【51CTO.com原创稿件】
“运用物理系统的数字拷贝来进行实时优化” —— Söderberg
对于拥有24个全国物流中心、60个区域物流中心、1105万平方米仓储面积的苏宁来说，提升仓储运营效率，实现更快的交付，一直是苏宁物流孜孜不倦的追求。
为了提高仓储作业效率，业内形成了各种各样的解决方案。比如说，基于商品的销量分配拣选位，把最常拣选的商品放在离拣选台最近的地方;对顾客订单进行拆分和分组，以减少拣货时同一个货架区域的访问次数;对仓库进行分区，避免为完成一组拣选订单需要跑遍整个仓库。以上这些方法，都立足于减少拣货员在拣货时所需行走的距离，从而提高拣货的效率。
然而，拣货仅是仓储活动中的一环。仓储活动还包括入库、上架、存储、补货、理货、打包、出库等诸多环节。事实上，这些环节之间存在着较强的相互影响，对单一环节的提升与优化，有可能会牺牲另一环节的绩效，甚至可能造成全局绩效的下降。举个例子，如果商品入库的时候选择就近上架，可以提高上架的效率，但可能会造成拣选或补货效率的下降。
从系统仿真到数字孪生
因而，对仓储这样的复杂系统进行优化时，我们需要评估备选的运营策略在系统中运行的效果，而这往往只能通过做实验的方法进行测试。但在实际系统中做实验，有可能干扰系统的正常运行，成本较高。此外，仓储活动的每个环节都有多个策略或算法可以选择，而每个策略或算法又有不同的参数需要确定，那么可能的组合是非常多的。为了找到最优的策略组合，可能需要做很多实验，这在实际系统中往往是不可行的。
在这种情况下，系统仿真往往是一种很好的方法。系统仿真通过在系统的模型上做实验的方法来表现和研究系统的行为或特征，被广泛应用在包括机械、电气、化工、水利、生产、物流、交通、通讯、经济、金融、气象、环境等各类系统的设计和改善上。
传统的仿真研究多为针对性的咨询工作，根据特定的系统，由技术人员进行流程调研和数据分析，人工搭建出对应的仿真模型，再开展仿真实验，得到优化方案，然后反馈给运营执行。而面对苏宁全国近百个物流中心，如果按照传统仿真思路逐一手动搭建仿真模型，不仅初期建模需要耗费大量的人力物力，而且后期的维护成本也会十分巨大。
针对传统仿真方法的不足，学术界和产业界联合提出了数字孪生(Digital Twin)的概念。数字孪生一词的确立可追溯到美国国家航空航天局(NASA)在2010年发布的一份报告[1]，报告中认为其是基于仿真的系统工程的发展方向。此后数字孪生的概念很快风靡了产业界和学术界，最近连续4年被Gartner列为十大战略发展科技。
数字孪生的定义有很多，笔者比较喜欢的一个是“运用物理系统的数字拷贝来进行实时优化”[2]。这个定义一是阐明了数字孪生是物理系统的数字模型，二是明确了它的作用在于开展系统的实时优化。与传统的仿真建模方法对比，数字孪生的特点包括：
- 数字孪生中，数字模型是根据采集到的信息由系统自动生成的，而传统的仿真模型一般是人工开发的。
- 数字孪生反映的是系统的当前状态和历史状态，而传统的仿真模型通常反映的是系统在一段历史时间内的整体特征。
苏宁数字孪生平台
基于上述理念，苏宁人工智能研发中心联合苏宁物流研究院打造了苏宁数字孪生平台。苏宁数字孪生平台实现了从物理系统到数字孪生的映射，并根据系统的优化需求自动生成仿真模型，运行仿真实验，开展仿真优化，并把优化结果反馈到物理系统中，完成物理系统与数字孪生的闭环。
图 1：苏宁数字孪生平台总体构架
苏宁数字孪生平台的总体构架如图1所示。基于系统优化的实际需求考虑，我们并没有保存物理系统的实时数字镜像，而是每天定时抽取物理系统的信息，形成物理系统的每日数字孪生快照。当有优化需求时，策略优化器基于人工配置或优化算法，从策略算法库中选择一系列策略算法，与选定的数字孪生快照一起，通过仿真模型生成器生成相应的仿真模型，并被注入仿真器中运行仿真实验。策略优化器会基于仿真实验的结果，生成新的策略算法组合，进行新一轮的仿真迭代，直到获得了满意的优化方案。最优方案中的运营策略会通过系统的前端反馈到系统的运营管理人员，而相应的算法和参数则被接入到生产系统中。
苏宁数字孪生平台在大件仓储中的实践
经过多年的发展，苏宁拥有完善的供应链和覆盖全国的仓配物流网络;相应的，苏宁数字孪生平台可在物流和供应链的管理与优化中发挥出巨大的价值。在全场景通盘考虑和全链路整体规划的基础上，我们选择了在大件仓储板块进行数字孪生平台的率先落地。
(1)生产系统到数字孪生的映射
生产系统到数字孪生的映射包括三个方面的映射：空间映射、流程映射和数据映射。
在空间映射方面，大件仓储主要体现在仓内设施布局上。考虑到仓内的设施布局很少发生改变，采用IoT技术进行信息采集性价比很低，我们选择了通过前端可视化界面进行人工录入的方式生成物理仓库到数字孪生的空间映射(如图2所示)。
流程映射方面，我们把大件仓储作业流程梳理抽象成入库、拣选、移位三类流程，并形成流程组件库，供仿真模型生成器调用，支持入库、上架、拣选、补货、理货、出库等大件仓储运营全流程。
数据映射主要包括库存状态、作业任务和作业资源等信息，这些数据来源于对仓库管理系统(WMS)和大数据平台的定时数据交换。
图 2：空间映射配置界面
(2)仓储策略和相应算法
构建数字孪生平台的目的在于开展大件仓储的运营优化，因此我们在平台内集成了常见的仓储运营策略(图3)，涉及到商品分类、货位布局、货位分配、订单组批、补货等问题，每类问题有多个策略可以选择。通过数字孪生平台，可以人工选定一组策略并指定相应的参数，进行仓储优化方案的仿真评估;也可以通过仿真优化算法，进行策略和参数的自动选取和优化。
图 3：常用仓储运营策略
(3)绩效分析和系统可视化
针对大件仓储，我们主要关注的绩效指标包括总作业时长、总作业距离、作业完成时间、每类任务的作业时长和作业距离、每个装卸队和每类设备的利用率等。借助数字孪生平台，我们可以通过仿真获得备选策略及算法在真实物理系统中运行的绩效，并以此确定系统的优化方案。
借助于数字孪生平台，我们还对物理系统进行了可视化展示。图4展示的是物理系统中每个仓位的商品所对应的ABC分类，以及每条货架通道的繁忙程度(由于真实系统的仓位数量相当大，为保证图片的显示效果，这里给出的是示意图)。通过对物理系统的可视化展示，有助于仓内的管理人员和作业人员更加直观的发现仓内存在的问题以及可以改进之处。
图 4：拣货位商品实际分布情况(示意图)
总结与展望
苏宁数字孪生平台首先在大件仓储板块进行了落地实施，统筹考虑收货、入库、拣货、集货、补货、理货等仓储运营全流程，为苏宁各大件物流中心建议全局优化方案。以南京大件物流中心为例，平台推荐的策略方案实施后，使仓内的总体作业效率提升15%以上，并在提升效率的同时，合理对各个环节、各个区域的资源投入进行优化配置，使资源投入数量大为降低，实现了仓储作业提效、降本的目标。
通过数字孪生平台的研发，我们对数字孪生有了一些新的理解：
(1) 对于很多复杂系统优化场景，实际上没有必要去建设一个理想下的、与物理系统完全同步的数字孪生。可根据应用的实际需要、当前的技术能力、系统的投入和产出等去选择合适的数字孪生技术方案，IoT和5G并不是数字孪生的必须。
(2) 数字孪生平台通过建立物理系统的数字孪生、自主生成仿真模型、提供简单易用的方案配置界面，改变了仿真优化只能由技术人员开展的局限。与传统的仿真建模技术相比，数字孪生平台大幅提升了仿真建模的效率，降低了仿真优化的应用门槛。
数字孪生的应用才刚刚拉开序幕，它将伴随着人工智能、工业互联网、虚拟现实等技术的发展而发展，最终融入生产生活的每一个角落，创造出巨大的价值。
[1] Shafto, M., et al. (2010). “Technology Area 12: Draft modeling, simulation, information technology & processing roadmap”. National Aeronautics and Space Administration (NASA).
[2] Söderberg, R., et al. (2017). “Toward a Digital Twin for real-time geometry assurance in individualized production”. CIRP Annals, 66(1), 137–140.
作者简介：
曹晖，苏宁科技集团人工智能研发中心运筹优化方向负责人，致力于综合运用运筹学、统计学、机器学习、系统仿真、大数据等技术方法，建设智能化应用与平台，实现物流、供应链和营销等领域的数智化。承担过来自科技部、国家自然科学基金等国家部委的多项科研项目，与多家国内外知名企事业单位在供应链管理、智能制造、物流系统优化等领域进行了多项科研合作，在相关领域的国际一流期刊上发表了十多篇学术论文。
【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】
