面向冷鏈智能立體倉庫的數字孿生系統構建

胡斌，郭慧,，陶雄杰

自動化與智能化技術

面向冷鏈智能立體倉庫的數字孿生系統構建

胡斌1，郭慧1,2*，陶雄杰3

（1.澳門科技大學，澳門 999078；2.梧州學院 廣西機器視覺與智能控制重點實驗室，廣西 梧州 543003；3.廣州力控元海信息科技有限公司，廣州 510630）

當前冷鏈物流行業立體倉庫存在貨品損耗率高、失溫嚴重、信息化水平低等問題，確保冷鏈智能立體倉庫的食品質量安全，并實現降本增效。面向冷鏈智能立體倉庫的運行場景，設計全映射與多維仿真的數字孿生五維模型，通過對多源異構數據的融合，實現立體倉庫全要素的狀態實時可視化與監測預警，并提出一種支持系統聯動決策的模型優化策略，對立體庫負載與溫控區熱力分布進行智能調節，最大限度提高運行效率和降低運營成本。構建了一套冷鏈智能立體倉庫數字孿生系統，通過對優化前后倉庫運行數據進行對比，同等倉儲環境條件下生鮮蔬菜的食品保鮮度損耗率同比下降了25%～30%，實現了冷鏈智能立體倉庫實時數據與動態虛擬模型的精準映射與聯動運轉。以廣東某供應鏈管理有限公司佛山智能冷鏈倉儲物流中心的冷鏈立體倉庫為實踐對象，形成了冷鏈智能立體倉庫一體化管控新模式。為冷鏈智能立體倉庫運營管理、調度聯動決策與協同作業提供了數字孿生技術的應用參考，為建立更完善的保鮮產品包裝與冷鏈食品質量安全提供了新路徑。

冷鏈物流；多維仿真；數字孿生；虛實聯動

冷鏈物流指將冷藏產品在適宜的低溫環境中儲存、運輸、配送和銷售，以確保食品質量和安全的系統工程[1]。冷鏈立體倉庫是冷鏈物流中的一個重要環節，立體倉庫通常由復雜的輸送系統、調度系統以及自動存儲和檢索系統組成。可在相對較小的占地面積內進行高密度存儲，并通過更高效、更有條理的貨物存儲與檢索體系，幫助企業降低存儲成本、提高效率、改善庫存控制，并優化其物流和供應鏈運營。我國大部分立體倉庫的信息化升級已采用物聯網、區塊鏈、大數據分析、機器人等技術[2]，但中商產業研究院發布的2022年中國冷鏈物流行業市場回顧及2023年發展前景預測分析，當前倉庫普遍存在管理體系不完善導致空間利用率低、路徑規劃不合理導致資源浪費、設備技術不足導致損耗過多、總體成本偏高等問題[3]。因此，我國冷鏈立體倉庫的智能化、精細化管理水平仍有較大的提升空間。數字孿生技術可實現整體業務的實時建模、智能分析、虛實聯動運行與映射聯調，將數字孿生技術應用于冷鏈智能立體倉庫的設計與優化，實現動態路徑優化、動態溫濕度控制、故障預警和精準追溯等業務的全周期自適應監測與精細化管理調度，對進一步提高冷鏈保鮮食品質量控制及安全水平有著重要的意義。

一個完整且高效的冷鏈立體倉庫在倉儲過程中的物品損耗、能源管理優化和信息化、智能化、可視化水平的提升是一個復雜且具有挑戰的問題。大部分學者[4-10]都是從冷鏈物流配送優化或者作業流程優化等方面進行考量，將信息化、智能化、可視化技術應用于冷鏈物流管理、成本管理做了很多有效的工作，Shi等[11]、Wu等[12]通過對整個冷鏈物流管理優化來提升產品質量和運營效率。Deng等[13]、Li等[14]從節能管理入手有效降低了企業運營成本。大多數研究關注于企業管理運營流程的優化，在保鮮度的問題上也僅僅是對配送路徑優化、食品保鮮度進行預測等，對倉儲環境、進出庫調度方案的研究較少。

