基于多维度协同机制的机场货站智能执行系统研究

广 告 | 点击查看

摘要：随着航空物流业的迅速发展，机场货站对高效智能仓储的需求日益迫切，针对机场货站长期存在的“信息孤岛”与“智能化不足”痛点，提出基于多维度协同机制的机场货站智能执行系统（ACTES）。该系统采用“感知控制层-智能决策层-应用展示层”的三层架构设计，通过多协议适配机制实现货物与设备信息的实时采集，利用改进的任务调度模型和储位指派算法优化作业流程，并依托数字孪生技术实现货站全流程可视化。实践验证表明，该系统显著提升了设备利用率，入库后货物检索时间缩短35%，拣选效率达120件/时，降低了人工成本。此外，系统通过标准化接口与协议适配机制，支持不同货站的个性化扩展，为航空物流从“数字化”向“智能化”转型提供了可复制的技术路径。

关键词：机场货站；ACTES系统；智能仓储；航空物流；智能化

作者：李知微1,2 何雨松1,2 李涛1,2

1中国民用航空总局第二研究所

2民航成都物流技术有限公司

一

引言

随着航空货运量的持续攀升，机场货站面临着货物处理流程日益复杂、时效性要求严苛等挑战，传统模式已难以契合智能化作业的需求。在“智慧机场”和“智慧民航”建设背景下[1]，为改善航空物流信息化滞后问题，自动牵引车[2]（Automated Guided Vehicle,AGV）、RFID[3]、智能立库[4]、手持终端等智能设备应运而生。仓储管理系统[5]（Warehouse Manage System,WMS）与仓储控制系统[6]（Warehouse Control System, WCS）等数字化系统也逐步成熟。这些技术为机场货站的智能化升级[7,8]提供了可行路径，但仍存在较多痛点：

1.信息孤岛

数字化系统与智能设备间缺乏有效集成，信息孤岛现象严重；各系统间数据交换不畅，统计分析能力不足；任务下达与调度系统及数据管理模块独立运行，缺乏整体协同机制。

2. 智能化程度不足

尽管引入了智能设备，但货站在处理出入库流程和盘点库存时仍高度依赖人工操作，货位分配较随意，导致货物存取效率低下、多设备协同效率低下，缺乏中枢系统监控所有设备及子系统的运行状态。

针对以上痛点，本文提出基于多方位协同机制的机场货站智能执行系统（Airport Cargo Terminal Intelligent Execution System Based on Multi-Dimensional Collaboration Mechanism, ACTES）。该系统通过设计并实现任务调度、储位优化、多协议适配三大核心模块，构建起多维度协同机制，实现设备、任务、数据的协同优化，有效打破信息壁垒，为机场货站建设提供了数字化转型路径和全流程的解决方案，具有重要现实意义。

二

智慧机场货站业务流程设计

本章聚焦于机场货站的业务流程设计，整合DWS（Dimension, Weight, Scanning，扫码、测体积、称重一体化检测设备）、分拣系统、AGV集群（包含重载AGV和叉车AGV）、智能立库等与ACTES系统进行流程交互，构建“接收—存储—搬运—发运”的全链路自动化作业体系。机场货站物理分区如图1所示。

图1 机场货站物理分区

其中，A1区聚焦快递包裹的自动化分拣与循环处理，包含DWS、各类分拣机、自主移动机器人（Autonomous Mobile Robot，AMR）[9]和叉车AGV等设备；A2区主要处理NCY包裹（不能上分拣机的包裹），包含DCV（Deep Conveyor Vehicle，深向输送机）[10]、AGV等设备；B1区为货站存储区，包含四向穿梭车与重型堆垛机两大智能立库；B3区为人工打板拆板区域；B2区用于货物的安检及回流。基于此布局，本文流程设计充分考虑货物属性差异，实现设备资源、空间资源与数据资源的深度协同。

1.货物接收与储位分配

货物的接收是流程的起点，当货物抵达货站后，首先进入A1区的DWS扫码站完成多维度信息采集。系统将采集到的基础信息（尺寸、重量、分类标签等）与到达时间戳融合，通过SHA-256哈希算法生成全平台唯一追踪码，该追踪码即为货物的核心标识，贯穿后续存储、搬运、发运全流程。完成信息建档后，系统启动库区与货位智能分配机制。基于货物分类标签（如冷链、危险品、普通散件），结合B1区实时库存状态（可用货位数量、当前温湿度）与设备可达性（AGV负载率、立库运行状态），通过分类自适应优化算法完成库区划分与货位优化的两层决策。

