汽车物流供应链下的零部件拣选策略研究

文/ 高跃峰 王丽娜 高金宝

一汽物流有限公司

本文通过汽车物流零部件供应链各环节的分析，提出匹配各环节的拣选模式，针对批量和拆零的拣选模式进行拣选策略分析，在常规拣选策略基础上，提出融合策略模型，并在相应的拣选场景及策略下，匹配相应的拣选智能技术装备，提供汽车物流供应链下完整的拣选方案。

一、汽车物流供应链中的拣选场景

1.汽车物流零部件供应链

汽车物流供应链是一个复杂的系统工程，汽车物流零部件供应链为整个汽车产业链服务，通过供应商生产、异地循环取货完成异地调达，通过干线运输后到达集散中心，由集散中心发运至各仓储中心进行存储，随后发往各车间的超市缓存中心。在商品车完成组装后，通过全国备件中心和区域备件中心的配置为各4S店配送备件，满足汽车后市场服务。

（1）物流中心分类

汽车物流零部件供应链包含产前调达、产中配送、产后后市场三部分，在这三部分中，包含汽车零配件集散中心、仓储中心、超市缓存中心、全国备件中心、区域备件中心多个节点。在各个节点下，拣选是整个仓储作业的核心环节，也是物流中心作业成本最高、人力耗费最大、时间占用最多的环节。

在各个节点中，均涉及不同程度的拣选分拨。根据零件特性及包装类型的不同，各个物流中心也具有各自不同的拣选特点。

（2）物流中心拣选作业对象

● 零件

拣选对象按体积或重量可划分为大物（GLT）零件与中小物（KLT）零件。通常中小物零件采用塑料箱或纸箱进行包装，长度≤800mm、宽度≤600mm，高度≤280mm，单包装重量≤15kg，便于人工或自动化设备整箱搬运或拣选；大物零件采用围板箱、金属器具等包装形式，重量较大，整箱搬运货拣选需要机械设备（如液压车、传统叉车、无人叉车、AGV等）配合进行。

● 包装类型

包装类型从不同角度可分为不同的品类，分别对拣选造成不同的影响。

包装循环性：包装可分为可循环包装与一次性包装，可循环包装涉及返空箱，一次性包装涉及垃圾回收。

包装材质：从材质上划分，包装材料主要包括塑料箱、纸箱、金属器具、围板箱等，其中纸包装主要是一次性包装，其他包装具有一定的可循环性。

使用范围：塑料箱多用于中小零件的包装，金属器具、围板箱多用于较大零件的包装，而纸包装在各种规格的零件中均有使用。

功能划分：包装可分为通用型包装与专用型包装。通用型包装可用于多种零件盛放使用，包装内一般没有隔断或内衬，对拣选作业影响较小；专用型包装是特定包装，根据零件的属性、外观、特殊要求进行设计，对拣选作业影响较大。

2.不同物流节点的零部件拣选特点

（1）集散中心

为最上游的集货分拨环节，上游对接供应商送货或循环取货，下游衔接干线运输，零件多以整箱或整托的形式缓存。由于干线运输时间长，每个订单至少为一个送货周期需求量，拣选作业以整箱或整托的形式完成出货任务。

（2）本地仓储中心

承接异地零件干线运输后的存储任务，存储周期较长，存储量较大。拣选要求多取决于下游超市缓存中心的要货原则与物流模式。本地仓储中心多以整箱的形式进行拣选，用量大的零件以整托的形式拣选出货。同时，部分零件如标准件，单一包装收容数巨大，以单箱的形式拣选同样会增加内物流的库存压力与面积压力，因此在拣选作业前，需对该类零件进行包装转换，“化整为零”，以小箱、少量的形式拣选出货。

