一种基于人工智能的仓储智能调度监控管理方法及系统

技术领域

本发明涉及智能监控技术领域，更具体地说，本发明涉及一种基于人工智能的仓储智能调度监控管理方法及系统。

背景技术

随着物流行业的不断发展和商业竞争的日益激烈，企业对于仓库管理的要求也越来越高。在传统的仓库管理中，人工管理和手写记录已经越来越难以满足企业的需求。实际上，仓储成本日益提高，很多仓库已经实行立体化仓储模式以提高仓储效率，传统的仓库管理方法无法满足现代企业物流管理的需要，因此，仓库管理系统应运而生，成为不可或缺的一部分。

但是仓库信息化程度却普遍不高，大多数还是采取粗放式的管理方法，仍然属于传统的仓库管理模式，个别仓库的物资信息资料已开始采用条形码结合计算机系统进行管理，少数仓储引进了RFID等技术，逐步向信息化、智能化方向迈进。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种基于人工智能的仓储智能调度监控管理方法及系统，通过在仓储设备上安装传感器和监控设备，提高对库存的管理效率，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案，一种基于人工智能的仓储智能调度监控管理方法，具体包括以下步骤：

101、通过在仓储设备上安装传感器和监控设备，实时监测设备的状态和运行情况；

102、通过传感器将收集到的数据传输到监控系统中，进行存储和整理，方便后续分析和决策使用；

103、通过对设备监测数据分析，使用热力图展示时间点和设备参数之间的关系，帮助仓储管理人员了解设备的工作情况；

104、基于数据分析的结果，应用调度优化算法进行仓储任务的智能调度，实现最佳的任务调度和资源利用；

105、对仓储环境进行监测，并设置预警规则，发生异常情况，能够及时发出报警信号，及时采取措施避免事故发生；

106、通过分析设备的运行状况和维护历史，预测设备的维护需求，生成维护计划，提高设备的可靠性和延长设备的寿命。

在一个优选地实施方式中，所述步骤101中，通过在仓储设备上安装传感器和监控设备，实时监测设备的状态和运行情况，利用温湿度传感器监测、摄像头监控，以及条形码扫描方式，确定货物的状态和存取时间，提高对库存的管理效率，具体包括以下内容：

S1、温湿度传感器：实时监测库房内的温度和湿度变化，确保货物的储存环境符合要求，预防货物受潮、腐败问题；

S2、摄像头：将摄像头安装在库房的关键位置，用于监控货物的存放和取放过程，防止货物丢失；

S3、入库和出库管理：利用条形码扫描方式，对货物实现自动识别、追踪和管理，记录货物的进出时间、位置和数量，实现精确的库存管理。

在一个优选地实施方式中，所述步骤102中，将传感器检测的各种参数，包括温度、湿度、压力、位置信息，以及摄像头捕捉图像和视频数据，转换为数字信号，传输给数据存储单元，具体包括以下内容：

S1、传感器感知：采集设备中的传感器感知所监测的环境参数，温度传感器感知温度变化，压力传感器感知压力变化，摄像头捕捉图像；

S2、信号转换：使用模数转换器将感知到的环境参数转换为模拟信号，具体包括以下步骤：

步骤1、采样：ADC首先对模拟信号进行采样，在时间上均匀地获取一系列离散的样本点，使用一个时钟信号来确定采样的时间间隔和频率，通过一个采样保持电路，在特定时间间隔内固定模拟信号的值，将模拟信号的值保持不变直到完成采样，当时钟信号触发，开关负责打开与模拟信号连接的通路，开关打开后，模拟信号的值会被记录下来，根据时钟信号的频率，ADC在固定的时间间隔进行采样；

步骤2、量化：采样得到的连续模拟信号被量化为离散的数字值，量化过程中，ADC将每个样本点映射到最近的离散级别上，使用固定间隔的量化级别，表示的数字值的精确度；

步骤3、编码：量化后的离散数字值通过一串二进制位来表示；

步骤4、输出：经过采样、量化和编码后，ADC将数字信号输出给后续的电子设备进行处理；

S3、数字信号处理与编码：通过数字滤波器对采样后的数字信号进行处理，确保数据的准确性和可靠性；

S4、数据传输与存储：转换和编码后的数字信号通过无线方式进行传输，利用以太网技术发送到数据存储单元进行处理和存储，保证数据的完整性和安全性，防止数据丢失和篡改。

在一个优选地实施方式中，所述步骤103中，使用热力图展示多个时间点和设备参数之间的关系，利用数据比较和基准线，评估设备的工作情况和性能，通过信息共享，提高仓储管理的效率和准确性，具体包括以下内容：