2.货物的装卸搬运

装卸搬运环节的核心是根据货物属性与作业场景，匹配最优设备资源完成流程衔接。基于货站作业特性，系统将装卸搬运流程拆解为定位、抓取、搬运、流向调整等9类子任务，如表1所示，并根据任务属性（重量、距离、自动化程度）匹配最优设备资源。

（1）轻型散件（≤100kg）：在A1区由交叉带分拣机与小型AGV协同，分拣效率达6000件/时，较传统人工提升50%；

（2）重型货物（100～1500kg）：由A1区DCV系统与叉车AGV配合完成输送，DCV实现长距离运输，叉车AGV负责短距接驳；

（3）特殊品类：冷链货物由带温控模块的AGV转运，危险品由防爆AGV[11]按预设安全路径行驶，规避人员密集区。

3.货物存储与管理的全平台整合

机场货站中最重要的存储装备位于B1区，包含重型堆垛机立库与四向穿梭车立库，二者均接入WMS，通过整合WMS的管理数据，构建集成化库存管控体系。

货物入库时自动关联DWS采集的基础信息与储位分配结果，生成包含货物编号、目的地、存放坐标等字段的结构化档案。为平衡存储效率、货物安全性与作业合规性，体系针对不同货物特性与周转需求，设计差异化存储策略如下：

（1）分区存放机制

易碎品分配至防震货位，易腐货物存储于温湿度可调控区域，根据周转频率实行ABC分类。A类高频货物存放于立库1-3层，C类低频货物存放于高层，传统模式下货物平均检索时间为12分钟/件，ACTES系统下缩短至7.8分钟/件。

（2）出入库规则

普通货物遵循FIFO（先进先出）原则，确保批次管理合规性；应急物资采用LIFO（后进先出）策略，缩短响应时间。

（3）智能拣选

系统根据货位分布生成最优拣选路径，四向穿梭车与AGV形成“货到人”模式，拣选效率达120件/时，准确率99.9%。

库存监控依赖于动态预测和安全库存策略，通过RFID周期性盘点与人工抽检结合，确保库存数据与物理货物的一致性。

货物出库时，ACTES系统根据航班时刻窗调度AGV取货，经B3区人工升降打板台打板后，由重载AGV运送至空侧装机口，全程耗时较传统模式缩短40%。

三

系统总体技术架构设计

为支撑本文设计的业务流程，本章深入探讨机场货站智能执行系统的技术架构，采用“感知控制层—智能决策层—应用展示层”分层设计，总体架构如图2所示。

图2 ACTES系统总体技术架构图

1. 分层架构设计

（1）感知控制层

感知控制层是连接物理作业场景与数字决策系统的核心枢纽，通过多模态感知网络与标准化控制协议，为货站业务提供基础数据支撑与物理执行保障。

①构建“货物—设备—环境”三位一体的多维度数据采集网络。货物属性采集方面，在入库时即通过DWS完成基础属性采集，并生成唯一追踪码。同时，针对B1存储区，冷链库区定期采集温湿度数据，危险品库区实时监测气体浓度，保障存储环境安全合规。此外，设备状态感知通过Modbus TCP协议对AGV、堆垛机、交叉带分拣机等设备进行运行参数采集，为任务调度与故障预警提供实时数据支持。

②精准控制执行从“感知”到“控制”的闭环指令。设备动作控制采用PLC构建设备动作控制单元，实现AGV、重型堆垛机控制响应。指令标准化下发依托OPC UA协议实现控制指令标准化传输，支持交叉带分拣机动态滑槽切换与DCV系统高速运输控制，确保装卸搬运子任务（表1所示）的精准执行，保障业务流程的物理作业一致性。

表1 装卸搬运任务拆解表

（2）智能决策层

智能决策层为业务流程提供智能决策支撑。针对装卸搬运任务拆解需求，构建任务调度服务，实现子任务与设备资源的动态匹配，结合强化学习动态重调度模型，应对航班延误、设备故障等突发状况；针对节储位分配需求，部署储位优化服务，运行多维储位智能指派算法与分类自适应优化算法，输出库区与货位最优决策；同时，该层接口对接任务调度双层优化模型、多维储位指派算法，为业务决策提供算法支撑。

