JP7332268B2 - 荷役システム、荷役割当方法およびプログラム - Google Patents

Description

本発明は、バッテリ式の有人フォークリフトの荷役システム、荷役割当方法およびプログラムに関する。

特許文献１に記載のように、有人フォークリフトを含む荷役システムが知られている。この荷役システムでは、有人フォークリフトと、自律して荷役作業をする無人フォークリフトと、管理サーバとを備えている。管理サーバは、有人フォークリフトと、無人フォークリフトとが混在する荷役システムにおいて、無人フォークリフトの数が少ない空位置で実行される荷役作業を有人フォークリフトに割り当てるよう構成されている。

ところで、バッテリ電力によって動作する有人フォークリフト（以下、単に「フォークリフト」という）の場合、バッテリ残量がなくなると、バッテリを充電したり充電されたバッテリと交換したりする必要がある。そのため、荷役システムは、バッテリを充電、交換するタイミングを少なくするために、このフォークリフトの消費電力も考慮して荷役作業を割り当てることが好ましい。しかしながら、フォークリフトの運転者によってフォークリフトの動作が異なるので、フォークリフトの消費電力を考慮して荷役作業を割り当てることは容易ではない。

また、フォークリフトは、炎天下で作業したり冷凍室で荷役作業したりする。そこで、運転者の体調を考慮して、空調装置がフォークリフトに設けられることがある。空調装置は、フォークリフトのバッテリ電力によって動作するので、荷役システムは、荷役作業に係る電力消費だけでなく、空調装置の消費電力も加味して荷役作業を割り当てることが好ましい。しかしながら、現場の気温や運転者によって空調装置の設定が異なるので空調装置の消費電力を考慮して荷役作業を割り当てることは、さらに容易ではない。

特許第６２８４２１２号公報

そこで、本発明は、バッテリ式有人フォークリフトの消費電力を考慮して荷役作業を複数の有人フォークリフトに割り当てる荷役システム、荷役割当方法およびプログラムを提供することを課題とする。

上記課題を解決するために、本発明に係る荷役システムは、
バッテリ式の複数のフォークリフトと、複数の運転者と、管理装置と、を備えた荷役システムであって、
管理装置は、
過去の各荷役作業における、フォークリフトの識別子、運転者の識別子、荷役動作および荷の重量を入力データとし荷役消費電力を出力データとする教師データによってそれらの相関を予め学習させられ、各フォークリフトの識別子、各運転者の識別子ならびに各荷役作業に係る荷役動作および荷の重量を入力されると各フォークリフト、各運転者および各荷役作業の組み合わせごとの荷役予測消費電力を出力する第１ニューラルネットワークと、
複数の荷役予定を記憶する記憶部と、
荷役割当部と、を備え、
荷役予定は、複数の荷役作業を含み、
荷役割当部は、
各フォークリフトの識別子と、各運転者の識別子と、各荷役予定に含まれる荷役作業に係る荷役動作と、各荷役予定に含まれる荷役作業に係る荷の重量と、を第１ニューラルネットワークに入力して、各フォークリフト、各運転者および各荷役作業の組み合わせごとの荷役予測消費電力を出力させ、
出力された荷役予測消費電力に基づいて、複数の荷役予定の合計の荷役予測消費電力が最小となる荷役予定ごとのフォークリフトおよび運転者の組み合わせを出力する、ことを特徴とする。