食品保鮮度控制與環境的溫濕度監測顯得尤其重要。Han等[15]指出直接監測食品內部會降低食品完整性加快腐敗速度，并存在交叉污染的風險。為解決這一問題，數字孿生等無損監測技術成為了冷鏈研究和發展的重要方向[15]。隨后學者們不斷完善和補充數字孿生的內容，陶飛等[16]在基于Grieves教授三維模型框架的基礎上給出了五維模型框架。Defraeye等[17]開發了一種基于機械建模的數字孿生水果模型，更好地了解保鮮水果的質量演變過程，從而優化芒果的冷藏運輸和儲存過程。立體倉庫為生鮮產品提供了更加準確和穩定的恒溫恒濕環境，是冷鏈物流中提質增效的重要環節。但以冷鏈立體倉庫為對象的數字孿生技術與應用模式仍鮮有研究，主要原因是冷鏈立體倉庫擁有歷史數據、實時感知數據、環境數據、傳感器數據等多種異構數據，如需對立體倉庫構建數字孿生系統，則需要對其多源異構數據進行融合處理。

如圖1所示，本文以國內知名冷鏈企業在佛山智能冷鏈倉儲物流中心的冷鏈立體倉庫為實驗對象，將五維模型運用于冷鏈立體倉庫中，設計一套實時有效的監測預警數字孿生系統，通過物聯網網關數據采集與邊緣計算進行多源異構數據融合，結合遺傳算法優化系統聯動策略，實現立體倉庫作業過程的虛實映射。冷鏈立體倉庫的運行應用結果表明，本文的工作有效提高了立體倉庫使用效率、物流運作效率、溫控效率，并降低了食品損耗，為冷鏈立體倉庫的數字化升級與管理提供了理論支撐與技術支持。

圖1 全文研究內容關系圖

1 相關工作

1.1 立體倉庫中的數字孿生模型

孿生模型是數字孿生技術的核心部分，必須能夠以高保真度反映物理對象的特征、業務信息與協作關系[18-19]。孿生模型構建需要豐富、準確、全面的數據支持，而實測數據的質量對模型的準確性至關重要。目前，孿生模型構建研究存在數據質量不一、數據收集難度較大、需要大量的人工參與和時間投入、人工建模成本高等缺點，制約了孿生模型的應用發展。

利用陶飛等[16]提出的五維模型，根據立體倉庫實時數據量大、設備種類繁多、數據多源異構、關聯性強等特點，本文在立體倉庫孿生模型構建中增加了對物理實體數據的融合，并進行數據點對點映射。實現由物理實體、虛擬模型、映射連接、孿生數據和服務組成各維度模型的構建，如圖2所示。本文通過對五維孿生模型的改進，解決了數據采樣、精度不足等問題，實現了有效、準確、系統地表達孿生模型的組成部分和規則，從而有效地提高企業的生產效率和產品的可持續性。

1.2 立體倉庫多源異構數據融合

隨著各傳統產業的數字化、智能化改造，業務數據普遍表現出大容量、速度快、多樣性等特征，融合本地化應用感知數據已成為學術界和工業界的研究共識[20]，立體倉庫各生產管理系統采用不同的數據模型或數據結構進行存儲。不同的數據源包括傳感器數據、設備數據等，這些數據形成了多源異構現象。因此，如何進行數據融合，并有效地進行數據質量控制和數據清洗尤為重要。不少學者們從數據質量、安全性、可用性和技術難度等方面進行了研究。

冷鏈立體倉庫中的多源異構數據主要有數據存儲、語義、格式，異構性特點如表1所示，其主要數據如下。

A類數據：該類數據主要從傳感器設備采集，其結構類型常是JSON或XML，數據精度達到0.1%。

B類數據：該類數據主要從存儲系統和設備控制器采集，其結構類型包括NoSQL、控制指令，數據精度達到1%。

C類數據：該類數據主要從監控系統和視覺系統采集，其結構類型包括文件、數據流。

本文根據冷鏈立體倉庫的硬件環境與應用場景，通過部署多個力控華康PFC-A6608工業物聯網網關，形成邊緣計算網絡，將現場各智能設備數據進行融合，實現了多源數據結構的統一。力控工業物聯網網關具備了實時數據處理引擎和控制運算引擎，結合終端的工業、環境傳感器體系，可解決多源數據融合過程中效率低、安全性差、數據冗余和數據結構復雜性等問題。滿足了智能立體倉庫數字化、智能化、可視化需求，實現靈活高效的連接、隱私和安全保護、實時業務處理、數據處理流程優化和應用智能化。

