制造業倉庫是整個物流中的關鍵組成, 在生產、銷售和配送等環節中起著至關重要的作用[1]。而在倉庫的運作中, 倉庫的出入庫效率與倉庫內的叉車作業效率密不可分[2]。由于制造業倉庫內物品繁多, 不但需要為每件物品分配合理的貨位, 而且需要為所有物品分配合適的叉車進行搬運, 合理的叉車規劃和分配是提高倉庫作業效率、提高物品存取時間的關鍵, 是倉庫優化管理中又一重要問題。

文獻[3]介紹了煙草業叉車調度, 但沒有對倉庫內所有物品、人員、設備等對象進行實時追蹤、定位, 難以做到智能管理。文獻[4]采用Wi-Fi信號對叉車進行實時定位, 并設計出一個叉車調度系統, 但沒有綜合考慮叉車綜合性能。

現有的叉車分配算法主要有靜態調度和動態調度兩種[3]。靜態調度是指在進行調度之前, 倉庫內所有對象數據已知, 且各數據狀態穩定, 系統在整個調度作業過程中使用同一方案的調度方法;動態調度則是在進行調度之前, 倉庫內所有對象數據部分已知或者未知, 需要在變化的環境中實時作出反應的調度算法。

制造物聯環境下的智能倉庫, 采用計算機網絡技術構建網絡平臺, 實現對倉庫內所有數據的實時傳輸;采用RFID技術構建智能對象, 實現對倉庫內所有對象實時狀態感知和傳遞, 實時監控倉庫狀態[5]。在此智能倉庫環境下, 所有對象狀態的實時感知和傳遞是智能倉庫的主要特點。因此, 本文根據叉車實時狀態, 采用多規則方式設計動態調度算法, 并建立叉車調度數學模型。

制造物聯環境下智能倉庫模型如圖1所示[5]。所有智能對象均采用RFID標簽進行標識, 包括智能貨架、智能貨位、智能托盤、智能物品等, 使之具有能對自身狀態進行實時反饋的能力。門禁出入口也設置有RFID讀寫器, 能實時感知智能對象的出入。

圖1 基于制造物聯技術的智能倉庫布局  下載原圖

智能叉車也屬于智能對象, 和其他智能對象又有所差別。它不是通過RFID標簽來構成智能對象, 而是通過設置固定RFID讀寫器來采集數據, 通過設置車載智能終端與后端計算機系統進行數據傳輸, 智能叉車結構如圖2所示。

當倉庫接收到物品出入庫單時, 后端計算機系統實時獲取當前倉庫叉車狀態, 根據叉車分配算法, 為叉車分配作業, 形成叉車作業單, 通過網絡發送到叉車智能終端, 叉車收到作業命令后, 根據作業單信息進行搬運作業。

智能倉庫內所有物品的出入庫搬運完全采用智能叉車作業, 制造業倉庫內作業繁多, 如何合理的調度使用叉車, 關系到智能倉庫的管理和運作效率。智能倉庫中叉車數量較多, 需要對這些叉車合理調度, 就需要考慮到叉車一次充電滿后使用的次數、作業路程、搬運重量等信息。作業次數越多越損耗, 作業路程越長越損耗, 搬運越重越損耗。要合理的調度叉車, 就需要避免叉車任務分配不均, 導致部分叉車過度損耗。

圖2 智能叉車結構圖  下載原圖

因此, 需要同時考慮滿充電后叉車的使用次數、作業路程和搬運重量3個方面, 來設計出合理的叉車調度算法, 使得既能合理使用叉車, 又能高效、快速完成智能倉庫作業。作業次數越多, 叉車的搬運能力越弱, 稱此為次數作業能力;作業路程越長, 叉車搬運能力越弱, 稱此為路程作業能力;搬運物品越重, 叉車搬運能力越弱, 稱此為負載作業能力。

