基于Apriori算法的立体仓库系统①

曹 雷,孙 咏,焦艳菲,王 嵩,李冬梅

1(中国科学院大学,北京 100049)

2(中国科学院 沈阳计算技术研究所,沈阳 110168)

3(沈阳高精数控智能技术股份有限公司,沈阳 110168)

自动化立体仓库最早起源于第二次世界大战之后,美国最初开始研究建设一种桥式堆垛起重机.随着世界经济的发展,经历了巷道式堆垛起重机立体仓库,自动化立体高架仓库等阶段.自动化立体仓库又称自动存取系统、智能仓储.它集成了运输机、高层货架、巷道堆垛机、仓库控制系统和仓库管理系统等多个部分.国内外早期大部分的研究围绕在自动化的设计、控制等领域,对自动化立体仓库中应用的关键硬件和相关技术的研究,如基于C/S、B/S 架构的计算机信息管理系统[1],如控制系统设计中可编程逻辑控制器PLC(Programmable Logic Controller)的运用[2],随着世界经济快速发展,客户对仓储技术提出了更高的需求,原有的静态技术不符合新时代市场的需求,自动化立体仓库的研究开始与数据和智能相结合,向开发新模型、新算法的方向发展.如采用改进遗传算法,模拟退火算法,蚁群算法等对AGV (Automated Guided Vehicle,自动导向小车)路径进行规划研究,使得AGV 选择更高效的路径[3].文献[4]从效率或故障率方面入手研究,对货位动态分配进行建模,对环形轨道穿梭车调度问题提出了一种基于规则的遗传算法,达到了优化调度结果、提高运算效率的目的.文献[5]对堆垛机故障风险的存储策略和模型进行了研究,以x卷烟物流配送中心仓库系统为研究对象,引入了一种将同种烟卷分散存储到不同巷道中的存储策略,从而降低巷道式堆垛机可能引发的故障问题.

本文以实验室具体项目为背景,阐述了该系统的整体系统结构、各子系统结构和功能及主要部分的设计.不同于大多数研究关注于调度优化或存储策略角度,本文将Apriori 算法应用于出入库数据挖掘,找出故障率与仓库出入库物料之间的联系,在保证仓库库存的情况下,提出更科学的进出入库指导性建议,以期获得更低的设备故障率,最大化企业收益率.

1 Apriori 算法概述

Apriori 是一种关联规则算法,从已有的数据集中挖掘有关联关系的数据项,企业可以参考这些关联数据集制定决策.Apriori 算法在大数据集上以连接的方式产生候选项,并同步计算出支持度,通过剪枝得到关联度高的频繁项集.

1.1 频繁项集标准

频繁项集有3 个标准:支持度,置信度和提升度.

支持度:有关联关系的数据出现的次数与总数据数量的比,即事件同时出现的概率.假设存在数据X,Y,则对应的支持度为:

置信度:某个数据出现的条件下,另一个数据也出现的概率.假设数据X和Y,则X对Y的置信度为:

举例说明:存在一组数据,出库X物料对故障的置信度为30%,支持度为2%.则意味着在出库数据中总共有2%的数据记录满足出库X物料时发生故障;发生故障的记录中,有30%是因为出库X物料.

提升度:在事件Y发生的条件下,发生事件X的概率,与事件X发生的概率的比值.

提升度体现事件间的关联关系,当提升度大于1时表示事件之间具有强关联关系.当X和Y独立时,提升度Lift(X＜=Y)=1,有P(X|Y)=P(X).

1.2 Apriori 算法思想

Apriori 算法旨在找出最大的k项存在关联关系的频繁集.以支持度作为标准.通过迭代,先找出候选1 项集和它的支持度,剪枝去掉不符合要求的候选1 项集,得到频繁1 项集.对新的频繁1 项集进行连接,得到候选2 项集,继续剪枝得到频繁2 项集.循环迭代直到找到频繁k+1 项集.最后的频繁k项集即是最后结果.假设事务集数据库M详细内容如图1所示,最小支持度为50%,则计算过程如图2所示.

图1 事务集数据库M

图2 Apriori 算法挖掘过程图

1.3 Apriori 算法流程

?算法1.Apriori 算法输入:事务数据集合M,支持度α.输出:最大的频繁k 项集.1) 扫描数据集,对1 项候选集C1 剪枝去掉小于阈值的项集,得到1 项频繁集L1;2) 对L1 自连接,得到候选集C2,剪枝去掉小于阈值的项,得到2 项集L2;3) L2 与L1 连接得到3 项集C3,剪枝去掉小于阈值的项,得到3 项集L3;4) 循环重复前3 步,得到最大频繁项级Lk.

2 系统框架

本系统基于Microsoft.Net 平台,采用面向对象语言程序设计,在IBatics.Net 标准框架的基础上进行了重构和扩展,采用客户端/服务器端结构,利用WPF(Windows Presentation Foundation,基于Windows 的用户界面框架)技术实现客户端与服务端的信息交互,保证信息传递的安全、稳定和效率;采用关联规则数据挖掘Apriori 算法,对出库信息进行挖掘,提供科学的出入库生产建议;同时根据企业定制化需求能够与移动设备、射频识别RFID (Radio Frequency IDentification)[6,7]、电子标签、自动导航小车AGV、条码等其他先进的设备集成,实现更加人性化、可视化的操作平台.总体框架如图3所示.