1.3 立體倉庫調度優化與預測

冷鏈智能立體倉庫的占地面積通常在5 000 m2以上，高度在15 m以上。其中運行的移動設備包括電動叉車、懸臂式貨架系統、掃碼槍、搬運堆垛機等幾類有人操作設備；還包括智能分揀機器人、AGV小車、自動物流傳輸線等無人操作設備，如圖3所示。

港式堆垛機、AGV小車、自動物流傳輸線運行路徑規劃與調度策略是整個倉庫物流系統的核心，調度算法的質量直接影響倉庫整體運行效率與穩定性[21]。立體倉庫內數據量非常龐大，且數據存在多源性、異構性和不完整性等特點。利用數據分析預測結合調度算法進行調度決策，同時立體倉庫內的物流運輸活動復雜多變，不同的貨物尺寸、數量、重量等特征都會影響其調度方案的選擇。在保障運輸質量的同時，盡可能降低運輸成本，提高運輸效率與食品保鮮度，是立體倉庫調度優化與溫度預測的核心問題。

圖2 立體倉庫中的五維模型改進

表1 多源異構數據屬性

Tab.1 Multi-source heterogeneous data attribute

圖3 立體倉庫運行設備

Wang等[22]提出了一種將遺傳算法與動態規劃概念相結合，能夠進行多目標全局優化。Zhang等[23]結合動態交互層和粒子群遺傳混合算法，針對靈活作業車間調度中的動態擾動，實現了緊急任務的動態調度。前期研究者們在立體倉庫的研究中沒有同時關注物流調度優化和溫度保鮮度的問題，對立體倉中的有人設備和無人設備并未統一進行規劃。因此本文在遺傳算法物流調度的基礎上做了2方面的改進。首先將有人設備與無人設備進行特有標識定義并實現協同規劃，其次在冷鏈倉儲調度優化時將溫度與保鮮度納入考慮，針對當前立體倉庫失溫嚴重、調度效率不高等問題，設計了多目標自適應改進遺傳算法，將數字孿生技術與多源異構數據融合結，合遺傳算法對立體倉庫的運行數據進行分析和處理，實現對立體倉庫的調度優化與溫度預測。

2 立體倉庫孿生數據映射與系統架構

2.1 虛擬場景孿生數據模型構建

虛擬場景的構建是在實現數字孿生應用的基礎，結合立體倉庫的布局與貨物流轉過程中產生的大量數據，構建與立體倉庫等比例的孿生模型。該模型包含了立體置物架、堆垛機、AGV小車、物流傳送線等設備。結合五維模型概念與冷鏈智能立體倉庫實際采集的信息建立了虛擬場景模型，改進后的五維模型主要包含了7個部分，如式（1）所示。

式中：P表示物理實體；D表示孿生數據；I表示數據融合；M表示數據映射；V表示虛擬實體；S表示服務；U表示映射連接過程。

根據Tao等[19]提出的五維模型，本文引入更加精確的傳感器和測量設備，經過數據融合與數據映射后建立更加精細的孿生模型。虛擬場景主要由立體倉庫中的建筑物、貨架、貨物、搬運設備等構成。將建筑物和設備的尺寸、形狀、材質和紋理等信息，貨架的大小、形狀和擺放位置，貨物的種類、大小和材質以及生產設備的位置和類型等信息進行孿生數據模型的構建。例如：制冷機設備通過Modbus RTU等協議將物理模型中的運行狀態、時間、壓力、開關、使用周期、報警等參數和運行規則映射到孿生模型中，以實現對設備全周期運行狀態的監測和分析。

孿生數據模型構建技術架構如圖4所示，在構建體系中分為3個模塊。第1個模塊為物理模型，首先要對其非結構化和半結構化數據預處理，然后對預處理的數據進行提取分類。第2個模塊為數據模型，要根據不同的需求進行多源異構數據融合，以保證數據的一致性。第3個模塊為數字孿生系統，利用數據融合轉換接口將處理后的數據傳輸到數字孿生監測預警系統中進行應用。