决策层中涉及到的具体算法逻辑会在第四章展开详细说明。

（3）应用展示层

应用展示层作为可视化与可控化载体，通过3D可视化、移动交互、智能分析，实现货站全流程的透明化管控与高效化操作。

①3D SCADA可视化：基于Three.JS引擎构建货站三维数字孪生场景，还原货站物理空间布局，同时实时渲染各类设备状态。

②移动作业终端：通过无线AP网络实现PDA设备与系统的实时交互，支持B3区打板确认、异常处理等人工辅助环节的数据录入与任务接收。内置离线缓存功能，保障信号弱覆盖区域作业连续性。

③智能分析报表：自动生成库存周转率、设备利用率、作业延迟率等KPI报表，支持库存监控与设备能效分析。

2. 核心技术架构设计

（1）微服务架构

为满足货站7×24小时连续作业与业务高峰处理需求，系统采用“松耦合、高内聚”的微服务架构，实现业务流程的模块化支撑与弹性扩展。

ACTES系统按业务域划分为货物信息服务、储位优化服务、任务调度服务、设备管理服务、环境监控服务、报表分析服务和接口集成服务等七大核心微服务。服务部署采用Docker 容器化封装，通过Kubernetes实现容器编排与资源调度，支持单节点故障自动迁移；依托Nacos构建服务注册与配置中心，实现服务实例动态扩缩容，保障业务高峰时期资源供给。

（2）数据架构

为支撑业务流程的全链路数据追溯与动态决策，ACTES系统构建了“实时处理+离线分析”的混合数据架构。

OLTP层采用MySQL集群存储结构化业务数据（货物信息、任务记录）；OLAP层通过InfluxDB存储时序数据（设备状态、环境参数）；缓存层采用Redis集群存储热点数据（实时库存、AGV位置），保障业务查询的实时性；流处理基于Flink实现设备OEE、作业完成率等指标的实时计算；批处理通过Spark每日执行全量库存校验（与RFID盘点数据比对），保障账实一致性；消息队列依托Kafka实现跨服务消息传递，保障储位分配、任务调度的异步协同。内部接口通过RESTful API、MQTT协议实现微服务间数据交互，保障系统内部协同效率。外部接口与WMS系统通过RESTful API 传输JSON格式数据，与AGV集群、安检系统通过MQTT协议实现状态上报（频率1次/秒）与指令下发，构建跨系统协同生态。

四

系统核心算法与协同机制

第三章通过三层架构设计，为机场货站全流程业务提供了技术基座。本章将详细阐述ACTES系统的核心算法设计与多维度协同机制，最终实现设备、任务、数据的深度协同。

1. 任务调度双层优化模型

本文将装卸搬运流程拆解为9类子任务，并明确需根据货物属性动态匹配设备资源；上文提到，任务调度服务需应对航班延误、设备故障等突发状况。基于此，本节设计“多级优先级评估+强化学习重调度”的双层优化模型，实现任务与设备的精准匹配及动态调整，模型整体流程如图3所示。

图3 任务调度模型流程图

（1）多级优先级评估体系

针对机场货站任务“时效性（航班离港）+安全性（危险品运输）”的双重约束，构建基于四元组的动态优先级函数，如公式（1），通过层次分析法（AHP）确定各维度权重，优先保障高紧急、高风险任务的执行：

其中，Tnorm=(Tdeadline+Tcurrent)/Tdeadline将航班离港剩余时间归一化至[0,1]区间；Curge为紧急程度系数，危险品取1.0，生鲜取0.8，普通货物取0.5；Ssec为安检等级权重：需开箱检验货物取0.9，普通安检货物0.3，保障高安检等级货物优先处理，符合航空货运安全规范；Vval为货物价值系数：通过申报价值与体积重量比动态计算，平衡高价值货物与常规货物的调度优先级，范围为0.1～1.0之间。

（2）强化学习动态重调度模型

针对AGV故障导致重型货物滞留、航班延误需调整装卸顺序等可能出现的突发状况，采用PPO（Proximal Policy Optimization）算法框架[12]，实现自适应调度。模型核心参数设计如下：

①状态空间：共128维特征，全面覆盖作业场景的核心信息，各模块维度构成如下表2所示。

表2 128维特征组成说明

②动作空间：定义任务重分配（将故障AGV的任务转移至空闲AGV）、优先级切换（航班延误时下调非紧急任务优先级）等操作。

③奖励函数：融合多维度惩罚与激励项，见公式（2）。

其中Tdelay为任务延迟分钟数、Eenergy为设备单位能耗、Sviolation为安全违规次数，确保调度过程兼顾效率、成本与安全。训练结果显示，突发状况下重调度效率较规则引擎提升60%，任务完成率从75%升至85%。

2.多维储位智能指派算法

结合上文所述，货物接收后需通过“库区划分+货位优化”实现精准存储，储位优化服务需结合环境参数与库存状态输出决策。本节设计以“分类约束为前提、五维评估为核心、模拟退火为优化手段”的多维储位智能指派算法，实现货物与储位的最优匹配，整体算法流程如图4所示。

图4 储位智能指派算法流程图

（1）算法前置逻辑：分类约束与数据导入

该算法触发于从DWS系统获取到货物属性数据后，包括分类标签、三维尺寸、重量，以及唯一追踪码；同步调取B1区实时库存状态（可用货位数量、温湿度、安全隔离距离）与设备可达性（AGV负载率、立库运行状态），形成算法输入数据集。

基于货物分类标签，自动生成储位筛选约束：冷链货物需匹配恒温库区、危险品需满足防爆隔离距离、普通散件需适配四向穿梭车立库的货位尺寸，初步过滤不符合条件的库区，缩小优化范围。

（2）五维储位评估数学模型

构建融合“搬运距离、空间利用率、环境兼容性、周转效率、安全等级”的五维评估函数，见公式（3），通过权重分配体现不同货物的核心需求：

其中α =0.3（搬运距离权重），β =0.2（空间利用率权重），γ =0.2（环境兼容性权重），δ =0.2（周转效率权重），ε =0.1（安全等级权重）；基于货物类别设定搬运效率阈值，如冷链货物要求Davg≤10米；Vused为货位实际存储体积，Vtotal为货位最大理论容量；Ecomp为环境兼容性指数：通过分类标签与库区环境匹配度计算，冷链货物匹配-10℃~-18℃库区时Ecomp=1，否则按温差线性递减；Tturn为周转效率权重：高频周转货物（如生鲜）优先分配至离出入口15米内的黄金货位。

（3）分类自适应优化算法

为适配不同货物的核心需求，如冷链重环境，危险品重安全等，算法引入“分类敏感型参数配置”机制，通过动态调整优化目标权重与模拟退火参数，实现差异化优化。具体配置规则如表3所示。算法核心采用改进型模拟退火框架，通过邻域搜索、能量函数计算与接受准则判断逐步逼近最优储位。其中，能量函数以五维评估值为基础，值越小表示储位越优；针对危险品，额外引入“高风险解接受概率衰减”机制（当能量差＞5时，接受概率减半），进一步保障安全。最终输出的最优储位坐标与货物唯一追踪码绑定，生成上架指令至AGV/堆垛机，最后同步至WMS系统更新库存状态。

表3 分类敏感型参数配置规则表

3.系统接口多协议适配机制

本节聚焦解决WMS、AGV、RFID等异构系统/设备的“信息孤岛”问题，实现多源数据的贯通与实时交互。针对机场货站设备类型多、协议碎片化的特点，构建三级适配架构，具体如下：

（1）底层协议适配

通过驱动层兼容20+类工业协议，覆盖三类典型通信场景：支持实时控制场景，如Ethernet/IP（AB设备）、Modbus TCP（施耐德设备）；支持轻量化数据场景，如MQTT（传感器网络）、AMQP（消息队列）；支持服务化交互场景，提供RESTful API（Web服务）、gRPC（高性能RPC）。

（2）数据模型标准化

通过定义统一设备描述语言（Device Description Language，DDL），将异构协议数据映射为标准化对象。例如，抽象出设备共性属性（设备唯一标识、设备运行状态、数据时间戳等）构建出设备数字孪生的基础数据模型；同时支持动态扩展字段，如AGV设备补充电量、路径规划信息；分拣机补充分拣效率等专有属性；通过JSON Schema定义数据校验规则，确保异构协议转换后的数据格式一致性，为上层业务逻辑提供统一数据输入。

（3）服务接口封装

通过API网关实现接口的统一暴露与治理，主要有三种：一是根据设备类型进行动态路由请求，针对不同设备做不同的路由分发请求；二是做流量控制，基于令牌桶算法限制并发请求，避免系统过载；三是自动将gRPC二进制流转换为JSON格式，更好地适配Web端调用，降低跨系统对接成本。

