基于大數(shù)據(jù)的子母穿梭車式密集存儲系統(tǒng)的優(yōu)化調(diào)度研究

楊 瑋， 張子涵， 袁永斌， 楊思瑤， 岳 婷

(陜西科技大學(xué) 機(jī)電工程學(xué)院， 陜西 西安 710021)

0 引言

子母穿梭車式密集存儲系統(tǒng)(Shuttle-Carrier Warehousing System,SCWS)是近些年新興的快速存取系統(tǒng)[1].其貨物調(diào)度主要通過垂直巷道口的升降機(jī)、橫向巷道中的穿梭母車以及縱向巷道中的穿梭子車協(xié)作運(yùn)輸來執(zhí)行存取任務(wù).由于系統(tǒng)中存在升降機(jī)與母車、子車協(xié)調(diào)配合作業(yè)，因此倉儲系統(tǒng)調(diào)度難度大，采用合理的調(diào)度策略，執(zhí)行合理的調(diào)度作業(yè)路徑是進(jìn)一步提高系統(tǒng)效率的關(guān)鍵.同時，針對倉庫中大量原始數(shù)據(jù)的挖掘，為倉儲優(yōu)化提供信息參考以及對未來數(shù)據(jù)變化進(jìn)行預(yù)測是十分必要的[2].

在現(xiàn)有文獻(xiàn)中，王天文[3]以京東天狼系統(tǒng)為例，指出了大數(shù)據(jù)在京東倉儲中的應(yīng)用，即通過對歷史訂單的挖掘進(jìn)行商品智能布局、倉庫動態(tài)分區(qū)、規(guī)劃機(jī)器人搬運(yùn)路線.李亞芳[4]和余崇貴[5]通過簡單機(jī)器學(xué)習(xí)算法挖掘歷史訂單，進(jìn)行貨位分配.李東[6]利用數(shù)據(jù)挖掘技術(shù)對倉庫內(nèi)的時間序列樣本進(jìn)行降噪處理,識別出倉庫溫度樣本中的異常點數(shù)據(jù).可以看出，目前大數(shù)據(jù)技術(shù)在倉儲中的應(yīng)用主要集中在數(shù)據(jù)挖掘方面，通過挖掘出的信息做倉儲分區(qū)，貨位分配等.而對于數(shù)據(jù)預(yù)處理，利用現(xiàn)有數(shù)據(jù)對未來數(shù)據(jù)變化進(jìn)行預(yù)測方面，存在明顯不足.

關(guān)于貨位分配和作業(yè)調(diào)度，Meneghetti A等[7]考慮了起重機(jī)每單位移動時產(chǎn)生的能源消耗，設(shè)計了貨架分層方案.魏林[8]在平衡堆垛機(jī)作業(yè)均衡的情況下，使用ABC分類法優(yōu)化貨位分區(qū).王波等[9]以作業(yè)時間最短為目標(biāo)，采用帶有精英策略的遺傳算法，實現(xiàn)算法設(shè)計的多樣性.Ghomri L等[10]針對流動式貨架的隨機(jī)存儲策略，建立了平均行程時間模型，通過仿真驗證了模型的正確性.劉愷文等[11]針對帶有截止時間約束的自動化立體倉庫在隨機(jī)存儲策略下，以調(diào)度中堆垛機(jī)能量消耗最少為目標(biāo).黃燕紅[12]按照概率中權(quán)重的思想，建立出入庫訂單調(diào)度模型.可以看出，現(xiàn)有研究中主要是對貨位分配和作業(yè)調(diào)度的單獨(dú)優(yōu)化，對二者集成優(yōu)化的研究甚少.現(xiàn)有的文獻(xiàn)在貨位分配時對均衡設(shè)備負(fù)載，保持貨架穩(wěn)定性方面均作了較好優(yōu)化，但上述研究與客戶訂單內(nèi)容的聯(lián)系度不高，難以充分發(fā)揮密集倉儲系統(tǒng)的優(yōu)點.在系統(tǒng)調(diào)度時沒有結(jié)合升降機(jī)和穿梭車的實際作業(yè)情況，調(diào)度多為隨機(jī)調(diào)度.針對以上問題，孔民警[13]進(jìn)行了優(yōu)化，在建立模型時考慮了子母穿梭車作業(yè)的實際情況.但他僅考慮了母車單層作業(yè)的情況，同時，假設(shè)了堆垛機(jī)和穿梭車均為勻速運(yùn)動.

