CN118246847A - 一种基于agv站点自定义业务路径规划配置*** - Google Patents
一种基于agv站点自定义业务路径规划配置*** Download PDFInfo
- Publication number
- CN118246847A CN118246847A CN202410659246.3A CN202410659246A CN118246847A CN 118246847 A CN118246847 A CN 118246847A CN 202410659246 A CN202410659246 A CN 202410659246A CN 118246847 A CN118246847 A CN 118246847A
- Authority
- CN
- China
- Prior art keywords
- agv
- task
- data
- coefficient
- abnormal
- 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
- 238000013439 planning Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 80
- 230000005856 abnormality Effects 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 79
- 230000008569 process Effects 0.000 claims description 53
- 230000002452 interceptive effect Effects 0.000 claims description 35
- 238000002372 labelling Methods 0.000 claims description 24
- 230000003993 interaction Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000007639 printing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012384 transportation and delivery Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AGV站点自定义业务路径规划配置***,涉及AGV站点路径规划技术领域,包括启动模块、调度模块、路径监测模块、异常报警模块、完结模块;启动模块:用于获取卷盘机的下线信号和货物数据,依据货物数据向WMS***发送获取货物位置数据请求;调度模块:用于获取货物位置数据和AGV位置数据,并发送起点和终点任务给AGV;路径监测模块:获取任务执行数据;异常报警模块:依据任务执行数据输入预设建立任务异常分析模型,判断任务异常情况,并发出警报;完结模块:获取AGV的任务完成信号后,向WMS***发送卸货完成信号,并将货位占用;本发明设计了一种与第三方自动化设备进行有效对接,并能及时发现任务执行偏差的方法。
Description
技术领域
本发明涉及AGV站点路径规划技术领域,更具体地说,本发明涉及一种基于AGV站点自定义业务路径规划配置***。
背景技术
AGV是一种通过自动导航***引导行驶的无人驾驶车辆。AGV主要用于工业应用中,如仓储、制造和配送中心等场景,以实现物料搬运、运输和物流自动化;AGV站点是指AGV在运行过程中进行特定操作的预设位置或区域。这些操作包括物料的装载和卸载、充电、维护和等待任务指令等。
GV在与第三方自动化设备或***互联互通时的通讯分为PLC 基于Modbus TCP通讯协议、基于Socket 通讯的TCP/IP通讯协议、基于上位机***Services接口通讯协议、基于上位机WebAPI通讯协议;所有通讯协议都是基于三方安全有效的握手通讯,及断线重连技术。
例如公布号为:CN115796553B的发明公布,公布了一种AGV任务调度方法、装置及AGV调度***,在当前的调度周期内,根据当前时刻分别确定每个待调度AGV任务在不超时完成情况下的可等待时长,并基于各个待调度AGV任务的可等待时长和任务优先级,确定各个待调度AGV任务在当前调度周期内的调度次序。若满足调度规则,则按照各个待调度AGV任务在当前调度周期内的调度次序进行任务调度。由于调度次序与可等待时长正相关,且与任务优先级负相关,因此,在任务优先级相同的情况下,可等待时长越短,超时风险越高,则调度次序越小,越先被调度。在可等待时长相同的情况下,任务优先级越高,调度次序越小,越先被调度。如此,可提升AGV任务执行的准时率。
