CN117709855A - 一种智能仓储货架及控制系统 - Google Patents
一种智能仓储货架及控制系统 Download PDFInfo
- Publication number
- CN117709855A CN117709855A CN202410015897.9A CN202410015897A CN117709855A CN 117709855 A CN117709855 A CN 117709855A CN 202410015897 A CN202410015897 A CN 202410015897A CN 117709855 A CN117709855 A CN 117709855A
- Authority
- CN
- China
- Prior art keywords
- data
- goods
- intelligent
- storage
- time
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 127
- 238000013439 planning Methods 0.000 claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000007405 data analysis Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 22
- 238000007726 management method Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims description 31
- 230000009471 action Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000002787 reinforcement Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000005311 autocorrelation function Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000004224 protection Effects 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003915 cell function Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000009545 invasion Effects 0.000 claims description 2
- 230000007306 turnover Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Warehouses Or Storage Devices (AREA)
Abstract
本发明涉及一种智能仓储领域，尤其涉及一种智能仓储货架及控制系统。现有的系统在货物的自动分拣、取货和存放等方面仍然存在一些局限性，需要人工干预较多，运作效率并不理想。同时，对于数据分析与预测方面，现有系统的能力也有待进一步提升，以实现更精准的库存管理和供应链优化。本发明通过RFID技术实现了智能化、自动化的库存管理确保了库存数据的准确性和及时性，加入了自动化的仓储作业流程，使用基于强化深度学习的路径规划算法大幅提高了货架控制系统提货、取货的效率。
Description
技术领域
本发明涉及一种智能仓储领域，尤其涉及一种智能仓储货架及控制系统。
背景技术
智能仓储系统在现代物流行业中扮演着重要的角色，它能够有效管理和控制仓库内的货物，提高运营效率和精准性。当前的仓储系统主要依赖人工操作，存在着人力成本高、工作效率低、错误率高等问题。因此自动化、智能化的仓储管理系统成为了行业发展的趋势和需求。
目前，一些仓储系统已经开始应用RFID（射频识别）和条形码等技术对货物进行识别和追踪，以实现库存管理的自动化。然而，现有的系统在货物的自动分拣、取货和存放等方面仍然存在一些局限性，需要人工干预较多，运作效率并不理想。同时对于数据分析与预测方面，现有系统的能力也有待进一步提升，以实现更精准的库存管理和供应链优化。另外，对于货架控制系统的安全性和灵活性等方面也存在待解决的问题。
因此，为了解决现有仓储系统中存在的问题，本发明提出了一种智能仓储货架及控制系统的创新方案，通过整合RFID技术、物联网技术、自动化设备控制技术和数据分析技术等，旨在实现智能化、自动化、高效率的仓储管理系统，以满足现代物流行业对于精准库存管理和运营效率的需求。
发明内容
（1）要解决的技术问题
本发明为了克服现有智能仓储货架的智能化低，需要人工干预，不能对数据进行预测分析的缺点，本发明要解决的技术问题是提供一种智能仓储货架控制系统。
（2）技术方案
为了解决上述技术问题，本发明提供了这样一种智能仓储货架控制系统，包括智能仓储货架本体，所述智能仓储货架本体设置有若干个智能存储单元，智能仓储货架控制系统设置有以下模块：
智能库存管理模块：实现库存物品的快速标识和定位，确保库存数据的准确性和及时性；
自动化货架控制模块：实现快速高效的仓储作业流程，减少人为操作降低错误率；
数据分析与预测模块：实现实时库存管理、供应链优化和需求预测，提高库存周转效率和降低成本；
安全与隐私保护模块：保证货物数据安全，防止信息泄露和非法访问，确保仓储运营的安全与稳定；