2.2 數據融合與映射

立體倉庫在運行過程中會產生海量的感知數據，且感知數據呈現為顯著的多源異構和實時性。數據融合是處理多模態數據并挖掘提取有價值信息的有效手段，這里可利用邊緣計算低延遲高吞吐量的特性來實現立體倉庫數據的實時有效處理。本文在邊緣計算環境中采用力控工業物聯網網關實現立體倉庫多源異構數據融合。該方法將立體倉庫實時數據融合分為3個層次：首先利用高精度數據采集傳感器對生產設備進行數據采集，以減少數據損失，提高融合精確度；其次使用分布式網絡節點，通過分擔網絡通信和計算負載來提高網絡的性能和可靠性，以解決立體倉庫實時數據的多源性接入問題；最后采用力控工業物聯網網關在邊緣計算服務器上完成實時數據融合，從而實現及時有效的狀態監控和存儲環境監測。基于工業物聯網網關的多源異構實時數據融合方法如圖5所示。

孿生數據的映射是實現數字孿生系統的重要基石，主要是基礎架構層中的數據格式、通信協議、存儲架構，應用層中的幾何形狀、物理特性、運動規律，模型層中的物理規律、數學方法和計算算法等方面信息的映射。孿生數據映射主要使用OPC UA、Modbus RTU、Http協議進行數據通信。根據信息映射邏輯構建與真實物理空間相一致的空間虛實映射結構模式，獲取物理空間各類傳感器實時數據。利用孿生模型中所標記的ID與實時數據中的數據ID進行匹配映射，孿生模型根據數據指令進行仿真以達到虛實聯動的效果。其孿生數據的映射過程如圖6所示。

圖4 構建孿生數據模型的技術架構

圖5 多源異構時數據融合方法技術路線

圖6 孿生數據映射過程

系統通過孿生數據映射后實現同步運行，達到生產行為邏輯映射，可在虛擬實體中還原物理實體各項工藝流程。采用“數據→事件→邏輯”的映射方式對立體倉庫進行映射。具體描述如式（2）所示。

2.3 基于遺傳算法聯動決策優化策略

本節分析了遺傳算法的基本思想，由于冷鏈立體倉庫通常為多貨品訂單任務，因此將現有的種群規模多目標策略與遺傳算子自適應策略相結合，提出一種多目標自適應改進遺傳算法的優化策略。本文將多目標任務轉化為單目標任務，并結合交叉和變異操作進行改進，利用交叉值和變異值進行動態自適應調整，保證遺傳算法收斂性的同時提升了整體性能。

2.3.1 種群規模的多目標遺傳算法

2.3.2 自適應遺傳算法

在單目標種群中，利用自適應遺傳算法對優先執行個體進行選擇，種群個體適應度越高被選中概率就越大。其個體選擇概率P表達式如式（5）所示。

式中：P為選擇第個個體的概率；f和f為第個個體和第個個體的適應度值；為群體中個體數量。

自適應遺傳算法根據個體的適應度水平自適應地分配最優交叉率c和變異率m，在保持種群多樣性的同時保證了遺傳算法的收斂性。為了降低產生局部最優解的概率，c和m能夠做出自適應調整使得算法可以及時跳出局部最優解，在盡可能短的時間內確定最優解或近似最優解，如式（6）、式（7）所示。

式中：max和avg分別為種群的最大適應度和平均適應度；c為2個參與交叉個體之間的適應度；為參與突變個體的適應度；1,2,3,4∈(0, 1)。

2.3.3 立體倉庫聯動決策優化策略

基于多目標自適應遺傳算法的優化策略完成冷鏈立體倉庫的三層四級動態聯動決策，將多個訂單進行拆分形成單項可執行目標結合物理調度系統完成物流任務。該系統聯動策略具體表現為：入庫、倉儲、出庫3層決策體與預規劃、實時修正規劃、重新規劃、更改需求四級動態聯動策略。步驟如下：

1）監測預警系統接收到相關物流計劃，開始安排物流訂單制訂系統的整體目標。

2）結合立體倉庫各資源的使用狀態，制定滿足需求的資源配置方案。

3）對理論狀態下的資源配置，進行優態確定。

4）獲取物聯網設備采集實時數據，結合系統目標進行聯動決策資源配置，聯動決策機制通常對單元級別的影響范圍定為，而值的定義則由聯合系統在回應物流訂單之后，結合單位級別的回應閾值（[min, max]）和在相應時間狀態下的值所確定，四級聯動決策過程如下。