例如公布号为:CN113592158B的发明公布,公布了多AGV路径规划和多AGV智能生产线中AGV与机器联合调度方法,采用A*算法与时间窗相结合,利用时间窗提前检测出AGV之间的冲突,采用等待或更换路径的方式来避免冲突,将其融入改进的A*算法中,最终能够为AGV规划出一条从任务起点到任务终点时间最短的无冲突路径。本发明建立智能生产线中以最大完工时间最小为优化目标的AGV与机器联合调度数学模型,在柔性车间调度问题的基础上,增加AGV资源的约束,即智能生产线调度问题,并提出混合遗传算法进行模型的求解。混合遗传算法采用三段式染色体编码方法得到问题的可行解,设计相应的选择、交叉和变异操作,将多AGV路径规划算法融入解码过程,获得智能生产线的调度结果。
上述公开的技术方案中,至少存在如下技术问题:AGV是一套独立的调度***,在实际运行过程中缺少与第三方自动化设备和第三方***的有效对接;同时存在任务执行偏差甚至失败的隐患,不能及时的发现,导致后续的其他问题。
针对上述问题,本发明提出一种解决方案。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种基于AGV站点自定义业务路径规划配置***,通过AGV站点路径规划,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于AGV站点自定义业务路径规划配置***,其特征在于,包括启动模块、调度模块、路径监测模块、异常报警模块、完结模块;启动模块:用于获取卷盘机的下线信号和货物数据,依据货物数据向WMS***发送获取货物位置数据请求;调度模块:用于获取货物位置数据和AGV位置数据,并发送起点和终点任务给AGV;路径监测模块:获取任务执行数据,任务执行数据包括路径数据和打码数据;异常报警模块:依据任务执行数据输入预设建立任务异常分析模型,判断任务异常情况,并发出警报;完结模块:获取AGV的任务完成信号后,向WMS***发送卸货完成信号,并将货位占用。
在一种优选的实施方式中,所述路径数据包括取货送货异常系数和运送过程交互异常系数,打码数据包括打码贴标异常系数。
在一种优选的实施方式中所述取货送货异常系数的具体获取方法如下:
计算实际运输时间与预期运输时间之间的时间差异值,评估AGV装货中目标位置的位置偏差值,获取振动幅值,结合时间差异值、位置偏差值、振动幅值通过几何平均的方法计算获取取货送货异常系数。
在一种优选的实施方式中,所述运送过程交互异常系数的具体获取方法如下:收集AGV在实际的运送过程中的交互数据,交互数据包括每次开门、关门、上下电梯的数据和时间;对采集到的交互数据进行预处理,包括去除重复记录、缺失值处理;根据交互数据,提取出可用于分析的交互特征,交互特征包括每次开门、关门的持续时间、开关门的次数、电梯使用的频率;基于K均值聚类算法将交互事件数据进行事件聚类;基于时间聚类识别获得异常簇,通过计算异常簇中异常事件的比例得到运送过程交互异常系数。
在一种优选的实施方式中,所述打码贴标异常系数的具体获取方法如下:获取历史每次打码贴标任务,记录历史误差率,计算平均误差率和误差率标准差;根据预期误差率和误差率标准差来设定上控制限和下控制限;实时记录超过上控制限和下控制限的异常打码事件数量;将异常打码事假数量与总任务数量进行对比分析得到打码贴标异常系数。
在一种优选的实施方式中,所述判断任务异常情况,并发出警报具体为:具体的,将所述异常评估系数与预设的异常评估阈值做比较,当异常评估系数大于预设的异常评估阈值时,发出警报。
本发明一种基于AGV站点自定义业务路径规划配置***的技术效果和优点:
1.本发明通过利用自动导航***实现无人驾驶,灵活应用于工业场景中的物料搬运和物流自动化。其技术手段包括自动导航技术(如磁带、激光、视觉和GPS导航)、灵活的路径配置、安全传感器以及可编程性,这些优点使其能够高效连续工作、减少人为错误并根据不同业务需求执行任务。而WMS(仓库管理***)则通过库存、订单和任务管理等功能,提供实时数据和分析支持,以优化仓库运作和物流流程。AGV与WMS之间的协调配合,通过路径规划和任务分配确保物流过程的顺畅,同时分析潜在任务执行偏差的异常系数,提前预警并采取措施,从而全面提高物流***的精度、效率和安全性。
