一种数字孪生纺织条桶输送方法及系统

1.本发明属于工业数字化和计算机科学领域，具体涉及一种数字孪生纺织条桶输送方法及系统。


背景技术：

2.纺织条桶作为纺纱半制品转移容器，其运输是典型的劳动密集型物流作业场景，工作量大、且需要24小时连续作业。因此条桶的运输方法和过程，会直接影响条桶输送效率和后续作业。由于原有的人工作业模式已经难以满足企业发展的需求，并且随着物流作业对自动导引车需求量的日益增加，企业物流作业方式纷纷向自动化、智能化进行转型。采用自动化设备替代人工，能够提高条桶运输速度，节省人工和降低劳动强度；智能化监测运输过程，能够有效管理运输设备，减少设备停机时间，从而提高生产效率。但是，目前存在的条桶运输系统有以下几个问题：(1)现有的监控技术，由于条桶输送行程较长，高速摄像机等监控设备安装困难且成本较高。(2)多任务作业如何合理派发，任务可能会出现滞留现象。(3)现有输送方法中的agv路径规划，当多agv同时作业可能会同时经过同一个轨道交叉点导致相互干扰。


技术实现要素：

3.本发明的技术解决方案时：针对车间纺织条桶输送过程的多任务路径实时优化与调整、以及输送时间预测与优化问题，提供一种数字孪生纺织条桶输送方法及系统，采用数字孪生技术，能够有效解决车间纺织条桶输送过程的多任务路径实时优化与调整，以及输送时间预测与优化问题，显著提高纺织条桶的输送效率。
4.本发明的技术方案如下：一种数字孪生纺织条桶输送方法，其特征在于，包括以下步骤：
5.步骤1，在虚拟空间中，构建纺织条桶输送线内的货物、取货台、地面轨道、暂存台以及环境的数字孪生几何模型，所述数字孪生几何模型描述几何形状、尺寸和结构组成；同时构建纺织条桶输送线内自动导引运输车agv的数字孪生模型，所述agv的数字孪生模型包括几何模型、物理模型、行为模型和规则模型；所述几何模型使用软件工具，建立agv的几何模型，体现agv的几何形状、尺寸和结构组成；物理模型，使用ansys软件工具对agv力学模型进行动态模拟，对agv载货台上升或下降时所受的最大承载力、最小承载力和平均承载力进行模拟和仿真，并通过图形和数值的形式表现出具体设备上的物理量；所述行为模型通过agv在输送过程中表现出的加速、减速、急停、转向、载货台抬升和下降行为，构建agv行为模型时，根据不同输送工况确定agv在不同行为下的状态变化；所述规则模型，根据agv输送路径、载货台承载力，设定输送路径边界范围和约束条件；
6.步骤2，采用传感器实时感知物理空间中的货物、取货台、地面轨道、暂存台、自动导引运输车agv和环境状态数据，通过实时数据驱动步骤1中的所述agv的数字孪生模型，实现上述设备与所述agv的数字孪生模型的实时同步，即虚实同步；
7.步骤3，通过虚实同步，在虚拟空间中根据货物信息、生产批次、输送优先级生成任务队列，根据使用需求设定任务队列中的输送优先级，构建呼叫队列[x1,x2,
…
,xn]，其中n为当前空闲agv数量，xn表示当前第n个待执行的作业任务，并将呼叫队列中第一位作为待输送任务进行任务输送指令下发；
[0008]
步骤4，根据步骤3中的呼叫队列，并结合取货台的位置、暂存台的位置、agv当前的位置信息和作业类型，对agv取货路径规划、agv送货路径规划以及agv置位路径规划进行多任务有轨路径规划，即采用最短路径策略，得到每一个输送任务对应的最短输送路径方案，从而得到路径规划结果；所述作业类型包括取货作业、输送作业、卸货作业和空闲作业；所述有轨是指agv运行轨道为多行多列轨道，多行轨道之间只在中间连接列处相互连通，其余位置不连通；所述agv取货路径规划是执行待输送任务的agv从自身当前位置沿轨道运动到取货台位置；agv送货路径规划是agv取货完毕后，从取货台位置沿轨道运动到暂存台位置；agv置位路径规划是当卸货完毕后agv从暂存台位置沿轨道运动到空闲位置；
[0009]
步骤5，基于步骤4的路径规划结果，预测历史数据驱动的输送时间，将agv单行程纺织条桶输送任务分为取货、送货、置位三道工序，基于历史输送作业的数据建立三道工序的输送时间预测模型，以该输送时间预测模型为基础分别对取货时间t1、送货时间t2、置位时间t3进行预测，得到数据驱动的单行程输送时间预测结果t1＝t1+t2+t3；
[0010]