對叉車進行算法調度設計時, 分別對次數作業能力、路程作業能力、負載作業能力建模。

在一次滿充電后, 叉車作業次數越多, 搬運能力就越弱。叉車的“總作業次數”和“作業次數”可直接從后端計算機系統讀取, 當叉車重新充電, 系統中的“作業次數”清零。Ni為第i輛叉車的作業次數, max Nj (1≤j≤m) 為所有叉車中作業次數最多的叉車j, 因此, 次數作業能力f1的數學模型建立為:

假設{s1, s2, …, sq}為一次滿充電后第i輛叉車所有作業中搬運距離的集合, 即為打包臺與該物品分配貨位之間的距離。則該叉車一次充滿電后的作業路程Si為:

那么, max Sj (1≤j≤m) 即為所有叉車中, 累計作業距離最長的值。因此, 路程作業能力f2的數學模型建立為:

假設{m1, m2, …, mq}為一次滿充電后第i輛叉車的所有作業中搬運物品質量的集合。則該叉車一次充滿電后的所有作業負載總質量Mi為:

那么, max Mj (1≤j≤m) 即為所有叉車中, 累計搬運物品總質量的值。因此, 負載作業能力f3的數學模型建立為:

為了使“次數作業能力”、“路程作業能力”、“負載作業能力”3種因素能在叉車調度算法中被輕易控制, 可將這3種因素分別設置影響因子θ1、θ2、θ3[5]。影響因子必須滿足:

且有:

利用影響因子將“次數作業能力”、“路程作業能力”、“負載作業能力”3種能力合并為叉車工作能力f, 表示為:

約束條件為:

叉車工作能力f由“次數作業能力”、“路程作業能力”、“負載作業能力”3個能力共同決定。f值越大, 該叉車工作能力越強, f值越小, 該叉車工作能力越弱。普通情況下, 3個影響因子值相等。若要使得某種能力著重考慮, 只需增大其對應影響因子值, 而將其余兩個影響因子值對應減少即可。如當, 則表示3種能力均衡決定叉車工作能力。當θ1=0.5、θ2=0.3、θ3=0.2, 則表示作業次數所占比重較大, 影響叉車工作能力較大, 而負載作業能力所占比重最小, 影響叉車工作能力最弱。影響因子的設置, 可根據實際使用中的具體情況做相應調整。

根據式 (4) 可知, 當有作業等待分配時, 需要根據智能倉庫內當前的實時數據進行叉車性能分析, 即計算叉車工作能力。工作能力值越大, 叉車當前性能越好, 叉車工作能力越強, 則適合分配作業任務;反之則不適合分配作業。計算叉車調度算法流程圖如圖3所示。

算法步驟描述如下:

圖3 叉車調度算法流程  下載原圖

步驟1:檢測是否有出/入庫任務?有, 轉步驟2;否則, 轉步驟7;

步驟2:根據所有叉車的歷史信息計算次數作業能力f1, 轉步驟3;

步驟3:根據所有叉車的歷史信息計算每輛叉車的累計搬運路程, 然后計算路程作業能力f2, 轉步驟4;

步驟4:根據所有叉車的歷史信息計算每輛叉車的累計搬運質量, 然后計算負載作業能力f2, 轉步驟5;

步驟5:根據f1、f2、f3, 計算所有叉車的當前工作能力f, 轉步驟6;

步驟6:將作業分配給工作能力f值最高的叉車, 轉步驟7;

步驟7:結束。

制造業智能倉庫物品繁多, 出入庫頻率極高, 為待出入庫的物品分配合理的叉車是倉庫內提高工作效率的重要環節。如何應用現有的先進智能環境設計出高效的叉車調度算法是本文的關鍵, 也是企業追求管理效率和工作效率的核心。本文根據實際使用中對叉車造成損耗的“使用次數”、“作業路程”和“搬運重量”3個因素共同來衡量叉車的當前工作能力, 工作能力值越大, 表明叉車的工作能力越強, 越適合分配作業任務。并以此設計出叉車的調度算法, 該算法既避免了叉車任務分配不均而導致過度損耗, 同時又提高了智能倉庫內的工作效率。