基于数字孪生的仓库管理方法技术

本发明专利技术是一种基于数字孪生的仓库管理方法，属智能仓储技术领域。该方法在模型构建和数据映射的基础上，结合任务数据和仓库基础源数据，通过相关预测算法，实现各项任务的时间预测，为任务调度、规划提供数据基础，辅助管理人员决策。本发明专利技术方法基于仓库场所环境，建立一个自动化仓库空间的仿真虚拟模型，考虑自动输送平台位置、货物位置、入货口、出货口、入货道路和出货道路等信息；模型具有良好的可重构性，可根据具体需要灵活设定。同时，对道路进行规划、定义，通过智能调度与规划仿真，避免车辆碰撞和路径冲突，实现路线优化，提升作业效率。提升作业效率。提升作业效率。

【技术实现步骤摘要】
基于数字孪生的仓库管理方法


[0001]本申请涉及仓库管控
，特别涉及一种基于数字孪生的仓库管理方法。

技术介绍

[0002]如今的仓库作业和仓库管理已十分复杂，仅靠手动录入和操作，不但费时费力，而且容易出错；同时，存在仓库货物信息难以实时把控、仓储设备在运行过程中的状态难以实时监控、仓库管理效率低下等问题。本专利技术以数字孪生技术为基础，构建智能化仓库管理系统、方法，通过可视化管控、运输时间预测、智能调度与路径规划等技术，提升仓库运行效率和综合管理水平。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对现有技术的不足，提供了一种新的基于数字孪生的仓库管理方法，该方法通过智能调度与规划仿真，可以避免车辆碰撞和路径冲突，实现路线优化，提升作业效率。
[0004]本专利技术所要解决的技术问题是通过以下的技术方案来实现的。本专利技术是一种基于数字孪生的仓库管理方法，其特点是：
[0005]对仓库物理实体进行数字孪生体的构建：构建对象主要为自动输送平台、货架、货物和其它仓库物理实体设备；通过对各种构建对象的三维建模，结合大屏显示来完成数字孪生仓库的孪生展示；
[0006]建立从物理仓库到虚拟仓库的映射：主要包括物理实体、虚拟实体、服务、孪生数据、各组成部分间的映射连接；采用数据驱动的方法能利用系统的历史和实时运行数据，对物理模型进行更新、修正，展示仓库实时运行状态；
[0007]在模型构建和数据映射的基础上，结合任务数据和仓库基础源数据，通过相关预测算法，实现各项任务的时间预测，为任务调度、规划提供数据基础，辅助管理人员决策；
[0008]基于仓库场所环境，建立一个自动化仓库空间的仿真虚拟模型，考虑自动输送平台位置、货物位置、入货口、出货口、入货道路和出货道路信息；同时，对道路进行规划、定义，通过智能调度与规划仿真，避免车辆碰撞和路径冲突。
[0009]本专利技术所述的一种基于数字孪生的仓库管理方法，其进一下优选的技术方案是：对货物出库需求时间进行预测，需求预测在整个仓库管理系统中处在最底层并且起到一个支撑的作用，支持上层的多个决策优化系统，而这些决策优化系统利用精准的预测数据结合运筹学技术得出最优的决策，并将结果提供给更上层的业务执行系统。
[0010]本专利技术所述的一种基于数字孪生的仓库管理方法，其进一下优选的技术方案是：对货物出库需求时间进行预测的方法是：从外部数据源获取所需的业务数据，然后对基础数据进行加工清洗，再通过时间序列或机器学习或其它人工智能技术对数据进行处理分析，最后计算出预测结果并通过多种途径推送给下游模块使用；
[0011]货物出库需求预测模块整体架构从上至下依次是：数据源输入层、基础数据加工
层、核心业务层、数据输出层和下游执行模块；
[0012](1)数据源输入层：仓库管理的数据源包括需要的大部分业务数据，包括货物信息、仓储信息、历史出库信息；对于货物准运计划数据大部分来自操作人员通过贮运系统录入；
[0013](2)核心业务层：该层是核心部分，主要包含特征构建、预测算法和预测结果加工；同时还可以包含多条不发生交集的业务线；
[0014]其中特征构建是将之前清洗过的基础数据通过近一步的处理转化成标准格式的特征数据，提供给后续算法模型使用；核心算法主要利用时间序列分析、机器学习或其它人工智能技术进行货物出库需求的预测；预测结果加工是在格式和一些特殊性要求上不能满足下游模块，因此还需要根据实际情况对其进行加工处理，比如增加标准差、货物出库标识的额外信息；
