本发明涉及物流管理,具体涉及一种基于云计算的物流运输监管系统及监管方法。
背景技术:
物流是指为了满足客户的需求,以最低的成本,通过运输、保管、配送等方式,实现原材料、半成品、成品或相关信息进行由商品的产地到商品的消费地的计划、实施和管理的全过程。物流是一个控制原材料、制成品、产成品和信息的系统,从供应开始经各种中间环节的转让及拥有而到达最终消费者手中的实物运动,以此实现组织的明确目标。现代物流是经济全球化的产物,也是推动经济全球化的重要服务业。世界现代物流业呈稳步增长态势,欧洲、美国、日本成为当前全球范围内的重要物流基地。
中国物流行业起步较晚,随着国民经济的飞速发展,中国物流行业保持较快增长速度,物流体系不断完善,行业运行日益成熟和规范。
现代物流通常被认为是由运输、存储、包装、装卸、流通加工、配送和信息诸环节构成。各环节原本都有各自的功能、利益和观念。系统方法就是利用现代管理方法和现代技术,使各个环节共享总体信息,把所有环节作为一个一体化的系统来进行组织和管理,以使系统能够在尽可能低的总成本条件下,提供有竞争优势的客户服务。系统方法认为,系统的效益并不是它们各个局部环节效益的简单相加。系统方法意味着,对于出现的某一个方面的问题,要对全部的影响因素进行分析和评价。从这一思想出发,物流系统并不简单地追求在各个环节上各自的最低成本,因为物流各环节的效益之间存在相互影响、相互制约的倾向,存在着交替易损的关系。比如过分强调包装材料的节约,就可能因其易于破损造成运输和装卸费用的上升。因此,系统方法强调要进行总成本分析,以及避免次佳效应和成本权衡应用的分析,以达到总成本最低,同时满足既定的客户服务水平的目的。
为了保证物流的有序进行,需要使用到物流管理系统,现有的物流管理模块往往只能柜货物进行管理,管理面较小,无法对人员和运输车辆进行管理,影响人们的使用。
技术实现要素:
本发明设计开发了一种基于云计算的物流运输监管系统,本发明的目的是能够多角度采集物流运输系统并做出监控管理。
本发明设计开发了一种基于云计算的物流运输监管方法,本发明的发明目的是基于多方面采集物流运输中的货物及环境信息后,基于bp神经网络对物流运输做出合理监管。
本发明提供的技术方案为:
一种基于云计算的物流运输监管系统,其特征在于,包括:
总控模块;
物流运输监控模块;
货物管理模块;
人员监管模块;
第一数据模块,其输入端与所述物流运输监控模块的输出端连接;
第二数据模块,其输入端与所述货物管理模块的输出端连接;
第三数据模块,其输入端与所述人员监管模块的输出端连接;
报警模块,其与所述总控模块连接;
其中,所述第一数据模块、所述第二数据模块、所述第三数据模块同时与所述总控模块的输入端连接。
优选的是,所述物流运输监控模块包括温度传感器、湿度传感器、氧气浓度测量传感器和二氧化碳浓度测量传感器;
所述货物管理模块包括进货射频识别器、出货射频识别器和重量传感器;以及
所述人员监管模块包括人员考勤打卡器。
优选的是,还包括:
控温空调,其与所述温度传感器连接;
加湿器,其与所述湿度传感器连接;
制氧机,其与所述氧气浓度测量传感器连接;
风机,其与所述二氧化碳浓度测量传感器连接;
其中,所述控温空调、所述加湿器、所述制氧机和所述风机同时与所述总控模块连接。
一种基于云计算的物流运输监管方法,使用所述的物流运输监管系统,采用bp神经网络对所述控温空调、所述加湿器、所述制氧机和所述风机进行控制,包括如下步骤:
步骤一、按照采样周期,通过重量传感器测量监管区域内货物的重量m、监管区域外的环境温度to,待监管货物氧气需求量
步骤二、依次将参数进行规格化,确定三层bp神经网络的输入层向量x={x1,x2,x3,x4};其中,x1为重量系数、x2为环境温度系数、x3为氧气需求量系数、x4为需求温度系数;
步骤三、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点个数;
步骤四、得到输出层向量z={z1,z2,z3,z4};其中,z1为控温空调调节阀开度调节系数,z2为加湿器调节阀开度调节系数,z3为制氧机进氧量调节阀开度调节系数,z4为风机转速调节系数;
步骤五、控制控温空调调节阀、加湿器调节阀、制氧机进氧量调节阀和风机转速,使
θa(i+1)=z1iθa_max,
θb(i+1)=z2iθb_max,
θc(i+1)=z3iθc_max,
ωi+1=z4iωmax,
其中,其中z1i、z2i、z3i、z4i分别为第i个采样周期输出层向量参数,θa_max、θb_max、θc_max、ωmax分别为设定的控温空调调节阀的最大开度、加湿器调节阀的最大开度、制氧机进氧量调节阀的最大开度、风机的最大转速,θa(i+1)、θb(i+1)、θc(i+1)、ωi+1分别为第i+1个采样周期时的控温空调调节阀的开度、加湿器调节阀的开度、制氧机进氧量调节阀的开度、风机转速;
