一汽-大眾佛山工廠零部件循環取貨車輛路徑與3D裝箱智能化實踐

頭部廣 告

摘要：零部件循環取貨業務是一汽-大眾佛山工廠大物流業務的核心組成部分。近年來，隨著汽車行業的競爭態勢不斷增強，循環取貨業務也亟需引進先進的物流模式與算法，以提高物流運作效率進而降本。目前，國內整車廠循環取貨業務基本通過人工計算結合經驗判斷的方式規劃車輛路徑、裝箱方案以及車輛排程，存在車輛路徑冗余高、行駛里程較大、車廂空間利用率較低等痛點，而通過傳統方式很難科學有效地解決這些問題。本文主要結合一汽-大眾佛山工廠在車輛路徑與3D裝箱智能化算法研究與轉型方面的自主實踐，通過自主研發智能算法組合對車輛路徑規劃、3D裝箱進行優化，進而指導入廠物流循環取貨業務的開展，實現車輛數降低18%，行駛里程降低30%，總費用降低21%。

關鍵詞：零部件循環取貨；車輛路徑規劃；3D裝箱

題眼廣 告

作者：吳岳詩1 胡姣花2 何嘉健3 童章進1 陳文博4 李甘霖1 劉立東1

1一汽-大眾汽車有限公司佛山分公司

2北京易誠互動網絡技術股份有限公司

3廣州中物儲國際貨運代理有限公司

4奇瑞汽車股份有限公司

一

引言

物流成本在企業總成本中的占比一直偏高，近年來通過不斷創新使得物流成本過高現象有所改善，但仍然存在較大的優化空間。循環取貨作為入廠物流的重要模式之一，是汽車生產的開端，是將汽車零部件從供應商運到整車廠的物流環節[1]。循環取貨成本主要由車輛的總行駛距離和車輛的投入數量決定，故而欲對循環取貨進行優化，一方面可以優化行駛路線，降低總行駛距離，另一方面可以優化貨物裝箱方案，提高車廂滿載率，降低總車輛數量。當前，智能化技術有了長足的發展，降低物流成本問題可以與信息化時代優勢相結合，通過機器學習等AI技術賦能，實現業務過程的智能化計算，能夠有效優化車輛行駛路線，降低車輛總行駛距離，有效優化貨物的擺放方案，提高車廂滿載率，降低成本[2]。

二

一汽-大眾佛山工廠零部件循環取貨業務現狀與轉型分析

一汽-大眾佛山工廠循環取貨主要通過看板方式將要貨信息以看板形式發送至供應商，隨后由承運商循環取貨入廠。循環取貨的要貨信息發送到供應商后，卡車按照預先設計的路線，在既定的時間內，按順序到達各個供應商完成上門取貨，并隨后將零部件運輸至整車廠。循環取貨的優點通常有能提高車廂滿載率，能夠降低整車廠內的庫存，但缺點主要有規劃復雜，需要高度標準化，運行難度高。

一汽-大眾佛山工廠循環取貨業務的傳統開展方式，一般以手工計算為主，如在車輛路徑規劃方面，通常是依據供應商位置按經驗劃分區域和類型；根據需求清單核算物流量，按經驗預配車輛路線，人工匹配湊整核算所需資源等。而在貨物裝箱方面，則基本依據經驗，配合簡單的尺寸匹配計算，形成“能裝得下”的結果，這些方法雖然邏輯簡單，但有手工流程繁瑣、容易算錯、對專業和經驗要求高等問題。因此，本文針對以上問題，擬采用自主研發的現代智能算法組合構建工程應用，開展一汽-大眾佛山工廠焊裝車間零部件循環取貨的智能化轉型自主實踐。

現代智能算法包括群體智能算法和機器學習等，是指通過模擬自然過程或數據驅動解決復雜問題的計算方法，屬于人工智能核心組成部分，涵蓋函數優化、組合優化等應用領域[3]。車輛路徑規劃和3D裝箱本是兩個獨立的NP-Hard難題，但在實際過程中，兩個問題通常共同發生，互相影響，互相制約，對于這類問題，通常需要將兩個在實際過程中相互影響的問題，在視為一個綜合整體的同時，進行有機解耦，并使用現代智能算法中的啟發式算法來迭代求解[4]。