步骤6，基于步骤1的数字孪生模型和步骤2虚实同步，在虚拟空间中对纺织条桶输送系统中的agv的数字孪生模型进行仿真与模拟，对agv输送时间再次进行预测，所述预测包括两部分：
[0011]
(1)将步骤4得到的路径规划结果导入步骤1中的数字孪生模型，并对待输送任务的agv运行参数进行设定，在虚拟空间中进行agv的数字孪生模型离线仿真与模拟，得到纺织条桶输送时间预测结果，所述纺织条桶输送时间预测结果包括取货时间t4、送货时间t5、置位时间t6、以及单行程输送时间t2＝t4+t5+t6；
[0012]
(2)在虚拟空间中，基于步骤2的虚实同步，对正在执行输送任务的agv取货路径、送货路径和置位路径的剩余路径进行agv的数字孪生模型仿真模拟，得到剩余时间预测结果，所述剩余时间预测结果包括剩余取货时间t7、剩余送货时间t8、剩余置位时间t9、以及单行程剩余输送时间t3＝t7+t8+t9；
[0013]
步骤7，将步骤5与步骤6中(1)得到的纺织条桶输送时间预测结果进行比较，当比较的差值小于等于设定值时，则认为当前路径规划方案符合要求，执行步骤8；否则，执行步骤4对agv路径进行重新规划；
[0014]
步骤8，基于步骤2的虚实同步，将步骤6中步骤(2)得到的剩余时间预测结果与步骤7得到的符合要求的路径规划方案用于物理空间中纺织条通输送过程的路径规划实时优化与调整，并结合任务队列和agv位置、作业类型和输送任务优先级实现纺织条桶的自主输送。
[0015]
所述步骤4中的多任务有轨路径规划实现如下：
[0016]
(1)根据呼叫队列[x1，x2，
…
，xn]，获取货物信息、空闲agv
x
的位置和呼叫队列中的货物输送目的地；同时获取数据，采集同轨道内作业中的agvy的位置信息、作业类型、输送任务优先级；
[0017]
(2)将agv运行轨道抽象为拓扑图g＝(v,e)，v表示轨道中节点的集合，包含p行q列
共p
×
q个节点，e表示轨道中节点间连接的边的集合，所有节点按照从上到下，从左到右依次编号1,2,
…
,p
×
q，采用floyd最短路径算法，同时基于获取数据考虑作业中的agvy状态信息，避免多agv之间的碰撞，构建邻接矩阵a，
[0018][0019]
邻接矩阵矩阵a为对称矩阵，其中的第一行[0,a1,a2,
…
,a
p
×q]分别表示第一个节点与第1,2,3,
…
,p
×
q个节点之间的最短路径；第二行[a1,0,b2,
…
,b
p
×q]分别表示第二个节点与第1,2,3,
…
,p
×
q个节点之间的最短路径，以此类推；邻接矩阵a中每个变量表示为{r1,r2,
…
,rz}，表示轨道中任意两个节点之间最短路径所经过的不同轨道节点，若所生成的最短路径在步骤7中被判定不符合要求，则更新重新获得一个邻接矩阵a；
[0020]
(3)在虚拟空间中，将步骤(1)中的货物信息、空闲agv
x
位置信息、货物输送目的地、作业中agvy位置信息、作业类型、输送任务优先级作为初始条件，基于呼叫队列[x1，x2，
…
，xn]中的输送任务的出发位置和终点位置，搜寻离每个任务出发点最近的空闲agv
x
，利用步骤(2)中的邻接矩阵a，确定每个输送任务对应的空闲agv
x
最短的取货路径p1＝{r1,r2,
…
,rj}、送货路径p2＝{r1,r2,
…
,rk}和置位路径p3＝{r1,r2,
…
,rs}，因此每个任务的最短输送路径方案即为{p1,p2,p3}。
[0021]
所述步骤5中，预测历史数据驱动的输送时间具体实现如下：
[0022]
(1)数据获取，由孪生数据中心提取单个输送时间，包括取货时间、送货时间、置位时间，建立训练集数据和测试集数据，训练集数据和测试集数据比例为3:1；
[0023]
(2)构建基于循环神经网络的输送时间预测模型，采用多序列输入和多序列输出的模型结构，数据步数设定为3，将训练集数据分类划分为输入序列x和输出序列y，确定如下：
[0024][0025]
其中，a1,a2,a3表示历史数据中第一个输送任务对应的取货路径长度、送货路径长度和置位路径长度，a4,a5,a6表示历史数据中第二个输送任务对应的取货路径长度、送货路径长度和置位路径长度，以此类推；b1,b2,b3表示历史数据中第一个输送任务对应的取货时间、送货时间和置位时间，b4,b5,b6表示历史数据中第二个输送任务对应的取货时间、送货时间和置位时间，以此类推；循环神经网络输送时间预测模型的输入层使用3个输入单元，隐藏层使用2层共6个神经元，输出层使用3个输出单元，从而对纺织条桶输送时间进行预测；训练集数据用于对构建的输送时间预测模型进行训练，测试集数据对输送时间预测模型的准确度进行校验，保证输送完成时间预测模型的准确性，若不满足精度要求，则对输送