S1、热力图：横轴和纵轴分别表示时间和设备参数，颜色表示监测数据的数值大小，通过颜色的深浅变化，观察数据趋势，帮助仓储管理人员了解设备的异常情况；

S2、数据比较和基准线：将当前设备监测数据与历史数据、标准值进行比较，评估设备的工作情况和性能，有助于发现异常情况和潜在问题，及时采取措施进行调整和修复；

S3、数据共享和协作：将设备监测数据与其他相关部门共享，实现更全面的分析和决策支持，通过跨部门合作和信息共享，提高仓储管理的效率和准确性。

在一个优选地实施方式中，所述步骤104中，在仓储任务调度中，根据任务的优先级、执行时间和资源需求指标，选择当前最有利的任务进行调度，通过贪婪算法寻找最优任务调度方案，具体包括以下步骤：

S1、初始化：将所有任务按照执行时间进行排序，选择一个初始任务调度方案；

S2、选择最佳任务：从未被分配的任务中选择一个当前最佳的任务，能够在限定资源下完成并且具有最短的执行时间；

S3、分配资源：将所选任务分配给可用资源，并更新相关资源的状态；

S4、重复步骤2和步骤3，直到所有任务都被分配完毕；

S5、输出结果：得到的任务调度方案为贪婪算法得到的最佳任务调度和资源利用方案。

在一个优选地实施方式中，所述步骤105中，对仓储环境进行监测，包括仓库内部的温度、湿度、光照强度、颗粒物浓度、气体浓度，使用K-means聚类算法进行仓储系统的异常检测，当设备监测数据超过设定的阈值，发出报警信号，具体包括以下内容：

S1、设置警报和阈值：根据设备的工作要求和标准，设置警报和阈值，二氧化碳浓度超过安全标准，烟雾传感器会检测到异常信号触发警报，防止火灾发生，查看仓库内的电力供应状态，当电力供应中断触发警报，系统会自动发送警报通知仓储管理人员，及时采取措施；

S2、异常检测算法：使用K-means聚类算法进行仓储系统的异常检测，通过比较数据点与其所属簇之间的距离，确定是否存在异常数据点，具体包括以下内容：

步骤1、选择初始质心：从数据集中随机选择K个质心作为初始聚类中心；

步骤2、数据点分配：对于每个数据点，计算其与各个质心之间的欧氏距离，将数据点分配给予其最近的质心所在的簇，具体计算公式如下：

其中，P表示点(x

步骤3、质心更新：对每个簇，计算其所有数据点的平均值，得到新的质心位置，簇C包含n个数据点(x

其中，avg_x是簇C中数据点的经度的平均值，avg_y是簇C中数据点的纬度的平均值；

步骤4、重复步骤S302和步骤S303，直到满足停止准则，停止准则包括以下内容：

1)达到最大迭代次数；

2)簇的分配不再改变，数据点不再切换簇；

3)簇的质心变化量小于某个阈值；

步骤5、输出结果：得到K个簇，每个簇包含一组数据点，并且每个数据点与一个质心关联。

在一个优选地实施方式中，所述步骤106中，通过对设备监测数据进行分析，建立故障预测模型，仓储管理人员提前预测设备出现的故障，采取相应措施，提高设备的可靠性和延长设备的寿命，具体包括以下内容：

