头部广 告
摘要：零部件循环取货业务是一汽-大众佛山工厂大物流业务的核心组成部分。近年来，随着汽车行业的竞争态势不断增强，循环取货业务也亟需引进先进的物流模式与算法，以提高物流运作效率进而降本。目前，国内整车厂循环取货业务基本通过人工计算结合经验判断的方式规划车辆路径、装箱方案以及车辆排程，存在车辆路径冗余高、行驶里程较大、车厢空间利用率较低等痛点，而通过传统方式很难科学有效地解决这些问题。本文主要结合一汽-大众佛山工厂在车辆路径与3D装箱智能化算法研究与转型方面的自主实践，通过自主研发智能算法组合对车辆路径规划、3D装箱进行优化，进而指导入厂物流循环取货业务的开展，实现车辆数降低18%，行驶里程降低30%，总费用降低21%。
关键词：零部件循环取货；车辆路径规划；3D装箱
题眼广 告
作者：吴岳诗1 胡姣花2 何嘉健3 童章进1 陈文博4 李甘霖1 刘立东1
1一汽-大众汽车有限公司佛山分公司
2北京易诚互动网络技术股份有限公司
3广州中物储国际货运代理有限公司
4奇瑞汽车股份有限公司
一
引言
物流成本在企业总成本中的占比一直偏高，近年来通过不断创新使得物流成本过高现象有所改善，但仍然存在较大的优化空间。循环取货作为入厂物流的重要模式之一，是汽车生产的开端，是将汽车零部件从供应商运到整车厂的物流环节[1]。循环取货成本主要由车辆的总行驶距离和车辆的投入数量决定，故而欲对循环取货进行优化，一方面可以优化行驶路线，降低总行驶距离，另一方面可以优化货物装箱方案，提高车厢满载率，降低总车辆数量。当前，智能化技术有了长足的发展，降低物流成本问题可以与信息化时代优势相结合，通过机器学习等AI技术赋能，实现业务过程的智能化计算，能够有效优化车辆行驶路线，降低车辆总行驶距离，有效优化货物的摆放方案，提高车厢满载率，降低成本[2]。
二
一汽-大众佛山工厂零部件循环取货业务现状与转型分析
一汽-大众佛山工厂循环取货主要通过看板方式将要货信息以看板形式发送至供应商，随后由承运商循环取货入厂。循环取货的要货信息发送到供应商后，卡车按照预先设计的路线，在既定的时间内，按顺序到达各个供应商完成上门取货，并随后将零部件运输至整车厂。循环取货的优点通常有能提高车厢满载率，能够降低整车厂内的库存，但缺点主要有规划复杂，需要高度标准化，运行难度高。
一汽-大众佛山工厂循环取货业务的传统开展方式，一般以手工计算为主，如在车辆路径规划方面，通常是依据供应商位置按经验划分区域和类型；根据需求清单核算物流量，按经验预配车辆路线，人工匹配凑整核算所需资源等。而在货物装箱方面，则基本依据经验，配合简单的尺寸匹配计算，形成“能装得下”的结果，这些方法虽然逻辑简单，但有手工流程繁琐、容易算错、对专业和经验要求高等问题。因此，本文针对以上问题，拟采用自主研发的现代智能算法组合构建工程应用，开展一汽-大众佛山工厂焊装车间零部件循环取货的智能化转型自主实践。
现代智能算法包括群体智能算法和机器学习等，是指通过模拟自然过程或数据驱动解决复杂问题的计算方法，属于人工智能核心组成部分，涵盖函数优化、组合优化等应用领域[3]。车辆路径规划和3D装箱本是两个独立的NP-Hard难题，但在实际过程中，两个问题通常共同发生，互相影响，互相制约，对于这类问题，通常需要将两个在实际过程中相互影响的问题，在视为一个综合整体的同时，进行有机解耦，并使用现代智能算法中的启发式算法来迭代求解[4]。
一汽-大众佛山工厂的循环取货业务中，车辆路径规划、3D装箱这类NP问题难以求得最优解，而其本质上就是运筹学优化问题，非常匹配现代智能算法在工程应用的前置条件，即问题定义明确，边界条件清晰完整，目标明确可提供关键价值，故而可以利用现代智能算法，自主开发一套基于多智能算法有机结合的车辆路径与3D装箱智能化算法组合并进行工程应用实践，实现循环取货业务在工程可行域内的车辆路径、3D装箱的优化求解，进行业务的智能化转型，以减少循环取货过程中的总行驶距离和车辆数量，进而降低成本。
