CN116522801A - 一种用于物流系统的布局仿真方法及装置 - Google Patents
一种用于物流系统的布局仿真方法及装置 Download PDFInfo
- Publication number
- CN116522801A CN116522801A CN202310775583.4A CN202310775583A CN116522801A CN 116522801 A CN116522801 A CN 116522801A CN 202310775583 A CN202310775583 A CN 202310775583A CN 116522801 A CN116522801 A CN 116522801A
- Authority
- CN
- China
- Prior art keywords
- logistics
- layout
- layout simulation
- capacity data
- data
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011217 control strategy Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 239000000463 material Substances 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 27
- 238000005457 optimization Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009975 flexible effect Effects 0.000 description 2
- 238000011031 large-scale manufacturing process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 229940126680 traditional chinese medicines Drugs 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/083—Shipping
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于物流系统的布局仿真方法及装置，方法包括如下步骤：基于全局物流计划，获取对应的物流单元，其中，物流单元包括主动物流对象和被动物流元素；构建信息流，结合预设的信息控制策略，构建物流布局仿真模型；获取用于物流系统的布局仿真的初始的容量数据，并构建对应的仿真模型边界；运行物流布局仿真模型，并基于模型运行数据，对初始的容量数据进行迭代；根据确定的容量数据，完成针对物流系统的布局仿真。本发明的物流系统布局仿真方案具有系统柔性，降低了物流系统控制的复杂度，提高了整个物流系统的运输效率。
Description
技术领域
本发明属于模拟仿真技术领域，涉及一种用于物流系统的布局仿真方法及装置。
背景技术
在规模化的产品生产过程中，物料的搬运量往往比较大，且物流的空间相对有限，通过搬运工具对物流的转运，实现物料在不同生产环节间的传递。
目前，有研究通过直观可视的物流仿真和模拟，能给出相关物流系统的布局，可有效避免物料流或废弃物流交叉的情况。
如公开号为CN115793579A的专利申请给出了工厂物流仿真方法及应用于工厂物流仿真的智能调度系统，首先对工厂实地考察，并登记成工厂实地考察表，而后进行工艺流程梳理统计成工艺流程表，进行产品加工设备实地调研后与工艺流程表关联，形成相互对应的工艺关联表，再利用三维建模软件按照实际尺寸完成厂房实际轮廓建模后导入仿真软件中，同时完成每类产品的建模并导入仿真软件中，在仿真模型中构建产品加工设备位置；最后利用仿真语言编写完成仿真所需的各个动作及智能调度系统的循环检测模型中传感器算法，同时完成智能调度系统的物流通道构建，同时提供一种应用于仿真模型中的智能调度系统，具有循环检测、按需调用功能，能够保证仿真模型顺畅运行，简单实用。
又如公开号为CN113627087A的专利申请给出了基于物流仿真与机器学习的生产系统参数自适应优化方法，包括以下步骤：P1：随机数据模拟训练阶段，通过物流仿真模型产生大量模拟数据，用于机器学习模型的训练；P2：迭代优化阶段，通过P1阶段获得的机器学习模型产生新的数据，并输入至物流仿真模型进行运算，将仿真结果与原结果进行对比，不断迭代优化，直至两结果差值在误差允许范围内为止。本发明通过将物流仿真与机器学习算法巧妙结合并应用于复杂的生产系统中，既规避了物流仿真软件在处理复杂系统问题时优化能力偏弱的问题，也通过物流仿真技术解决了在运用机器学习技术所需的大量有效数据的问题，提高了复杂系统参数配置的优化效率。
然而，如上述的现有技术的物流仿真和基于物流仿真的参数优化，均只限于针对整体的生产系统和生产工厂本身，并未将物流系统的相关元素纳入整个系统仿真和参数优化的范畴，致使给出的物流仿真模拟系统有较高的复杂度，且实用性不强。
因此，如何将物流元素纳入生产过程中物流仿真，以降低物流仿真模拟的复杂度，提升物流仿真模拟的实用性，并在优化物流路径的基础提高物流效率，实现产品生产的智能制造是本领域技术人员亟待解决的问题。
发明内容
