一种具备智能调度功能的智能化WMS系统的制作方法

本发明涉及仓储管理领域，特别涉及一种具备智能调度功能的智能化wms系统。

背景技术：

1、wms系统即仓库管理系统，是一个用于管理仓库运营全过程的信息化系统，从实际应用效果看，wms系统有诸多优势：通过自动化的任务分配和流程优化，减少人工操作的时间和错误，例如，拣货路径的优化能让拣货员少走冤枉路，从而提高拣货速度，进而提升整个仓库的货物周转速度；所有仓库运营数据都由系统记录和更新，避免了人工记录可能出现的错误，这使得库存数据等更加精准，为企业的采购、销售等决策提供可靠依据；管理人员可以通过系统实时了解仓库的运营状况，如库存水平、出入库动态等，而且，系统可以规范仓库作业流程，使得各项操作有章可循，方便管理和监督。

2、在传统的仓库调度中，会过度依赖已有的经验策略，导致无法发现更优的调度方案，使其调度方案会一直沿用旧的、不高效的方式进行，同时现有模型可能忽略货物和设备的一些物理细节和行为特性，导致仿真结果与实际操作存在偏差，使得不能很准确地评估调度策略对设备和货物的实际影响，且传统的调度策略推荐可能依赖人工经验或简单的规则，缺乏对历史数据和复杂场景的综合分析，基于此工作人员不能做出最优的调度决策。

3、因此，提出一种具备智能调度功能的智能化wms系统来解决上述问题很有必要。

技术实现思路

1、本发明的主要目的在于提供一种具备智能调度功能的智能化wms系统，可以有效解决背景技术中的问题。

2、为实现上述目的，本发明采取的技术方案为：

3、一种具备智能调度功能的智能化wms系统一种具备智能调度功能的智能化wms系统，包括货物感知模块、数据处理与分析模块、调度决策模块、决策优化模块、执行控制模块，所述数据处理与分析模块通过数据采集、处理与分析进行仓库状态的预测，根据预测结果制定相应的策略；

4、所述调度决策模块与数据处理与分析模块电性连接，所述调度决策模块包括多智能体调度模块、辅助调度决策模块，所述多智能体调度模块用于将仓库内的每一个独立作业任务定义为智能体，并对仓库环境进行建模，对每个智能体设定多维度的奖励函数，用于引导其做出最优的决策；

5、所述辅助调度决策模块基于构建的数字孪生模型真实反应仓库的实际状态，同时设置多个仿真场景制定多种调度策略，包括不同的任务分配规则、设备调度方案、库存布局调整策略。

6、优选的，所述货物感知模块基于rfid天线阵列、环境感知模块与智能视觉识别模块相融合，所述rfid天线阵列基于布置在货物包装上的rfid标签进行货物基本信息的获取；所述视觉识别模块用于对货物的外观、形状、包装完整性进行详细检测与图像采集，所述环境感知模块基于布置的传感器构建全方位的环境监测体系。

7、优选的，所述数据处理与分析模块与货物感知模块电性连接，所述数据处理与分析模块还包括外部数据拓展整合模块、异常监测模块、预测性分析模块，所述数据拓展整合模块用于与电商平台、供应商系统、交通管理部门建立数据接口，用于从电商平台获取订单信息、客户评价以及销售趋势预测数据，用于提前规划物流资源；从供应商系统获取原材料供应计划、发货时间，用于优化库存管理；与交通管理部门的数据对接，获取实时路况信息、道路施工信息以及交通管制信息，用于对运输路线规划提供依据；

8、异常监测模块基于卷积神经网络和循环神经网络对物流数据进行异常检测，卷积神经网络用于处理图像数据，包括识别货物包装破损、车辆外观损坏；循环神经网络用于处理时间序列的订单数据、车辆行驶轨迹数据，基于此检测订单量的异常波动、车辆行驶路线偏离；

9、包括以下异常检测步骤：

10、s301：对从货物感知模块获得的数据进行收集和预处理，并标注正常数据和异常数据，正常数据和异常数据基于实际情况对车辆行驶数据、货物状态数据、库存数据、仓库环境数据、订单数据、客户信息数据进行设置；

11、s302：特征提取，通过卷积神经网络提取数据中的图像特征，通过循环神经网络提取数据中的时间序列数据，对其进行训练、特征学习和优化；

12、s303：将预处理后的从货物感知模块获得的数据根据其特征输入至卷积神经网络和循环神经网络中，基于此对异常进行检测，根据监测到的异常数据进行相应的处理。

13、优选的，所述预测性分析模块包括深度特征挖掘与自适应选择模块、arima模型和garch模型混合模块、动态调整模块、深度神经网络模型构建模块、预测增强模块、模型评估与优化模块，所述深度特征挖掘与自适应选择模块基于深度学习中的自编码器技术进行特征挖掘，自编码器用于学习数据的深层次特征表示，将原始高维数据压缩到低维特征空间，然后再解码还原数据，通过最小化重构误差来优化特征提取，同时基于强化学习算法进行特征选择的自适应优化，强化学习算法根据预测性分析模块的性能反馈，包括准确率、召回率来决定特征的选择和权重调整；