為了提高子母穿梭車式密集存儲系統(tǒng)的進(jìn)出庫調(diào)度效率，本文利用大數(shù)據(jù)技術(shù)對數(shù)據(jù)進(jìn)行預(yù)處理和預(yù)測.著重考慮客戶信息對貨品出入庫效率的影響，在均衡穿梭車負(fù)荷的同時，使得出入庫頻率較高的貨物能夠更加快速的執(zhí)行存取作業(yè)，以提高系統(tǒng)進(jìn)出庫效率.同時，由于系統(tǒng)存取作業(yè)行程時間與升降機(jī)和子母穿梭車是否達(dá)到最大速度密切相關(guān)，而現(xiàn)有研究中假設(shè)升降機(jī)和穿梭車均為勻速運(yùn)動，與實際偏差較大(最大偏差為18%～23%).本文充分考慮了穿梭車和升降機(jī)的加(減)速度特性，根據(jù)子母穿梭車的實際運(yùn)動規(guī)律，建立偏差小、性能良好的進(jìn)出庫作業(yè)調(diào)度模型，并設(shè)計相應(yīng)算法求解.通過開發(fā)智能倉儲系統(tǒng)，實現(xiàn)大數(shù)據(jù)智能分析，貨位分配與作業(yè)實時調(diào)度，實現(xiàn)科學(xué)的倉儲管理.

1 基于大數(shù)據(jù)技術(shù)的倉儲數(shù)據(jù)處理

數(shù)據(jù)的處理主要是對數(shù)據(jù)進(jìn)行清洗、抽取、合并、計算分組等操作.本文采用Pandas數(shù)據(jù)分析庫，長短期記憶人工神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行分析和預(yù)測.以某10所商店2017年全年商品日銷售情況為例進(jìn)行說明.

1.1 數(shù)據(jù)導(dǎo)入及清洗

讀取csv文件中的銷售數(shù)據(jù)，使用info函數(shù)實現(xiàn)對讀取數(shù)據(jù)的初步統(tǒng)計，結(jié)果如圖1所示，共獲取到913 000條數(shù)據(jù).

圖1 讀取結(jié)果

匯總10所商店2017年日銷售額情況，繪制得到其2017年日銷售量變化圖，如圖2所示.

圖2 2017年日銷售量變化圖

1.2 數(shù)據(jù)預(yù)測

采用Keras框架搭建長短期記憶循環(huán)網(wǎng)絡(luò).由圖2可知，2017年日銷售量呈現(xiàn)季節(jié)性變化，在6-7月時其銷售量達(dá)到頂峰.因此令輸入節(jié)點數(shù)為1，即以天為單位進(jìn)行模型訓(xùn)練，最大化消除季節(jié)性的影響.同理，輸出層節(jié)點數(shù)也為1.

在神經(jīng)網(wǎng)絡(luò)中，確定合適的隱含層節(jié)點數(shù)才能保證網(wǎng)絡(luò)良好的運(yùn)行性能.本文首先用公式(1)估算隱含層節(jié)點數(shù)的初始值(n為輸入層節(jié)點數(shù)，m為輸出層節(jié)點數(shù)，a為1～10之間的整數(shù))，運(yùn)用試湊法確定最優(yōu)隱含層節(jié)點數(shù)，最終確定的隱含層節(jié)點數(shù)為5.

(1)

將銷售數(shù)據(jù)輸入到LSTM網(wǎng)絡(luò)中，經(jīng)過訓(xùn)練得到圖3所示的損失值的訓(xùn)練變化圖.從圖3可以看出，損失值即模型的輸出值與真實值之間的相對差值百分比趨向于0.02，并逐漸趨于穩(wěn)定，誤差在可接受的范圍之內(nèi)，故模型得到了較好的訓(xùn)練效果.

