本发明涉及物联网，特别涉及一种物流信息网络化管理方法。
背景技术：
随着物联网的发展，智能装配渐成规模，零部件仓库借助供应链的机器人自动运输路线运输至装配车间，目前对于运输信息和零部件信息的已经可以被追踪和记录。但是，仍有几个缺陷的存在：无论是零部件仓库运输给装配车间，或者装配车间退回给零部件仓库，如果需要取消，只能在零部件逐级到达零部件仓库或装配车间时，再通过一次运输过程返回。而且跨企业运输过程中，至少经过多余的中转站，导致路线上的重复。如需要高优先级运输，则无法对产品进行动态调整。
技术实现要素：
为解决上述现有技术所存在的问题，本发明提出了一种物流信息网络化管理方法，包括：
将装配车间云集群、装配物流云集群和零部件仓库云集群组成基于物联网的智能装配系统，将多个机器人终端分别设置在多个机器人上，所述机器人终端控制机器人根据接收的路线信息将零部件从零部件仓库运输到装配车间。
优选地，所述机器人终端包括机器人终端传输模块，用于以无线的方式接入工业以太网，并通过工业以太网与装配物流云集群进行数据交互；
所述机器人终端包括机器人终端交互模块，用于输入机器人终端应答信息，还用于对来自装配物流云集群的信息进行显示；
所述机器人终端包括机器人终端存储模块，用于存储来自装配物流云集群的信息。
优选地，所述机器人终端包括定位模块，用于采集机器人终端的定位信息；
所述机器人终端包括机载控制模块用于对来自装配物流云集群的信息进行处理，并发给机器人终端交互模块进行显示，还用于将机器人终端应答信息发给装配物流云集群。
优选地，所述装配物流云集群还包括路线规划模块，用于根据当前机器人的设定终点按最短路线或最快路线规划行进路线，并生成行进路线表，发送给目的地确定模块；所述装配物流云集群的目的地确定模块用于根据所有待运输零部件射频标签中的零部件产品信息按目的地，对应行进路线表选择出目的地与行进路线之间距离为d的零部件；其中d小于目的地与设定终点间的距离。
本发明相比现有技术，具有以下优点：
本发明提出了一种物流信息网络化管理方法，实现了在单次运输过程的运输可逆转和可定制，降低了物流成本。
附图说明
图1是根据本发明实施例的物流信息网络化管理方法的流程图。
具体实施方式
下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。
本发明的一方面提供了一种物流信息网络化管理方法。图1是根据本发明实施例的物流信息网络化管理方法流程图。
本发明的基于物联网的智能装配系统包括装配车间云集群、装配物流云集群和零部件仓库云集群，均接入云端网络。
每个装配车间云集群均包括装配车间交互模块、装配车间传输模块和装配车间存储模块；装配车间交互模块用于输入装配车间信息，还用于对装配车间信息、零部件仓库发布的信息进行显示；装配车间传输模块用于通过工业以太网与装配物流云集群或零部件仓库云集群进行数据交互；装配车间存储模块用于存储装配物流云集群或零部件仓库云集群通过工业以太网发送的数据；
装配物流云集群包括运输端交互模块、运输端传输模块和运输端存储模块；所述运输端交互模块用于输入运输信息，还用于对运输信息、装配车间发送的信息进行显示；运输端传输模块用于通过工业以太网与零部件仓库云集群或装配车间云集群进行数据交互；运输端存储模块用于存储零部件仓库云集群或装配车间云集群通过工业以太网发送的数据；
零部件仓库云集群包括零部件仓库交互模块、零部件仓库传输模块和零部件仓库存储模块；零部件仓库交互模块用于输入零部件信息，还用于对零部件信息、装配车间发送的信息进行显示；零部件仓库传输模块用于通过工业以太网与装配物流云集群或装配车间云集群进行数据交互；零部件仓库存储模块用于存储装配物流云集群或装配车间云集群通过工业以太网发送的数据包；
所述基于物联网的智能装配系统还包括多个机器人终端；多个机器人终端分别设置在多个机器人上，每个机器人终端均包括机载控制模块、定位模块、机器人终端传输模块、机器人终端交互模块和机器人终端存储模块；机器人终端传输模块用于以无线的方式接入工业以太网，并通过工业以太网与装配物流云集群进行数据交互；机器人终端交互模块用于输入机器人终端应答信息，还用于对来自装配物流云集群的信息进行显示；机器人终端存储模块用于存储来自装配物流云集群的信息；定位模块用于采集机器人终端的定位信息；机载控制模块用于对来自装配物流云集群的信息进行处理，并发给机器人终端交互模块进行显示；还用于将机器人终端应答信息发给装配物流云集群。
装配物流云集群还包括射频标签生成模块、路线规划模块、目的地确定模块、装载计算模块、机器人追踪模块和运输调度模块；所述射频标签生成模块用于记录每个包装体的信息，将零部件产品信息生成标签并附加至包装体上；将零部件产品信息以射频标签的形式发送给路线规划模块和目的地确定模块；
路线规划模块用于根据当前机器人的设定终点按最短路线或最快路线规划行进路线，并生成行进路线表，发送给目的地确定模块；目的地确定模块用于根据所有待运输零部件射频标签中的零部件产品信息按目的地，对应行进路线表选择出目的地与行进路线之间距离为d的零部件；其中d小于目的地与设定终点间的距离；
装载计算模块用于根据行进路线以及选择出来的零部件产品按行进途经顺序对零部件进行排序，生成装载列表；机器人追踪模块用于对运输过程中的机器人定位信息进行实时定位，并在地图中实时显示；运输调度模块用于在运输过程按照装配车间需求或运输服务需求对机器人或者运输产品进行实时调度；还用于对行进路线中的卸载过程进行调度。
本发明在装载前首先对零部件进行分类，然后再按照这些零部件产品的分布规划合适的路线；在分类后，将途经顺序对装载进行规划。为了能在运输过程中找到适合的机器人进行产品转运，需要对装载的产品进行描述，以实现产品退回和实时卸载。
对于在运输过程按照装配车间需求或服务需求对机器人进行实时调度的方法具体为：
步骤一、将装配需求输入装配车间云集群或零部件仓库云集群，此时装配车间云集群或零部件仓库云集群作为主动方；
步骤二、向装配物流云集群发送需求信息，所述需求信息包括作业id和请求内容；
步骤三、向装配车间云集群或零部件仓库云集群发送身份验证指令，如身份验证失败，则结束该次调度；如果验证成功，则执行步骤四；
步骤四、装配物流云集群判断需求信息内容的种类，指当为零部件退回作业时，则执行步骤五；
步骤五、根据该需求信息中的作业id，并在运输端存储模块中查询该作业id对应的规划行进路线和该作业id对应的产品射频标签；
步骤六、在运输端存储模块中查询与该规划行进路线相同，且行进方向相反的机器人作为第一候选机器人集合；装配物流云集群根据定位信息计算与获得的第一候选机器人集合之间的距离，并按照距离排序；
步骤七、装配物流云集群提取步骤五中所述射频标签中的包装体信息和自身id打包成退回请求数据包，并分别向步骤六中的所有第一候选机器人集合发布；
步骤八、每个第一候选机器人集合的机器人终端收到该信息后，判断自身剩余空间是否能够容纳该包装体，且剩余载重是否大于该包装体的重量，如果判断结果为是，则向装配物流云集群回复退回确认信号；如果判断结果为否，则结束；
步骤九、装配物流云集群根据收到的退回确认信号，根据步骤六的距离顺序，确定优先级；
步骤十、根据步骤九确定的优先级，判断当前机器人与第一候选机器人集合之间的行进路线是否存在可用卸载位置；如果判断结果为是，将这些第一候选机器人集合记为第二候选机器人集合，则执行步骤十一；如果判断结果为否，则结束；
步骤十一、在第二候选机器人集合中，对于每个第一候选机器人，选取距离当前机器人与第一候选机器人集合之间的距离差值最小的可用卸载位置作为最优可用卸载位置；
步骤十二、选取第二候选机器人集合中，最优可用卸载位置距离当前机器人与第二候选机器人集合之间的距离差值最小的所对应的第二候选机器人集合，作为最终第一候选机器人集合；
步骤十三、装配物流云集群向步骤六中的所有第一候选机器人集合发布选中的最终第一候选机器人集合；并向最终第一候选机器人集合发送选定的最优可用卸载位置；
步骤十四、完成产品交接后，最终第一候选机器人集合向装配物流云集群发送完成信息，结束一次退回作业。
其中，在步骤四，判断需求信息内容的种类当为高优先级作业时，则执行以下步骤：
步骤a1、装配物流云集群根据该需求信息中的作业id，并在运输端存储模块中查询该作业id对应的规划行进路线和该作业id对应的射频标签；
步骤a2、装配物流云集群在运输端存储模块中查询与当前机器人的规划行进路线相同、行进方向相同且位于当前机器人后方的机器人，作为第三候选机器人；
