適用于B2B業務的“貨到人”密集存儲布局研究

龔志鋒，陳滔滔，石 超，陳建銀

GONG Zhi-feng,CHEN Tao-tao,SHI Chao,CHEN Jian-yin

（北京科捷物流有限公司，北京 100085）

0 引言

隨著互聯網的高速發展，電子商務不斷深入人們生活的各個領域，對倉儲揀選效率提出了更高的要求，自動化設備的應用成為提高倉儲物流效率的主流方案，各式各樣的設備與方案如雨后春筍般不斷涌出[1]。其中，使用類Kiva機器人的貨到人揀選系統應用最為廣泛[2]。此方案大多應用于B2C業務之中，適用于訂單貨物種類繁多的復雜揀選場景，可大大提升揀選效率。與此同時，此方案的倉儲容量較為低下，不能充分利用倉庫的Z軸空間，無法滿足對倉容具有較高要求的業務，例如大批量出入庫的B2B業務往往會選擇普通的橫梁式貨架或自動化立體庫[3]。

本文以此種類Kiva機器人的“貨到人”揀選系統為對象，以重慶某倉庫為背景，研究一種密集存儲的方案，以改善原方案庫容低下的缺點，使其應用能夠不局限于B2C業務之中，而能夠在一定程度上滿足某些B2B業務的需求，同時也能夠為日后自動化解決方案的研究開拓思路。

1 研究背景

本次研究以重慶某倉庫為背景，該倉存儲的業務主要為移動公司的手機終端以及電話卡，目前使用托盤地堆存儲且每個庫位都堆疊成雙層來使用，庫房使用率約為90%，處于爆倉狀態；倉庫日常出貨方式為整托出庫，部分散件出庫，極少拆零，日常出入庫約170托盤。為了提高庫內機械自動化水平，縮減人工成本，計劃使用AGV貨到人揀選系統。

當前的類Kiva機器人的“貨到人”揀選是以智能輪式機器人為載體，通過將“數據驅動方式”與“貨到人”模式相結合的揀選模式[4]。在此模式中，貨物存儲在定制好的物料架之中，并按傳統的單深布局排布，在有訂單任務時，機器人只需將相應的物料架運至工作人員處，交由工作人員完成揀選。

圖1 “貨到人”存儲區布局

圖1為類Kiva機器人“貨到人”模式的常用布局形式，有如下幾個優點：

1）模仿傳統貨架的巷道布局形式，機器人取貨時不會受到非目標物料架阻擋的情況。

2）物料架擺放區域與機器人通道固定，但物料架可以在劃分好的擺放區域內動態存放，最終可以自然形成熱銷產品靠近工作站的有利布局[5]。

3）機器人通道數冗余，可以滿足大量機器人同時運行而不發生擁堵。

但與此同時，此種布局形式存在著一個最大的弊端，即倉庫空間利用率低下。具體表現在以下兩個方面：

1）此布局劃分出了大量的機器人通道，每兩排物料架之間就有一條機器人通道，使得機器人通道占據了整個倉儲空間的三分之一以上。

2）此布局并不能夠充分利用倉庫的高度，物料架只能擺放一層[6]。

由于這些短處，導致該模式基本用于倉庫面積大、SKU種類多的B2C業務之中，對于一些業務量較小的B2B業務也不能夠很好的滿足。

因此本文通過研究密集存儲方案，改進原布局方式，提高倉庫空間利用率，以滿足業務的需求。

2 密集存儲方案研究

傳統的密集存儲貨架有貫通式貨架、重力式貨架、穿梭式貨架等，它們都有2個共同的特點，一是采用窄巷道甚至取消了貨架間的巷道；二是充分利用了倉庫的高度，采用多層結構[7]。因此，對于本次的研究對象，同樣從此2方面進行考慮。

首先，若要往高度方向進行擴展，則必須搭建閣樓平臺，導致施工復雜，同時額外設備過多，失去了Kiva模式輕型快捷的優勢[8]；那么，對于另一個改進方向，取消貨架之間的巷道，則是可以大大增加庫位數量，同時可存儲的SKU種類減少，SKU深度提高，較為契合B2B業務的特點[9]。因此，在總體布局上采用減少巷道數量的密集存儲方案。經過研究與分析，提出以下三種方案。

2.1 整體式布局

本布局將傳統布局中的巷道全部取消，將所有庫位都緊密排布到一起，從而大大提高庫位數量。具體的布置細節如圖2所示。

1）當SKU數少，庫存深度大時，采用圖2(a)中的形式，每行只存放一類SKU，一側入庫，一側出庫，從而滿足先進先出的原則。

2）當SKU數并不少時，采用圖2(b)中的布局，每行存放2類SKU，每種SKU都在同一側進行出入庫操作，此情況下先進先出原則無法得到很好的滿足。

本布局最大的優點便是充分利用了倉庫的平面面積，使庫位數量在只有一層的條件最大化；同時，缺點也同樣明顯，其無法很好的滿足SKU較多的情況，且只有在SKU數較少時才能夠滿足先進先出原則。

