?？禉C器人：讓數(shù)據(jù)的流動和分析驅動智慧物流

在各行業(yè)倉儲物流中心，機器人系統(tǒng)的應用，不僅提高了作業(yè)效率，減輕了工作人員的勞動強度，還有助于優(yōu)化資源、降低成本，具有良好的經(jīng)濟效益。但是，在倉儲物流中心，“用好”“管好”機器人系統(tǒng)，協(xié)同人力，讓作業(yè)效率最大化，則需要更智能的倉儲管理系統(tǒng)。

海康威視智能倉儲管理系統(tǒng)iWMS應運而生。iWMS利用機器人系統(tǒng)作為執(zhí)行載體，實現(xiàn)“貨到人”的可視化管理，集成多種倉儲優(yōu)化技術，穩(wěn)定可靠、兼容性好，可與企業(yè)ERP等系統(tǒng)全功能對接，實現(xiàn)了機器人系統(tǒng)的快速部署，并與企業(yè)業(yè)務系統(tǒng)高效聯(lián)動。在智慧供應鏈的專場，名為“運籌帷幄決勝千里”的大戲已然上演。

iWMS位于?？低旳ICloud架構中的邊緣域圈層，實現(xiàn)了數(shù)據(jù)的匯聚、處理和智能化應用，這其中又蘊含了哪些智能算法和AI技術？

iWMS由倉儲服務、任務處理服務、機器人控制服務，算法服務，工作站終端APP、移動終端APP等組成。

在?？低暟卜喇a(chǎn)業(yè)智能制造基地，iWMS與移動機器人、機器人調度控制系統(tǒng)構成智能倉儲及廠內(nèi)物流解決方案，實時管理數(shù)十個不同類型的倉庫，可同時處理數(shù)十萬條出入庫訂單，效率提升70%以上。

iWMS×AI

借助基于數(shù)據(jù)挖掘、機器學習、深度學習等AI核心技術，iWMS提供四大算法服務：倉位推薦、智能組波次、庫存分配、貨架冷熱度預測，可對倉儲業(yè)務資源數(shù)據(jù)進行分析處理，提供最優(yōu)執(zhí)行方法。后續(xù)也可以不斷增加新的算法服務，適應更多更復雜的業(yè)態(tài)。

數(shù)據(jù)挖掘是指從大量的數(shù)據(jù)中通過算法搜索隱藏于其中信息的過程，是人工智能和數(shù)據(jù)庫領域研究的熱點問題。

機器學習專門研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重組已有的知識結構使之不斷改善自身的性能。

深度學習是學習樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，它的最終目標是讓機器能夠像人一樣具有分析學習能力。

1.挖掘物料關聯(lián)，出庫“只跑一趟”

通過數(shù)據(jù)挖掘關聯(lián)性規(guī)則、規(guī)劃算法等實現(xiàn)智能倉位推薦算法服務，給出貨架搬運次數(shù)少、倉位利用率高的入庫方案，提高整體入庫效率、倉位利用率，并通過物料之間的關聯(lián)關系提高訂單命中率以進一步提高出庫效率。舉個簡單例子，生產(chǎn)過程中螺栓與螺母一般會配套使用，則認為這兩種物料關鍵度高，因此入庫時推薦上架到一個貨架上，出庫去產(chǎn)線時搬運一次貨架就可以實現(xiàn)這兩個物料的揀選，將會有效提高單個貨架訂單命中率，減少貨架搬運次數(shù)。

2.機器學習加持，波次聚類群分

針對iWMS訂單出庫模塊中組波次訂單存在多個貨架之間耦合，導致貨架搬運次數(shù)多的情況。按照全局聚類，提總再分的思路，結合動態(tài)規(guī)劃和機器學習的方法對整個大訂單池進行分解與重組，同時考慮訂單時效性，揀選效率等因素，實現(xiàn)智能組波次算法服務，降低訂單的平均揀選時間。

針對分播墻出庫業(yè)務一次下發(fā)多個訂單，而這些訂單散落分布在不同的貨架上，并需要將物料根據(jù)訂單播種到分播墻各個貨格上，根據(jù)這樣的業(yè)務情況，動態(tài)波次算法先對訂單聚類組合，通過機器學習動態(tài)調整訂單和貨架的出庫順序，實現(xiàn)盡可能少的搬運貨架次數(shù)，完成訂單任務。

如下圖，各色塊代表了一個小波次，數(shù)字是訂單號，ABCD等字母是貨架號。在一個訂單池中，以物料為維度，iWMS將物料重合度高的訂單組合在一個小波次中。再以貨架（多倉）為維度，將需求物料在同一個貨架上的訂單進行集合組建出庫波次，以提高出庫整體訂單命中率。

在這種模式下，每個貨架的平均搬運次數(shù)從2.10下降到1.03，倉庫揀選作業(yè)的效率大幅提升。智能組波次真正嘗試了從“數(shù)據(jù)提供支持”向“數(shù)據(jù)智能進行決策”的進化，用更柔性的方式控制生產(chǎn)節(jié)奏。

3.智能搜索規(guī)劃，分配得心應手

庫存分配算法服務內(nèi)含一系列規(guī)劃算法和智能搜索算法，可將訂單需求與庫存做精準匹配的同時，輸出貨架搬運次數(shù)最少的最優(yōu)出庫方案，并兼顧特殊業(yè)務需求如清倉或效率優(yōu)先，提高整體出庫效率。

針對庫容緊張的應用場景，可以使用優(yōu)先清空倉位策略，快速釋放庫容，提高倉庫周轉率。對于有效率要求的應用場景，可以使用效率優(yōu)先策略，通過需求數(shù)量去匹配庫存，以最少的揀貨次數(shù)完成出庫如下圖，例如某品牌墨鏡的庫存有5條，分列在A、B、C、D、E這5個貨架上，其對應數(shù)量分別是 1、3、5、7、9個。

若此時出庫的需求數(shù)量是9個，清空倉位優(yōu)先時，則出A+B+C（9=1+3+5）共3個貨架；效率優(yōu)先時，則出E（9=9）1個貨架。

4.深度靈智集結，從分析到預測

通過對倉庫中物料的每日出庫歷史數(shù)據(jù)進行探索性分析，從出庫歷史數(shù)據(jù)中挖掘到有效信息，基于神經(jīng)網(wǎng)絡的深度學習技術對每種物料未來一天的出庫量進行預測，實現(xiàn)貨架冷熱度預測算法服務。

將預測得到每種物料未來一天的出庫量作為衡量物料冷熱度的關鍵指標，判斷貨架的冷熱度，再調度機器人實時動態(tài)調整貨架位置。如下圖，紅色區(qū)塊代表高熱度貨架，會優(yōu)先排布到離揀選臺更近的地方。

AI賦能智能制造

AI、機器人和智能算法的智慧碰撞造就了不同凡響的智能倉儲管理系統(tǒng)iWMS。它一方面應對了更加多樣化的現(xiàn)場設備和更加復雜的作業(yè)場景，另一方面實現(xiàn)了更高的作業(yè)效率和準確率，讓柔性、可視化的供應鏈管理運維觸手可及，幫助制造企業(yè)搭建智慧內(nèi)物流系統(tǒng)，搶占“智”造升級的先機。