面向貨到人揀貨機器人系統(tǒng)的數(shù)字孿生系統(tǒng)

彭 輝，趙 寧，孫陽君

(北京科技大學 機械工程學院，北京 100083)

貨到人揀貨機器人系統(tǒng)(robotic mobile fulfillment systems，RMFS)是一種新型的依賴自尋址機器人(automatic vehicle,AV)群體協(xié)作的自動化倉儲系統(tǒng)。該系統(tǒng)目前已被全球電商企業(yè)廣泛采用。RMFS工作可以概括為：AV(圖1)通過掃描地上的二維碼判斷路徑，穿行找到目標貨架；隨后將貨架抬起，移載至目標揀選站；人工揀貨完成后，AV將貨架移載回到儲存區(qū)或帶著貨架去補貨區(qū)補貨；補貨完成后再帶著貨架回到儲存區(qū)中的相應位置，等待下一條揀貨任務。RMFS系統(tǒng)大幅減少了配送中心的人工投入，且可任意調(diào)整AV、揀貨站和貨架的數(shù)量，具有極好的柔性。我國京東、菜鳥等電商企業(yè)均已在配送中心大量使用RMFS系統(tǒng)。

圖1 RMFS工作現(xiàn)場圖Figure 1 RMFS work site map

在RMFS的學術研究方面，Wurman等[1]最早開展RMFS的研究，但當時并未引起學術界關注。2012年，Kiva公司被亞馬遜收購并成功應用，RMFS也引起了學術界的關注，近年來相關論文大幅增加。張喜妹[2]采用逐步動態(tài)尋找路徑的方式，在不同作業(yè)策略下對Kiva揀選系統(tǒng)使用Matlab仿真建模。潘成浩等[3]將倉儲中心內(nèi)作業(yè)的智能物流機器人的揀選規(guī)劃問題抽象成TSP問題，從而搭建一個基于C#語言的數(shù)學模型，接著提出了優(yōu)化后的自適應遺傳算法。Yuan等[4]采用開放排隊網(wǎng)模型描述RMFS系統(tǒng)特性，總結(jié)了AV的數(shù)量、運行速度對系統(tǒng)性能影響規(guī)律。Lamballais等[5]采用排隊網(wǎng)模型對貨架布局開展研究，總結(jié)了貨架布局長寬比對作業(yè)效率的影響規(guī)律。Boysen等[6]采用排隊網(wǎng)模型對訂單排序進行了優(yōu)化，并通過仿真實驗證明，通過優(yōu)化訂單排序，減少一半AV的情況下仍能完成任務。Zou等[7]針對不同揀選站揀選速度不同的問題，采用排隊網(wǎng)模型提出了一種AV與揀選站的匹配規(guī)則并設計了近優(yōu)解的鄰域搜索算法。Zou等[8]進一步考慮了

AV充電問題，通過排隊網(wǎng)模型計算得出換電池模式比充電模式可提高系統(tǒng)效率4.88%。上述研究雖取得很好的成果，但基于排隊網(wǎng)的模型始終不能精準表達AV沖突，因此都對系統(tǒng)進行了簡化。

在與RMFS系統(tǒng)相似的多層穿梭車領域，關于自尋址車輛沖突的研究如下。Roy等[9]最早研究穿梭車帶來的沖突問題，并指出以往效率計算模型的不足在于計算沖突影響。Roy等[10]建立了一個專門研究沖突的仿真模型，發(fā)現(xiàn)AV沖突會對存取效率造成2%～20%的影響。Roy的模型雖然可估算AV沖突的影響，但由于多層穿梭車系統(tǒng)與RMFS系統(tǒng)不同特點，其研究成果還無法應用于RMFS系統(tǒng)。目前已有同時使用超過500臺AV的RMFS系統(tǒng)，RMFS系統(tǒng)AV的數(shù)量遠多于多層穿梭車系統(tǒng)，AV的運行也更加復雜，因此可以推斷AV沖突對RMFS效率的影響會高于2%～20%。且在AV沖突的基礎上，如何合理配置AV、揀貨臺的數(shù)量，通過重構(gòu)實現(xiàn)系統(tǒng)優(yōu)化，還是一個有趣且非常重要的難題。