14、所述arima模型和garch模型混合模块中，arima模型为自回归积分滑动平均模型，garch模型为广义自回归条件异方差模型，用于针对物流数据中常见的波动性和异方差性问题，将arima模型与garch模型进行融合，包括以下操作步骤：

15、s401：利用arima模型对时间序列的均值部分进行建模，捕捉数据的线性趋势和季节性规律，包括预测货物的长期需求趋势、运输流量的季节性变化；

16、s402：将arima模型的残差序列输入到garch模型中，garch模型用于对残差的方差进行建模，有效捕捉数据的波动性和异方差性特征，包括预测货物价格在特定时间段内的波动范围、运输需求的突然变化幅度，arima模型和garch模型混合模块用于提供更全面的时间序列预测结果，包括对数据均值的预测、预测的置信区间和风险评估；

17、所述动态调整模块基于货物感知模块和arima模型和garch模型混合模块反馈的数据进行自动调整，基于滑动窗口技术，实时监测新流入的数据与时间序列预测结果之间的差异，当差异超过设定的阈值时，系统自动触发模型参数优化流程，采用粒子群优化算法、遗传算法对arima模型的参数、garch模型的参数进行重新优化，在优化过程中，以最小化预测误差为目标函数，同时考虑模型的复杂度和稳定性；

18、所述深度神经网络模型构建模块用于构建能够融合多种物流数据模态的深度神经网络模型，物流数据包括结构化数据：订单信息、库存数据；半结构化数据：货物描述、物流日志；非结构化数据：货物图像、运输车辆监控视频，采用卷积神经网络处理图像和视频数据，提取货物的外观特征、运输车辆的运行状态特征；利用循环神经网络处理结构化和半结构化的序列数据，包括订单的时间序列、库存的变化历史；通过全连接层将不同模态的特征进行融合，并在融合后的特征空间上进行预测任务；

19、所述预测增强模块基于生成对抗网络来解决物流数据中常见的小样本问题，包括历史数据较少的货物和业务，生成对抗网络由生成器和判别器组成，生成器用于根据有限的真实样本数据生成新的模拟样本数据，模拟样本数据在数据分布上与真实样本相似；

20、所述模型评估与优化模块基于nsga-ii算法进行模型优化，同时考虑多个相互冲突的评估指标，包括预测准确性、模型复杂度、计算资源消耗，用于根据多个评估指标对模型参数组合种群中的个体进行非支配排序和拥挤度计算，选择出最优的模型参数组合。

21、优选的，所述调度决策模块与数据处理与分析模块电性连接，所述调度决策模块包括多智能体调度模块、辅助调度决策模块所述多智能体调度模块包括智能体与环境建模模块、奖励机制设计模块、学习与决策模块，所述智能体与环境建模模块用于将仓库内的每一个独立作业任务定义为智能体，包括但不限于订单拣选任务、货物上架任务、补货任务，每个智能体具备自身的状态信息，包括任务的优先级、当前执行进度、所需资源情况以及与其他任务的关联关系，所述智能体与环境建模模块还包括仓库资源、环境状态，所述仓库资源包括但不限于各类搬运设备、空闲存储货位、人力资源，所述仓库资源构成智能体所处的环境要素，所述环境状态由仓库资源的实时可用性、容量、位置分布以及环境条件进行描述。

22、优选的，所述奖励机制设计模块为每个智能体设定多维度的奖励函数，以引导其做出最优决策，奖励函数综合考虑任务完成时间、资源利用率、成本节约以及服务质量，若智能体能够在短时间内完成任务且高效利用资源，则给予较高的正奖励；若任务延迟、造成资源浪费，则给予负奖励；

23、学习与决策模块基于智能体与环境不断交互进行学习，在每个决策时刻，智能体根据自身当前状态和环境状态，利用近端策略优化算法从动作空间中选择一个动作，动作包括选择使用哪种设备执行任务、确定任务执行的路径、顺序、决定货物存储的具体位置。

24、优选的，所述奖励机制设计模块具体的包括：

25、确定奖励因素及权重，包括任务完成时间因素：用于计算任务从开始到完成所耗费的时间与预期标准时间的比例关系，公式为：

26、

27、其中rtime为任务完成时间奖励因子，tactual为任务实际完成时间，tstandard为任务预期标准时间，当任务提前完成，则rtime大于1，若任务延迟完成，则rtime小于1，该任务完成时间因素权重设为wtime；