[0015]货物出库需求预测核心技术实现主要分为基础层、框架层、工具层和算法层；其中基础层使用HDFS用来做数据存储，Yarn用来做资源调度，并开发相关的任务调度模块；框架层以Spark RDD、Spark SQL、Hive为主；工具层直接使用比较成熟、稳定的算法和模型，这些算法都封装在第三方Python包中，第三方Python包选自xgboost、numpy、pandas、sklearn、scipy或者hyperopt；算法层主要分为包括时间序列、机器学习算法；
[0016]利用RNN内部的记忆来处理任意时序的输入序列；在货物准运的时间序列任务预测上主要包括ARIMA和Holt winters；其中，ARIMA是自回归积分滑动平均模型，主要用于预测类似仓库货物出库单量这种平稳的序列；Holt winters又称三次指数平滑算法，用于预测具有季节性和趋势明显的出库货物。
[0017]本专利技术所述的一种基于数字孪生的仓库管理方法，其进一下优选的技术方案是：算法层为迭代的决策树算法，GBDT，该算法由多棵决策树组成，所有树的决策结果累加起来做最终决策，使用它来预测高出库但历史规律不明显的货物。
[0018]本专利技术所述的一种基于数字孪生的仓库管理方法，其进一下优选的技术方案是：以机器学习算法为主的货物出库需求预测的一般流程如下：
[0019](1)特征构建：通过数据分析、模型试验确定主要特征，通过一系列任务生成标准格式的特征数据；
[0020](2)模型选择：不同的货物有不同的特性，所以首先会根据货物的历史出库需求量高低、特殊训练日敏感性等因素分配不同的算法模型；
[0021](3)特征选择：对一批特征进行筛选过滤不需要的特征，不同类型的货物特征不同；
[0022](4)样本分区：对训练数据进行分组，分成多组样本，训练时针对每组样本生成一个模型文件；一般是同类型货物被分成一组；
[0023](5)模型参数：选择最优的模型参数，合适的参数将提高模型的准确度，因为需要对不同的参数组合分别进行模型训练和预测；
[0024](6)模型训练：待特征、模型、样本都确定好后进行模型训练，训练后会生成模型文件，存储在HDFS中；
[0025](7)模型预测：读取模型文件进行预测执行；
[0026](8)多模型择优：为了提高预测准确度，使用多个算法模型，当每个模型的预测结
果输出后，选择一个最优的预测结果；
[0027](9)预测值异常拦截：越是复杂且不易解释的算法越容易出现极个别预测值异常偏高的情况，这种预测偏高无法结合历史货物出库需求数据进行解释，因此，可以通过一些规则将这些异常值拦截下来，并且用一个更加保守的数值代替；
[0028](10)模型评价：计算预测准确度；
[0029](11)误差分析：通过分析预测准确度得出一个误差在不同维度上的分布，以便给算法优化提供参考依据。
[0030]本专利技术所述的一种基于数字孪生的仓库管理方法，其进一下优选的技术方案是：该方法对多个货物同时出入库进行智能调度与自动输送平台的路径规划设计，
[0031]首先建立一个自动化仓库空间的仿真虚拟模型；主要考虑车辆货物停放位置即空闲或货架占用、入货口、出货口、入货道路和出货道路；仓库模型具有良好的可重构性，仓库空间的长度宽度、货架和车辆的数量和密度、入货口出货口的数量、位置、运输订本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的仓库管理方法，其特征在于：对仓库物理实体进行数字孪生体的构建：构建对象主要为自动输送平台、货架、货物和其它仓库物理实体设备；通过对各种构建对象的三维建模，结合大屏显示来完成数字孪生仓库的孪生展示；建立从物理仓库到虚拟仓库的映射：主要包括物理实体、虚拟实体、服务、孪生数据、各组成部分间的映射连接；采用数据驱动的方法能利用系统的历史和实时运行数据，对物理模型进行更新、修正，展示仓库实时运行状态；在模型构建和数据映射的基础上，结合任务数据和仓库基础源数据，通过相关预测算法，实现各项任务的时间预测，为任务调度、规划提供数据基础，辅助管理人员决策；基于仓库场所环境，建立一个自动化仓库空间的仿真虚拟模型，考虑自动输送平台位置、货物位置、入货口、出货口、入货道路和出货道路信息；同时，对道路进行规划、定义，通过智能调度与规划仿真，避免车辆碰撞和路径冲突。