步骤a3、对于当前机器人和所有第三候选机器人，分别计算其自身的平均速度，并选取到达终点的时间早于当前机器人到达终点的时间的机器人作为第四候选机器人集合；并将第四候选机器人集合的到达时间按早晚进行排序；
步骤a4、装配物流云集群根据需求信息中的要求到达时间与步骤a3中排列的时间进行比较，删除晚于要求到达时间对应的机器人，将剩余的候选机器人作为第四候选机器人集合；并将第四候选机器人集合的到达时间按早晚进行排序；
步骤a5、判断第四候选机器人集合的数量是否为0，如果判断结果为否，则执行步骤a6；
步骤a6、装配物流云集群提取射频标签中的包装体的信息和自身id打包成高优先级请求数据包，并分别向步骤a4中的所有第四候选机器人集合发布；
步骤a7、第四候选机器人集合的每个机器人终端收到该信息后，判断自身剩余空间是否能够容纳该包装体且剩余载重是否大于该包装体的重量，如果判断结果为是，则向装配物流云集群回复高优先级应答信号；如果判断结果为否，则结束；
步骤a8、装配物流云集群根据收到的高优先级应答信号，根据步骤a4的第四候选机器人集合的到达时间按早晚进行排序，确定优先级；
步骤a9、根据步骤a8确定的优先级，判断当前机器人与第四候选机器人集合之间的行进路线是否存在可用卸载位置；选取距离当前机器人与第四候选机器人集合之间的距离差值最小的可用卸载位置作为最优可用卸载位置；
步骤a10、选取最优可用卸载位置距离当前机器人与第四候选机器人集合之间的距离差值最小的所对应的机器人，作为最终候选机器人；
步骤a11、装配物流云集群向所有第四候选机器人集合发布选中的最终候选机器人；并向最终候选机器人发送选定的最优可用卸载位置，指示最终候选机器人将对应射频标签中的包装体转运至最优可用卸载位置。
所述装配物流云集群的路线规划模块和装载计算模块，进一步根据预先建立的路线模型，获取两个地点间的最佳路线，筛选出符合约束条件的包装体集合，根据最佳路线下待运输零部件的已运输比率计算包装体集合的运输比率，从而计算物流成本，并将物流成本与预设的成本阈值之间的差值作为反馈值，对包装体集合的运输比率进行调整，最终得到最优装载和运输方案，包括以下步骤：
b1，根据预先建立的路线模型获取两个地点间的最佳路线，根据所述最佳路线计算所述两个地点对应的车间之间的行进成本；
其中，所述路线模型以各个车间为地点，以连接两个车间的道路的距离对应的成本函数为路线权值而建立，所述成本函数用于表征所述路线上产生的成本。
在建立路线模型之后，根据各个路线的实时信息对所述路线权值进行校正。在校正权值之后，从所述路线模型的地点中选定起始地点和目的地点，从校正后的路线中选择连通所述起始地点和目的地点的路线中总权值最小的路线，并将所述总权值最小的路线设为所述起始地点和目的地点之间的最佳路线。其中，所述权值可以是正则化的权值。
在获取最佳路线之后，可据所述最佳路线计算所述两个地点之间的行进成本。
b2，对给定的n种种类的待运输零部件，生成所有由最多m种种类的待运输零部件组成的第一包装体集合，从所述第一包装体集合中筛选出符合机器人的包装体约束条件的第二包装体集合；其中，m小于或等于n；
对于每一种组合种类，遍历每个机器人可以装载零部件数量情况下生成所有可能的组合，根据所述第一包装体集合中待运输零部件的种类数量以及每种种类的待运输零部件的重量计算所述第一包装体集合的总重量，若所述总重量大于所述机器人的载重量，删除对应的第一包装体集合，将未删除的第一包装体集合设为符合载重量约束条件的第三包装体集合，从而筛选出符合载重约束条件的组合。再根据所述第三包装体集合中待运输零部件的种类数量以及每种种类的待运输零部件的尺寸计算所述第三包装体集合的总尺寸，将所述总尺寸与所述机器人的尺寸进行比较，若所述总尺寸大于所述机器人的尺寸，删除对应的第三包装体集合，将未删除的第三包装体集合设为符合尺寸约束条件的包装体集合，从而筛选出符合尺寸约束条件的组合。
b3，根据所述最佳路线下各种种类的待运输零部件的已运输比率估算所述最佳路线下各个包装体集合的运输比率，根据所述运输比率计算所述最佳路线下的综合装载量，根据所述综合装载量和行进成本计算对应车间之间的物流成本；