數(shù)字孿生技術是近年來興起的一種將信息技術深度融合到傳統(tǒng)制造業(yè)的重要方法。Grieves等[11]、Guo等[12]認為數(shù)字孿生能夠在真實的物理世界和虛擬的信息世界架起一座實時同步且高度保真的橋梁。陶飛等[13-14]、Tao等[15]、Zhang等[16]、Ducloux等[17]、趙寧等[18]、Zhao等[19]通過傳感器采集物理世界中的形態(tài)、狀態(tài)、性能等數(shù)據(jù)并轉(zhuǎn)化為信息進入信息世界構(gòu)成最基本的模型框架，各種物理世界中的邏輯規(guī)則通過編程手段轉(zhuǎn)化為信息世界的邏輯規(guī)則，信息世界的數(shù)字孿生體可以通過仿真計算出多種未來可能的形態(tài)、狀態(tài)、性能，不斷地優(yōu)化迭代，最終可以指導建議物理世界的布局規(guī)劃、流程優(yōu)化等工作。在與RMFS接近的物流系統(tǒng)，如立體庫、多層穿梭車等，已有采用相似仿真方法的研究報道。Zhang等[20]基于車間機器的五維數(shù)字孿生技術提出了一種數(shù)字孿生增強的動態(tài)調(diào)度方法，并以在加工車間中制造液壓閥的調(diào)度過程為例，說明了該方法的有效性和優(yōu)勢。Wang等[21]使用數(shù)字孿生驅(qū)動的cyber-physical system實現(xiàn)滾筒輸送線的快速設計和分布式控制。針對大型自動化高層倉庫產(chǎn)品服務系統(tǒng)中的倉儲問題，Leng等[22]開發(fā)數(shù)字孿生系統(tǒng)，最大程度地利用大型自動化高層倉庫產(chǎn)品服務系統(tǒng)的利用率和效率。因此，構(gòu)建針對RMFS的數(shù)字孿生系統(tǒng)，可以詳盡地表達RMFS系統(tǒng)特性，從而為指導RMFS系統(tǒng)的重構(gòu)優(yōu)化提供支持。而基于目前的文獻檢索，對RMFS系統(tǒng)的數(shù)字孿生系統(tǒng)尚未見報道。

基于此，本文提出了面向RMFS的數(shù)字孿生構(gòu)建方法，使用仿真軟件西門子plant-simulation建立了模塊化的RMFS系統(tǒng)數(shù)字孿生模型。通過該數(shù)字孿生模型，可快速模擬不同的RMFS重構(gòu)場景，優(yōu)化重構(gòu)參數(shù)并指導物理RMFS系統(tǒng)的重構(gòu)，實現(xiàn)與物理RMFS系統(tǒng)的共生。相對傳統(tǒng)排隊網(wǎng)建模方法，本文建立的RMFS數(shù)字孿生模型可更好地研究RMFS系統(tǒng)的內(nèi)在特性，對使用RMFS系統(tǒng)的企業(yè)提供決策支持。