为使上述架构实际落地于机场货站，针对机场货站核心业务交互场景制定了12类接口的规范，明确接口类型、协议选型与校验方式等信息，详见表4。通过严谨的规范，ACTES系统能够与机场货站现有的管理结构无缝衔接，同时为未来可能的技术进步提供扩展空间。

表4 核心接口设计规范表

五

系统应用成效

ACTES系统应用于民航示范区机场货站平台仿真试用，为验证该系统对拣选效率与货物检索效率的提升效果，与JN货站和HK货站两个传统货站作统计对比，结果如图5所示。

图5 ACTES应用项目与传统货站指标对比

从图5可知，在拣选效率上，ACTES系统达120件/时，较JN货站提升约53.8%，较HK货站提升约39.5%；货物检索时间上，ACTES系统仅需7.8分钟/件，较JN货站（12.1分钟/件）缩短约35.5%，较HK货站（10.6分钟/件）缩短约26.4%。需要说明的是，JN与HK货站指标存在差异，源于场景特征不同：JN货站规模大、业务品类繁杂，拣选的人工辅助环节瓶颈更突出，且货位人工管理的混乱程度更高；而HK货站规模较小、货物周转频次低，传统NCY分拣系统的“短距离人工搬运”在小场景下体现出一定“局部效率”，故效率与检索耗时均优于JN货站。而本文ACTES系统应用的货站规模介于这两者之间，但指标效果均有显著提升。由此可见，本文提出的ACTES系统有效突破了传统货站的作业效率瓶颈，且在大规模、高复杂度的航空货运场景下效能提升更显著，充分验证了系统对货站仓储作业流程的优化能力，未来也会在更多的机场货站试点使用。

六

总结

本文针对机场货站长期存在的“信息孤岛”与“智能化不足”痛点，设计并实现了基于多维度协同机制的机场货站智能执行系统（ACTES），为航空物流数字化转型提供了全流程解决方案。系统采用“感知控制层—智能决策层—应用展示层”三层架构，构建从物理设备到数字管理的闭环体系。通过多协议适配实现“货物—设备—环境”数据实时采集，依托数字孪生技术实现全流程可视化与底层协议适配机制，解决异构系统数据不通问题。提出任务调度双层优化模型，实现任务与设备动态匹配；设计多维储位智能指派算法，实现货物精准分区存储，满足冷链、危险品等差异化需求。

参考文献:

[1]中国民航网.解读《中国民航四型机场建设行动纲要（2020-2035年)》[EB/OL].(2020-01-09)[2021-09-22].http://www.caacnews.com.cn/1/1/202001/t20200109_1289739.html

[2]吴雄喜.AGV自主导引机器人应用现状及发展趋势[J].机器人技术与应用,2012(3):2.DOI:10.3969/j.issn.1004-6437.2012.03.004.

[3]李洋.RFID技术与在物联网中的应用[J].电子设计工程,2011,19(17):3.DOI:10.3969/j.issn.1674-6236.2011.17.018.

[4]高净净.基于MES与AGV互联的智能仓储系统设计[J].机电工程技术,2021(050-007).DOI:10.3969/j.issn.1009-9492.2021.07.020.

[5]郭鹏,周俊,胡慧.智能仓储管理系统的设计与实现[J].湖南工程学院学报:自然科学版,2016, 26(3):4.DOI:CNKI:SUN:GCHZ.0.2016-03-010.

[6]卢尧,任晓明,吴勇志,等.智能仓储控制系统的设计与实现[J].自动化仪表,2017,38(2):4.DOI:10.16086/j.cnki.issn1000-0380.201702008.

[7]李航,陈小妮,郑建勋,等.天津机场货站发展的现状与分析[J].物流技术,2015,34(24):3.DOI:10.3969/j.issn.1005-152X.2015.12(2).002.

[8]张浩源.大连新机场货站设施布局研究[D].中国民航大学,2021.

[9]文晓.MiR:引领自主移动机器人未来[J].自动化博览, 2021, 38(9):2.DOI:10.3969/j.issn.1003-0492.2021.09.005.

[10]施颖东.浦东国际机场T3行李分拣系统运行模式研究[J].建筑施工, 2020, 42(8):4.DOI:CNKI:SUN:JZSG.0.2020-08-075.

[11]王小川.一种防爆AGV车:CN202210327560.2[P].CN114604800A[2025-09-02].

[12]Schulman J , Wolski F , Dhariwal P ,et al.Proximal Policy Optimization Algorithms[J]. 2017.DOI:10.48550/arXiv.1707.06347.

———— 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