三
一汽-大众佛山工厂循环取货车辆路径与3D装箱智能化实践
1.整体分析与算法组合设计
车辆路径优化与3D装箱问题相互影响且还受到生产的制约。比如若先求得最优路径，则随后就要根据此路径方案的货物进行装箱，那么必然3D装箱结果就不是最优结果；而若先求得最优3D装箱，则路径结果也必然不是最优；并且整车厂随生产进度产生零部件需求时间，如果优先考虑生产需要的时间因素，则车辆路径和3D装箱都不是最优结果。因此，在满足工程应用的情况下，在可行范围内接近最优解的次优解是符合实际的可行结果，而由于零部件按时到货是首要条件，那么先对零部件3D装箱，再进行车辆级路径规划，则既能满足到货时间要求，又能在次优解中找到装箱和路径均合理且符合生产实际需要的结果。同时，加入了时间维度后，车辆出发和到达时间也一并求解，则可由此编排车辆排程。
据此，基于组合算法的工程应用总体思路如下：
（1）将供应商按地理聚类并微调;（2）考虑整车厂生产时对零部件的时间顺序需求（按天或按时），将零部件需求清单按时间顺序排序;（3）将零部件按车厢容积进行积攒;（4）将积攒的零件进行3D装箱;（5）将3D装箱完成的车辆按零部件所属供应商进行车辆路径规划;（6）将完成3D装箱和路径规划的车辆按所装载零部件的需求时间设定出发时间和计算返回到达时间;（7）将车辆按照已知的出发时间和返回到达时间进行匹配排程。
根据以上思路，构建该工程应用的整体流程架构以及算法组合（如图1）。
图1 整体流程架构以及算法组合
供应商地理聚类及微调：通过地理距离聚类将供应商进行组团，并根据货量等其他考量因素进行微调，以减少搜索空间提高计算效率和质量。
零部件需求时间序列化：属于数据预处理，将零部件需求时间按供应商聚类结果分块，再根据计划到达时间进行排序，以满足生产时间的需要。
3D装箱空间序列化：按车厢体积积攒零部件，通过贪婪策略等算法，结合零部件旋转、堆叠等边界限制条件，计算3D装箱最优结果，并给出零部件装箱清单以及装载图。
车辆路径序列化：根据每车的装载清单所对应的供应商，通过LNS大型邻域搜索算法计算车辆路径最优结果，给出车辆访问顺序及零部件需要到达的最早时间，并计算车辆趟次出发时间和到达时间。
最后，根据每车的出发时间和到达时间，结合需要的间隔时间等，进行匹配排程，从而满足车辆路径规划的所有趟次访问需求，且重复利用车辆以降低车辆总数量。
2.供应商地理聚类及微调
地理位置聚类算法用于将空间上接近的地理点分组，形成有意义的区域或模式。常用的地理位置聚类算法有K-means算法、HDBSCAN算法等，其中HDBSCAN算法无需预先指定聚类中心数量，能发现任意形状的聚类簇，能识别噪声点，且算法实现比较简单，在此类问题上有比较好的应用，故本文使用HDBSCAN算法对供应商进行地理聚类。一汽-大众佛山工厂循环取货供应商共计35家，通过输入供应商地理位置坐标，设置聚类参数（如表1），得到初步的供应商地理聚类簇，总共有3个簇（如图2），以及初步聚类位置关系图（如图3，红星表示整车厂位置）。由此可见，35家供应商总体上可以分为4个部分，分别为左下角的簇1，上方的簇2，右方的簇3，以及独立点R7V为簇4。
图2 初步聚类簇
图3 聚类位置关系
表1 HDBSCAN聚类设置
随后，根据零部件类型（供应商隶属关系、零件所属车间等）以及货量微调。由于簇1是焊装车间零部件供应商集中区域，故独立成簇团，其中的8KJ、K6E在8KH厂区，属于8KH的一部分，不独立取货，故而直接合并至8KH。簇3中的R9E在C7D厂区，属于C7D的一部分，不独立取货，故而合并至C7D，8RR在8UN厂区，属于8UN的一部分，不独立取货，故而合并至8UN。簇4的R7V距离很远，且日货量充足超过卡车容量（超过2车），所以独立成一个簇。最后形成的供应商簇，如图4。通过供应商地理聚类及微调，将供应商按地理位置和零部件类型等进行划分后，减少了点对点运输里程，对比结果，如表2。
图4 供应商簇