上記荷役システムは、好ましくは、
複数の荷役予定が、荷役作業が行われる施設のエリアごとに荷役作業を割り当てられている。

上記荷役システムは、好ましくは、
フォークリフトが、空調装置を有し、
管理装置が、
過去の各荷役作業における、フォークリフトの識別子、運転者の識別子、荷役動作、荷の重量を入力データとし荷役作業時間を出力データとする教師データによってそれらの相関を予め学習させられ、フォークリフトの識別子、運転者の識別子ならびに各荷役作業に係る荷役動作および荷の重量を入力されると各フォークリフト、各運転者および各荷役作業の組み合わせごとの荷役予測作業時間を出力する第２ニューラルネットワークと、
過去の各荷役作業における、荷役作業場所の気温、フォークリフトの識別子および運転者の識別子を入力データとし、空調装置の設定温度を出力データとする教師データによってそれらの相関を予め学習させられ、各荷役作業に係る荷役作業場所の気温、各フォークリフトの識別子および各運転者の識別子を入力されると、各フォークリフト、各運転者および各荷役作業の組み合わせごとの空調装置の予測設定温度を出力する第３ニューラルネットワークと、
過去の各荷役作業における、荷役作業場所における気温、フォークリフトの識別子および設定温度を入力データとし空調装置の消費電力を出力データとする教師データによってそれらの相関を予め学習させられ、各荷役作業場所における気温、各フォークリフト、各運転者および各荷役作業の組み合わせごとの予測設定温度ならびに各荷役予測作業時間が入力されると各フォークリフト、各運転者および各荷役作業の組み合わせごとの空調装置の予測消費電力を出力する第４ニューラルネットワークと、をさらに備え、
荷役割当部が、さらに、
フォークリフトの識別子、運転者の識別子ならびに各荷役作業に係る荷役動作および荷の重量と、を第２ニューラルネットワークに入力して、各フォークリフト、各運転者および各荷役作業の組み合わせごとの荷役予測作業時間を出力させ、
各荷役作業に係る荷役作業場所の気温、フォークリフトの識別子および運転者の識別子を第３ニューラルネットワークに入力して、各フォークリフト、各運転者および各荷役作業の組み合わせごとの空調装置の予測設定温度を出力させ、
各荷役作業場所における気温、各フォークリフト、各運転者および各荷役作業の組み合わせごとの予測設定温度ならびに各荷役予測作業時間を第４ニューラルネットワークに入力して、各フォークリフト、各運転者および各荷役作業の組み合わせごとの空調装置の予測消費電力を出力させ、
各フォークリフト、各運転者および各荷役作業の組み合わせごとの空調装置の予測消費電力と、各フォークリフト、各運転者および各荷役作業の組み合わせごとの荷役予測消費電力とに基づいて、複数の荷役予定の合計の荷役予測消費電力が最小となる荷役予定ごとのフォークリフトおよび運転者の組み合わせを出力する。

上記課題を解決するために、本発明に係る荷役割当方法は、
バッテリ式の複数のフォークリフトと、複数の運転者と、複数の荷役予定との適切な組み合わせを出力する荷役割当方法であって、
過去の各荷役作業における、フォークリフトの識別子、運転者の識別子、荷役動作および荷の重量を入力データとし荷役消費電力を出力データとする教師データによってそれらの相関を予め学習させられ、各フォークリフトの識別子、各運転者の識別子ならびに各荷役作業に係る荷役動作および荷の重量を入力されると各フォークリフト、各運転者および各荷役作業の組み合わせごとの荷役予測消費電力を出力する第１ニューラルネットワーク、を準備し、
荷役予定は、複数の荷役作業を含んでおり、
荷役割当方法は、
各フォークリフトの識別子と、各運転者の識別子と、各荷役予定に含まれる荷役作業に係る荷役動作と、各荷役予定に含まれる荷役作業に係る荷の重量と、を第１ニューラルネットワークに入力して、各フォークリフト、各運転者および各荷役作業の組み合わせごとの荷役予測消費電力を出力させ、
出力された荷役予測消費電力に基づいて、複数の荷役予定の合計の荷役予測消費電力が最小となる荷役予定ごとのフォークリフトおよび運転者の組み合わせを出力する、ことを特徴とする。