1 面向RMFS的數(shù)字孿生建模

RMFS系統(tǒng)由許多AV、貨架、揀/補貨臺組成。各個對象彼此獨立，通過AV拖動貨架完成揀貨、補貨任務。AV數(shù)量、AV運行速度、揀/補貨臺數(shù)量、揀/補貨臺的工作效率、貨架數(shù)量及貨物種類數(shù)量等物理參數(shù)直接影響RMFS系統(tǒng)性能。此外，AV和揀貨臺由后臺的服務系統(tǒng)控制，包括AV、貨架和任務的分配，AV行走路徑、貨架分配原則、揀貨臺分配策略、補貨臺分配策略、揀貨單生成策略及AV的充電策略等，這些調(diào)度和控制方法也會對系統(tǒng)性能產(chǎn)生影響。上述因素構(gòu)成影響RMFS系統(tǒng)性能的多維參數(shù)變量，各個變量間關系及對系統(tǒng)性能的影響很難用排隊網(wǎng)等數(shù)學模型表達清楚。在陶飛教授的數(shù)字孿生結(jié)構(gòu)模型[13]基礎上，構(gòu)建了RMFS系統(tǒng)的數(shù)字孿生結(jié)構(gòu)，如圖2所示。物理RMFS系統(tǒng)由物理對象和服務系統(tǒng)2部分組成，服務系統(tǒng)將揀貨、補貨任務發(fā)送給AV和揀貨員，控制物理對象完成工作。同時，物理對象的實時狀態(tài)數(shù)據(jù)共享給服務系統(tǒng)，便于服務系統(tǒng)根據(jù)實時狀態(tài)數(shù)據(jù)更改控制策略。在物理對象和服務系統(tǒng)之間，針對物理對象構(gòu)建虛擬對象模型，并將實時狀態(tài)數(shù)據(jù)變?yōu)閷\生數(shù)據(jù)，以孿生數(shù)據(jù)驅(qū)動服務系統(tǒng)、物理對象和虛擬模型的共同運作。通過這種方式，實現(xiàn)服務系統(tǒng)與虛擬模型的對接，同時根據(jù)虛擬模型的仿真數(shù)據(jù)，指導物理對象的重構(gòu)。

圖2 RMFS的數(shù)字孿生結(jié)構(gòu)Figure 2 The digital twin structure of RMFS

具體而言，針對物理對象構(gòu)建的虛擬模型只包含5類對象：貨物、貨架、揀/補貨臺、AV、二維碼路段。各類對象以面向?qū)ο蟮姆绞綐?gòu)建，某一對象可為其他對象的屬性，實現(xiàn)對象間的關聯(lián)。貨物對象屬性包括外形尺寸、重量、數(shù)量、分布貨架等。其中，分布貨架與貨架對象一對一關聯(lián)。貨架對象包括外形尺寸、層數(shù)、層高、容積、裝載列表、位置、狀態(tài)等。其中，裝載列表屬性與貨物對象一對多關聯(lián)。揀/補貨臺對象將物理世界中的揀/補貨臺與揀/補貨人員合為一體，包括揀/補貨臺位置、工作效率等屬性。

相對上述3類對象，AV對象和二維碼路段對象更為復雜，也是實現(xiàn)RMFS數(shù)字孿生系統(tǒng)中AV死鎖和沖突的關鍵對象。AV對象包括AV的速度、位置、路徑、狀態(tài)、任務、當前電量、載貨貨架等屬性。其中，狀態(tài)包括空閑等待、空駛、載貨等待、載貨行駛、充電、載貨揀貨、載貨補貨7種；任務則包括揀貨任務、回庫任務、補貨任務、充電任務4種，每種任務在生成時由服務系統(tǒng)提供相應的路徑。二維碼路段對象是排隊網(wǎng)等數(shù)學方法難以描述的對象，在以往研究中通常被忽視。如前所述，在物理RMFS中，AV需掃描地面的二維碼確定其當前位置，并將其當前位置數(shù)據(jù)傳送到服務系統(tǒng)，因此物理系統(tǒng)中粘貼一個二維碼的路段是構(gòu)成RMFS區(qū)域的最小位置單元。該位置單元可存放貨架，多個位置單元就可構(gòu)成AV行駛的路線，描述AV行駛過程的沖突特征?；诖?，設計虛擬的二維碼路段對象，目的是標記AV、貨架當前的虛擬位置，二維碼路段的屬性包括：路段狀態(tài)、入口狀態(tài)、存放貨架。此外，二維碼路段與AV對象、貨架對象共同形成如下特征。

