一种预测和优化多料箱机器人仓库系统效能的方法技术方案

本发明专利技术提供一种预测多料箱机器人仓库系统效能的方法，包括：建立对应于多料箱机器人仓库订单拣选与储存的半开放排队网络模型，该模型各个参数对应仓库系统的各类资源配置；对该半开放排队网络模型采用近似平均分析法进行近似聚合，聚合为仅具有两个服务节点且服务率受服务节点内机器人数量影响的近似半开放排队网络模型；以该近似半开放排队网络模型作为评估多料箱机器人仓库系统效能的数学模型，并采用矩阵几何法进行求解，得到其在当前资源配置下的稳态分布；基于该稳态分布预测系统在当前资源配置下的效能指标：多料箱机器人仓库的平均吞吐时间、机器人利用率、机器人在工作站处的排队时间和工作站处拣选员的忙碌率。站处的排队时间和工作站处拣选员的忙碌率。站处的排队时间和工作站处拣选员的忙碌率。

【技术实现步骤摘要】
一种预测和优化多料箱机器人仓库系统效能的方法


[0001]本专利技术涉及智能仓储
，尤其是机器人仓库的订单拣选和储存领域，具体涉及一种基于排队网络来预测并优化多料箱机器人仓库系统效能的方法。

技术介绍

[0002]传统人工仓库转换为机器人仓库是物流与供应链管理发展的趋势，多料箱机器人仓库系统正是其中的一种新颖且高效的机器人仓库系统。但是，一系列的因素制约着多料箱机器人仓库系统的发展与推动，尤其是在投资这类系统前，企业很难根据自己的订单需求，准确快速地评估所需要配备的多料箱机器人仓库系统规模。根据企业的实际订单需求，对多料箱机器人仓库系统的性能，如吞吐时间、机器人利用率等性能进行准确评估，可以节约企业的成本，更好地帮助企业合理配备资源去投资运营多料箱机器人仓库，更好地推动多料箱机器人仓库的发展。
[0003]目前，针对多料箱机器人仓库的订单拣选整体吞吐效能的分析方案主要有两种。一种是物流机器人公司根据在实际场景配备机器人、工作站和货架，实际运作大量时间来分析不同资源配置下的机器人仓库吞吐效能。另一种是计算机器人在仓库中的旅行时间来大致估算吞吐量。第一种方案实施成本极大，且耗时长。第二种方案过于简单，无法全面准确地预测机器人仓库系统在不同资源配置影响下的效能。
[0004]现在技术中缺乏一种对多料箱机器人系统性能进行准确全面且便捷的预测与优化方法。