上記荷役割当方法は、
フォークリフトが、空調装置を有しており、
荷役割当方法は、好ましくは、
過去の各荷役作業における、フォークリフトの識別子、運転者の識別子、荷役動作、荷の重量を入力データとし荷役作業時間を出力データとする教師データによってそれらの相関を予め学習させられ、フォークリフトの識別子、運転者の識別子ならびに各荷役作業に係る荷役動作および荷の重量を入力されると各フォークリフト、各運転者および各荷役作業の組み合わせごとの荷役予測作業時間を出力する第２ニューラルネットワークと、
過去の各荷役作業における、荷役作業場所の気温、フォークリフトの識別子および運転者の識別子を入力データとし、空調装置の設定温度を出力データとする教師データによってそれらの相関を予め学習させられ、各荷役作業に係る荷役作業場所の気温、各フォークリフトの識別子および各運転者の識別子を入力されると、各フォークリフト、各運転者および各荷役作業の組み合わせごとの空調装置の予測設定温度を出力する第３ニューラルネットワークと、
過去の各荷役作業における、荷役作業場所における気温、フォークリフトの識別子および設定温度を入力データとし空調装置の消費電力を出力データとする教師データによってそれらの相関を予め学習させられ、各荷役作業場所における気温、各フォークリフト、各運転者および各荷役作業の組み合わせごとの予測設定温度ならびに各荷役予測作業時間が入力されると各フォークリフト、各運転者および各荷役作業の組み合わせごとの空調装置の予測消費電力を出力する第４ニューラルネットワークと、をさらに準備し、
複数の荷役予定は、荷役作業が行われる施設のエリアごとに荷役作業を割り当てられており、
荷役割当方法は、さらに、
フォークリフトの識別子、運転者の識別子ならびに各荷役作業に係る荷役動作および荷の重量を第２ニューラルネットワークに入力して、各フォークリフト、各運転者および各荷役作業の組み合わせごとの荷役予測作業時間を出力させ、
各荷役作業に係る荷役作業場所の気温、フォークリフトの識別子および運転者の識別子を第３ニューラルネットワークに入力して、各フォークリフト、各運転者および各荷役作業の組み合わせごとの空調装置の予測設定温度を出力させ、
各荷役作業場所における気温、各フォークリフト、各運転者および各荷役作業の組み合わせごとの予測設定温度ならびに各荷役予測作業時間を第４ニューラルネットワークに入力して、各フォークリフト、各運転者および各荷役作業の組み合わせごとの空調装置の予測消費電力を出力させ、
各フォークリフト、各運転者および各荷役作業の組み合わせごとの空調装置の予測消費電力と、各フォークリフト、各運転者および各荷役作業の組み合わせごとの荷役予測消費電力とに基づいて、複数の荷役予定の合計の荷役予測消費電力が最小となる荷役予定ごとのフォークリフトおよび運転者の組み合わせを出力する。

上記課題を解決するために、本発明に係るプログラムは、
上記管理装置が、サーバコンピュータであって、
サーバコンピュータを、上記管理装置として機能させる、ことを特徴とする。

本発明に係る荷役システム、荷役割当方法およびプログラムは、バッテリ式有人フォークリフトの消費電力を考慮して、荷役作業を複数の有人フォークリフトに割り当てることができる。

本発明の一実施形態に係る荷役システムの全体図である。 施設を示す概略平面図である。 フォークリフトを示す側面図である。 管理装置のハードウェア構成を示す図である。 管理装置のブロック図である。 荷役動作出力部の動作を示す図である。 第１ニューラルネットワークの動作を示す図である。 荷役システムの動作を示すフロー図である。

以下、添付図面を参照して、本発明の荷役システム、荷役割当方法およびプログラムに係る一実施形態について説明する。

図１に示すように、荷役システムＳは、管理装置４と、複数（本実施形態では３人）の運転者Ｄ１、Ｄ２、Ｄ３と、複数（本実施形態では３つ）のバッテリ式有人フォークリフト（以下、単に、「フォークリフト」という）Ｃ１、Ｃ２、Ｃ３と、を備えている。以下において、フォークリフト全体における説明の場合、「フォークリフトＣ」といい、運転者全体における説明の場合、「運転者Ｄ」ということがある。管理装置４および複数のフォークリフトＣは、ネットワークを介して互いに通信可能に構成されている。本実施形態に係るフォークリフトＣは、同種のフォークリフトＣであるが単なる一例であって、本発明に係る複数のフォークリフトＣは、別種のフォークリフトによって構成されていてもよい。別種のバッテリ式有人フォークリフトとしては、例えば、車体の向きを変えずに、前・左右３方向への荷役が可能な３方向フォークリフトでもよい。フォークリフトＣおよび運転者Ｄは、荷役予定Ｐ１、Ｐ２、Ｐ３ごとにそれぞれ割り当てられる。

次に、図２を参照して、本実施形態に係る荷役施設Ｆについて説明する。図２に示すように、荷役施設Ｆは、３つのエリアＥ１、Ｅ２、Ｅ３を有し、３つのエリアＥ１、Ｅ２、Ｅ３は、荷役作業ｊｎに係る荷取位置および荷置位置をそれぞれ有している。３つのエリアＥ１、Ｅ２、Ｅ３は、それぞれ空調が独立しており異なる気温で構成されている。例えば、エリアＥ１が冷凍施設であったり、エリアＥ３が屋外であってもよい。３つのフォークリフトＣは、それぞれのエリアＥ１、Ｅ２、Ｅ３で別れて荷役作業ｊｎを行うよう構成されている。荷役施設Ｆの気温情報は、管理装置４に送信される。