（3）超市缓存中心

为零件上线前的最后一环，无论是推动还是拉动要货逻辑，超市缓存中心都需要在保证零件质量的前提下，将正确品种、正确数量的零件，在准确的时间范围内完成拣选，并配送至生产线旁。超市缓存中心是整个物流供应链中，除线旁库存外最低库存量的一环，也是拣选准确性、时间要求最严格的一环。根据生产模式不同，零件的拣选模式主要可分为批量上线看板模式、SPS拣选模式、排序模式。不同的拣选模式对线旁库存有着不同的影响：在线旁面积较为充足的前提下，主要采用批量拣选模式，该模式下拣选效率较高，零件质量衰减风险较低，物流面积、上线器具等要求相对宽松；而在线旁面积紧张的情况下，可采用SPS拣选模式或排序模式，将面积压力转移给物流超市缓存中心，超市缓存中心需按时按量将生产所需的零件逐个进行拣选。

（4）全国备件中心

在全国范围内设立几个全国备件中心，向各个区域板块覆盖。存储品种最全，存储量最大。拣选多为不拆箱的批量拣选，但备件覆盖的车型多、零件品类多，拣选还是存在一定的难度。

（5）区域备件中心

区域备件中心直接对接每一个区域的多个4S店，直接根据4S店的日订单进行实时配送，鉴于订单需求，拣选均为到单个零件的拆零拣选，因备件品类多、零件包装尺寸各异，拣选及包装难度较大。

3.传统人工拣选作业痛点

拣选环节追求的目标为高质量、低成本、高时效、保安全，即满足QCDS四方面的综合要求。目前传统人工拣选的作业痛点在于拣选差错率居高不下、面积利用率低、效率有待提高。

Severe drought in spring, in July and August much rain.

拣选差错率高。首先拣选作业仍以人工为主，不可避免出现差错问题；另外，不同拣选模式下拣选难度不同，差错率也有一定差别，拆零拣选差错率普遍高于批量拣选。

空间利用率低。人工拣选作业面有限，受限于零件摆放高度、通道面积等限制条件，物流空间利用率相对较低。在不考虑空间利用率的情况下，投影面积利用率不足50%。

拣选效率低。汽车零部件品种多、选型复杂，拣选过程中需同步考虑先进先出、零件质量防护等作业要求，效率低下。一般批量拣选中的作业效率无法突破50～60箱/人/小时。

二、拣选策略分析

从整体运作逻辑而言，拣选环节下游的要货可分为拉动式和推动式两种：拉动式即后补充式，是根据下游库存的消耗情况，考虑在途与安全库存，向上游进行要货，启动拣选作业；推动式即计划式要货，依照生产计划生成拣选订单，在生产的同时启动接下来一段时间生产所需要的零件拣选工作。无论哪种要货逻辑，对于拣选环节而言，皆是通过系统算法，将需求转化为订单，供拣选作业参照，同时皆应遵循FIFO（先进先出）原则。

图1 拣选模式

图2 拣选难度等级

1.拣选模式选择

在各个物流中心，针对汽车零部件的拣选分为批量拣选和拆零拣选两大类。批量拣选中分为整托和整箱（看板），拆零拣选中分为整套（SPS）和单类（排序）。不同层级的物流节点，对拣选深度的要求不一致，上游节点批量拣选的比例高，下游节点多为拆零拣选。

（1）模式一：看板模式

按看板拣选是指作业者按照订单要求，将零件以箱为单位，即以看板为单位进行拣选，进而完成向下的配送工作。批量拣选模式下的集散中心、仓储中心，多采用此种拣选策略。此种拣选策略的优点在于订单任务简单，无论是推动还是拉动要货，作业者只需要根据订单要求，匹配相应的看板，完成拣选工作即可。在拣选过程中，作业者仅核对看板信息，无需对包装内的零件进行核验，操作对象也是相对规整的立方体包装形式，便于拣选搬运、堆码垛存放以及配送上线。

（2）模式二：SPS拣选模式

SPS拣选多应用于超市缓存中心环节，该模式下的拣选对作业者提出了较高的要求：拣选频率加快，批量模式下拣选一箱零件，而在SPS策略下需按辆份将一箱零件分多次进行拣选；拣选人员需对零件个体进行操作，因此增加了拆除外包装、去除内部一次性隔衬、处理空箱等工作，当零件器具较为复杂时，需要调整器具结构，额外行走、弯腰拣选大尺寸包装内的零件；甄别零件的工时与责任转嫁给超市缓存中心拣选作业人员，拣选人员需仔细核对备货单与零件看板，区分颜色、高低配，注意单次拣选的零件数量是否匹配等；要求作业者关注零件质量，拆除包装、零件拿取、放置在器具内指定位置等工作均需要强化培训。

