(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111391015.1 (22)申请日 2021.11.23 (71)申请人 清华大学深圳国际研究生院 地址 518055 广东省深圳市南 山区西丽 街 道深圳大 学城清华校区A栋二楼 (72)发明人 杨朋　秦至臻　 (74)专利代理 机构 深圳新创友知识产权代理有 限公司 4 4223 代理人 徐罗艳 (51)Int.Cl. G06Q 10/08(2012.01) G06Q 10/06(2012.01) G06Q 10/04(2012.01) G06F 17/16(2006.01) B65G 1/137(2006.01)B65G 1/04(2006.01) (54)发明名称 一种预测和优化多料箱机器人仓库系统效 能的方法 (57)摘要 本发明提供一种预测多料箱机器人仓库系 统效能的方法， 包括： 建立对应于多料箱机器人 仓库订单拣 选与储存的半开放排队网络模型， 该 模型各个参数对应仓库系统的各类 资源配置； 对 该半开放排 队网络模型采用近似平均分析法进 行近似聚合， 聚合为仅具有两个服务节点且服务 率受服务节点内机器人数量影响的近似半开放 排队网络模 型； 以该近似半开放排队网络模型作 为评估多料箱机器人仓库系统效能的数学模型， 并采用矩阵几何法进行求解， 得到其在当前资源 配置下的稳态分布； 基于该稳态分布预测系统在 当前资源配置下的效能指标： 多料箱机器人仓库 的平均吞吐时间、 机器人利用率、 机器人在工作 站处的排队时间和工作站处拣选员的忙碌率。 权利要求书6页 说明书17页 附图2页 CN 114202270 A 2022.03.18 CN 114202270 A 1.一种预测多料箱机器人仓库系统效能的方法， 其特 征在于， 包括如下步骤： S1、 建立对应于多料箱机器人仓库订单拣选与储存的半开放排队网络模型， 其中， 所述 半开放排队网络模型的各个参数对应多料箱机器人仓库系统的各类资源配置； S2、 对于步骤S1所建立的半开放排队网络模型， 采用近似平均分析法进行近似聚合， 聚 合为仅具有两个服务节点且服务率受服务节点内机器人数量影响的近似半开放排队网络 模型； S3、 以所述近似半开放排队网络模型作为评估多料箱机器人仓库系统效能的数学模 型， 并采用矩阵几何法进行求解， 得到所述近似半开放排队网络模型在当前资源配置下 的 稳态分布； S4、 基于所述稳态分布预测所述多料箱机器人仓库系统在当前资源配置下的效能指 标； 其中， 所述效能指标包括多料箱机器人仓库的平均吞吐时间、 机器人利用率、 机器人在 工作站处的排队时间和工作站处拣选员的忙碌率。 2.如权利要求1所述的预测多料箱机器人仓库系统效能的方法， 其特 征在于， 还 包括： S5、 依据步骤S4获得的所述效能指标优化所述多料箱机器人仓库系统的资源配置 。 3.如权利要求1所述的预测多料箱机器人仓库系统效能的方法， 其特征在于， 步骤S1包 括： 将机器人从工作站出发至完成指定的拣选与储存任务定义为一趟行程； 将仓库的订单 拣选与储存需求对应于 半开放排队网络模型的外部订单； 将仓库中的机器人对应为半开放 排队网络模型的共有机器人资源； 将仓库中的机器人与工作站的拣选员在拣货和取货的所 有环节转化为半开放排队网络模型的服务节点； 半开放排队网络模型中的服务时间代表机 器人的移动时间， 以及机器人在工作站处的等 候时间； 在半开放排队网络模型外部， 机器人与 所述外部订单一一配对进入半开放排队网络模 型中， 依次访问所述服务节点， 完成指定的拣选与储存任务后， 机器人与订单分离， 订单离 开半开放排队网络模型； 如有下一个外部订单到达， 则机器人继续与下一个外部订单配对 进入半开 放排队网络模型 执行任务； 如无外 部订单， 则等待新的外 部订单到 达。 4.如权利要求3所述的预测多料箱机器人仓库系统效能的方法， 其特征在于， 步骤S1还 包括： 当外部订单批量到达时， 若没有可用机器人， 则批量的外部订单进入订单队列等待机 器人； 当无外部订单到达时， 可用机器人在机器人队列中等待外部订单； 当有外部订单到达 且有可用机器人时， 机器人与外部订单配对结合为所述半开放排队网络模型 的访者， 进入 所述半开 放排队网络模型， 访问所述 服务节点以完成指定的拣选与储 存任务。 5.如权利要求3所述的预测多料箱机器人仓库系统效能的方法， 其特征在于， 所述服务 节点包括： 第一 服务节点uws， 第二服务节点uLL， 第三服务节点urw以及第四服 务节点uw； 其中， 所述第一服务节点uws表征机器人从工作站出发到第一个储存货位的移动； 所述 第二服务节点uLL表征机器人在货架区拣选与储存订单的移动， 其中所述第二服务节点uLL 的数量由实际运作机器人在 货架区运动的次数来决定； 所述第三服务节点urw表征机器人完 成一趟行程后从最后一个取货点到工作站的移动； 所述第四服务节点uw表示机器人将订单 需要的料箱取回来送到 工作站处后工作站的服 务节点。 6.如权利要求1所述的预测多料箱机器人仓库系统效能的方法， 其特征在于， 步骤S2权　利　要　求　书 1/6 页 2 CN 114202270 A 2中， 将仓库的机器人从不同位置移动到目标位置的时间的一阶矩作为服务时间， 使用近似 平均分析法聚合多个服务节点为两个服务节点， 以获得所述近似半开放排队网络模型； 其 中， 在近似平均分析法中使用每个服务节点服务时间的一阶矩与二阶矩进行所述近似聚 合。 7.如权利要求6所述的预测多料箱机器人仓库系统效能的方法， 其特征在于， 步骤S2采 用近似平均分析法进行近似聚合的过程包括： 初始时， 使pm(0∣ 0)＝1,Qm(0)＝0,ELm(0)＝0， m＝1,2, …,M； 机器人执行任务阶段， 枚举n从0 到N， 进行如下计算： 1)依次从m＝1,2, …,M， 计算ETm(n)、 TH(n)： 其中， ESrem,m由下式得到： 2)依次从m＝1,2, …,M和l＝1,2,…,min(cm‑1,n)， 计算： 3)依次从m＝1,2, …,M， 计算Qm(n)； 其中， 若n< cm， 则Qm(n)＝0， 否则 4)依次从m＝1,2, …,M， 计算： 5)依次从m＝1,2, …,M， 计算ELm(n)； 若n< cm， 则ELm(n)＝0， 否则 其中， M代表所述半开放排队网络模型中被聚合的服务节点的数量； N代表所述被聚合 的服务节点内的机器人数量； cm代表服务节点m中的服务员数量， 对无限服务员的服务节 点， cm就是无限的数； vm代表服务节点m处的客顾客问率； ESrem,m代表到顾客第一次离开服务 节点m的预计剩余时长； ESm代表服务节点m服务时间的一阶矩； 代表服务节点m服务时 间的二阶矩； pm(l∣n)代表当所述半开放排队网络模型包含n个顾客时， 服务节点m中有l个 顾客的概率， 初 始时l、 n均为0， 对应的pm(l∣ n)为pm(0∣ 0)＝1； pm((l‑1)(n‑1))代表当所述半 开放排队网络模型包 含n‑1个顾客时， 服 务节点m中有l ‑1个顾客的概 率； pm((cm‑1)(n‑1))代表当所述半开放排队网络模型包含n ‑1个顾客时， 服务节点m中有权　利　要　求　书 2/6 页 3 CN 114202270 A 3