在本步骤中，根据如下公式计算运输比率φ：
式中，k为待运输零部件的总数量，m为包装体集合中待运输零部件的种类数，xi为所述最佳路线下第i种待运输零部件，ai为包装体集合中第i种待运输零部件的数量，p(xi)为xi的已运输比率，1≤i≤m。
然后根据如下公式计算综合装载
式中，mj为所述最佳路线下第j个包装体集合的总装载量，φj为所述最佳路线下第j个包装体集合的运输比率。
最后，按照上述方式计算出的综合装载量和行进成本计算对应车间之间的物流成本。避免了因人为因素影响较大而降低计算精确度的问题。
b4，若所述物流成本大于预设的成本阈值，计算所述物流成本与所述成本阈值之间的差值，根据所述差值调整各个包装体集合的运输比率，并返回根据所述运输比率计算所述最佳路线下的综合装载量的步骤；
在本步骤中，将步骤b3中计算出的物流成本与预设的成本阈值的差值作为反馈值，用来调整各个包装体集合的运输比率，并重复该调整的过程，直到所述物流成本小于所述预设的成本阈值。
b5，若所述物流成本小于所述预设的成本阈值，根据所述最佳路线和包装体约束条件以及调整后的运输比率确定运输方案。
其中，根据步骤b4的迭代调整运输比率之后，当物流成本小于所述预设的成本阈值时，确定此时的运输比率为最优运输比率，综合考虑了运输路线和约束条件组合，有效降低物流成本。
所述装配物流云集群的的运输调度模块，以零部件装配装配序列为决策依据，基于装配过程的物流服务问题由作业拆分、作业排序、服务选择与组合和结果优选四部分组成，形式化描述如下：
c1.装配物流云集群首先对装配作业进行拆分，得到一系列子作业，并确定装配作业的装配过程，mt＝{st1，st2，…，sti，…，stn}+constraint。最佳的子作业装配序列根据装配过程的要求，结合动态变化的服务资源来确定。因此，子作业序列{st1，st2，…，sti，…，stn}的下标i仅表示子作业编号，与装配序列无关；constraint是实现装配过程需求的约束，
式中：矩阵阶数n等于子作业数量；cij表示子作业sti与子作业stj之间的装配序列需求，若sti<stj则cij＝1，若sti>stj则cij＝-1，若sti与stj之间无装配序列需求，cij＝0。
c2.装配物流云集群随机生成子作业装配序列ps(st1p1，st2p2，…，stipi，…，stnpn)，并在不同的装配序列条件下进行服务组合。然后进行装配过程校验，并修改不满足要求的装配序列，得到可执行的装配序列，即eps(st1e1，st2e2，…，stiei，…，stnen)，其中ei表示子作业编号，i表示子作业装配序列编号。
c3.装配物流云集群从满足各子作业要求的候选零部件仓库云集群中，各选择一个物流服务，并按照对应的可执行装配序列将选中的服务组装成物流组合物流服务，得到候选装配方案cpr(st1e1,s1，st2e2,s2，…，stiei,si，…，stnen,sn)，其中si表示执行子作业stei的候选物流服务编号，序列(s1，s2，…，sn)表示物流组合物流服务中服务的执行顺序。不同的子作业可以选择相同的物流服务，即si可在区间[1，m]中取重复值，m表示候选物流服务数量。stiei,si表示在候选装配方案cpr中，第i个被执行的子作业是stei，并由第si个零部件仓库提供服务。
c4.按照优选目标，计算不同候选装配方案的评估分值，选出结果最优的候选装配方案。所述优选目标包括：时间最短、成本最低、和稳定度最高。
装配作业信息表示为：
mt(l，n，w，dl，tc，r)。
式中：l表示装配车间所处的位置；n表示作业要求装配的零部件数量；w表示待装配的零部件质量；dl表示可接受的作业完成时长；tc表示可接受的最高成本；r表示对所有候选物流服务的最低稳定度要求。
零部件仓库信息表示为：sp(l，r)&(c，t)。
式中：(l，r)表示零部件仓库的整体信息；(c，t)表示零部件仓库的零部件信息；l表示零部件仓库所在位置；r表示零部件仓库的稳定度评估分值，是在区间[0，1]上取值的评价指标；c表示仓库可提供的装配服务成本；t表示零部件仓库完成不同作业所需时间。对零部件仓库的服务质量进行计算时要先利用权值系数计算出时间和成本的评估分值，然后再乘以稳定度。零部件仓库si完成子作业ei时的服务质量计算公式如下：
qosei，si＝rsi×(wt·tmi，si+wc·cmi，si)
式中：rsi是第si个零部件仓库的稳定度评估分值；tmi，si、cmi，si分别是第si个零部件仓库完成第mi个子作业所需的时间和成本；wt、wc分别是时间和成本的权值系数，wc+wt＝1。
当组合物流服务协同完成一个装配作业时，由于各零部件仓库的位置不完全相同，随着作业的进行，将产生运输开销。为简化计算，假定组合物流服务中，完成第一个子作业的零部件仓库提供零部件，其位置为运输起点；运输终点为装配车间所处位置。由候选装配方案cpr可知，运输路线上的第i个地点是第si个零部件仓库所处的位置，在这个地点上被执行的是第ei个子作业。
对候选装配方案的评价包括零部件仓库的服务质量和运输开销两个部分。因此，考虑了时间和成本和稳定度的服务组合优选问题，转化为目标优化函数进行求解：
其中，i表示候选装配方案的第i个地点，lc和lt分别为运输时间和运输成本。
根据基于装配过程的目标优化函数，采用蚁群算法，每一次迭代进行两次不同种类的路线搜索，每次迭代的首次搜索根据装配序列需求，得到子作业的可执行装配序列(e1，e2，…，ei，…，en)；二次搜索则根据可执行装配序列，为每个子作业选择适合的候选物流服务，得到组合物流服务(s1，s2，…，si，…，sn)。蚁群算法的基本流程进一步描述为：
首次搜索由装配序列生成和装配过程校验两部分构成。装配序列生成采用基本蚁群算法；装配过程校验包括，当装配序列不满足要求时，启用装配序列交换，使其成为可执行装配序列。逐个检查所有子作业，查看约束constraint中是否有与子作业相关的装配序列需求，若有，则检查该子作业在装配序列中的位置是否满足装配过程需求，若不满足则交换两个子作业的装配序列。
二次搜索中，零部件仓库作为蚂蚁访问的对象，可以被重复选择，启发变量不仅受到零部件仓库之间位置的影响，也与待装配子作业有关。信息素变化量与路线长度成正比。若零部件仓库数量为m，蚂蚁种群的数量为s。
蚂蚁k在t时刻离开零部件仓库i而访问零部件仓库j的概率pki，j(t)通过下式计算：
pki，j(t)＝[ταi，j(t)×ηβi，j(t)]/[σs∈[1，m]ταi，s(t)×ηβi，s(t)]，j∈[1，m]。
其中ηi，j为启发变量，表示蚂蚁受距离影响而离开零部件仓库i，访问零部件仓库j的概率；τi，j为零部件仓库i与零部件仓库j之间的信息素浓度，α和β分别表示信息素和启发变量的相对重要度。二次搜索中，启发变量受到零部件仓库之间的距离影响，还受到待装配子作业的影响。
当服务组合(s1，s2，…，si，…，sn)中，s(i-1)所代表的零部件仓库被确定以后，第s(i-1)个零部件仓库与其他零部件仓库之间的启发变量可以通过下式计算：
ηs(i-1)，si＝[rsi×(wt·tmi，si+wc·cmi，si)]+wc·lcs(i-1)，si+wt·lts(i-1)，si；si∈[1，m]。
二次搜索中的信息素浓度变化量与蚂蚁走过的路线长度成正比，采用的信息素浓度变化量公式如下：
如果蚂蚁k在t时刻到t+n时刻，离开零部件仓库i，访问零部件仓库j，则δτki，j(t，t+n)＝q*lk，否则δτki，j(t，t+n)＝0
其中q为信息素强度，lk为蚂蚁k在本次迭代中走过的路径长度。
当所有蚂蚁进行了m次访问之后，更新信息素：
τi，j(t+n)＝ρ·τi，j(t)+δτi，j(t，t+n)。
式中：ρ表示信息素残留系数，ρ<1；δτi，j(t，t+n)是从零部件仓库i到零部件仓库j的路线上的信息素变化量，即：
综上所述，本发明提出了一种物流信息网络化管理方法，实现了在单次运输过程的运输可逆转和可定制，降低了物流成本。
显然，本领域的技术人员应该理解，上述的本发明的各模块或各步骤可以用通用的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储在存储系统中由计算系统来执行。这样，本发明不限制于任何特定的硬件和软件结合。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。