排序拣选模式针对同种零件高低配、颜色选型较多、零件个体体积较大，线旁面积不足的情况所采用的，在如今主流的、多车型混线生产的主机厂被大量采用。排序拣选是根据生产计划，提前一定时间将需拣选的零件以订单（备货单）的形式推送给作业者，作业者按照订单顺序将零件逐一拣选并放置在器具内，排序器具多为专用器具，需对零件起到较好的固定与防护作用。排序拣选与SPS拣选均是针对个体零件，因此排序拣选对拣选作业人员的要求及关注点与SPS类似，但排序拣选更具针对性，仅对单独一种零件进行拣选操作，并且零件一般体积较大，如车门玻璃、门护板、空调等。

2.拣选策略分析

在三种拣选模式中，后两种为拆零拣选，拣选复杂，难度大。在拆零拣选中，一般分为两种拣选策略，分别为播种式拣选和摘果式拣选。播种式拣选是集订单的拣选，先把其中每种物料的数量分别汇总，再逐个对各个去向进行分货，形式如播种。摘果式拣选的作业特征是从货架上取货，放入指定的箱中。

（1）播种式拣选

播种式拣选是先对多个订单进行预处理，将每批订单上的同类零件进行累积并从存储区全部拣选出来，进行整理，然后对同一种零件进行处理，将其按订单需求进行分配，即放置在上线器具上，当该种零件分配完毕后，再对下一种零件进行分配。播种式拣选在拣选过程中同时处理多个订单，作业任务是处理之后的“新订单”，需要做好充分的准备工作，通常该部分订单的分割与合并由系统完成，因此播种式拣选更适用于品种较多、数量较大的零件。播种式拣选可以高效地处理批量订单，行走距离相对较少，完成一份订单的平均耗时较短。由于拣选任务基于合并后的订单，一旦发生差错，将影响多个乃至全部订单。

（2）摘果式拣选

图3 预拣选策略

表1 储分一体类技术

表2 拣选类技术

图4 技术匹配图

摘果式拣选是指让拣选作业人员在存储区巡回作业，按某一订单拣选出订单中的全部零件，完成一个订单需遴选整个存储区，将该订单拣选完毕后，再进行下一订单的拣选任务。摘果式拣选是针对每一订单，逐一进行拣选，更适用于品种少、订单量大的情况。由于该拣选策略需遍寻整个仓储区，因此行走距离较大、动作多、耗时长，多品种将增加拣选的难度与产生差错的可能，而一旦发生差错，只影响一个订单，相对而言影响范围较小。

（3）融合拣选策略

横向对比各物流环节拣选难度，纵向挖掘拣选的复杂度。超市缓存中心拆零整套（SPS）拣选、拆零单类拣选为难度和复杂度最高的环节，对拣选的准确度、效率提出了最高的要求。

在SPS拣选中同时涉及GLT/KLT、通用件/专用件、同时车型选装信息的影响，需按照车序进行拣选。针对SPS拣选特点，提出以下策略：

● 融合拣选策略

采用播种式和摘果式融合的策略进行拣选，在通用件的预拣选过程中，将指定订单数作为一个订单集，单次拣选多个相同零件，利用播种方式进行拣选。在专用件的拣选过程中，利用摘果方式进行拣选。一个拣选过程，使用两种拣选方式。

● 主流程优先策略

分析GLT与KLT的零件品类、数量，将品类多、数量大的那部分确认为主流程，其他为支流流程，优先对主流程进行流程设计及布局设计。将支流流程进行弱化设计，优先主流程服务。汽车零部件物流SPS拣选中，往往KLT零件品类多、数量多、行迹管理复杂，故对KLT拣选流程予以优先设计；将GLT零件流程后续辅助设计。

