基于數字孿生技術的危化品車輛運輸路徑優化方法

張凱月, 溫海駿*, 陳躍鵬, 孟華嚴, 巨雨亭

(1.中北大學機械工程學院, 太原 030051; 2.先進制造技術山西省重點實驗室, 太原 030051)

危化品具有腐蝕、毒害、爆炸等性質,在運輸過程中由于運輸路線規劃不合理或安全監管力度不足等原因發生事故,對人體或周邊環境易造成嚴重危害[1-2],成為制約合規利用危化品促進社會經濟發展的關鍵因素。因此,制定合理的危化品運輸車輛調度方案變得至關重要。

危化品車輛調度問題本質上屬于車輛路徑規劃問題(vehicle routing problem,VRP),目前中外針對車輛路徑問題的衍生問題有大量研究。Zhang等[3]、Jose等[4]和Islam等[5]運用了遺傳算法或蟻群算法求解帶時間窗的VRP問題。李魁梅等[6]采用混合蝙蝠算法求解帶車輛載重量約束的多式聯運車輛路徑優化模型。危化品路徑問題作為VRP問題的重要一項,很多學者也對此類問題做過相關研究。郭碩等[7]結合概率語言平均解距離評價法,對危化品道路運輸路徑決策問題進行了求解。李樹民[8]用深度遍歷搜索算法與非支配排序算法,求解了降低運輸事故風險和成本雙目標的危險貨物運輸路徑優化問題。范杰[9]將可靠性選址與路徑優化問題結合,解決了危化品物流系統中儲存和運輸環節的風險和成本控制問題。

現有文獻主要集中于建立固定風險模型并結合啟發式算法實現危化品車輛路徑規劃研究,針對危化品路徑問題的研究中考慮實時性動態信息因素較少,且一般未充分結合新興電子信息技術實現對動態信息數據的獲取。由于危化品物流運輸介質的特殊性和風險管控難度大的特點,危化品物流的特殊性主要表現在企業運輸許可、運輸車輛和駕駛人員的專門要求兩方面。因此現將數字孿生技術融于不確定性因素下多目標優化的危化品運輸車輛路徑問題研究,動態獲取駕駛員疲勞狀態預警及車輛故障預警的實時數據與調度方案進行交互融合,降低貨物配送的成本及發生風險概率。

1 數字孿生驅動下危化品物流配送系統框架構建

1.1 基于數字孿生的聯動信息構架

數字孿生技術在車間管控[10-11]、產品制造工藝[12-13]以及裝備管理[14-15]等方面應用的研究較多。基于數字孿生的危化品車輛調度系統,主要是在孿生數據的驅動下,先對危化品物流運輸物理空間中的數據信息,根據需求與約束進行提前儲存與分析計算。虛擬空間針對數據模型制定初始車輛調度計劃,并實時接收動態數據,從而實現虛擬模型在動態性干擾的作用下結合優化算法對調度方案進行不斷優化仿真。如圖1所示。

1.2 系統體系架構設計

基于以上聯動信息架構運行機制,提出了基于數字孿生技術的危化品物流配送系統整體框架,分為物理層、服務層、模型層、運維服務層4個層次,如圖2所示。

圖2 危化品物流配送系統數字孿生框架Fig.2 Digital twin framework of hazardous chemicals logistics distribution system

(1)物理層。該層負責接收危化品車輛調度系統指令,并獲取運輸車輛危險駕駛物理信息。依據主動安全智能防控系統的疲勞監測系統(driver status monitor, DSM)獲取駕駛員疲勞狀態視頻圖像,也可通過汽車自診斷(on-board diagnostics, OBD)系統,應用基于控制局域網總線(controller area network, CAN)的相關協議,通過OBD檢測儀獲取車主駕駛行為習慣、車輛故障信息碼及油耗、車速等關鍵信息,實現對車輛駕駛情況進行實時監管。

(2)服務層。該層利用孿生數據采集模塊與5G通信技術實現運維服務層和物理層之間的數據采集和傳輸。

(3)模型層。該層通過對危化品車輛配送過程中采集的數據結合路徑規劃算法,對危化品車輛調度方案進行實時動態調整和優化。為基于數字孿生技術的配送管理提供動態數字孿生模型。