①一級聯動。預規劃，當產生訂單后系統更新值，如

②二級聯動。實時修正規劃，即>max時，表明在當前單元級已無法實現訂單任務目標，需協調同組其他單元級協同處理。

③三級聯動。重新規劃，即進行重新規劃通過協調其他單元組資源進行聯動配置資源獲取滿足當前訂單的需求資源。

④四級聯動。更改需求，當經過一二三級聯動決策都無法滿足當前對應的動態需求時，需通過改變需求的方式降低各單元的負載以修正系統目標達到運行需求。

3 案例研究

冷鏈立體倉庫運用數字孿生技術和遺傳算法的融合實現對路徑規劃優化設計、溫濕度控制、生命周期管理、環境監測、故障預警等問題的高效解決。數字孿生系統可實時可視化展示倉庫內部設備運行狀況與溫濕度值，并將數據進行分析用于故障監測預警。遺傳算法可優化立體倉庫的調度策略，以優化立體倉庫中的溫控策略和運輸成本。本研究將該系統應用于廣東某企業佛山智能冷鏈倉儲物流中心的冷鏈立體倉庫進行實際運行驗證。

3.1 數字孿生系統實現

廣東某供應鏈管理有限公司位于佛山順德，是廣佛地區重點物流樞紐之一，占地2 300畝。立體倉庫內各監測傳感設備主要用于監測立體倉庫溫濕度、設備運行等參數。在立體倉庫中部署上千個傳感器，部署位置包括貨架上、冷庫墻壁及地板內、AVG小車內等。根據IO采集點數量將各PLC控制器接入邊緣計算網關中，以確保所有傳感器的數據可以被收集和處理，同時邊緣網關接入云服務平臺進行業務數據處理。立體倉庫的物流體系主要包括倉庫儲存、商品分揀、配送運輸等環節。該公司物流采用全程冷鏈配送，確保商品的新鮮度和質量。該系統不僅對運行的設備進行實時監控，當溫度、濕度、制冷機組運行狀態出現異常時，系統會立即推送告警信息到管理員手中，并可以進行問題的追查與定位。因此，本研究根據冷鏈智能立體倉庫運行流程，結合數字孿生在冷鏈智能立體倉庫中的建設方式與內容，構建了具有運行總覽、數據分析、物流調度聯動、監測預警等功能的冷鏈智能立體倉庫數字孿生系統，如圖7所示。

冷鏈智能立體倉庫數據孿生系統實現了對立體倉庫全域數據清洗、數據分析、數據結構化處理。通過數字孿生五維模型搭建系統服務平臺，實現冷鏈立體倉庫的一體化管理，并對立體倉庫狀況進行實時展示與工藝流程仿真，將整個立體倉庫進行統一的調度與管理，按需分配資源，以期達到效用均衡，提高倉庫運行效率，降低成本。

圖7 冷鏈智能立體倉庫數字孿生系統

3.2 立體倉庫溫度監測預警實驗

在立體倉庫中，針對立體庫負載與溫控區熱力分布的有效預測，并采用多源異構數據采集，實現全要素的狀態實時可視化與監測預警。如圖8所示，通過立體倉的溫度監測數據曲線，可以更加直觀地了解溫度變化的趨勢和規律，從而更加準確地進行數據分析。當溫度偏離正常值時可觸發預警并進行自動調控。相較于傳統的機器學習方法，將數字孿生技術與遺傳算法進行結合具有更高的實時性和精準度。

3.3 立體倉庫實驗設計與分析

冷鏈智能立體倉庫在實際運營中，由于冷庫中存儲種類繁多且存儲要求及保鮮周期不同，一方面出現冷庫在能源消耗上存在浪費，另一方面又出現了存儲周期較長損耗率較大和倉位利用率不高等現象。通過模型分析，對冷鏈智能立體倉進行實驗驗證，比較優化前后的保鮮度情況，驗證模型的準確性和可靠性。

