CN109034695A - 智能化仓储物流状态检测方法 - Google Patents

Abstract

为了提升具有机械手自动放置和拣出货物的储物仓内的物流效率，本发明提供了一种智能化仓储物流状态检测方法。本发明能够根据对一类货物的放置和拣出信息建立高效的储物仓放置和分拣用模型，进而智能化地检测其他类型的货物的放置和拣出过程是否高效，提升各种货物的拣出效率。此外，经试验，本发明能够在提高拣出效率的同时相比于现有技术中的类似技术降低电力消耗45％‑55％。

Description

智能化仓储物流状态检测方法

技术领域

本发明涉及物流技术领域，更具体地，涉及人工智能技术应用于物流流域的技术方案，尤其是涉及一种智能化仓储物流状态检测方法。

背景技术

在传统的物流系统中，仓储(Warehousing)主要扮演的是“储存”与“保管”的角色。然而，在消费者需求改变、大量且复杂的数据以及市场竞争环境的压力下，相关拣货人员的压力与日俱增。例如，在常见的拣货流程以及相配套系统的支持下，拣货操作、看单等最多一个星期就能熟练，但了解库存的大致位置，并自己合理安排拣货路径，却不是一天两天能够完成的。这三个月中的绝大多数的时间是用来熟悉库房，熟悉货品，熟悉货位的。企业管理的计算机化是当今企业增加竞争力的必要手段，物流仓储公司可以通过计算机化，将订单处理、排车计划、货物的运送、库房管理等纳入到科学的管理轨道，提高管理水平及日常业务的处理效率，并使数据的采集与统计达到及时、准确。所以发展一套适用于不同物流仓储企业业务发展需要的计算机管理系统，已经是各企业的当务之急。

为了配合市场少量多样的需求以及时效，仓储系统内物料的进出变化快速且复杂，因此仓储系统的“动态管理”(“动管”)机能，已凌驾于传统仓储的单纯保管功能之上。而此一“动管”机能便将传统的仓储系统与现今热门的数据仓储(Data Warehouse)加以结合，就是希望通过两者的结合针对储位的规划与管理，来有效的掌控货品的来处、去向及流量，以达到“动管”的目标。

申请号为CN201610654962.8的中国发明专利申请公开了一种基于物联网的危险化工原料物流仓储管理系统和方法，包括仓储信息监测系统连接数据信息传输，数据信息传输连接信息管理系统，信息管理系统连接危险事故预处理系统，仓储时，对危险化工原料进行电子标签标识，并通过库房内各类智能传感器及摄像头按预设值进行实时监控，发货时，可自动更新库存信息并实时追踪，在重要部位设置视频监控及告警，通过运输车辆上设置的北斗定位系统，行驶路线在监控系统上时实显示，同时，在运输车辆上加装温湿度、压力、振动、倾斜角度、有害气体检测等传感器及摄像头，对运输货品进行实时监控，可实现危险化工原料的整个物流链条的实时监控和管理，信息全程追溯，运输车辆全程监控，运输、仓储系统信息统一整合，系统自动实时报警，从而保障危险化学品的安全仓储及运输。然而，这种“动管”相关的现有技术无法根据仓储时的物流状态进行智能化的物流调度，不利于降低人工成本和人为数据分析负荷。

发明内容

为了提升具有机械手自动放置和拣出货物的储物仓内的物流效率，本发明提供了一种智能化仓储物流状态检测方法，包括：

(A)在训练阶段，对放置于储物仓内和从储物仓中拣出的货物的物流信息进行监控并建立物流分配模型；

(B)在检测阶段，根据物流分配模型对所有待放置到储物仓或从储物仓中拣出的货物的物流状态进行检测，并根据检测结果确定是否重新放置。

进一步地，所述步骤(A)包括：

(1)对第一待进入储物仓内的货物进行电子标识并进行重量标识，采集重量信息G_tobestr；

(2)对第一待进入储物仓内的货物进行电子标识并进行体积标识，采集体积信息V_tobestr；

(3)对储物仓内所述第一待进入储物仓内的货物向承重面产生的压力进行检测和采集，得到压力集合P_pos，其中pos是指示所述第一待进入储物仓内的货物被放置后所处三维空间位置的向量；

(4)对所述第一待进入储物仓内的货物实际放置过程花费的总时间T_fact1以及各机械手放置上述第一待进入储物仓内的货物所经历的路径的长度绝对值之和R_fact1以及所消耗的电力E_fact1进行采集；

(5)对所述第一待进入储物仓内的货物实际拣出过程花费的总时间T_fact2以及各机械手拣出上述第一待进入储物仓内的货物所经历的路径的长度绝对值之和R_fact2以及所消耗的电力E_fact2进行采集；

(6)通过一定时间内对包括NUM个上述第一待进入储物仓内的货物的重量信息、体积信息、压力集合、路径的长度绝对值之和、时间以及电力样本训练集合进行训练，得到物流大数据智能分配模型，NUM为大于1的正整数；

进一步地，所述步骤(B)包括：

基于所述物流大数据智能分配模型，对不同于所述第一待进入储物仓内的货物的第二货物在拣出过程中的重量信息、体积信息、压力集合、时间以及电力信息进行诊断，当路径的长度绝对值之和、时间以及电力不符合预定阈值时，对第二货物的放置参数进行重新采集并对第二货物重新实施放置操作。

进一步地，所述第一待进入储物仓内的货物根据其重量信息分为两类：第一类：具有原包装的待进入储物仓内的货物，以及第二类：具有二次包装的待进入储物仓内的货物；且对于所述第一类，所述重量信息为G_tobestr1，体积信息为V_tobestr1，压力集合为P_pos1；对于第二类，所述重量信息为G_tobestr2，体积信息为V_tobestr2，压力集合为P_pos2。

进一步地，所述电子标识为RFID。

进一步地，所述储物仓包括机械手拣出装置，用于通过至少一个机械手将货物放置到其中或从其中拣出，所述机械手能够放置或拣出货物的三维空间位置范围为A_fact。

进一步地，所述压力集合通过在最下层支撑结构的承重面设置多个压力传感器并计算压力之和的平均值后获得。

进一步地，所述步骤(6)包括：

设样本训练集合为TRAIN＝{(R_fact1i/R_fact2i，G_tobestr1i/G_tobestr2i，V_tobestr1i/V_tobestr2i)|R_fact1i/R_fact2i，G_tobestr1i/G_tobestr2i，V_tobestr1i/V_tobestr2i均∈Rn}，N为大于1的自然数；样本训练集合集合TRAIN中共有NUM个数据对象；

根据所述第一类和第二类分别计算这些NUM个数据对象的pos向量组成的矩阵的特征值CH1和CH2；设迭代次数Iter1为(CH1+CH2)的几何平均值的上整数,在A_fact1i范围内以初始解(R_fact11+R_fact21)/2对((T_fact1i*CH1+T_fact2i*CH2)/(T_fact1i*CH2+T_fact2i*CH1))*(R_fact1i/R_fact2i)进行迭代，对得到的最终迭代值m取上整数M，将M重新设置为迭代次数Iter2，在A_fact2i范围内以初始解(R_fact1b+R_fact2b)/2对((T_fact1i*CH1+T_fact2i*CH2)/(T_fact1i*CH2+T_fact2i*CH1))^2*(R_fact1i/R_fact2i)^2进行迭代，对得到的最终迭代值r取上整数得到R；其中b为Iter1与Iter2之间的差的绝对值除以Iter1得到的余数的个位数且为0时b取1；根据所述第一类和第二类分别计算这些NUM个数据对象的V_tobestr向量组成的矩阵的特征值CH3和CH4；设迭代次数Iter3为(CH3+CH4)的几何平均值的上整数加上R,在A_fact1i范围内以初始解(R_fact11+R_fact21)/2对((E_fact1i*CH3+E_fact2i*CH4)/(E_fact1i*CH4+E_fact2i*CH3))*(R_fact1i/R_fact2i)进行迭代，对得到的最终迭代值p取上整数P，将P重新设置为迭代次数Iter4，在A_fact2i范围内以初始解(R_fact1c+R_fact2c)/2对((E_fact1i*CH3+E_fact2i*CH4)/(E_fact1i*CH4+E_fact2i*CH3))^2*(R_fact1i/R_fact2i)^2进行迭代，对得到的最终迭代值q取上整数得到Q；其中c为Iter3与Iter4之间的差的绝对值除以Iter4得到的余数的个位数且为0时c取1；

对TRAIN进行SVM训练，得到SVM分类器型的物流大数据智能分配模型，上述i＝1,...,N。

本发明能够根据对一类货物的放置和拣出信息建立高效的储物仓放置和分拣用模型，进而智能化地检测其他类型的货物的放置和拣出过程是否高效，提升各种货物的拣出效率。此外，经试验，本发明能够在提高拣出效率的同时相比于现有技术中的类似技术降低电力消耗45％-55％。

具体实施方式

本发明提供了一种智能化仓储物流状态检测方法，包括：

(A)在训练阶段，对放置于储物仓内和从储物仓中拣出的货物的物流信息进行监控并建立物流分配模型；

(B)在检测阶段，根据物流分配模型对所有待放置到储物仓或从储物仓中拣出的货物的物流状态进行检测，并根据检测结果确定是否重新放置。

优选地，所述步骤(A)包括：

(1)对第一待进入储物仓内的货物进行电子标识并进行重量标识，采集重量信息G_tobestr；

(2)对第一待进入储物仓内的货物进行电子标识并进行体积标识，采集体积信息V_tobestr；

(3)对储物仓内所述第一待进入储物仓内的货物向承重面产生的压力进行检测和采集，得到压力集合P_pos，其中pos是指示所述第一待进入储物仓内的货物被放置后所处三维空间位置的向量；

(4)对所述第一待进入储物仓内的货物实际放置过程花费的总时间T_fact1以及各机械手放置上述第一待进入储物仓内的货物所经历的路径的长度绝对值之和R_fact1以及所消耗的电力E_fact1进行采集；

(5)对所述第一待进入储物仓内的货物实际拣出过程花费的总时间T_fact2以及各机械手拣出上述第一待进入储物仓内的货物所经历的路径的长度绝对值之和R_fact2以及所消耗的电力E_fact2进行采集；

(6)通过一定时间内对包括NUM个上述第一待进入储物仓内的货物的重量信息、体积信息、压力集合、路径的长度绝对值之和、时间以及电力样本训练集合进行训练，得到物流大数据智能分配模型，NUM为大于1的正整数；

优选地，所述步骤(B)包括：

基于所述物流大数据智能分配模型，对不同于所述第一待进入储物仓内的货物的第二货物在拣出过程中的重量信息、体积信息、压力集合、时间以及电力信息进行诊断，当路径的长度绝对值之和、时间以及电力不符合预定阈值时，对第二货物的放置参数进行重新采集并对第二货物重新实施放置操作。

优选地，所述第一待进入储物仓内的货物根据其重量信息分为两类：第一类：具有原包装的待进入储物仓内的货物，以及第二类：具有二次包装的待进入储物仓内的货物；且对于所述第一类，所述重量信息为G_tobestr1，体积信息为V_tobestr1，压力集合为P_pos1；对于第二类，所述重量信息为G_tobestr2，体积信息为V_tobestr2，压力集合为P_pos2。

优选地，所述电子标识为RFID。

优选地，所述储物仓包括机械手拣出装置，用于通过至少一个机械手将货物放置到其中或从其中拣出，所述机械手能够放置或拣出货物的三维空间位置范围为A_fact。

优选地，所述压力集合通过在最下层支撑结构的承重面设置多个压力传感器并计算压力之和的平均值后获得。

优选地，所述步骤(6)包括：

设样本训练集合为TRAIN＝{(R_fact1i/R_fact2i，G_tobestr1i/G_tobestr2i，V_tobestr1i/V_tobestr2i)|R_fact1i/R_fact2i，G_tobestr1i/G_tobestr2i，V_tobestr1i/V_tobestr2i均∈Rn}，N为大于1的自然数；样本训练集合集合TRAIN中共有NUM个数据对象；

根据所述第一类和第二类分别计算这些NUM个数据对象的pos向量组成的矩阵的特征值CH1和CH2；设迭代次数Iter1为(CH1+CH2)的几何平均值的上整数,在A_fact1i范围内以初始解(R_fact11+R_fact21)/2对((T_fact1i*CH1+T_fact2i*CH2)/(T_fact1i*CH2+T_fact2i*CH1))*(R_fact1i/R_fact2i)进行迭代，对得到的最终迭代值m取上整数M，将M重新设置为迭代次数Iter2，在A_fact2i范围内以初始解(R_fact1b+R_fact2b)/2对((T_fact1i*CH1+T_fact2i*CH2)/(T_fact1i*CH2+T_fact2i*CH1))^2*(R_fact1i/R_fact2i)^2进行迭代，对得到的最终迭代值r取上整数得到R；其中b为Iter1与Iter2之间的差的绝对值除以Iter1得到的余数的个位数且为0时b取1；根据所述第一类和第二类分别计算这些NUM个数据对象的V_tobestr向量组成的矩阵的特征值CH3和CH4；设迭代次数Iter3为(CH3+CH4)的几何平均值的上整数加上R,在A_fact1i范围内以初始解(R_fact11+R_fact21)/2对((E_fact1i*CH3+E_fact2i*CH4)/(E_fact1i*CH4+E_fact2i*CH3))*(R_fact1i/R_fact2i)进行迭代，对得到的最终迭代值p取上整数P，将P重新设置为迭代次数Iter4，在A_fact2i范围内以初始解(R_fact1c+R_fact2c)/2对((E_fact1i*CH3+E_fact2i*CH4)/(E_fact1i*CH4+E_fact2i*CH3))^2*(R_fact1i/R_fact2i)^2进行迭代，对得到的最终迭代值q取上整数得到Q；其中c为Iter3与Iter4之间的差的绝对值除以Iter4得到的余数的个位数且为0时c取1；

对TRAIN进行SVM训练，得到SVM分类器型的物流大数据智能分配模型，上述i＝1,...,N。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，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 (8)

1.智能化仓储物流状态检测方法，包括：

(A)在训练阶段，对放置于储物仓内和从储物仓中拣出的货物的物流信息进行监控并建立物流分配模型；

(B)在检测阶段，根据物流分配模型对所有待放置到储物仓或从储物仓中拣出的货物的物流状态进行检测，并根据检测结果确定是否重新放置。

2.根据权利要求1所述的方法，其特征在于，所述步骤(A)包括：

(1)对第一待进入储物仓内的货物进行电子标识并进行重量标识，采集重量信息G_tobestr；

(2)对第一待进入储物仓内的货物进行电子标识并进行体积标识，采集体积信息V_tobestr；

(3)对储物仓内所述第一待进入储物仓内的货物向承重面产生的压力进行检测和采集，得到压力集合P_pos，其中pos是指示所述第一待进入储物仓内的货物被放置后所处三维空间位置的向量；

(4)对所述第一待进入储物仓内的货物实际放置过程花费的总时间T_fact1以及各机械手放置上述第一待进入储物仓内的货物所经历的路径的长度绝对值之和R_fact1以及所消耗的电力E_fact1进行采集；

(5)对所述第一待进入储物仓内的货物实际拣出过程花费的总时间T_fact2以及各机械手拣出上述第一待进入储物仓内的货物所经历的路径的长度绝对值之和R_fact2以及所消耗的电力E_fact2进行采集；

(6)通过一定时间内对包括NUM个上述第一待进入储物仓内的货物的重量信息、体积信息、压力集合、路径的长度绝对值之和、时间以及电力样本训练集合进行训练，得到物流大数据智能分配模型，NUM为大于1的正整数。

3.根据权利要求2所述的方法，其特征在于，所述步骤(B)包括：

基于所述物流大数据智能分配模型，对不同于所述第一待进入储物仓内的货物的第二货物在拣出过程中的重量信息、体积信息、压力集合、时间以及电力信息进行诊断，当路径的长度绝对值之和、时间以及电力不符合预定阈值时，对第二货物的放置参数进行重新采集并对第二货物重新实施放置操作。

4.根据权利要求3所述的方法，其特征在于，所述第一待进入储物仓内的货物根据其重量信息分为两类：第一类：具有原包装的待进入储物仓内的货物，以及第二类：具有二次包装的待进入储物仓内的货物；且对于所述第一类，所述重量信息为G_tobestr1，体积信息为V_tobestr1，压力集合为P_pos1；对于第二类，所述重量信息为G_tobestr2，体积信息为V_tobestr2，压力集合为P_pos2。

5.根据权利要求4所述的方法，其特征在于，所述电子标识为RFID。

6.根据权利要求5所述的方法，其特征在于，所述储物仓包括机械手拣出装置，用于通过至少一个机械手将货物放置到其中或从其中拣出，所述机械手能够放置或拣出货物的三维空间位置范围为A_fact。

7.根据权利要求6所述的方法，其特征在于，所述压力集合通过在最下层支撑结构的承重面设置多个压力传感器并计算压力之和的平均值后获得。

8.根据权利要求7所述的方法，其特征在于，所述步骤(6)包括：

设样本训练集合为TRAIN＝{(R_fact1i/R_fact2i，G_tobestr1i/G_tobestr2i，V_tobestr1i/V_tobestr2i)|R_fact1i/R_fact2i，G_tobestr1i/G_tobestr2i，V_tobestr1i/V_tobestr2i均∈Rn}，N为大于1的自然数；样本训练集合集合TRAIN中共有NUM个数据对象；

根据所述第一类和第二类分别计算这些NUM个数据对象的pos向量组成的矩阵的特征值CH1和CH2；设迭代次数Iter1为(CH1+CH2)的几何平均值的上整数,在A_fact1i范围内以初始解(R_fact11+R_fact21)/2对((T_fact1i*CH1+T_fact2i*CH2)/(T_fact1i*CH2+T_fact2i*CH1))*(R_fact1i/R_fact2i)进行迭代，对得到的最终迭代值m取上整数M，将M重新设置为迭代次数Iter2，在A_fact2i范围内以初始解(R_fact1b+R_fact2b)/2对((T_fact1i*CH1+T_fact2i*CH2)/(T_fact1i*CH2+T_fact2i*CH1)) ^2*(R_fact1i/R_fact2i)^2进行迭代，对得到的最终迭代值r取上整数得到R；其中b为Iter1与Iter2之间的差的绝对值除以Iter1得到的余数的个位数且为0时b取1；根据所述第一类和第二类分别计算这些NUM个数据对象的V_tobestr向量组成的矩阵的特征值CH3和CH4；设迭代次数Iter3为(CH3+CH4)的几何平均值的上整数加上R,在A_fact1i范围内以初始解(R_fact11+R_fact21)/2对((E_fact1i*CH3+E_fact2i*CH4)/(E_fact1i*CH4+E_fact2i*CH3))*(R_fact1i/R_fact2i)进行迭代，对得到的最终迭代值p取上整数P，将P重新设置为迭代次数Iter4，在A_fact2i范围内以初始解(R_fact1c+R_fact2c)/2对((E_fact1i*CH3+E_fact2i*CH4)/(E_fact1i*CH4+E_fact2i*CH3))^2*(R_fact1i/R_fact2i)^2进行迭代，对得到的最终迭代值q取上整数得到Q；其中c为Iter3与Iter4之间的差的绝对值除以Iter4得到的余数的个位数且为0时c取1；

对TRAIN进行SVM训练，得到SVM分类器型的物流大数据智能分配模型，上述i＝1,...,N。