时间预测模型进行修正，直至满足要求；
[0026]
(3)基于输送时间预测模型以及历史运行数据，对每一个输送任务对应的agv取货时间t1、送货时间t2、置位时间t3进行预测，得到数据驱动的单行程输送时间预测结果t1＝t1+t2+t3。
[0027]
所述步骤6中的数字孪生模型驱动的输送时间预测，具体实现如下：
[0028]
(1)将步骤4得到的路径规划结果导入所述agv的数字孪生模型，同时设定呼叫队列中输送任务对应的agv运行参数，基于构建的agv几何模型，在虚拟空间中模拟agv运行的外形、尺寸、结构组成；基于agv物理模型，在虚拟空间中模拟agv运行的摩擦力、磨损、形变；基于agv行为模型，在虚拟空间中模拟agv运行的路线、速度、加速、减速、急停、转向；基于agv规则模型，在虚拟空间中模拟agv运行的空间边界、路线遮挡的约束条件；通过虚拟空间的数字孪生模型对呼叫队列中的输送任务进行全过程的虚拟输送，通过计算距离、路线、速度、加速度、转向、载货台抬升和下降行为，得到每一个输送任务对应的条桶输送时间预测结果，包括取货时间t4、送货时间t5、置位时间t6、以及单行程输送时间t2＝t4+t5+t6；
[0029]
(2)在虚拟空间中基于步骤2的虚实同步，实时获取纺织条桶输送系统的运行状态，对正在执行输送任务过程的agv取货路径、送货路径和置位路径的剩余路径进行仿真模拟。在agv
x
执行输送任务过程中，根据agv
x
当前运行状态，并结合同轨道内其他作业中的agvy运行状态信息，实时更新邻接矩阵a，并获得agv
x
的最短剩余路径，基于获得的最短剩余路径，再次执行上述步骤(1)中在虚拟空间开展最短剩余路径的虚拟输送，从而获得剩余时间预测结果，包括剩余取货时间t7、剩余送货时间t8、剩余置位时间t9、以及单行程剩余输送时间t3＝t7+t8+t9。
[0030]
本发明的数字孪生纺织条桶输送方法的系统，包括：数字孪生模型构建模块、输送任务生成模块、路径规划模块、输送时间预测模块和自主输送模块；其中：
[0031]
数字孪生模型构建模块，用于在虚拟空间中，在虚拟空间中，构建纺织条桶输送线内的货物、取货台、地面轨道、暂存台以及环境的数字孪生几何模型，所述数字孪生几何模型描述几何形状、尺寸和结构组成；同时构建纺织条桶输送线内自动导引运输车agv的数字孪生模型，所述agv的数字孪生模型包括几何模型、物理模型、行为模型和规则模型；所述几何模型使用软件工具，建立agv的几何模型，体现agv的几何形状、尺寸和结构组成；物理模型，使用ansys软件工具对agv力学模型进行动态模拟，对agv载货台上升或下降时所受的最大承载力、最小承载力和平均承载力进行模拟和仿真，并通过图形和数值的形式表现出具体设备上的物理量；所述行为模型通过agv在输送过程中表现出的加速、减速、急停、转向、载货台抬升和下降行为，构建agv行为模型时，根据不同输送工况确定agv在不同行为下的状态变化；所述规则模型，根据agv输送路径、载货台承载力，设定输送路径边界范围和约束条件；采用传感器实时感知物理空间中的货物、取货台、地面轨道、暂存台、自动导引运输车agv和环境状态数据，通过实时数据驱动所述agv的数字孪生模型，实现上述设备与所述agv的数字孪生模型的实时同步，即虚实同步；
[0032]
输送任务生成模块，通过虚实同步，在虚拟空间中根据货物信息、生产批次、输送优先级生成任务队列，根据使用需求设定任务队列中的输送优先级，构建呼叫队列[x1,x2,
…
,xn]，其中n为当前空闲agv数量，xn表示当前第n个待执行的作业任务，并将呼叫队列中第一位作为待输送任务进行任务输送指令下发；
[0033]
路径规划模块，根据呼叫队列，并结合取货台的位置、暂存台的位置、agv当前的位置信息和作业类型，对agv取货路径规划、agv送货路径规划以及agv置位路径规划进行多任务有轨路径规划，即采用最短路径策略，得到每一个输送任务对应的最短输送路径方案，从而得到路径规划结果；所述作业类型包括取货作业、输送作业、卸货作业和空闲作业；所述有轨是指agv运行轨道为多行多列轨道，多行轨道之间只在中间连接列处相互连通，其余位置不连通；所述agv取货路径规划是执行待输送任务的agv从自身当前位置沿轨道运动到取货台位置；agv送货路径规划是agv取货完毕后，从取货台位置沿轨道运动到暂存台位置；agv置位路径规划是当卸货完毕后agv从暂存台位置沿轨道运动到空闲位置；