3.3.1 仿真模型與實驗設計

以佛山智能冷鏈立體倉庫為例，為了更好地進行實驗對比，本次共選取500 kg保鮮度在90%以上包裝完好的3種（生菜、菠菜、空心菜）生鮮蔬菜作為樣品材料。將3種生鮮蔬菜平均等量分為2組，Q1組用于測量實驗前的指標，Q2組用于測量經過信息化智能化改造后的實驗指標。將Q1、Q2組平均分成A、B 2個批次，每批次125 kg，然后數字孿生系統程序開始在核心參數為16核心32線程CPU、3.5 GHz主頻、32 GB內存、12 G顯卡和Windows 10專業版操作系統的計算機上進行仿真任務。將模型設定運行進出庫共有2個批次，累計1 000個存取動作，其中有450個存貨任務和550個取貨任務。最后設置恒溫為12 ℃，相對濕度控制在90%，進行本次研究實驗。每組約為30 min，選擇1個樣本進行保鮮度測試。采用成像光譜儀對蔬菜葉片進行光譜圖像檢測，利用高光譜圖像對保鮮度進行分析，光譜圖像能反映其外觀形態及內部葉綠素的熒光變化。

3.3.2 實例實驗

根據實驗方案，通過對數據進行處理分析得出最終結果值，如表2所示。

本次實驗使用多目標優化權重系數變換法。在適當的迭代次數中，當1權重過小時會導致排隊時間過長難以收斂，所得到的實驗數值準確度較低；1權重過大會導致2權重被大量占用，不符用戶實際需求。因此為選取最優參數進行多次實驗模擬，模擬結果如圖9所示。由圖9可以看出，隨著1增大，總時間與綜合保鮮度呈下降趨勢，但后段變化均不明顯。因此最終確定1權重設定為0.8、2權重設定為0.2，交叉概率為0.8～1.0，變異概率為0.1，最大迭代次數為1 000。

基于遺傳算法的聯動決策優化模式和實際立體倉庫作業特點，設置權重值1=0.8、2=0.2。將實際貨位的遍歷次序調整為遺傳算法的編碼，并將遺傳算法交叉值設定在0.9，變異率設定為0.1，通過進行1 000次存取迭代次數后達到收斂。最后對數據進行處理分析得出最終結果值，如表3和圖10所示。實驗運行前后主要數據對比，如圖11所示。

圖8 冷鏈立體倉庫的溫度監測

表2 優化前實驗運行數據匯總

Tab.2 Summary of experiment operation data before optimization

圖9 w1、w2權重與保鮮度和總時間關系

通過從中選取較為穩定的數據集作為系統的最優解，并分析優化前后穩定數據。根據圖11實驗運行前后數據對比總時間差異可知，效率提高了10.16%，保鮮度提升了0.025。根據圖10a曲線走勢分析可知，迭代過程中保鮮度達到0.8后開始逐漸收斂，在0.9附近獲取最優解。由此可知保鮮度變化區間約為0.1，因此根據(0.025/0.1)×100%=25%進行換算，可知優化前后保鮮度值均提升了25%。同時根據圖10b可知，總成本與保鮮度之間存在著相互制約的關系，在一定程度上減緩了產品保鮮度的降低，可使總成本減少，實現均衡化作業與節能減排、降本增效的目標。

表3 優化后實驗運行數據匯總

Tab.3 Summary of experiment operation data after optimization

圖10 保鮮度和總成本迭代關系

圖11 實驗運行前后數據對比圖

4 結語

構建冷鏈智能立體倉庫的監測預警數字孿生系統是冷鏈食品保護的關鍵手段，在“智能制造”戰略大背景下，開發一個基于數字孿生技術的冷鏈物流系統及聯動決策模型對冷藏食品儲存過程中的能源優化至關重要。本文通過構建一種運用在冷鏈智能立體倉庫中的管控新模式，實現了全要素虛擬仿真、智能決策、協同作業與高保真虛實模型的數字孿生系統。該系統通過實驗驗證，能夠對立體庫負載與溫控區熱力分布進行有效預測，并通過遺傳算法根據不同生鮮貨物的生鮮要求自動調節各倉室的溫濕度及路徑規劃，從而對冷庫的運營過程進行優化，使企業的保鮮度較優化前同比提升了25%～30%。

未來數字孿生的發展隨著計算機技術的不斷進步，模型精度可以更加準確地模擬實際的物理世界。利用數據驅動建模可更快速、更準確地建立模型，同時可利用人工智能算法結合實時數據對孿生模型進行優化調整。未來數字孿生技術應不僅限于工業、醫療、交通、能源等領域的應用，更需要在軍事、生態環保等領域得到深入的發展。

[1] MENG B B, ZHANG X L, HUA W S, et al. Development and Application of Phase Change Material in Fresh E-Commerce Cold Chain Logistics: A Review[J]. Journal of Energy Storage, 2022, 55: 105373.