● 预拣选策略

主体设计思路为设立GLT&KLT通用零件拣选区域，提前完成拣选订单中通用零件的拣选；以立体货柜作为备货缓存为例，首先完成通用零件的拣选，因立体货柜拣选的便利性限制，将KLT尺寸≤600mm或800mm的专用零件存放至立体货柜中；完成立体货柜拣选后，对KLT＞600mm或800mm及GLT的专用零件进行拣选，完成整个拣选操作。

● 预编组策略

为了提高拣选的效率，尽量在1～2个拣选操作平台上完成整个订单的拣选，需要对SPS台车整套零件按编组算法规则进行预编组。即，按零件的车型选装信息智能配载托盘层，进行预先编组。

首先将利用系统预先对拣选单进行排序，保证足够长周期内拣选单的相似度最大化。在此基础上，算法结合主机厂生产信息，将车序信息与订单信息提前给出，实现各车型的预先组合排序，按生产顺序的需求实现快速准确拣选。

图5 智能装备选型

3.拣选技术选型

拣选环节效率的高低、拣选是否精准、成本是否可控与上游的仓储和下游的转运有着直接的联系。目前随着物流技术的不断发展，在仓储、分拣环节应用的技术越来越成熟，基于以上的拣选策略分析，结合各个不同的分拣场景，给出以下基于智能装备应用的智能化、定制化拣选解决方案。

（1）储分一体类技术

仓储类技术可分为大件GLT和小件KLT两种，为了降低仓储成本，针对这两种不同包装性质的零件会进行密集式的批量存储，为了提高拣选效率，可在批量存储后，下架至备货缓存区域，配合后续的拣选。

在批量存储GLT的过程中，四向穿梭车技术为近几年较为新式的做法。通常利用四向穿梭车，在同一平层实现存取，利用提升机实现四向穿梭车及货物的换层。同时，可利用Kiva AGV或无人叉车与四向穿梭车进行混合调度，实现无缝的连接与配合，提高整体存取及转运的效率。

在批量存储KLT的过程中，多层穿梭车因效率高、储量大、柔性高的特点被电商及汽车物流企业广泛应用。随着技术的发展，多层穿梭车从单一尺寸发展为可变尺寸，适应更多的器具尺寸形式，与Kiva AGV散盘区或立体货柜等备货缓存技术进行有机结合，形成完整的储分一体化方案。

图6 批量拣选装备选择

图7 拣选技术选择

（2）拣选类技术

拣选类技术分为辅助拣选类和自动拣选类，辅助拣选类以声光提醒为主，提高拣选的效率和准确性；自动拣选技术适用拣选机器人，利用夹抱和抓取的原理进行整箱或单个零件的拣选。

目前辅助拣选类技术利用电子标签功能，根据场景的不同，与Kiva等技术融合简化应用，达到快速货到人拣选，可达到60～80箱/小时的拣选效率。

（3）技术匹配

通过储分一体类技术与拣选类技术的排列组合，可实现适应不同业务场景的多种一体化解决方案。具体选择哪一种方案，取决于流量的限制、效率的要求、成本的制约等因素。

根据各个场景的不同，给出批量仓储与快速拣选技术匹配的基本模型，便于大家在日常使用过程中进行技术选择。批量仓储以料箱级存储技术为例，主流技术为多层穿梭车与Miniload。

快速拣选以拆零单类零件为例，主流技术为辅助拣选技术（声、光）及自动拣选技术。未来以机器视觉、六轴机器人、AMR机器人为发展方向，以人机协作方式进一步提高生产力水平。

三、未来发展趋势

近几年物流技术高速发展，仓储、拣选设备可基本满足标准化的业务流程与作业对象。未来将在算法、系统策略层面进行优化与突破。例如机器视觉技术，通过机器学习、深度学习算法的植入与升级，实现更智能的感知，将从外部获取的信息转化成数字化的信号，进而通过人工智能进行判断与决策，使各项拣选技术能够应对非标准化的流程与拣选对象，实现拣选柔性化、个性化；再如AMR技术，同样是通过后台的人工智能支撑，实现路线的自主导航与自动规划，为拣选作业提供更高效的技术支撑；通过数字孪生技术，实现实际场景的虚拟数据及图像采集，利用算法校验拣选的准确性，实现效率优化和技术升级。