1) 每一二維碼路段只能存放一個貨架對象，存放貨架對象后記為滿載路段，否則記為空載路段；

2) 每一滿載二維碼路段只能進入一輛空載AV，需等進入的空載AV離開后，其他空載AV才可進入；

3) 每一滿載二維碼路段不能進入載貨AV；

4) 每一滿載二維碼路段上的貨架可被進入的空載AV帶走，此時標記空載AV為滿載，并將該路段上的貨架對象賦值給AV的載貨貨架屬性，待AV離開后標記二維碼路段為空載路段；

5) 每一空載二維碼路段可進入1輛空載AV或滿載AV，進入后路段入口關閉，AV離開后入口才開放；

6) 每一空載二維碼路段可存放進入的滿載AV所攜帶的貨架，此時標記空載路段為滿載，并將滿載AV攜帶的貨架對象賦值給二維碼路段。

基于上述特征，虛擬的AV對象在行駛過程中進入任一二維碼路段前需判斷該路段入庫是否關閉，如關閉則需停在當前路段上等待，直至目標路段入口開放。在該AV對象等待過程中，會造成當前二維碼路段的入口一直關閉。這樣當有若干AV對二維碼路段形成閉環(huán)的進入請求時，就會造成死鎖，如圖3所示。死鎖一旦出現(xiàn)就將造成所有死鎖AV的連鎖等待。目前RMFS的服務系統(tǒng)一般也有相應的死鎖處理機制，通過改變某一死鎖AV的目標路段，實現(xiàn)解鎖，但如果大量AV都堆積在某一區(qū)域，則將會造成無法解除的死鎖。數(shù)字孿生中的虛擬模型可通過模擬提前預判并避免死鎖現(xiàn)象。

圖3 虛擬模型中的死鎖現(xiàn)象Figure 3 Deadlock in virtual models

除死鎖外，多輛AV的連鎖沖突和等待也會損害RMFS系統(tǒng)效率。如圖4所示，多輛AV在揀貨臺排隊等待揀貨，等待隊列過長則會占用通行路段，影響通行路段的交通。在數(shù)字孿生的虛擬模型中，也可清晰地描述這一現(xiàn)象并將其反饋到最終的系統(tǒng)效率中。

圖4 虛擬模型中的連鎖沖突現(xiàn)象Figure 4 Chain conflict in virtual model

數(shù)字孿生系統(tǒng)可以對RMFS進行優(yōu)化，如圖5所示。設定初始的揀貨臺選擇原則、AV數(shù)量和工作臺數(shù)量，改變布局方式，仿真實驗以確認改變布局方式是否會增加揀選效率，選用效率較高的布局方式。AV數(shù)量與揀貨臺數(shù)量存在一定制約關系。布局確定后分別改變AV數(shù)量m和揀貨臺數(shù)量n，若增加1臺AV帶來的效率增量大于增加1臺揀貨臺的效率增量，則增加1臺AV；反之增加揀貨臺，迭代優(yōu)化二者達到平衡。當增加AV和揀貨臺使揀貨效率增量小于揀貨效率最小增量Pmin時，再看車的調(diào)度規(guī)則是否影響揀選效率，Pmin越小，優(yōu)化步驟越多，耗時越長，但優(yōu)化效果越好，另外最小揀貨增量不小于0。改變揀貨臺的選擇原則，若效率能夠提升，則回到第1步，對布局模式進行優(yōu)化，循環(huán)迭代逐步提升RMFS效率；若效率不再增加，則完成優(yōu)化。在數(shù)字孿生系統(tǒng)中，這一些列仿真過程可以快速完成。

