预估代价,g(n)代表从起始点到节点n的真实代价,h(n)代表从节点n到目标点的估计代价。
如果预先知道每个时刻所有自动输送平台的具***置,就可以在路径规划时预测并避免可能发生的道路冲突。为此,可以设置“时空运行地图”,记录下每个机器人随时间运行的轨迹,把规划出的机器人轨迹记录下来形成一张“横-纵-时间”的三维地图,作为轨迹规划的参考。同时,在考虑运动到某个位置的路程的基础上,进一步加入因防止碰撞而增加的等待时间代价。由此,在路径规划中考虑了冲突延时,可以减少规划出的路径产生冲突。
由于道路的单向性,规划的先后顺序并不能够保证运行时的优先级。如果后规划的任务***到先规划的任务道路前方,那么也只能由在道路后方的先规划的任务等待。这样就导致实际的轨迹跟原有的规划不完全符合。在这种情况下,任务仍然能够根据规划出来的路径完成,只是时间可能不合拍。如果继续根据有时间偏差的时空运行地图去规划新的任务,误差会积累,虽然任务仍然能够完成,但是路径不是最优。为此,修正路径规划方法,在每一次非规划的避让发生之后及时修正时空运行地图,使得地图与实际相符。
此外,为了避免可能发生的碰撞,设置独占点。在某个时刻某个位置只能由一个自动输送平***自占用。同一时刻的其他自动输送平台想要进入此位置必须等待。
以上仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所做的任何修改、等同替换等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于数字孪生的仓库管理方法,其特征在于:
对仓库物理实体进行数字孪生体的构建:构建对象主要为自动输送平台、货架、货物和其它仓库物理实体设备;通过对各种构建对象的三维建模,结合大屏显示来完成数字孪生仓库的孪生展示;
建立从物理仓库到虚拟仓库的映射:主要包括物理实体、虚拟实体、服务、孪生数据、各组成部分间的映射连接;采用数据驱动的方法能利用***的历史和实时运行数据,对物理模型进行更新、修正,展示仓库实时运行状态;
在模型构建和数据映射的基础上,结合任务数据和仓库基础源数据,通过相关预测算法,实现各项任务的时间预测,为任务调度、规划提供数据基础,辅助管理人员决策;
基于仓库场所环境,建立一个自动化仓库空间的仿真虚拟模型,考虑自动输送平台位置、货物位置、入货口、出货口、入货道路和出货道路信息;同时,对道路进行规划、定义,通过智能调度与规划仿真,避免车辆碰撞和路径冲突。
2.根据权利要求1所述的一种基于数字孪生的仓库管理方法,其特征在于:对货物出库需求时间进行预测,需求预测在整个仓库管理***中处在最底层并且起到一个支撑的作用,支持上层的多个决策优化***,而这些决策优化***利用精准的预测数据结合运筹学技术得出最优的决策,并将结果提供给更上层的业务执行***。
3.根据权利要求2所述的一种基于数字孪生的仓库管理方法,其特征在于:
对货物出库需求时间进行预测的方法是:从外部数据源获取所需的业务数据,然后对基础数据进行加工清洗,再通过时间序列或机器学习或其它人工智能技术对数据进行处理分析,最后计算出预测结果并通过多种途径推送给下游模块使用;
货物出库需求预测模块整体架构从上至下依次是:数据源输入层、基础数据加工层、核心业务层、数据输出层和下游执行模块;
(1)数据源输入层:仓库管理的数据源包括需要的大部分业务数据,包括货物信息、仓储信息、历史出库信息;对于货物准运计划数据大部分来自操作人员通过贮运***录入;
(2)核心业务层:该层是核心部分,主要包含特征构建、预测算法和预测结果加工;同时还可以包含多条不发生交集的业务线;
其中特征构建是将之前清洗过的基础数据通过近一步的处理转化成标准格式的特征数据,提供给后续算法模型使用;核心算法主要利用时间序列分析、机器学习或其它人工智能技术进行货物出库需求的预测;预测结果加工是在格式和一些特殊性要求上不能满足下游模块,因此还需要根据实际情况对其进行加工处理,比如增加标准差、货物出库标识的额外信息;
货物出库需求预测核心技术实现主要分为基础层、框架层、工具层和算法层;其中基础层使用HDFS用来做数据存储,Yarn用来做资源调度,并开发相关的任务调度模块;框架层以Spark RDD、Spark SQL、Hive为主;工具层直接使用比较成熟、稳定的算法和模型,这些算法都封装在第三方Python包中,第三方Python包选自xgboost、numpy、pandas、sklearn、scipy或者hyperopt;算法层主要分为包括时间序列、机器学习算法;
利用RNN内部的记忆来处理任意时序的输入序列;在货物准运的时间序列任务预测上主要包括ARIMA和Holt winters;其中,ARIMA是自回归积分滑动平均模型,主要用于预测类似仓库货物出库单量这种平稳的序列;Holt winters又称三次指数平滑算法,用于预测具有季节性和趋势明显的出库货物。
4.根据权利要求3所述的一种基于数字孪生的仓库管理方法,其特征在于:算法层为迭代的决策树算法,GBDT,该算法由多棵决策树组成,所有树的决策结果累加起来做最终决策,使用它来预测高出库但历史规律不明显的货物。
5.根据权利要求3所述的一种基于数字孪生的仓库管理方法,其特征在于:以机器学习算法为主的货物出库需求预测的一般流程如下:
(1)特征构建:通过数据分析、模型试验确定主要特征,通过一系列任务生成标准格式的特征数据;
(2)模型选择:不同的货物有不同的特性,所以首先会根据货物的历史出库需求量高低、特殊训练日敏感性等因素分配不同的算法模型;
(3)特征选择:对一批特征进行筛选过滤不需要的特征,不同类型的货物特征不同;
(4)样本分区:对训练数据进行分组,分成多组样本,训练时针对每组样本生成一个模型文件;一般是同类型货物被分成一组;
(5)模型参数:选择最优的模型参数,合适的参数将提高模型的准确度,因为需要对不同的参数组合分别进行模型训练和预测;
(6)模型训练:待特征、模型、样本都确定好后进行模型训练,训练后会生成模型文件,存储在HDFS中;
(7)模型预测:读取模型文件进行预测执行;
(8)多模型择优:为了提高预测准确度,使用多个算法模型,当每个模型的预测结果输出后,选择一个最优的预测结果;
(9)预测值异常拦截:越是复杂且不易解释的算法越容易出现极个别预测值异常偏高的情况,这种预测偏高无法结合历史货物出库需求数据进行解释,因此,可以通过一些规则将这些异常值拦截下来,并且用一个更加保守的数值代替;
(10)模型评价:计算预测准确度;
(11)误差分析:通过分析预测准确度得出一个误差在不同维度上的分布,以便给算法优化提供参考依据。
6.根据权利要求1所述的一种基于数字孪生的仓库管理方法,其特征在于:该方法对多个货物同时出入库进行智能调度与自动输送平台的路径规划设计,
首先建立一个自动化仓库空间的仿真虚拟模型;主要考虑车辆货物停放位置即空闲或货架占用、入货口、出货口、入货道路和出货道路;仓库模型具有良好的可重构性,仓库空间的长度宽度、货架和车辆的数量和密度、入货口出货口的数量、位置、运输订单任务的数量和密度参数,根据具体需要灵活设定;
在仓库空间中,多个自动输送平台同时运行时,为了避免碰撞冲突、简化自动输送平台的运行规则、提高***运行的安全性,设定货架区域间的横向、纵向道路均为单行道;
对于建立的仓库空间模型,任务的形式是运送某一货架从停放位置到某个入货口/出货口位置,待入货/出货任务完成后,再搬运回货架区域位置;
任务可以分解成为以下3个步骤:
第1个步骤:自动输送平台运动到任务对应货架;
第2个步骤:自动输送平台装填完毕后运动到入/出货口;
第3个步骤:自动输送平台运动到合适的空位等待卸载;
针对前述物流任务的第1个步骤,根据一个评价函数对所有可能执行任务的自动输送平台进行评价,从中选取最合适的承运人,定义评价函数为:
gn=w*tn1*tn2
上式表示第n个自动输送平台执行此任务的总代价,tn1表示第n个自动输送平台完成当前正在运行的任务预计要耗费的时间;w表示拥塞系数,用来反映***的拥塞程度;设置w>1可以反映完成当前任务耗费的实际时间要多于预计的时间;tn2表示第n个自动输送平台运行到任务要求货架处花费的时间;
根据评价函数,将所有的自动输送平台分成正在执行当前任务和处于空闲状态两种类型,分别计算等待代价和路径代价,再根据两者之和对所有的自动输送平台进行评价,选取总代价gn最小的自动输送平台承担运输任务;
针对第3个步骤,应使自动输送平台搬运的货架尽快停放在空闲区域内,从而使得自动输送平台可以继续执行下一个任务;因此,选取距离起点最近的一个空闲位置停放;使用曼哈顿距离估计代价:
gn=abs(cur.x-n.x)+abs(cur.y-n.y)
式中:gn表示停放到第n个存放位置的代价;
cur.x表示当前点的横坐标,cur.y表示当前点的纵坐标;
n.x表示第n个存放位置的横坐标,n.y表示第n个存放位置的纵坐标;abs表示求绝对值的函数;
在设计的仓库空间结构中,应用于多个自动输送平台的运动规划的方法为修正和改进的A*算法;A*算法的基本流程是从起始点开始,根据估计代价选择性地扩展节点,直到将目标点扩展进来;关键是选择合适的评价函数:
f(n)=g(n)+h(n)
式中:f(n)代表从起始点经过节点n到达目标点的预估代价,g(n)代表从起始点到节点n的真实代价,h(n)代表从节点n到目标点的估计代价;
如果预先知道每个时刻所有自动输送平台的具***置,就可以在路径规划时预测并避免可能发生的道路冲突;为此,设置“时空运行地图”,记录下每个机器人随时间运行的轨迹,把规划出的机器人轨迹记录下来形成一张“横-纵-时间”的三维地图,作为轨迹规划的参考;同时,在考虑运动到某个位置的路程的基础上,进一步加入因防止碰撞而增加的等待时间代价;
修正路径规划方法,在每一次非规划的避让发生之后及时修正时空运行地图,使得地图与实际相符。
7.根据权利要求6所述的一种基于数字孪生的仓库管理方法,其特征在于:为了避免可能发生的碰撞,设置独占点;在某个时刻某个位置只能由一个自动输送平***自占用;同一时刻的其他自动输送平台想要进入此位置必须等待。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108546.3A CN114548861A (zh) | 2022-01-28 | 2022-01-28 | 基于数字孪生的仓库管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108546.3A CN114548861A (zh) | 2022-01-28 | 2022-01-28 | 基于数字孪生的仓库管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548861A true CN114548861A (zh) | 2022-05-27 |
Family