一汽-大眾佛山工廠的循環取貨業務中，車輛路徑規劃、3D裝箱這類NP問題難以求得最優解，而其本質上就是運籌學優化問題，非常匹配現代智能算法在工程應用的前置條件，即問題定義明確，邊界條件清晰完整，目標明確可提供關鍵價值，故而可以利用現代智能算法，自主開發一套基于多智能算法有機結合的車輛路徑與3D裝箱智能化算法組合并進行工程應用實踐，實現循環取貨業務在工程可行域內的車輛路徑、3D裝箱的優化求解，進行業務的智能化轉型，以減少循環取貨過程中的總行駛距離和車輛數量，進而降低成本。

三

一汽-大眾佛山工廠循環取貨車輛路徑與3D裝箱智能化實踐

1.整體分析與算法組合設計

車輛路徑優化與3D裝箱問題相互影響且還受到生產的制約。比如若先求得最優路徑，則隨后就要根據此路徑方案的貨物進行裝箱，那么必然3D裝箱結果就不是最優結果；而若先求得最優3D裝箱，則路徑結果也必然不是最優；并且整車廠隨生產進度產生零部件需求時間，如果優先考慮生產需要的時間因素，則車輛路徑和3D裝箱都不是最優結果。因此，在滿足工程應用的情況下，在可行范圍內接近最優解的次優解是符合實際的可行結果，而由于零部件按時到貨是首要條件，那么先對零部件3D裝箱，再進行車輛級路徑規劃，則既能滿足到貨時間要求，又能在次優解中找到裝箱和路徑均合理且符合生產實際需要的結果。同時，加入了時間維度后，車輛出發和到達時間也一并求解，則可由此編排車輛排程。

據此，基于組合算法的工程應用總體思路如下：

（1）將供應商按地理聚類并微調;（2）考慮整車廠生產時對零部件的時間順序需求（按天或按時），將零部件需求清單按時間順序排序;（3）將零部件按車廂容積進行積攢;（4）將積攢的零件進行3D裝箱;（5）將3D裝箱完成的車輛按零部件所屬供應商進行車輛路徑規劃;（6）將完成3D裝箱和路徑規劃的車輛按所裝載零部件的需求時間設定出發時間和計算返回到達時間;（7）將車輛按照已知的出發時間和返回到達時間進行匹配排程。

根據以上思路，構建該工程應用的整體流程架構以及算法組合（如圖1）。

圖1 整體流程架構以及算法組合

供應商地理聚類及微調：通過地理距離聚類將供應商進行組團，并根據貨量等其他考量因素進行微調，以減少搜索空間提高計算效率和質量。

零部件需求時間序列化：屬于數據預處理，將零部件需求時間按供應商聚類結果分塊，再根據計劃到達時間進行排序，以滿足生產時間的需要。

3D裝箱空間序列化：按車廂體積積攢零部件，通過貪婪策略等算法，結合零部件旋轉、堆疊等邊界限制條件，計算3D裝箱最優結果，并給出零部件裝箱清單以及裝載圖。

車輛路徑序列化：根據每車的裝載清單所對應的供應商，通過LNS大型鄰域搜索算法計算車輛路徑最優結果，給出車輛訪問順序及零部件需要到達的最早時間，并計算車輛趟次出發時間和到達時間。

最后，根據每車的出發時間和到達時間，結合需要的間隔時間等，進行匹配排程，從而滿足車輛路徑規劃的所有趟次訪問需求，且重復利用車輛以降低車輛總數量。

2.供應商地理聚類及微調

地理位置聚類算法用于將空間上接近的地理點分組，形成有意義的區域或模式。常用的地理位置聚類算法有K-means算法、HDBSCAN算法等，其中HDBSCAN算法無需預先指定聚類中心數量，能發現任意形狀的聚類簇，能識別噪聲點，且算法實現比較簡單，在此類問題上有比較好的應用，故本文使用HDBSCAN算法對供應商進行地理聚類。一汽-大眾佛山工廠循環取貨供應商共計35家，通過輸入供應商地理位置坐標，設置聚類參數（如表1），得到初步的供應商地理聚類簇，總共有3個簇（如圖2），以及初步聚類位置關系圖（如圖3，紅星表示整車廠位置）。由此可見，35家供應商總體上可以分為4個部分，分別為左下角的簇1，上方的簇2，右方的簇3，以及獨立點R7V為簇4。