结合图3、图4,系统中码垛机器人负责抓取滚筒传送带上指定位的箱(产品货物)放置到托盘上,由堆垛机负责搬运托盘及产品放置于指定货架上.服务器端集成了信息管理系统和监控调度系统,在监控调度界面实时显示当前堆垛机运行位置(图形化展示),运行故障以及设备故障等情况(表格化展示),配备打印机以打印相关信息.手持终端系统作为客户端,与服务器端信息管理系统对接,支持RFID、条码标签.采用Web service 调用方式[8,9],大量的复杂的业务处理都由服务器端远程完成.满足了物料传输系统实时信息相应的要求.操作界面设计简洁明确,操作方便;对无线网络终端的连接实施有效管理,提高系统的安全性.

图3 总体框架图

图4 仓库管理系统服务器开发框架

3 系统模块及业务描述

服务器端集成信息管理系统,监控调度系统以及数据挖掘模块.主要实现基础信息维护,可视化的实时监控调度界面,以及表格化展示的业务状态,设备状态,是否故障等.客户端部署在手持终端上,负责数据采集,进出入库、盘点等主要业务指令发布.

3.1 信息管理系统

信息管理系统包括的功能如图5所示.实现基础信息维护,储位管理,托盘管理,编码管理,查询统计等功能[10,11].库房业务界面在手持终端实现,相关逻辑业务由手持终端传递数据到服务器端后台完成.

基础信息管理:包括用户管理、角色管理、权限管理、部门设置以及计量单位、包装关系设置等功能.

储位管理:包括库房、库区、库位、库型存储内容、出入库作业形式以及储存规则等的设置.

托盘管理:实现库存用托盘及货品承载物的标签管理,托盘信息导入,托盘的使用和回收管理.

编码管理:包括公司部门等组织编码,人员编码,物料编码,设备编码等.

查询统计:支持订单号查询,箱码查询,执行业务查询,业务数据查询,产品信息追溯等功能.

3.2 监控调度系统

主要包括侧视图和俯视图.以可视化二维平面模型实时显示.以及相关的作业调度执行单,设备故障显示等.如图6所示.

图5 信息管理系统功能结构图

图6 服务器端监控调度界面图

图6中,左上部分为俯视图,右上为侧视图.其中小车代表搬运物料的堆垛机,橙色箱子表示立体架.左下和右下部分分别是作业调度执行模块和设备故障情况模块,实时显示当前执行的进出库作业和故障情况等.若系统正常运行,则设备故障情况模块不显示任何故障.

3.3 手持终端部分

手持终端包括账号管理,零头入库,托盘入库,查询,调配单等模块,结构功能图如图7所示.

账号管理:拥有手持终端上的账号登陆,角色管理,异常处理等功能.

零头入库:手持终端通过扫描箱码和托盘标签码,实现一对多的绑定关系后,将数据传输给服务器端,服务器端再传递给监控调度系统并更新数据库数据.

托盘入库:通过扫描托盘标签进行托盘入库业务.

查询:可在主界面扫码查询,包括箱码和托盘标签码,也可在单独的查询界面通过输入指定的订单号查询指定调配单.

调配单:所有的出库作业及查询盘点作业均以调配单为基础单位.

3.4 数据挖掘模块

企业生产产品时,往往需要同时启动多条产品线,同时生产多种不同类的产品,由于市场需求随时可能发生变化,根据当前订单和往期销售记录等预估下一步生产计划,适当保持当前仓库库存很有必要.本模块通过调用R 语言中的arulesViz 包实现Apriori 算法,以出库记录为主要研究对象,以期找出出库对象和故障之间的联系,包括库存不足,设备损坏和其他故障.

图7 手持终端功能结构

原始数据为某企业2019年物料出库记录.对原始数据进行预处理,保留出库物料编号和订单号.关联规则是寻找同一出库单中同时发生故障的物料.这里选择CK2019 出库订单表中物料编号和出库单编号两个字段,在RGui 建模软件中加载该数据,主要代码为:

Library(xlsx) #加载

Workbook＜-“C:/CK2019.xlsx” #读取数据

Mydata＜-read.xlsx(workbook,1)

安装加载完arulesViz 包后,将加载进的数据转化为标准格式,通过attribute 函数展示.形成物料编号总数*出库单号总数的交易矩阵.

设定支持度进行挖掘,相关代码如下:

Library(arules)

Data＜-as(split(mydata$qc,mydata),”transactions”)

Attributes(data)

Rules＜-apriori(data,parameter=list (minlen=2,support=0.23,confidence=0.5))

经过多次试验,最终设定支持度为0.26,置信度为0.8.挖掘结果见图8.

图8中,强关联规则表示相关联的两个项集同时出现,支持度表示同时出现的概率.设置支持度为0.26 以便筛选0.26 以上的支持度.置信度表示在所有的数据中,在前一个项集出现的条件下,后一个项集也出现的概率.以第3 行为例,编号为142582100 的物料和编号为142582000 的物料在出库时同时发生故障的概率为31%.根据编号找到对应的物料名称,发现一套产品中每个142582100 物料对应4 个142582000 物料,引发后者出库数量不足故障,在大幅度按比例提升142582000 的生产计划后,该项故障率由原来的31%降至0%.

图8 挖掘结果

4 结论与展望

该系统已在D 公司正式运转,取代了传统老式人工纸笔记录及人力搬运物料的作业形式.采用无线扫描技术,信息化管理,自动化出入库作业后,大大减少仓库物流环节所需的人力成本,提高了查询盘点录入相关的效率、准确率.进一步减小了人工操作可能存在的潜在隐患.其特有的关联数据挖掘模块,经实际运行挖掘分析后,采取对应措施,有效降低了系统整体故障率(包括库存不足等故障),具有十分可观的市场应用.

交付试运行期间,存在一些局部故障,需要断开系统,由人工进行干预,系统整体稳定性有待进一步提升.本系统在传统人工仓储管理的模式上,极大精简了人力,提升了管理与作业的效率,但尚达不到全系统自动化,处处需要人工参与监督,在这方面有待进一步提升.