次に、図面を参照しつつ、荷役システムＳが備える各構成要素について説明する。

＜フォークリフト＞
図３に示すように、フォークリフトＣは、前後の車輪１０と、車体１１と、車体１１に設けられた運転席１２と、バッテリ１３と、バッテリ残量検出部１４と、を有する。バッテリ残量検出部１４は、バッテリ１３の残量を検出する。検出されたバッテリ１３の残量は、管理装置４に送信される。なお、本実施形態におけるフォークリフトＣ１、Ｃ２、Ｃ３は、同じ１方向フォークリフトＣであるが、型式、年式、経年劣化により電力効率が同じではない。

フォークリフトＣは、さらに、上下に延びる左右一対のマスト１５と、マスト１５に連結され上下に昇降させられるリフトブラケット１６と、リフトブラケット１６に連結された左右一対のフォーク１７と、を備えている。フォークリフトＣは、フォーク１７によって荷Ｌをすくい上げ、リフトブラケット１６を介してフォーク１７を昇降させることにより荷Ｌを持ち上げたり降ろしたりする。

フォークリフトＣは、さらに、空調装置１８（図５参照）と、表示部１９（図５参照）とを備えている。空調装置１８は、冷房および暖房のいずれかまたはその両方の機能を有していてもよい。空調装置１８は、運転者Ｄによって温度設定がなされ、当該温度設定は、管理装置４に送信される。表示部１９は、管理装置４によって割り当てられた対応する荷役予定およびこの荷役予定に係る荷役作業を表示する。

＜管理装置＞
次に、図４を参照して、管理装置４のハードウェア構成について説明する。管理装置４は、サーバコンピュータであって、制御手段４ａと、メモリ４ｂと、記憶手段４ｃとを有する。記憶手段４ｃには、ＯＳ（operating system）４０と、荷役リスト４１と、サーバコンピュータを管理装置４として機能させるプログラム４２が記憶されている。

次に、図５を参照して、管理装置４の機能構成について説明する。図５に示すように、管理装置４は、記憶部４３と、荷役動作出力部４６と、消費電力算出部４７と、第１ニューラルネットワーク４８（以下、「第１ＮＮ４８」という）と、第２ニューラルネットワーク４９（以下、「第２ＮＮ４９」という）と、第３ニューラルネットワーク５０（以下、「第３ＮＮ５０」という）と、第４ニューラルネットワーク５１（以下、「第４ＮＮ５１」という）と、荷役割当部５２と、荷役通知部５３と、を有する。

記憶部４３は、施設Ｆ情報と、荷役リスト４１と、を記憶している。施設Ｆ情報には、棚Ｒおよび通路の座標ならびにエリアＥ１、Ｅ２、Ｅ３ごとの気温が含まれている。

荷役リスト４１には、図１に示すように、荷役予定Ｐ１、Ｐ２、Ｐ３が含まれている。以下において、荷役予定全体を示す場合、「荷役予定Ｐ」ということがある。荷役予定Ｐ１、Ｐ２、Ｐ３には、複数の荷役作業ｊｎの荷役作業情報がそれぞれ含まれている。始めに説明したように、フォークリフトＣおよび運転者Ｄは、荷役予定ごとに割り当てられる。本実施形態では、荷役予定Ｐ１、Ｐ２、Ｐ３は、エリアＥ１、Ｅ２、Ｅ３にそれぞれ割り当てられているが単なる一例であって、例えば、荷役予定Ｐは、同じエリア内において、荷取位置および荷置位置といった荷役位置が互いに近い荷役作業ｊｎごとに振り当てられていてもよい。荷役位置が互いに近ければ、前の荷役作業ｊｎから後の荷役作業ｊｎへの移動時間が短縮し、かつその消費電力も減少するので好ましい。

荷役作業情報には、各荷役作業ｊｎの荷取位置および荷置位置の座標ならびに荷Ｌの重量が含まれている。また、荷取位置および荷置位置の座標は、水平方向の座標と高さ方向の座標とが含まれている。

図６に示すように、荷役動作出力部４６は、フォークリフトＣの種類、施設Ｆ情報ならびに荷取位置および荷置位置の座標に基づいて、各荷役作業ｊｎにおける各フォークリフトＣの走行距離（荷役時走行距離）、荷取時フォーク揚高、荷置時フォーク揚高を出力する。なお、荷役動作出力部４６は、「過去の荷役作業ｊｎ」におけるフォークリフトＣの荷役動作だけでなく、まだ行われていない「先の荷役作業ｊｎ」におけるフォークリフトＣの荷役動作も出力する。なお、実際には、フォークリフトＣは、運転者Ｄによって操作されるので、この出力される荷役動作と、運転者Ｄが実際に行う荷役動作とは異なることがある。