针对上述现有技术中存在的缺陷，本发明提供了一种用于物流系统的布局仿真方法及装置，基于全局物流计划，获取对应的物流单元，其中，物流单元包括主动物流对象和被动物流元素；构建信息流，结合预设的信息控制策略，构建物流布局仿真模型；获取用于物流系统的布局仿真的初始的容量数据，并构建对应的仿真模型边界；运行物流布局仿真模型，并基于模型运行数据，对初始的容量数据进行迭代；根据确定的容量数据，完成针对物流系统的布局仿真。本发明的物流系统布局仿真方案具有系统柔性，将物流元素纳入物流系统布局仿真中，通过容量数据对物流系统进行迭代更新，降低了物流系统控制的复杂度，提高了整个物流系统的运输效率。
第一方面，本发明提供一种用于物流系统的布局仿真方法，具体包括如下步骤：
基于全局物流计划，获取对应的物流单元，其中，物流单元包括主动物流对象和被动物流元素；
构建信息流，结合预设的信息控制策略，构建物流布局仿真模型；
获取用于物流系统的布局仿真的初始的容量数据，并构建对应的仿真模型边界；
运行物流布局仿真模型，并基于模型运行数据，对初始的容量数据进行迭代；
根据确定的容量数据，完成针对物流系统的布局仿真。
进一步的，主动物流对象包括物理实体对象及逻辑组件对象，被动物流元素包括物料元素及逻辑支撑元素。
进一步的，信息流包括全局物流计划表，全局物流计划表包括各个物流单元的计划指令信息。
进一步的，预设信息控制策略，具体包括如下步骤：
将待运行的目标物流单元与全局物流计划表进行匹配，获取对应的计划指令信息；
计划指令信息给出目标物流单元行进的计划起点和计划终点，目标物流单元按预设行进节点和行进路径行进；
目标物流单元在行进过程中，判断计划终点的物流需求，给出计划终点的物流需求是否低于预设值的信号，更新指令信息，给出实时终点信息；
根据实时终点信息，调整目标物流单元行进路径；
其中，目标物流单元按预设行进节点和行进路径运行，具体包括：
根据预设的行进时刻，主动物流对象与物料元素在计划起点进行匹配组合，确定为目标物流单元；
基于对应的逻辑支撑元素，连通计划起点与计划终点，给出行进路径，目标物流单元沿行进路径行进。
进一步的，根据实时终点信息，调整目标物流单元行进路径，具体包括如下步骤：
结合实时终点信息，重新确定对应的逻辑支撑元素，给出实时行进路径。
进一步的，容量数据为物流系统布局仿真的容量，包括物流单元的布局参数，物流单元的布局参数包括物流单元的种类及数量。
进一步的，获取用于物流系统的布局仿真的初始的容量数据，并构建对应的仿真模型边界，具体包括如下步骤：
基于全局物流计划表，给出用于物流系统的布局仿真的初始的容量数据；
根据初始的容量数据，解析出对应的初始物流单元清单，其中，初始物流单元清单包括物流单元的布局参数；
遍历初始物流单元清单，识别各个物流单元的布局参数；
基于各个物流单元的布局参数，结合全局物流计划表，确定各个物流单元的起点和/或终点，形成对应的边界数据；
汇集各个边界数据，构建仿真模型边界。
进一步的，运行物流布局仿真模型，并基于模型运行数据，对初始的容量数据进行迭代，具体包括如下步骤：
根据初始的容量数据以及构建的仿真模型边界，运行物流布局仿真模型；
获取全局物流评价数据，其中，全局物流评价数据包括全局物流处理参数；
根据对全局物流评价数据的分析，优化物流的瓶颈点；
基于优化物流瓶颈点，对初始的容量数据进行迭代。
进一步的，容量数据的确定，具体为：全局物流评价数据达到预设值，确定容量数据。
第二方面，本发明还提供一种用于物流系统的布局仿真装置，其特征在于，采用如上述用于物流系统的布局仿真方法，包括：
采集模块，基于全局物流计划，获取对应的物流单元，其中，物流单元包括主动物流对象和被动物流元素；
分析构建模块，构建信息流，结合预设的信息控制策略，构建物流布局仿真模型，获取用于物流系统的布局仿真的初始的容量数据，并构建对应的仿真模型边界；
优化模块，运行物流布局仿真模型，并基于模型运行数据，对初始的容量数据进行迭代，根据确定的容量数据，完成针对物流系统的布局仿真。
本发明提供的一种用于物流系统的布局仿真方法及装置，至少包括如下有益效果：
（1）本发明的物流系统布局仿真方案具有系统柔性，将物流元素纳入物流系统布局仿真中，通过容量数据对物流系统进行迭代更新，降低了物流系统控制的复杂度，提高了整个物流系统的运输效率。
（2）本发明的预设信息控制策略采用动态匹配和固定顺序路径的方式，其中，动态匹配为目标物流单元随时根据终点信息进行分析判断，目标物流单元的固定顺序路径，则是通过预设的行进路径的方式，其中，行进路径的布局方式可以通过合理的划分每个区域，并将每个区域组合实现不同的生产功能，该种行进路径的布局方式具有很高的柔性。
（3）本发明在构建得到物流布局仿真模型后，进行验证和优化，通过对物流布局信息对应的评价数据进行分析，针对性的调整容量数据，优化物流流程，提高效率和降低成本。
附图说明
图1为本发明提供的一种用于物流系统的布局仿真方法的流程示意图；
图2为本发明提供的某一实施例的预设信息控制策略的流程示意图；
图3为本发明提供的某一实施例的AGV小车的物流顺序和行进路径示例图；
图4为本发明提供的某一实施例的初始的容量数据构建对应的仿真模型边界的流程示意图；
图5为本发明提供的一种用于物流系统的布局仿真装置的示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。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它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
