面向仓储系统的自动化WSAN“感知-控制”模型研究

仓储系统是物流系统中不可缺少的一部分, 它是对库存商品进行管理和处理的物流子系统。仓储从传统的物资存储, 流通中心发展成为了物流的核心节点, 发挥着对整体物流协调的作用, 它可以帮助企业实现仓库的精细化管理, 使企业以最低成本提供令客户满意的服务, 是众多物流过程中最重要的环节。

从定义上, 仓储就是指通过仓库对商品与物品的储存与保管。因此, 按物品类型可以把仓库分为普通物品仓库和特殊物品仓库。普通物品仓库用于存放常规物品, 特殊物品仓库则用于存放有特殊需求的物品, 诸如冷藏品, 危险品, 易碎品, 粮食等。普通仓库无需通过辅助手段对仓储环境进行特殊处理, 而特殊物品仓库则对仓储环境中的温度、湿度、电磁、氧气和二氧化碳含量、光照度等有一定要求。近年来, 将RFID (Radio Frequency Identification) 和WSN (Wireless Sensor Networks) 应用于仓储系统已成为物流管理领域的研究热点[1]。

随着射频识别技术 (Radio Frequency Identification, RFID) 和无线传感器网络 (Wireless Sensor Networks, WSN) 的发展, 两者相结合的应用对仓储系统中库存物品的精细化管理, 实时采集记录物品及仓库设备的基本属性, 实现仓储环境实时的、精确的、远程的感知, 并满足仓储物品实时监测管理的应用需求具有重要意义。RFID采用电子标签作为信息载体附着在物品或设备上, 记录其基本属性, 如编码、名称、生产运输过程中的相关信息等。WSN通过随机部署的方式, 将各类传感器节点密集部署在仓储环境内, 通过构建的自组织网络系统, 以无线通信的方式将探测到的物理信息回传给远程终端用户。

由于基于RFID和WSN的仓储管理系统只能对仓储环境进行简单的感知, 而不能对感知的结果做出实时自主的决策, 因此无法满足仓储的大规模智能管理需求。随着自动控制技术的发展, 人们需要WSN能够在无人看守的环境中, 对仓储环境中发生的事件自动做出决策并进行自主的控制, 而无需人为干预, 成为一种具有智能控制功能的网络系统。无线传感器执行器网络 (Wireless Sensor and Actor Networks, WSAN) [2]通过在原有WSN系统中引入执行器节点, 同时具备感知和控制的能力。WSAN正在成长为下一代WSN[3]。将WSAN技术应用于仓储管理中, 可以实现仓库环境和物品状态的自动检测和智能控制。其中, 仓储环境主要包括温度、湿度、O2浓度、CO2浓度, 光照度等参量;物品状态参数主要是通过温度传感器获取物品的温度、重力传感器获取物品的重量、激光传感器获取物品的高度、视频传感器获取物品的图像数据等, 通过特征提取从而评估物品的实时状态[4]。

WSAN区别于WSN的重要特征在于其除了具有感知能力外, 还具备控制功能。自动化WSAN中的传感器节点对仓储环境和物品状态参量进行感知, 将所得数据进行综合分析, 通过数据挖掘得到与仓储管理相关的事件及其类型, 并由相应的执行器节点执行库存控制、设备控制、光照控制、温度控制、湿度控制、气体控制等综合调控策略。因此, 从物品状态和仓储环境的数据中进行事件检测, 同时对WSAN中的执行器进行有效控制是基于RFID与自动化WSAN的仓储管理的主要环节, 而建立准确的“感知-控制”模型将有助于自动化WSAN实时、精确、有效地实现控制功能, 也是实现仓储管理自动化和智能化的关键问题。

基于RFID和WSAN的物流仓储系统是一个无线传感实时采集与记录的信息, 自动检测物品状态且能智能控制的自动化系统。系统分为感控层、网络层和应用层3层。

感控层作为系统的核心, 包含感知节点、控制节点和网关节点。感知节点是用于识别采集仓储系统的各类信息, 主要通过各种传感器及智能采集设备对仓储环境数据、仓储设备状态和库存物品参数进行采集、处理、存储和传输。采集设备和传感器主要包括:RFID系统、重量、体积、位置、热敏度、湿度、O2浓度、CO2浓度、光照度度等各类传感器, 以及库存物品实时图像的摄像头等。控制节点是根据指令对仓储环境参数和物品参数进行调节的各类机电设备, 主要包括:风机、制冷机、O2控制器、CO2控制器、机械手、AGV小车、补货小车、堆垛机、堆高车等。

网络层可以实现感控层和应用层的数据透明传输。网络层将感知节点采集的数据上传给应用层, 同时将应用层的控制指令下发给控制节点。网络层中的无线传感器网络网关可通过WLAN或GPRS/CDMA接入Internet, 实现远程实时控制。

应用层以云服务平台作为业务支撑层, 实现对传感器数据的存储、查询、分析、挖掘, “感知-控制”模块根据仓储监测、异常预警和智能控制管理模块上传的信息, 通过仓储管理专家系统进行决策分析, 制定并反馈相应的仓储管理控制策略和控制指令, 调节仓储环境达到最适合物品库存的状态, 以自动化的方式实现对仓储系统的智慧管控。该文将以“感知-控制”模块作为重点研究对象。

云服务平台融合仓储系统管理专家经验, 集监测、决策、控制于一体, 为用户和基地提供全方位管控服务;用户凭借手机、PAD、笔记本等终端访问Web, 均可实现移动式云平台接入, 登陆后即可监管仓库, 彻底打破传统受缚于现场的管理模式, 让监管更实时、便捷。

WSAN除了具备WSN的感知能力, 还具备智能控制能力。因此“感知-控制”是基于RFID和WSAN仓储管理系统的研究核心。面向仓储管理的自动化WSAN的“感知-控制”模型研究工作内容可归纳为:建立设仓储系统管理事件模型, 设计事件检测算法, 给出事件处理任务的分配方式, 研究执行器节点处理任务时的同步控制策略和移动控制策略, 最后建立仿真平台对模型的有效性进行验证。

仓储系统管理过程中时有环境参数变化 (如温湿度等) 、物品状态变化 (如库存量、储位、自然属性等) 、仓储设备位移等事件发生, 甚至同时发生。因此, 在仓储系统中, 管理事件具有多维属性。为了及时、准确的检测到各种突发事件, 本节提出多维事件检测盒跟踪算法, 实现对整个仓库进行有效系统的管理。

传统WSN中的事件检测方法大致可以归纳为三类[5]:基于阀值的检测方法、基于时空模型的检测方法以及基于模式的检测方法。如果传感器的读数超过预设的某个阀值, 则基于阀值的检测方法将判断某个事件发生;基于时空模型的检测方法是利用传感器读数的时空相关性建模, 对事件发生的可能性做出预测;基于模式的检测方法是利用模式识别的方法判断事件是否发生。前两类事件检测方法存在一定的局限性。基于阀值的方法在可以利用长时间序列样本对机器学习算法进行训练[5], 从而得到优化的阀值, 但这无法满足自动化WSAN对实时性的要求。基于时空模型的方法需要建立正确的预测模型, 但这和WSAN具体的应用领域相关联, 需要人为调整预测模型的参数。相比于WSN, WSAN由于增加了执行器节点, 可以根据所处理的事件类型执行各种预设的控制策略, 因此基于自动化WSAN的仓储管理应采用基于模式的事件检测方法。但WSN中基于模式的检测方法并不能直接应用于自动化WSAN中, 主要是因为WSAN中的执行器节点通常是移动的, 这会导致网络的拓扑结构时常发生改变, 事件数据的传输和融合会受到丢包、延迟以及信道噪声的干扰。这样, 传统WSN中事件检测[6,7]大多在汇聚节点上集中进行的方式不再适用, 需要考虑WSAN中的协作关系, 使得普通传感器节点、簇头节点和执行器节点共同完成事件检测任务, 并根据仓储环境和物品状态参数数据的多维特性, 设计有效的多维事件协作检测算法。

首先采用PAA (Piecewise Aggregate Approximate) 对多维时间序列进行等长分割, 然后利用SAX (Symbolic Aggregate Approximation) 将其转换为符号序列, 并利用适用高维数据的聚类算法对序号序列进行聚类分析。通过将聚类集合的统计特性与仓储管理中各类事件的特征相匹配, 得出事件的类型。此外, 可以尝试采用不等长分割的方式, 有效避免等长分割方式中关键点特征信息的丢失, 并且允许时间序列在时间轴上具有相应的收缩性, 更加符合实际情况.但该方法的复杂度较高, 算法运行事件较长。将两种序列分割方式结果进行对比分析, 选择出适合仓储管理的方法。事件区域边界的检测可以利用裂解的方式不断精化边界范围, 也可以考虑通过聚集的方式将区域范围标记显示, 各种检测方式适用的条件不同。将两种边界检测方式对比择优后, 根据仓储管理需求, 设定检测频率, 得到事件跟踪方法。为了适应自动化WSAN节点的移动性, 需要考虑节点的协作关系, 将检测方法的计算量均匀分配到网络节点上, 同时注意控制协议的通信量, 降低网络能耗。