[0034]
所述多任务有轨路径规划实现如下：
[0035]
(1)根据呼叫队列[x1，x2，
…
，xn]，获取货物信息、空闲agv
x
的位置和呼叫队列中的货物输送目的地；同时获取数据，采集同轨道内作业中的agvy的位置信息、作业类型、输送任务优先级；
[0036]
(2)将agv运行轨道抽象为拓扑图g＝(v,e)，v表示轨道中节点的集合，包含p行q列共p
×
q个节点，e表示轨道中节点间连接的边的集合，所有节点按照从上到下，从左到右依次编号1,2,
…
,p
×
q，采用floyd最短路径算法，同时基于获取数据考虑作业中的agvy状态信息，避免多agv之间的碰撞，构建邻接矩阵a，
[0037][0038]
邻接矩阵矩阵a为对称矩阵，其中的第一行[0,a1,a2,
…
,a
p
×q]分别表示第一个节点与第1,2,3,
…
,p
×
q个节点之间的最短路径；第二行[a1,0,b2,
…
,b
p
×q]分别表示第二个节点与第1,2,3,
…
,p
×
q个节点之间的最短路径，以此类推；邻接矩阵a中每个变量表示为{r1,r2,
…
,rz}，表示轨道中任意两个节点之间最短路径所经过的不同轨道节点，若所生成的最短路径在被判定不符合要求，则更新重新获得一个邻接矩阵a；
[0039]
(3)在虚拟空间中，将货物信息、空闲agv
x
位置信息、货物输送目的地、作业中agvy位置信息、作业类型、输送任务优先级作为初始条件，基于呼叫队列[x1，x2，
…
，xn]中的输送任务的出发位置和终点位置，搜寻离每个任务出发点最近的空闲agv
x
，利用邻接矩阵a，确定每个输送任务对应的空闲agv
x
最短的取货路径p1＝{r1,r2,
…
,rj}、送货路径p2＝{r1,r2,
…
,rk}和置位路径p3＝{r1,r2,
…
,rs}，因此每个任务的最短输送路径方案即为{p1,p2,p3}；
[0040]
输送时间预测模块，输送时间预测模块，分别对历史数据驱动的输送时间预测和数字孪生模型驱动的输送时间预测，其中(1)基于路径规划模块得到的路径规划结果，预测历史数据驱动的输送时间，将agv单行程条桶输送任务分为取货、送货、置位三道工序，基于历史输送作业数据建立各工序的基于循环神经网络的输送时间预测模型，以该输送时间预测模型为基础分别对取货时间t1、送货时间t2、置位时间t3进行预测，得到数据驱动的单行程输送时间预测结果t1＝t1+t2+t3；(2)基于路径规划模块得到的路径规划结果导入到条桶
输送线的数字孪生模型中，同时设定呼叫队列中输送任务对应的agv运行参数，基于构建的agv几何模型，在虚拟空间中模拟agv运行的外形、尺寸、结构组成；基于agv物理模型，在虚拟空间中模拟agv运行的摩擦力、磨损、形变；基于agv行为模型，在虚拟空间中模拟agv运行的路线、速度、加速、减速、急停、转向；基于agv规则模型，在虚拟空间中模拟agv运行的空间边界、路线遮挡的约束条件；通过虚拟空间的数字孪生模型对呼叫队列中的输送任务进行全过程的虚拟输送，通过计算距离、路线、速度、加速度、转向、载货台抬升和下降行为，得到每一个输送任务对应的条桶输送时间预测结果，包括取货时间t4、送货时间t5、置位时间t6、以及单行程输送时间t2＝t4+t5+t6；在虚拟空间中基于虚实同步，实时获取纺织条桶输送系统的运行状态，对正在执行输送任务过程的agv取货路径、送货路径和置位路径的剩余路径进行仿真模拟；在agv
x
执行输送任务过程中，根据agv
x
当前运行状态，并结合同轨道内其他作业中的agvy运行状态信息，实时更新邻接矩阵a，并获得agv
x
的最短剩余路径，基于获得的最短剩余路径，再次执行在虚拟空间开展最短剩余路径的虚拟输送，从而获得剩余时间预测结果，包括剩余取货时间t7、剩余送货时间t8、剩余置位时间t9、以及单行程剩余输送时间t3＝t7+t8+t9；
[0041]
所述(1)基于路径规划模块得到的路径规划结果，预测历史数据驱动的输送时间具体实现如下：