圖3 訓(xùn)練損失值變化情況

用2017年后37%的銷售數(shù)據(jù)對訓(xùn)練好的模型進(jìn)行測試.其測試結(jié)果與真實銷售數(shù)據(jù)結(jié)果的比較如圖4所示.由圖4可以看出，訓(xùn)練效果較符合真實的銷售數(shù)據(jù).中間時期的模型輸出值較實際銷售值差別較大，這是因為由于受季節(jié)因素的影響，某個時間段內(nèi)銷售量會有一定波動.

圖4 訓(xùn)練與測試結(jié)果

2 儲位分配與作業(yè)調(diào)度集成優(yōu)化

2.1 儲位分配

2.1.1 存儲策略分析

由于SCWS適合存儲大批量少品種的貨物，且不同層的子母穿梭車可并行獨(dú)立作業(yè).因此，相較于其他三種常見存儲方式，分類存儲策略更為適用[14].但傳統(tǒng)分類存儲策略對于客戶訂單信息關(guān)注不多，一般只根據(jù)單一要素進(jìn)行分類(如商品出入庫頻率)[15]，易導(dǎo)致低層子母穿梭車的工作負(fù)荷大，而高層子母穿梭車長時間處于閑置狀態(tài).因此，本文考慮客戶訂單信息，以EIQ分析法為基礎(chǔ).又由于系統(tǒng)主要存放的為輕型貨物，且重量分布均勻，因此只需根據(jù)周轉(zhuǎn)率對貨架進(jìn)行分區(qū)，如圖5所示.貨位的出入庫效率通過計算每個貨位中貨物的平均出入庫時間得出，出入庫效率越高的貨位，貨物出入庫時間越短.又貨架中每列貨物均相同，故只需計算每個貨列口貨位出入庫的平均時間.

圖5 以周轉(zhuǎn)率因素為主的貨架分區(qū)

2.1.2 貨列口貨位作業(yè)效率模型

設(shè)入庫貨位的坐標(biāo)為(xi,yi)，出庫貨位的坐標(biāo)為(xj,yj)升降機(jī)的起始位置與任務(wù)結(jié)束位置均位于I/O站臺，子母穿梭車的起始位置與結(jié)束位置位于層I/O點，令升降機(jī)完成作業(yè)的時間為Ty，子母穿梭車完成作業(yè)的時間為Tx.由于設(shè)備作業(yè)時間上的重疊，因此貨物進(jìn)行一次出庫或入庫操作時，其出庫或入庫時間為升降機(jī)和子母穿梭車完成作業(yè)時兩者時間的最大值，即max(Ty,Tx).

(1)入庫作業(yè)時間模型

(2)

(3)

(4)

(5)

(2)出庫作業(yè)時間模型

出庫作業(yè)總行程時間如下：

(6)

2.2 作業(yè)調(diào)度

當(dāng)系統(tǒng)完成儲位分配的基礎(chǔ)工作后，則可開始進(jìn)行倉內(nèi)的調(diào)度作業(yè)，使升降機(jī)和子母穿梭車配合完成訂單任務(wù)的總作業(yè)行程時間最短.子母穿梭車式密集存儲系統(tǒng)的作業(yè)方式主要分為單一作業(yè)和復(fù)合作業(yè)兩種，本文以復(fù)合作業(yè)為例進(jìn)行說明.

2.2.1 復(fù)合作業(yè)方式

當(dāng)倉儲系統(tǒng)接收到N項任務(wù)的批訂單時，其中N1項是入庫作業(yè)、N2項為出庫作業(yè).為整體提高作業(yè)效率，系統(tǒng)將為入庫作業(yè)匹配出庫作業(yè)，即在一次作業(yè)中，倉儲系統(tǒng)先執(zhí)行一個貨物的入庫作業(yè)，再執(zhí)行另一貨物的出庫作業(yè)，如此循環(huán)直到訂單中的任務(wù)全部完成.

為使得所有訂單任務(wù)均以任務(wù)對形式進(jìn)行作業(yè)，因此當(dāng)出現(xiàn)出入庫作業(yè)數(shù)不對等時，則補(bǔ)充|N1-N2|個虛擬出(入)庫點，其貨位坐標(biāo)為(0,0,0)，等效于對未進(jìn)行配對的出(入)庫任務(wù)執(zhí)行單一作業(yè)方式.

在復(fù)合作業(yè)方式中，入庫任務(wù)的順序按照先到先服務(wù)原則依次作業(yè)，即入庫順序已知，但與之配對的出庫任務(wù)順序未知.對系統(tǒng)復(fù)合作業(yè)的出入庫任務(wù)進(jìn)行合理的排序配對，將會大幅度的縮短復(fù)合作業(yè)總時間.因此，優(yōu)化子母穿梭車式密集存儲系統(tǒng)中復(fù)合作業(yè)的調(diào)度路徑，選擇總時間最少的調(diào)度路徑進(jìn)行出入庫配對，將能夠很大程度地提高倉儲系統(tǒng)的作業(yè)效率，復(fù)合作業(yè)方式如圖6所示.

圖6 復(fù)合作業(yè)

2.2.2 建立系統(tǒng)作業(yè)行程時間模型

(1)出入庫貨物處于同一層

首先由升降機(jī)在I/O點將待入庫貨物載入并運(yùn)送至yi層I/O點，然后通過該層子母穿梭車的接駁將貨物運(yùn)送至入庫貨列口，母車釋放子車，由子車將貨物存放至最終的入庫貨位(xi,yi,zi)點，完成入庫作業(yè).接著，子車返回并搭載貨列口的母車，通過橫向軌道，母車行駛至出庫貨列口并釋放子車，子車行駛至出庫貨位(xj,yj,zj)點進(jìn)行取貨，完成后返回貨列口并搭載母車，最后通過子母穿梭車與升降機(jī)的交互，將待出庫貨物轉(zhuǎn)移至升降機(jī)輸送到I/O站臺，如圖7所示.

圖7 yi=yj情況下的作業(yè)示意圖

其作業(yè)行程時間為：

(7)

(8)

(9)

(2)出入庫貨物不處于同一層

圖8 yi≠yj情況下的出入庫作業(yè)示意圖

(10)

(11)

(12)

(13)

(14)

若訂單任務(wù)中共有n個出入庫作業(yè)對，第k(k=1,2,…,n)個作業(yè)對的作業(yè)行程時間為Tuk，則系統(tǒng)執(zhí)行此訂單任務(wù)的復(fù)合作業(yè)總時間TF為：

(15)

(16)

2.2.3 算法描述

本文結(jié)合粒子群算法(Particle Swarm optimization，PSO)、蟻群算法與遺傳算法各自的優(yōu)點，設(shè)計混合粒子群算法Hybrid Particle Swarm Optimization，HPSO)對SCWS的調(diào)度路徑優(yōu)化問題進(jìn)行求解，算法流程圖如圖9所示.HPSO相較于PSO增加了初始化蟻群參數(shù)，將“粒子”特性賦予螞蟻，以蟻群算法得到的最優(yōu)路徑作為粒子適應(yīng)度值，并融入遺傳算法中的交叉變異操作，解決了PSO容易陷入局部最優(yōu)的問題.

圖9 算法流程圖

3 實驗仿真分析

本文以某醫(yī)藥物流配送中心為例，由于業(yè)務(wù)擴(kuò)張和對倉庫作業(yè)效率的更高要求，需新建SCWS對藥品進(jìn)行出入庫作業(yè).

首先對其一個月內(nèi)的所有貨品訂單數(shù)據(jù)(共計629種貨品)進(jìn)行EIQ分析，得到的EIQ分析結(jié)果如表1(部分)所示.采用模糊 C-均值聚類(Fuzzy C-means，F(xiàn)CM)算法將貨品分為A、B、C三類.圖10、11分別表示聚類和各類別比例的結(jié)果.629種貨品被劃分成三類，其中A類113種，B類321種，C類195種.

確定了貨物的分類以及各類貨物所需貨位數(shù)后，結(jié)合貨位的出入庫效率，得到儲位分區(qū)方案，如圖12所示.

圖10 聚類結(jié)果

圖11 ABC比例結(jié)果

圖12 儲位分區(qū)結(jié)果

表1 訂單數(shù)據(jù)EIQ分析表

分別對小批量作業(yè)(25任務(wù)對)和大批量作業(yè)(50任務(wù)對)，在復(fù)合作業(yè)模式下，進(jìn)行數(shù)值實驗仿真.分別采用PSO以及HPSO算法求解，得到作業(yè)順序及總作業(yè)行程時間.算法收斂圖如圖13、14所示.從收斂曲線可以看出，在不同作業(yè)規(guī)模下，PSO算法雖然收斂的較為迅速，但很快便陷入局部最優(yōu)中；HPSO算法收斂較快，且在初期求解效率較高，能夠不斷搜尋新解，同時，在交叉變異策略下，算法不斷進(jìn)行全局尋優(yōu)，求解精度較高.

將PSO與HPSO算法分別運(yùn)行100次，計算其作業(yè)行程時間各項指標(biāo)，統(tǒng)計在表2中.可以看出，在不同作業(yè)規(guī)模下，雖然HPSO比PSO的計算時間更長，但算法魯棒性和優(yōu)化效率較PSO有著明顯的優(yōu)勢，同時，算法優(yōu)化效率隨著作業(yè)規(guī)模的增多而得到提高.

圖13 25對任務(wù)對復(fù)合作業(yè)收斂效果圖

圖14 50對任務(wù)對復(fù)合作業(yè)收斂效果圖

表2 PSO和HPSO在不同規(guī)模問題下的復(fù)合作業(yè)結(jié)果

4 智能倉儲系統(tǒng)設(shè)計與實現(xiàn)

為實現(xiàn)系統(tǒng)實時調(diào)度，本節(jié)設(shè)計了基于PyQt5技術(shù)的智能倉儲系統(tǒng)，構(gòu)建平臺體系框架，實現(xiàn)倉儲大數(shù)據(jù)智能分析和動態(tài)展示，實現(xiàn)科學(xué)的倉儲管理和決策優(yōu)化.系統(tǒng)框架如圖15所示.

該系統(tǒng)除了擁有常見倉儲管理系統(tǒng)的功能外，還實現(xiàn)了貨位分配、聯(lián)合調(diào)度等功能.當(dāng)有一批貨物進(jìn)入倉庫后，點擊儲區(qū)分配按鈕，系統(tǒng)便可自動為其分配好儲位，如圖16所示.當(dāng)系統(tǒng)接收到出入庫訂單指令后，點擊調(diào)度管理模塊中的聯(lián)合調(diào)度管理即可得到最優(yōu)出入庫作業(yè)順序，如圖17所示.

圖16 儲區(qū)分配結(jié)果界面

圖17 聯(lián)合調(diào)度結(jié)果界面

5 結(jié)論

SCWS涉及升降機(jī)與母車、子車協(xié)調(diào)配合作業(yè)的問題，倉儲系統(tǒng)調(diào)度難度大，建立與實際作業(yè)情況偏差小的實用作業(yè)調(diào)度模型是研究的關(guān)鍵.面對倉儲系統(tǒng)所處的大數(shù)據(jù)環(huán)境，有效的處理數(shù)據(jù)、挖掘數(shù)據(jù)，能夠更好地幫助倉儲優(yōu)化，提高決策準(zhǔn)確度.

本文從數(shù)據(jù)處理、儲位分配與作業(yè)調(diào)度、系統(tǒng)設(shè)計三方面進(jìn)行詳細(xì)分析，提出了基于Pandas庫和長短期記憶人工神經(jīng)網(wǎng)絡(luò)技術(shù)的大數(shù)據(jù)處理方法，根據(jù)數(shù)據(jù)處理和貨位分配環(huán)節(jié)得到的貨品信息和客戶信息等，獲取升降機(jī)和子母穿梭車的實際運(yùn)動規(guī)律，據(jù)此建立偏差小、性能良好的進(jìn)出庫作業(yè)調(diào)度模型，并設(shè)計混合粒子群算法對模型求解.在對不同訂單規(guī)模SCWS計算時，混合粒子群算法避免了基本粒子群算法容易陷入局部最優(yōu)的情況，體現(xiàn)出較好的魯棒性，有效提高了SCWS進(jìn)出庫作業(yè)效率.據(jù)此開發(fā)了基于PyQt5技術(shù)的智能倉儲系統(tǒng)，實現(xiàn)了大數(shù)據(jù)分析、貨位分配與聯(lián)合調(diào)度的動態(tài)展示與實時應(yīng)用.