2.根据权利要求1所述的一种基于数字孪生的仓库管理方法，其特征在于：对货物出库需求时间进行预测，需求预测在整个仓库管理系统中处在最底层并且起到一个支撑的作用，支持上层的多个决策优化系统，而这些决策优化系统利用精准的预测数据结合运筹学技术得出最优的决策，并将结果提供给更上层的业务执行系统。3.根据权利要求2所述的一种基于数字孪生的仓库管理方法，其特征在于：对货物出库需求时间进行预测的方法是：从外部数据源获取所需的业务数据，然后对基础数据进行加工清洗，再通过时间序列或机器学习或其它人工智能技术对数据进行处理分析，最后计算出预测结果并通过多种途径推送给下游模块使用；货物出库需求预测模块整体架构从上至下依次是：数据源输入层、基础数据加工层、核心业务层、数据输出层和下游执行模块；(1)数据源输入层：仓库管理的数据源包括需要的大部分业务数据，包括货物信息、仓储信息、历史出库信息；对于货物准运计划数据大部分来自操作人员通过贮运系统录入；(2)核心业务层：该层是核心部分，主要包含特征构建、预测算法和预测结果加工；同时还可以包含多条不发生交集的业务线；其中特征构建是将之前清洗过的基础数据通过近一步的处理转化成标准格式的特征数据，提供给后续算法模型使用；核心算法主要利用时间序列分析、机器学习或其它人工智能技术进行货物出库需求的预测；预测结果加工是在格式和一些特殊性要求上不能满足下游模块，因此还需要根据实际情况对其进行加工处理，比如增加标准差、货物出库标识的额外信息；货物出库需求预测核心技术实现主要分为基础层、框架层、工具层和算法层；其中基础层使用HDFS用来做数据存储，Yarn用来做资源调度，并开发相关的任务调度模块；框架层以Spark RDD、Spark SQL、Hive为主；工具层直接使用比较成熟、稳定的算法和模型，这些算法都封装在第三方Python包中，第三方Python包选自xgboost、numpy、pandas、sklearn、scipy或者hyperopt；算法层主要分为包括时间序列、机器学习算法；利用RNN内部的记忆来处理任意时序的输入序列；在货物准运的时间序列任务预测上主要包括ARIMA和Holt winters；其中，ARIMA是自回归积分滑动平均模型，主要用于预测类似仓库货物出库单量这种平稳的序列；Holt winters又称三次指数平滑算法，用于预测具
有季节性和趋势明显的出库货物。4.根据权利要求3所述的一种基于数字孪生的仓库管理方法，其特征在于：算法层为迭代的决策树算法，GBDT，该算法由多棵决策树组成，所有树的决策结果累加起来做最终决策，使用它来预测高出库但历史规律不明显的货物。5.根据权利要求3所述的一种基于数字孪生的仓库管理方法，其特征在于：以机器学习算法为主的货物出库需求预测的一般流程如下：(1)特征构建：通过数据分析、模型试验确定主要特征，通过一系列任务生成标准格式的特征数据；(2)模型选择：不同的货物有不同的特性，所以首先会根据货物的历史出库需求量高低、特殊训练日敏感性等因素分配不同的算法模型；(3)特征选择：对一批特征进行筛选过滤不需要的特征，不同类型的货物特征不同；(4)样本分区：对训练数据进行分组，分成多组样本，训练时针对每组样本生成一个模型文件；一般是同类型货物被分成一组；(5)模型参数：选择最优的模型参数，合适的参数将提高模型的准确度，因为需要对不同的参数组合分别进行模型训练和预测；(6)模型训练：待特征、模型、样本都确定...

【专利技术属性】
技术研发人员：李徽，葛爱学，范宏深，丁维齐，胡作伟，马仁军，卓杰，姚添元，武茂浦，王栋耀，
申请(专利权)人：中国人民解放军九六九零一部队二三分队，
类型：发明
国别省市：