步骤六、对控温空调调节阀、加湿器调节阀、制氧机进氧量调节阀和风机转速调节后,总控模块通过温度传感器测量监管区域内的温度ti、湿度传感器测量监管区域内的湿度rh,氧气浓度测量传感器测量监管区域内的氧气浓度
优选的是,所述步骤二中,货物的重量m、环境温度to、氧气需求量
其中,xj为输入层向量中的参数,xj分别为测量参数m、to、
优选的是,在所述步骤六中,采用bp神经网络对监管系统进行监控,包括如下步骤:
步骤1、按照采样周期,通过温度传感器测量监管区域内的温度ti、湿度传感器测量监管区域内的湿度rh,氧气浓度测量传感器测量监管区域内的氧气浓度
步骤2、依次将参数进行规格化,确定三层bp神经网络的输入层向量x={x1,x2,x3,x4,x5,x6};其中,x1为温度系数、x2为湿度系数、x3为氧气浓度系数、x4为二氧化碳浓度系数,x5为进货射频频率系数,x6为出货射频频率系数;
步骤3、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点个数;
步骤4、得到输出层神经元向量o={o1,o2,o3,o4};其中,o1为监管系统运行状态好,o2为监管系统运行一般,o3为监管系统运行差,o4为监管系统预警,所述输出层神经元值为
优选的是,所述步骤2中,温度ti、湿度rh、氧气浓度
其中,xj为输入层向量中的参数,xj分别为测量参数ti、rh、
优选的是,所述控温空调的起始调节开度为:
其中,f(m)=0.042ln(m)+0.222;
式中,θa_max为控温空调的最大调节开度,λa为第一调节系数,tt为待监管货物需求温度,to为监管区域外的环境温度,ti为监管区域内的温度,aa1为与控温空调开度调节相关的第一常数,aa2为与控温空调开度调节相关的第二常数,m为监管区域内货物的重量,χm为重量校正系数。
优选的是,所述氧气机的起始调节开度为:
其中,f(m)=0.042ln(m)+0.222,f(rh)=2.096(rh)0.055;
式中,θc_max为制氧机进氧量的最大调节开度,λb为第二调节系数,co2为监管区域内的氧气浓度,
优选的是,λa取值范围为1.33~1.41,λb取值范围为1.35~1.43,aa1为0.134,aa2为0.347,χm为1.08,ab1为0.248,ab2为0.565,δrh为0.98。
本发明与现有技术相比较所具有的有益效果:
1、本发明根据货物的信息以及运输监管过程中的相关信息,基于bp神经网络对物流系统中进行控温、控氧、控湿,以保证在运输过程中达到保存需求;
2、本发明根据货物监管环境以及外部环境,基于bp神经网络对监控系统的运行稳定性做出合理性监管;
3、本发明能够对监管环境中的起始温度、起始空气中氧气浓度进行调节以达到保存监管要求。
具体实施方式
下面对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了一种基于云计算的物流运输监管系统,包括:总控模块、物流运输监控模块、货物管理模块、人员监管模块、第一数据模块、第二数据模块、第三数据模块、报警模块;其中,第一数据模块的输入端与所述物流运输监控模块的输出端连接,第二数据模块的输入端与所述货物管理模块的输出端连接,第三数据模块的输入端与所述人员监管模块的输出端连接,报警模块,其与总控模块连接;其中,第一数据模块、第二数据模块、第三数据模块同时与总控模块的输入端连接。
在另一种实施例中,总控模块包括温度传感器、湿度传感器、氧气浓度测量传感器和二氧化碳浓度测量传感器,所述货物管理模块包括进货射频识别器、出货射频识别器和重量传感器,人员监管模块包括人员考勤打卡器。
在另一种实施例中,还包括:控温空调、加湿器、制氧机和风机;其中,控温空调与温度传感器,加湿器与湿度传感器连接,制氧机与氧气浓度测量传感器连接,风机与二氧化碳浓度测量传感器连接;其中,控温空调、加湿器、制氧机和风机同时与总控模块连接。
本发明提供了一种基于云计算的物流运输监管方法,总控模块对监测数据进行实时分析处理,基于bp神经网络对所述控温空调、所述加湿器、所述制氧机和所述风机进行控制,包括如下步骤:
步骤一、建立bp神将网络模型;
本发明采用的bp网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模块给出。第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定。第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入层向量:x=(x1,x2,…,xn)t
中间层向量:y=(y1,y2,…,ym)t
输出层向量:z=(z1,z2,…,zp)t
本发明中,输入层节点数为n=4,输出层节点数为p=4。隐藏层节点数m由下式估算得出:
通过重量传感器监测监管区域内货物的重量m,通过温度传感器监测监管区域外的环境温度to,确定待监管货物氧气需求量
按照采样周期,输入的4个参数为:x1为重量系数、x2为环境温度系数、x3为氧气需求量系数、x4为需求温度系数;
由于传感器获取的数据属于不同的物理量,其量纲各不相同。因此,在数据输入神经网络之前,需要将数据规格化为0-1之间的数。
具体而言,使用重量传感器测量监管区域内货物的重量m,进行规格化后,得到环境温度系数x1:
其中,mmin和mmax分别为监管区域内货物的最小重量和最大重量。
同样的,使用温度传感器测量监管区域外的环境温度to,进行规格化后,得到环境湿度系数x2:
其中,to_min和to_max分别为监管区域外的最小温度和最大温度。
确定待监管货物氧气需求量
其中,
确定待监管货物需求温度tt,进行规格化后,得到发动机温度系数x4:
其中,tt_min和tt_max分别为最小需求温度和最大需求温度。
输出信号的4个参数分别表示为:z1为控温空调调节阀开度调节系数,z2为加湿器调节阀开度调节系数,z3为制氧机进氧量调节阀开度调节系数,z4为风机转速调节系数;
控温空调调节阀开度调节系数z1表示为下一个采样周期中的控温空调调节阀开度与当前采样周期中设定的最大开度之比,即在第i个采样周期中,采集到的调节阀开度为θai,通过bp神经网络输出第i个采样周期的调节阀开度调节系数z1i后,控制第i+1个采样周期中控温空调调节阀开度为θa(i+1),使其满足θa(i+1)=z1iθa_max;
加湿器调节阀开度调节系数z2表示为下一个采样周期中的加湿器调节阀开度与当前采样周期中设定的最大开度之比,即在第i个采样周期中,采集到的调节阀开度为θbi,通过bp神经网络输出第i个采样周期的调节阀开度调节系数z2i后,控制第i+1个采样周期中加湿器调节阀开度为θb(i+1),使其满足θb(i+1)=z2iθb_max;
制氧机进氧量调节阀开度调节系数z3表示为下一个采样周期中的制氧机进氧量调节阀开度与当前采样周期中设定的最大开度之比,即在第i个采样周期中,采集到的进氧量调节阀开度为θci,通过bp神经网络输出第i个采样周期的进氧量调节阀开度调节系数z3i后,控制第i+1个采样周期中制氧机进氧量调节阀开度为θc(i+1),使其满足θc(i+1)=z3iθc_max;
风机转速调节系数z4表示为下一个采样周期中的风机转速与当前采样周期中设定的最大转速之比,即在第i个采样周期中,采集到的风机转速为ωi,通过bp神经网络输出第i个采样周期的风机转速调节系数z4i后,控制第i+1个采样周期中风机转速为ωi+1,使其满足ωi+1=z4iωmax;
步骤二、进行bp神经网络的训练。
建立好bp神经网络节点模型后,即可进行bp神经网络的训练。根据产品的经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值wij,隐层节点j和输出层节点k之间的连接权值wjk,隐层节点j的阈值θj,输出层节点k的阈值wij、wjk、θj、θk均为-1到1之间的随机数。
在训练过程中,不断修正wij和wjk的值,直至系统误差小于等于期望误差时,完成神经网络的训练过程。
如表1所示,给定了一组训练样本以及训练过程中各节点的值。
表1训练过程各节点值
步骤三、采集数据运行参数输入神经网络得到调控系数;
训练好的人工神经网络固化在芯片之中,使硬件电路具备预测和智能决策功能,从而形成智能硬件。智能硬件加电启动后,控温空调、加湿器、制氧机和风机开始运行,加湿器调节阀初始开度为θb0=0.88θb_max,风机初始转速为ω0=0.93ωmax;
其中,控温空调的起始调节开度为:
其中,f(m)=0.042ln(m)+0.222;
式中,θa_max为控温空调的最大调节开度,λa为第一调节系数,tt为待监管货物需求温度,to为监管区域外的环境温度,单位为℃,ti为监管区域内的温度,单位为℃,aa1为与控温空调开度调节相关的第一常数,aa2为与控温空调开度调节相关的第二常数,m为监管区域内货物的重量,单位为kg,χm为重量校正系数,单位为kg;
氧气机的起始调节开度为:
其中,f(m)=0.042ln(m)+0.222,f(rh)=2.096(rh)0.055;