「荷役時走行距離」とは、荷取位置から荷置位置までの走行距離のことである。荷役動作出力部４６は、施設Ｆ情報および荷取位置および荷置位置の座標からそのルートを取得し、次いで、そのルートの距離に基づいて荷役時の走行距離を出力する。

「荷取時および荷置時フォーク揚高」とは、荷取作業および荷置作業の際のフォーク１７の揚高のことである。荷役動作出力部４６は、荷取位置および荷置位置の高さ座標とフォークリフトＣの仕様とに基づいて荷取時および荷置時におけるフォークリフトＣのフォーク１７の揚高を出力する。

「車体方向転換回数」とは、荷取位置から荷置位置までに行われるフォークリフトＣの車体１１の方向転換のことである。荷役動作出力部４６は、フォークリフトＣの種類、施設Ｆ情報ならびに荷取位置および荷置位置の座標からフォークリフトＣが荷取位置から荷置位置まで何回方向転換が必要かを出力する。例えば、３方向フォークリフトＣの方向転換回数は、１方向フォークリフトＣの方向転換回数よりも少なく出力される。

消費電力算出部４７は、通信によってバッテリ残量検出部１４からフォークリフトＣのバッテリ１３の残量を受信する。消費電力算出部４７は、荷役作業ｊｎ開始時のバッテリ１３の残量と荷役作業ｊｎ完了時のバッテリ１３の残量とに基づいて、各荷役作業ｊｎにおけるフォークリフトＣの荷役消費電力を算出する。

図７に示すように、第１ＮＮ４８は、過去に行われた各荷役作業ｊｎにおける、フォークリフトＣの識別子、運転者Ｄの識別子、荷役動作および荷Ｌの重量を入力データとし荷役消費電力を出力データとする教師データによって、それらの相関を予めディープラーニングによる教師あり学習をさせられている。これにより、第１ＮＮ４８は、各フォークリフトＣの識別子、各運転者Ｄの識別子ならびに各荷役作業ｊｎに係る荷役動作および荷Ｌの重量を入力されると、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの荷役予測消費電力ＥＣを出力する。

第２ＮＮ４９は、過去に行われた各荷役作業ｊｎにおける、フォークリフトＣの識別子、運転者Ｄの識別子、荷役動作、荷Ｌの重量を入力データとし荷役作業時間を出力データとする教師データによってそれらの相関を予めディープラーニングによる教師あり学習をさせられている。これにより、第２ＮＮ４９は、各フォークリフトＣの識別子、各運転者Ｄの識別子ならびに各荷役作業ｊｎに係る荷役動作および荷Ｌの重量を入力されると、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの荷役予測作業時間ＣＴを出力する。なお、「荷役作業時間」は、荷役作業ｊｎ開始時および荷役作業ｊｎ完了時に消費電力算出部４７がバッテリ１３の残量を受信した時刻に基づいて設定されてもよい。

第３ＮＮ５０は、過去に行われた各荷役作業ｊｎにおける、荷役作業場所の気温、フォークリフトＣの識別子および運転者Ｄの識別子を入力データとし空調装置１８の設定温度を出力データとする教師データによって、それらの相関を予め学習させられている。これにより、第３ＮＮ５０は、各荷役作業場所の気温、各フォークリフトＣの識別子および各運転者Ｄの識別子を入力されると、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの予測設定温度ＰＴを出力する。

第４ＮＮ５１は、過去に行われた各荷役作業ｊｎにおける、荷役作業場所における気温、フォークリフトＣの識別子および設定温度を入力データとし空調装置１８の消費電力を出力データとする教師データによって、それらの相関を予め学習させられている。空調装置１８の消費電力は、設定温度だけでなく周囲温度によっても変動する。第４ＮＮ５１は、上記学習により、この変動の相関を予め学習している。これにより、第４ＮＮ５１は、各荷役作業場所における気温、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの予測設定温度ＰＴならびに各荷役予測作業時間ＣＴが入力されると、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの空調装置１８の予測消費電力ＡＣを出力する。すなわち、第４ＮＮ５１は、施設Ｆの気温と予測設定温度ＰＴから時間当たりの消費電力を予測するとともに、この予測した消費電力に荷役予測作業時間ＣＴを積算して、予測消費電力ＡＣを出力する。