2.2 區塊式布局

本布局在2.1節整體式布局的基礎上進一步劃分，通過留出少量的機器人通道將存儲區域劃分為若干塊，庫位數量有所減少，靈活性相對提高。具體布置如圖3所示：

圖2 整體式布局

1）區塊式布局有了更多的機器人通道，使存儲區域的暴露面積增大，出入庫位置增加，從而使出入庫效率大大提高。

2）與2.1節的整體式布局相同，本布局中，每個區塊的每行只存儲1～2類SKU，同樣有同端出入、一側入一側出2種形式，但由于劃分了區塊，使其能夠容納更多種類的SKU。

3）由于進行了區塊的劃分，本布局能夠將存儲的物料按總體的業務分類存放或按照商品的ABC熱度分塊存放，能夠更加合理清晰地對存儲區域進行管理。

圖3 區塊式布局

本布局吸收了上一布局的優點，在犧牲了一定庫容量的同時，增加了出入庫位置，機器人的行走路徑更加自由，有利于提升出入庫的整體效率。此外，本布局可容納SKU種類有所提升，且可以更好地按照ABC分類進行排布。

2.3 L形布局

本布局在區塊式布局的基礎上對庫位的排列進行了改進，將傳統的直線排列改為L形。

一般情況下，同一SKU的貨物都按照直線進行排列，對于人工出入庫，直線排布條件下尋找貨位最為簡單快捷；而若是采用機器人出入庫，機器人可以直接查詢系統中的庫位信息，能夠快速找到對應的貨物位置，因此直線排布的優勢被最大限度的縮小。

同時，如圖4所示，從前兩個布局中可以看出，存儲塊的四周除了出入庫點外，至少存在1～2條邊僅用于機器人通行，且整條邊全長都為同一SKU，造成高自由度存儲位置的浪費。

圖4 直線排列

為了充分利用每一條邊，采用L形布局。如圖5所示為L形布局的示意圖，此布局有以下特點：

1）與上一布局相同，將存儲區進行了劃分。

2）對長寬相近的區塊中的貨物采用L形的排列，而長寬相差較大的區塊不適合采用L形的排列形式。

3）采用L形排列的區塊充分利用了四周的每一條邊，沿著邊的方向每個貨位都能夠存儲不同的SKU，且都為出入庫點，滿足先進先出的原則。

4）由于充分利用了區塊的每一條邊，因此L形布局可存儲的SKU種類數大大增加，相比區塊式布局，會增加接近1倍的SKU數。而長寬相差較大的區塊不適合采用此種布局，若強行采用，則SKU數反而會下降。

2.4 中心對稱布局

圖5 L形布局

L形布局考慮到了充分利用存儲區域的每一條邊并顧及到了先進先出的原則，導致每個SKU占用了2條邊，仍沒有最大化地利用每條邊以區分不同的SKU，對于SKU數更多的業務場景，L形布局仍然有所不足。因此，考慮放棄顧及先進先出的原則，使每個SKU僅占用一條邊，從而使存儲區域沿邊長方向的每個庫位都能夠存儲不同的SKU。經過研究分析，采用中心對稱式的布局形式，如圖6所示。

1）本布局建立在整體式布局的基礎上，并沒有對存儲區域進行劃分，去除多余通道，最大化庫容量。

2）存儲區域從整體上看被2條對角線切開，分為了4個三角，每個三角都由一條條的隊列構成，構成類似于正態分布的形式，每個隊列都能夠存儲一個SKU，沿存儲區域的周長方向，每個庫位都可以存放不同的SKU，4條邊都被充分的利用。

圖6 中心對稱布局

3 布局方案優選

布局方案的選擇是一個較為復雜的問題，涉及到多種因素的考慮，包括庫容量、出入庫效率、先進先出原則等，且其中許多的因素無法定量的描述。而AHP法可以將復雜問題分解成各個組成因素（指標），再將這些指標按支配關系分組形成遞階層次結構，通過兩兩比較的方式確定層次中各個因素（指標）的相對重要性，最后確定備選方案相對重要性的總排序，是一種層次權重決策分析方法。因此采用層次分析法對布局方案進行優選[10]。