智能控制与监控模块：利用传感器对仓储环境的温度、湿度、光照、货物存储状态和设备信息进行监控，在发现设备故障、异常情况和安全问题时及时进行报警；
用户界面和指挥中心模块：设计可视化的用户界面和指挥中心，仓储管理人员能实时监控和管理。
进一步地，所述智能库存管理模块使用RFID（射频识别）和二维码识别技术对存储在所述智能仓储单元上的商品进行标识和追踪，并将信息进行存储，包括：
安装RFID读写器和二维码扫描设备在每个所述智能仓储货架本体上；在每件货物进入仓储货架本体时安装具有唯一标识的RFID标签和二维码；当货物被放置在所述智能仓储单元上时，RFID读写器和二维码扫描设备自动扫描并记录其数量和位置；
基于RFID标签和二维码数据建立库存数据库。
进一步地，所述自动化货架控制模块，包括：
智能化装置：在所述智能仓储货架上集成传感器、控制器、穿梭车和控制单元，使用云计算和物联网协议来提高数据的存储能力和运算能力并实现设备间的高效通讯和数据传输；
货物位置识别和智能定位：利用机器视觉技术和深度学习算法，对存放在所述智能仓储货架上的商品进行智能识别和定位，确保系统通过传感器能够快速准确的对货物进行识别并通过穿梭车和控制单元进行管理；
动态路径规划与优化：应用机器学习算法和路径规划算法，对货物快速进出其存储位置的路径进行规划与优化，来实现最佳存储布局，并在后续仓储运营过程中根据需求来动态调整路径规划；
实时监控与反馈控制：采用实时数据采集技术和反馈控制算法，对所述智能仓储货架的状态和穿梭车运行情况进行实时监测，并实现即时的反馈控制，确保货物的安全存放和穿梭车的高效运作。
进一步地，所述动态路径规划与优化中采用了基于深度强化学习的路径规划算法，该算法结合了深度学习和强化学习技术，能在动态环境中实现高效的路径规划与优化，包括：
状态空间定义：将所述智能仓储货架中的状态空间进行定义，包括货物位置、货物状态和仓库环境，并采用智能化装置中安装的传感器、控制器、穿梭车和控制单元进行实时数据采集，并对其进行处理和分析，构建状态空间；
动作空间定义：定义所述智能仓储货架中可执行的动作，例如移动货物、拿取货物、存放货物，通过深度学习算法进行动作空间的建模和优化，以实现高效的动作选择；
设计奖励函数：根据货物存储和取出的效率、路径长度和时间因素，设计奖励函数，使得所述智能仓储货架控制系统在路径规划过程中能够根据实际情况获得奖励或惩罚，从而实现路径规划的优化；
深度强化学习算法应用：利用深度强化学习算法中的双重深度Q网络（DoubleDQN），在实时数据的基础上通过训练模型进行训练，使得所述智能仓储货架控制系统能够根据当前状态选择最优的动作，从而实现路径规划的优化。
进一步地，所述深度强化学习算法应用使用双重Q深度学习算法进行路径规划，包括：
引入TensorFlow模型、相关Keras层；
定义双重深度Q网络模型(DQN)，先初始化函数，定义全连接层fc1，输入空间状态维度，定义全连接层fc2，fc1和fc2激活函数均为ReLU函数，定义输出层Q_values，输出动作维度，定义cell函数，通过全连接层fc1、fc2计算Q值并返回Q值；
设置DDQN代理，定义DDQNAgent类，接受状态维度、动作维度、学习率和折扣因子作为参数并进行初始化，创建评估网络eval_model和目标网络target_model，初始化优化器，并使用update_target_model函数来更新目标网络的权重；
使用深度强化学习来进行路径规划，建立训练函数PathPlanningEnvironment（），来接受所述DDQNAgent类中的状态维度、动作维度和奖励作为输入，使用梯度带来计算损失并更新参数，最终计算目标Q值并进行双重Q网络训练。
进一步地，所述数据分析与预测模块，包括：
数据采集与清洗：通过传感器实时采集仓储环境数据、货物信息、仓储设备运行状态数据、温度、湿度、货物位置、运输工具状态和货物重量，确保采集数据的可靠性和实时性；
对采集到的数据进行清洗和标准化处理，包括去除重复数据、填补缺失值、处理异常值和离群点，确保数据质量；
进行数据特征工程，对数据进行转换和提取特征，对时间戳进行解析，提取出年、月、日、小时的时间特征和货物进出仓数量的数量特征；
引入实时数据处理流技术，对仓储环境数据、货物信息和设备状态进行实时监控和分析，及时发现异常状况；
数据存储与管理：建立大规模数据存储系统，利用分布式数据库技术的高容错性和横向扩展性，来保障数据的安全存储和高效性，并建立数据仓库，在所述数据分析与预测模块中建立集中的数据仓库来进行数据存储，便于进行后续的数据分析和挖掘；
综合数据分析：融合多种数据源，包括仓储环境数据、货物信息、天气和交通数据，通过对多种数据的综合分析来判断影响仓储运营的各种因素；
利用图分析方法建立仓储环境和物流网络的图模型，将仓储货物作为点，存储路径作为边，图分析算法能够辅助所述自动化货架控制模块的动态路径规划与优化中的路径规划算法；
异常检测与实时优化：利用无监督学习进行异常检测，识别和监控异常情况，并自动触发实时优化决策，货物重新分配和运输路径重新规划；
预测与优化:运用时间序列预测方法中的ARIMA模型，对货物需求趋势、库存变化进行预测。
进一步地，所述预测与优化中运用了时间序列预测方法中的ARMIA模型，包括：
收集数据：在所述数据存储与管理中的数据仓库中收集所需时间序列数据，即仓储货物进出仓数据;
模型训练：
对处理后的时间序列数据进行拟合，使用ARIMA模型，其中ARIMA模型的计算公式为：