荷役割当部５２は、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの空調装置１８の予測消費電力ＡＣと、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの荷役予測消費電力ＥＣとに基づいて、複数の荷役予定Ｐ１、Ｐ２、Ｐ３の合計の荷役予測消費電力ＡＥＣが最小となる荷役予定Ｐ１、Ｐ２、Ｐ３ごとのフォークリフトＣ１、Ｃ２、Ｃ３および運転者Ｄ１、Ｄ２、Ｄ３の組み合わせを出力する。これにより、荷役割当部５２は、各フォークリフトＣ１、Ｃ２、Ｃ３に、最適な運転者Ｄ１、Ｄ２、Ｄ３および荷役作業ｊｎをそれぞれ割り当てる。

荷役通知部５３は、荷役割当部５２によって出力された荷役予定ＰごとのフォークリフトＣおよび運転者Ｄの組み合わせに基づいて、各フォークリフトＣに対応する荷役予定Ｐを通知する。フォークリフトＣの表示部１９は、通知された荷役予定Ｐをそれぞれ表示する。なお、荷役通知部５３は、対応する荷役予定Ｐを運転者Ｄに直接通知してもよい。運転者Ｄは、通知された荷役予定Ｐに従ってフォークリフトＣを選択し荷役予定Ｐに従って荷役作業を行う。

次に、図８を参照して、本実施形態に係る荷役割当方法について説明する。
（１）まず、管理装置４は、荷役割当部５２によって、各フォークリフトＣの識別子と、各運転者Ｄの識別子と、各荷役予定Ｐ１、Ｐ２、Ｐ３に含まれる荷役作業ｊｎに係る荷役動作と、各荷役予定Ｐ１、Ｐ２、Ｐ３に含まれる荷役作業ｊｎに係る荷Ｌの重量と、を第１ＮＮ４８に入力して、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの荷役予測消費電力ＥＣを出力させる（図８のＳ１）。
（２）次いで、荷役割当部５２は、フォークリフトＣの識別子、運転者Ｄの識別子ならびに各荷役作業ｊｎに係る荷役動作および荷Ｌの重量と、を第２ＮＮ４９に入力して、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの荷役予測作業時間ＣＴを出力させる（図８のＳ２）。
（３）次いで、荷役割当部５２は、各荷役作業ｊｎに係る荷役作業場所の気温、フォークリフトＣの識別子および運転者Ｄの識別子を第３ＮＮ５０に入力して、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの空調装置１８の予測設定温度ＰＴを出力させる（図８のＳ３）。
（４）次いで、荷役割当部５２は、各荷役作業場所における気温、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの予測設定温度ＰＴならびに各荷役予測作業時間ＣＴを第４ＮＮ５１に入力して、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの空調装置１８の予測消費電力ＡＣを出力させる（図８のＳ４）。
（５）次いで、荷役割当部５２は、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの空調装置１８の予測消費電力ＡＣと、各フォークリフトＣ、各運転者Ｄおよび各荷役作業ｊｎの組み合わせごとの荷役予測消費電力ＥＣとに基づいて、複数の荷役予定Ｐ１、Ｐ２、Ｐ３の合計の荷役予測消費電力ＡＥＣが最小となる荷役予定ＰごとのフォークリフトＣおよび運転者Ｄの組み合わせを出力する（図８のＳ５）。
（６）次いで、管理装置４は、荷役通知部５３によって対応する荷役予定Ｐを各フォークリフトＣおよび運転者Ｄに通知する（図８のＳ６）。運転者Ｄは、通知された荷役予定Ｐに従って荷役作業を行う。

これにより、荷役システムＳは、バッテリ式有人フォークリフトＣの荷役に係る消費電力および空調装置１８の消費電力を考慮して、荷役作業ｊｎをフォークリフトＣに割り当てることができる。しかも、荷役システムＳは、運転者ＤごとにばらつきのあるフォークリフトＣの消費電力を考慮して運転者ＤをフォークリフトＣに割り当てているので、荷役情報のみに基づいて荷役作業ｊｎをフォークリフトＣに割り当てるよりもより省電力な荷役スケジュールを出力することができる。したがって、本実施形態に係る荷役システムＳは、フォークリフトＣがバッテリ１３を充電、交換するタイミングを少なくすることができる。

以上、本発明の一実施形態に係る荷役システムＳ、荷役割当方法およびプログラム４２について説明してきたが、本発明は、上記実施形態に限定されるものではない。本発明に係る荷役システム、荷役割当方法およびプログラムは、公知の技術と組み合わせて実施されてもよい。