纳入物流元素，构建直观可视的物流布局仿真和模拟，通过容量数据对物流系统进行迭代更新，降低物流仿真模拟的复杂度，提升物流仿真模拟的实用性，并在优化物流路径的基础提高物流效率，实现产品生产的智能制造。
具体如，在规模化的产品生产过程中，物流搬运AGV已成为不可缺少的重要工具，具有智能化且动作灵活的优点，能够大大提高工作效率。具体来说，物流搬运AGV主要有以下几个方面的特点：第一，物流搬运AGV可以指定工作类型，能确保重复工作的可靠性，大大提高工作效率。第二，物料搬运AGV导向方便，能够更好地促进功能的调整，有利于整体车间环境的重新布置。第三，物流搬运AGV能够自动将货物输送到指定的地点，大大节省人力与物力。第四，物流搬运AGV可以更好的配合自动仓库系统中的自动输送线，实现货物的自动装卸。第五，物流搬运AGV的供电电源是直流电池，噪音污染小，能够有效地改善作业的环境。
例如，在中药的生产过程中，物料的传送除使用管道输送外，还有许多设备之间的物料运送采用非管道输送方式进行，将AGV应用到中药生产中，将能够改善工人的作业环境和劳动强度，减少洁净区域人员对环境的污染，提高生产效率和产品质量，降低人员数量和人工成本，为中药生产的智能制造和先进管理打下坚实的基础。
但是，AGV小车的造价相对昂贵，既要满足物料运送要求，又不过度增加AGV小车投入成本，合理配置AGV小车的数量成为AGV物流搬运系统优化目标。优化的物流路径，合理配置的AGV小车，完成了中药生产的物理系统布局仿真。
如图1所示，本发明给出一种用于物流系统的布局仿真方法，具体包括如下步骤：
基于全局物流计划，获取对应的物流单元，其中，物流单元包括主动物流对象和被动物流元素；
构建信息流，结合预设的信息控制策略，构建物流布局仿真模型；
获取用于物流系统的布局仿真的初始的容量数据，并构建对应的仿真模型边界；
运行物流布局仿真模型，并基于模型运行数据，对初始的容量数据进行迭代；
根据确定的容量数据，完成针对物流系统的布局仿真。
主动物流对象包括物理实体对象及逻辑组件对象，被动物流元素包括物料元素及逻辑支撑元素。
主动物流对象包括AGV小车、存储罐及各类输送设备，主动物流对象在整个物流系统的仿真中移动，表示某个物理对象或逻辑组件对象。
被动物流元素包括各类原辅料、水等物料元素，也包括逻辑支撑元素，例如物流运输的轨道（物流运输的轨道自身没有移动，甚至不存在物理实体，仅用于物流布局仿真模型的物流逻辑支撑）。
信息流包括全局物流计划表，全局物流计划表包括各个物流单元的计划指令信息。
信息流的全局物流计划表包含全局变量、控制对象、生成器对象等信息，可以以表格的形式预设存储。表格的形式表示一种数据结构。信息流用来控制和管理物流过程中的信息及数据。
在物流系统中，一般首先要建立一个全局物流计划表，全局物流计划表中包含各个物流单元的计划指令信息。如计划指令信息可以包括用于控制物流单元在每次仿真开始时移动的方向，其中，物流单元移动的方向可以通过设置移动终点的形式来体现。
信息流中涵盖各个物流单元的计划指令信息，能确定物流单元的移动方向。物流单元的具体移动路径，则由预设的信息控制策略决定。物流的信息控制策略中，关于物流单元的路径布局方式可以分为多种配置方式。其中，如传统配置为网络式AGV系统，路径设置十分灵活，不需要遵循太多规则，但多个AGV一起工作时容易导致冲突、碰撞及死锁等情况，调度管理与路径规划非常复杂。单回路配置只有一条AGV路径，该条路径会将所有工位联系在一起，形成一个闭环循环，该路径只有一个方向，AGV的控制比较简单。由于所有AGV只能在一条路径上沿着同一方向运行，AGV的柔性不高，运行效率很低，AGV的使用效率也比较低。区段式配置中，将路径划分为若干个小段，每个小段上配置一辆AGV，这辆AGV可以沿着路径双向运送物料，能够解决冲突、碰撞等问题，但柔性程度比较低。
在构建物流布局仿真模型的过程中，确定信息流和信息控制策略的前提是需要确定物流布局仿真模型的输入数据和输出数据，即物流布局仿真模型运行所需的数据和物流布局仿真模型运行后生成的数据。物流布局仿真模型的输入数据，即为物流单元的信息，包括物流单元的数量、容量、属性等。物流布局仿真模型的输出数据，分为两部分，一部分为物流布局信息，另一部分为与物流布局信息对应的评价数据，评价数据包括物流流程的效率、吞吐量（即容量）、等待时间、错误率等。其中，物流布局信息对应的评价数据用于对物流布局进行验证和优化，提供物流系统的效率，降低物流成本。例如，对评价数据中的物流流程的效率、等待时间等进行分析，可以找到物流流程中的瓶颈点和效率低下的环节。
信息流用来控制和管理物流过程中的信息与数据，信息流为一系列指令的集合，可以用于控制物流对象的运动方向和速度。生成器对象则是用来生产物流过程中的随机事件，例如物料达到的时间、物流的数量等随机事件。生成器对象还对应设有触发器，受随机事件触发，并监测对应物流对象的位置和状态。例如，物料达到某个工位时，需要通知下个工位准备好接收物料，则触发器会将对应物流对象的位置和状态给到信息流，通过信息控制策略来通知控制对应的下个工位。
具体来说，如图2所示，预设信息控制策略，具体包括如下步骤：
将待运行的目标物流单元与全局物流计划表进行匹配，获取对应的计划指令信息；
计划指令信息给出目标物流单元行进的计划起点和计划终点，目标物流单元按预设行进节点和行进路径行进；