是时间序列数据；/>到/>是AR模型的参数，表示当前时刻的货物进出量与过去p个时刻的进出量之间的线性关系；/>到/>是MA模型的参数，表示过去q个时刻的预测误差对当前时刻仓储货物进出量的影响，/>是在t时间点的误差项，c是一个常数项；通过建立多个模型来选取拟合效果最优的模型；在拟合ARIMA模型后，通过自相关函数（ACF）和偏自相关函数（PACF）分析，以判断模型是否考虑了货物进出量趋势和季节性；模型使用与评估：利用训练好的ARIMA模型，对未来货物需求和库存变化来进行预测并根据预测数据的精度选择单步预测或多步预测，根据具体使用需求来确定预测的时间跨度；对预测结果进行评估，比较预测值与实际观测值的差异，评估模型的预测准确性；基于ARIMA模型的预测结果，所述智能仓储货架控制系统能根据预测的货物需求和库存变化情况，自动调整货物存放位置、补货策略和订单处理工作，以满足未来需求，并且预测的库存变化情况还能够用于制定货物进出库策略，避免库存积压或缺货情况的发生。
进一步地，所述安全与隐私保护模块，使用多重防护来保障库存货物和货物信息不会遭受非法入侵和信息泄露，包括：对传输的数据进行加密处理，确保数据的保密性和完整性；设置访问权限和身份验证机制，以限制系统访问权限；部署智能监控系统来监管货物运输状态和储存环境。
进一步地，所述智能控制与监控模块通过多种传感器对仓储环境中的温度、湿度、光照、货物储存状态、设备运行状态进行信息采集，并对这些信息进行监控，包括：选择适用于仓储环境的温度传感器、湿度传感器、光照传感器和用于监测货物存储状态和设备运行状态的传感器，实现对温度、湿度、光照、货物存储状态和设备信息的数据采集和实时监测；所述智能控制与监控模块对传感器采集的数据进行处理与分析，监测环境数据的变化趋势，以及设备状态的实时监测与分析；设定阈值和标准，当环境参数和设备状态出现异常情况时，触发报警进行相应的处理，并及时通知相关人员进行处理。
进一步地，所述用户界面和指挥中心模块通过使用vue.js框架搭建一个用户界面与用户进行交互，并使用web和js来构建一个指挥中心来与各传感器和设备进行链接，并对其进行控制和管理。
（3）有益效果
本发明通过RFID技术实现了智能化、自动化的库存管理确保了库存数据的准确性和及时性，加入了自动化的仓储作业流程，使用基于强化深度学习的路径规划算法大幅提高了货架控制系统提货、取货的效率。
在智能仓储货架控制系统的数据分析与预测模块中使用了时间序列预测方法中的ARMIA模型使得本系统可以对未来货物需求和库存变化进行预测进而实时优化供应链和库存管理决策，建立安全与隐私保护机制，保护货物信息安全和系统操作安全，防止信息泄露和非授权访问。
智能仓储货架控制系统通过智能监控系统实时监测仓储环境和设备运行状态，及时发现和处理异常情况，保证仓储运行的安全和稳定，设置用户交互可视化窗口，使用户可以更清晰的看到智能仓储货架的运行状态，便于在货架控制系统出现异常时施加人工干预，来及时止损。
附图说明
图1为本发明的一种智能仓储货架控制系统。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
实施例1
本发明提供了一种智能仓储货架及控制系统，包括智能仓储货架本体，智能仓储货架本体设置有若干个智能存储单元，同时智能仓储货架本体如图1所示，还设置有以下模块：智能库存管理模块、自动化货架控制模块、数据分析与预测模块、安全与隐私保护模块、智能控制与监控模块、用户界面和指挥中心模块。
智能仓储货架本体所设置的若干个智能存储单元是具备了智能化功能的货架单元，通过智能仓储货架本体内置的传感器和执行器，能够进行物品识别、重量监测、位置跟踪等功能，并将实现这些功能产生的数据发送至数据分析与预测模块进行处理。
智能库存管理模块：
在每个进入智能仓储货架的货物上安装具有唯一标识的RFID标签和二维码；在每个智能仓储货架本体上安装RFID读写器和二维码扫描设备；当货物被安置在智能仓储货架单元上时，RFID读写器和二维码扫描设备自动扫描并记录其数量和位置并将数据存储到库存数据库中。智能库存管理模块通过将RFID和二维码技术与智能货架和自动化设备进行集成，能够实现更高效的数据处理和库存管理。
自动化货架控制模块：
在智能仓储货架上集成传感器、控制器、穿梭车、控制单元，使用云计算和物联网协议来提高数据的存储能力和运算能力并实现设备间的高效通讯和数据连接；
货物位置识别和智能定位，使用机器视觉中的深度学习算法，对存储在智能货架上的物品进行二次识别和定位并与存储在库存数据库中的物品进行比对进而提高准确性。
动态路径规划与优化，使用机器学习算法和路径规划算法，对于使用穿梭车将仓储货物快速运输到达指定存储位置的路径进行规划与优化，来实现最佳存储布局，并在后续仓储运营过程中根据需求动态调整路径规划，其中路径规划算法包括：
状态空间定义，对智能仓储货架的状态空间进行定义，包括货物位置，货物状态和仓库环境，采用所述智能化装置中安装的传感器、控制器、穿梭车和控制单元，进行采集数据，并对数据进行处理和分析，最终构建状态空间；动作空间定义，对货架中的可执行动作进行定义，包括移动货物、拿取货物、存放货物等可执行动作，并通过深度学习算法进行动作空间的建模和优化，以实现高效的动作选择；
设计奖励函数，根据穿梭车对货物存储和取出的效率、路径长度和时间因素，设计奖励函数，使得系统在路径规划过程中可以根据实际情况获得奖励或惩罚，从而实现路径规划的优化；
应用深度强化学习算法，利用深度强化学习算法中的双重深度Q网络（DoubleDQN），在实时数据的基础上通过训练模型，使得系统能够根据当前状态选择最优的动作，从而实现路径规划的优化；