[0042]
(a)数据获取，由孪生数据中心提取单个输送时间，包括取货时间、送货时间、置位时间，建立训练集数据和测试集数据，训练集数据和测试集数据比例为3:1；
[0043]
(b)构建基于循环神经网络的输送时间预测模型，采用多序列输入和多序列输出的模型结构，数据步数设定为3，将训练集数据分类划分为输入序列x和输出序列y，确定如下：
[0044][0045]
其中，a1,a2,a3表示历史数据中第一个输送任务对应的取货路径长度、送货路径长度和置位路径长度，a4,a5,a6表示历史数据中第二个输送任务对应的取货路径长度、送货路径长度和置位路径长度，以此类推；b1,b2,b3表示历史数据中第一个输送任务对应的取货时间、送货时间和置位时间，b4,b5,b6表示历史数据中第二个输送任务对应的取货时间、送货时间和置位时间，以此类推；循环神经网络输送时间预测模型的输入层使用3个输入单元，隐藏层使用2层共6个神经元，输出层使用3个输出单元，从而对纺织条桶输送时间进行预测；训练集数据用于对构建的输送时间预测模型进行训练，测试集数据对输送时间预测模型的准确度进行校验，保证输送完成时间预测模型的准确性，若不满足精度要求，则对输送时间预测模型进行修正，直至满足要求；
[0046]
(c)基于输送时间预测模型以及历史运行数据，对每一个输送任务对应的agv取货时间t1、送货时间t2、置位时间t3进行预测，得到数据驱动的单行程输送时间预测结果t1＝t1+t2+t3；
[0047]
自主输送模块，将纺织条桶输送时间预测结果t1和t2进行比较，当比较的差值大于
设定值时，对agv路径进行重新规划，当差值小于等于设定值时，则认为当前路径规划方案符合要求，执行输送任务的实际运行；实际运行时，将剩余时间预测结果t3和符合要求的路径规划方案用于指导物理空间中条通输送过程的路径规划实时优化与调整，并结合任务队列和agv位置、作业类型和输送任务优先级实现纺织条桶的自主。
[0048]
本发明与现有技术相比的优点在于：
[0049]
(1)本发明提出的数字孪生纺织条桶输送方法，设计了基于历史数据的输送时间预测和基于数字孪生模型的输送时间预测方法，并基于两种结果的差值迭代优化agv输送路径，与采用单一时间预测方法相比，本方法可以有效提升时间预测和路径规划的准确性。
[0050]
(2)发明的多任务有轨路径规划，将有轨条桶输送系统抽象为拓扑图结构，并采用floyd最短路径算法，构建邻接矩阵及其更新方法，相比现有普遍的“先到先服务”和“固定路径”方法，可以有效优化条桶输送路线，提升条桶输送效率。
[0051]
(3)本发明的历史数据驱动的条桶输送时间预测方法，通过构建循环神经网络挖掘历史条桶输送时间数据的规律，相比现有普遍忽略历史数据的条桶输送时间计算方法，本发明使条桶输送时间预测更加准确。
[0052]
(4)本发明构建的数字孪生模型驱动的输送时间预测方法，通过构建条桶输送系统尤其是agv的数字孪生模型，可以在虚拟空间中仿真和模拟获得条桶输送时间以及正在执行的输送任务剩余输送时间。相比现有仅依靠数学公式计算的方法，该方法可以获得直观三维可视化的条桶输送时间预测。
[0053]
(5)本发明构建的数字孪生纺织条桶输送系统可以实现条桶输送系统数字孪生模型构建、输送任务生成、输送任务路径规划、输送时间预测以及自主输送功能，可以有效实现条桶输送的三维可视化监控与输送任务路径优化，从而提升条桶输送效率。不足之处是该系统目前只适用于具有固定轨道的条桶输送系统。
附图说明
[0054]
图1为本发明一种数字孪生纺织条桶输送系统框图；
[0055]
图2为本发明纺织条桶输送呼叫队列生成流程图；
[0056]
图3为本发明agv有轨路径规划流程图；
[0057]
图4为本发明数据驱动的输送时间预测流程图；
[0058]
图5为本发明数字孪生模型驱动的输送时间预测流程图。
具体实施方式
[0059]
下面结合附图对本发明做进一步详细的描述。
[0060]
本发明涉及一种数字孪生纺织条桶输送方法及系统，针对车间纺织条桶输送过程的多任务路径实时优化与调整、以及输送时间预测与优化问题，利用数字孪生技术的仿真、模拟与预测功能，以实现纺织条桶输送路径规划、输送时间预测的优化与控制，以提高纺织条桶的输送效率。
[0061]
如图1所示，本发明数字孪生纺织条桶输送方法，具体实现如下：
