数字仓库 – 第 4/4 部分

数字助理

计算机可用于快速处理和分析复杂环境中的大量数据。自学习机器可以识别并记住模式，然后在出现具有相似模式的新情况时像我们一样做出反应，前提是我们已经定义了理想的结果。监督学习促进了这一点。机器也可以在没有预先定义结果的情况下进行学习。在这种情况下，机器最终也能得到更好的、有时甚至令人惊讶的结果。

在数字助理的帮助下，系统可以处理控制中心采纳、调整或拒绝的建议。那些信任系统能力的人可以将控制权交给自动化系统，同时让人类监控情况，并可以随时进行干预。这里需要注意的是，过于频繁的干预会干扰自我调节系统，并可能使其偏离轨道。我们经常发现，只需很少的干预即可获得控制的自动化系统可以提供最佳结果。

通过神经网络定制的算法或通用机器学习过程可用于优化仓库。

自动化仓库控制

Within an automated warehouse, a replica is created using a digital twin. The system can use this replica to learn without the impact of negative cycles. The digital twin is used to compute changing system parameters. The system can be trained with the digital twin and fed order variations from time to time, not to mention that the system also learns during live operation. This allows for the warehouse management and material flow systems to be adapted in line with changing requirements in the warehouse.

Dynamic Storage Allocation

仓库分配是一门很有技巧的事情。我们已经比较了手动仓库和自动化仓库，并研究了不同的商品类别聚类方式。在手动仓库中，重要的是保持集群在一起，而在自动化仓库中，重要的是均匀分布，以避免在一定时间范围内对单个元素施加过多压力，从而引发瓶颈情况。

确保有足够优化空间的一种方法是使用不同的机器和存储类型（例如托盘和手提箱）或运输设备 - 连续输送机（例如输送带）或不连续输送机（例如自动引导车） – 在一个地点内。

自动化订单管理

机器学习或经过测试的算法可用于从各种潜在订单变化中找出最合适的订单组及其最佳顺序和起点。整个系统可以在这里充分利用其能力，在计算无数明确定义的数据时，其远远高于人类思维。但另一方面，人类擅长解释大量模糊数据并从中得出可靠的结论。

系统代理

如果采用分散的方法，仓库中的各个对象可以自动完成分配给它们的任务。整个系统负责分配任务，而各个物理对象自动完成分配给它们的任务。类似的对象就会以类似群体的方式表现。

交互类似于物联网，单个对象的设计方式使其具有机载智能。或者，系统内的对象被识别，然后它们调用它们的“代理”，它们负责处理系统内的任务。代理是系统内对象的虚拟副本，具有一定程度的自主性，并且可以在其上实现机器智能。

关于作者

Peter Totz 担任 SSI SCHAEFER 业务咨询总监。
他的职业生涯始于格拉茨的项目工程师、数据分析师和模拟专家。凭借生产计划和物流顾问的中间步骤，他担任高级顾问和项目经理多年。后来，他负责拉丁美洲的业务发展，然后接管了活跃于全球的商业咨询集团。