S1、数据划分：将数据划分为训练集和测试集，使用一部分数据作为训练集用于模型训练，剩余的数据作为测试集用于评估模型的性能；

S2、训练模型：选择感知机机器学习算法，构建模型并进行训练，训练过程中，具体包括以下步骤：

步骤1、感知机接收输入向量x，并将其与权重向量w进行线性加权求和，通过激活函数进行判断输出结果，线性加权求和公式具体如下：

S＝w

其中，S表示求和的结果，w

阶跃函数是一种常用的激活函数，将输入值映射到两个离散的输出值之一，阶跃函数定义如下：

阶跃函数在输入达到一个临界点时产生突变，从0突变为1、从1突变为0。

步骤2、初始化权重向量w和偏置b，对于每个样本(x,y)，计算预测输出值，具体公式如下：

y_hat＝sign(w·x+b)

w＝w+η×y×x

b＝b+η×y

其中，x表示输入特征向量，y表示标签(1或-1)，η表示学习率；预测正确y_hat＝y，继续下一个样本，预测错误y_hat≠y，更新权重向量和偏置，继续对当前样本进行迭代更新直到预测正确；

S3、模型评估：使用测试集对已训练的模型进行评估，计算关键指标召回率，评估模型的预测性能和稳定性，表示将所有实际为正样本的样本中，模型成功预测为正样本的数量与所有实际为正样本的样本数量之比，具体计算公式如下：

其中，Z表示召回率，TP表示真正例，被正确预测为正样本的数量；FN表示假反例，被错误地预测为负样本的数量，召回率的范围为0～1。

S4、部署和监测：将训练好的故障预测模型部署到实际环境中，实时监测数据并做出预测，定期检查模型的准确性和及时调整，更换零件，避免停机时间和生产中断。

本发明的技术效果和优点：

本发明通过在仓储设备上安装传感器和监控设备，实时监测设备的状态和运行情况，提高对库存的管理效率，将传感器检测的各种参数，以及摄像头捕捉图像和视频数据，转换为数字信号，传输给数据存储单元，使用热力图展示多个时间点和设备参数之间的关系，提高仓储管理的效率和准确性，在仓储任务调度中，通过贪婪算法寻找最优任务调度方案，使用K-means聚类算法进行仓储系统的异常检测，当设备监测数据超过设定的阈值，发出报警信号，建立故障预测模型，仓储管理人员提前预测设备出现的故障，采取相应措施，提高设备的可靠性和延长设备的寿命。

附图说明

图1为本发明的系统流程图。

图2为本发明的系统结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本实施例提供了如图1所示一种基于人工智能的仓储智能调度监控管理方法，具体包括以下步骤：

101、通过在仓储设备上安装传感器和监控设备，实时监测设备的状态和运行情况；

102、通过传感器将收集到的数据传输到监控系统中，进行存储和整理，方便后续分析和决策使用；

103、通过对设备监测数据分析，使用热力图展示时间点和设备参数之间的关系，帮助仓储管理人员了解设备的工作情况；

104、基于数据分析的结果，应用调度优化算法进行仓储任务的智能调度，实现最佳的任务调度和资源利用；

105、对仓储环境进行监测，并设置预警规则，发生异常情况，能够及时发出报警信号，及时采取措施避免事故发生；

106、通过分析设备的运行状况和维护历史，预测设备的维护需求，生成维护计划，提高设备的可靠性和延长设备的寿命。

如图2本实施例提供一种基于人工智能的仓储智能调度监控管理系统，具体包括智能监控模块、数据存储模块、数据分析模块、调度优化模块、异常检测模块，以及维护管理模块；

智能监控模块：通过在仓储设备上安装传感器和监控设备，实时监测设备的状态和运行情况，利用温湿度传感器监测、摄像头监控，以及条形码扫描方式，确定货物的状态和存取时间，提高对库存的管理效率。

数据存储模块：将传感器检测的各种参数，包括温度、湿度、压力、位置信息，以及摄像头捕捉图像和视频数据，转换为数字信号，传输给数据存储单元。

数据分析模块：使用热力图展示多个时间点和设备参数之间的关系，利用数据比较和基准线，评估设备的工作情况和性能，通过信息共享，提高仓储管理的效率和准确性。

调度优化模块：在仓储任务调度中，根据任务的优先级、执行时间和资源需求指标，选择当前最有利的任务进行调度，通过贪婪算法寻找最优任务调度方案。

异常检测模块：对仓储环境进行监测，包括仓库内部的温度、湿度、光照强度、颗粒物浓度、气体浓度，使用K-means聚类算法进行仓储系统的异常检测，当设备监测数据超过设定的阈值，发出报警信号。

维护管理模块：通过对设备监测数据进行分析，建立故障预测模型，仓储管理人员提前预测设备出现的故障，采取相应措施，提高设备的可靠性和延长设备的寿命。

101、通过在仓储设备上安装传感器和监控设备，实时监测设备的状态和运行情况；

进一步的，通过在仓储设备上安装传感器和监控设备，实时监测设备的状态和运行情况，利用温湿度传感器监测、摄像头监控，以及条形码扫描方式，确定货物的状态和存取时间，提高对库存的管理效率，具体包括以下内容：

S1、温湿度传感器：实时监测库房内的温度和湿度变化，确保货物的储存环境符合要求，预防货物受潮、腐败问题；

S2、摄像头：将摄像头安装在库房的关键位置，用于监控货物的存放和取放过程，防止货物丢失；

S3、入库和出库管理：利用条形码扫描方式，对货物实现自动识别、追踪和管理，记录货物的进出时间、位置和数量，实现精确的库存管理。

102、通过传感器将收集到的数据传输到监控系统中，进行存储和整理，方便后续分析和决策使用；

进一步的，将传感器检测的各种参数，包括温度、湿度、压力、位置信息，以及摄像头捕捉图像和视频数据，转换为数字信号，传输给数据存储单元，具体包括以下内容：

S1、传感器感知：采集设备中的传感器感知所监测的环境参数，温度传感器感知温度变化，压力传感器感知压力变化，摄像头捕捉图像；

S2、信号转换：使用模数转换器将感知到的环境参数转换为模拟信号，具体包括以下步骤：

步骤1、采样：ADC首先对模拟信号进行采样，在时间上均匀地获取一系列离散的样本点，使用一个时钟信号来确定采样的时间间隔和频率，通过一个采样保持电路，在特定时间间隔内固定模拟信号的值，将模拟信号的值保持不变直到完成采样，当时钟信号触发，开关负责打开与模拟信号连接的通路，开关打开后，模拟信号的值会被记录下来，根据时钟信号的频率，ADC在固定的时间间隔进行采样；

步骤2、量化：采样得到的连续模拟信号被量化为离散的数字值，量化过程中，ADC将每个样本点映射到最近的离散级别上，使用固定间隔的量化级别，表示的数字值的精确度；

步骤3、编码：量化后的离散数字值通过一串二进制位来表示；

步骤4、输出：经过采样、量化和编码后，ADC将数字信号输出给后续的电子设备进行处理；

S3、数字信号处理与编码：通过数字滤波器对采样后的数字信号进行处理，确保数据的准确性和可靠性；

S4、数据传输与存储：转换和编码后的数字信号通过无线方式进行传输，利用以太网技术发送到数据存储单元进行处理和存储，保证数据的完整性和安全性，防止数据丢失和篡改。

103、通过对设备监测数据分析，使用热力图展示时间点和设备参数之间的关系，帮助仓储管理人员了解设备的工作情况；

进一步的，使用热力图展示多个时间点和设备参数之间的关系，利用数据比较和基准线，评估设备的工作情况和性能，通过信息共享，提高仓储管理的效率和准确性，具体包括以下内容：

S1、热力图：横轴和纵轴分别表示时间和设备参数，颜色表示监测数据的数值大小，通过颜色的深浅变化，观察数据趋势，帮助仓储管理人员了解设备的异常情况；

S2、数据比较和基准线：将当前设备监测数据与历史数据、标准值进行比较，评估设备的工作情况和性能，有助于发现异常情况和潜在问题，及时采取措施进行调整和修复；

S3、数据共享和协作：将设备监测数据与其他相关部门共享，实现更全面的分析和决策支持，通过跨部门合作和信息共享，提高仓储管理的效率和准确性。

104、基于数据分析的结果，应用调度优化算法进行仓储任务的智能调度，实现最佳的任务调度和资源利用；

进一步的，在仓储任务调度中，根据任务的优先级、执行时间和资源需求指标，选择当前最有利的任务进行调度，通过贪婪算法寻找最优任务调度方案，具体包括以下步骤：

S1、初始化：将所有任务按照执行时间进行排序，选择一个初始任务调度方案；

S2、选择最佳任务：从未被分配的任务中选择一个当前最佳的任务，能够在限定资源下完成并且具有最短的执行时间；

S3、分配资源：将所选任务分配给可用资源，并更新相关资源的状态；

S4、重复步骤2和步骤3，直到所有任务都被分配完毕；

S5、输出结果：得到的任务调度方案为贪婪算法得到的最佳任务调度和资源利用方案。

105、对仓储环境进行监测，并设置预警规则，发生异常情况，能够及时发出报警信号，及时采取措施避免事故发生；

进一步的，对仓储环境进行监测，包括仓库内部的温度、湿度、光照强度、颗粒物浓度、气体浓度，使用K-means聚类算法进行仓储系统的异常检测，当设备监测数据超过设定的阈值，发出报警信号，具体包括以下内容：

S1、设置警报和阈值：根据设备的工作要求和标准，设置警报和阈值，二氧化碳浓度超过安全标准，烟雾传感器会检测到异常信号触发警报，防止火灾发生，查看仓库内的电力供应状态，当电力供应中断触发警报，系统会自动发送警报通知仓储管理人员，及时采取措施；

S2、异常检测算法：使用K-means聚类算法进行仓储系统的异常检测，通过比较数据点与其所属簇之间的距离，确定是否存在异常数据点，具体包括以下内容：

步骤1、选择初始质心：从数据集中随机选择K个质心作为初始聚类中心；

步骤2、数据点分配：对于每个数据点，计算其与各个质心之间的欧氏距离，将数据点分配给予其最近的质心所在的簇，具体计算公式如下：

其中，P表示点(x

步骤3、质心更新：对每个簇，计算其所有数据点的平均值，得到新的质心位置，簇C包含n个数据点(x

其中，avg_x是簇C中数据点的经度的平均值，avg_y是簇C中数据点的纬度的平均值；

步骤4、重复步骤S302和步骤S303，直到满足停止准则，停止准则包括以下内容：

1)达到最大迭代次数；

2)簇的分配不再改变，数据点不再切换簇；

3)簇的质心变化量小于某个阈值；

步骤5、输出结果：得到K个簇，每个簇包含一组数据点，并且每个数据点与一个质心关联。

106、通过分析设备的运行状况和维护历史，预测设备的维护需求，生成维护计划，提高设备的可靠性和延长设备的寿命。

进一步的，通过对设备监测数据进行分析，建立故障预测模型，仓储管理人员提前预测设备出现的故障，采取相应措施，提高设备的可靠性和延长设备的寿命，具体包括以下内容：

S1、数据划分：将数据划分为训练集和测试集，使用一部分数据作为训练集用于模型训练，剩余的数据作为测试集用于评估模型的性能；

S2、训练模型：选择感知机机器学习算法，构建模型并进行训练，训练过程中，具体包括以下步骤：

步骤1、感知机接收输入向量x，并将其与权重向量w进行线性加权求和，通过激活函数进行判断输出结果，线性加权求和公式具体如下：

S＝w

其中，S表示求和的结果，w

阶跃函数是一种常用的激活函数，将输入值映射到两个离散的输出值之一，阶跃函数定义如下：

阶跃函数在输入达到一个临界点时产生突变，从0突变为1、从1突变为0。

步骤2、初始化权重向量w和偏置b，对于每个样本(x,y)，计算预测输出值，具体公式如下：

y_hat＝sign(w·x+b)

w＝w+η×y×x

b＝b+η×y

其中，x表示输入特征向量，y表示标签(1或-1)，η表示学习率；预测正确y_hat＝y，继续下一个样本，预测错误y_hat≠y，更新权重向量和偏置，继续对当前样本进行迭代更新直到预测正确；

S3、模型评估：使用测试集对已训练的模型进行评估，计算关键指标召回率，评估模型的预测性能和稳定性，表示将所有实际为正样本的样本中，模型成功预测为正样本的数量与所有实际为正样本的样本数量之比，具体计算公式如下：

其中，Z表示召回率，TP表示真正例，被正确预测为正样本的数量；FN表示假反例，被错误地预测为负样本的数量，召回率的范围为0～1。

S4、部署和监测：将训练好的故障预测模型部署到实际环境中，实时监测数据并做出预测，定期检查模型的准确性和及时调整，更换零件，避免停机时间和生产中断。

本发明中的公式是去除量纲取其数值计算，通过采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设比例系数由本领域的技术人员根据实际情况设定或者通过大量数据模拟获取。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。