Ｓ 荷役システム
Ｆ 施設
Ｒ 棚
Ｃ、Ｃ１、Ｃ２、Ｃ３ バッテリ式有人フォークリフト
Ｄ、Ｄ１、Ｄ２、Ｄ３ 運転者
Ｌ 荷
１０ 車輪
１１ 車体
１２ 運転席
１３ バッテリ
１４ バッテリ残量検出部
１５ マスト
１６ リフトブラケット
１７ フォーク
１８ 空調装置
１９ 表示部
４ 管理装置
４ａ 制御手段
４ｂ メモリ
４ｃ 記憶手段
４０ ＯＳ
４１ 荷役リスト
４２ プログラム
４３ 記憶部
４６ 荷役動作出力部
４７ 消費電力算出部
４８ 第１ニューラルネットワーク
４９ 第２ニューラルネットワーク
５０ 第３ニューラルネットワーク
５１ 第４ニューラルネットワーク
５２ 荷役割当部
５３ 荷役通知部

Claims (6)

1. バッテリ式の複数のフォークリフトと、複数の運転者と、管理装置と、を備えた荷役システムであって、
   前記管理装置は、
   過去の各荷役作業における、前記フォークリフトの識別子、前記運転者の識別子、荷役動作および荷の重量を入力データとし荷役消費電力を出力データとする教師データによってそれらの相関を予め学習させられ、各前記フォークリフトの識別子、各前記運転者の識別子ならびに各前記荷役作業に係る前記荷役動作および前記荷の重量を入力されると各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの荷役予測消費電力を出力する第１ニューラルネットワークと、
   複数の前記荷役予定を記憶する記憶部と、
   荷役割当部と、を備え、
   前記荷役予定は、複数の前記荷役作業を含み、
   前記荷役割当部は、
   各前記フォークリフトの識別子と、各前記運転者の識別子と、各前記荷役予定に含まれる前記荷役作業に係る前記荷役動作と、各前記荷役予定に含まれる前記荷役作業に係る前記荷の重量と、を前記第１ニューラルネットワークに入力して、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記荷役予測消費電力を出力させ、
   出力された前記荷役予測消費電力に基づいて、前記複数の荷役予定の合計の前記荷役予測消費電力が最小となる前記荷役予定ごとの前記フォークリフトおよび前記運転者の組み合わせを出力する
   ことを特徴とする荷役システム。
2. 前記複数の荷役予定は、前記荷役作業が行われる施設のエリアごとに前記荷役作業を割り当てられている
   ことを特徴とする請求項１に記載の荷役システム。
3. 前記フォークリフトは、空調装置を有し、
   前記管理装置は、
   過去の各前記荷役作業における、前記フォークリフトの識別子、前記運転者の識別子、前記荷役動作、前記荷の重量を入力データとし荷役作業時間を出力データとする教師データによってそれらの相関を予め学習させられ、前記フォークリフトの識別子、前記運転者の識別子ならびに各前記荷役作業に係る前記荷役動作および前記荷の重量を入力されると各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの荷役予測作業時間を出力する第２ニューラルネットワークと、
   過去の各前記荷役作業における、荷役作業場所の気温、前記フォークリフトの識別子および前記運転者の識別子を入力データとし、前記空調装置の設定温度を出力データとする教師データによってそれらの相関を予め学習させられ、各前記荷役作業に係る前記荷役作業場所の気温、各前記フォークリフトの識別子および各前記運転者の識別子を入力されると、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記空調装置の予測設定温度を出力する第３ニューラルネットワークと、
   過去の各前記荷役作業における、前記荷役作業場所における気温、前記フォークリフトの識別子および前記設定温度を入力データとし前記空調装置の消費電力を出力データとする教師データによってそれらの相関を予め学習させられ、各前記荷役作業場所における気温、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの予測設定温度ならびに各前記荷役予測作業時間が入力されると各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記空調装置の予測消費電力を出力する第４ニューラルネットワークと、をさらに備え、
   前記荷役割当部は、さらに、
   前記フォークリフトの識別子、前記運転者の識別子ならびに各前記荷役作業に係る前記荷役動作および前記荷の重量を前記第２ニューラルネットワークに入力して、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記荷役予測作業時間を出力させ、
   各前記荷役作業に係る前記荷役作業場所の気温、前記フォークリフトの識別子および前記運転者の識別子を前記第３ニューラルネットワークに入力して、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記空調装置の予測設定温度を出力させ、
   各前記荷役作業場所における気温、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記予測設定温度ならびに各前記荷役予測作業時間を前記第４ニューラルネットワークに入力して、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記空調装置の予測消費電力を出力させ、