通过深度强化学习算法不断地学习和优化，实现对动态环境下货物存储位置的实时路径规划和优化，确保系统能够快速、准确地响应变化的需求和环境，其中对货物存储位置进行路径规划使用双重Q深度学习算法，包括：
引入TensorFlow模型、Keras层；定义双重深度Q网络模型(DQN)，先建立初始化函数，定义全连接层fc1，输入空间状态维度，定义全连接层fc2，fc1和fc2激活函数均为ReLU函数，定义输出层Q_values，输出动作维度，定义cell函数，通过全连接层fc1，fc2计算Q值并返回Q值；
设置DDQN代理，定义DDQNAgent类，接受状态维度、动作维度、学习率和折扣因子作为参数并进行初始化，创建评估网络eval_model和目标网络target_model，初始化优化器，并使用update_target_model函数来更新目标网络的权重；
使用深度强化学习来进行路径规划，建立训练函数PathPlanningEnvironment（），来接受所述DDQNAgent类中的状态维度，动作维度，奖励作为输入，使用梯度带来计算损失并更新参数，最终计算目标Q值并进行双重Q网络训练并根据Q值来对路径进行优化。
实时监控与反馈控制，采用实时数据采集技术和反馈控制算法，对货架的状态和穿梭车的运行情况进行实时监测，并当货架或穿梭车的运行与程序预先设定的路线不符时做出即时的反馈控制，以确保货物的安全存放和高效运作。
自动化货架控制模块通过机器视觉和深度学习算法，智能仓储货架控制系统能够精确识别和定位货物，减少人工错误，提高操作效率；同时使用机器学习和路径规划算法，智能仓储货架控制系统能够动态调整穿梭车的运输路径，满足仓储货架的实施状态和需求变化，优化存储布局和货物取放效率，而通过深度强化学习算法，可以使系统自主学习和优化决策过程，使穿梭车自动选择最优路径。
数据分析与预测模块：
数据分析与预测模块通过传感器实时采集仓储环境数据、货物信息以及仓储设备运行状态数据，并保证实时采集数据的可靠性和稳定性，采集到的数据包括温度、湿度、货物位置、运输工具状态、货物重量等；
数据分析与预测模块具体步骤包括：
S1数据清洗和标准化，对采集到的数据进行清洗和标准化处理，包括去除重复数据、填补缺失值、处理异常值和离群点等操作，来确保数据质量和采集数据的准确性。
S2进行数据特征提取工程，将所述处理后的数据进行格式转换和特征提取，包括对时间戳进行解析，提取出年、月、日、小时等的时间特征和仓储货物进出仓储空间的时间和存储时长。
S3引入实时数据处理流技术，对所属数据采集中的数据包括仓储环境数据、货物信息和设备状态等进行实时的监控和分析，便于管理人员及时发现异常状况，同时可以使系统能够快速响应环境变化，提高决策的时效性。
S4数据存储与管理，主要负责存储和管理来自智能存储单元以及分析预测的数据，建立大规模的数据存储系统，利用分布式数据库的高容错性和横向扩展性，可以更好的保障数据的安全存储和高效的使用性，并建立数据仓库，在所述数据分析与预测模块中建立集中的数据仓库来进行数据存储，便于进行后续的数据分析和挖掘。
S5综合数据分析，获取多种数据源，包括仓储环境数据、货物信息、天气、交通数据，通过对多种数据的综合交叉分析来更好的判断影响仓储运营的各种因素，便于后续对仓储货物需求趋势和仓储运营进行改进与优化。
S6建立仓储环境和物流网络的图模型，在图模型中以货物作为点，货物的存储路径作为边，图分析算法可以辅助自动化货架控制模块的动态路径规划与优化中的双重Q深度学习网络的路径规划算法来进行路径规划，提高路径规划的效率和准确性。
S7异常检测与实时优化，利用无监督学习对所述实时路径规划与优化进行异常检测，来识别和监控异常情况，并自动触发实时优化策略，来进行货物重分配或运输路径重新规划。
结合实时数据处理和分析结果，实现对仓储货物供应链的实时优化和调整，以满足仓储货物需求的变化和最大程度减少成本和风险；
运用时间序列预测方法中的ARIMA模型，对货物需求趋势、库存变化进行预测，其中ARIMA模型的具体操作步骤包括：
收集数据：在所述数据存储与管理模块中的数据仓库中收集所需数据;
对处理后的时间序列数据（仓储货物进出仓数据）进行拟合，使用ARIMA模型，其中ARIMA模型的计算公式为：
，
是时间序列数据（仓储货物进出仓数据）。
到/>是AR模型的参数，表示当前时刻的货物进出量与过去p个时刻的进出量之间的线性关系。
到/>是MA模型的参数，表示过去q个时刻的预测误差对当前时刻仓储货物进出量的影响，/>是在t时间点的误差项，c是一个常数项。
通过建立多个模型来选取拟合效果最优的模型；
在拟合ARIMA模型后，对自相关函数（ACF）和偏自相关函数（PACF）分析，以判断模型是否考虑货物需求趋势和季节性；
其中自相关函数（ACF）的计算公式为：
是时间点 t 和时间点 t+k 的时间预测序列数据（仓储货物进出仓数据）的协方差，/>是时间序列数据（仓储货物进出仓数据）的方差；
其中偏自相关函数（PACF）的计算公式为：
，
Cov表示协方差，E表示期望，Var表示方差；
利用训练好的ARIMA模型，进行未来货物需求和货物库存变化的预测，并且根据所需预测结果精度来选择单步预测和多步预测，根据具体使用需求来确定预测的时间跨度；
对预测结果进行评估，比较预测值与实际观测值的差异，用来评估模型的预测准确性，并根据评估结果对模型进行优化和参数调整；