技术实现思路

[0005]鉴于此，本专利技术提出一种使用排队网络对多料箱机器人仓库订单拣选与储存吞吐时间及其他效能指标预测的方法，以解决现有的预测方案所需成本高、耗时长且无法全面准确地预测不同资源配置影响下的效能的技术问题。
[0006]为了解决上述问题，本专利技术采用的技术方案如下：
[0007]一种预测多料箱机器人仓库系统效能的方法，包括如下步骤：S1、建立对应于多料箱机器人仓库订单拣选与储存的半开放排队网络模型，其中，所述半开放排队网络模型的各个参数对应多料箱机器人仓库系统的各类资源配置；S2、对于步骤S1所建立的半开放排队网络模型，采用近似平均分析法进行近似聚合，聚合为仅具有两个服务节点且服务率受服务节点内机器人数量影响的近似半开放排队网络模型；S3、以所述近似半开放排队网络模型作为评估多料箱机器人仓库系统效能的数学模型，并采用矩阵几何法进行求解，得到所述近似半开放排队网络模型在当前资源配置下的稳态分布；S4、基于所述稳态分布预测所述多料箱机器人仓库系统在当前资源配置下的效能指标；其中，所述效能指标包括多料箱机器人仓库的平均吞吐时间、机器人利用率、机器人在工作站处的排队时间和工作站处拣选员的忙碌率。
[0008]进一步地，还包括：S5、依据步骤S4获得的所述效能指标优化所述多料箱机器人仓
库系统的资源配置。
[0009]进一步地，步骤S1包括：将机器人从工作站出发至完成指定的拣选与储存任务定义为一趟行程；将仓库的订单拣选与储存需求对应于半开放排队网络模型的外部订单；将仓库中的机器人对应为半开放排队网络模型的共有机器人资源；将仓库中的机器人与工作站的拣选员在拣货和取货的所有环节转化为半开放排队网络模型的服务节点；半开放排队网络模型中的服务时间代表机器人的移动时间，以及机器人在工作站处的等候时间；在半开放排队网络模型外部，机器人与所述外部订单一一配对进入半开放排队网络模型中，依次访问所述服务节点，完成指定的拣选与储存任务后，机器人与订单分离，订单离开半开放排队网络模型；如有下一个外部订单到达，则机器人继续与下一个外部订单配对进入半开放排队网络模型执行任务；如无外部订单，则等待新的外部订单到达。
[0010]进一步地，步骤S1还包括：当外部订单批量到达时，若没有可用机器人，则批量的外部订单进入订单队列等待机器人；当无外部订单到达时，可用机器人在机器人队列中等待外部订单；当有外部订单到达且有可用机器人时，机器人与外部订单配对结合为所述半开放排队网络模型的访者，进入所述半开放排队网络模型，访问所述服务节点以完成指定的拣选与储存任务。
[0011]进一步地，所述服务节点包括：第一服务节点u
ws
，第二服务节点u
LL
，第三服务节点u
rw
以及第四服务节点u
w
；其中，所述第一服务节点u
ws
表征机器人从工作站出发到第一个储存货位的移动；所述第二服务节点u
LL
表征机器人在货架区拣选与储存订单的移动，其中所述第二服务节点u
LL
的数量由实际运作机器人在货架区运动的次数来决定；所述第三服务节点u
rw
表征机器人完成一趟行程后从最后一个取货点到工作站的移动；所述第四服务节点u
w
表示机器人将订单需要的料箱取回来送到工作站处后工作站的服务节点。
[0012]进一步地，步骤S2中，将仓库的机器人从不同位置移动到目标位置的时间的一阶矩作为服务时间，使用近似平均分析法聚合多个服务节点为两个服务节点，以获得所述近似半开放排队网络模型；其中，在近似平均分析法中使用每个服务节点服务时间的一阶矩与二阶矩进行所述近似聚合。
[0013]进一步地，步骤S2采用近似平均分析法进行近似聚合的过程包括：
[0014]初始时，使p
m
(0∣0)＝1,Q
m
(0)＝0,EL
m
(0)＝0，m＝1,2,
…
,M；
[0015]机器人执行任务阶段，枚举n从0到N，进行如下计算：
[0016]1)依次从m＝1,2,
…
,M，计算ET
m
(n)、TH(n)：
[0017][0018]其中，ES
rem,m
由下式得到：
[0019][0020][0021]2)依次从m＝1,2,
…
,M和l＝1,2,
…
,min(c
m
‑
1,n)，计算：
[0022][0023]3)依次从m＝1,2,
…
,M，计算Q
m
(n)；其中，若n<c
m
，则Q
m
(n)＝0，否则
[0024][0025]4)依次从m＝1,2,
…
,M，计算：
[0026][0027]5)依次从m＝1,2,
…
,M，计算EL
m
(n)；若n<c
m
，则EL
m
(n)＝0，否则
[0028][0029]其中，M代表所述半开放排队网络模型中被聚合的服务节点的数量；N代表所述被聚合的服务节点内的机器人数量；c
m
代表服务节点m中的服务员数量，对无限服务员的服务节点，c
m
就是无限的数；v
m
代表服务节点m处的客顾客问率；ES
rem,m