   各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記空調装置の前記予測消費電力と、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記荷役予測消費電力とに基づいて、前記複数の荷役予定の合計の前記荷役予測消費電力が最小となる前記荷役予定ごとの前記フォークリフトおよび前記運転者の組み合わせを出力する
   ことを特徴とする請求項１または２に記載の荷役システム。
4. バッテリ式の複数のフォークリフトと、複数の運転者と、複数の荷役予定との適切な組み合わせを出力する荷役割当方法であって、
   過去の各荷役作業における、前記フォークリフトの識別子、前記運転者の識別子、荷役動作および荷の重量を入力データとし荷役消費電力を出力データとする教師データによってそれらの相関を予め学習させられ、各前記フォークリフトの識別子、各前記運転者の識別子ならびに各前記荷役作業に係る前記荷役動作および前記荷の重量を入力されると各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの荷役予測消費電力を出力する第１ニューラルネットワーク、を準備し、
   前記荷役予定は、複数の前記荷役作業を含んでおり、
   前記荷役割当方法は、
   各前記フォークリフトの識別子と、各前記運転者の識別子と、各前記荷役予定に含まれる前記荷役作業に係る前記荷役動作と、各前記荷役予定に含まれる前記荷役作業に係る前記荷の重量と、を前記第１ニューラルネットワークに入力して、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記荷役予測消費電力を出力させ、
   出力された前記荷役予測消費電力に基づいて、前記複数の荷役予定の合計の前記荷役予測消費電力が最小となる前記荷役予定ごとの前記フォークリフトおよび前記運転者の組み合わせを出力する
   ことを特徴とする荷役割当方法。
5. 前記フォークリフトは、空調装置を有しており、
   前記荷役割当方法は、
   過去の各前記荷役作業における、前記フォークリフトの識別子、前記運転者の識別子、前記荷役動作、前記荷の重量を入力データとし荷役作業時間を出力データとする教師データによってそれらの相関を予め学習させられ、前記フォークリフトの識別子、前記運転者の識別子ならびに各前記荷役作業に係る前記荷役動作および前記荷の重量を入力されると各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの荷役予測作業時間を出力する第２ニューラルネットワークと、
   過去の各前記荷役作業における、荷役作業場所の気温、前記フォークリフトの識別子および前記運転者の識別子を入力データとし、前記空調装置の設定温度を出力データとする教師データによってそれらの相関を予め学習させられ、各前記荷役作業に係る前記荷役作業場所の気温、各前記フォークリフトの識別子および各前記運転者の識別子を入力されると、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記空調装置の予測設定温度を出力する第３ニューラルネットワークと、
   過去の各前記荷役作業における、前記荷役作業場所における気温、前記フォークリフトの識別子および前記設定温度を入力データとし前記空調装置の消費電力を出力データとする教師データによってそれらの相関を予め学習させられ、各前記荷役作業場所における気温、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記予測設定温度ならびに各前記荷役予測作業時間が入力されると各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記空調装置の予測消費電力を出力する第４ニューラルネットワークと、をさらに準備し、
   前記複数の荷役予定は、前記荷役作業が行われる施設のエリアごとに前記荷役作業を割り当てられており、
   前記荷役割当方法は、さらに、
   前記フォークリフトの識別子、前記運転者の識別子ならびに各前記荷役作業に係る前記荷役動作および前記荷の重量を前記第２ニューラルネットワークに入力して、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記荷役予測作業時間を出力させ、
   各前記荷役作業に係る前記荷役作業場所の気温、前記フォークリフトの識別子および前記運転者の識別子を前記第３ニューラルネットワークに入力して、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記空調装置の前記予測設定温度を出力させ、
   各前記荷役作業場所における気温、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記予測設定温度ならびに各前記荷役予測作業時間を前記第４ニューラルネットワークに入力して、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記空調装置の予測消費電力を出力させ、
   各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記空調装置の予測消費電力と、各前記フォークリフト、各前記運転者および各前記荷役作業の組み合わせごとの前記荷役予測消費電力とに基づいて、前記複数の荷役予定の合計の前記荷役予測消費電力が最小となる前記荷役予定ごとの前記フォークリフトおよび前記運転者の組み合わせを出力する
   ことを特徴とする請求項４に記載の荷役割当方法。
6. 前記管理装置は、サーバコンピュータであって、
   前記サーバコンピュータを、請求項１～３のいずれか１項に記載の管理装置として機能させる
   ことを特徴とするプログラム。

Images