[0062]
步骤1，在虚拟空间中，构建纺织条桶输送线内的货物、取货台、地面轨道、暂存台以及环境的数字孪生几何模型，即描述几何形状、尺寸和结构组成。构建纺织条桶输送线内
自动导引运输车agv的数字孪生模型，包括几何模型、物理模型、行为模型和规则模型。所述几何模型使用软件工具，建立agv的几何模型，体现agv的几何形状、尺寸和结构组成；物理模型，使用ansys软件工具对agv力学模型进行动态模拟，对agv载货台上升或下降时所受的最大承载力、最小承载力和平均承载力进行模拟和仿真，并通过图形和数值的形式表现出具体设备上的物理量；所述行为模型通过agv在输送过程中表现出的加速、减速、急停、转向、载货台抬升和下降行为，构建agv行为模型时，根据不同输送工况确定agv在不同行为下的状态变化；所述规则模型，根据agv输送路径、载货台承载力，设定输送路径边界范围和约束条件
[0063]
步骤2，采用传感器实时感知物理空间中的货物、取货台、地面轨道、暂存台、agv和环境状态数据，通过实时数据驱动步骤1中的所述数字孪生模型，实现上述设备与数字孪生模型的实时同步，即虚实同步；
[0064]
步骤3，通过虚实同步，如图2所示，在虚拟空间中根据货物信息、生产批次、输送优先级生成任务队列，根据使用需求设定任务队列中的输送优先级，构建呼叫队列[x1,x2,
…
,xn]，其中n为当前空闲agv数量，xn表示当前第n个待执行的作业任务，并将呼叫队列中第一位作为待输送任务进行任务输送指令下发；
[0065]
步骤4，根据步骤3中的呼叫队列，并结合取货台的位置、暂存台的位置、agv当前的位置信息和作业类型，对agv取货路径规划、agv送货路径规划以及agv置位路径规划进行多任务有轨路径规划，即采用最短路径策略，得到每一个输送任务对应的最短输送路径方案，从而得到路径规划结果；所述作业类型包括取货作业、输送作业、卸货作业和空闲作业；所述有轨是指agv运行轨道为多行多列轨道，如图1所示，多行轨道之间只在中间连接列处相互连通，其余位置不连通；所述agv取货路径规划是执行待输送任务的agv从自身当前位置沿轨道运动到取货台位置；agv送货路径规划是agv取货完毕后，从取货台位置沿轨道运动到暂存台位置；agv置位路径规划是当卸货完毕后agv从暂存台位置沿轨道运动到空闲位置。
[0066]
(1)根据呼叫队列[x1，x2，
…
，xn]，获取货物信息、空闲agv
x
的位置和呼叫队列中的货物输送目的地；同时获取数据，采集同轨道内作业中的agvy的位置信息、作业类型、输送任务优先级；
[0067]
(2)将agv运行轨道抽象为拓扑图g＝(v,e)，v表示轨道中节点的集合，包含p行q列共p
×
q个节点，e表示轨道中节点间连接的边的集合，所有节点按照从上到下，从左到右依次编号1,2,
…
,p
×
q，采用floyd最短路径算法，同时基于获取数据考虑作业中的agvy状态信息，避免多agv之间的碰撞，构建邻接矩阵a，
[0068][0069]
邻接矩阵矩阵a为对称矩阵，其中的第一行[0,a1,a2,
…
,a
p
×q]分别表示第一个节点与第1,2,3,
…
,p
×
q个节点之间的最短路径；第二行[a1,0,b2,
…
,b
p
×q]分别表示第二个
节点与第1,2,3,
…
,p
×
q个节点之间的最短路径，以此类推。邻接矩阵a中每个变量表示为{r1,r2,
…
,rz}，表示轨道中任意两个节点之间最短路径所经过的不同轨道节点，若所生成的最短路径在步骤7中被判定不符合要求，则更新重新获得一个邻接矩阵a；
[0070]
(3)在虚拟空间中，将步骤(1)中的货物信息、空闲agv
x
位置信息、货物输送目的地、作业中agvy位置信息、作业类型、输送任务优先级作为初始条件，基于呼叫队列[x1，x2，
…
，xn]中的输送任务的出发位置和终点位置，搜寻离每个任务出发点最近的空闲agv
x
，利用步骤(2)中的邻接矩阵a，确定每个输送任务对应的空闲agv
x
最短的取货路径p1＝{r1,r2,
…
,rj}、送货路径p2＝{r1,r2,
…
,rk}和置位路径p3＝{r1,r2,
…
,rs}，因此每个任务的最短输送路径方案即为{p1,p2,p3}。
[0071]