表2 聚类及微调前后对比
3.零部件需求时间序列化与积攒
在整车厂的生产过程中，零部件的到货需与生产线的消耗严格匹配，以此满足生产线节拍的需要。因此，各工位的零部件按照生产节拍均有计划到达时间，即零部件需求时间。零部件需求时间序列化，是将零部件按计划到达时间的先后顺序进行排序，为后续根据车厢体积积攒零部件做预处理。零部件积攒，是将需求时间序列化后的零部件，按零部件运输体积进行累加积攒，并根据车厢体积限制积攒的零部件数量，从而形成待装箱的零部件批次，为后续3D装箱做预处理。
当零部件需求时间是按天模式甚至没有计划到达时间要求时，则可取消零部件需求时间序列化与积攒的步骤，直接进行下一步3D装箱即可。
4.3D装箱空间序列化
3D装箱属于NP-Hard问题，难以直接求解，而启发式算法是基于经验构造的算法，能够在可接受的时间内给出待解决组合优化问题的可行解，很适合3D装箱这类NP难题。其中，基于贪婪策略的启发式适配算法，具有收敛速度快，计算结果稳定等优点，是工程上适用的启发式计算方案。故本文使用基于贪婪策略的启发式适配算法，边界条件与约束条件的设置，如表3。
表3 3D装箱边界条件与约束条件
在该装箱算法的实现过程中，首先以100mm的网格密度生成候选位置。随后按顺序逐步将零部件进行预放置，并对预放置位置按多目标加权进行评分（评分规则如表4），并根据评分结果确定当前位置是否最优。最后，累积的零部件达到车厢尺寸边界即形成3D装箱结果。
表4 多目标加权评分规则
5.车辆路径序列化
车辆路径规划同样属于NP-Hard问题，通常也需要用启发式算法计算，而LNS大型邻域搜索算法，是通过迭代地对当前解进行“破坏”和“修复”，进而找到最优解。业界成熟的开源求解工具OR-Tools就是以LNS算法为基础，结合其他启发式算法，在求解速度有所保障的同时，也有效保障了求解质量。当某一车厢3D装箱完成后，其对应需要访问的供应商已经确定，而其车辆路径规划问题，实质上已经退化成“旅行家问题”，故而可以求得当前车辆路径的最优解。故本文使用LNS算法对车辆进行路径规划，并使用OR-Tools作为求解器。
6.测算与对比
基于给定的运输条件等输入信息（如表5），使用聚类簇簇1所对应供应商的人工规划方案与算法组合方案进行测算与对比，并对结果进行分析。
表5 运输条件表
聚类簇簇1所对应的供应商有4家，主要供应焊装车间零部件，分别为8KR（代号A）、8PP（代号B）、8PZ（代号C）、8KH（包含8KJ和K6E，使用一个代号D），供应商详细信息，如表6。
表6 簇1供应商信息
（1）人工规划方案
现有聚类簇簇1循环取货的人工规划方案为固定路线，每条路线的车辆总数固定，趟次固定。簇1人工规划方案信息，如表7所示。
表7 簇1人工规划方案信息
（2）算法组合测算
根据算法组合测算的流程，将聚类簇簇1循环取货的零部件需求清单输入后，得到算法组合测算结果汇总，如表8。随后，根据趟次情况进行排程，车辆排程的约束条件，如表9。
表8 算法组合测算结果汇总
表9 排程约束条件
根据各趟次的预计出发到达时间，考虑上一趟和下一趟出发之间时间间隔，进行简单排程。可以看到车辆1执行趟次1于4:23出发，8:41回到整车厂，可以匹配趟次19于10:18出发，14:36回到整车厂，满足约束要求，其他车辆同理（简单排程不考虑工作时间区间限制，对于过早或者过晚出发车辆，因为生产的连续性，实际会安排至前1天或者晚1天取回，总趟次和车辆数不变）。排程后，总车辆数需求为18辆，如表10。
表10 簇1车辆路径与排程结果
基于算法组合测算的结果，在已知各趟次的预计出发时间以及预计到达时间的情况下，加入约束条件，可以有效编排取货车辆，并对车辆进行复用。排程量化指标结果，如表11。在实际运营过程中，可能出现某趟次路线中的供应商突发缺货、车辆故障等极端情况，按照佛山工厂与供应商之间的取货约定，若判断极端情况半小时内可解除，因为实际装卸货等环节均预留有余量，且后段路程可提速，所以取货车辆等待异常恢复；若不能，则额外派车专送。
表11 排程量化指标结果
算法组合测算的3D装箱结果显示平均车厢体积满载率 65.4%。其中，趟次9装载的零部件数量为15件，零部件运输总体积为35.4m³，车厢体积利用率为79.2%。顶视二维装箱图，如图5。
图5 趟次9装箱图
考虑到趟次9的装箱结果中没有旋转的情况，趟次29的旋转情况较为直观，其装载的零部件数量为11件，零部件运输总体积为30.912m3，车厢体积利用率为69.1%。顶视二维装箱图，如图6。
图6 趟次29装箱图
对比趟次9和趟次29的装箱结果表明，在零部件运输载具尺寸和车厢剩余空间匹配时，如车厢剩余长度不足，但宽度方向能容纳，则旋转后能提高车厢体积满载率，但运输载具的旋转并不是提高车厢体积满载率的唯一决定性因素，其本质在于运输载具与车厢之间的几何协同匹配。故若要提升车厢体积满载率，应当构建“载具—车厢—算法”三位一体的标准化体系，一方面标准化零部件运输载具，比如运输载具尺寸完全成模数且与车厢尺寸匹配；另一方面，使用更好的算法计算更优的装箱结果。
（3）结果对比
根据车辆里程单价1.5元/km和出车费590元/辆的费用标准，结合车辆数、趟次、里程的计算结果，对人工规划方案与算法组合测算结果进行对比，结果显示使用算法组合相比人工规划方案，车辆数降低18%，趟次数降低44%，总里程降低30%，总费用降低21%。人工规划方案与算法组合测算结果对比，如表12。
表12 人工规划方案与算法组合测算结果对比
四
总结
本文所述算法组合的工程应用能够直接给出优化计算后的零部件装箱、车辆路径以及排程方案，且与生产线需求时间相匹配，平均车厢满载率也属于较好水平，且相比于原有的人工规划方案，在总车辆数、总取货趟次、总里程上均有所优化减少，进而优化了取货总费用。入厂物流循环取货业务在智能化算法转型下，不仅相比人工规划方案优化了成本，还实质上具备了转化为信息系统实现业务自动化的潜力，后续基于此算法原理，整合业务后开发信息系统，真正实现业务的数智化转型。
参考文献:
[1]孙慧,王学敏,孙丙琦.基于循环取货的汽车零部件入厂物流路径优化研究[J].物流科技,2023,46(19):18-21.DOI:10.13714/j.cnki.1002-3100.2023.19.005.
[2]孙静妍.多零件三维装箱与循环取货路径联合优化问题研究[D].湖北大学,2021.DOI:10.27130/d.cnki.ghubu.2021.000407.
[3] 王觐.基于改进的蚁群算法的汽车零部件入厂物流循环取货路径优化研究[D].杭州电子科技大学,2018.
[4]孙嘉琦.基于循环取货模式的商品车零部件产前物流方案优化[D].北京交通大学,2024.DOI:10.26944/d.cnki.gbfju.2024.000608.
[5]Golden B L, Wasil E A, eds. Vehicle Routing: Methods and Studies. Amsterdam: North-Holland, 1988.
[6]Hemmelmayr V C, Doerner K F, Hartl R F, et al. Delivery strategies for blood products supplies[J]. OR Spectrum, 2009, 31(4): 707–725.
[7]Bortfeldt A, Wäscher G. Constraints in container loading – A state-of-the-art review[J]. European Journal of Operational Research, 2013, 229(1): 1–20.
———— 物流技术与应用融媒 ————
编辑、排版：王茜
本文内容源自
欢迎文末分享、点赞、在看！转载请联系后台。
广告宣传
热门跟贴