2.本发明通过启动模块负责从卷盘机获取下线信号和货物数据,并向WMS***发送请求以获取货物位置数据,从而实现对货物位置的准确掌握。调度模块则用于获取货物和AGV位置数据,并根据这些数据发送起点和终点任务给AGV,以有效调度和管理运输任务。路径监测模块负责获取任务执行数据,包括路径数据和打码数据,从而帮助监测和优化运输过程中的异常情况。异常报警模块根据任务执行数据建立异常分析模型,当检测到任务异常情况时发出警报,及时预警可能的问题。最后,完结模块在AVG完成任务后向WMS***发送卸货完成信号,并更新货位状态,以确保物流信息的准确性和及时性。这些模块的协同工作可以提高物流运输的效率和可靠性,同时通过异常分析和预警可以及时应对潜在问题,保障任务顺利执行。
附图说明
图1为本发明一种基于AGV站点自定义业务路径规划配置***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
实施例1,图1给出了本发明一种基于AGV站点自定义业务路径规划配置***,包括启动模块、调度模块、路径监测模块、异常报警模块、完结模块。
启动模块:用于获取卷盘机的下线信号和货物数据,依据货物数据向WMS***发送获取货物位置数据请求;
调度模块:用于获取货物位置数据和AGV位置数据,并发送起点和终点任务给AGV;
路径监测模块:获取任务执行数据,任务执行数据包括路径数据和打码数据;
异常报警模块:依据任务执行数据输入预设建立任务异常分析模型,判断任务异常情况,并发出警报;
完结模块:获取AGV的任务完成信号后,向WMS***发送卸货完成信号,并将货位占用。
需要说明的是,卷盘机是指用于将货物初步运送到货物存放地点的类似电梯的装置,当卷盘机下线时,说明已有货物被卷盘机送入仓库的某一取货点。
AGV(Automated Guided Vehicle)是一种通过自动导航***引导行驶的无人驾驶车辆。AGV主要用于工业应用中,如仓储、制造和配送中心等场景,以实现物料搬运、运输和物流自动化;以下是AGV的主要特点:
自动导航:AGV能够根据预设的路径或通过实时路径规划***自动行驶,常见的导航技术包括磁带、激光、视觉和GPS导航等;灵活性:可以根据需要重新配置路径和任务,无需人工干预;安全性:配备各种传感器(如激光雷达、超声波传感器等),以避免碰撞和确保安全;高效性:能够连续工作,提高了运输和物料搬运的效率,减少了人为错误;可编程性:能够根据不同的业务需求进行编程,执行复杂的任务和路径规划。
WMS(Warehouse Management System,即仓库管理***)是用于优化和管理仓库运作的软件***。它能够跟踪仓库库存、管理订单履行过程、提高仓储效率,并提供实时数据和分析支持,主要有以下作用:库存管理:实时跟踪库存水平和位置;管理库存的入库、出库和盘点;提供库存报表和分析;订单管理:接收和处理客户订单;优化订单拣选、包装和发货流程;跟踪订单的状态和交付情况;任务管理:分配和管理仓库工作人员的任务;优化任务分配以提高效率;监控任务完成情况和绩效;仓库布局优化:设计和优化仓库布局以最大化空间利用;分析存储位置以减少拣选时间;报表和分析:提供各种运营报表和KPI(关键绩效指标);分析仓库运作数据以支持决策;集成与自动化:与ERP(企业资源计划)***、MES(制造执行***)、AGV***等集成;支持自动化设备和机器人(如AGV、AS/RS等)的操作和管理。
在本发明的WMS主要作用是负责计算和管理货物的存储位置。当路径规划管理***请求目的地位置时,WMS接收请求并计算出合适的存储位置。随后,当AGV完成任务并在目的地卸货后,WMS***接收卸货完成信号,更新货位状态,确保库存信息的准确性和及时性。通过这些功能,WMS在整个物流运行过程中起到了关键的协调和管理作用。
启动模块:用于获取卷盘机的下线信号和货物数据,依据货物数据向WMS***发送获取货物位置数据请求;
其中,货物数据包括货物大小,货物类型,货物初始位置;货物位置数据包括可用货位位置、取货位置、运货路线;
调度模块:用于获取货物位置数据和AGV位置数据,并发送起点和终点任务给AGV;
具体的,当WMS计算完货物数据,将货物数据反馈到本发明,并将到取货位置取货作为AGV的起点任务,到可用货位位置卸货作为终点任务。
路径监测模块:获取任务执行数据,任务执行数据包括路径数据和打码数据;
具体的,路径数据包括取货送货异常系数和运送过程交互异常系数,打码数据包括打码贴标异常系数。
