一种基于深度学习的物流小车节能调度系统

1.本发明属于物流运输技术领域，具体涉及一种基于深度学习的物流小车节能调度系统。


背景技术：

2.随着物联网的飞速发展，智慧物流趋势下自动化无人仓的agv调度问题成为业内热点。良好的调度方法不仅能提高生产效率，提高无人仓的经济性，更能节约能耗，体现绿色环保的理念。遗憾的是，本发明人经过全面调研发现，现有的技术主要围绕如何提高运输效率而非节能，而其余与节能相关的现有技术为物流小车上搭载太阳能板，仅立足单个物流小车，未考虑到多个物流小车协同作业而产生的能耗。因此，本发明人经查阅相关资料，得到使用相近方法应用于相关领域的其他方向专利如下：基于图神经网络和强化学习的物流调度规划方法(cn202110958524.1)、一种基于神经网络遗传算法的智能运输调度管理方法 (cn201911265953.x)。
3.现有的物流小车节能的缺点：
4.1、仅考虑单个物流小车的能量节约，并未从多物流小车构成的系统出发，设计相应的统筹调度算法节约能耗；
5.2、单个物流小车的能量节约考虑不充分，比如环境温度，载货重量等因素对于能耗的影响，纳入考虑因素较小；
6.3、并未从算法上追求系统节能，其余使用深度学习算法的专利均为实现系统高效。