(4)運維服務層。該層其他三層的基礎上,通過前端應用設計交互界面,實現對危化品車輛調度系統的數據表示與處理、信息管理與接收以及配送場景虛擬映射的數字可視化功能,并對物理層進行實時交互反饋與控制。

2 問題描述與數學建模

2.1 問題描述

基于數字孿生技術,考慮危化品運輸過程中駕駛員疲勞狀態及車輛故障等多種動態危險因素的時變性,構建在運輸時間窗的約束下,以運輸成本最小為目標的危化品運輸動態決策模型。

針對所研究的問題,做出以下假設。

(1)每輛車僅配送于一條路徑,且要保證配送初始點和結束點都是配送中心。

(2)每輛車可經過多個客戶點,每個客戶點只能被一輛車經過。

(3)危化品運輸車輛類型單一。

(4)每輛車服務其路徑上的每個客戶時,應在客戶規定的時間窗內到達配送地點,或早或晚都將面臨懲罰。

(5)所有的危化品運輸車輛在行駛過程中速度恒定且相同,不考慮行駛過程中道路擁堵等影響因素。

(5)配送中心和客戶點的位置坐標為已知。

(6)客戶點的服務時長,最早、最晚服務時間點及貨物需求量已知。

2.1.1 運輸成本

(1)

當系統監測到司機疲勞駕駛或車輛故障等信息后,此時車輛在運輸過程中發生事故的概率會隨著行駛距離的增加而增加,將司機疲勞駕駛危險度系數設為ρ1,將車輛故障危險度系數設為ρ2,為方便計算,取ρ1=ρ2,綜合表示為危險度系數ρ取值1.5。且風險成本與車輛行駛里程成正比。

車輛固定成本主要包括車輛行駛油耗成本以及車輛累計損耗、相關車輛監測設施裝備及相關軟件系統的損耗,其中油耗成本與行駛里程成正比。

2.1.2 懲罰成本

(2)

(3)

根據以上分析建立數學模型為

minT=min(T1+T2)

(4)

s.t.

(5)

(6)

(7)

(8)

(9)

(10)

EETi≤tik≤ELTi

(11)

(12)

(13)

(14)

式中:T為總成本。

式(5)表示配送初始點和結束點都是配送中心;式(6)～式(8)表示貨車k在路徑上的流量限制;式(9)表示每輛車所承載的貨物總量qi不應超過車輛的載重量Q;式(10)表示車輛k行駛時間不間斷,其中si為客戶i的服務時長,wi為從節點i到j的路程消耗時間,M為足夠大的正數;式(11)表示車輛的到達時間必須在客戶i規定的最早和最晚時間窗范圍內;式(12)為二值變量,值取1時表示車輛k由客戶i行駛到客戶j;式(13)為二值變量,值取1時表示車輛k服務客戶i;式(14)為二值變量,取值1時表示車輛k完成了客戶i的服務。

2.2 算法內核設計

基于數字孿生技術的危化品物流配送系統相比于傳統物流配送調度系統,增添了運維服務層和物理層之間的數據驅動反饋,使選擇的算法內核根據物理層實時獲取的物理信息和運維服務層的數據交互,實現對危化品車輛狀態信息進行實時把握和動態調整。本文研究選擇遺傳算法作為算法內核對危化品物流配送調度問題進行求解,遺傳算法流程如圖3所示。

圖3 遺傳算法協調邏輯Fig.3 Genetic algorithm coordination logic

(1)編碼。選用一種傳統編碼方式--自然數編碼,染色體長度設為v+K-1,v表示客戶點數量,K為配送車輛總數。配送中心編碼為0,編碼1～n代表各個客戶點。

(2)解碼。將客戶點按任意順序排列,qi代表染色體中第i個客戶點的需求總量。如果承載貨物總量沒有超過車輛最大載重,則判斷時間窗約束插入客戶點,否則增派車輛,遍歷剩余客戶點。