基于ARIMA模型的预测结果，智能仓储系统可以根据预测的货物需求和货物库存变化情况，自动调整货物存放位置、补货策略和订单处理等工作，以满足未来需求，并且预测的库存变化情况还可以用于制定货物进出库策略，避免库存积压或缺货情况的发生。
基于预测结果，进行库存优化和供应链调整，确保在不同需求变化下，能够合理调整仓储货物库存水平和供应链各环节的运作策略。
安全与隐私保护模块：
对各传感器向终端传输的数据进行加密，来保证数据的保密性和完整性。对访问的用户设置访问权限和身份验证机制，所有人在访问之前必须通过验证机制才可以对系统进行访问，以此来限制系统访问权限。
在仓储环境内部署智能监控系统来监管货物运输状态和存储环境，并安装人脸识别模块，对仓储内执行各操作的人员进行识别和监控，来规范人员行为，并执行责任到人制度，有助于提高对非法入侵的防御能力。
智能控制和监控模块：
根据仓储环境情况选择合适的传感器，温度传感器、湿度传感器、光照传感器和用于监测货物存储状态和设备运行状态的传感器；
智能控制和监控模块对传感器采集的数据进行处理与分析，监测环境数据的变化趋势，以及设备状态的实时监测与分析；
设定阈值和标准，当环境参数和设备状态出现异常情况时，触发报警系统进行相应的处理，并及时通知相关人员或系统进行处理；
智能控制与监控模块通过集成多种传感器来监测仓储环境和设备状态，有助于实现更加精准的环境控制和设备维护，同时环境数据和设备状态的实施监测与分析，提高了仓储运行的自动化和智能化水平。
用户界面和指挥中心模块：
使用vue.js框架搭建一个用户界面来和用户进行交互，并使用web和js来构建一个指挥中心来与各传感器和设备进行链接，使得对其进行控制和管理。指挥中心可以实时的观察到各传感器和穿梭车的动态，并当传感器或穿梭车出现异常时，由人工进行干预来避免造成损失，穿梭车的路径也可由人工设计再通过指挥中心传输给穿梭车，并由穿梭车执行。通过使用vue.js框架构建用户界面，提供了良好的用户体验和高度的交互性；同时使用文本和js构架的指挥中心可以实现远程控制和管理，提高了操作的便捷性和效率。
以上所述实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种智能仓储货架及控制系统，其特征在于：包括智能仓储货架本体，所述智能仓储货架本体设置有若干个智能存储单元，智能仓储货架控制系统设置有以下模块：
智能库存管理模块：实现库存物品的快速标识和定位，确保库存数据的准确性和及时性；
自动化货架控制模块：实现快速高效的仓储作业流程，减少人为操作降低错误率；
数据分析与预测模块：实现实时库存管理、供应链优化和需求预测，提高库存周转效率和降低成本；
安全与隐私保护模块：保证货物数据安全，防止信息泄露和非法访问，确保仓储运营的安全与稳定；
智能控制与监控模块：利用传感器对仓储环境的温度、湿度、光照、货物存储状态和设备信息进行监控，在发现设备故障、异常情况和安全问题时及时进行报警；
用户界面和指挥中心模块：设计可视化的用户界面和指挥中心，仓储管理人员能实时监控和管理。
2.根据权利要求1所述的一种智能仓储货架及控制系统，其特征在于：所述智能库存管理模块使用RFID（射频识别）和二维码识别技术对存储在所述智能仓储单元上的商品进行标识和追踪，并将信息进行存储，包括：
安装RFID读写器和二维码扫描设备在每个所述智能仓储货架本体上；在每件货物进入仓储货架本体时安装具有唯一标识的RFID标签和二维码；当货物被放置在所述智能仓储单元上时，RFID读写器和二维码扫描设备自动扫描并记录其数量和位置；
基于RFID标签和二维码数据建立库存数据库。
3.根据权利要求1所述的一种智能仓储货架及控制系统，其特征在于：所述自动化货架控制模块，包括：
智能化装置：在所述智能仓储货架上集成传感器、控制器、穿梭车和控制单元，使用云计算和物联网协议来提高数据的存储能力和运算能力并实现设备间的高效通讯和数据传输；
货物位置识别和智能定位：利用机器视觉技术和深度学习算法，对存放在所述智能仓储货架上的商品进行智能识别和定位，确保系统通过传感器能够快速准确的对货物进行识别并通过穿梭车和控制单元进行管理；
动态路径规划与优化：应用机器学习算法和路径规划算法，对货物快速进出其存储位置的路径进行规划与优化，来实现最佳存储布局，并在后续仓储运营过程中根据需求来动态调整路径规划；
实时监控与反馈控制：采用实时数据采集技术和反馈控制算法，对所述智能仓储货架的状态和穿梭车运行情况进行实时监测，并实现即时的反馈控制，确保货物的安全存放和穿梭车的高效运作。
4.根据权利要求3所述的一种智能仓储货架及控制系统，其特征在于：所述动态路径规划与优化中采用了基于深度强化学习的路径规划算法，该算法结合了深度学习和强化学习技术，能在动态环境中实现高效的路径规划与优化，包括：
状态空间定义：将所述智能仓储货架中的状态空间进行定义，包括货物位置、货物状态和仓库环境，并采用智能化装置中安装的传感器、控制器、穿梭车和控制单元进行实时数据采集，并对其进行处理和分析，构建状态空间；
动作空间定义：定义所述智能仓储货架中可执行的动作，例如移动货物、拿取货物、存放货物，通过深度学习算法进行动作空间的建模和优化，以实现高效的动作选择；
设计奖励函数：根据货物存储和取出的效率、路径长度和时间因素，设计奖励函数，使得所述智能仓储货架控制系统在路径规划过程中能够根据实际情况获得奖励或惩罚，从而实现路径规划的优化；
深度强化学习算法应用：利用深度强化学习算法中的双重深度Q网络（Double DQN），在实时数据的基础上通过训练模型进行训练，使得所述智能仓储货架控制系统能够根据当前状态选择最优的动作，从而实现路径规划的优化。
5.根据权利要求4所述的一种智能仓储货架及控制系统，其特征在于：所述深度强化学习算法应用使用双重Q深度学习算法进行路径规划，包括：
引入TensorFlow模型、相关Keras层；
定义双重深度Q网络模型(DQN)，先初始化函数，定义全连接层fc1，输入空间状态维度，定义全连接层fc2，fc1和fc2激活函数均为ReLU函数，定义输出层Q_values，输出动作维度，定义cell函数，通过全连接层fc1、fc2计算Q值并返回Q值；
设置DDQN代理，定义DDQNAgent类，接受状态维度、动作维度、学习率和折扣因子作为参数并进行初始化，创建评估网络eval_model和目标网络target_model，初始化优化器，并使用update_target_model函数来更新目标网络的权重；
使用深度强化学习来进行路径规划，建立训练函数PathPlanningEnvironment（），来接受所述DDQNAgent类中的状态维度、动作维度和奖励作为输入，使用梯度带来计算损失并更新参数，最终计算目标Q值并进行双重Q网络训练。
6.根据权利要求1所述的一种智能仓储货架及控制系统，其特征在于：所述数据分析与预测模块，包括：
数据采集与清洗：通过传感器实时采集仓储环境数据、货物信息、仓储设备运行状态数据、温度、湿度、货物位置、运输工具状态和货物重量，确保采集数据的可靠性和实时性；
对采集到的数据进行清洗和标准化处理，包括去除重复数据、填补缺失值、处理异常值和离群点，确保数据质量；
进行数据特征工程，对数据进行转换和提取特征，对时间戳进行解析，提取出年、月、日、小时的时间特征和货物进出仓数量的数量特征；
引入实时数据处理流技术，对仓储环境数据、货物信息和设备状态进行实时监控和分析，及时发现异常状况；
数据存储与管理：建立大规模数据存储系统，利用分布式数据库技术的高容错性和横向扩展性，来保障数据的安全存储和高效性，并建立数据仓库，在所述数据分析与预测模块中建立集中的数据仓库来进行数据存储，便于进行后续的数据分析和挖掘；
综合数据分析：融合多种数据源，包括仓储环境数据、货物信息、天气和交通数据，通过对多种数据的综合分析来判断影响仓储运营的各种因素；
利用图分析方法建立仓储环境和物流网络的图模型，将仓储货物作为点，存储路径作为边，图分析算法能够辅助所述自动化货架控制模块的动态路径规划与优化中的路径规划算法；
异常检测与实时优化：利用无监督学习进行异常检测，识别和监控异常情况，并自动触发实时优化决策，货物重新分配和运输路径重新规划；
预测与优化:运用时间序列预测方法中的ARIMA模型，对货物需求趋势、库存变化进行预测。
7.根据权利要求6所述的一种智能仓储货架及控制系统，其特征在于：所述预测与优化中运用了时间序列预测方法中的ARMIA模型，包括：收集数据：在所述数据存储与管理中的数据仓库中收集所需时间序列数据，即仓储货物进出仓数据;模型训练：
对处理后的时间序列数据进行拟合，使用ARIMA模型，其中ARIMA模型的计算公式为：
是时间序列数据；/>到/>是AR模型的参数，表示当前时刻的货物进出量与过去p个时刻的进出量之间的线性关系；/>到/>是MA模型的参数，表示过去q个时刻的预测误差对当前时刻仓储货物进出量的影响，/>是在t时间点的误差项，c是一个常数项；通过建立多个模型来选取拟合效果最优的模型；在拟合ARIMA模型后，通过自相关函数（ACF）和偏自相关函数（PACF）分析，以判断模型是否考虑了货物进出量趋势和季节性；模型使用与评估：
利用训练好的ARIMA模型，对未来货物需求和库存变化来进行预测并根据预测数据的精度选择单步预测或多步预测，根据具体使用需求来确定预测的时间跨度；对预测结果进行评估，比较预测值与实际观测值的差异，评估模型的预测准确性；基于ARIMA模型的预测结果，所述智能仓储货架控制系统能根据预测的货物需求和库存变化情况，自动调整货物存放位置、补货策略和订单处理工作，以满足未来需求，并且预测的库存变化情况还能够用于制定货物进出库策略，避免库存积压或缺货情况的发生。
8.根据权利要求1所述的一种智能仓储货架及控制系统，其特征在于：所述安全与隐私保护模块，使用多重防护来保障库存货物和货物信息不会遭受非法入侵和信息泄露，包括：对传输的数据进行加密处理，确保数据的保密性和完整性；设置访问权限和身份验证机制，以限制系统访问权限；部署智能监控系统来监管货物运输状态和储存环境。
9.根据权利要求1所述的一种智能仓储货架及控制系统，其特征在于：所述智能控制与监控模块通过多种传感器对仓储环境中的温度、湿度、光照、货物储存状态、设备运行状态进行信息采集，并对这些信息进行监控，包括：选择适用于仓储环境的温度传感器、湿度传感器、光照传感器和用于监测货物存储状态和设备运行状态的传感器，实现对温度、湿度、光照、货物存储状态和设备信息的数据采集和实时监测；所述智能控制与监控模块对传感器采集的数据进行处理与分析，监测环境数据的变化趋势，以及设备状态的实时监测与分析；设定阈值和标准，当环境参数和设备状态出现异常情况时，触发报警进行相应的处理，并及时通知相关人员进行处理。