AGV与卷盘机交互的取货装货过程中,可能出现定位不准导致的对接失败、通信故障引起的操作中断、机械和传感器故障导致的设备损坏或安全事故、路径规划错误导致的任务偏差、环境因素如障碍物和地面不平造成的导航问题,以及操作失误引发的货物损坏。
分析取货送货数据对分析任务执行偏差或失败的隐患具有以下优点:
通过分析详细的取货和送货数据,可以准确定位任务执行过程中出现的问题根源;例如,可以识别具体在哪个环节发生了偏差或失败,是在取货阶段、运输过程中还是在卸货时;
实时分析数据可以帮助及时发现异常情况,提前发出预警,防止问题进一步扩大;这对于避免可能导致任务失败的潜在隐患尤为重要;
数据分析能够帮助识别和排除***中的薄弱环节,提升AGV与其他设备的协同工作可靠性,减少因设备或***问题导致的任务失败;
识别可能导致安全隐患的异常数据,可以采取针对性措施防止事故发生,保障人员和设备的安全;
通过分析历史数据,可以评估AGV***的整体性能,识别重复出现的问题,制定改进措施,从而不断提升***的性能;
基于数据的分析和决策,可以提供客观、准确的依据,帮助管理层做出更科学、有效的决策,提升运营效率和可靠性;
通过分析趋势和模式,可以预测设备可能出现的故障,提前进行预防性维护,减少突发故障导致的任务失败。
因此通过对取货送货数据的分析,可以全面提高AGV***的精度、效率和安全性,优化流程、增强***可靠性,并提供数据支持的决策依据。这不仅能够及时发现和解决任务执行中的偏差和隐患,还能为长期的***优化和性能提升奠定基础。
其中,取货送货异常系数的具体获取方法如下:
计算实际运输时间与预期运输时间之间的时间差异值,评估AGV装货中目标位置的位置偏差值,获取振动幅值,结合时间差异值、位置偏差值、振动幅值通过几何平均的方法计算获取取货送货异常系数。
其中,时间差异值的具体计算公式如下:
位置偏差值的具体计算公式如下:
振动幅值的具体计算公式如下:
则,取货送货异常系数的具体计算公式如下:
式中,为实际运送时间,/>为预计运送时间,/>为起始位置坐标,/>为目标位置坐标,N为时间序列的长度,/>为在时间序列N内第i个时间点的振动频率,/>为取货送货异常系数。
由取货送货异常系数的计算公式可知,当取货送货异常系数的表现值越大,则表明取货送货时存在的安全隐患越大;反之当取货送货异常系数的表现值越小,则表明取货送货时存在的安全隐患越小。
在AGV运货过程中,交互环节的安全问题尤为重要。开门、关门、上电梯等交互环节存在着多种安全隐患,如开门过程中可能夹击到人员或物品,电梯上可能发生意外情况等。因此,对这些交互过程的异常情况进行有效监测和评估至关重要。
分析运送过程交互异常系数对分析任务执行偏差或失败的隐患具有以下优点:
提前识别潜在风险:交互异常系数能够及时发现交互过程中存在的异常情况,包括开关门次数不匹配、电梯使用异常等,从而提前识别潜在的安全风险;
量化评估安全性:通过对交互异常系数的计算,可以将交互过程中的安全问题量化为一个指标,使得安全性评估更加客观和准确;
辅助决策制定:交互异常系数为决策者提供了一个直观的参考,能够帮助他们更好地理解交互过程中存在的安全隐患,从而制定出更加合理的应对措施和决策方案;
降低事故发生概率:通过及时发现和处理交互异常情况,可以有效降低事故发生的概率,保障运送任务的顺利执行和安全进行;
提高任务执行效率:交互异常系数的分析有助于发现潜在的任务执行偏差或失败的隐患,使得问题得到及时解决,从而提高了任务执行的效率和质量;
因此,分析运送过程交互异常系数可及时的发现在可能存在的异常情况,从而采取相应的措施保障运货过程的安全顺畅进行。
其中,运送过程交互异常系数的具体获取方法如下:
收集AGV在实际的运送过程中的交互数据,交互数据包括每次开门、关门、上下电梯的数据和时间;
对采集到的交互数据进行预处理,包括去除重复记录、缺失值处理;
根据交互数据,提取出可用于分析的交互特征,交互特征包括每次开门、关门的持续时间、开关门的次数、电梯使用的频率;
基于K均值聚类算法将交互事件数据进行事件聚类;
基于时间聚类识别获得异常簇,通过计算异常簇中异常事件的比例得到运送过程交互异常系数;
其中,运送过程交互异常系数的具体计算公式如下:
式中,为运送过程交互异常系数,/>为聚类簇的数量,/>是第 j个簇中的异常事件的数量,/>为第 j个簇中的总事件数量。
由运送过程交互异常系数的计算公式可知,当运送过程交互异常系数的表现值越大,则表明运货过程中的交互环节存在的安全隐患越大;反之当运送过程交互异常系数的表现值越小,则表明运货过程中的交互环节存在的安全隐患越小。
在运货过程中,AGV(自动引导车辆)必须与打码机进行无缝交互,以确保货物能够准确打码贴标。然而,这种交互过程可能面临着多种潜在的任务失败风险和安全隐患。例如,AGV和打码机之间的通信中断可能导致标签打印错误或完全失败,进而影响货物追踪和物流流程。此外,如果AGV在与打码机交互的过程中出现故障或失灵,可能会造成货物滞留或误操作,甚至可能对工作人员的安全构成威胁。因此,确保AGV与打码机之间的稳定、高效的交互至关重要,需要采取适当的技术和安全措施来最大程度地降低任务失败的风险和安全隐患。
分析打码贴标异常系数对分析任务执行偏差或失败的隐患具有以下优点:
提前识别问题:通过监测打码贴标的异常系数,可以及早发现任务执行中的偏差或失败;异常系数的增加可能表明某些环节存在问题,例如AGV与打码机的交互出现故障或标签打印质量下降。
定量评估风险:异常系数可以作为一个量化指标,帮助评估任务执行的风险程度;随着异常系数的增加,风险可能会逐渐升高,需要及时采取措施来防止任务失败;
优化决策:通过分析异常系数,可以对任务执行过程中的问题进行更深入的了解,从而优化决策并及时调整物流流程;例如,可以根据异常系数的变化调整AGV与打码机的交互方式或提升设备维护水平,以减少任务失败的可能性;
持续改进:异常系数的监测和分析有助于建立持续改进的机制;通过不断追踪异常系数的变化,可以识别潜在的问题点并采取针对性的改进措施,从而提高任务执行的稳定性和效率。
因此,分析打码贴标异常系数可以有效帮助识别任务执行偏差或失败的隐患,为物流运输过程的管理和优化提供重要参考。
其中,打码贴标异常系数的具体获取方法如下:
获取历史每次打码贴标任务,记录历史误差率,计算平均误差率和误差率标准差;
根据预期误差率和误差率标准差来设定上控制限和下控制限;
实时记录超过上控制限和下控制限的异常打码事假数量;将异常打码事假数量与总任务数量进行对比分析得到打码贴标异常系数。
其中,平均误差率的计算公式如下:
误差率标准差的具体计算公式如下:
打码贴标异常系数的具体计算公式如下:
式中,为打码贴标异常系数,/>为历史误差率的标号,/>为平均误差率,/>为误差率标准差,/>为历史误差率的总数,/>为历史误差率。
由打码贴标异常系数的计算公式可知,当打码贴标异常系数的表现值越大,则表明打码贴标时存在的安全隐患越大;反之当打码贴标异常系数的表现值越小,则表明打码贴标时存在的安全隐患越小。
本实施例通过利用自动导航***实现无人驾驶,灵活应用于工业场景中的物料搬运和物流自动化。其技术手段包括自动导航技术(如磁带、激光、视觉和GPS导航)、灵活的路径配置、安全传感器以及可编程性,这些优点使其能够高效连续工作、减少人为错误并根据不同业务需求执行任务。而WMS(仓库管理***)则通过库存、订单和任务管理等功能,提供实时数据和分析支持,以优化仓库运作和物流流程。AGV与WMS之间的协调配合,通过路径规划和任务分配确保物流过程的顺畅,同时分析潜在任务执行偏差的异常系数,提前预警并采取措施,从而全面提高物流***的精度、效率和安全性。
实施例2,异常报警模块:依据任务执行数据输入预设建立任务异常分析模型,判断任务异常情况,并发出警报。
具体的,任务异常分析模型的具体公式如下:
式中,为异常评估系数,/>为取货送货异常系数的预设比例系数,/>为运送过程交互异常系数的预设比例系数,/>为打码贴标异常系数的预设比例系数,/>为取货送货异常系数,/>为运送过程交互异常系数的预设比例系数,/>为打码贴标异常系数的预设比例系数,且/>、/>、/>均大于0。
具体的,将所述异常评估系数与预设的异常评估阈值做比较,当异常评估系数大于预设的异常评估阈值时,发出警报。
完结模块:获取AVG的任务完成信号后,向WMS***发送卸货完成信号,并将货位占用。
本实施例通过启动模块负责从卷盘机获取下线信号和货物数据,并向WMS***发送请求以获取货物位置数据,从而实现对货物位置的准确掌握。调度模块则用于获取货物和AGV位置数据,并根据这些数据发送起点和终点任务给AGV,以有效调度和管理运输任务。路径监测模块负责获取任务执行数据,包括路径数据和打码数据,从而帮助监测和优化运输过程中的异常情况。异常报警模块根据任务执行数据建立异常分析模型,当检测到任务异常情况时发出警报,及时预警可能的问题。最后,完结模块在AVG完成任务后向WMS***发送卸货完成信号,并更新货位状态,以确保物流信息的准确性和及时性。这些模块的协同工作可以提高物流运输的效率和可靠性,同时通过异常分析和预警可以及时应对潜在问题,保障任务顺利执行。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于AGV站点自定义业务路径规划配置***,其特征在于,包括启动模块、调度模块、路径监测模块、异常报警模块、完结模块;