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测多料箱机器人仓库系统效能的方法，其特征在于，包括如下步骤：S1、建立对应于多料箱机器人仓库订单拣选与储存的半开放排队网络模型，其中，所述半开放排队网络模型的各个参数对应多料箱机器人仓库系统的各类资源配置；S2、对于步骤S1所建立的半开放排队网络模型，采用近似平均分析法进行近似聚合，聚合为仅具有两个服务节点且服务率受服务节点内机器人数量影响的近似半开放排队网络模型；S3、以所述近似半开放排队网络模型作为评估多料箱机器人仓库系统效能的数学模型，并采用矩阵几何法进行求解，得到所述近似半开放排队网络模型在当前资源配置下的稳态分布；S4、基于所述稳态分布预测所述多料箱机器人仓库系统在当前资源配置下的效能指标；其中，所述效能指标包括多料箱机器人仓库的平均吞吐时间、机器人利用率、机器人在工作站处的排队时间和工作站处拣选员的忙碌率。2.如权利要求1所述的预测多料箱机器人仓库系统效能的方法，其特征在于，还包括：S5、依据步骤S4获得的所述效能指标优化所述多料箱机器人仓库系统的资源配置。3.如权利要求1所述的预测多料箱机器人仓库系统效能的方法，其特征在于，步骤S1包括：将机器人从工作站出发至完成指定的拣选与储存任务定义为一趟行程；将仓库的订单拣选与储存需求对应于半开放排队网络模型的外部订单；将仓库中的机器人对应为半开放排队网络模型的共有机器人资源；将仓库中的机器人与工作站的拣选员在拣货和取货的所有环节转化为半开放排队网络模型的服务节点；半开放排队网络模型中的服务时间代表机器人的移动时间，以及机器人在工作站处的等候时间；在半开放排队网络模型外部，机器人与所述外部订单一一配对进入半开放排队网络模型中，依次访问所述服务节点，完成指定的拣选与储存任务后，机器人与订单分离，订单离开半开放排队网络模型；如有下一个外部订单到达，则机器人继续与下一个外部订单配对进入半开放排队网络模型执行任务；如无外部订单，则等待新的外部订单到达。4.如权利要求3所述的预测多料箱机器人仓库系统效能的方法，其特征在于，步骤S1还包括：当外部订单批量到达时，若没有可用机器人，则批量的外部订单进入订单队列等待机器人；当无外部订单到达时，可用机器人在机器人队列中等待外部订单；当有外部订单到达且有可用机器人时，机器人与外部订单配对结合为所述半开放排队网络模型的访者，进入所述半开放排队网络模型，访问所述服务节点以完成指定的拣选与储存任务。5.如权利要求3所述的预测多料箱机器人仓库系统效能的方法，其特征在于，所述服务节点包括：第一服务节点u
ws
，第二服务节点u
LL
，第三服务节点u
rw
以及第四服务节点u
w
；其中，所述第一服务节点u
ws
表征机器人从工作站出发到第一个储存货位的移动；所述第二服务节点u
LL
表征机器人在货架区拣选与储存订单的移动，其中所述第二服务节点u
LL
的数量由实际运作机器人在货架区运动的次数来决定；所述第三服务节点u
rw
表征机器人完成一趟行程后从最后一个取货点到工作站的移动；所述第四服务节点u
w
表示机器人将订单需要的料箱取回来送到工作站处后工作站的服务节点。6.如权利要求1所述的预测多料箱机器人仓库系统效能的方法，其特征在于，步骤S2
中，将仓库的机器人从不同位置移动到目标位置的时间的一阶矩作为服务时间，使用近似平均分析法聚合多个服务节点为两个服务节点，以获得所述近似半开放排队网络模型；其中，在近似平均分析法中使用每个服务节点服务时间的一阶矩与二阶矩进行所述近似聚合。7.如权利要求6所述的预测多料箱机器人仓库系统效能的方法，其特征在于，步骤S2采用近似平均分析法进行近似聚合的过程包括：初始时，使p
m
(0∣0)＝1,Q
m
(0)＝0,EL
m
(0)＝0，m＝1,2,
…
,M；机器人执行任务阶段，枚举n从0到N，进行如下计算：1)依次从m＝1,2,
…
,M，计算ET
m
(n)、TH(n)：其中，ES
rem,m
由下式得到：由下式得到：2)依次从m＝1,2,
…
,M和l＝1,2,
…
,min(c
m
‑
1,n)，计算：3)依次从m＝1,2,
…
,M，计算Q
m
(n)；其中，若n<c
m
，则Q
m
(n)＝0，否则4)依次从m＝1,2,
…
,M，计算：5)依次从m＝1,2,
…
,M，计算EL
m
(n)；若n<c
m
，则EL
m
(n)＝0，否则其中，M代表所述半开放排队网络模型中被聚合的服务节点的数量；N代表所述被聚合的服务节点内的机器人数量；c
m
代表服务节点m中的服务员数量，对无限服务员的服务节点，c
m
就是无限的数；v
m
代表服务节点m处的客顾客问率；ES
rem,m
代表到顾客第一次离开服务节点m的预计剩余时长；ES
m
代表服务节点m服务时间的一阶矩；代表服务节点m服务时间的二阶矩；p
m
(l∣n)代表当所述半开放排队网络模型包含n个顾客时，服务节点m中有l个顾客的概率，初始时l、n均为0，对应的p
m
(l∣n)为p
m
(0∣0)＝1；p
m
((l
‑
1)(n
‑
1))代表当所述半开放排队网络模型包含n
‑
1个顾客时，服务节点m中有l
‑
1个顾客的概率；p
m
((c
m
‑
1)(n
‑
1))代表当所述半开放排队网络模型包含n
‑
1个顾客时，服务节点m中有
...

【专利技术属性】
技术研发人员：杨朋，秦至臻，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：