ID=81673673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210108546.3A Pending CN114548861A (zh) | 2022-01-28 | 2022-01-28 | 基于数字孪生的仓库管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548861A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115421500A (zh) * | 2022-11-04 | 2022-12-02 | 北自所(北京)科技发展股份有限公司 | 基于数字孪生模型的自动装卸车控制方法和*** |
CN116703301A (zh) * | 2023-06-15 | 2023-09-05 | 山东盛太锆业资源有限公司 | 一种基于多个回收仓库信息二氧化锆废料管控方法 |
CN117196150A (zh) * | 2023-09-19 | 2023-12-08 | 西湾智慧(广东)信息科技有限公司 | 一种基于数字孪生的智慧园区中台*** |
CN117196480A (zh) * | 2023-09-19 | 2023-12-08 | 西湾智慧(广东)信息科技有限公司 | 一种基于数字孪生的智慧物流园区管理*** |
CN117236855A (zh) * | 2023-11-13 | 2023-12-15 | 山东朝辉生物科技有限公司 | 一种生物饲料仓储管理***及方法 |
CN117333114A (zh) * | 2023-11-30 | 2024-01-02 | 广州欧派集成家居有限公司 | 一种家居产品智能化分拣储存管理***及管理方法 |
CN117829723A (zh) * | 2023-12-18 | 2024-04-05 | 慧之安信息技术股份有限公司 | 一种基于工业元宇宙的仓储管理模拟方法和*** |
CN117910929A (zh) * | 2024-03-14 | 2024-04-19 | 浙江菜鸟供应链管理有限公司 | 仓储***全链路处理方法、以及仓储***全链路仿真平台 |
-
2022
- 2022-01-28 CN CN202210108546.3A patent/CN114548861A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115421500A (zh) * | 2022-11-04 | 2022-12-02 | 北自所(北京)科技发展股份有限公司 | 基于数字孪生模型的自动装卸车控制方法和*** |
CN116703301A (zh) * | 2023-06-15 | 2023-09-05 | 山东盛太锆业资源有限公司 | 一种基于多个回收仓库信息二氧化锆废料管控方法 |
CN116703301B (zh) * | 2023-06-15 | 2023-12-08 | 山东盛太锆业资源有限公司 | 一种基于多个回收仓库信息二氧化锆废料管控方法 |
CN117196150A (zh) * | 2023-09-19 | 2023-12-08 | 西湾智慧(广东)信息科技有限公司 | 一种基于数字孪生的智慧园区中台*** |
CN117196480A (zh) * | 2023-09-19 | 2023-12-08 | 西湾智慧(广东)信息科技有限公司 | 一种基于数字孪生的智慧物流园区管理*** |
CN117196150B (zh) * | 2023-09-19 | 2024-04-16 | 西湾智慧(广东)信息科技有限公司 | 一种基于数字孪生的智慧园区中台*** |
CN117196480B (zh) * | 2023-09-19 | 2024-05-03 | 西湾智慧(广东)信息科技有限公司 | 一种基于数字孪生的智慧物流园区管理*** |
CN117236855A (zh) * | 2023-11-13 | 2023-12-15 | 山东朝辉生物科技有限公司 | 一种生物饲料仓储管理***及方法 |
CN117333114A (zh) * | 2023-11-30 | 2024-01-02 | 广州欧派集成家居有限公司 | 一种家居产品智能化分拣储存管理***及管理方法 |
CN117333114B (zh) * | 2023-11-30 | 2024-04-02 | 广州欧派集成家居有限公司 | 一种家居产品智能化分拣储存管理***及管理方法 |
CN117829723A (zh) * | 2023-12-18 | 2024-04-05 | 慧之安信息技术股份有限公司 | 一种基于工业元宇宙的仓储管理模拟方法和*** |
CN117910929A (zh) * | 2024-03-14 | 2024-04-19 | 浙江菜鸟供应链管理有限公司 | 仓储***全链路处理方法、以及仓储***全链路仿真平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114548861A (zh) | 基于数字孪生的仓库管理方法 | |
Iglesias et al. | Data-driven model predictive control of autonomous mobility-on-demand systems | |
Cattaruzza et al. | The multi-trip vehicle routing problem with time windows and release dates | |
US20220156693A1 (en) | Computerized system and method for developing optimized cargo transportation solutions | |