技术实现要素：

7.本发明克服现有技术的不足，针对上述问题，提供一种基于深度学习的物流小车节能调度系统，本发明做出了针对性改进和优化，以解决上述问题。
8.本发明提供以下的技术方案：
9.一种基于深度学习的物流小车节能调度系统，其特征在于，包括辅助模块、传感器模块、电源模块、通信模块、中央计算模块和执行模块；
10.所述电源模块分别与传感器模块、通信模块和中央计算模块连接，所述传感器模块与通信模块连接，所述通信模块与中央计算模块互相连接，所述通信模块还分别与辅助模块和执行模块连接；
11.所述中央计算模块包括stm32芯片，所述stm32芯片设置有节能模式和高效模式，所述 stm32芯片处于节能模式时，收集物流小车的状态数据作为神经网络模型的训练集和测试集，并采用十折交叉验证法进行训练，采用路径规划算法，构建出最短路径决策出最为节能的方案，最后使用模拟退火算法检验，避免陷入局部最优。
12.优选的，所述物流小车的状态数据包括温度、承重、电源消耗速度和当前订单数量。
13.更优的，所述电源消耗速度包括单个物流小车的能耗和各个物流小车协同作业的总能耗。
14.优选的，所述辅助模块包括蜂鸣器和机械臂，蜂鸣器用于提醒工作人员处理，机械臂用于自动处理以防止物流小车节能调度系统的程序紊乱。
15.优选的，所述传感器模块包括温度传感器和重力传感器，温度传感器和重力传感器分别用于采集温度数据与载重物数据。
16.优选的，所述通信模块包括wifi单元，用于确保各模块间的数据传输和信号传输。
17.优选的，所述执行模块用于根据中央处理模块的方案反馈执行命令。
18.优选的，所述电源模块包括非太阳能电池单元和太阳能电池单元。
19.本发明提供的基于深度学习的物流小车节能调度系统，相比现有技术，具有以下有益效果：
20.1、本发明使用深度学习算法，构建单个机器人的能源消耗预测模型，实现单个机器人的较优决策，预测出单个配送机器人在当前温度与配送货物重量的条件下的能源消耗。
21.2、本发明使用深度学习算法，构建多个机器人的协同作业的能源消耗预测模型，实现整体系统的最优决策，根据多个机器人的参数反馈，预测出总体系统的能源消耗。
22.3、本发明结合多目标规划，动态加权，路径规划等算法，使得系统可以根据当天的订单才取出对应的模式，如高效模式的能耗与时间权重比为2：8；节能模式下为8：2(高效模式向节能模式过度的过程中，权重会动态改变)，使用路径规划算法，使得系统总体的移动路径最小，达到节能高效的效果。现有技术均为从太阳能方向实现系统节能，，因此本发明人认为将深度学习算法、多目标规划算法等算法应用于多配送机器人总体的节能就是最大的关键技术点。
23.4、本发明采用十折交叉验证与模拟退火算法的双重验证，保证系统的准确性。
附图说明
24.利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
25.图1是本发明实施例基于深度学习的物流小车节能调度系统模块组成结构示意图；
26.图2是本发明实施例基于深度学习的物流小车节能调度系统的工作流程示意图。
具体实施方式
27.以下结合具体实施例对一种基于深度学习的物流小车节能调度系统作进一步的详细描述，这些实施例只用于比较和解释的目的，本发明不限定于这些实施例中。
28.实施例
29.本发明提供的基于深度学习的物流小车节能调度系统，如图1所示，其包括辅助模块、传感器模块、电源模块、通信模块、中央计算模块和执行模块；
30.所述电源模块分别与传感器模块、通信模块和中央计算模块连接，所述传感器模
块与通信模块连接，所述通信模块与中央计算模块互相连接，所述通信模块还分别与辅助模块和执行模块连接；
31.所述中央计算模块包括stm32芯片，所述stm32芯片设置有节能模式和高效模式，所述 stm32芯片处于节能模式时，收集物流小车的状态数据作为神经网络模型的训练集和测试集，并采用十折交叉验证法进行训练，采用路径规划算法，构建出最短路径决策出最为节能的方案，最后使用模拟退火算法检验，避免陷入局部最优。
32.优选的，所述物流小车的状态数据包括温度、承重、电源消耗速度和当前订单数量。
33.更优的，所述电源消耗速度包括单个物流小车的能耗和各个物流小车协同作业的总能耗。
34.优选的，所述辅助模块包括蜂鸣器和机械臂，蜂鸣器用于提醒工作人员处理，机械臂用于自动处理以防止物流小车节能调度系统的程序紊乱。
35.优选的，所述传感器模块包括温度传感器和重力传感器，温度传感器和重力传感器分别用于采集温度数据与载重物数据。
36.优选的，所述通信模块包括wifi单元，用于确保各模块间的数据传输和信号传输。
37.优选的，所述执行模块用于根据中央处理模块的方案反馈执行命令。
38.优选的，所述电源模块包括非太阳能电池单元和太阳能电池单元。
39.如图2所示的一种基于深度学习的物流小车节能调度系统的示意图，在一实施例中，一种基于深度学习的物流小车，辅助模块包括led蜂鸣器，机械臂，自动处理以防止物流小车节能调度系统的程序紊乱，防止配送机器人距离过近造成的程序紊乱，并通过警报及led闪烁提示工作人员处理；电源模块，将当前配送机器人的电源能耗消耗数据通过通信模块传输至中央计算模块，还包括太阳能电池模块，其中太阳能电池基于光伏发电技术，使用太阳能板外嵌在物流仓外，物流小车搭载太阳能电池供电，通过太阳能电池模块获取太阳能信息数据，发送至中央计算模块；传感器模块，传感器包括温度传感器、重力传感器将各个配送机器人的载物重量数据与温度数据通过通信模块传输至中央计算模块；通信模块，确保其它模块之间的数据和信号传输，本实施例采用的是wifi通信模块；中央计算模块stm32通过设定一个阈值，当订单量大于阈值时，系统采用高效模式，在高效模式下，系统可以使用现有的任意一种技术实现；当订单量小于阈值时，采用节能模式，节能模式如下：
40.使用近期一年物流小车的状态数据作为训练集，进行神经网络模型的训练，其中物流小车的状态数据包括温度、承重、电源消耗速度和当前订单数量；采用十折交叉验证来验证模型的泛化能力，并且将温度，配送重量作为核心参数，电源消耗速度作为输出层进行训练，在节能模式中，通过获取传感器与电源模块传输的数据信息后，对其进行计算处理，采用深度学习与路径规划算法，预测出单个配送机器人的能耗，以及各个配送机器人协同作业(协同作业包括各机器人行走路径与货物重量分配的最佳决策，其中路径包含有行驶至太阳能充电区的路程)的总耗能，决策出最为节能的方案，最后使用模拟退火算法检验，避免陷入局部最优。执行模块，根据中央处理模块计算的方案，反馈回各配送机器人执行对应命令。
41.本发明上述实施例基于卷积神经网路，将物流小车产生的数据作为训练集。构造出不同参数对于单个小车能耗的影响模型；以及多个小车并行作业时的不同参数对总体系
统能耗影响的模型，并基于光伏发电技术，使用太阳能板外嵌在物流仓外，物流小车使用太阳能供电。结合多目标规划与动态加权，当订单较小时，使用最为节能的方案，当订单过多时使用较为高效的方案，构建了相应的奖罚模型，最后使用模拟退火算法，避免陷入局部最优，计算出对于整个系统中最为节能的调度方案。
42.最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。