启动模块:用于获取卷盘机的下线信号和货物数据,依据货物数据向WMS***发送获取货物位置数据请求;
调度模块:用于获取货物位置数据和AGV位置数据,并发送起点和终点任务给AGV;
路径监测模块:获取任务执行数据,任务执行数据包括路径数据和打码数据;
异常报警模块:依据任务执行数据输入预设建立任务异常分析模型,判断任务异常情况,并发出警报;
完结模块:获取AGV的任务完成信号后,向WMS***发送卸货完成信号,并将货位占用。
2.根据权利要求1所述的基于AGV站点自定义业务路径规划配置***,其特征在于,所述路径数据包括取货送货异常系数和运送过程交互异常系数,打码数据包括打码贴标异常系数。
3.根据权利要求2所述的基于AGV站点自定义业务路径规划配置***,其特征在于,所述任务异常分析模型的具体公式如下:
,式中,/>为异常评估系数,/>为取货送货异常系数的预设比例系数,/>为运送过程交互异常系数的预设比例系数,/>为打码贴标异常系数的预设比例系数,/>为取货送货异常系数,/>为运送过程交互异常系数的预设比例系数,/>为打码贴标异常系数的预设比例系数,且/>、/>、/>均大于0。
4.根据权利要求3所述的基于AGV站点自定义业务路径规划配置***,其特征在于,所述取货送货异常系数的具体获取方法如下:
计算实际运输时间与预期运输时间之间的时间差异值,评估AGV装货中目标位置的位置偏差值,获取振动幅值,结合时间差异值、位置偏差值、振动幅值通过几何平均的方法计算获取取货送货异常系数。
5.根据权利要求3所述的基于AGV站点自定义业务路径规划配置***,其特征在于,所述运送过程交互异常系数的具体获取方法如下:
收集AGV在实际的运送过程中的交互数据,交互数据包括每次开门、关门、上下电梯的数据和时间;
对采集到的交互数据进行预处理,包括去除重复记录、缺失值处理;
根据交互数据,提取出可用于分析的交互特征,交互特征包括每次开门、关门的持续时间、开关门的次数、电梯使用的频率;
基于K均值聚类算法将交互事件数据进行事件聚类;
基于时间聚类识别获得异常簇,通过计算异常簇中异常事件的比例得到运送过程交互异常系数。
6.根据权利要求3所述的基于AGV站点自定义业务路径规划配置***,其特征在于,所述打码贴标异常系数的具体获取方法如下:
获取历史每次打码贴标任务,记录历史误差率,计算平均误差率和误差率标准差;
根据预期误差率和误差率标准差来设定上控制限和下控制限;
实时记录超过上控制限和下控制限的异常打码事假数量;将异常打码事假数量与总任务数量进行对比分析得到打码贴标异常系数。
7.根据权利要求6所述的基于AGV站点自定义业务路径规划配置***,其特征在于,所述判断任务异常情况,并发出警报具体为:
具体的,将所述异常评估系数与预设的异常评估阈值做比较,当异常评估系数大于预设的异常评估阈值时,发出警报。
8.根据权利要求7所述的基于AGV站点自定义业务路径规划配置***,其特征在于,所述货物数据包括货物大小,货物类型,货物初始位置;所述货物位置数据包括可用货位位置、取货位置、运货路线。
9.根据权利要求8所述的基于AGV站点自定义业务路径规划配置***,其特征在于,所述打码贴标异常系数的具体计算公式如下:
,式中,/>为打码贴标异常系数,/>为历史误差率的标号,/>为平均误差率,/>为误差率标准差,/>为历史误差率的总数,/>为历史误差率。
10.根据权利要求9所述的基于AGV站点自定义业务路径规划配置***,其特征在于,所述取货送货异常系数的具体计算公式如下:
,式中,/>为实际运送时间,/>为预计运送时间,/>为起始位置坐标,/>为目标位置坐标,N为时间序列的长度,/>为在时间序列N内第i个时间点的振动频率,/>为取货送货异常系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410659246.3A CN118246847A (zh) | 2024-05-27 | 2024-05-27 | 一种基于agv站点自定义业务路径规划配置*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410659246.3A CN118246847A (zh) | 2024-05-27 | 2024-05-27 | 一种基于agv站点自定义业务路径规划配置*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118246847A true CN118246847A (zh) | 2024-06-25 |