3.1 建立層次結構模型

首先把需要決策的問題層次化，即根據目標層、準則層、方案層的結構將問題分解成不同的構成要素，形成一個不相交的層次結構模型。

本次研究中，共提出了整體式布局、區塊式布局、L形布局以及中心對稱布局4種方案，對此，以庫容大小、是否滿足先進先出原則、SKU數以及出入庫效率為指標進行評分對比，從而選出4個方案中的較優者。此外，一旦建立好計算模型后，日后可以方便地加入新的評價指標。建立好的層次結構模型如圖7所示。

圖7 AHP層次結構模型

3.2 構造判斷矩陣

層次結構建立完成后，我們需要根據目標層，對準則層的各個因素賦予相對的權重。在大多數的社會經濟活動中，尤其是復雜問題的比較中，元素的權重無法直接獲得，AHP法所用的導出權重法為兩兩比較法，通過使用相對尺度，降低比較不同性質因素的困難，從而提高結果的準確性。

本此計算各個指標的相對權重時采用9標度法，具體取值規則如表1所示。其中αij代表指標i與指標j的相對權重，一般取正整數1～9及其倒數。

表1 相對權重取值規則

根據以上取值規則，對各個指標的相對權重進行打分。本此的研究背景為重慶某倉庫的移動業務，其當前的首要問題是解決爆倉問題，且每日出入庫量并不大，因此各指標的重要性為：庫容＞先進先出＞SKU數＞出入庫效率，最終得到判斷矩陣，如表2所示。

表2 準則層對目標層的判斷矩陣

3.3 層次單排序

層次單排序指的是對于上一層的某個因素，本層的各個因素的相對權重，即根據準則層，對方案層的各個方案打分，同樣采用兩兩比較法，具體結果如下：

表3 方案層對庫容指標的判斷矩陣

表4 方案層對先進先出指標的判斷矩陣

表5 方案層對SKU數指標的判斷矩陣

表6 方案層對出入庫效率指標的判斷矩陣

3.4 判斷矩陣的一致性檢驗

因為客觀事物具有復雜性，導致我們在判斷事物時具有片面性與主觀性，具體表現為我們每次判斷事物的思維標準不可能完全相同。因此，在構造判斷矩陣時，一旦出現混亂且經不起推敲的錯誤就有可能會引起決策失誤，所以為了使判斷在總體上保持一致，在對每一層構造判斷矩陣時都要作一致性檢驗。

令：

其中，λmax為判斷矩陣的最大特征值，n為判斷矩陣的階數，CI為一致性指標。

然后，根據CI與隨機一致性指標RI的比值得到一致性比率CR，若CR＜0.1，則說明判斷矩陣的不一致程度在容許范圍之內。RI的取值具體參考表7[10]。

表7 平均隨機一致性指標

經過計算得到一致性比率，結果如表8所示。

表8 單層一致性檢驗計算結果

從計算結果可以看出，各層的各個矩陣的CR都滿足小于0.1，證明單層一致性檢驗通過。

3.5 層次總排序

本節中需要確定方案層對于目標層的相對重要性排序，此過程從最頂層的目標層開始依次往底層進行。

準則層4個因素B1，B2，B3，B4，其對目標層的排序為b1，b2，b3，b4，方案層4個因素P1，P2，P3，P4對準則層中因素Bj的層次單排序為p1j，p2j，p3j，p4j，得到如下匯總表。

表9 層次總排序

對結果進行層次總排序一致性檢驗：

因此，層次總排序通過一致性檢驗。

從表9中可以看出，中心對稱式布局（0.2947）＞整體式布局（0.2862）＞L形布局（0.2518）＞區塊式布局（0.1674）。因此最終選擇中心對稱式布局作為最終的評選結果。

4 結論

本文從Kiva機器人的“貨到人”模式中得到啟發，研究新的“貨到人”布局模式，增大原模式的庫容量，使其能夠適應B2B業務模塊，并以重慶某倉庫為研究背景，從設計的布局之中評選出較優者，在此研究過程中，得到以下結論：

1）在布局模式的設計過程，以提高庫容量為首要原則，提高SKU數為次要原則，設計了4種方案，但可行的方案絕不僅有這4種，在未來的實踐研究中仍需不斷探索。

2）在采用AHP進行方案優選時，評選準則根據研究背景中的倉庫進行選定與打分，當將其用于其他倉庫時，需要根據實際情況進行調整。

3）評選的方案各有優劣，在不同的條件下進行打分，往往會得到不同的評選結果。在本研究背景中，當前倉庫對于庫容的重視程度遠遠大于其他因素，因此分數最高的兩個方案在布局上都是整體式的，將通道數量減到了最少，而其中中心對稱式布局在SKU數等其他因素中同樣有較好的比分，最終分數遠遠領先于其余方案。

本次研究為探索性研究，方案的可行性需要通過實踐進行檢驗，而層次分析法在今后方案的研究中不失為一種較好的決策方法，優化指標的選取與打分，使其結果更加的科學合理。