两种多层穿梭车系统的性能比较分析

物流配送中心订单响应速度的加快,对订单拣选系统提出了更高的要求。多层穿梭车系统因其柔性强、效率高等特点,近年来得到了广泛应用。多层穿梭车系统具有两种形式--基于转载车和基于环形输送线,二者均可实现货物的快速拣选,但在系统吞吐量和订单完成周期方面存在差异,致使企业决策者难以进行系统选择。基于上述原因,本文比较两种多层穿梭车系统的性能差异。建立两个系统的开环排队网络模型,然后求解系统吞吐量、订单完成周期,通过仿真验证了排队论模型的准确性,通过试验对两种系统的性能进行对比分析。结果表明,系统吞吐量与层数、巷道数相关,层数越多,巷道数越少,转载车系统相对于环线系统优势越显著;订单完成周期与层数、订单到达率相关,层数越多,订单到达率越低,转载车系统相对于环线系统越具优势。     

基于顺序拣选策略的压缩动态虚拟视窗算法

为缩短虚拟容器长度、减少订单拣选总时间,改进了拣选设备,提出了压缩动态虚拟视窗算法。该方法为每台拣选机设置一个重力缓存区及挡板,拣选时先将货物弹射至到重力缓存区,在缓存区内压缩货物间距;再把货物从重力缓存区合并至皮带输送机,实现货物的密集排列和虚拟容器长度的缩短。基于货物的顺序拣选策略,建立了压缩动态虚拟视窗算法的数学模型。以某地市卷烟配送中心的3批订单数据为例进行了仿真,结果表明该方法将拣选时间缩短了87.45％～87.77％,并且拣选时间随着拣选机弹射速度和重力缓存区货物合并速度的增加而减少。     

基于保障低压穿越能力的风电机组撬棒自适应投切策略研究

针对风电场低压穿越(Low Voltage Ride Through, LVRT)能力提升问题,以并网型中大规模风电场为研究对象,从整个风电场层面出发,分析了故障扰动场景下双馈风机(Doubly-fed Induction Generator, DFIG)的暂态特性及LVRT能力。利用RBF(Radial Basis Function)神经网络对切除后的DFIG转子电流暂态过程进行有效拟合,提出了一种撬棒保护自适应投切策略。算例仿真结果表明,RBF神经网络对故障后转子侧最大电流预测较为准确,能够有效避免撬棒的重复投切。该策略进一步提升了故障场景下风电场的无功支撑和LVRT能力,显著提高了风电场运行的安全稳定性水平。     

考虑学习效应的最小化延误总时间的单机批次排序问题

一些生产场景中,工件以批次作业的形式被安排生产,工件批量大、加工工序基本相同,所以标准工时相同,而且实际加工时间会受到学习效应的影响.为此,讨论学习效应的最小化延误总时间的单机批次排序问题,对该问题建立数学模型.该问题属于NP-hard问题,采用动态规划算法(DP)和模拟退火算法(SA)求解该问题,通过实验分析不同规模时DP的执行时间与SA的执行时间和求解误差的变化趋势,比较SA与其他实践中常用的经典规则的求解效果.最后得出DP适合批次数小于13的小规模问题,可以得到精确解;与经典规则相比,SA至少可以使目标函数降低20%,表明SA算法具有有效性.SA解决大规模问题时效果较优,并得出SA的执行时间和误差随着控制参数改变的变化趋势.     

人工与自动化双分拣区系统品项分配优化

以A字机为代表的自动化分拣系统因分拣效率快、准确度高、人力成本低,在需要快速处理大量拆零拣选订单的配送中心得到广泛应用。在实际中,对于给定货物品项如何从成本节省角度评定其适用人工分拣或自动化分拣,以及如何在人工和自动化双分拣区中进行合理的品项分配是配送中心设计中的关键问题。对配送中心人工分拣区和自动化分拣区的人工成本进行全面分析;以总节省人工成本最大为目标函数建立设备通道配比优化数学模型,设计贪婪算法得出自动化分拣区内设备通道合理配比方案;在此基础上,将该问题推广到人工和自动化双分拣区系统品项分配中,归结为一类特殊的背包问题,并给出启发式算法。通过某医药配送中心实例仿真证明了算法的有效性。     

双源采购跳跃-扩散库存控制模型

供应中断和退货会引发库存短缺和剧烈波动,所以,如何缓解它们的影响,成为当前企业管理者亟待解决的难题.在采用双源采购策略防御库存短缺和跳跃-扩散过程描述库存水平变化条件下,利用连续时间Markov链、水平穿越和鞅理论,分别确定了库存水平分布及循环的期望费用和时间函数,在此基础上,构建了系统长程平均费用率模型.最后,仿真结果表明,供应商的可靠性和中断类型,对最优控制策略和系统费用产生较大影响.另外,双源采购策略能够有效缓解供应中断对库存的影响,尤其是,当供应商的可靠性较低或中断类型均为频率低持续时间长时.     

“货到人”拣选系统订单排序优化

"货到人"拣选系统采用"出库-拣选-回库"的拣选模式,货箱出入库频率高成为制约拣选效率的关键。为降低货箱出入库频率,进而提高系统拣选效率,提出订单排序优化模型。定义订单耦合因子表示两个订单之间可放置于拣选缓存中的共用货箱数量,并以此作为模型参数,将优化目标由提高拣选效率转化为降低货箱出入库频率。模型中,每个拣选台内的订单排序优化问题可归结为旅行商(Tranvelling salesman problem,TSP)问题。为求解模型,提出改进的K-Means聚类算法。计算每个订单与其他订单间的耦合因子,并对其进行排序;以单拣选台所有订单的耦合因子之和最大为目标,为每个拣选台分配订单并对订单进行排序。仿真结果显示,优化后系统拣选效率提高15.9%。     

基于并行拣选的自动拣选系统订单拆分优化

为减少等待时间,进一步减少整个订单的拣选时间,将原有订单拆分为多个子订单,并建立基于并行拣选的订单拆分数学模型,该模型的优化目标是通过对订单进行拆分来减少等待时间。为求解模型,提出订单拆分必要条件。在此基础上设计了启发式禁忌订单拆分算法。仿真结果显示,采用启发式算法可使拣选时间缩短14.39%～15.62%。     

基于并行拣选的自动拣选系统品项拆分优化

为提高自动拣选系统的工作效率,建立了基于并行拣选的品项拆分模型。该模型的优化目标是使每个拣选机可在订单合流前完成对货物的缓存。模型采用延迟因子表示订单合流时间与货物缓存时间的差值,并通过证明得出通道延迟因子与延迟时间具有相同变化趋势的结论。为求解模型,设计了基于延迟因子的启发式拆分算法。仿真结果显示,采用启发式算法可使拣选时间缩短8.55%～11.7%。