Family
ID=91563934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410659246.3A Pending CN118246847A (zh) | 2024-05-27 | 2024-05-27 | 一种基于agv站点自定义业务路径规划配置*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118246847A (zh) |
-
2024
- 2024-05-27 CN CN202410659246.3A patent/CN118246847A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3074289C (en) | Management of vehicular traffic at a facility having allocable space resources | |
US6738748B2 (en) | Performing predictive maintenance on equipment | |
CN102120554B (zh) | 用于访问维护和修理工业车辆的信息的*** | |
US7423534B2 (en) | Electronic method and system for monitoring containers and products | |
US20240069536A1 (en) | Automated Manufacturing Facility and Methods | |
CN109550697A (zh) | 一种agv智能分拣***及其流程方法 | |
CN109795828B (zh) | 一种基于物联网技术的轻量级物流自动化***方法 | |
CN116501002B (zh) | 智慧码头载运危险货物集装箱agv安全诱导配置方法 | |
CN115946132B (zh) | 一种智能密集库与物流机器人***及其故障监测方法 | |
JPH07315527A (ja) | 物流システムの予防保全報知システム | |
CN109272080A (zh) | 一种基于电子标签的无人机整车盘点*** | |
KR20230035987A (ko) | 물류로봇의 이동위치별 plc 운용 시스템 및 그 방법 | |
CN110780651B (zh) | Agv调度***及方法 | |
CN118246847A (zh) | 一种基于agv站点自定义业务路径规划配置*** | |
Andrejić et al. | Failure management in distribution logistics applying FMEA approach | |
CN117314291A (zh) | 一种货物在途状态监控方法、装置及设备 | |
CN107657416A (zh) | 一种仓库的库存校验方法及叉车 | |
CN109597361B (zh) | 生产线监控***及生产线监控方法 | |
Schenk et al. | Creating transparency in the finished vehicles transportation process through the implementation of a real-time decision support system | |
CN114202200A (zh) | 一种mes*** | |
CN113919555A (zh) | 一种基于大数据的全自动智能送料方法及*** | |
CN113419536B (zh) | 一种agv无人自动驾驶控制方法及*** | |
US20040044598A1 (en) | Centralized management system for maintenance parts | |
CN116430818B (zh) | 基于多工位程控设备控制实现的产线自动生产方法及*** | |
CN107902601A (zh) | 一种应用于烟叶醇化库的举升和插取货物的专用设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |