CN117273606A - 一种基于智能仓库的无人搬运车调度方法及系统 - Google Patents
一种基于智能仓库的无人搬运车调度方法及系统 Download PDFInfo
- Publication number
- CN117273606A CN117273606A CN202311205791.7A CN202311205791A CN117273606A CN 117273606 A CN117273606 A CN 117273606A CN 202311205791 A CN202311205791 A CN 202311205791A CN 117273606 A CN117273606 A CN 117273606A
- Authority
- CN
- China
- Prior art keywords
- carrying
- warehouse
- goods
- task
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010586 diagram Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/08—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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Abstract
本发明公开了一种基于智能仓库的无人搬运车调度方法及系统,涉及智能仓库技术领域,使用训练后的分类器将仓库的电子地图分割为若干个搬运子区域,查询并获取仓库当前批次的待入库货物,获取卸货点内当前存放的待搬运货物的属性信息;以训练后的搬运预测模型对搬运子区域内的货物能否从卸货点搬运至存放点进行判断,并获取判断结果;若不能够及时完成搬运,则将相应的搬运子区域在电子点图上标记,并将其标记为超负荷区域,剩余的将若干个搬运子区域确定为低负荷区域;将低负荷区域内的搬运车辆向超负荷区域内调度。获取到满足条件或者接近满足条件的调度方案,依据该调度方案,能够完成或者最大限度的在搬运周期内完成搬运任务。
Description
技术领域
本发明涉及智能仓库技术领域,具体为一种基于智能仓库的无人搬运车调度方法及系统。
背景技术
智能仓库是指利用各种先进技术和智能化系统来提高仓储和物流管理效率的仓库。它采用物联网、人工智能、大数据分析等技术,实现对仓库内部各项操作和流程的自动化和智能化管理。它的应用可以提高仓储和物流管理的效率,减少人力成本和错误率,提升货物追踪能力和安全性。同时,它还可以实现仓储操作的自动化和智能化,提供更好的数据支持和决策依据,帮助企业实现供应链的优化和提升竞争力。
在申请号为201811638745.5的中国发明专利中,公开了一种基于智能仓库的无人搬运车调度方法及装置,所述方法包括:用户终端系统基于标签阅读器读取粘贴在待入库和/或待出库的货物上的RFID标签的标签信息及货物位置信息;用户终端系统基于以太网将标签信息及货物位置信息传输至仓库管理系统;仓库管理系统在接收到标签信息及货物位置信息之后,生成运输指令,并基于以太网将运输指令传送至无人搬运车管理系统;无人搬运车管理系统解析运输指令,判断当前时间段内是否存在处于非节能休眠且可执行运输指令的空闲的无人搬运车;若是,无人搬运车管理系统控制空闲的无人搬运车完成运输指令中的运输任务。
在以上专利申请中,对无人搬运车的调度方法主要是基于货物上的RFID标签的标签信息及货物位置信息生成运输指令,但是以上申请在解决了现有技术中无法统一控制部分无人搬运车进入节能休眠状态,减少了造成资源浪费的同时,仍然还存在着若是智能仓库内入库货物一旦较往常多,智能仓库中也可能会出现部分区域相对较空闲,部分较繁忙的问题,无人搬运车难以调配不均匀的问题。
为此,本发明提供了一种基于智能仓库的无人搬运车调度方法及系统。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于智能仓库的无人搬运车调度方法及系统,通过使用训练后的分类器将仓库的电子地图分割为若干个搬运子区域,查询并获取仓库当前批次的待入库货物,获取卸货点内当前存放的待搬运货物的属性信息;以训练后的搬运预测模型对搬运子区域内的货物能否从卸货点搬运至存放点进行判断,并获取判断结果;若不能够及时完成搬运,则将相应的搬运子区域在电子点图上标记,并将其标记为超负荷区域,剩余的将若干个搬运子区域确定为低负荷区域;将低负荷区域内的搬运车辆向超负荷区域内调度。获取到满足条件或者接近满足条件的调度方案,依据该调度方案,能够完成或者最大限度的在搬运周期内完成搬运任务,以解决背景技术中的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于智能仓库的无人搬运车调度系统,包括查询单元、处理分析单元、搬运车辆控制单元:其中,建立仓库调度的电子点图,结合仓库内卸货点的位置信息,使用训练后的分类器将仓库的电子地图分割为若干个搬运子区域,由所述查询单元查询并获取仓库当前批次的待入库货物,获取当前批次待入库货物的属性信息,属性信息至少包括:货物的卸货点及存放点;
将当前批次待入库货物引导至卸货点,在完成卸货后获取卸货点内当前存放的待搬运货物的属性信息,属性信息至少包括:货物类别、体积及搬运行程;获取位于各个搬运子区域内搬运车辆的数量以及待搬运货物的体积,结合搬运车的搬运效率,由所述处理分析单元判断在搬运周期内,搬运子区域内的货物能否从卸货点搬运至存放点;使用机器学习算法,在训练和测试后,生成搬运预测模型,以该搬运预测模型对搬运子区域内的货物能否从卸货点搬运至存放点进行判断,并获取判断结果;
若不能够及时完成搬运,则将相应的搬运子区域在电子点图上标记,并将其标记为超负荷区域,剩余的将若干个搬运子区域确定为低负荷区域;由搬运车辆控制单元将低负荷区域内的搬运车辆向超负荷区域内调度。
进一步的,还包括搬运环境监测单元及预警单元,其中,在仓库内展开货物搬运前,对每个搬运周期内货物搬运量进行统计,获取之前若干个搬运周期内待搬运货物量的均值,以当前周期内的待搬运货物量与所述均值的比值作为搬运异常率Bv;若搬运异常率Bv高于预设的异常阈值,由所述预警单元向外发出预警信息;由所述搬运环境监测单元对仓库内的搬运环境进行监测并获取仓库数据,其中,所述仓库数据包括:仓库内待搬运货物的位置信息、体积数据,待存放点的位置信息;由所述查询单元获取仓库的结构数据,建立仓库调度的电子点图。
进一步的,获取当前各个存放点的待搬运货物量及搬运子区域内搬运车辆的数量后,结合训练后的搬运预测模型,对搬运任务是否能够及时完成形成预测和判断,并依据判断结果,将若干个搬运子区域确定为低负荷区域和超负荷区域,将低负荷区域内的搬运车辆向超负荷区域内调度,确保待搬运货物能够在搬运周期内顺利完成搬运。
进一步的,通过查询单元查询后,获取各个超负荷区域内的待搬运货物的体积,以该体积数据作为任务量Rw;获取各个待搬运货物搬运时所设定的任务时限,将各个搬运任务的任务时限平均后,生成任务时限Rx;获取超负荷区域内的各个待搬运货物与各个待抵达的存放点的搬运行程,获取平均后的搬运行程作为搬运行程Bc;汇总后建立超负荷区域的搬运任务条件数据集。
进一步的,结合搬运任务条件数据集内的参数,生成任务紧急系数Rxs;其中,任务紧急系数Rxs的生成方式如下:对任务量Rw、任务时限Rx及搬运行程Bc做无量纲处理,依照如下公式:
其中,n为待搬运货物的数量,0≤ρ≤1,0≤ζ≤1,且ρ+ζ=1,ρ、ζ为预设权重系数,其具体值由用户调整设置,或者在经过模拟软件的仿真分析后获取,C为常数修正系数;依据任务紧急系数Rxs的值,再次对超负荷区域进行区分;预先设置紧急阈值,依照任务紧急系数Rxs与紧急阈值关系,将若干个超负荷区域区分为紧急搬运区域及常规搬运区域。
进一步的,获取仓库内搬运车辆的位置信息,并将其在电子地图上进行标记;结合搬运车辆规格数据及运力数据以及车速,参考待搬运货物的属性信息后,建立训练后的货物搬运模型;在经过训练和测试后,建立对搬运车辆的调度模型,结合各个仓库内的卸货点及存放点位置信息,以及各个卸货点的搬运任务;在完成搬运任务的前提下,经过仿真分析后获搬运车辆的取调度方案,以将低负荷区域内的搬运车辆向紧急搬运区域内调度。
进一步的,存在能够完成搬运任务的调度方案时,则将对应的调度方案输出;若不存在,则将可完成最大搬运量的调度方案输出;获取输出后的调度方案,由搬运车辆控制单元依照调度方案对搬运车辆进行调度;获取输出的调度方案,获取搬运车辆在仓库内的流动方向,将该流动方向在电子地图上标记;使用训练后的路径规划模型,结合卸货点、存放点及障碍物的位置信息,为搬运车辆规划行驶路径,使搬运车辆沿着行驶路径,从低负荷区域内的搬运车辆向紧急搬运区域转移,完成搬运车辆调度过程。
进一步的,还包括:调配单元及任务调配单元,完成搬运车辆调度后,获取处于紧急搬运区域内的卸货点的待搬运的货物,获取不同待搬运货物的任务紧急系数Rxs,对若干个任务紧急系数Rxs依照从大至小进行排序,获取待搬运货物的搬运顺序;使搬运车辆依照搬运顺序,在由所述任务调配单元分配搬运任务后,将分拣后货物从卸货点逐个向存放点处搬运。
进一步的,搬运车辆在搬运过程中时,获取搬运任务的执行效率Zx,若执行效率Zx低于预设的效率阈值,则由预警单元向外部发出预警信息;在获取到预警信息后,依照搬运任务的执行进度的落后程度,由调配单元从车辆备用点的搬运车辆向卸货点调配搬运车辆;其中需要说明的是,搬运车辆的所要调配数量可以在结合调度模型在仿真分析后获取。
一种基于智能仓库的无人搬运车调度方法,包括:
建立仓库调度的电子点图,结合仓库内卸货点的位置信息,使用训练后的分类器将仓库的电子地图分割为若干个搬运子区域,查询并获取仓库当前批次的待入库货物,获取当前批次待入库货物的属性信息,完成卸货后获取卸货点内当前存放的待搬运货物的属性信息;
结合搬运车的搬运效率,以训练后的搬运预测模型对搬运子区域内的货物能否从卸货点搬运至存放点进行判断,并获取判断结果;若不能够及时完成搬运,则将相应的搬运子区域在电子点图上标记,并将其标记为超负荷区域,剩余的将若干个搬运子区域确定为低负荷区域;将低负荷区域内的搬运车辆向超负荷区域内调度;
获取各个超负荷区域内的待搬运货物的信息,建立超负荷区域的搬运任务条件数据集并生成任务紧急系数Rxs;将若干个超负荷区域区分为紧急搬运区域及常规搬运区域;
建立货物搬运模型和对搬运车辆的调度模型,结合各个仓库内的卸货点及存放点位置信息,以及各个卸货点的搬运任务,在完成搬运任务的前提下,经过仿真分析后获取调度方案,以将低负荷区域内的搬运车辆向紧急搬运区域内调度;
获取处于紧急搬运区域内的卸货点的待搬运的货物,获取不同待搬运货物的任务紧急系数Rxs,对若干个任务紧急系数Rxs依照从大至小进行排序,获取待搬运货物的搬运顺序;使搬运车辆依照搬运顺序,分配搬运任务后,将分拣后货物从卸货点逐个向存放点处搬运。
(三)有益效果
本发明提供了一种基于智能仓库的无人搬运车调度方法及系统,具备以下有益效果:
1、在结合搬运预测模型对若干个搬运子区域内进行区分的基础上,依照任务紧急系数Rxs与紧急阈值关系,再次将超负荷区域区分为紧急搬运区域及常规搬运区域,完成细分处理,从而在调度搬运车辆时使调配任务更加精确化,提高搬运车辆的调配效率。
2、通过在建立货物搬运模型及搬运车辆的调度模型的基础上,通过进行仿真分析获取到满足条件或者接近满足条件的调度方案,再依据该调度方案,将低负荷区域内的搬运车辆向紧急搬运区域内调度,在此情形下,能够完成或者最大限度的在搬运周期内完成搬运任务。
3、通过将富余状态下的搬运车辆进入紧急搬运区域内,若当前的紧急搬运区域内的待搬运货物较多且较为紧急,则继续获取待搬运货物的任务紧急系数Rxs,生成搬运顺序及搬运任务,在较为有限的条件下,优先搬运较为紧急的货物,便于在整体降低紧急搬运区域内的程度,使紧急搬运区域向常规搬运区域转变,降低后续的车辆调配压力。
附图说明
图1为本发明智能仓库的无人搬运车调度系统流程示意图;
图中:10、搬运环境监测单元;20、查询单元;30、处理分析单元;40、搬运车辆控制单元;50、调配单元;60、预警单元;70、任务调配单元。
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、完整地描述,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。
请参阅图1,本发明提供一种基于智能仓库的无人搬运车调度系统,包括搬运环境监测单元10、查询单元20、处理分析单元30、搬运车辆控制单元40、调配单元50、预警单元60及任务调配单元70,其中,在仓库内展开货物搬运前,对每个搬运周期内货物搬运量进行统计,其中,所述搬运周期可以为一天或者半天等;获取之前若干个搬运周期内待搬运货物量的均值,以当前周期内的待搬运货物量与所述均值的比值作为搬运异常率Bv;
若搬运异常率Bv高于预设的异常阈值,其中,异常阈值的获取方式如下:从历史数据获取若干个搬运异常率Bv,并取得相应的均值的1.2倍作为异常阈值;
由所述预警单元60向外发出预警信息;在收到预警信息后,由所述搬运环境监测单元10对仓库内的搬运环境进行监测并获取仓库数据,其中,所述仓库数据包括:仓库内待搬运货物的位置信息、体积数据,待存放点的位置信息;由所述查询单元20获取仓库的结构数据,建立仓库调度的电子点图;
其中,需要说明的是,仓库的结构数据至少包括:
仓库平面结构数据,通常包括:库房信息:例如建筑面积、长、宽、高、檐口高度、墙厚和跨度等;货位信息:包括货位的编号、面积、长、宽、高,以及货位上存放的货品名称、规格、数量;叉车信息:包括叉车的编号、型号等等;货架信息:包括货架的编号、型号、尺寸、载重及布局等;
获取停放备用车辆的车辆备用点、货物的各个卸货点、存放点的位置信息,以及仓库内会对搬运车辆形成障碍的构件,并将该构件确定为障碍物,获取障碍物的位置信息,将以上位置信息在电子点图上标记。
使用时,在有新批次的货物进入仓库时,若是该批次的货物较多,任务量较常规的任务量大时,现有的货物搬运策略及相应的搬运车辆的调配策略显然已经难以适应,若搬运异常率Bv高于异常阈值,则基于仓库的构造建立电子点图,以对应的电子点图信息作为基础,对仓库内的搬运车辆进行调度。
参考图1,结合仓库内卸货点的位置信息,使用训练后的分类器将仓库的电子地图分割为若干个搬运子区域,在确定搬运子区域边界后,将各个搬运子区域在电子点图上标记;由所述查询单元20查询并获取仓库当前批次的待入库货物,获取当前批次待入库货物的属性信息,属性信息至少包括:货物的卸货点及存放点;从而方便进行卸货;
将当前批次待入库货物引导至卸货点,在完成卸货后获取卸货点内当前存放的待搬运货物的属性信息,属性信息至少包括:货物类别、体积及在进行分拣后,与待落入的存放点间的搬运行程;此时,在完成卸货后,依照现有的调度策略及当前的搬运车辆的位置,展开对卸货后的货物的搬运;
至少获取位于各个搬运子区域内搬运车辆的数量以及待搬运货物的体积,搬运车辆的搬运行程,结合搬运车的搬运效率,通过Spss使用多重线性回归模型进行模型训练,并经过验证后,例如通过均方误差、R平方值等衡量模型的预测精度和拟合程度,依据预测精度和拟合程度难以达到预期,也即,模型性能难以达到预期时,对模型进行优化,包括:调整模型参数、增加或删除特征等,以提高模型的预测性能和精度,生成并输出货物搬运预测模型;具体而言:
增加特征:如果模型的预测性能不足,则增加新的特征,引入和响应变量有关的变量,以及通过主成分分析构造新特征;
删除无关特征:若存在较多和响应变量无关的特征,这些无关特征会降低模型的预测能力,则选择删除;
特征选择:通过如逐步回归或Lasso回归,从诸多特征中挑选出和响应变量关系最为密切的特征,以提高模型的预测能力;
调整模型参数:在Lasso回归中,通过调整正则化参数k来控制模型对特征的惩罚程度,从而影响模型的预测结果;
而同时,以上搬运模型通过机器学习算法,也可以实现相类似的效果,其具体的方式如下:收集相关数据,用于训练和测试模型,其至少包括搬运车辆的数量以及待搬运货物的体积、搬运车辆的搬运行程以及搬运车的搬运效率,汇总后建立模型构建数据集,
选择随机森林算法并在完成网络构建后,分别从模型构建数据集中抽取部分数据作为训练集和测试集,在经过训练和测试后,基于随机森林算法构建和输出货物搬运预测模型,将训练好的模型用于预测。
由所述处理分析单元30判断在搬运周期内,搬运子区域内的货物能否从卸货点搬运至存放点;以该搬运预测模型对搬运子区域内的货物能否从卸货点搬运至存放点进行判断,并获取判断结果;
若不能够及时完成搬运,则将相应的搬运子区域在电子点图上标记,并将其标记为超负荷区域,剩余的将若干个搬运子区域确定为低负荷区域;由搬运车辆控制单元40将低负荷区域内的搬运车辆向超负荷区域内调度。
使用时,在获取当前各个存放点的待搬运货物量及搬运子区域内搬运车辆的数量后,结合了训练后的搬运预测模型,对搬运任务是否能够及时完成形成预测和判断,并依据判断结果,将若干个搬运子区域确定为低负荷区域和超负荷区域,从而可以将低负荷区域内的搬运车辆向超负荷区域内调度,确保待搬运货物能够在搬运周期内顺利完成搬运。
参考图1,通过查询单元20查询后,获取各个超负荷区域内的待搬运货物的体积,以该体积数据作为任务量Rw;获取各个待搬运货物搬运时所设定的任务时限,任务时限越短则任务越紧急,因此,货物的任务时限可以用于表征货物搬运任务的紧迫程度,将各个搬运任务的任务时限平均后,生成任务时限Rx;获取超负荷区域内的各个待搬运货物与各个待抵达的存放点的搬运行程,汇总后进行平均,获取平均后的搬运行程作为搬运行程Bc;结合以上的数据参数,可以进一步的对超负荷区域内进行区分,从而确保搬运任务的完成;
将任务量Rw、任务时限Rx及搬运行程Bc发送至处理分析单元30,汇总后建立超负荷区域的搬运任务条件数据集;并结合搬运任务条件数据集内的参数,生成任务紧急系数Rxs;其中,任务紧急系数Rxs的生成方式如下:
对任务量Rw、任务时限Rx及搬运行程Bc做无量纲处理,依照如下公式:
其中,n为待搬运货物的数量,0≤ρ≤1,0≤ζ≤1,且ρ+ζ=1,ρ、ζ为预设权重系数,其具体值由用户调整设置,或者在经过模拟软件的仿真分析后获取;C为常数修正系数;其中,任务紧急系数Rxs的值越大,则该任务则越紧急;
依据任务紧急系数Rxs的值,再次对超负荷区域进行区分;预先设置紧急阈值,依照任务紧急系数Rxs与紧急阈值关系,将若干个超负荷区域区分为紧急搬运区域及常规搬运区域;在对若干个搬运子区域内进行区分的基础上,完成细分处理,在调度搬运车辆时使调配任务更加精确化,提高搬运车辆的调配效率。
参考图1,获取仓库内搬运车辆的位置信息,并将其在电子地图上进行标记;结合搬运车辆规格数据、运力数据及车速等与搬运车辆相关的数据,在参考待搬运货物的属性信息后,在使用BP神经网络的基础,完成训练和测试后,建立货物搬运模型;
在获取货物搬运模型后,可以对待搬运货物的搬运过程进行仿真分析,生成货物搬运方案,通过该搬运方案,实现在对货物进行时,能够选择搬运不同的货物进行组合调配,实现在搬运车辆对货物进行搬运时,合理的调控货物规格,例如货物的重量、体积等规格数据、搬运的目的地等,以提高搬运的效率;
收集仓库内的车辆信息,例如:车辆信息:包括车辆的类型、数量、容量、位置等;货物信息:包括货物的种类、数量、目的地等;地形信息:包括仓库内的地形、地貌、可供通信的调度路线等;历史运输数据:包括过去的运输记录、车辆的运行状态、货物的运输情况等;
将以上数据汇总后,建立调度建模数据集;从调度建模数据集内抽取数据,分别作为训练集和测试集;使用BP神经网络,并设计相应的网络架构,并初始化后,对该神经网络进行训练和测试,生成训练后的搬运车辆的调度模型;
结合各个仓库内的卸货点及存放点位置信息,以及各个卸货点的搬运任务;
在完成搬运任务的前提下,通过货物搬运模型选择搬运不同的货物进行组合调配,生成搬运方案后,通过搬运车辆的调度模型,对搬运车辆的调度过程经过若干次仿真分析后,生成搬运车辆的调度方案,以将低负荷区域内的搬运车辆向紧急搬运区域内调度;从而获取到提高搬运效率的调度方案;
当存在能够完成搬运任务的调度方案时,则将对应的调度方案输出;若不存在,则将可完成最大搬运量的调度方案输出;获取输出后的调度方案,由搬运车辆控制单元40依照调度方案对搬运车辆进行调度;
使用时,在以上内容中,通过在建立货物搬运模型及搬运车辆的调度模型的基础上,通过进行仿真分析获取到满足条件或者接近满足条件的调度方案,再依据该调度方案,将低负荷区域内的搬运车辆向紧急搬运区域内调度,在此情形下,能够完成或者最大限度的在搬运周期内完成搬运任务。
参考图1,获取输出的调度方案,在执行该调度方案时,获取搬运车辆在仓库内的流动方向,将该流动方向在电子地图上标记;使用训练后的路径规划模型,结合卸货点、存放点及障碍物的位置信息,为搬运车辆规划行驶路径,使搬运车辆沿着行驶路径,从低负荷区域内的搬运车辆向紧急搬运区域转移,完成搬运车辆调度过程;搬运车辆能够依照规划出的行驶路径进行转移,在通过规避障碍物后,提高搬运车辆的移动效率;
完成搬运车辆调度后,获取处于紧急搬运区域内的卸货点的待搬运的货物,获取不同待搬运货物的任务紧急系数Rxs,对若干个任务紧急系数Rxs依照从大至小进行排序,获取待搬运货物的搬运顺序;使搬运车辆依照搬运顺序,在由所述任务调配单元70分配搬运任务后,将分拣后货物从卸货点逐个向存放点处搬运。
使用时,在为搬运车辆规划好行驶路径后,完成对搬运车辆的调度,此时,处于富余状态下的搬运车辆进入紧急搬运区域内,若当前的紧急搬运区域内的待搬运货物较多且较为紧急,则继续获取待搬运货物的任务紧急系数Rxs,生成搬运顺序及搬运任务,在较为有限的条件下,优先搬运较为紧急的货物,便于在整体降低紧急搬运区域内的程度,使紧急搬运区域向常规搬运区域转变,降低后续的车辆调配压力。
参考图1,搬运车辆在搬运过程中时,使用卸货点的搬运任务的执行进度及对应所耗费的时间,以两者的比值生成搬运任务的执行效率Zx;若执行效率Zx低于预设的效率阈值,其中,效率阈值的设置方式如下:从历史数据获取若干个相对应的执行效率Zx,并取得相应的均值的1.2倍作为效率阈值;
则由预警单元60向外部发出预警信息;在获取到预警信息后,依照搬运任务的执行进度的落后程度,由调配单元50从车辆备用点的搬运车辆向卸货点调配搬运车辆;其中需要说明的是,搬运车辆的所要调配数量可以在结合调度模型在仿真分析后获取。
使用时,在完成车辆的调配后,通过获取执行效率Zx并判断搬运任务的执行进度,若进度较慢,则在此时从车辆备用点处进行车辆调配,对搬运任务进行加速,提高紧急搬运区域内的搬运效率,而且,通过设置起到预备作用的车辆备用点,能够对当前的车辆调配方案起到补充作用。
请参阅图1,本发明提供一种基于智能仓库的无人搬运车调度方法,包括如下步骤:
建立仓库调度的电子点图,结合仓库内卸货点的位置信息,使用训练后的分类器将仓库的电子地图分割为若干个搬运子区域,查询并获取仓库当前批次的待入库货物,获取当前批次待入库货物的属性信息,完成卸货后获取卸货点内当前存放的待搬运货物的属性信息;
结合搬运车的搬运效率,以训练后的搬运预测模型对搬运子区域内的货物能否从卸货点搬运至存放点进行判断,并获取判断结果;若不能够及时完成搬运,则将相应的搬运子区域在电子点图上标记,并将其标记为超负荷区域,剩余的将若干个搬运子区域确定为低负荷区域;将低负荷区域内的搬运车辆向超负荷区域内调度;
获取各个超负荷区域内的待搬运货物的信息,建立超负荷区域的搬运任务条件数据集并生成任务紧急系数Rxs;将若干个超负荷区域区分为紧急搬运区域及常规搬运区域;
建立货物搬运模型和对搬运车辆的调度模型,结合各个仓库内的卸货点及存放点位置信息,以及各个卸货点的搬运任务,在完成搬运任务的前提下,经过仿真分析后获取调度方案,以将低负荷区域内的搬运车辆向紧急搬运区域内调度;
获取处于紧急搬运区域内的卸货点的待搬运的货物,获取不同待搬运货物的任务紧急系数Rxs,对若干个任务紧急系数Rxs依照从大至小进行排序,获取待搬运货物的搬运顺序;使搬运车辆依照搬运顺序,分配搬运任务后,将分拣后货物从卸货点逐个向存放点处搬运。
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单元及算法步骤,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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。
Claims (10)
1.一种基于智能仓库的无人搬运车调度系统,其特征在于:包括查询单元(20)、处理分析单元(30)、搬运车辆控制单元(40):其中,
建立仓库调度的电子点图,结合仓库内卸货点的位置信息,使用训练后的分类器将仓库的电子地图分割为若干个搬运子区域,由所述查询单元(20)查询并获取仓库当前批次的待入库货物,获取当前批次待入库货物的属性信息,属性信息至少包括:货物的卸货点及存放点;
将当前批次待入库货物引导至卸货点,在完成卸货后获取卸货点内当前存放的待搬运货物的属性信息,属性信息至少包括:货物类别、体积及搬运行程;
获取位于各个搬运子区域内搬运车辆的数量以及待搬运货物的体积,结合搬运车的搬运效率,由所述处理分析单元(30)判断在搬运周期内,搬运子区域内的货物能否从卸货点搬运至存放点;使用机器学习算法,在训练和测试后,生成搬运预测模型,以该搬运预测模型对搬运子区域内的货物能否从卸货点搬运至存放点进行判断,并获取判断结果;
若不能够及时完成搬运,则将相应的搬运子区域在电子点图上标记,并将其标记为超负荷区域,剩余的将若干个搬运子区域确定为低负荷区域;由搬运车辆控制单元(40)将低负荷区域内的搬运车辆向超负荷区域内调度。
2.根据权利要求1所述的一种基于智能仓库的无人搬运车调度系统,其特征在于:还包括搬运环境监测单元(10)及预警单元(60),其中,
在仓库内展开货物搬运前,对每个搬运周期内货物搬运量进行统计,获取之前若干个搬运周期内待搬运货物量的均值,以当前周期内的待搬运货物量与所述均值的比值作为搬运异常率Bv;若搬运异常率Bv高于预设的异常阈值,由所述预警单元(60)向外发出预警信息;
由所述搬运环境监测单元(10)对仓库内的搬运环境进行监测并获取仓库数据,其中,所述仓库数据包括:仓库内待搬运货物的位置信息、体积数据,待存放点的位置信息;由所述查询单元(20)获取仓库的结构数据,建立仓库调度的电子点图。
3.根据权利要求2所述的一种基于智能仓库的无人搬运车调度系统,其特征在于:获取当前各个存放点的待搬运货物量及搬运子区域内搬运车辆的数量后,结合训练后的搬运预测模型,对搬运任务是否能够及时完成形成预测和判断,并依据判断结果将若干个搬运子区域确定为低负荷区域和超负荷区域,将低负荷区域内的搬运车辆向超负荷区域内调度。
4.根据权利要求2所述的一种基于智能仓库的无人搬运车调度系统,其特征在于:通过查询单元(20)查询后,获取各个超负荷区域内的待搬运货物的体积,以该体积数据作为任务量Rw;获取各个待搬运货物搬运时所设定的任务时限,将各个搬运任务的任务时限平均后,生成任务时限Rx;获取超负荷区域内的各个待搬运货物与各个待抵达的存放点的搬运行程,获取平均后的搬运行程作为搬运行程Bc;汇总后建立超负荷区域的搬运任务条件数据集。
5.根据权利要求4所述的一种基于智能仓库的无人搬运车调度系统,其特征在于:结合搬运任务条件数据集内的参数,生成任务紧急系数Rxs;其中,任务紧急系数Rxs的生成方式如下:对任务量Rw、任务时限Rx及搬运行程Bc做无量纲处理,依照如下公式:
其中,n为待搬运货物的数量,0≤ρ≤1,0≤ζ≤1,且ρ+ζ=1,ρ、ζ为预设权重系数,其具体值由用户调整设置,或者在经过模拟软件的仿真分析后获取,C为常数修正系数;
依据任务紧急系数Rxs的值,再次对超负荷区域进行区分;预先设置紧急阈值,依照任务紧急系数Rxs与紧急阈值关系,将若干个超负荷区域区分为紧急搬运区域及常规搬运区域。
6.根据权利要求5所述的一种基于智能仓库的无人搬运车调度系统,其特征在于:获取仓库内搬运车辆的位置信息,并将其在电子地图上进行标记;结合搬运车辆规格数据及运力数据以及车速,参考待搬运货物的属性信息后,建立训练后的货物搬运模型;
建立对搬运车辆的调度模型,结合各个仓库内的卸货点及存放点位置信息,以及各个卸货点的搬运任务;在完成搬运任务的前提下,经过仿真分析后获取搬运车辆的调度方案,以将低负荷区域内的搬运车辆向紧急搬运区域内调度。
7.根据权利要求6所述的一种基于智能仓库的无人搬运车调度系统,其特征在于:存在能够完成搬运任务的调度方案时,则将对应的调度方案输出;若不存在,则将可完成最大搬运量的调度方案输出;获取输出后的调度方案,由搬运车辆控制单元(40)依照调度方案对搬运车辆进行调度;
获取输出的调度方案,获取搬运车辆在仓库内的流动方向,将该流动方向在电子地图上标记;使用训练后的路径规划模型,结合卸货点、存放点及障碍物的位置信息,为搬运车辆规划行驶路径,使搬运车辆沿着行驶路径,从低负荷区域内的搬运车辆向紧急搬运区域转移,完成搬运车辆调度过程。
8.根据权利要求7所述的一种基于智能仓库的无人搬运车调度系统,其特征在于:还包括:调配单元(50)及任务调配单元(70),
完成搬运车辆调度后,获取处于紧急搬运区域内的卸货点的待搬运的货物,获取不同待搬运货物的任务紧急系数Rxs,对若干个任务紧急系数Rxs依照从大至小进行排序,获取待搬运货物的搬运顺序;使搬运车辆依照搬运顺序,在由所述任务调配单元(70)分配搬运任务后,将分拣后货物从卸货点逐个向存放点处搬运。
9.根据权利要求8所述的一种基于智能仓库的无人搬运车调度系统,其特征在于:搬运车辆在搬运过程中时,获取搬运任务的执行效率Zx,若执行效率Zx低于预设的效率阈值,则由预警单元(60)向外部发出预警信息;
在获取到预警信息后,依照搬运任务的执行进度的落后程度,由调配单元(50)从车辆备用点的搬运车辆向卸货点调配搬运车辆;其中需要说明的是,搬运车辆的所要调配数量可以在结合调度模型在仿真分析后获取。
10.一种基于智能仓库的无人搬运车调度方法,其特征在于:包括:
建立仓库调度的电子点图,结合仓库内卸货点的位置信息,使用训练后的分类器将仓库的电子地图分割为若干个搬运子区域,查询并获取仓库当前批次的待入库货物,获取当前批次待入库货物的属性信息,完成卸货后获取卸货点内当前存放的待搬运货物的属性信息;
结合搬运车的搬运效率,以训练后的搬运预测模型对搬运子区域内的货物能否从卸货点搬运至存放点进行判断,并获取判断结果;若不能够及时完成搬运,则将相应的搬运子区域在电子点图上标记,并将其标记为超负荷区域,剩余的将若干个搬运子区域确定为低负荷区域;将低负荷区域内的搬运车辆向超负荷区域内调度;
获取各个超负荷区域内的待搬运货物的信息,建立超负荷区域的搬运任务条件数据集并生成任务紧急系数Rxs;将若干个超负荷区域区分为紧急搬运区域及常规搬运区域;
建立货物搬运模型和对搬运车辆的调度模型,结合各个仓库内的卸货点及存放点位置信息,以及各个卸货点的搬运任务,在完成搬运任务的前提下,经过仿真分析后获取调度方案,以将低负荷区域内的搬运车辆向紧急搬运区域内调度;
获取处于紧急搬运区域内的卸货点的待搬运的货物,获取不同待搬运货物的任务紧急系数Rxs,对若干个任务紧急系数Rxs依照从大至小进行排序,获取待搬运货物的搬运顺序;使搬运车辆依照搬运顺序,分配搬运任务后,将分拣后货物从卸货点逐个向存放点处搬运。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205791.7A CN117273606B (zh) | 2023-09-19 | 2023-09-19 | 一种基于智能仓库的无人搬运车调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205791.7A CN117273606B (zh) | 2023-09-19 | 2023-09-19 | 一种基于智能仓库的无人搬运车调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117273606A true CN117273606A (zh) | 2023-12-22 |
CN117273606B CN117273606B (zh) | 2024-04-12 |
Family
ID=89215283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311205791.7A Active CN117273606B (zh) | 2023-09-19 | 2023-09-19 | 一种基于智能仓库的无人搬运车调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273606B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376449A (zh) * | 2014-11-26 | 2015-02-25 | 彭益民 | 仓储配送调度方法和系统 |
CN107462238A (zh) * | 2017-07-28 | 2017-12-12 | 杭州高达软件系统股份有限公司 | 一种行车行为分析系统及方法 |
CN108398924A (zh) * | 2017-02-08 | 2018-08-14 | 北京京东尚科信息技术有限公司 | 机器人搬运车的调度方法和调度装置 |
CN109335445A (zh) * | 2018-10-13 | 2019-02-15 | 晋江易库物联网科技有限公司 | 一种智能仓库用货品调度方法及装置 |
CN109725616A (zh) * | 2018-12-29 | 2019-05-07 | 广州远联物流服务有限公司 | 一种基于智能仓库的无人搬运车调度方法及装置 |
CN110146088A (zh) * | 2019-06-17 | 2019-08-20 | 安徽大学 | 一种智能仓储管理系统中的室内定位导航方法及导航模型 |
CN112036773A (zh) * | 2020-09-29 | 2020-12-04 | 劢微机器人科技(深圳)有限公司 | Agv小车任务分配方法、设备、存储介质及装置 |
CN112085308A (zh) * | 2019-06-13 | 2020-12-15 | 北京京东尚科信息技术有限公司 | 用于多层仓库的运输车的调度方法及装置 |
CN113592158A (zh) * | 2021-07-13 | 2021-11-02 | 华中科技大学 | 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 |
CN113705966A (zh) * | 2021-07-20 | 2021-11-26 | 重庆超体科技有限公司 | 一种封闭厂区满足道路负荷率的车辆运输调度方法 |
CN114037370A (zh) * | 2021-10-25 | 2022-02-11 | 杭州天翔东捷运物流有限公司 | 一种仓库管理方法、系统、智能终端及存储介质 |
CN114648233A (zh) * | 2022-03-29 | 2022-06-21 | 苏州艾吉威机器人有限公司 | 一种动态工位货物搬运方法和系统 |
CN114862299A (zh) * | 2022-03-31 | 2022-08-05 | 盒马(中国)有限公司 | 运输路线规划方法以及装置 |
CN114997769A (zh) * | 2022-04-28 | 2022-09-02 | 江苏科能信息技术有限公司 | 一种仓库运输信息化管理方法及系统 |
CN115744000A (zh) * | 2022-11-03 | 2023-03-07 | 未来机器人(深圳)有限公司 | 仓库货物搬运系统 |
CN116002268A (zh) * | 2023-01-10 | 2023-04-25 | 未来机器人(深圳)有限公司 | 自动下线搬运系统和自动下线搬运方法 |
-
2023
- 2023-09-19 CN CN202311205791.7A patent/CN117273606B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376449A (zh) * | 2014-11-26 | 2015-02-25 | 彭益民 | 仓储配送调度方法和系统 |
CN108398924A (zh) * | 2017-02-08 | 2018-08-14 | 北京京东尚科信息技术有限公司 | 机器人搬运车的调度方法和调度装置 |
CN107462238A (zh) * | 2017-07-28 | 2017-12-12 | 杭州高达软件系统股份有限公司 | 一种行车行为分析系统及方法 |
CN109335445A (zh) * | 2018-10-13 | 2019-02-15 | 晋江易库物联网科技有限公司 | 一种智能仓库用货品调度方法及装置 |
CN109725616A (zh) * | 2018-12-29 | 2019-05-07 | 广州远联物流服务有限公司 | 一种基于智能仓库的无人搬运车调度方法及装置 |
CN112085308A (zh) * | 2019-06-13 | 2020-12-15 | 北京京东尚科信息技术有限公司 | 用于多层仓库的运输车的调度方法及装置 |
CN110146088A (zh) * | 2019-06-17 | 2019-08-20 | 安徽大学 | 一种智能仓储管理系统中的室内定位导航方法及导航模型 |
CN112036773A (zh) * | 2020-09-29 | 2020-12-04 | 劢微机器人科技(深圳)有限公司 | Agv小车任务分配方法、设备、存储介质及装置 |
CN113592158A (zh) * | 2021-07-13 | 2021-11-02 | 华中科技大学 | 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 |
CN113705966A (zh) * | 2021-07-20 | 2021-11-26 | 重庆超体科技有限公司 | 一种封闭厂区满足道路负荷率的车辆运输调度方法 |
CN114037370A (zh) * | 2021-10-25 | 2022-02-11 | 杭州天翔东捷运物流有限公司 | 一种仓库管理方法、系统、智能终端及存储介质 |
CN114648233A (zh) * | 2022-03-29 | 2022-06-21 | 苏州艾吉威机器人有限公司 | 一种动态工位货物搬运方法和系统 |
CN114862299A (zh) * | 2022-03-31 | 2022-08-05 | 盒马(中国)有限公司 | 运输路线规划方法以及装置 |
CN114997769A (zh) * | 2022-04-28 | 2022-09-02 | 江苏科能信息技术有限公司 | 一种仓库运输信息化管理方法及系统 |
CN115744000A (zh) * | 2022-11-03 | 2023-03-07 | 未来机器人(深圳)有限公司 | 仓库货物搬运系统 |
CN116002268A (zh) * | 2023-01-10 | 2023-04-25 | 未来机器人(深圳)有限公司 | 自动下线搬运系统和自动下线搬运方法 |
Non-Patent Citations (2)
Title |
---|
夏禹;杨会军: "后方仓库装卸机械调度优化", 物流技术, vol. 40, no. 11, 25 November 2021 (2021-11-25), pages 142 - 146 * |
孔继利;苑春荟;杨福兴;贾国柱: "带搬运时间的批量生产制造系统生产作业计划方法", 系统工程理论与实践, vol. 35, no. 11, 25 November 2015 (2015-11-25), pages 2821 - 2831 * |
Also Published As
Publication number | Publication date |
---|---|
CN117273606B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102346739B1 (ko) | 오더 처리 방법 및 장치, 서버 및 저장 매체 | |
CN104036377B (zh) | 基于多色集合理论的智能储配系统优化调度方法 | |
Le-Anh et al. | Testing and classifying vehicle dispatching rules in three real-world settings | |
CN109205163A (zh) | 跨巷道多层穿梭车仓储系统设计方法、系统及存储介质 | |
Confessore et al. | A network flow based heuristic approach for optimising AGV movements | |
CN111222817B (zh) | 一种基于云/边计算的智能仓储系统 | |
CN109214755A (zh) | 一种仓储管理中的自动排单调度方法 | |
CN114852572B (zh) | 一种立体仓库用货物智能运输装置 | |
CN110414895A (zh) | 车辆调度系统及方法 | |
CN112488606B (zh) | 一种生产物流智能优化和自动调度系统 | |
CN111882215A (zh) | 一种含有agv的个性化定制柔性作业车间调度方法 | |
CN114580996A (zh) | 料箱的出库方法 | |
CN113919543A (zh) | 一种基于5g物联网的agv调度路径优化方法 | |
CN114415610B (zh) | 机器人的调度方法、装置、电子设备及存储介质 | |
CN110654807A (zh) | 物料运输系统及其控制方法 | |
CN117273606B (zh) | 一种基于智能仓库的无人搬运车调度方法及系统 | |
CN206955007U (zh) | 一种基于机器人的移动集货系统 | |
CN117234214A (zh) | 一种用于工业货物码垛的自动化穿梭车 | |
CN117670198A (zh) | 一种智慧仓储运维方法和系统 | |
WO2023226756A1 (zh) | 设备调度方法、电子设备及存储介质 | |
CN113998352B (zh) | 拣选调度方法、装置、电子设备、存储介质及仓储系统 | |
CN109359905A (zh) | 一种自动化无人仓货位分配方法、装置和存储介质 | |
CN114399247A (zh) | 任务分配方法、电子设备、存储介质及计算机程序产品 | |
CN114358680A (zh) | 任务分配方法、电子设备及计算机程序产品 | |
CN108280530A (zh) | 双向路径不对称状态下库区无人行车吊运路径优化方法及系统 |
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 |