目标物流单元在行进过程中，判断计划终点的物流需求，给出计划终点的物流需求是否低于预设值的信号，更新指令信息，给出实时终点信息；
根据实时终点信息，调整目标物流单元行进路径；
其中，目标物流单元按预设行进节点和行进路径运行，具体包括：
根据预设的行进时刻，主动物流对象与物料元素在计划起点进行匹配组合，确定为目标物流单元；
基于对应的逻辑支撑元素，连通计划起点与计划终点，给出行进路径，目标物流单元沿行进路径行进。
根据实时终点信息，调整目标物流单元行进路径，具体包括如下步骤：
结合实时终点信息，重新确定对应的逻辑支撑元素，给出实时行进路径。
对于信息控制策略，控制的是准备运行的物流单元，即为待运行的目标物流单元，既包括主动物流对象，也包括被动物流元素。无论是主动物流对象还是被动物流元素均需要与信息流的全局物流计划表进行匹配，由此而获取对应的计划指令信息。例如，目标物流单元与全局物流计划表的匹配就是根据当前生产状态和任务量等来决定哪些AGV小车搬运哪些物料等。
如图3所示，例如，目标物流单元为主动物流对象的AGV小车，计划指令信息给出的AGV小车的计划起点为左侧的位置A点，给出的AGV小车的计划终点为右侧的位置B点。AGV小车会按照预设的行进节点和行进路径从位置A点向位置B点移动，与此同时，对位置B中的物流需求（即物料是否运输完毕）进行判断，若位置B中的物流需求低于预设值（即物料少于某个设定的阈值），则可以获知位置B此时不需要AGV小车进行物料输送，那么，信息流中更新的指令信息给出实时终点信息（比如将AGV小车的终点变更为位置C），AGV小车会依据实时终点信息，调整行进路径，以此类推。
本发明的预设信息控制策略采用动态匹配和固定顺序路径的方式，其中，动态匹配为目标物流单元随时根据终点信息进行分析判断，目标物流单元的固定顺序路径，则是通过预设的行进路径的方式，其中，行进路径的布局方式可以通过合理的划分每个区域，并将每个区域组合实现不同的生产功能，该种行进路径的布局方式具有很高的柔性。如目标物流单元以作为主动物流对象的AGV小车为例，首先需要将整个车间区域划分为若干互不重叠的单元，每个单元内配置一辆AGV负责物料的运输。这种系统中也不会发生AGV碰撞、冲突等现象。从而AGV的控制和调度比较容易，维护成本也比较低。
计划指令信息给出目标物流单元行进的计划起点和计划终点，就是确定AGV小车需要从哪出发，应该去哪个生产线或者工作站。
例如，在某个场景中，主动物流对象为AGV小车和存储罐，物料元素即为物料，AGV小车驮着存储罐在计划起点盛上对应的物料，沿着计划起点与计划终点之间的物流运输的轨道（即逻辑支撑元素）运行。
构建得到物流布局仿真模型后，需要进行验证和优化，通过对物流布局信息对应的评价数据进行分析，针对性的调整容量数据，优化物流流程，提高效率和降低成本。
其中，容量数据为物流系统布局仿真的容量，包括物流单元的的布局参数，物流单元的布局参数包括物流单元的种类及数量。
容量数据表示该物流仿真的物理场景的容量，如有多少主动物流对象（例如AGV小车的数量）、存储罐容量、生产的速率等。
如图4所示，获取用于物流系统的布局仿真的初始的容量数据，并构建对应的仿真模型边界，具体包括如下步骤：
基于全局物流计划表，给出用于物流系统的布局仿真的初始的容量数据；
根据初始的容量数据，解析出对应的初始物流单元清单，其中，初始物流单元清单包括物流单元的布局参数；
遍历初始物流单元清单，识别各个物流单元的布局参数；
基于各个物流单元的布局参数，结合全局物流计划表，确定各个物流单元的起点和/或终点，形成对应的边界数据；
汇集各个边界数据，构建仿真模型边界。
初始的容量数据一般可以通过经验值进行设置，每个物理场景的初始的容量数据可以不相同。为保证初始的容量数据设置的合理性，需要根据全局物流计划表进行分析确定。根据初始的容量数据，结合物流单元的信息，会解析出初始物流单元清单，对初始物流单元清单进行遍历，最终给出边界数据，构建得到仿真模型边界。边界数据用于表示生成物流单元和销毁物流单元的起点和终点，每个物流单元都对应有生成的起点，而物流单元对应的销毁的终点则会视不同场景而决定。
例如，以物流单元中主动物流对象的AGV小车为例，在生产过程中，AGV小车除了运输移动外，其他时间都在停车场等待，那么AGV小车就不存在物流单元的销毁终点，只有物流单元的生成起点。再比如，以某个物流运输的场景进行举例说明，位置1中AGV小车驮着储存罐，存储罐盛有相关物料（此时的位置1即为AGV小车、存储罐、相关物料的共同的物流单元的生产起点），驮着储存罐的AGV小车把相关物料运送到下一工艺步骤位置2，AGV小车会回到停车场等待，相关物料则进入到下一工艺步骤，AGV小车、相关物料并未销毁，不需要设置对应的物流单元的销毁终点，而存储罐则要在下一工艺步骤位置2设置物流单元的销毁终点。其他的主动物流对象、被动物流元素都会依不同的应用场景得到对应的物流单元的生成起点、物流单元的销毁终点。
仿真模型边界用于对前述构建的物流布局仿真模型进行迭代优化。
运行物流布局仿真模型，并基于模型运行数据，对初始的容量数据进行迭代，具体包括如下步骤：
根据初始的容量数据以及构建的仿真模型边界，运行物流布局仿真模型；
获取全局物流评价数据，其中，全局物流评价数据包括全局物流处理参数；
根据对全局物流评价数据的分析，优化物流的瓶颈点；
基于优化物流瓶颈点，对初始的容量数据进行迭代。
容量数据的确定，具体为：全局物流评价数据达到预设值，确定容量数据。全局物流评价数据的预设值，会因为不同的生产工艺、应用场景有所区别，同时，全局物流评价数据中哪个具体的全局物流评价数据与预设值进行比较评判，也与生产工艺、应用场景有关。
其中，全局物流评价数据为物流评价数据中的一部分，全局物流评价数据主要包括全局物流处理参数，全局物流处理参数可以由两种形式表示，一种为单位时间物料处理量，另外一种为处理物料所需时间。在此，不对两种形式做具体的限定，可以依据不同的应用场景、处理物流的工艺类型来确定。
得到全局物流评价数据后，进行全局物流评价数据进行综合评估判断，找到物流的瓶颈点，并通过调整初始的容量数据，迭代运行物流布局仿真模型进行优化。
例如，以中药生产工艺中总混工序所需的卸料AGV小车的数量作为容量数据进行说明。初始的容量数据，即卸料AGV小车的数量2辆，根据卸料AGV小车的数量，确定初始的物流单元清单，得到物流单元种类、数量等，确定相应的起点和终点，构建得到包含边界数据的仿真模型边界，之后基于仿真模型边界，运行物流布局仿真模型，给出全局物流评价数据。在此总混工序中，选择的全局物流处理参数为单位时间物料处理量，即规定时间内总混暂存间收到的物料桶数，从仿真结果可知，卸料量为52桶。根据对卸料量的分析，找到物流的瓶颈点，可以继续增加卸料AGV小车的数量，对初始的容量数据（卸料AGV小车的数量）的迭代范围可以自3辆开始，逐渐增加。通过类似以上的方式，给出仿真结果，卸料AGV小车的数量与卸料量的对照如表1所示。卸料AGV小车的数量从3辆增加到4辆时，卸料量从52桶增加到53桶，53桶为全局物流评价数据的预设值。即，确定卸料AGV小车的数量为4辆时，为最终的容量数据。
表1 总混工序卸料AGV小车数量与卸料量的关系表
另一方面，如图5所示，本发明还提供一种用于物流系统的布局仿真装置，采用如上述用于物流系统的布局仿真方法，包括：
采集模块，基于全局物流计划，获取对应的物流单元，其中，物流单元包括主动物流对象和被动物流元素；
分析构建模块，构建信息流，结合预设的信息控制策略，构建物流布局仿真模型，获取用于物流系统的布局仿真的初始的容量数据，并构建对应的仿真模型边界；
优化模块，运行物流布局仿真模型，并基于模型运行数据，对初始的容量数据进行迭代，根据确定的容量数据，完成针对物流系统的布局仿真。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种用于物流系统的布局仿真方法，其特征在于，具体包括如下步骤：
基于全局物流计划，获取对应的物流单元，其中，物流单元包括主动物流对象和被动物流元素；
构建信息流，结合预设的信息控制策略，构建物流布局仿真模型；
获取用于物流系统的布局仿真的初始的容量数据，并构建对应的仿真模型边界；
运行物流布局仿真模型，并基于模型运行数据，对初始的容量数据进行迭代；
根据确定的容量数据，完成针对物流系统的布局仿真。
2.如权利要求1所述用于物流系统的布局仿真方法，其特征在于，主动物流对象包括物理实体对象及逻辑组件对象，被动物流元素包括物料元素及逻辑支撑元素。
3.如权利要求2所述用于物流系统的布局仿真方法，其特征在于，信息流包括全局物流计划表，全局物流计划表包括各个物流单元的计划指令信息。
4.如权利要求3所述用于物流系统的布局仿真方法，其特征在于，预设信息控制策略，具体包括如下步骤：
将待运行的目标物流单元与全局物流计划表进行匹配，获取对应的计划指令信息；
计划指令信息给出目标物流单元行进的计划起点和计划终点，目标物流单元按预设行进节点和行进路径行进；
目标物流单元在行进过程中，判断计划终点的物流需求，给出计划终点的物流需求是否低于预设值的信号，更新指令信息，给出实时终点信息；
根据实时终点信息，调整目标物流单元行进路径；
其中，目标物流单元按预设行进节点和行进路径运行，具体包括：
根据预设的行进时刻，主动物流对象与物料元素在计划起点进行匹配组合，确定为目标物流单元；
基于对应的逻辑支撑元素，连通计划起点与计划终点，给出行进路径，目标物流单元沿行进路径行进。
5.如权利要求4所述用于物流系统的布局仿真方法，其特征在于，根据实时终点信息，调整目标物流单元行进路径，具体包括如下步骤：
结合实时终点信息，重新确定对应的逻辑支撑元素，给出实时行进路径。
6.如权利要求3所述用于物流系统的布局仿真方法，其特征在于，容量数据为物流系统布局仿真的容量，包括物流单元的布局参数，物流单元的布局参数包括物流单元的种类及数量。
7.如权利要求6所述用于物流系统的布局仿真方法，其特征在于，获取用于物流系统的布局仿真的初始的容量数据，并构建对应的仿真模型边界，具体包括如下步骤：
基于全局物流计划表，给出用于物流系统的布局仿真的初始的容量数据；
根据初始的容量数据，解析出对应的初始物流单元清单，其中，初始物流单元清单包括物流单元的布局参数；
遍历初始物流单元清单，识别各个物流单元的布局参数；
基于各个物流单元的布局参数，结合全局物流计划表，确定各个物流单元的起点和/或终点，形成对应的边界数据；
汇集各个边界数据，构建仿真模型边界。
8.如权利要求7所述用于物流系统的布局仿真方法，其特征在于，运行物流布局仿真模型，并基于模型运行数据，对初始的容量数据进行迭代，具体包括如下步骤：
根据初始的容量数据以及构建的仿真模型边界，运行物流布局仿真模型；
获取全局物流评价数据，其中，全局物流评价数据包括全局物流处理参数；
根据对全局物流评价数据的分析，优化物流的瓶颈点；
基于优化物流瓶颈点，对初始的容量数据进行迭代。
9.如权利要求8所述用于物流系统的布局仿真方法，其特征在于，容量数据的确定，具体为：全局物流评价数据达到预设值，确定容量数据。
10.一种用于物流系统的布局仿真装置，其特征在于，采用如权利要求1-9任一所述用于物流系统的布局仿真方法，包括：
采集模块，基于全局物流计划，获取对应的物流单元，其中，物流单元包括主动物流对象和被动物流元素；
分析构建模块，构建信息流，结合预设的信息控制策略，构建物流布局仿真模型，获取用于物流系统的布局仿真的初始的容量数据，并构建对应的仿真模型边界；
优化模块，运行物流布局仿真模型，并基于模型运行数据，对初始的容量数据进行迭代，根据确定的容量数据，完成针对物流系统的布局仿真。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310775583.4A CN116522801B (zh) | 2023-06-28 | 2023-06-28 | 一种用于物流系统的布局仿真方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310775583.4A CN116522801B (zh) | 2023-06-28 | 2023-06-28 | 一种用于物流系统的布局仿真方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116522801A true CN116522801A (zh) | 2023-08-01 |
| CN116522801B CN116522801B (zh) | 2023-09-15 |
Family
ID=87394375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310775583.4A Active CN116522801B (zh) | 2023-06-28 | 2023-06-28 | 一种用于物流系统的布局仿真方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116522801B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077459A (zh) * | 2023-10-17 | 2023-11-17 | 中国电子工程设计院股份有限公司 | 一种融合物流的半导体制造仿真模型构建方法及装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090184826A1 (en) * | 2008-01-18 | 2009-07-23 | International Business Machines Corporation | Embedded system architecture for rfid tag emulation |
| CN101789096A (zh) * | 2010-01-25 | 2010-07-28 | 重庆大学 | 一种基于目标导引的炼钢-连铸生产物流仿真优化方法 |
| CN101923600A (zh) * | 2010-09-29 | 2010-12-22 | 中冶南方工程技术有限公司 | 炼钢连铸车间的物流仿真方法 |
| US20180253085A1 (en) * | 2017-03-06 | 2018-09-06 | Korea Institute Of Ocean Science & Technology | Integrated solution for simulation-based production of ships and offshore plants |
| CN109102107A (zh) * | 2018-07-09 | 2018-12-28 | 华中科技大学 | 一种基于物流仿真的多行车间设备布局方法 |
| CN109657354A (zh) * | 2018-12-20 | 2019-04-19 | 华中科技大学 | 一种基于数字孪生的混流装配车间快速重构方法及系统 |
| CN110018672A (zh) * | 2019-03-29 | 2019-07-16 | 南京航空航天大学 | 基于智能感知网的离散制造车间物料动态配送系统及方法 |
| CN112424754A (zh) * | 2018-06-13 | 2021-02-26 | 伯曼集团股份公司 | 用于物流与物料处理系统的设计与测试的方法 |
| CN112418497A (zh) * | 2020-11-10 | 2021-02-26 | 河南科技大学 | 一种面向制造物联的物料配送路径优化方法 |
| CN114021286A (zh) * | 2021-11-17 | 2022-02-08 | 郑州煤机数耘智能科技有限公司 | 一种数字化工厂的液压支架结构件焊接生产线仿真优化方法 |
| CN114548870A (zh) * | 2022-02-23 | 2022-05-27 | 中冶赛迪工程技术股份有限公司 | 钢铁企业道路运输自动仿真与诊断优化系统及方法 |
| WO2022266827A1 (en) * | 2021-06-22 | 2022-12-29 | Beijing Jingdong Zhenshi Information Technology Co., Ltd. | Logistics network simulation method and system |
| CN115793496A (zh) * | 2022-12-05 | 2023-03-14 | 珠海创智科技有限公司 | 一种agv物流系统的调度仿真方法及系统 |
-
2023
- 2023-06-28 CN CN202310775583.4A patent/CN116522801B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090184826A1 (en) * | 2008-01-18 | 2009-07-23 | International Business Machines Corporation | Embedded system architecture for rfid tag emulation |
| CN101789096A (zh) * | 2010-01-25 | 2010-07-28 | 重庆大学 | 一种基于目标导引的炼钢-连铸生产物流仿真优化方法 |
| CN101923600A (zh) * | 2010-09-29 | 2010-12-22 | 中冶南方工程技术有限公司 | 炼钢连铸车间的物流仿真方法 |
| US20180253085A1 (en) * | 2017-03-06 | 2018-09-06 | Korea Institute Of Ocean Science & Technology | Integrated solution for simulation-based production of ships and offshore plants |
| CN112424754A (zh) * | 2018-06-13 | 2021-02-26 | 伯曼集团股份公司 | 用于物流与物料处理系统的设计与测试的方法 |
| CN109102107A (zh) * | 2018-07-09 | 2018-12-28 | 华中科技大学 | 一种基于物流仿真的多行车间设备布局方法 |
| CN109657354A (zh) * | 2018-12-20 | 2019-04-19 | 华中科技大学 | 一种基于数字孪生的混流装配车间快速重构方法及系统 |
| CN110018672A (zh) * | 2019-03-29 | 2019-07-16 | 南京航空航天大学 | 基于智能感知网的离散制造车间物料动态配送系统及方法 |
| CN112418497A (zh) * | 2020-11-10 | 2021-02-26 | 河南科技大学 | 一种面向制造物联的物料配送路径优化方法 |
| WO2022266827A1 (en) * | 2021-06-22 | 2022-12-29 | Beijing Jingdong Zhenshi Information Technology Co., Ltd. | Logistics network simulation method and system |
| CN114021286A (zh) * | 2021-11-17 | 2022-02-08 | 郑州煤机数耘智能科技有限公司 | 一种数字化工厂的液压支架结构件焊接生产线仿真优化方法 |
| CN114548870A (zh) * | 2022-02-23 | 2022-05-27 | 中冶赛迪工程技术股份有限公司 | 钢铁企业道路运输自动仿真与诊断优化系统及方法 |
| CN115793496A (zh) * | 2022-12-05 | 2023-03-14 | 珠海创智科技有限公司 | 一种agv物流系统的调度仿真方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077459A (zh) * | 2023-10-17 | 2023-11-17 | 中国电子工程设计院股份有限公司 | 一种融合物流的半导体制造仿真模型构建方法及装置 |
| CN117077459B (zh) * | 2023-10-17 | 2024-01-30 | 中国电子工程设计院股份有限公司 | 一种融合物流的半导体制造仿真模型构建方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116522801B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| da Costa Barros et al. | Robotic mobile fulfillment systems: A survey on recent developments and research opportunities | |
| Fragapane et al. | Planning and control of autonomous mobile robots for intralogistics: Literature review and research agenda | |
| CN110443412B (zh) | 动态优化加工过程中物流调度及路径规划的强化学习方法 | |
| Fazlollahtabar et al. | Hybrid cost and time path planning for multiple autonomous guided vehicles | |
| CN107036618A (zh) | 一种基于最短路径深度优化算法的agv路径规划方法 | |
| CN111768629B (zh) | 车辆调度方法、装置和系统 | |
| CN116522801B (zh) | 一种用于物流系统的布局仿真方法及装置 | |
| Hu et al. | Conflict-free scheduling of large-scale multi-load AGVs in material transportation network | |
| CN112925308B (zh) | 路径规划方法、装置及计算机存储介质 | |
| CN107766965A (zh) | 一种基于自动引导车的快递分拣方法 | |
| Li et al. | A route and speed optimization model to find conflict-free routes for automated guided vehicles in large warehouses based on quick response code technology | |
| Zhang et al. | Application of Automated Guided Vehicles in Smart Automated Warehouse Systems: A Survey. | |
| Bocewicz et al. | Declarative modeling of a milk-run vehicle routing problem for split and merge supply streams scheduling | |
| CN114911238A (zh) | 一种无人驾驶矿车协同控制方法及系统 | |
| CN111879327B (zh) | 集群自动驾驶车辆泊位作业的空间配置和时序规划方法 | |
| CN114444239B (zh) | 基于混合遗传算法的作业车间运动轨道路径导向优化方法 | |
| Hani et al. | Simulation based optimization of a train maintenance facility | |
| Liu et al. | Research on multi-AGVs path planning and coordination mechanism | |
| Liu et al. | Graph convolution-based deep reinforcement learning for multi-agent decision-making in interactive traffic scenarios | |
| Wang et al. | Driving line-based two-stage path planning in the AGV sorting system | |
| Nishida et al. | Just-in-time routing and scheduling for multiple automated guided vehicles | |
| Liu et al. | Graph convolution-based deep reinforcement learning for multi-agent decision-making in mixed traffic environments | |
| GAOa et al. | Machine learning and digital twin-sed path planning for AGVs at automated container terminals | |
| Al-Aubidy et al. | Multi-robot task scheduling and routing using neuro-fuzzy control | |
| Jungbluth et al. | Reinforcement Learning-based Scheduling of a Job-Shop Process with Distributedly Controlled Robotic Manipulators for Transport Operations |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 100142 block B, Linglong Tiandi, North West Fourth Ring Road, Haidian District, Beijing Patentee after: China Electronics Engineering Design Institute Co.,Ltd. Country or region after: China Address before: 100142 block B, Linglong Tiandi, North West Fourth Ring Road, Haidian District, Beijing Patentee before: CHINA ELECTRONICS ENGINEERING DESIGN INSTITUTE Co.,Ltd. Country or region before: China |