[2] TIWARI S. Smart Warehouse: A Bibliometric Analysis and Future Research Direction[J]. Sustainable Manufacturing and Service Economics, 2023, 2: 100014.

[3] 中商產業研究院. 2022年中國冷鏈物流行業市場回顧及2023年發展前景預測分析[EB/OL]. (2023-03-14)[2023-04-07]. https://www.askci.com/news/ chanye/20230314/154106267877963713554331.shtml.

China Research Institute of Commerce and Industry. Market review of China's Cold Chain Logistics Industry in 2022 and Forecast Analysis of Development Prospects in 2023[EB/OL]. (2023-03-14)[2023-04-07]. https://www.askci.com/news/chanye/20230314/154106267877963713554331.shtml.

[4] ZHANG S Y, CHEN N, SHE N, et al. Location Optimization of a Competitive Distribution Center for Urban Cold Chain Logistics in Terms of Low-Carbon Emissions[J]. Computers & Industrial Engineering, 2021, 154(9): 107120.

[5] HE B, YIN L. Prediction Modelling of Cold Chain Logistics Demand Based on Data Mining Algorithm[J]. Mathematical Problems in Engineering, 2021, 21: 1-9.

[6] LIU Z, GUO H X, ZHAO Y J, et al. Research on the Optimized Route of Cold Chain Logistics Transportation of Fresh Products in Context of Energy-Saving and Emission Reduction[J]. Mathematical Biosciences and Engineering, 2021, 18(2): 1926-1940.

[7] ZHAO B, GUI H, LI H, et al. Cold Chain Logistics Path Optimization Via Improved Multi-Objective Ant Colony Algorithm[J]. Ieee Access, 2020, 8: 142977-142995.

[8] CHEN Y H. Intelligent Algorithms for Cold Chain Logistics Distribution Optimization Based on Big Data Cloud Computing Analysis[J]. Journal of Cloud Computing, 2020, 9(1): 37.

[9] QI C M, HU L S. Optimization of Vehicle Routing Problem for Emergency Cold Chain Logistics Based on Minimum Loss[J]. Physical Communication, 2020, 40(2): 101085.

[10] WANG Z, LENG L L, WANG S, et al. A Hyperheuristic Approach for Location-Routing Problem of Cold Chain Logistics Considering Fuel Consumption[J]. Computational Intelligence and Neuroscience, 2020, 2020: 8395754.

[11] SHI Y H, LIN Y, LIM M K, et al. An Intelligent Green Scheduling System for Sustainable Cold Chain Logistics[J]. Expert Systems with Applications, 2022, 209(4): 118378.

[12] WU W, SHEN L D, ZHAO Z H, et al. Internet of everything and Digital Twin Enabled Service Platform for Cold Chain Logistics[J]. Journal of Industrial Information Integration, 2023, 33: 100443.

[13] DENG Q J, YANG Z, ZHANG L, et al. The Control Strategy and Economic Analysis of a New Type of Solar Cold Storage[J]. Journal of Energy Storage, 2022, 52: 104865.

[14] LI Y T, TAN C Q, IP W H, et al. Dynamic Blockchain Adoption for Freshness-Keeping in the Fresh Agricultural Product Supply Chain[J]. Expert Systems with Applications, 2023, 217(2): 119494.

[15] HAN J W, ZUO M, ZHU W Y, et al. A Comprehensive Review of Cold Chain Logistics for Fresh Agricultural Products: Current Status, Challenges, and Future Trends[J]. Trends in Food Science & Technology, 2021, 109: 536-551.

[16] 陶飛, 劉蔚然, 張萌, 等. 數字孿生五維模型及十大領域應用[J]. 計算機集成制造系統, 2019, 25(1): 1-18.