Rizzoli et al. | Ant colony optimization for real-world vehicle routing problems: from theory to applications | |
Powell | An operational planning model for the dynamic vehicle allocation problem with uncertain demands | |
Sáez et al. | Hybrid adaptive predictive control for the multi-vehicle dynamic pick-up and delivery problem based on genetic algorithms and fuzzy clustering | |
Goodarzi et al. | A new bi-objective vehicle routing-scheduling problem with cross-docking: Mathematical model and algorithms | |
CN112001064B (zh) | 一种集装箱码头间全自主水上运输调度方法及*** | |
Lee et al. | Vehicle capacity planning system: A case study on vehicle routing problem with time windows | |
Ghannadpour et al. | A multi-objective vehicle routing and scheduling problem with uncertainty in customers’ request and priority | |
US20080010357A1 (en) | System, computer-implemented method, and software for vessel scheduling for product distribution | |
Kilic et al. | A mathematical model and a heuristic approach for periodic material delivery in lean production environment | |
Ancele et al. | Toward a more flexible VRP with pickup and delivery allowing consolidations | |
Jiang et al. | Picking-replenishment synchronization for robotic forward-reserve warehouses | |
Li et al. | Learning to optimize industry-scale dynamic pickup and delivery problems | |
Chargui et al. | Berth and quay crane allocation and scheduling with worker performance variability and yard truck deployment in container terminals | |
Chen et al. | A variable neighborhood search algorithm with reinforcement learning for a real-life periodic vehicle routing problem with time windows and open routes | |
CN115619198B (zh) | 库位移动规划方法、装置、电子设备及存储介质 | |
CN113848970A (zh) | 一种车辆-无人机多目标协同路径规划方法 | |
Wu et al. | A disruption recovery model for time-dependent vehicle routing problem with time windows in delivering perishable goods | |
CN116976069A (zh) | 一种物流园区与仓储决策支持软件平台*** | |
Kamsopa et al. | Hybrid genetic algorithm for multi-period vehicle routing problem with mixed pickup and delivery with time window, heterogeneous fleet, duration time and rest area | |
Touzout et al. | An assign-and-route matheuristic for the time-dependent inventory routing problem | |
Song et al. | Service time prediction for last-yard delivery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |