CN116502785B - 仓储物流智能管理方法、装置、设备及存储介质 - Google Patents
仓储物流智能管理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116502785B CN116502785B CN202310787051.2A CN202310787051A CN116502785B CN 116502785 B CN116502785 B CN 116502785B CN 202310787051 A CN202310787051 A CN 202310787051A CN 116502785 B CN116502785 B CN 116502785B
- Authority
- CN
- China
- Prior art keywords
- warehouse
- path
- target
- initial
- information
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 81
- 238000007726 management method Methods 0.000 title claims abstract description 68
- 238000004088 simulation Methods 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000013439 planning Methods 0.000 claims abstract description 57
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000012384 transportation and delivery Methods 0.000 claims description 91
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 35
- 238000004422 calculation algorithm Methods 0.000 description 34
- 230000001133 acceleration Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/04—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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流管理领域,公开了一种仓储物流智能管理方法、装置、设备及存储介质,用于实现仓储物流的出库智能管理并提高仓储物流的出库效率。方法包括:基于预置的仓储数字孪生模型提取仓储区域参数信息,其中,仓储区域参数信息包括多个货仓的第一位置信息和体积信息;根据仓储区域参数信息确定多个货仓对应的多种货仓类型;获取仓储出库中心的第二位置信息,并通过每种货仓类型和仓储区域参数信息进行物流出库路径规划,得到初始出库路径;基于仓储数字孪生模型和初始出库路径进行物流出库模拟,得到物流出库模拟数据;基于物流出库模拟数据对初始出库路径进行路径优化,生成目标出库路径。
Description
技术领域
本发明涉及物流管理领域,尤其涉及一种仓储物流智能管理方法、装置、设备及存储介质。
背景技术
随着工业化和信息化的快速发展,物流行业的发展也日益重要。仓储物流是物流过程中不可或缺的一环,提高仓储物流的效率和管理水平已成为企业提高市场竞争力的必要手段之一。而智能化管理,尤其是基于数字孪生模型、路径规划等技术的仓储物流智能管理方法,可以有效提高物流效率和减少运营成本,进而提高企业的整体效益和竞争力。
然而,现有方案在路径规划和模拟中,难以对仓库中的货物出库进行智能化管理,通常是由人工经验进行货物出库操作,这样大大降低了物流的出库效率。
发明内容
本发明提供了一种仓储物流智能管理方法、装置、设备及存储介质,用于实现仓储物流的出库智能管理并提高仓储物流的出库效率。
本发明第一方面提供了一种仓储物流智能管理方法,所述仓储物流智能管理方法包括:
基于预置的仓储数字孪生模型提取仓储区域参数信息,其中,所述仓储区域参数信息包括多个货仓的第一位置信息和体积信息;
根据所述仓储区域参数信息确定所述多个货仓对应的多种货仓类型;
获取仓储出库中心的第二位置信息,并通过每种货仓类型和所述仓储区域参数信息进行物流出库路径规划,得到初始出库路径;
基于所述仓储数字孪生模型和所述初始出库路径进行物流出库模拟,得到物流出库模拟数据;
基于所述物流出库模拟数据对所述初始出库路径进行路径优化,生成目标出库路径。
结合第一方面,在本发明第一方面的第一实施方式中,所述基于预置的仓储数字孪生模型提取仓储区域参数信息,包括:
基于预设的3D扫描仪对目标仓库进行扫描,并对所述目标仓库进行数字化建模,得到初始数字孪生模型;
获取所述目标仓库的建筑构件信息,并根据所述建筑构件信息对所述初始数字孪生模型进行建筑构件融合,得到仓储数字孪生模型;
根据所述仓储数字孪生模型,对所述目标仓库进行仓储区域分析,确定多个仓储区域;
对每个仓储区域进行货仓位置分析和货仓体积计算,得到多个货仓的第一位置信息和体积信息;
将所述多个货仓的第一位置信息及体积信息映射到所述仓储数字孪生模型中,并输出仓储区域参数信息。
结合第一方面,在本发明第一方面的第二实施方式中,所述根据所述仓储区域参数信息确定所述多个货仓对应的多种货仓类型,包括:
通过预置的仓储数字孪生模型,设置第一体积阈值V1以及第二体积阈值V2;
根据所述仓储区域参数信息确定每个货仓的体积信息V;
当体积信息V<第一体积阈值V1时,确定货仓类型为第一货仓类型;
当第一体积阈值V1≤体积信息V<第二体积阈值V2,确定货仓类型为第二货仓类型;
当第二体积阈值V2≤体积信息V时,确定货仓类型为第三货仓类型;
根据每个货仓的体积信息V,确定所述多个货仓对应的多种货仓类型。
结合第一方面,在本发明第一方面的第三实施方式中,所述获取仓储出库中心的第二位置信息,并通过每种货仓类型和所述仓储区域参数信息进行物流出库路径规划,得到初始出库路径,包括:
获取仓储出库中心的第二位置信息,并将所述第二位置信息设置为目标出库终点;
将所述目标出库终点作为三维坐标原点,并通过所述仓储数字孪生模型构建目标三维坐标系;
根据所述多种货仓类型,确定每个货仓的起始出库位置以及路径拟合参数,其中,所述第一货仓类型对应于第一拟合参数、所述第二货仓类型对应于第二拟合参数以及所述第三货仓类型对应于第三拟合参数;
将所述起始出库位置映射到所述目标三维坐标系中,生成每个起始出库位置的目标出库起点;
通过所述目标出库起点、所述目标出库终点以及所述路径拟合参数进行流出库路径规划,得到初始出库路径。
结合第一方面,在本发明第一方面的第四实施方式中,所述通过所述目标出库起点、所述目标出库终点以及所述路径拟合参数进行流出库路径规划,得到初始出库路径,包括:
通过预置的最短路径模型,对所述目标出库起点以及所述目标出库终点进行路径分析,得到每个货仓的第一出库路径;
基于所述路径拟合参数,对每个货仓的第一出库路径进行路径校正,得到每个货仓的第二出库路径;
通过所述仓储数字孪生模型,对每个货仓的第二出库路径进行路径集成,得到初始出库路径。
结合第一方面,在本发明第一方面的第五实施方式中,所述基于所述仓储数字孪生模型和所述初始出库路径进行物流出库模拟,得到物流出库模拟数据,包括:
基于所述仓储数字孪生模型,对所述初始出库路径进行模拟参数设置,得到目标模拟参数;
基于所述目标模拟参数,对所述初始出库路径进行物流出库模拟,并计算所述初始出库路径的物流出库模拟数据。
结合第一方面,在本发明第一方面的第六实施方式中,所述基于所述物流出库模拟数据对所述初始出库路径进行路径优化,生成目标出库路径,包括:
对所述物流出库模拟数据进行路径运输频率分析,确定所述初始出库路径中每个第二出库路径的路径运输频率;
判断所述路径运输频率是否大于预设阈值,得到判断结果;
根据所述判断结果,设置每个第二出库路径的路径权重系数;
根据每个第二出库路径的路径权重系数,对所述初始出库路径进行路径优化,生成目标出库路径。
本发明第二方面提供了一种仓储物流智能管理装置,所述仓储物流智能管理装置包括:
提取模块,用于基于预置的仓储数字孪生模型提取仓储区域参数信息,其中,所述仓储区域参数信息包括多个货仓的第一位置信息和体积信息;
确定模块,用于根据所述仓储区域参数信息确定所述多个货仓对应的多种货仓类型;
规划模块,用于获取仓储出库中心的第二位置信息,并通过每种货仓类型和所述仓储区域参数信息进行物流出库路径规划,得到初始出库路径;
模拟模块,用于基于所述仓储数字孪生模型和所述初始出库路径进行物流出库模拟,得到物流出库模拟数据;
优化模块,用于基于所述物流出库模拟数据对所述初始出库路径进行路径优化,生成目标出库路径。
本发明第三方面提供了一种仓储物流智能管理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述仓储物流智能管理设备执行上述的仓储物流智能管理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的仓储物流智能管理方法。
本发明提供的技术方案中,基于预置的仓储数字孪生模型提取仓储区域参数信息,其中,仓储区域参数信息包括多个货仓的第一位置信息和体积信息;根据仓储区域参数信息确定多个货仓对应的多种货仓类型;获取仓储出库中心的第二位置信息,并通过每种货仓类型和仓储区域参数信息进行物流出库路径规划,得到初始出库路径;基于仓储数字孪生模型和初始出库路径进行物流出库模拟,得到物流出库模拟数据;基于物流出库模拟数据对初始出库路径进行路径优化,生成目标出库路径,本发明基于数字孪生模型提取仓储区域参数信息和多种货仓类型,并采用物流出库路径规划和模拟技术,可以优化出库路径并模拟出库过程,提高物流效率和准确度。本发明可以有效实现仓储物流的出库智能管理,并提高仓储物流的出库效率。
附图说明
图1为本发明实施例中仓储物流智能管理方法的一个实施例示意图;
图2为本发明实施例中物流出库路径规划的流程图;
图3为本发明实施例中得到初始出库路径的流程图;
图4为本发明实施例中路径优化的流程图;
图5为本发明实施例中仓储物流智能管理装置的一个实施例示意图;
图6为本发明实施例中仓储物流智能管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种仓储物流智能管理方法、装置、设备及存储介质,用于实现仓储物流的出库智能管理并提高仓储物流的出库效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中仓储物流智能管理方法的一个实施例包括:
S101、基于预置的仓储数字孪生模型提取仓储区域参数信息,其中,仓储区域参数信息包括多个货仓的第一位置信息和体积信息;
可以理解的是,本发明的执行主体可以为仓储物流智能管理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器使用预设的3D扫描仪对目标仓库进行扫描。该扫描仪可以捕捉仓库内部和外部的几何形状、结构和细节。扫描数据可以包括墙壁、天花板、柱子、货架等各个元素的位置和尺寸信息。接下来,根据扫描数据,进行数字化建模,将目标仓库转化为一个初始数字孪生模型。这可以通过使用计算机辅助设计(CAD)软件或其他建模工具来实现。数字化建模的过程中,扫描数据将被转化为可编辑和操作的3D数字模型,该模型可用于进一步分析和操作。其次,获取目标仓库的建筑构件信息,如建筑图纸、设计文件等。这些建筑构件信息包含了仓库的详细结构、各个构件的尺寸和位置等信息。根据这些信息,将建筑构件与初始数字孪生模型进行融合,得到一个更加准确和完整的仓储数字孪生模型。这个过程可以通过将建筑构件信息导入到数字孪生模型软件中,并将其与初始模型进行对齐和匹配来实现。基于仓储数字孪生模型,对目标仓库进行仓储区域分析。通过模型中的墙壁、柱子等元素,对仓库进行空间划分,识别出多个仓储区域。例如,将仓库划分为存储区、分拣区、包装区等不同功能的区域。再次,对每个仓储区域进行货仓位置分析和货仓体积计算。使用仓储数字孪生模型,确定每个区域内的货仓位置。可以通过分析模型中的货架或存储单元的位置信息,识别出每个货仓的第一位置信息。同时,利用模型中的尺寸信息,计算每个货仓的体积。将得到的货仓的第一位置信息及体积信息映射到仓储数字孪生模型中,并输出仓储区域参数信息。可以通过在数字孪生模型中标记或绑定这些信息来表示每个货仓的位置和体积。将仓储区域参数信息用于后续的物流出库路径规划、货物管理等操作。例如,假设服务器有一个电子产品仓库,其中包含多个货仓和不同类型的货架。服务器使用预设的3D扫描仪对该仓库进行扫描,并进行数字化建模。通过扫描和建模,服务器得到了一个初始的数字孪生模型,其中包含了仓库的几何形状和结构信息。接下来,服务器收集到了仓库的建筑构件信息。这些信息包括仓库的总面积为5000平方米,仓库内有10个货仓和100个货架。通过对数字孪生模型的分析,服务器确定了每个货仓的位置,例如货仓A位于仓库的东侧,货仓B位于仓库的西侧。此外,通过测量货架的尺寸,服务器得到了每个货架的长度、宽度和高度,如货架A的尺寸为2米x1米x2.5米,货架B的尺寸为1.5米x0.8米x2米。通过将以上数据映射到仓储数字孪生模型中,服务器得到了仓储区域参数信息。这些信息包括仓库总面积、货仓数量、货架数量以及每个货仓的位置和每个货架的尺寸。这些参数信息可以用于物流出库路径规划、货物管理和库存优化。例如,根据货仓位置和货架尺寸,服务器计划出最佳的出库路径,确保高效的货物取出和装载过程。同时,通过了解货仓和货架的数量和尺寸,服务器优化库存管理,确保货物的合理存储和空间利用。
S102、根据仓储区域参数信息确定多个货仓对应的多种货仓类型;
具体的,服务器通过预置的仓储数字孪生模型,服务器设置了两个体积阈值:第一体积阈值V1和第二体积阈值V2。这些阈值用于划分不同的货仓类型。其次,根据所述仓储区域参数信息,服务器确定了每个货仓的体积信息V。体积信息V是通过对每个货仓进行尺寸分析和计算得出的。接下来,根据体积信息V与设定的体积阈值V1和V2进行比较,确定每个货仓的货仓类型。当体积信息V小于第一体积阈值V1时,确定货仓类型为第一货仓类型。这表示该货仓是较小的货仓类型。当第一体积阈值V1小于等于体积信息V小于第二体积阈值V2时,确定货仓类型为第二货仓类型。这表示该货仓是中等大小的货仓类型。当第二体积阈值V2小于等于体积信息V时,确定货仓类型为第三货仓类型。这表示该货仓是较大的货仓类型。通过这种方式,服务器根据每个货仓的体积信息V,确定了所述多个货仓对应的多种货仓类型。例如,假设有一个仓库,其中包含三个货仓,其体积信息分别为:货仓a的体积信息Va为30立方米;货仓b的体积信息Vb为60立方米;货仓c的体积信息Vc为90立方米。假设服务器设置的体积阈值为:第一体积阈值V1为40立方米;第二体积阈值V2为80立方米。根据上述设定,服务器得出以下结果:货仓a的体积信息V1小于第一体积阈值V1,因此货仓a的货仓类型为第一货仓类型;货仓b的体积信息Vb介于第一体积阈值V1和第二体积阈值V2之间,因此货仓b的货仓类型为第二货仓类型。货仓c的体积信息Vc大于等于第二体积阈值V2,因此货仓c的货仓类型为第三货仓类型。通过以上的例子,可以看到如何根据仓储区域参数信息确定多个货仓对应的多种货仓类型。通过设定体积阈值和比较货仓的体积信息,服务器将货仓划分为不同的类型,以便后续的物流出库路径规划和货物管理。
S103、获取仓储出库中心的第二位置信息,并通过每种货仓类型和仓储区域参数信息进行物流出库路径规划,得到初始出库路径;
需要说明的是,服务器获取仓储出库中心的第二位置信息。这个位置信息可以通过仓库管理系统或者传感器技术来获取,例如使用GPS定位系统或者RFID技术等。该位置信息表示出库操作的目标位置,即货物从仓库中心出库的终点。接下来,将所述目标出库终点设置为三维坐标系中的原点,并利用仓储数字孪生模型构建目标三维坐标系。这可以通过在数字孪生模型中设置合适的坐标系原点和轴向来实现,目标三维坐标系将作为物流出库路径规划的参考坐标系。根据多种货仓类型,确定每个货仓的起始出库位置以及路径拟合参数。不同的货仓类型可能需要使用不同的出库起点和路径拟合参数。例如,第一货仓类型对应于第一拟合参数,第二货仓类型对应于第二拟合参数,第三货仓类型对应于第三拟合参数。这些拟合参数可以是一些预设的数值,用于调整出库路径的形状和特性。将确定的起始出库位置映射到目标三维坐标系中,生成每个起始出库位置的目标出库起点。通过将起始出库位置与目标三维坐标系进行坐标映射,将这些起点转换到目标坐标系中的相应位置。利用目标出库起点、目标出库终点以及路径拟合参数进行物流出库路径规划,得到初始出库路径。这可以通过使用路径规划算法和数学模型来实现,如最短路径算法或基于规划算法的路径生成方法。这些算法将考虑起点、终点和拟合参数,并生成适合物流出库的路径。例如,假设一个仓库出库中心的第二位置信息表示为坐标(100,200,300)。根据仓储数字孪生模型和货仓类型的设定,服务器确定了三种货仓类型和对应的拟合参数。第一货仓类型对应于第一拟合参数0.8,第二货仓类型对应于第二拟合参数1.2,第三货仓类型对应于第三拟合参数1.5。根据上述设定,服务器计算出每个货仓的目标出库起点,并使用路径规划算法生成初始出库路径。假设仓库中有两个货仓,其起始出库位置分别为货仓A的坐标(50,80,120)和货仓B的坐标(70,120,200)。根据所设定的目标出库终点坐标(100,200,300),服务器将这些起始位置映射到目标三维坐标系中。通过将起始出库位置与目标三维坐标系进行映射,服务器得到货仓A的目标出库起点坐标(50,80,120)和货仓B的目标出库起点坐标(70,120,200)。接下来,利用路径拟合参数进行物流出库路径规划。假设服务器使用一种基于曲线拟合的路径规划算法,其中第一拟合参数为0.8,第二拟合参数为1.2,第三拟合参数为1.5。通过这些参数,服务器生成初始出库路径,该路径将考虑起点、终点和路径形状的调整。根据具体的路径规划算法,服务器得到了初始出库路径,该路径可能是一条曲线或者折线,连接着货仓A的目标出库起点和目标出库终点。进一步地,服务器也得到了连接着货仓B的目标出库起点和目标出库终点的初始出库路径。本实施例中,服务器成功实现了根据仓储区域参数信息确定多个货仓对应的货仓类型,并通过这些类型和所述仓储区域参数信息进行物流出库路径规划,得到了初始出库路径。
S104、基于仓储数字孪生模型和初始出库路径进行物流出库模拟,得到物流出库模拟数据;
具体的,基于仓储数字孪生模型,对初始出库路径进行模拟参数设置,以获得目标模拟参数。这些模拟参数可以是一些预设的数值,用于控制模拟过程中的物流参数和环境条件。例如,模拟参数可以包括货物的速度、加速度、转向半径,以及仓库内部的环境温度、湿度等。根据目标模拟参数,对初始出库路径进行物流出库模拟,并计算初始出库路径的物流出库模拟数据。这一步骤涉及模拟物流运动和路径规划,以模拟货物从起始位置到目标位置的运动过程。在模拟过程中,可以考虑货物的移动、转向、加速度等因素,并结合路径规划算法来确定实际的物流出库路径。通过模拟物流出库过程,可以得到一系列物流出库模拟数据。这些数据可以包括货物的位置、速度、加速度、转向角度、运动时间等。此外,还可以记录其他相关的信息,如货物状态、仓库内部环境参数等。例如,假设服务器有一个仓储数字孪生模型,以及一个初始出库路径,起点为A,终点为B。服务器设置模拟参数,如货物速度为2m/s,加速度为0.5m/s²,转向半径为3m,环境温度为25°C。基于以上设置的目标模拟参数,服务器开始对初始出库路径进行物流出库模拟。在模拟过程中,服务器需要考虑货物的运动和路径规划。根据路径规划算法,服务器确定实际的物流出库路径,以确保货物按照预设的速度和加速度从起点A到达终点B。在模拟过程中,服务器记录货物的位置、速度、加速度、转向角度等数据。例如,当货物经过路径的某个特定点时,服务器记录下其坐标、速度为2m/s、加速度为0.5m/s²、转向角度为30°。通过模拟过程,服务器得到一系列物流出库模拟数据。这些物流出库模拟数据可以用于分析和优化物流出库过程。例如,可以评估货物的运动效率、路径的合理性,或者用于预测和规划仓库的货物流动情况。同时,这些数据还可以与实实际物流操作进行比较,以验证模拟的准确性和可靠性。通过对比模拟数据和实际数据,可以发现潜在的问题和改进点,并采取相应的措施进行优化。
S105、基于物流出库模拟数据对初始出库路径进行路径优化,生成目标出库路径。
具体的,服务器根据物流出库模拟数据进行路径运输频率分析。对初始出库路径中的每个第二出库路径进行统计,记录它们在模拟数据中出现的频率。通过分析不同路径的运输频率,服务器了解哪些路径在物流出库过程中更为常见和合适。接下来,服务器需要判断路径运输频率是否大于预设阈值。预设阈值是一个设定值,用于衡量路径的出现频率是否达到一定的要求。如果某条路径的运输频率超过预设阈值,说明这条路径相对较为理想,可考虑将其纳入目标出库路径的候选集中。根据判断结果,服务器为每个第二出库路径设置路径权重系数。路径权重系数反映了路径的重要程度,较高的权重意味着该路径更有可能成为目标出库路径的一部分。可以根据路径运输频率的大小来设定权重系数,例如,频率较高的路径可以赋予较高的权重,以增加其在路径优化过程中的影响力。基于每个第二出库路径的路径权重系数,对初始出库路径进行路径优化,生成目标出库路径。路径优化的方法可以采用各种算法,例如遗传算法、蚁群算法或模拟退火算法等。通过调整路径的顺序或选择具有较高权重的路径,优化算法可以寻找到一个更为优化的目标出库路径,以提高物流效率和降低成本。例如,假设在物流出库模拟数据中,服务器对初始出库路径进行了分析,得到了每个第二出库路径的运输频率。服务器设定预设阈值为10%,即只有当某个路径的运输频率超过10%时,才将其考虑为目标出库路径的候选。根据运输频率的统计结果,服务器发现路径A的频率为15%,路径B的频率为8%,路径C的频率为12%。根据判断结果,服务器为路径A赋予较高的路径权重系数,例如1.5,表示路径A的重要性较高。路径B的频率未达到预设阈值,因此赋予较低的权重系数,例如0.8。路径C的频率超过预设阈值,但没有像路径A那样明显,因此可以给予适中的权重系数,例如1.2,表示路径C相对于路径B更为重要。基于路径权重系数,服务器进行路径优化,生成目标出库路径。可以使用优化算法来搜索最佳的路径组合,使得总体物流效率最大化。算法可以考虑路径的顺序调整、路径段的替换或剪切等操作,以求得更加优化的目标出库路径。通过迭代优化过程,最终得到一个经过路径优化的目标出库路径,其中包含了根据物流出库模拟数据和路径权重系数得出的最佳路径选择。
本发明实施例中,基于预置的仓储数字孪生模型提取仓储区域参数信息,其中,仓储区域参数信息包括多个货仓的第一位置信息和体积信息;根据仓储区域参数信息确定多个货仓对应的多种货仓类型;获取仓储出库中心的第二位置信息,并通过每种货仓类型和仓储区域参数信息进行物流出库路径规划,得到初始出库路径;基于仓储数字孪生模型和初始出库路径进行物流出库模拟,得到物流出库模拟数据;基于物流出库模拟数据对初始出库路径进行路径优化,生成目标出库路径,本发明基于数字孪生模型提取仓储区域参数信息和多种货仓类型,并采用物流出库路径规划和模拟技术,可以优化出库路径并模拟出库过程,提高物流效率和准确度。本发明可以有效实现仓储物流的出库智能管理,并提高仓储物流的出库效率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)基于预设的3D扫描仪对目标仓库进行扫描,并对目标仓库进行数字化建模,得到初始数字孪生模型;
(2)获取目标仓库的建筑构件信息,并根据建筑构件信息对初始数字孪生模型进行建筑构件融合,得到仓储数字孪生模型;
(3)根据仓储数字孪生模型,对目标仓库进行仓储区域分析,确定多个仓储区域;
(4)对每个仓储区域进行货仓位置分析和货仓体积计算,得到多个货仓的第一位置信息和体积信息;
(5)将多个货仓的第一位置信息及体积信息映射到仓储数字孪生模型中,并输出仓储区域参数信息。
具体的,服务器使用专业的3D扫描仪对目标仓库进行全面的扫描。扫描仪会通过激光或摄像机等技术,获取仓库内各个角落的几何信息,并将其转换为数字化的点云数据。这些点云数据包含了仓库的空间布局和物体形状。接下来,通过对点云数据进行处理和分析,对目标仓库进行数字化建模。使用计算机软件对点云数据进行重建和拟合,得到初始的数字孪生模型。该模型会准确地反映仓库的几何结构和细节,包括墙壁、柱子、屋顶等构件的形状和位置。获取目标仓库的建筑构件信息。可以通过检索建筑图纸、设计文档或现场勘测等方式,获取仓库的建筑构件信息。这些信息包括不同构件的尺寸、形状、位置和属性等。根据获得的建筑构件信息,将其与初始数字孪生模型进行建筑构件融合。在数字孪生模型上按照实际仓库的布局和构件位置,进行建筑构件的精确对齐和匹配。通过将建筑构件信息应用于初始数字孪生模型,使得模型更加真实和准确,能够反映出仓库内部的实际构造和布局。再在仓储数字孪生模型的基础上,进行仓储区域分析。通过分析数字孪生模型中的几何形状和结构信息,确定仓库内的不同区域,如入库区、出库区、存储区等。根据仓库的功能需求和操作流程,将仓储区域进行划分和标记。之后,对于每个仓储区域,进行货仓位置分析和货仓体积计算。通过对仓储区域内部的空间进行测量和分析,确定每个货仓的位置和尺寸。位置信息可以表示为坐标或相对于某一参考点的距离。体积计算可以根据货仓的形状和尺寸,使用适当的数学方法进行求解,如计算几何体积或使用物体体素化方法。将多个货仓的第一位置信息和体积信息映射到仓储数字孪生模型中,并输出仓储区域参数信息。通过将货仓的位置和体积信息与数字孪生模型进行对应,可以在模型中准确地表示每个货仓的位置和尺寸。这些信息可以用于后续的仓库管理和优化。例如,假设服务器对一个目标仓库进行了3D扫描,并获得了数字化的点云数据。服务器根据该点云数据重建了初始的数字孪生模型。接下来,服务器获取了仓库的建筑构件信息,包括墙壁、柱子和屋顶等。服务器将这些建筑构件信息与初始数字孪生模型进行融合,使得模型更加真实和精确。在融合后的仓储数字孪生模型上,服务器进行仓储区域分析,确定了不同的仓储区域,例如入库区、出库区和存储区等。接下来,服务器对每个仓储区域进行货仓位置分析和货仓体积计算。假设服务器的目标仓库被划分为存储区和出库区两个区域。在存储区中,服务器确定了三个货仓,分别标记为A、B和C。通过测量和分析,服务器得到了每个货仓的第一位置信息(例如坐标)和体积信息。服务器将这些货仓的第一位置信息和体积信息映射到仓储数字孪生模型中。服务器在数字孪生模型中标记出货仓A、B和C的准确位置,并根据其体积信息,调整模型中对应区域的尺寸和容量。服务器输出仓储区域参数信息,例如每个区域的名称、位置范围、容量等。这些信息可以作为仓库管理系统的输入,帮助进行货物的存储、出库和库存管理等操作。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)通过预置的仓储数字孪生模型,设置第一体积阈值V1以及第二体积阈值V2;
(2)根据仓储区域参数信息确定每个货仓的体积信息V;
(3)当体积信息V<第一体积阈值V1时,确定货仓类型为第一货仓类型;
(4)当第一体积阈值V1≤体积信息V<第二体积阈值V2,确定货仓类型为第二货仓类型;
(5)当第二体积阈值V2≤体积信息V时,确定货仓类型为第三货仓类型;
(6)根据每个货仓的体积信息V,确定多个货仓对应的多种货仓类型。
具体的,服务器通过预置的仓储数字孪生模型设置第一体积阈值V1和第二体积阈值V2。这些阈值是根据具体仓库的需求和规格进行预先设定的,用于将货仓分为不同的类型。根据仓储区域参数信息,确定每个货仓的实际体积信息V。这些信息可以是在前面提到的仓储数字孪生模型中获得的,或者是在实际测量中获取的。根据体积信息V与第一体积阈值V1和第二体积阈值V2进行比较,确定每个货仓的类型。具体判断逻辑如下:当体积信息V小于第一体积阈值V1时,确定该货仓类型为第一货仓类型;当第一体积阈值V1小于等于体积信息V,且体积信息V小于第二体积阈值V2时,确定该货仓类型为第二货仓类型;当第二体积阈值V2小于等于体积信息V时,确定该货仓类型为第三货仓类型。通过上述判断逻辑,将每个货仓分为不同的类型,根据其体积信息的大小进行分类。可以得到多个货仓对应的多种货仓类型。例如,假设服务器有一个仓储数字孪生模型,其中包含两个仓储区域:A区和B区。服务器已经确定了每个区域的体积阈值,V1和V2分别为100m³和200m³。根据仓储区域参数信息,服务器获得了A区中货仓1的体积信息为80m³,货仓2的体积信息为150m³;B区中货仓1的体积信息为180m³,货仓2的体积信息为250m³。根据判断逻辑,对于A区的货仓1,80m³<100m³,因此确定其货仓类型为第一货仓类型。对于A区的货仓2,100m³≤150m³<200m³,所以确定其货仓类型为第二货仓类型。对于B区的货仓1,200m³≤180m³,因此确定其货仓类型为第三货仓类型。对于B区的货仓2,200m³≤250m³,同样确定其货仓类型为第三货仓类型。通过这个例子,服务器看到根据体积信息和预设的阈值,将货仓划分为不同的类型。这样的分类可以帮助仓库管理人员更好地了解和管理不同类型的货仓。根据货仓的类型,可以进行不同的存储和操作策略,例如选择适合的货架、处理方式和库存管理方法。本实施例中,A区的货仓1被划分为第一货仓类型,可以采用适合小尺寸货物的存储方案,例如使用小型货架或储物箱进行存放。A区的货仓2被划分为第二货仓类型,可以根据其中等尺寸的特点,选择适当的货架类型和存储方式,以最大程度地利用空间。B区的货仓1和货仓2被划分为第三货仓类型,可以采用适合大尺寸货物的存储设备和操作方式,例如使用平台或吊装设备进行装卸。通过货仓的分类,仓库管理人员可以更好地规划货物的存储布局,优化货物的操作流程,并提高仓库的空间利用率。此外,货仓类型的确定也为仓库的库存管理提供了基础,可以根据不同类型货仓的特点,制定合理的库存管理策略,确保货物的安全性和及时性。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、获取仓储出库中心的第二位置信息,并将第二位置信息设置为目标出库终点;
S202、将目标出库终点作为三维坐标原点,并通过仓储数字孪生模型构建目标三维坐标系;
S203、根据多种货仓类型,确定每个货仓的起始出库位置以及路径拟合参数,其中,第一货仓类型对应于第一拟合参数、第二货仓类型对应于第二拟合参数以及第三货仓类型对应于第三拟合参数;
S204、将起始出库位置映射到目标三维坐标系中,生成每个起始出库位置的目标出库起点;
S205、通过目标出库起点、目标出库终点以及路径拟合参数进行流出库路径规划,得到初始出库路径。
具体的,服务器获取仓储出库中心的第二位置信息,并将该位置信息设置为目标出库终点。这个位置信息可以通过仓库管理系统、传感器数据或人工测量等方式获取,例如使用激光测距仪获取出库中心的精确位置坐标。将目标出库终点作为三维坐标原点是为了建立一个相对坐标系,便于后续的位置映射和路径规划。接下来,服务器利用仓储数字孪生模型来构建目标三维坐标系。数字孪生模型是对实际仓库的数字化表示,其中包含了仓库的几何结构、空间布局和特征信息。通过在数字孪生模型中添加目标三维坐标系,服务器将仓库中的位置信息与模型进行对应和匹配。根据多种货仓类型,服务器需要确定每个货仓的起始出库位置以及路径拟合参数。不同类型的货仓可能具有不同的特征和要求,因此需要根据货仓类型进行个性化设置。例如,对于第一货仓类型,服务器设定对应的第一拟合参数,用于描述货仓的特定路径规划方式。同样地,第二货仓类型可以有对应的第二拟合参数,第三货仓类型可以有对应的第三拟合参数。这些拟合参数可以包括路径长度、转弯半径、最大速度限制等信息,用于生成适合各种货仓类型的路径规划方案。将起始出库位置映射到目标三维坐标系中,服务器根据每个货仓的起始位置和目标出库终点的三维坐标关系,计算出每个起始位置在目标坐标系中的具体坐标值。服务器得到每个货仓的目标出库起点,为后续的路径规划提供准确的起点位置。通过使用目标出库起点、目标出库终点以及路径拟合参数进行流出库路径规划,服务器得到初始出库路径。这个路径是根据目标出库终点和起始出库位置之间的几何和运动约束条件计算得出的最优路径。路径规划算法可以采用各种方法,如A*算法、Dijkstra算法或基于机器学习的优化算法,以确定最佳路径。例如,假设服务器有一个仓库,其中包含两种货仓类型:小型货架和大型堆垛机。服务器根据这两种货仓类型的特点设定不同的路径拟合参数。对于小型货架,服务器设定第一拟合参数为直线路径规划,因为小型货架通常在平面上移动。对于大型堆垛机,服务器设定第二拟合参数为曲线路径规划,以适应其旋转和升降的特性。而第三货仓类型可以设定为折线路径规划,以兼顾效率和安全性。服务器将起始出库位置映射到目标三维坐标系中。假设服务器的目标出库终点是位于仓库的东北角,服务器将该位置设置为三维坐标系的原点。对于小型货架的起始位置,服务器将其映射到目标三维坐标系中的西南角。对于大型堆垛机的起始位置,服务器将其映射到目标三维坐标系中的西北角。通过这样的映射,服务器确定每个起始位置在目标坐标系中的具体坐标值。服务器利用目标出库起点、目标出库终点和路径拟合参数进行流出库路径规划。例如,对于小型货架,服务器使用直线路径规划算法,考虑到货架的移动速度和最短路径,生成与目标出库终点连接的直线路径。对于大型堆垛机,服务器使用曲线路径规划算法,考虑到堆垛机的旋转和升降能力,生成适合的曲线路径。通过这样的路径规划,服务器得到初始出库路径,为后续的物流出库操作提供指导。总结起来,实现上述过程服务器获取仓储出库中心的第二位置信息、构建目标三维坐标系、确定货仓的起始出库位置和路径拟合参数、映射起始位置到目标坐标系中,并利用这些信息进行流出库路径规划。服务器得到适合不同货仓类型和仓库布局的初始出库路径,为物流出库提供高效和准确的指引。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、通过预置的最短路径模型,对目标出库起点以及目标出库终点进行路径分析,得到每个货仓的第一出库路径;
S302、基于路径拟合参数,对每个货仓的第一出库路径进行路径校正,得到每个货仓的第二出库路径;
S303、通过仓储数字孪生模型,对每个货仓的第二出库路径进行路径集成,得到初始出库路径。
具体的,服务器需要预置一个最短路径模型,该模型可以通过图论算法(如Dijkstra算法或A*算法)来计算两点之间的最短路径。这个模型可以用于对目标出库起点和目标出库终点进行路径分析。通过输入起点和终点的坐标,该模型能够计算出起点到终点的最短路径,并返回路径上的节点序列。接下来,服务器根据路径拟合参数对每个货仓的第一出库路径进行路径校正。根据货仓的类型和特性,服务器确定不同货仓的路径拟合参数。例如,对于小型货架,服务器采用直线路径规划,对第一出库路径进行校正以适应货架的移动。对于大型堆垛机,服务器采用曲线路径规划,对第一出库路径进行校正以考虑堆垛机的旋转和升降。通过应用路径拟合参数,服务器使第一出库路径更符合货仓的实际特性。通过仓储数字孪生模型,服务器对每个货仓的第二出库路径进行路径集成。仓储数字孪生模型包含了仓库的准确建模和实时信息,可以提供对货仓布局和环境的详细了解。通过将第一出库路径映射到仓储数字孪生模型中,服务器考虑到实际的仓库布局、货架位置和其他障碍物,从而生成每个货仓的第二出库路径。路径集成的过程可以利用模型中的碰撞检测和路径规划算法,确保第二出库路径是安全和有效的。通过整合每个货仓的第二出库路径,服务器得到初始出库路径。这个初始出库路径是在考虑到仓储区域布局、货仓特性和实际环境的基础上生成的。它可以提供给物流操作员作为指导,以便高效地将货物从目标出库起点运送到目标出库终点。例如,假设有一个仓库中有三个货仓,分别是A、B和C。预置的最短路径模型分析了起点和终点之间的路径,确定了每个货仓的第一出库路径:A->B->C。根据路径拟合参数,对每个货仓的第一出库路径进行校正,得到了调整后的第二出库路径:A->B'->C。通过仓储数字孪生模型,将每个货仓的第二出库路径进行路径集成,得到了整体的初始出库路径:A->B'->C。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)基于仓储数字孪生模型,对初始出库路径进行模拟参数设置,得到目标模拟参数;
(2)基于目标模拟参数,对初始出库路径进行物流出库模拟,并计算初始出库路径的物流出库模拟数据。
具体的,利用仓储数字孪生模型,服务器获取仓库的详细信息,包括货架位置、货物分布、道路布局等。这个模型将仓库的实际情况以数字化的形式呈现,为后续的模拟参数设置提供准确的基础。接下来,基于初始出库路径,服务器需要进行模拟参数设置。这些参数可以包括货物的重量、体积、装载时间、运输速度等。通过仓储数字孪生模型中的数据,服务器根据实际仓库环境和货物特性来设置这些参数。例如,对于较重的家电产品,服务器设置较长的装载时间和较低的运输速度,以确保安全运输。在获得目标模拟参数后,服务器使用这些参数对初始出库路径进行物流出库模拟。这意味着服务器将模拟货物的移动过程,包括装载、运输、卸载等。根据设定的模拟参数,服务器模拟货物在路径上的运动情况,考虑到货物特性、仓库布局和运输过程中的限制条件。通过物流出库模拟,服务器获得初始出库路径的物流出库模拟数据。这些数据可以包括货物的运输时间、路径的效率、装卸的顺利程度等。通过对模拟数据的分析,服务器评估初始出库路径的可行性和优化空间。这些数据还可以用于调整模拟参数,进一步改进物流出库流程,并提高仓库的运营效率。例如来说明这个过程。假设服务器的初始出库路径是从仓库的A区到B区,经过了多个货架和道路。服务器使用仓储数字孪生模型来获取实际仓库的布局和货物分布。基于这些信息,服务器设定目标模拟参数,如货物的平均重量、装载时间和运输速度。接下来,服务器进行物流出库模拟。服务器模拟货物的装载过程,考虑到货物的重量和体积,以及装载设备的限制。服务器模拟货物在初始出库路径上的运输过程,考虑到道路的拥挤程度和货物的运输速度。服务器拟货物的卸载过程,确保货物能够安全、高效地到达目标位置。在整个物流出库模拟过程中,服务器记录各个阶段的时间、速度、装卸情况等数据。通过分析初始出库路径的物流出库模拟数据,服务器评估路径的效率和可行性。如果模拟数据显示存在瓶颈或效率低下的情况,服务器根据模拟结果进行调整和优化。例如,如果某个货架的货物装载速度较慢,服务器考虑优化货架的布局或增加装载设备的数量,以提高装载效率。此外,物流出库模拟数据还可以用于预测仓库的运营情况。通过模拟不同的出库策略和参数设置,服务器预测货物的运输时间、仓库的负载情况以及潜在的瓶颈点。这些数据可以帮助仓库管理者做出决策,优化仓库的布局、资源配置和运营流程,以提高物流效率和满足客户需求。
在一具体实施例中,如图4所示,执行步骤S106的过程可以具体包括如下步骤:
S401、对物流出库模拟数据进行路径运输频率分析,确定初始出库路径中每个第二出库路径的路径运输频率;
S402、判断路径运输频率是否大于预设阈值,得到判断结果;
S403、根据判断结果,设置每个第二出库路径的路径权重系数;
S404、根据每个第二出库路径的路径权重系数,对初始出库路径进行路径优化,生成目标出库路径。
具体的,服务器对物流出库模拟数据进行路径运输频率分析,可以通过统计每个第二出库路径在一段时间内的使用次数来确定其路径运输频率。这个分析可以帮助服务器了解每个路径的使用情况,以及哪些路径更常被选择作为货物的出库路径。在分析过程中,服务器使用数据采集和记录系统来记录每个出库任务的路径选择。每当一个货物出库时,记录系统会记录所选择的第二出库路径。通过累计一段时间内的记录数据,服务器得到每个路径的运输频率。接下来,服务器需要将路径运输频率与预设阈值进行比较,以确定每个第二出库路径是否频繁使用。预设阈值可以根据具体情况和需求进行设置。如果某个路径的运输频率超过了预设阈值,服务器判断该路径是一个热门路径,经常被选择作为出库路径。反之,如果路径的运输频率低于预设阈值,服务器认为该路径使用较少。基于判断结果,服务器为每个第二出库路径设置路径权重系数。如果路径的运输频率大于预设阈值,服务器增加该路径的权重系数,以增加其在路径优化中的优先级。相反,如果路径的运输频率较低,服务器降低其权重系数,以减少其在路径优化中的影响力。根据每个第二出库路径的路径权重系数,服务器对初始出库路径进行路径优化,生成目标出库路径。路径优化可以采用启发式算法、遗传算法或模拟退火算法等优化方法。通过考虑路径权重系数,优化算法可以更倾向于选择运输频率高的路径作为目标出库路径,从而提高整体的出库效率和路径利用率。例如,假设在一个电子产品仓库中,有三个主要的第二出库路径:A、B和C。服务器通过物流出库模拟数据分析得到它们的运输频率情况如下:路径A:使用频率为80次/月;路径B:使用频率为60次/月;路径C:使用频率为30次/月。假设服务器将预设阈值设置为50次/月。根据路径运输频率分析,服务器得出以下判断结果:路径A的运输频率大于预设阈值,因此它是一个热门路径;路径B的运输频率也大于预设阈值,同样被认为是一个热门路径;路径C的运输频率低于预设阈值,可以认为它不是一个热门路径。由于路径A和路径B的运输频率均大于预设阈值,服务器为它们设置较高的路径权重系数,以增加它们在路径优化中的优先级。而路径C的运输频率低于预设阈值,服务器设置较低的路径权重系数,减少其在路径优化中的影响力。基于路径权重系数,服务器进行路径优化,生成目标出库路径。优化算法可以考虑路径的长度、时间、成本等因素,以及路径的容量和安全性要求。通过综合考虑这些因素,优化算法可以找到一条最优的出库路径,以最大程度地提高仓库的出库效率和资源利用率。例如,假设在路径优化过程中,优化算法根据路径权重系数选择了路径A作为目标出库路径。路径A具有较高的运输频率,表明它经常被选择用于出库任务。通过路径优化,算法可能进一步考虑路径A的长度、容量和安全性要求,以生成一个符合这些要求的最佳出库路径。最终,根据路径优化的结果,服务器得到了目标出库路径,即在考虑路径运输频率和其他因素的基础上,经过路径优化得到的最优出库路径。这条路径可以作为指导物流操作员的依据,以高效地将货物从仓库的初始出库点运送到目标出库点。
上面对本发明实施例中仓储物流智能管理方法进行了描述,下面对本发明实施例中仓储物流智能管理装置进行描述,请参阅图5,本发明实施例中仓储物流智能管理装置一个实施例包括:
提取模块501,用于基于预置的仓储数字孪生模型提取仓储区域参数信息,其中,所述仓储区域参数信息包括多个货仓的第一位置信息和体积信息;
确定模块502,用于根据所述仓储区域参数信息确定所述多个货仓对应的多种货仓类型;
规划模块503,用于获取仓储出库中心的第二位置信息,并通过每种货仓类型和所述仓储区域参数信息进行物流出库路径规划,得到初始出库路径;
模拟模块504,用于基于所述仓储数字孪生模型和所述初始出库路径进行物流出库模拟,得到物流出库模拟数据;
优化模块505,用于基于所述物流出库模拟数据对所述初始出库路径进行路径优化,生成目标出库路径。
通过上述各个组成部分的协同合作,基于预置的仓储数字孪生模型提取仓储区域参数信息,其中,仓储区域参数信息包括多个货仓的第一位置信息和体积信息;根据仓储区域参数信息确定多个货仓对应的多种货仓类型;获取仓储出库中心的第二位置信息,并通过每种货仓类型和仓储区域参数信息进行物流出库路径规划,得到初始出库路径;基于仓储数字孪生模型和初始出库路径进行物流出库模拟,得到物流出库模拟数据;基于物流出库模拟数据对初始出库路径进行路径优化,生成目标出库路径,本发明基于数字孪生模型提取仓储区域参数信息和多种货仓类型,并采用物流出库路径规划和模拟技术,可以优化出库路径并模拟出库过程,提高物流效率和准确度。本发明可以有效实现仓储物流的出库智能管理,并提高仓储物流的出库效率。
上面图5从模块化功能实体的角度对本发明实施例中的仓储物流智能管理装置进行详细描述,下面从硬件处理的角度对本发明实施例中仓储物流智能管理设备进行详细描述。
图6是本发明实施例提供的一种仓储物流智能管理设备的结构示意图,该仓储物流智能管理设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对仓储物流智能管理设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在仓储物流智能管理设备600上执行存储介质630中的一系列指令操作。
仓储物流智能管理设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,MacOS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的仓储物流智能管理设备结构并不构成对仓储物流智能管理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种仓储物流智能管理设备,所述仓储物流智能管理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述仓储物流智能管理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述仓储物流智能管理方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(randomacceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种仓储物流智能管理方法,其特征在于,所述仓储物流智能管理方法包括:
基于预置的仓储数字孪生模型提取仓储区域参数信息,其中,所述仓储区域参数信息包括多个货仓的第一位置信息和体积信息;具体包括:基于预设的3D扫描仪对目标仓库进行扫描,并对所述目标仓库进行数字化建模,得到初始数字孪生模型;获取所述目标仓库的建筑构件信息,并根据所述建筑构件信息对所述初始数字孪生模型进行建筑构件融合,得到仓储数字孪生模型;根据所述仓储数字孪生模型,对所述目标仓库进行仓储区域分析,确定多个仓储区域;对每个仓储区域进行货仓位置分析和货仓体积计算,得到多个货仓的第一位置信息和体积信息;将所述多个货仓的第一位置信息及体积信息映射到所述仓储数字孪生模型中,并输出仓储区域参数信息;
根据所述仓储区域参数信息确定所述多个货仓对应的多种货仓类型;具体包括:通过预置的仓储数字孪生模型,设置第一体积阈值V1以及第二体积阈值V2;根据所述仓储区域参数信息确定每个货仓的体积信息V;当体积信息V<第一体积阈值V1时,确定货仓类型为第一货仓类型;当第一体积阈值V1≤体积信息V<第二体积阈值V2,确定货仓类型为第二货仓类型;当第二体积阈值V2≤体积信息V时,确定货仓类型为第三货仓类型;根据每个货仓的体积信息V,确定所述多个货仓对应的多种货仓类型;
获取仓储出库中心的第二位置信息,并通过每种货仓类型和所述仓储区域参数信息进行物流出库路径规划,得到初始出库路径;具体包括:获取仓储出库中心的第二位置信息,并将所述第二位置信息设置为目标出库终点;将所述目标出库终点作为三维坐标原点,并通过所述仓储数字孪生模型构建目标三维坐标系;根据所述多种货仓类型,确定每个货仓的起始出库位置以及路径拟合参数,其中,所述第一货仓类型对应于第一拟合参数、所述第二货仓类型对应于第二拟合参数以及所述第三货仓类型对应于第三拟合参数;将所述起始出库位置映射到所述目标三维坐标系中,生成每个起始出库位置的目标出库起点;通过所述目标出库起点、所述目标出库终点以及所述路径拟合参数进行物流出库路径规划,得到初始出库路径;其中,通过预置的最短路径模型,对所述目标出库起点以及所述目标出库终点进行路径分析,得到每个货仓的第一出库路径;基于所述路径拟合参数,对每个货仓的第一出库路径进行路径校正,得到每个货仓的第二出库路径;通过所述仓储数字孪生模型,对每个货仓的第二出库路径进行路径集成,得到初始出库路径;
基于所述仓储数字孪生模型和所述初始出库路径进行物流出库模拟,得到物流出库模拟数据;具体包括:基于所述仓储数字孪生模型,对所述初始出库路径进行模拟参数设置,得到目标模拟参数;基于所述目标模拟参数,对所述初始出库路径进行物流出库模拟,并计算所述初始出库路径的物流出库模拟数据;
基于所述物流出库模拟数据对所述初始出库路径进行路径优化,生成目标出库路径;具体包括:对所述物流出库模拟数据进行路径运输频率分析,确定所述初始出库路径中每个第二出库路径的路径运输频率;判断所述路径运输频率是否大于预设阈值,得到判断结果;根据所述判断结果,设置每个第二出库路径的路径权重系数;根据每个第二出库路径的路径权重系数,对所述初始出库路径进行路径优化,生成目标出库路径。
2.一种仓储物流智能管理装置,其特征在于,所述仓储物流智能管理装置包括:
提取模块,用于基于预置的仓储数字孪生模型提取仓储区域参数信息,其中,所述仓储区域参数信息包括多个货仓的第一位置信息和体积信息;具体包括:基于预设的3D扫描仪对目标仓库进行扫描,并对所述目标仓库进行数字化建模,得到初始数字孪生模型;获取所述目标仓库的建筑构件信息,并根据所述建筑构件信息对所述初始数字孪生模型进行建筑构件融合,得到仓储数字孪生模型;根据所述仓储数字孪生模型,对所述目标仓库进行仓储区域分析,确定多个仓储区域;对每个仓储区域进行货仓位置分析和货仓体积计算,得到多个货仓的第一位置信息和体积信息;将所述多个货仓的第一位置信息及体积信息映射到所述仓储数字孪生模型中,并输出仓储区域参数信息;
确定模块,用于根据所述仓储区域参数信息确定所述多个货仓对应的多种货仓类型;具体包括:通过预置的仓储数字孪生模型,设置第一体积阈值V1以及第二体积阈值V2;根据所述仓储区域参数信息确定每个货仓的体积信息V;当体积信息V<第一体积阈值V1时,确定货仓类型为第一货仓类型;当第一体积阈值V1≤体积信息V<第二体积阈值V2,确定货仓类型为第二货仓类型;当第二体积阈值V2≤体积信息V时,确定货仓类型为第三货仓类型;根据每个货仓的体积信息V,确定所述多个货仓对应的多种货仓类型;
规划模块,用于获取仓储出库中心的第二位置信息,并通过每种货仓类型和所述仓储区域参数信息进行物流出库路径规划,得到初始出库路径;具体包括:获取仓储出库中心的第二位置信息,并将所述第二位置信息设置为目标出库终点;将所述目标出库终点作为三维坐标原点,并通过所述仓储数字孪生模型构建目标三维坐标系;根据所述多种货仓类型,确定每个货仓的起始出库位置以及路径拟合参数,其中,所述第一货仓类型对应于第一拟合参数、所述第二货仓类型对应于第二拟合参数以及所述第三货仓类型对应于第三拟合参数;将所述起始出库位置映射到所述目标三维坐标系中,生成每个起始出库位置的目标出库起点;通过所述目标出库起点、所述目标出库终点以及所述路径拟合参数进行物流出库路径规划,得到初始出库路径;其中,通过预置的最短路径模型,对所述目标出库起点以及所述目标出库终点进行路径分析,得到每个货仓的第一出库路径;基于所述路径拟合参数,对每个货仓的第一出库路径进行路径校正,得到每个货仓的第二出库路径;通过所述仓储数字孪生模型,对每个货仓的第二出库路径进行路径集成,得到初始出库路径;
模拟模块,用于基于所述仓储数字孪生模型和所述初始出库路径进行物流出库模拟,得到物流出库模拟数据;具体包括:基于所述仓储数字孪生模型,对所述初始出库路径进行模拟参数设置,得到目标模拟参数;基于所述目标模拟参数,对所述初始出库路径进行物流出库模拟,并计算所述初始出库路径的物流出库模拟数据;
优化模块,用于基于所述物流出库模拟数据对所述初始出库路径进行路径优化,生成目标出库路径;具体包括:对所述物流出库模拟数据进行路径运输频率分析,确定所述初始出库路径中每个第二出库路径的路径运输频率;判断所述路径运输频率是否大于预设阈值,得到判断结果;根据所述判断结果,设置每个第二出库路径的路径权重系数;根据每个第二出库路径的路径权重系数,对所述初始出库路径进行路径优化,生成目标出库路径。
3.一种仓储物流智能管理设备,其特征在于,所述仓储物流智能管理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述仓储物流智能管理设备执行如权利要求1所述的仓储物流智能管理方法。
4.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1所述的仓储物流智能管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310787051.2A CN116502785B (zh) | 2023-06-30 | 2023-06-30 | 仓储物流智能管理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310787051.2A CN116502785B (zh) | 2023-06-30 | 2023-06-30 | 仓储物流智能管理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502785A CN116502785A (zh) | 2023-07-28 |
CN116502785B true CN116502785B (zh) | 2024-01-16 |
Family
ID=87328910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310787051.2A Active CN116502785B (zh) | 2023-06-30 | 2023-06-30 | 仓储物流智能管理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502785B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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系统 |
CN117391591B (zh) * | 2023-12-04 | 2024-05-10 | 源鸿物联科技有限公司 | 一种基于数字孪生的智能仓储优化系统 |
CN117495065B (zh) * | 2024-01-03 | 2024-04-02 | 百工汇智(苏州)智能科技有限公司 | 一种仓储机器人视觉识别的设备智能调度方法 |
CN117910932A (zh) * | 2024-03-20 | 2024-04-19 | 宁波安得智联科技有限公司 | 仓储管理方法、装置、终端设备以及存储介质 |
CN118521251A (zh) * | 2024-06-27 | 2024-08-20 | 华远陆港产业研究院(山西)有限公司 | 面向现代物流陆港产业领域的企业大数据系统的构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743876A (zh) * | 2021-09-16 | 2021-12-03 | 重庆大学 | 一种用于核电装备的数字孪生无人仓库管理系统 |
CN114648267A (zh) * | 2022-02-15 | 2022-06-21 | 无锡星际智慧物流有限公司 | 一种自动化立体仓库调度路径的优化方法及系统 |
CN115310690A (zh) * | 2022-08-02 | 2022-11-08 | 北自所(北京)科技发展股份有限公司 | 数字孪生的四向穿梭车优化调度方法、装置及存储介质 |
CN116205561A (zh) * | 2022-12-23 | 2023-06-02 | 洛阳中科人工智能研究院有限公司 | 一种基于数字孪生的物料管理方法和系统 |
-
2023
- 2023-06-30 CN CN202310787051.2A patent/CN116502785B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743876A (zh) * | 2021-09-16 | 2021-12-03 | 重庆大学 | 一种用于核电装备的数字孪生无人仓库管理系统 |
CN114648267A (zh) * | 2022-02-15 | 2022-06-21 | 无锡星际智慧物流有限公司 | 一种自动化立体仓库调度路径的优化方法及系统 |
CN115310690A (zh) * | 2022-08-02 | 2022-11-08 | 北自所(北京)科技发展股份有限公司 | 数字孪生的四向穿梭车优化调度方法、装置及存储介质 |
CN116205561A (zh) * | 2022-12-23 | 2023-06-02 | 洛阳中科人工智能研究院有限公司 | 一种基于数字孪生的物料管理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116502785A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116502785B (zh) | 仓储物流智能管理方法、装置、设备及存储介质 | |
JP6746819B1 (ja) | 倉庫高速配置方法、機器及び記憶媒体 | |
US11794346B2 (en) | Robotic system with error detection and dynamic packing mechanism | |
JP6684404B1 (ja) | リアルタイム載置シミュレーションを使用してパッケージをパレタイズするためのロボットシステム | |
US7957900B2 (en) | Tracking vehicle locations in a parking lot for definitive display on a GUI | |
Fazlollahtabar et al. | Autonomous guided vehicles | |
CN112009813A (zh) | 具有打包机制的机器人系统 | |
CN112009811A (zh) | 用于处理失序到达的包裹的机器人系统 | |
KR101918168B1 (ko) | 3차원 계측 방법 및 그 장치 | |
KR20180046361A (ko) | 깊이 센서 기반의 적재 최적화 방법 및 시스템 | |
Dharmasiri et al. | Novel implementation of multiple automated ground vehicles traffic real time control algorithm for warehouse operations: djikstra approach | |
Kofler et al. | Rassigning storage locations in a warehouse to optimize the order picking process | |
CN110619424B (zh) | 一种运输配送优化系统 | |
Kargari Esfand Abad et al. | A multi-objective optimization model for split pollution routing problem with controlled indoor activities in cross docking under uncertainty | |
WO2021157158A1 (ja) | シミュレーション装置、シミュレーションシステム、搬送システム及びシミュレーション方法 | |
CN111498213B (zh) | 具有动态打包机制的机器人系统 | |
CN113449906B (zh) | 一种库位优化方法、装置、库存管理设备及系统 | |
CN118225074B (zh) | 一种散货船清舱机器人自适应地图更新方法及装置 | |
KR20240077339A (ko) | 적재될 화물 정보를 예측하여 최적의 적재 작업을 가이드하는 방법 및 장치 | |
Veneman | Scheduling algorithm for autonomous robot cycle counting | |
CN111559544B (zh) | 具有错误检测和动态打包机制的机器人系统 | |
Ouhoud et al. | Experimental Validation of Travel Time Models for Multi Aisle Automated Storage and Retrieval System in Class-Based Storage. | |
Jansen | Warehouse Layout Design at NXP ICN8 Nijmegen | |
CN118037176A (zh) | 自动化无人仓库系统及其货物管理方法 | |
Tresca | Control systems and optimization methods for industrial logistics |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |