仓库管理系统的效率分析方法、系统及计算机设备与流程

1.本发明涉及计算机信息处理技术领域，尤其涉及一种仓库管理系统效率分析方法、系统、存储介质及计算机设备。


背景技术：

2.在仓库管理系统中，利用机器人对仓库进行管理，实现拣货、盘点、理库等业务的自动化流程是一种创举，目前仓储机器人服务仍处于新兴赛道，具有非常大的发展潜力及前景。
3.仓储机器人产品在服务客户时，经常会面临仓库管理系统的统计效率无法达到承诺数值的状况，如果不解决该问题，将导致失去客户信任、违约、影响项目验收回款等一系列严重后果。但是，往往此类问题的定位十分复杂，需结合现场情况、软件系统、机器人相关算法等多方复杂因素去分析，才能发现问题所在，找到效率瓶颈。
4.目前，在对仓库管理系统的统计效率进行分析时，主要做法是依赖现场人员的经验和反馈，这种方法需要人员驻场，长期跟进项目，不仅耗时耗力，成本极高，对人员的经验值和判断力要求十分高。不同的人定位出来的问题可能完全不一致，误差较大。后期还需要专业的数据分析师以此为依据去采集数据，做定制化的分析去确认和验证，进一步增加了人力成本。


技术实现要素：

5.本发明要解决的技术问题在于，针对现有技术存在的耗时耗力、成本高、误差大的缺陷，提供一种仓库管理系统的效率分析方法、系统、存储介质及计算机设备。
6.本发明解决其技术问题所采用的技术方案是：构造一种仓库管理系统的效率分析方法，包括：
7.信息获取步骤：获取所述仓库管理系统在待分析时段的运行信息；
8.信息处理步骤：通过对所述运行信息进行处理来获取多个特征信息，并生成所述仓库管理系统的特征集；
9.信息分析步骤：将所述特征集送入预先存储的效率分析模型，并根据所述效率分析模型的输出获取所述仓库管理系统针对所述待分析时段的目标效率分析结果，其中，所述效率分析结果包括：仓储效率问题类别。
10.优选地，根据以下步骤获取所述效率分析模型：
11.步骤s01，获取所述仓库管理系统在历史时段的运行信息；
12.步骤s02，通过对所述运行信息进行处理来获取多个特征信息，并生成所述仓库管理系统的训练集；
13.步骤s03，将所述训练集送入所确定的训练模型，并对所述训练模型进行训练，直至所述训练模型满足预设的合格条件，且将满足所述合格条件的训练模型作为所述效率分析模型，并对其进行存储。
14.优选地，所述步骤s03包括：
15.步骤s031，接收用户设置的问题类别标签；
16.步骤s032，将所述训练集送入当前的训练模型，并根据所述训练模型的输出获取所述训练集对应的参考效率分析结果；
17.步骤s033，根据所述问题类别标签及所述参考效率分析结果，判断当前的训练模型是否满足预设的合格条件，若是，则执行步骤s034；若否，则执行步骤s035；
18.步骤s034，将当前的训练模型作为所述效率分析模型，并对其进行存储；
19.步骤s035；接收用户对当前的训练模型的参数进行修改的参数修改信息，并根据所述参数修改信息更新当前的训练模型，然后执行步骤s032。
20.优选地，所述效率分析结果还包括仓储效率问题概率；
21.所述步骤s031包括：接收用户设置的问题类别标签及问题概率标签；
22.所述步骤s033包括：根据所述问题类别标签、所述问题概率标签及所述参考效率分析结果判断当前的训练模型是否满足预设的合格条件。
23.优选地，所述信息获取步骤包括：
24.获取所述仓库管理系统在待分析时段的第一运行信息，并对所述第一运行信息进行数据清洗处理，以获取第二运行信息；
25.所述信息处理步骤包括：
26.通过对所述第二运行信息进行处理来获取多个特征信息，并生成所述仓库管理系统的特征集。
27.优选地，所述通过对所述运行信息进行处理来获取多个特征信息，包括：
28.从所述运行信息中筛选出特定的数据对象，并根据筛选出的数据对象，计算所述仓库管理系统的多个不同的效率指标；
29.对所述多个不同的效率指标进行汇总及联结处理，以生成汇总联结表；
30.对所述汇总联结表中的数据进行格式转换，并获取多个特征信息。
31.优选地，所述对所述汇总联结表中的数据进行格式转换，并获取多个特征信息，包括：
32.将所述汇总联结表中的数据进行标准化、归一化处理；
33.采用独热编码从标准化、归一化处理后的数据中提取出特征信息。
34.本发明还构造一种存储介质，存储有计算机程序，所述计算机程序在被处理器执行时实现以上所述的仓库管理系统的效率分析方法的步骤。
35.本发明还构造一种计算机设备，包括处理器及存储有计算机程序的存储器，所述处理器在执行所述计算机程序时实现以上所述的仓库管理系统的效率分析方法的步骤。
36.本发明还构造一种仓库管理系统的效率分析系统，包括：
37.信息获取模块，用于获取所述仓库管理系统在待分析时段的运行信息；
38.信息处理模块，用于通过对所述运行信息进行处理来获取多个特征信息，并生成所述仓库管理系统的特征集；