圖5 RFMS優(yōu)化流程Figure 5 RFMS optimization process

2 實例分析

基于徐賢浩等[23]對比傳統(tǒng)倉儲布局和帶橫向巷道的倉儲布局，本文提出如圖6所示的布局，構(gòu)建實例模型。該實例有如下特征。1) 采用單層布局，包括倉儲區(qū)、揀貨區(qū)和補貨區(qū)；2) AV行走路徑采用自尋址算法生成的最短路徑，AV勻速行走；3) 分配給AV的“訂單”是指AV需要執(zhí)行的揀貨任務單而非客戶所需的商品訂單；4) 每個二維碼路段一次最多只能放置一個貨架，一個貨架上儲存有一種商品；5) AV不帶著貨架時可以在貨架下方穿行，不占用巷道；6) AV在巷道與相鄰巷道中單向行走，在巷道與貨架間雙向行走。

圖6 實例原始布局(布局模式1)Figure 6 Example original layout (the layout 1)

在整個儲存區(qū)設置400個可移動貨架，共10行20列，相鄰5行2列貨架為一組，組與組之間有巷道，巷道均為單向通行，巷道與貨架之間可雙向通行。每個貨架有5層貨格，可放置5種貨物，每種貨物最多可放30個。整個儲存區(qū)有90種貨物，儲存區(qū)最大儲存量為6萬件。實驗中小車的外形尺寸設置為900 mm×700 mm×300 mm，貨架尺寸設置為1 000 mm×1 000 mm，巷道尺寸1 200 mm×1 200 mm。AV空載速度與負載速度為3 m/s，AV頂升及放下貨架的時間為20 s。揀貨口的數(shù)量可以從1～9隨機設置。每個揀貨臺前有10個等待緩沖區(qū)路塊，當目標揀貨臺正在執(zhí)行揀貨任務時，AV可以在緩沖區(qū)排隊等待，揀貨臺的工作時間與揀貨單所要求的揀貨數(shù)量正相關，每揀一件貨物需要4 s。揀貨臺、補貨臺的選擇采用隨機分配原則，貨架完成揀貨或補貨任務后回到儲存區(qū)時采用就近原則。

本文以揀貨效率來評判RMFS系統(tǒng)的優(yōu)劣。在數(shù)字孿生的虛擬模型啟動后，首先按貨品種類以均勻分布隨機生成1 000條揀貨單。針對生成的揀貨單的貨品種類和數(shù)量，對應每單所需不同的貨架，并以均勻分布隨機對應揀貨臺編號。當任一貨架揀貨完成后判斷貨品數(shù)量，如低于安全庫存則由AV搬運至補貨臺補貨。每次實驗生成1 000條揀貨單，比較不同重構(gòu)環(huán)境下完成1 000條揀貨單所用時間，基于此指標進一步對模型進行優(yōu)化。物理RMFS可能會針對任意類型的揀貨單，而不同類型的揀貨單會對物理RMFS的工作效率造成不同程度的影響。數(shù)字孿生方法能夠以不同的隨機概率生成不同類型的揀貨單，模擬不同類型揀貨單造成的AV死鎖和連鎖沖突現(xiàn)象，從而得到更貼近現(xiàn)實的仿真結(jié)論。

具體實驗結(jié)果如下。

1) AV數(shù)量變化對系統(tǒng)性能的影響。用排隊網(wǎng)計算的不考慮沖突時不同數(shù)量AV完成1 000條揀貨單所需的時間，在圖7中以方塊示。用數(shù)字孿生技術仿真得出的考慮沖突時不同數(shù)量AV完成1 000條揀貨單所需的時間，在圖7中以圓點表示?？梢娫诔跏茧A段，隨著AV數(shù)量的增加，排隊網(wǎng)模型和數(shù)字孿生仿真模型都體現(xiàn)了相同的規(guī)律，即隨AV數(shù)量的增加，完成任務所需時間迅速減少，揀貨效率迅速提升。這與Yuan等[3]基于排隊論方法計算所得到的實驗結(jié)論相符。這證明了本文方法的有效性。另一方面，當AV數(shù)量達到一定程度后，隨著AV數(shù)量的增加，排隊網(wǎng)模型的揀貨效率不再變化，而仿真模型揀貨效率出現(xiàn)惡化現(xiàn)象。其原因在于AV數(shù)量增加到一定程度后死鎖和連鎖等待現(xiàn)象頻繁發(fā)生，降低了效率。