TAO F, LIU W R, ZHANG M, et al. Five-Dimension Digital Twin Model and Its Ten Applications[J]. Computer Integrated Manufacturing Systems, 2019, 25(1): 1-18.

[17] DEFRAEYE T, TAGLIAVINI G, WU W T, et al. Digital Twins Probe into Food Cooling and Biochemical Quality Changes for Reducing Losses in Refrigerated Supply Chains[J]. Resources Conservation and Recycling, 2019, 149: 778-794.

[18] QI Q L, TAO F. Digital Twin and Big Data towards Smart Manufacturing and Industry 4.0: 360 Degree Comparison[J]. IEEE Access, 2018, 6: 3585-3593.

[19] TAO F, ZHANG H, LIU A, et al. Digital Twin in Industry: State-of-the-Art[J]. IEEE Transactions on Industrial Informatics, 2019, 15(4): 2405-2415.

[20] LI C L, ZHANG Y, LUO Y L. Flexible Heterogeneous Data Fusion Strategy for Object Positioning Applications in Edge Computing Environment[J]. Computer Networks, 2022, 212(2): 109083.

[21] WU S Q, XIANG W T, LI W, et al. Dynamic Scheduling and Optimization of AGV in Factory Lo- Gistics Systems Based on Digital Twin[J]. Applied Sciences, 2023, 13(3): 1762.

[22] WANG H L, LANG X, MAO W G. Voyage Optimization Combining Genetic Algorithm and Dynamic Programming for Fuel/Emissions Reduction[J]. Transportation Research Part D Transport and Environment, 2021, 90: 102670.

[23] ZHANG X, WANG Y, JI Z C. Research on Dynamic Flexible Job Shop Scheduling Problem Based on Dynamic Interaction Layer[J]. J Syst Simul, 2020, 32: 2129-2137.

Construction of Digital Twin System for Cold Chain Intelligent Stereo Warehouse

HU Bin1, GUO Hui1, 2*,TAO Xiongjie3

(1. Macau University of Science and Technology, Macau 999078, China; 2. The Guangxi Key Laboratory of Machine Vision and Intelligent Control, Wuzhou University, Guangxi Wuzhou 543003, China; 3. Guangzhou ForceControl-Yuanhai IT Co., Ltd., Guangzhou 510630, China)

The work aims to solve the problems in the current stereo warehouse in the cold chain logistics industry such as high loss rate, serious temperature loss and low level of informatization, so as to ensure the food quality and safety in the cold chain intelligent stereo warehouse, and realize cost reduction and efficiency increase. Aiming at the operation scenario of cold chain intelligent stereo warehouse, a five-dimensional digital twin model with full mapping and multi-dimensional simulation was designed. Through the fusion of multi-source heterogeneous data, real-time visualization and monitoring and early warning of all elements in the stereo warehouse were realized, and a model optimization strategy that supported system linkage decision-making was proposed, which intelligently adjusted the load of the stereo warehouse and the thermal distribution in the temperature control area to maximize the operation efficiency and reduce operation costs. A set of digital twin system was constructed for the cold chain intelligent stereo warehouse. The comparison on the warehouse operation data before and after optimization, the food freshness loss rate decreased by 25%-30% year-on-year under the same storage environment conditions, and the accurate mapping and linkage operation of real-time data and dynamic virtual model of cold chain intelligent stereo warehouse was realized.Taking the cold chain stereo warehouse of Foshan Intelligent Cold Chain Warehousing and Logistics Center, a supply chain management company in Guangdong as the practice object, a new model of integrated management and control of cold chain intelligent stereo warehouse is formed, which provides an application reference of digital twin technology for cold chain intelligent stereo warehouse operation management, scheduling linkage decision-making and collaborative operation, and provides a new path for establishing a better fresh product packaging and ensuring cold chain food quality and safety.

cold chain logistics; multi-dimensional simulation; digital twin; virtual-physical linkage

TB491

A

1001-3563(2024)01-0191-10

10.19554/j.cnki.1001-3563.2024.01.022

2023-05-11

國家自然科學基金（61961036, 62162054）；廣西科技基地和人才專項（桂科AD20297148）；廣西自然科學基金（2020JJA170007）