28、资源利用率因素：用于针对不同资源分别计算利用率并综合考量，公式为：

29、rresource＝∑iwiui；

30、其中rresource为综合资源利用率，wi为不同资源利用率的权重，ui为第i资源的利用率，该资源利用率因素权重设为wresource；

31、成本节约因素：用于考虑任务执行过程中节省的成本，包括设备运行成本、人力成本，公式为：

32、

33、其中rcost为成本节约奖励因子，csaved为节省的成本，cbudest为预算成本，该成本节约因素权重设为wcost；

34、服务质量因素：用于衡量任务完成的准确性和完整性，公式为：

35、rservice＝aaccuracy*acompleteness；

36、其中rservice为服务质量奖励因子，aaccuracy为服务的准确率，acompleteness为服务完整率，该服务质量因素权重设为wservice；

37、基于上述内容进行奖励函数的构建，公式为：

38、r＝wtimertime+wresourcerresource+wcostrcost+wservicerservice；

39、其中r为奖励函数。

40、优选的，所述辅助调度决策模块包括数字孪生仓库构建模块、仿真场景与策略设置模块、仿真评估与优化模块，所述数字孪生仓库构建模块基于3d建模技术和物联网数据，创建与真实仓库完全对应的数字孪生模型，数字孪生模型用于还原仓库的物理布局，包括货架的位置、尺寸、层数，搬运设备的运行轨道、停靠点，以及货物的存储位置、形状、体积，数字孪生模型还嵌入有仓库内的物流流程、设备运行逻辑以及人员操作规范、业务规则，用于真实反映仓库的实际运营状态；

41、仿真场景与策略设置模块用于根据实际业务需求和可能出现的情况，在数字孪生模型中设置多种仿真场景，包括不同订单量：日常订单量、促销活动订单量、高峰季节订单量；不同货物分布：均匀分布、集中在特定区域；设备故障：叉车故障、输送带故障；紧急插单；针对每个场景，制定多种调度策略，包括不同的任务分配规则、设备调度方案、库存布局调整策略；

42、仿真评估与优化模块用于对每种仿真场景下的不同调度策略进行模拟运行，收集并分析相关数据，包括货物出入库时间、设备利用率、库存周转率、任务完成率，通过对比不同策略在相同场景下的性能表现，评估各策略的优劣，筛选出表现较好的策略进行进一步优化，优化过程可以调整策略中的参数，包括设备分配比例、任务优先级权重，然后再次进行仿真评估，直到找到最优的调度策略组合。

43、优选的，所述决策优化模块包括数字孪生模型更新模块、仿真场景生成与优化模块，所述数字孪生模型更新模块用于提高与物理仓库的同步性，优化数据融合机制，用于与计算机视觉系统融合，基于此获取货物状态和位置的实时图像数据、员工操作的实时动作捕捉数据，同时根据仓库运营的动态程度和数据的重要性，动态调整模型更新频率；

44、在数字孪生模型构建中，增加更多物理细节和行为特性，包括考虑货物的物理特性对设备搬运操作的影响，模拟设备在不同负载和运行速度下的能耗变化和机械磨损情况；

45、所述仿真场景生成与优化模块用于增加更多复杂和罕见的场景，包括但不限于自然灾害对仓库的影响、供应链中断场景，采用组合优化方法，对不同场景进行组合仿真，研究在多种不利因素同时出现时的调度策略。

46、优选的，所述执行控制模块用于通过通信技术的设备控制接口与人员交互终端，实现调度指令的高速、低延迟的数据传输。

47、与现有技术相比，本发明提供了一种具备智能调度功能的智能化wms系统，具备以下有益效果：

48、1、该具备智能调度功能的智能化wms系统，通过数据拓展整合模块，可以与外部平台进行连接，以此可以拓展本系统，能从电商平台获取订单信息、客户评价以及销售趋势预测数据，基于此可以用于提前规划物流资源；从供应商系统获取原材料供应计划、发货时间，基于此可以进行优化库存管理；与交通管理部门的数据对接，获取实时路况信息、道路施工信息以及交通管制信息，基于此可以对运输路线规划提供依据，在进行后续调度时，可以提到更高的可靠性。

49、2、该具备智能调度功能的智能化wms系统，还可以对仓库的物流数据进行异常的检测，可以检测出异常情况，并根据异常情况进行乡音给的处理，包括物流资源的配置、防止货物出现被盗和运输事故，能精准地识别出仓库内货物的细微差异和异常情况，可以通过arima模型和garch模型混合模块预测货物价格在特定时间段内的波动范围和运输需求的突然变化幅度，可以预测出一端时间内运输需求的平均数量以及需求波动的上下限，物流企业可以根据这些信息合理安排运输资源和库存水平，同时制定应对需求波动风险的策略，如与供应商签订弹性供应合同、准备应急运输方案。

50、3、该具备智能调度功能的智能化wms系统，通过设定的奖励函数，综合考虑任务完成时间、资源利用率、成本节约以及服务质量，在进行仓库管理时，可以引导智能体做出最优的决策，经过学习可以提高未来决策的准确性和效率，经过大量的交互学习，使得智能体能够逐渐掌握在不同环境下的最优调度策略，实现整体仓库作业效率的最大化。