步骤5，基于步骤4的路径规划结果，预测历史数据驱动的输送时间，如图4所示，将agv单行程纺织条桶输送任务分为取货、送货、置位三道工序，基于历史输送作业的数据建立三道工序的输送时间预测模型，以该输送时间预测模型为基础分别对取货时间t1、送货时间t2、置位时间t3进行预测，得到数据驱动的单行程输送时间预测结果t1＝t1+t2+t3；
[0072]
(1)数据获取，由孪生数据中心提取单个输送时间，包括取货时间、送货时间、置位时间，建立训练集数据和测试集数据，训练集数据和测试集数据比例为3:1；
[0073]
(2)构建基于循环神经网络的输送时间预测模型，采用多序列输入和多序列输出的模型结构，数据步数设定为3，将训练集数据分类划分为输入序列x和输出序列y，确定如下：
[0074][0075]
其中，a1,a2,a3表示历史数据中第一个输送任务对应的取货路径长度、送货路径长度和置位路径长度，a4,a5,a6表示历史数据中第二个输送任务对应的取货路径长度、送货路径长度和置位路径长度，以此类推；b1,b2,b3表示历史数据中第一个输送任务对应的取货时间、送货时间和置位时间，b4,b5,b6表示历史数据中第二个输送任务对应的取货时间、送货时间和置位时间，以此类推。循环神经网络输送时间预测模型的输入层使用3个输入单元，隐藏层使用2层共6个神经元，输出层使用3个输出单元，从而对纺织条桶输送时间进行预测；训练集数据用于对构建的输送时间预测模型进行训练，测试集数据对输送时间预测模型的准确度进行校验，保证输送完成时间预测模型的准确性，若不满足精度要求，则对输送时间预测模型进行修正，直至满足要求；
[0076]
(3)基于输送时间预测模型以及历史运行数据，对每一个输送任务对应的agv取货时间t1、送货时间t2、置位时间t3进行预测，得到数据驱动的单行程输送时间预测结果t1＝t1+t2+t3。
[0077]
步骤6，基于步骤1的数字孪生模型和步骤2虚实同步，在虚拟空间中对条桶输送系统中的数字孪生模型进行仿真与模拟，对agv输送时间再次进行预测，如图5所示，所述预测包括两部分：
[0078]
(1)将步骤4得到的路径规划结果导入步骤1中的数字孪生模型，并对待输送任务
的agv运行参数进行设定，在虚拟空间中进行数字孪生模型离线仿真与模拟，得到纺织条桶输送时间预测结果，所述纺织条桶输送时间预测结果包括取货时间t4、送货时间t5、置位时间t6、以及单行程输送时间t2＝t4+t5+t6；
[0079]
(2)在虚拟空间中，基于步骤2的虚实同步，对正在执行输送任务的agv取货路径、送货路径和置位路径的剩余路径进行数字孪生模型仿真模拟，得到剩余时间预测结果，所述剩余时间预测结果包括剩余取货时间t7、剩余送货时间t8、剩余置位时间t9、以及单行程剩余输送时间t3＝t7+t8+t9。
[0080]
其中，输送时间预测采用如下的方式，如图5所示：
[0081]
(1)将步骤4得到的路径规划结果导入所述数字孪生模型，同时设定呼叫队列中输送任务对应的agv运行参数，基于构建的agv几何模型，在虚拟空间中模拟agv运行的外形、尺寸、结构组成；基于agv物理模型，在虚拟空间中模拟agv运行的摩擦力、磨损、形变；基于agv行为模型，在虚拟空间中模拟agv运行的路线、速度、加速、减速、急停、转向；基于agv规则模型，在虚拟空间中模拟agv运行的空间边界、路线遮挡的约束条件；通过虚拟空间的数字孪生模型对呼叫队列中的输送任务进行全过程的虚拟输送，通过计算距离、路线、速度、加速度、转向、载货台抬升和下降行为，得到每一个输送任务对应的条桶输送时间预测结果，包括取货时间t4、送货时间t5、置位时间t6、以及单行程输送时间t2＝t4+t5+t6；
[0082]
(2)在虚拟空间中基于步骤2的虚实同步，实时获取条桶输送系统的运行状态，对正在执行输送任务过程的agv取货路径、送货路径和置位路径的剩余路径进行仿真模拟。在agv
x
执行输送任务过程中，根据agv
x
当前运行状态，并结合同轨道内其他作业中的agvy运行状态信息，实时更新邻接矩阵a，并获得agv
x
的最短剩余路径，基于获得的最短剩余路径，再次执行上述步骤(1)中在虚拟空间开展最短剩余路径的虚拟输送，从而获得剩余时间预测结果，包括剩余取货时间t7、剩余送货时间t8、剩余置位时间t9、以及单行程剩余输送时间t3＝t7+t8+t9。
[0083]