10.根据权利要求1所述的一种智能仓储货架及控制系统，其特征在于：所述用户界面和指挥中心模块通过使用vue.js框架搭建一个用户界面与用户进行交互，并使用web和js来构建一个指挥中心来与各传感器和设备进行链接，并对其进行控制和管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410015897.9A CN117709855A (zh) | 2024-01-05 | 2024-01-05 | 一种智能仓储货架及控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410015897.9A CN117709855A (zh) | 2024-01-05 | 2024-01-05 | 一种智能仓储货架及控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117709855A true CN117709855A (zh) | 2024-03-15 |
Family
ID=90157124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410015897.9A Pending CN117709855A (zh) | 2024-01-05 | 2024-01-05 | 一种智能仓储货架及控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709855A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993828A (zh) * | 2024-04-03 | 2024-05-07 | 深圳市普拉托科技有限公司 | 基于智能仓储的问题托盘查找方法及系统 |
| CN118095975A (zh) * | 2024-04-29 | 2024-05-28 | 中亿丰数字科技集团股份有限公司 | 基于bim和ai大模型的工程质量智能管理方法及系统 |
| CN117993828B (zh) * | 2024-04-03 | 2024-07-02 | 深圳市普拉托科技有限公司 | 基于智能仓储的问题托盘查找方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160055440A1 (en) * | 2014-08-22 | 2016-02-25 | R Five Corporation | Fluctuation value forecasting system, stock management system, and fluctuation value forecasting method |
| CN115033000A (zh) * | 2022-07-06 | 2022-09-09 | 重庆大学 | 基于深度强化学习的双目标路径规划方法 |
| CN116629741A (zh) * | 2023-05-16 | 2023-08-22 | 济南明泉数字商务有限公司 | 一种基于多模态交互的大宗品智能仓储管理方法及系统 |
| CN116703303A (zh) * | 2023-07-07 | 2023-09-05 | 杭州电子科技大学 | 基于多层感知机与rbf的仓储可视化监管系统及方法 |
| CN116757603A (zh) * | 2023-06-27 | 2023-09-15 | 四川中环再生信息科技有限公司 | 基于大数据应用的智能化仓储管控系统及其方法 |
| CN117114576A (zh) * | 2023-08-31 | 2023-11-24 | 佛山市太米智能科技有限公司 | 一种基于人工智能的仓储智能调度监控管理方法及系统 |
-
2024
- 2024-01-05 CN CN202410015897.9A patent/CN117709855A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160055440A1 (en) * | 2014-08-22 | 2016-02-25 | R Five Corporation | Fluctuation value forecasting system, stock management system, and fluctuation value forecasting method |
| CN115033000A (zh) * | 2022-07-06 | 2022-09-09 | 重庆大学 | 基于深度强化学习的双目标路径规划方法 |
| CN116629741A (zh) * | 2023-05-16 | 2023-08-22 | 济南明泉数字商务有限公司 | 一种基于多模态交互的大宗品智能仓储管理方法及系统 |
| CN116757603A (zh) * | 2023-06-27 | 2023-09-15 | 四川中环再生信息科技有限公司 | 基于大数据应用的智能化仓储管控系统及其方法 |
| CN116703303A (zh) * | 2023-07-07 | 2023-09-05 | 杭州电子科技大学 | 基于多层感知机与rbf的仓储可视化监管系统及方法 |
| CN117114576A (zh) * | 2023-08-31 | 2023-11-24 | 佛山市太米智能科技有限公司 | 一种基于人工智能的仓储智能调度监控管理方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993828A (zh) * | 2024-04-03 | 2024-05-07 | 深圳市普拉托科技有限公司 | 基于智能仓储的问题托盘查找方法及系统 |
| CN117993828B (zh) * | 2024-04-03 | 2024-07-02 | 深圳市普拉托科技有限公司 | 基于智能仓储的问题托盘查找方法及系统 |
| CN118095975A (zh) * | 2024-04-29 | 2024-05-28 | 中亿丰数字科技集团股份有限公司 | 基于bim和ai大模型的工程质量智能管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang | Logistics 4.0 solution-new challenges and opportunities | |
| CN116862199A (zh) | 基于大数据和云计算的建筑施工优化系统 | |
| Zhang et al. | IoT-enabled dynamic lean control mechanism for typical production systems | |
| CN117709855A (zh) | 一种智能仓储货架及控制系统 | |
| CN109795828B (zh) | 一种基于物联网技术的轻量级物流自动化系统方法 | |
| CN116843156A (zh) | 一种装配式建筑构件的供应链管理与控制方法 | |
| KR20100013720A (ko) | Ｒｆｉｄ 및 ｍｅｓ를 이용한 공정관리 시스템 및 방법 | |
| CN117114573A (zh) | 一种基于大数据的仓储时间监管系统及方法 | |
| Dotoli et al. | A lean warehousing integrated approach: A case study | |
| Burggräf et al. | Return on CPS (RoCPS): An evaluation model to assess the cost effectiveness of cyber-physical systems for small and medium-sized enterprises | |
| Zhang et al. | Optimal RFID deployment in a multiple-stage production system under inventory inaccuracy and robust control policy | |
| Bhanji et al. | Advanced enterprise asset management systems: Improve predictive maintenance and asset performance by leveraging Industry 4.0 and the Internet of Things (IoT) | |
| Tsarkova | Technical Diagnostics of Equipment Using Data Mining Technologies | |
| Denkena et al. | Interpretation and optimization of material flow via system behavior reconstruction | |
| Ramadan | RFID-enabled dynamic value stream mapping for smart real-time lean-based manufacturing system | |
| Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
| EP3529783B1 (en) | System and method for integrating production process | |
| Trentesaux et al. | Introduction to shop-floor control | |
| Hellingrath et al. | On the integration of intelligent maintenance and spare parts supply chain management | |
| CN109816293A (zh) | 一种仓储货物监管系统及方法 | |
| Neher | Logistics management in an IoT world | |
| Heinecke | Resilient automotive production in vulnerable supply networks: a supply chain event management system | |
| AU2021104512A4 (en) | SUPPLY CHAIN MANAGEMENT SYSTEM AND METHOD CONFIGURED BY AN AI EQUIPPED INTEGRATED IoT PLATFORM | |
| Veiseh et al. | RFID as an enabler of maintenance management | |
| Romer et al. | Data-based services for smart load carriers: functional design and requirements analysis for internet of things technologies |
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 |