39.信息分析模块，用于将所述特征集送入预先存储的效率分析模型，并根据所述效率分析模型的输出获取所述仓库管理系统针对所述待分析时段的目标效率分析结果，其中，所述效率分析结果包括：仓储效率问题类别。
40.实施本发明的技术方案，首先获取仓库管理系统的在待分析时段的运行信息，然后对该运行信息进行处理可获取到多个特征信息，最后，结合预先建立的效率分析模型，可自动识别出仓库管理系统在待分析时段的仓储效率问题类别。该技术方案相比现有的依赖人工判断的方式，不但节省了人力成本，而且结果也更加科学和有据可循，提高了仓库管理系统效率分析的准确性和便利性。
附图说明
41.下面将结合附图及实施例对本发明作进一步说明，附图中：
42.图1是本发明仓库管理系统的效率分析方法实施例一的流程图；
43.图2是本发明效率分析模型的获取方法实施例一的流程图；
44.图3是图2中步骤s03实施例一的流程图；
45.图4是本发明计算机设备实施例一的结构框图；
46.图5是本发明仓库管理系统的效率分析系统实施例一的逻辑结构图。
具体实施方式
47.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。
48.图1是本发明仓库管理系统的效率分析方法实施例一的流程图，该实施例的效率分析方法包括以下步骤：
49.信息获取步骤s10：获取仓库管理系统在待分析时段的运行信息；
50.在该步骤中，待分析时段可为当前时段，例如，当天、当前周、当前月，也可为之前的一时段，例如，前一天、前一周等。其中，仓储管理系统可以是智能仓储管理系统(intelligent warehouse management system,iwms)、机器人管理系统(equipment scheduling system,ess)等，在此不做限定，从仓库管理系统获取该待分析时段的运行信息，该运行信息包括：执行指令、状态信息、搬箱信息、订单信息、拣选完成信息，等等，这些信息可能存储在表中，例如包括有：出库订单信息表、出库拣选任务表、箱子状态记录表、机器人执行任务表、箱子到达离开操作台信息表等，在此不做限定。
51.这些运行信息的类型可以是多种多样的，例如：结构化数据；日志文件等。其中，结构化数据可以经由iwms和ess存储在数据库里面，在使用时可直接从数据库中读取出；日志文件的数据需进行解析后才能落库使用，解析方法可利用关键词、日志格式的模板去提取数据。
52.信息处理步骤s20：通过对所述运行信息进行处理来获取多个特征信息，并生成所述仓库管理系统的特征集；
53.在该步骤中，所获取的运行信息不能直接送入效率分析模型，而且，也不是所有的数据都有意义，因此，需要先对这些运行信息进行处理来获取特征信息，该特征信息可为对仓储效率问题类别判断具有明显价值的指标，这些指标为一些高维的聚合型数据，且能衡量仓库管理系统的整体运营状况，例如包括但不限于，仓储机器人平均每小时搬箱数、仓储
机器人平均每次任务的行走里程等。在一种实现方式中，可通过对运行信息中的多个表格按照不同维度(例如，机器人id、任务id、箱子id、时间)进行分组聚合处理来得出特征信息。
54.信息分析步骤s30：将所述特征集送入预先存储的效率分析模型，并根据所述效率分析模型的输出获取所述仓库管理系统针对所述待分析时段的目标效率分析结果，其中，所述效率分析结果包括：仓储效率问题类别。
55.在该步骤中，效率分析模型是预先建立好并存储的，在正式使用时，将所获得的特征信息送入该效率分析模型，该效率分析模型便可输出仓库管理系统的目标效率分析结果，该效率分析结果包括仓储效率问题类别，该仓储效率问题类别例如可为：订单结构问题、机器人任务分配问题、机器人路径规划问题、机器人拥堵问题、操作台任务分配问题、人工拣选问题等。
56.在该实施例的技术方案中，首先获取仓库管理系统在待分析时段的运行信息，然后对该运行信息进行处理可获取到多个特征信息，最后，结合预先建立的效率分析模型，可自动识别出仓库管理系统在待分析时段的仓储效率问题类别。该技术方案相比现有的依赖人工判断的方式，不但节省了人力成本，而且结果也更加科学和有据可循，提高了仓库管理系统的效率分析的准确性和便利性。
57.进一步地，在一个可选实施例中，如图2所示，在模型训练阶段，可根据以下步骤获取效率分析模型：
58.步骤s01，获取所述仓库管理系统在历史时段的运行信息；
59.在该步骤中，历史时段可为过去的一天、一周等时段。历史时段的运行信息同样来自于iwms和ess等仓储管理系统，且该运行信息包括：执行指令、状态信息、搬箱信息、订单信息、拣选完成信息，等等，这些信息同样可能存储在表中，例如包括有：出库订单信息表、出库拣选任务表、箱子状态记录表、机器人执行任务表、箱子到达离开操作台信息表。
60.步骤s02，通过对所述运行信息进行处理来获取多个特征信息，并生成所述仓库管理系统的训练集；
61.步骤s03，将所述训练集送入所确定的训练模型，并对所述训练模型进行训练，直至所述训练模型满足预设的合格条件，且将满足所述合格条件的训练模型作为所述效率分析模型，并对其进行存储。
62.在该步骤中，所确定的训练模型可为预先设置好的一个，也可为用户从多个模型中选择的一个，例如，用户可通过机器学习库scikit-learn实现训练模型的选择，具体地，可通过改写配置的方式自由选择聚类模型kmeans或dbscan等，其中，kmeans具有使用广泛、易于实现、效率较高的优点；dbscan具有可发现任意形状的簇类、能够识别噪声点的优点。
63.进一步地，在一个可选实施例中，如图3所示，步骤s03具体包括：
64.步骤s031，接收用户设置的问题类别标签；
65.在该步骤中，用户可通过查看步骤s02所获取到的训练集来确定不符合规范的指标，进而可确定所对应的问题类别，比如，某项目某天仓储机器人平均每趟搬箱行走的距离较长(大于规范值)，进而可确定仓储机器人的路径规划有问题(没有为仓储机器人选择合适路径)，此时，可将对应的问题类别打上标签。
66.步骤s032，将所述训练集送入当前的训练模型，并根据所述训练模型的输出获取所述训练集对应的参考效率分析结果；
67.在该步骤中，关于当前的训练模型，需说明的是，初始时的训练模型为预先设置好的或用户选择的训练模型，随着训练的进行，会对初始时的训练模型进行参数的修改，以获取到最新的训练模型。
68.步骤s033，根据所述问题类别标签及所述参考效率分析结果，判断当前的训练模型是否满足预设的合格条件，若是，则执行步骤s034；若否，则执行步骤s035；
69.在该步骤中，可通过判断参考效率分析结果中的仓储效率问题类别与问题类别标签的匹配度是否大于设定值(例如80％)来判断当前的训练模型是否满足预设的合格条件。
70.步骤s034，将当前的训练模型作为所述效率分析模型，并对其进行存储；
71.步骤s035；接收用户对当前的训练模型的参数进行修改的参数修改信息，并根据所述参数修改信息更新当前的训练模型，然后执行步骤s032。
72.在该步骤中，如果训练模型输出的参考效率分析结果与事先人为判断的问题类别标签的匹配度不大于设定值，可调整训练模型的参数并重新进行模型训练，重复这个过程直到两者的匹配度大于设定值。
73.进一步地，在一个可选实施例中，效率分析结果还包括仓储效率问题概率，而且，步骤s031包括：接收用户设置的问题类别标签及问题概率标签；步骤s033包括：根据所述问题类别标签、所述问题概率标签及所述参考效率分析结果判断当前的训练模型是否满足预设的合格条件。
74.在该实施例中，效率分析模型除了输出仓储效率问题类别，还输出仓储效率问题概率(准确率)，相应地，效率分析模型在训练时，用户除了设置问题类别标签，还设置问题概率标签，而且，在模型评估时，要分别判断参考效率分析结果中的仓储效率问题类别、仓储效率问题概率是否与问题类别标签、问题概率标签相匹配。如果训练模型输出的仓储效率问题类别与事先人为判断的问题类别标签之间的匹配度大于第一设定值，但是，训练模型输出的仓储效率问题概率与事先人为判断的问题概率标签之间的的匹配度不大于第二设定值，此时，依然认为当前的训练模型不满足预设的合格条件，还应继续调整训练模型的参数并重新进行模型训练，重复上述过程直到两项的匹配度均大于相应的设定值。
75.在一个具体实施例中，若每天进行一次仓库管理系统的效率分析，那么，在连续的两天内，根据所获取到的当天的运行数据，自动识别的目标效率分析结果如下表1所示：
76.日期仓储效率问题类别仓储效率问题概率2022-**-**(第一天)操作台任务分配不均80％2022-**-**(第二天)机器人任务分配不合理70％
77.表1
78.进一步地，在一个可选实施例中，信息获取步骤s10包括：获取所述仓库管理系统在待分析时段的第一运行信息，并对所述第一运行信息进行数据清洗处理，以获取第二运行信息。相应地，信息处理步骤包括：通过对所述第二运行信息进行处理来获取多个特征信息，并生成所述仓库管理系统的特征集。应理解，在步骤s01中，在获取到仓库管理系统在历史时段的运行信息后，也对该运行信息进行数据清洗处理，以获取数据清洗处理后的运行信息，而且，在步骤s02中，通过对数据清洗处理后的运行信息进行处理来获取多个特征信息。在该实施例中，不管是进行效率分析时，还是进行模型训练时，当获取到运行信息后，均需要先对这些数据进行常规的数据清洗工作，例如包括：含缺失值处理、异常值处理等。
79.进一步地，在一个可选实施例中，信息处理步骤s20及步骤s02中，通过对所述运行信息进行处理来获取多个特征信息，具体包括：