步骤7，将步骤5与步骤6中(1)得到的条桶输送时间预测结果进行比较，当比较的差值小于等于设定值时，则认为当前路径规划方案符合要求，执行步骤8；否则，执行步骤4对agv路径进行重新规划；
[0084]
步骤8，基于步骤2的虚实同步，将步骤6中步骤(2)得到的剩余时间预测结果与步骤7得到的符合要求的路径规划方案用于指导物理空间中条通输送过程的路径规划实时优化与调整，并结合任务队列和agv位置、作业类型和输送任务优先级实现纺织条桶的自主输送。
[0085]
根据本发明的另一方面，提出一种数字孪生纺织条桶输送系统，如图1所示，具体包括：
[0086]
(1)图1中的数字孪生模型构建模块，用于在虚拟空间中，构建纺织条桶输送线内的货物、取货台、地面轨道、暂存台以及环境的数字孪生几何模型，以及自动导引运输车agv的数字孪生模型，包括几何模型、物理模型、行为模型和规则模型，从而得到纺织条桶输送线的数字孪生模型；采用传感器实时感知物理空间中的货物、取货台、地面轨道、暂存台、agv和环境状态数据，通过实时数据驱动条桶输送线数字孪生模型，实现上述设备与数字孪生模型的虚实同步；
[0087]
(2)图1中的输送任务生成模块，如图2所示，通过虚实同步，在虚拟空间中根据货
物信息、生产批次、输送优先级生成任务队列，根据使用需求设定任务队列中的输送优先级，构建呼叫队列[x1,x2,
…
,xn]，并将呼叫队列中第一位作为待输送任务进行任务输送指令下发；
[0088]
(3)图1中的路径规划模块，如图3所示，将agv运行轨道抽象为拓扑图g＝(v,e)，采用floyd最短路径算法，同时基于获取数据考虑作业中的agvy状态信息，避免多agv之间的碰撞，构建邻接矩阵a，基于呼叫队列[x1，x2，
…
，xn]中的输送任务的出发位置和终点位置，搜寻离每个任务出发点最近的空闲agv
x
，利用构建的邻接矩阵，确定每个输送任务对应的agv
x
最短的取货路径p1＝{r1,r2,
…
,rj}、送货路径p2＝{r1,r2,
…
,rk}和置位路径p3＝{r1,r2,
…
,rs}，因此每个任务的最短输送路径方案即为{p1,p2,p3}；
[0089]
(4)图1中的输送时间预测模块，分别对历史数据驱动的输送时间预测和数字孪生模型驱动的输送时间预测，
①
如图4所示，历史数据驱动的输送时间预测是基于路径规划模块得到的路径规划结果，预测历史数据驱动的输送时间，将agv单行程条桶输送任务分为取货、送货、置位三道工序，基于历史输送作业数据建立各工序的基于循环神经网络的输送时间预测模型，以该输送时间预测模型为基础分别对取货时间t1、送货时间t2、置位时间t3进行预测，得到数据驱动的单行程输送时间预测结果t1＝t1+t2+t3；
②
如图5所示，数字孪生模型驱动的输送时间预测是，基于路径规划模块得到的路径规划结果导入到条桶输送线的数字孪生模型中，并对待输送任务的agv运行参数进行设定，进行离线仿真与模拟，得到条桶输送时间预测结果，所述条桶输送时间预测结包括取货时间t4、送货时间t5、置位时间t6、以及单行程输送时间t2＝t4+t5+t6；在虚拟空间中基于虚实同步，对正在执行输送任务过程的agv取货路径、送货路径和置位路径的剩余路径进行仿真模拟，得到剩余时间预测结果，所述剩余时间预测结果包括剩余取货时间t7、剩余送货时间t8、剩余置位时间t9、以及单行程剩余输送时间t3＝t7+t8+t9；
[0090]
(5)图1中的自主输送模块，将条桶输送时间预测结果t1和t2进行比较，当比较的差值大于设定值时，对agv路径进行重新规划，当差值小于等于设定值时，则认为当前路径规划方案符合要求，执行输送任务的实际运行。实际运行时，将剩余时间预测结果t3和符合要求的路径规划方案用于指导物理空间中条通输送过程的路径规划实时优化与调整，并结合任务队列和agv信息实现纺织条桶的自主输送。
[0091]
总之，本发明引入数字孪生技术，构建纺织条桶输送线数字孪生模型，基于虚实同步对条桶运输过程进行实时监测分析；基于历史数据，以及在虚拟空间中对agv输送路径规划进行仿真与模拟，并对分别对输送时间进行预测，以提高条桶运输作业效率和降低运输成本。
[0092]
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
[0093]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。