式中,θc_max为制氧机进氧量的最大调节开度,λb为第二调节系数,
同时,通过使用重量传感器测量初始重量m0、监管区域外的初始环境温度to_0、待监管货物氧气初始需求量
步骤四:控制控温空调调节阀开度、加湿器调节阀开度、制氧机进氧量调节阀开度、风机转速;得到初始输出向量
θa1=z10θa_max,
θb1=z20θb_max,
θc1=z30θc_max,
ω=z40ωmax,
通过传感器获取第i个采样周期中的监管区域内货物的重量m、监管区域外的环境温度to、待监管货物氧气需求量
θa(i+1)=z1iθa_max,
θb(i+1)=z2iθb_max,
θc(i+1)=z3iθc_max,
ωi+1=z4iωmax,
步骤五、对控温空调调节阀、加湿器调节阀、制氧机进氧量调节阀和风机转速调节后,总控模块通过温度传感器测量监管区域内的温度ti、湿度传感器测量监管区域内的湿度rh,氧气浓度测量传感器测量监管区域内的氧气浓度
在本发明中,对于步骤五中的主控机对发动机监测数据进行实时分析处理,确定发动机技术状态,其包括如下步骤:
步骤一、建立bp神经网络模型。
bp模型上各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接,输入层神经元的输出与输入相同,即oi=xi。中间隐含层和输出层的神经元的操作特性为
opj=fj(netpj)
其中p表示当前的输入样本,ωji为从神经元i到神经元j的连接权值,opi为神经元j的当前输入,opj为其输出;fj为非线性可微非递减函数,一般取为s型函数,即fj(x)=1/(1+e-x)。
本发明采用的bp网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模块给出;第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定;第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入向量:x=(x1,x2,...,xn)t
中间层向量:y=(y1,y2,...,ym)t
输出向量:o=(o1,o2,...,op)t
本发明中,输入层节点数为n=6,输出层节点数为p=4,隐藏层节点数m=5。
输入层6个参数分别表示为:x1为温度系数、x2为湿度系数、x3为氧气浓度系数、x4为二氧化碳浓度系数,x5为进货射频频率系数,x6为出货射频频率系数;
输出层4个参数分别表示为:o1为监管系统运行状态好,o2为监管系统运行一般,o3为监管系统运行差,o4为监管系统预警,所述输出层神经元值为
步骤二、进行bp神经网络的训练。
建立好bp神经网络节点模型后,即可进行bp神经网络的训练。根据产品的历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值,隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致;各子网训练时的输出样本如表5所示。
表5网络训练用的输出样本
(2)训练算法
bp网络采用误差反向传播(backwardpropagation)算法进行训练,其步骤可归纳如下:
第一步:选定一结构合理的网络,设置所有节点阈值和连接权值的初值。
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=l),则有
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
bp算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是levenberg-marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
δω=(jtj+μi)-1jte
其中j为误差对权值微分的雅可比(jacobian)矩阵,i为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
在另一种实施例中,λa取值范围为1.33~1.41,λb取值范围为1.35~1.43,aa1为0.134,aa2为0.347,χm为1.08,ab1为0.248,ab2为0.565,δrh为0.98;作为一种优选,λa取值为1.35,λb取值为1.41。
在另一种实施例中,人员监管模块包括人员考勤打卡器,总控模块能够对人员考勤情况进行监督。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述。