(3)適應度函數。根據本文研究的問題,需要在進行選擇操作時判斷適應度值大的個體并將其選擇,所以取綜合配送成本倒數作為染色體適應度函數,即fit(i)=1/T。

(4)個體選擇。選用輪盤賭選擇法,通過判斷適應度值的大小來選取綜合配送成本更低的個體進行后續操作。

(5)交叉。使用OX交叉的方式,在兩個父代染色體中任意選擇a、b兩點,將兩點間的片段確定為交叉片段。將兩個父代染色體的交叉片段分別移動到另一條父代染色體的前面,按照從前到后的順序刪除第2個重復基因位,從而形成兩個子代染色體。

(6)變異。隨機選擇兩個變異位置,互換后重新判斷該個體是否滿足約束條件。

根據數字孿生技術,改變傳統車輛調度方案中固定的客戶服務時間,根據危化品車輛故障信息以及駕駛員疲勞報警信息的數據上報,經系統判斷報警次數達到上限后,車輛在到達客戶點后可動態選擇在客戶點的服務時間。例如,客戶服務時間為[50,100],若選擇服務時間為50 min,則說明車輛行駛狀態正常,選擇了固定裝卸貨物的時間;若選擇區間范圍內的值,則說明駕駛員根據需要自行選擇了服務時間;若選擇服務時間100 min,則說明根據系統提醒強制選擇了最長的服務時間用于駕駛員休整以及車輛故障維修,從而對初始調度方案中客戶服務順序做出改變,生成新的路徑規劃方案,如圖4所示。

圖4 配送路線Fig.4 Delivery route

3 實驗與驗證

假設某配送中心有危化品運輸車輛10輛,針對區域內25個配送點建立基于數字孿生技術的危化品車輛配送方案,配送模型相關參數設定如表1所示,客戶坐標、需求量、時間窗、客戶動態服務時間及選擇的服務時間等信息如表2所示,每個客戶服務時間可根據系統報警提醒進行動態選擇區間范圍內服務時間。

表1 物流配送模型參數設定Table 1 Parameter setting of logistics distribution model

表2 客戶點坐標、需求量、時間窗及動態服務時間Table 2 Customer point coordinates, demand, time window and dynamic service time

初始種群數為100,交叉概率0.9,變異概率為0.05,經過1 000次迭代之后得出,基于數字孿生技術的車輛調度方案如下。

配送路線1:0-1-2-15-12-13-22-8-19-16-3-0;配送路線2:0-4-21-9-25-17-18-5-0;配送路線3:0-6-7-14-23-24-10-11-20-0。

其中第1、3條路線的危化品運輸車輛在經過第22、7顧客后,基于數字孿生技術的車輛監控系統檢測到了車輛發生多次危險駕駛警告,經過系統提醒在客戶點8、14處強制選擇最長服務時間進行了車輛維修或駕駛員休整,導致其后續客戶服務順序發生改變。第1、2條路線的危化品運輸車輛在經過第19、17客戶點時根據需要在普通裝卸貨物需要的時間基礎上自行增加了10 min的服務時間,但并未對其原始路徑規劃方案產生變動。其實際路線方案如圖5所示。

圖5 最優配送路徑Fig.5 Optimal delivery route

經分析,傳統物流配送車輛調度方案中總成本為22 290元,基于數字孿生技術的車輛調度方案中總成本為21 909元,其中事故風險成本為1 789元,由于危化品配送車輛經過了車輛維修及駕駛員休整,不僅降低了危化品運輸過程中發生風險的概率,還在一定程度上降低了發生事故后對企業及社會的損失成本。所以減免配送過程中的事故風險成本后的總成本為20 120元,基于數字孿生優化仿真方法得到的物流配送總成本比在傳統優化仿真方法下的物流配送總成本降低了9.73%。

4 結論

危化品運輸環節中的發生事故不僅會對企業造成嚴重損失,還會引發重大人員傷亡事故,并且對周邊生態環境也會造成嚴重污染與破壞。

(1)結合危化品物流配送系統數字孿生框架,實現對危化品配送過程中的時變物理信息動態掌握。

(2)通過仿真分析,驗證了基于數字孿生技術的危化品車輛調度方案可以根據動態不安全信息調整路徑優化方案。

(3)本文方法不僅使危化品在運輸過程中的配送總成本降低了9.73%。同時由于在一定程度上降低了危險品在運輸過程中發生事故的概率,對事故后續可能產生的生態影響也有一定程度的減輕。