[发明专利]自动仓储系统的智能化状态监测系统

权利要求书

1.自动仓储系统的智能化状态监测系统，包括：

训练模块，用于对放置于储物仓内和从储物仓中拣出的货物的物流信息进行监控并建立物流分配模型；

监测模块，用于根据物流分配模型对从储物仓中拣出的货物的物流状态进行检测，并根据检测结果确定是否重新放置；

其特征在于，所述训练模块包括：

重量标识子模块，用于对第一待进入储物仓内的货物进行电子标识并进行重量标识，采集重量信息G_tobestr；

体积标识子模块，用于对第一待进入储物仓内的货物进行电子标识并进行体积标识，采集体积信息V_tobestr；

压力及位置检测子模块，用于对所述第一待进入储物仓内的货物向承重面产生的压力进行检测和采集，得到压力集合P_pos，其中pos是指示所述第一待进入储物仓内的货物被放置后所处三维空间位置的向量；

放置期间路径与电力消耗检测子模块，用于对所述第一待进入储物仓内的货物实际放置过程花费的总时间T_fact1以及各机械手放置上述第一待进入储物仓内的货物所经历的路径的长度绝对值之和R_fact1以及所消耗的电力E_fact1进行采集；

拣出期间路径与电力消耗检测子模块，用于对所述第一待进入储物仓内的货物实际拣出过程花费的总时间T_fact2以及各机械手拣出上述第一待进入储物仓内的货物所经历的路径的长度绝对值之和R_fact2以及所消耗的电力E_fact2进行采集；

建模子模块，用于通过一定时间内对包括NUM个上述第一待进入储物仓内的货物的重量信息、体积信息、压力集合、路径的长度绝对值之和、时间以及电力样本训练集合进行训练，得到物流大数据智能分配模型，NUM为大于1的正整数；

所述监测模块包括：

基于所述物流大数据智能分配模型，对不同于所述第一待进入储物仓内的货物的第二货物在拣出过程中的重量信息、体积信息、压力集合、时间以及电力信息进行诊断，当路径的长度绝对值之和、时间以及电力不符合预定阈值时，对第二货物的放置参数进行重新采集并对第二货物重新实施放置操作；

所述第一待进入储物仓内的货物根据其重量信息分为两类：第一类：具有原包装的待进入储物仓内的货物，以及第二类：具有二次包装的待进入储物仓内的货物；且对于所述第一类，所述重量信息为G_tobestr1，体积信息为V_tobestr1，压力集合为P_pos1；对于第二类，所述重量信息为G_tobestr2，体积信息为V_tobestr2，压力集合为P_pos2；

所述电子标识为RFID；

所述储物仓包括机械手拣出装置，用于通过至少一个机械手将货物放置到其中或从其中拣出，所述机械手能够放置或拣出货物的三维空间位置范围为A_fact；

所述压力集合通过在最下层支撑结构的承重面设置多个压力传感器并计算压力之和的平均值后获得；

所述通过一定时间内对包括NUM个上述第一待进入储物仓内的货物的重量信息、体积信息、压力集合、路径的长度绝对值之和、时间以及电力样本训练集合进行训练，得到物流大数据智能分配模型，NUM为大于1的正整数包括：

设样本训练集合为TRAIN＝{(R_fact1i/R_fact2i，G_tobestr1i/G_tobestr2i，V_tobestr1i/V_tobestr2i)|R_fact1i/R_fact2i，G_tobestr1i/G_tobestr2i，V_tobestr1i/V_tobestr2i均∈Rn}，N为大于1的自然数；样本训练集合TRAIN中共有NUM个数据对象；

根据所述第一类和第二类分别计算这些NUM个数据对象的pos向量组成的矩阵的特征值CH1和CH2；设迭代次数Iter1为(CH1+CH2)的几何平均值的上整数,在A_fact1i范围内以初始解(R_fact11+R_fact21)/2对((T_fact1i*CH1+T_fact2i*CH2)/(T_fact1i*CH2+T_fact2i*CH1))*(R_fact1i/R_fact2i)进行迭代，对得到的最终迭代值m取上整数M，将M重新设置为迭代次数Iter2，在A_fact2i范围内以初始解(R_fact1b+R_fact2b)/2对((T_fact1i*CH1+T_fact2i*CH2)/(T_fact1i*CH2+T_fact2i*CH1))^2*(R_fact1i/R_fact2i)^2进行迭代，对得到的最终迭代值r取上整数得到R；其中b为Iter1与Iter2之间的差的绝对值除以Iter1得到的余数的个位数且为0时b取1；根据所述第一类和第二类分别计算这些NUM个数据对象的V_tobestr向量组成的矩阵的特征值CH3和CH4；设迭代次数Iter3为(CH3+CH4)的几何平均值的上整数加上R,在A_fact1i范围内以初始解(R_fact11+R_fact21)/2对((E_fact1i*CH3+E_fact2i*CH4)/(E_fact1i*CH4+E_fact2i*CH3))*(R_fact1i/R_fact2i)进行迭代，对得到的最终迭代值p取上整数P，将P重新设置为迭代次数Iter4，在A_fact2i范围内以初始解(R_fact1c+R_fact2c)/2对((E_fact1i*CH3+E_fact2i*CH4)/(E_fact1i*CH4+E_fact2i*CH3))^2*(R_fact1i/R_fact2i)^2进行迭代，对得到的最终迭代值q取上整数得到Q；其中c为Iter3与Iter4之间的差的绝对值除以Iter4得到的余数的个位数且为0时c取1；

对TRAIN进行SVM训练，得到SVM分类器型的物流大数据智能分配模型，上述i＝1,...,N。