圖7 AV數(shù)量對揀貨效率的影響 (n=9)Figure 7 Influence of AV quantity on picking efficiency (n=9)

2) 揀貨臺數(shù)量對RMFS的影響分析。與排隊網(wǎng)方法不同，數(shù)字孿生技術不能從理論模型中推導二者的關系公式，而只能設計多個仿真場景。每一仿真場景對應不同數(shù)量的揀貨臺和AV，通過多場景仿真，在考慮AV死鎖和沖突的基礎上推導二者的關系。在本例中，由于面積限制，可能的揀貨臺數(shù)量為3、5、7、9，AV數(shù)量定為1～40，共產(chǎn)生4×40=160個仿真場景，而每個仿真場景又分別針對多種隨機揀貨單進行仿真，最終仿真結(jié)果如圖8所示。

在圖8中，同樣顯示排隊網(wǎng)的不考慮沖突計算結(jié)果和數(shù)字孿生的考慮沖突計算結(jié)果?？梢姡S著AV數(shù)量的增加，不同數(shù)量揀貨臺處理1 000條揀貨單的最短時間各有不同；而且，隨著AV數(shù)量的增加，不同揀貨臺的工作效率都不約而同地呈現(xiàn)惡化現(xiàn)象，此處把出現(xiàn)惡化現(xiàn)象時對應的AV數(shù)量記為臨界值，圖中以星號標出。不同數(shù)量的揀貨臺對應的處理1 000條揀貨任務的最短時間和AV臨界值見表1。表1數(shù)據(jù)即可作為數(shù)字孿生所提供的物理RMFS系統(tǒng)的知識，為確定物理RMFS系統(tǒng)的揀貨臺數(shù)量及對應AV數(shù)量提供決策支持。

圖8 不同揀貨臺數(shù)量對RMFS效率的影響Figure 8 Effect of different picking table quantity on RMFS efficiency

表1 不同揀貨臺數(shù)量對應的系統(tǒng)特征Table 1 System characteristics corresponding to the number of different picking stations

3) 布局方式對RMFS的影響分析。除揀貨臺數(shù)量和AV數(shù)量外，貨架布局是另一種RMFS重構(gòu)方式。假設該RMFS系統(tǒng)改為如圖9所示的揀貨臺與貨架水平排布的改進布局，該布局優(yōu)點是占用面積更小，但該布局對AV的死鎖和連鎖沖突造成的影響就成為評價該布局的重要指標。為此在數(shù)字孿生系統(tǒng)中建立模型，其他孿生數(shù)據(jù)如貨架數(shù)量、AV速度、工作臺工作效率等均保持不變，進行仿真實驗，實驗結(jié)果如圖10所示。

圖9 實例改進布局 (布局模式2)Figure 9 Examples to improve the layout (the layout 2)

由圖10方形代表的不考慮沖突與圖8方形代表的不考慮沖突對比可見，不同數(shù)量揀貨臺及不同數(shù)量的AV，在不考慮沖突時，2種布局所體現(xiàn)的RMFS系統(tǒng)效率相同。換言之，傳統(tǒng)排隊網(wǎng)方式無法體現(xiàn)RMFS貨架布局的影響。另一方面，將圖10中考慮沖突的情況下RMFS系統(tǒng)特征(圓點對應數(shù)據(jù))總結(jié)如表2。通過表2與表1的對比可見，在考慮AV死鎖和連鎖沖突影響時，改進布局會比原始布局對應的AV臨界值更少。由圖10圓點線段和圖8圓點線段對比，造成這一現(xiàn)象的原因在于改進布局會更早、更嚴重地出現(xiàn)AV沖突。因此改進布局是一個糟糕的重構(gòu)方式，而數(shù)字孿生技術可提前發(fā)現(xiàn)這一重構(gòu)方式的缺陷，從而有效避免物理RMFS系統(tǒng)更改布局。