80.从所述运行信息中筛选出特定的数据对象，并根据筛选出的数据对象，计算所述仓库管理系统的多个不同的效率指标。在该步骤中，由于不是运行信息中的所有的数据都有意义，所以需要先从运行信息中筛选出特定的数据对象，该特定的数据对象为对仓储效率问题类别判断具有明显价值的数据。接着，通过对筛选出的数据对象进行计算而获取仓库管理系统的多个不同的效率指标，例如，包括：机器人平均每小时搬箱数、机器人平均次任务的行走里程等。
81.对所述多个不同的效率指标进行汇总及联结处理，以生成汇总联结表，例如，可结合不同的数据源生成宽表。
82.对所述汇总联结表中的数据进行格式转换，并获取多个特征信息。在该步骤中，由于汇总联结表中一些数据的单位和类型不一致，效率分析模型/训练模型无法识别，因此还需要对这些数据进行格式转换，以使效率分析模型/训练模型能识别。
83.进一步地，在一个可选实施例中，可通过以下方式进行格式转换：
84.将所述汇总联结表中的数据进行标准化、归一化处理；
85.采用独热编码从标准化、归一化处理后的数据中提取出特征信息。
86.在该实施例中，可先对数据的标准化处理，以统一数据的单位和类型，然后再对其进行归一化处理，以统一单位和取值范围，最后，采用独热编码(one-hot)从归一化处理后的数据中提取出特征信息，例如，将一些文本数据转化成机器可识别的数值。
87.本发明还构造一种存储介质，该存储介质存储有计算机程序，该计算机程序在被处理器执行时实现以上所述的仓库管理系统的人效率分析方法的步骤。
88.本发明的存储介质可以是u盘、移动硬盘、只读存储器(read-only memory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
89.图4是本发明计算机设备实施例一的结构框图，该实施例的效率分析系统400可为电脑、服务器，且服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
90.参阅图4，该计算机设备400包括通过系统总线401连接的处理器402、存储器和网络接口405，其中，存储器可以包括非易失性存储介质403和内存储器404。
91.该非易失性存储介质403可存储操作系统4031和计算机程序4032。该计算机程序4032包括程序指令，该程序指令被处理器402执行时，可使得处理器402执行上述仓库管理系统的人效率分析方法的步骤。
92.该处理器402用于提供计算和控制能力，以支撑整个计算机设备400的运行。应当理解，在本技术实施例中，处理器402可以是中央处理单元(central processing unit，cpu)，该处理器402还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
93.该内存储器404为非易失性存储介质403中的计算机程序4032的运行提供环境，该计算机程序4032被处理器402执行时，可使得处理器402执行上述仓库管理系统的效率分析
方法的步骤。
94.该网络接口405用于与其它设备进行网络通信。
95.本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备400的限定，具体的计算机设备400可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
96.图5是本发明仓库管理系统的效率分析系统实施例一的逻辑结构图，该实施例的系统包括：信息获取模块10、信息处理模块20、信息分析模块30，其中，信息获取模块10用于获取所述仓库管理系统在待分析时段的运行信息；信息处理模块20用于通过对所述运行信息进行处理来获取多个特征信息，并生成所述仓库管理系统的特征集；信息分析模块30用于将所述特征集送入预先存储的效率分析模型，并根据所述效率分析模型的输出获取所述仓库管理系统针对所述待分析时段的目标效率分析结果，其中，所述效率分析结果包括：仓储效率问题类别。
97.进一步地，在一个可选实施例中，本发明的仓库管理系统的效率分析系统还包括模型训练模块，而且，在进行模型训练时，信息获取模块10还用于获取所述仓库管理系统在历史时段的运行信息；信息处理模块20还用于通过对所述运行信息进行处理来获取多个特征信息，并生成所述仓库管理系统的训练集；模型训练模块用于将所述训练集送入所确定的训练模型，并对所述训练模型进行训练，直至所述训练模型满足预设的合格条件，且将满足所述合格条件的训练模型作为所述效率分析模型，并对其进行存储。
98.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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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权利要求范围之内。