当执行器节点接收到传感器节点报告的设施作物管理相关的事件数据, 将根据事件类型选择相应的综合调控策略, 并移动到事件发生的位置执行控制任务。在WSAN中有两种类型的任务:单执行器节点任务 (Single-Actor Task, SAT) 和多执行器节点任务 (Multi-Actors Task, MAT) [8]。SAT是指每项任务只需一个执行器节点就能完成, 例如仓储环境温度过高就需要制冷执行器给其降温。而MAT是指每项任务需要多个执行器节点协同完成。对于SAT, 主要问题在于如何选择单一反应节点;而对于MAT, 主要问题在于除了需要决定执行操作的最佳反应节点个数, 还需要从可执行该项任务的反应节点中选择出最适合的节点。目前国内外对于WSAN网络中执行器节点间任务分配的研究主要集中在对基于拍卖机制的SAT分配, 对于MAT分配的研究不足。文献[9]中对于执行器节点的任务分配从两个角度进行讨论:执行优先的机制和决策优先的机制。前者中, 执行器节点收到事件报告后会立即执行;而后者中, 执行器节点收到事件报告后会先与周围的执行器节点进行协商。文献[10]提出一种适用于WSAN的分布式协作框架, 将执行器节点的协作问题转化为混合整数非线性规划问题来解决。其中, 执行器节点的任务分配通过一个简单拍卖协议 (Simple Auction Protocol, SAP) 完成, 但是每次只选出剩余能量最高的执行器节点执行任务。在事件频发的场合, 该算法暴露出实时性不高的缺点。文献[11]考虑了执行器节点具有移动能力情况下的协作机制, 其主体思想是当事件发生后, 由信息收集节点集中决策, 选择一组合适的执行器节点移动到指定的区域完成相关操作。文献[12]提出了一个分布式、实时的拍卖协议 (Distributed Effective Real-time Auction Protocol, DERAP) 。该协议将多属性效用理论和拍卖机制相结合, 实现了执行器节点任务的实时分配。但该协议对网络中不存在重叠区域的假设缺少理论支撑, 同时由于算法需要建立任务广播树, 降低了执行器节点的响应速度。WSAN的执行器的任务分配机制需要同时考虑存在重叠区域和非重叠区域的可能, 可以引入合同网协议框架[13], 采用“招-投-评-中标”方式而非建立任务广播树的方式, 并利用拍卖协议对合同网进行优化, 使其适用于WSAN中事件处理任务的复杂性和不可预测性, 实现自动化WSAN中的分布式的实时任务分配机制。

由于采用无线网络进行通信, 不可靠的信息传输成为制约经典控制算法在WSAN成功应用的主要因素。不可靠性表现在网络丢包和延迟等多个方面, 而基于丢包和延迟的控制算法设计研究已有数十年之久, 该领域已有大量成果涌现[14], 然而这些算法大多以集中式的形式出现。集中式的控制算法主要是依靠网络中唯一的控制器分析数据并广播控制命令, 并不适用于自动化WSAN。分散式控制方法[15]是集中控制方法的一种直接拆分, 依靠分布于网络中的控制单元来实现, 而中央控制器需要对各控制单元进行协调和参数调整。分散式控制方式在扩展性、自适应性等方面不能完全满足自动化WSAN分布式的要求。全分布式控制算法[16]不需要任何中央控制器, 控制决策由各控制单元相互协作来完成。这种控制方式在网络部署、能耗和可扩展性都具有优势, 且能适应节点移动的环境, 因此自动化WSAN中应采用分布式控制方式。文献[16]设计了分布式的观测器对本地历史数据进行估计, 同时考虑了系统存在延迟和丢包的情况, 然后通过反馈控制, 实现对系统的稳定控制。虽然目前对网络控制系统的研究已经取得了许多出色的成果, 然而无论是系统建模还是研究方法都存在可以改进的地方。在系统建模方面, 现有的模型没有体现网络控制系统的特性, 例如网络延迟的随机性特性、大延迟的存在等。在分析方法方面, 大部分现有文献都存在一些保守性, 存在进一步改进的空间。此外, 关于网络控制系统的量化控制研究的成果还非常少。随着复杂动力网络的研究不断深入, 复杂网络的牵制控制方法[17]被证明是一种有效的实现网络同步的方法, 其原理是通过对网络中部分节点实施控制作用, 从而实现整个网络系统节点动力系统的同步。在自动化WSAN中可考虑借鉴牵制控制的原理设计分布式控制方法, 实现对整体系统有效的协调控制, 节省网络资源, 延长网络的生命周期。但前提是评估WSAN网络拓扑的度相关性, 验证网络的同步能力, 从而选择最优的牵制控制策略。

在研究执行器节点控制策略子模型时, 首先采用多竞价拍卖机制改造现有合同网协议招投标的方式, 并在文献[12]所提DERAP协议的基础上, 研究新的分布式MAT实时分配方法。通过数值分析, 研究不同拓扑结构网络的度相关特征对网络同步能力之间的定性和定量关系。基于主稳定函数的分析过程, 假定虚拟参考控制器牵制控制网络中的部分节点, 将WSAN网络的牵制控制问题演化为具有N+1个节点的网络同步实现问题, 并根据拓扑度相关特征与同步能力之间的关系, 得出不同拓扑条件下的牵制控制策略。

仓储系统从物理组成上来看主要包括货架、分拣设备、运送设备、打包设备等。其中运送在提高存储效率、降低资源浪费等方面是仓储管理的一个重要环节, 对运送设备 (如AGV小车) 的调度和编队的重要性显而易见[18]。

WSAN中执行器节点是可移动的, 如果执行器移动到事件发生区域需要时间较长会影响控制指令的时效性。因此, 当执行器节点收到任务报告后, 采取较少的时间移动的目标区域显得至关重要, 需要通过移动性控制机制来解决上述问题。文献[19]执行器移动问题建模为非线性规划问题, 同时考虑了截止期限和有限资源等约束条件, 优化目标是节约执行器移动能耗。文献[20]提出了执行器和传感器之间的协作框架, 并提出了最优的解决方法。文献[21]利用位置管理, 将执行器限制在局部范围, 并设计算法解决执行器节点活动区域内的网络拥塞问题, 并基于事件的特点制定执行器的移动方式。但上述研究都只是考虑事件发生后执行器的移动问题。可以考虑在事件发生前, 让执行器对历史数据进行估计, 预测未来事件可能发生的活动区域。同时, 执行器节点移动的方向和距离可以通过神经网络或机器学习等智能算法来进行自动调整。基于神经网络, 研究对未来事件可能发生区域的预测方法, 讨论节点移动方向和距离的调整策略。此外, 针对多执行器节点编队移动的情况, 建立竞争-合作博弈模型, 研究群编队的控制策略。

当节点收到任务报告后, 利用神经网络对历史移动的方向信息和距离信息进行分析, 预测未来事件可能发生的区域, 并提前移动到该区域, 提高任务执行的实时性。当多执行器节点协作执行任务时, 利用竞合博弈模型对节点间距离和移动方向关系进行建模, 推导出各编队节点的控制策略, 通过演化博弈保证多执行器节点编队的稳定性。

“感知-控制”模型对于实现仓储环境和物品状态的自动检测和智能控制, 提升仓储系统管理水平是很有意义的, 因此需要对模型的有效性和稳定性进行仿真验证。基于扩展的UML建模方法和XMSF仿真框架, 建立仿真平台, 研究不同移动方式和协作关系对模型的影响, 分析模型在面向仓储管理中正常条件和极端条件下的有效性和稳定性。

在对“感知-控制”模型建模仿真时, 基于MARTE概要文件, 结合自动机理论, 设计相应的时空UML状态图模型, 对WSAN中的感知子模型和控制子模型进行描述, 并给出形式化定义。利用XMSF框架汇中元模型思想和Web技术, 建立自动化WSAN仿真平台。以仓储管理为应用背景, 设置仿真参数, 统计仿真结果, 对不同条件下管理系统中“感知-控制”模型的有效性和稳定性进行分析验证。

综上, 该文利用基于模式的检测方法对仓储管理存在的多维事件及事件类型进行协作检测, 并对事件区域的变化进行跟踪。采用多竞价拍卖和合作网协议探讨分布式的多执行器节点任务的实时分配方法, 再在考虑到网络延迟、丢包和干扰存在的情况下, 利用牵制控制原理设计执行器节点的网络控制方法。由于执行器执行任务时需要移动至事件发生区域, 因此利用神经网络模型和竞争-合作博弈模型设计单执行器移动的控制策略和多执行器编队移动的控制策略。“感知-控制”模型对于仓储管理的有效性将利用扩展的UML建模方法和XMSF集成方法进行仿真验证。该文研究技术路线如图2所示。

物流仓储系统最终将向高度智能化的方向发展, 基于RFID和WSAN“感知-控制”的模型为实现仓储智能控制和精细化管理提供支撑、为实现智能高效、经济安全的现代化物流仓储系统提供保障。通过“感知-控制”的逐步推进与应用, 普通仓库、冷藏仓库、危险品仓库、果蔬仓库和粮仓等各类仓储系统管理效能将极大提高[22,23,24]。

现有RFID与WSN结合应用到物流仓储系统管理仅能对其进行实时监测、记录和感知, 而无法对结果做出实时自主的决策, 阻碍了仓储的大规模全智能化管理需求。在此背景下, 该文提出了基于RFID和WSAN的物流仓储管理方式, 较为系统的讨论了“感知-控制”模块中事件检测、任务分配及控制策略等问题, 并给出建模和集成的验证方法, 为下一代高度智能化物流仓储管理的研究提供了基本框架。