表2 不同揀貨臺數(shù)量對應的系統(tǒng)特征Table 2 System characteristics corresponding to the number of different picking stations

圖10 布局模式2下RMFS效率Figure 10 RMFS efficiency in layout mode 2

4) 實例優(yōu)化。以系統(tǒng)中有10輛AV，開啟3個揀貨臺，以排隊時間最短作為選擇揀貨工作臺的原則，原始布局為初始化條件進行優(yōu)化。將揀貨效率最小增量設置為4%，可以較快完成優(yōu)化，此時得到的最優(yōu)為局部最優(yōu)。優(yōu)化過程數(shù)據(jù)如表3所示。

表3 實例優(yōu)化過程Table 3 Example optimization process

實驗中的實例優(yōu)化過程遵循圖5所示的優(yōu)化規(guī)則，設定效率增加超過4%為有效優(yōu)化，優(yōu)化步驟被保留。步驟1將布局模式1改為布局模式2，效率增量小于0，選擇布局模式1進行下一步優(yōu)化；步驟2分別將AV數(shù)量及揀貨臺數(shù)量加1進行兩組實驗，AV數(shù)量增加1時的效率增量大于揀貨臺數(shù)量增加1的效率增量，且AV增加的效率增量大于4%，滿足優(yōu)化條件，此時有11輛AV，4個揀貨臺。步驟3～7完成AV數(shù)量和揀貨臺數(shù)量的迭代優(yōu)化，其中，步驟7中增加AV數(shù)量與增加揀貨臺數(shù)量帶來的效率增量小于4%，則步驟7的優(yōu)化記為無效優(yōu)化，保持步驟6的優(yōu)化結(jié)果，步驟8將揀貨臺選擇原則改為按照揀貨單選擇揀貨臺后效率提升4.11%為有效優(yōu)化，保留優(yōu)化過程。步驟9～11的優(yōu)化為無效優(yōu)化，優(yōu)化結(jié)果未被保留。模型得到最優(yōu)解，此時布局方式為布局模式1，AV數(shù)量為14，揀貨臺數(shù)量為4，揀貨臺選擇原則為按照揀貨單選擇揀貨臺。與初始值相比，系統(tǒng)揀選效率增加26.54%。

3 結(jié)論

RMFS系統(tǒng)是一個由多維多參數(shù)控制的復雜系統(tǒng)，AV的死鎖和連鎖沖突對系統(tǒng)性能具有決定性影響。而AV的沖突具有強動態(tài)性，受揀貨單情形、AV數(shù)量、揀貨臺數(shù)量、貨架布局等多種變量影響，傳統(tǒng)排隊網(wǎng)方法難以精確表達其特征。數(shù)字孿生技術為精確表達RMFS系統(tǒng)的上述特征提供了解決方案。本文提出的面向RMFS的數(shù)字孿生建模方法，可針對任意變量參數(shù)構(gòu)建RMFS的虛擬模型，結(jié)合孿生數(shù)據(jù)仿真得出AV、揀貨臺數(shù)量，以及貨架布局對揀貨效率的影響規(guī)律。通過本文提出的方法，可以快速、準確地構(gòu)建高保真度的RMFS數(shù)字孿生模型，為物理RMFS系統(tǒng)重構(gòu)提供支持。同時，所構(gòu)建的數(shù)字孿生系統(tǒng)可隨著物理RMFS系統(tǒng)的變化而變化，實現(xiàn)與物理RMFS系統(tǒng)的共生，對構(gòu)建智能物流系統(tǒng)起到關鍵作用。

除對物理RMFS系統(tǒng)重構(gòu)的仿真外，對物理服務系統(tǒng)的改進是數(shù)字孿生技術另一個有趣的研究課題。例如，可結(jié)合數(shù)字孿生技術，改進AV的路線規(guī)劃策略和預防死鎖、減少沖突的調(diào)度策略。