圖2 初步聚類簇

圖3 聚類位置關系

表1 HDBSCAN聚類設置

隨后，根據零部件類型（供應商隸屬關系、零件所屬車間等）以及貨量微調。由于簇1是焊裝車間零部件供應商集中區域，故獨立成簇團，其中的8KJ、K6E在8KH廠區，屬于8KH的一部分，不獨立取貨，故而直接合并至8KH。簇3中的R9E在C7D廠區，屬于C7D的一部分，不獨立取貨，故而合并至C7D，8RR在8UN廠區，屬于8UN的一部分，不獨立取貨，故而合并至8UN。簇4的R7V距離很遠，且日貨量充足超過卡車容量（超過2車），所以獨立成一個簇。最后形成的供應商簇，如圖4。通過供應商地理聚類及微調，將供應商按地理位置和零部件類型等進行劃分后，減少了點對點運輸里程，對比結果，如表2。

圖4 供應商簇

表2 聚類及微調前后對比

3.零部件需求時間序列化與積攢

在整車廠的生產過程中，零部件的到貨需與生產線的消耗嚴格匹配，以此滿足生產線節拍的需要。因此，各工位的零部件按照生產節拍均有計劃到達時間，即零部件需求時間。零部件需求時間序列化，是將零部件按計劃到達時間的先后順序進行排序，為后續根據車廂體積積攢零部件做預處理。零部件積攢，是將需求時間序列化后的零部件，按零部件運輸體積進行累加積攢，并根據車廂體積限制積攢的零部件數量，從而形成待裝箱的零部件批次，為后續3D裝箱做預處理。

當零部件需求時間是按天模式甚至沒有計劃到達時間要求時，則可取消零部件需求時間序列化與積攢的步驟，直接進行下一步3D裝箱即可。

4.3D裝箱空間序列化

3D裝箱屬于NP-Hard問題，難以直接求解，而啟發式算法是基于經驗構造的算法，能夠在可接受的時間內給出待解決組合優化問題的可行解，很適合3D裝箱這類NP難題。其中，基于貪婪策略的啟發式適配算法，具有收斂速度快，計算結果穩定等優點，是工程上適用的啟發式計算方案。故本文使用基于貪婪策略的啟發式適配算法，邊界條件與約束條件的設置，如表3。

表3 3D裝箱邊界條件與約束條件

在該裝箱算法的實現過程中，首先以100mm的網格密度生成候選位置。隨后按順序逐步將零部件進行預放置，并對預放置位置按多目標加權進行評分（評分規則如表4），并根據評分結果確定當前位置是否最優。最后，累積的零部件達到車廂尺寸邊界即形成3D裝箱結果。

表4 多目標加權評分規則

5.車輛路徑序列化

車輛路徑規劃同樣屬于NP-Hard問題，通常也需要用啟發式算法計算，而LNS大型鄰域搜索算法，是通過迭代地對當前解進行“破壞”和“修復”，進而找到最優解。業界成熟的開源求解工具OR-Tools就是以LNS算法為基礎，結合其他啟發式算法，在求解速度有所保障的同時，也有效保障了求解質量。當某一車廂3D裝箱完成后，其對應需要訪問的供應商已經確定，而其車輛路徑規劃問題，實質上已經退化成“旅行家問題”，故而可以求得當前車輛路徑的最優解。故本文使用LNS算法對車輛進行路徑規劃，并使用OR-Tools作為求解器。

6.測算與對比

基于給定的運輸條件等輸入信息（如表5），使用聚類簇簇1所對應供應商的人工規劃方案與算法組合方案進行測算與對比，并對結果進行分析。

表5 運輸條件表

聚類簇簇1所對應的供應商有4家，主要供應焊裝車間零部件，分別為8KR（代號A）、8PP（代號B）、8PZ（代號C）、8KH（包含8KJ和K6E，使用一個代號D），供應商詳細信息，如表6。

表6 簇1供應商信息

（1）人工規劃方案

現有聚類簇簇1循環取貨的人工規劃方案為固定路線，每條路線的車輛總數固定，趟次固定。簇1人工規劃方案信息，如表7所示。

表7 簇1人工規劃方案信息

（2）算法組合測算

根據算法組合測算的流程，將聚類簇簇1循環取貨的零部件需求清單輸入后，得到算法組合測算結果匯總，如表8。隨后，根據趟次情況進行排程，車輛排程的約束條件，如表9。

表8 算法組合測算結果匯總

表9 排程約束條件

根據各趟次的預計出發到達時間，考慮上一趟和下一趟出發之間時間間隔，進行簡單排程。可以看到車輛1執行趟次1于4:23出發，8:41回到整車廠，可以匹配趟次19于10:18出發，14:36回到整車廠，滿足約束要求，其他車輛同理（簡單排程不考慮工作時間區間限制，對于過早或者過晚出發車輛，因為生產的連續性，實際會安排至前1天或者晚1天取回，總趟次和車輛數不變）。排程后，總車輛數需求為18輛，如表10。

表10 簇1車輛路徑與排程結果

基于算法組合測算的結果，在已知各趟次的預計出發時間以及預計到達時間的情況下，加入約束條件，可以有效編排取貨車輛，并對車輛進行復用。排程量化指標結果，如表11。在實際運營過程中，可能出現某趟次路線中的供應商突發缺貨、車輛故障等極端情況，按照佛山工廠與供應商之間的取貨約定，若判斷極端情況半小時內可解除，因為實際裝卸貨等環節均預留有余量，且后段路程可提速，所以取貨車輛等待異常恢復；若不能，則額外派車專送。

表11 排程量化指標結果

算法組合測算的3D裝箱結果顯示平均車廂體積滿載率 65.4%。其中，趟次9裝載的零部件數量為15件，零部件運輸總體積為35.4m3，車廂體積利用率為79.2%。頂視二維裝箱圖，如圖5。

圖5 趟次9裝箱圖

考慮到趟次9的裝箱結果中沒有旋轉的情況，趟次29的旋轉情況較為直觀，其裝載的零部件數量為11件，零部件運輸總體積為30.912m3，車廂體積利用率為69.1%。頂視二維裝箱圖，如圖6。

圖6 趟次29裝箱圖

對比趟次9和趟次29的裝箱結果表明，在零部件運輸載具尺寸和車廂剩余空間匹配時，如車廂剩余長度不足，但寬度方向能容納，則旋轉后能提高車廂體積滿載率，但運輸載具的旋轉并不是提高車廂體積滿載率的唯一決定性因素，其本質在于運輸載具與車廂之間的幾何協同匹配。故若要提升車廂體積滿載率，應當構建“載具—車廂—算法?”三位一體的標準化體系，一方面標準化零部件運輸載具，比如運輸載具尺寸完全成模數且與車廂尺寸匹配；另一方面，使用更好的算法計算更優的裝箱結果。

（3）結果對比

根據車輛里程單價1.5元/km和出車費590元/輛的費用標準，結合車輛數、趟次、里程的計算結果，對人工規劃方案與算法組合測算結果進行對比，結果顯示使用算法組合相比人工規劃方案，車輛數降低18%，趟次數降低44%，總里程降低30%，總費用降低21%。人工規劃方案與算法組合測算結果對比，如表12。

表12 人工規劃方案與算法組合測算結果對比

四

總結

本文所述算法組合的工程應用能夠直接給出優化計算后的零部件裝箱、車輛路徑以及排程方案，且與生產線需求時間相匹配，平均車廂滿載率也屬于較好水平，且相比于原有的人工規劃方案，在總車輛數、總取貨趟次、總里程上均有所優化減少，進而優化了取貨總費用。入廠物流循環取貨業務在智能化算法轉型下，不僅相比人工規劃方案優化了成本，還實質上具備了轉化為信息系統實現業務自動化的潛力，后續基于此算法原理，整合業務后開發信息系統，真正實現業務的數智化轉型。

參考文獻:

[1]孫慧,王學敏,孫丙琦.基于循環取貨的汽車零部件入廠物流路徑優化研究[J].物流科技,2023,46(19):18-21.DOI:10.13714/j.cnki.1002-3100.2023.19.005.

[2]孫靜妍.多零件三維裝箱與循環取貨路徑聯合優化問題研究[D].湖北大學,2021.DOI:10.27130/d.cnki.ghubu.2021.000407.

[3] 王覲.基于改進的蟻群算法的汽車零部件入廠物流循環取貨路徑優化研究[D].杭州電子科技大學,2018.

[4]孫嘉琦.基于循環取貨模式的商品車零部件產前物流方案優化[D].北京交通大學,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, W?scher G. Constraints in container loading – A state-of-the-art review[J]. European Journal of Operational Research, 2013, ?229?(1): 1–20.??

———— 物流技術與應用融媒 ————

編輯、排版：王茜

本文內容源自

歡迎文末分享、點贊、在看！轉載請聯系后臺。

廣告宣傳