智能仓储领域数字孪生发展：从“可视”到“可优”

赵宁

北京科技大学机械工程学院

随着我国智能仓储行业持续发展，数字孪生系统已被大众接受，成为一个具备强大展示度的平台，将仓储管理系统（WMS）、仓储控制系统（WCS）、制造执行系统（MES）等多个系统集成展示和管理，是智能仓储科技含量的重要体现 [1]。近年来，多家企业研发的数字孪生系统纷纷获得国家级、省部级奖项（表 1 为部分获奖项目），起到了良好的示范引领作用。

表 1 近年智能仓储领域数字孪生项目获奖情况

由表 1 可见，从国家奖、省部级奖到行业国际奖和企业奖，数字孪生技术已被智能仓储领域深度认可，越来越多的资源投入这一领域。与此同时，也有一些因重可视化轻优化、数据不贯通、算法不落地等原因，而导致烂尾的数字孪生项目，让产业界头疼不已。“数字孪生是否只是纯可视化面子工程？投入高昂的开发成本后，价值点在哪里？”这些问题既是对智能仓储数字孪生技术发展的“灵魂拷问”，也是决定数字孪生能否真正赋能智能仓储行业的关键。

对此，北京航空航天大学的陶飞教授在 2022 年就提出了数字孪生成熟度模型（如图 1），该模型将数字孪生成熟度归纳为 5 级：以虚映实、以虚控实、以虚预实、以虚优实、虚实共生 [2]。

图 1 北京航空航天大学陶飞教授提出的“数字孪生成熟度等级”

2025 年 10 月，由中国电子技术标准化研究院等单位起草的国家标准 GB/T 46237-2025《信息技术·数字孪生能力成熟度模型》正式发布，并于 2026 年 5 月开始实施。该标准明确了数字孪生递进的 5 个等级参见表 2）[3]，这 5 个等级与陶飞教授的成熟度模型基本一致：虚拟建模、虚实映射、双向交互、智能决策和自主演化。

表 2 GB/T 46237-2025 国家标准定义的数字孪生成熟度等级

自此，数字孪生系统就有了明确的“考级标准”。今后研发的系统，如果自称“数字孪生”，就需要标注其“等级”。在国家标准 GB/T 46237-2025 中，一级至三级更多聚焦在“可视”和“可控”，也是当前仓储领域大部分数字孪生系统可达到的程度。这里也必须说明，“可视”和“可控”的服务对象还是人类，核心是为人类的高效沟通、便捷控制提供软件工具。例如，海川医药使用的仓储数字孪生平台，可通过不同颜色直观表征货品的热度（如图 2），并可直接在数字孪生平台中进行控制（如图 3）。虽然这些功能很难直接转化为经济价值予以衡量，但对提升管理人员的工作效率和决策科学性，具有不可替代的价值。

图 2 海川医药数字孪生平台——货品热度可视化界面

图 3 海川医药数字孪生平台——设备远程控制界面

另一方面，一级至三级的数字孪生并不具备为仓储系统提供优化与决策的能力，若要能跨越人类，让数字孪生支撑智能仓储系统的优化和决策，便是四级、五级的数字孪生。国家标准 GB/T 46237-2025 中也明确指出，四级的数字孪生应具有仿真、预测和优化能力，而四级以下的数字孪生则不必具备上述能力。因此，四级“智能决策”是重要的分水岭，也是从“数字孪生”到“数智孪生”的关键节点 [4]。

智能仓储有哪些需要智能决策的内容？智能决策为什么需要数字孪生仿真、预测和优化功能的支持？通常情况下，在智能仓储项目规划时，需要提前模拟，预测性能，发现瓶颈并优化规划方案，这一价值点已被广泛接受。然而，规划阶段物理仓储系统并未建立，无法建立物理世界和虚拟世界的链接，因此规划期以离线仿真为主，尚未建立虚实实时连接，严格意义上不属于闭环数字孪生，但仿真价值依然显著。

在智能仓储的运营阶段，可以建立物理世界与虚拟世界的链接，并可以对仿真结果进行比对，具备构建高保真度数字孪生的条件。但运营阶段多是具有“可视”“可控”功能的三级数字孪生，能够进行智能决策的四级数字孪生还不多见，若要建立四级数字孪生，必须先明确其在运营决策阶段的价值点。

图 4 小型仓库布局示意图

为说明智能仓储运营阶段实施数字孪生的价值，本文从理论上举一个简单例子。在如图 4 所示的简单小型仓库的出库作业流程中，主要存在 5 个步骤：1.货车指定停泊月台；2.立体库出库；3.出库分拣；4.AGV 搬运货物到月台；5.升降平台或装车机器人装车。在上述 5 个步骤中，每一步都有其优化决策的内容：

1.货车指定停泊月台

需在 4 个月台中选择 1 个，这一决策过程需根据货车类型、货车装载货物品类来综合决策，决策空间是 4。

2.立体库出库

需根据货车装载货物的品类和顺序，进行订单整合，以最小出库次数为目标，决定出库品类和顺序。假定装车 5 个订单（5 个装车托盘），共 10 个品类。但此处存在不同订单需求同一品类的情况，以及品类需求数量大于每托盘存储数量的情况，因此出库托盘数一般会大于等于 10，此处假定出库托盘数是 12。如果某一品类存在于多个巷道中，则需要选择一个巷道出库。假定每个品类的托盘都散布在 4 个巷道中，每个巷道只有唯一的托盘位，出库时要决策出库托盘位。在上述假设条件下，该阶段的决策空间是 12×4=48。

3.出库分拣

将 12 托货物分拣到 5 个装车托盘，假定只有 2 个分拣工位，那么每一托的分拣都会有 2 种选择，而 5 个托盘的分拣顺序为 5!，因此该阶段决策空间为 5!×2=240。

4.AGV 搬运货物到月台

分拣完成后，召唤 AGV 到分拣工位，把装车托盘搬运到对应停靠的月台。假定有 4 台 AGV，假定从起点到终点的 AGV 路线有 10 条，5 个托盘的搬运顺序为 5!，那么该阶段决策空间为 5!×4×10=4800。

5.升降平台或装车机器人装车

AGV 把货物搬运至月台后，由升降平台或装车机器人装车，装车后托盘清空需再由 AGV 搬至空托盘回收位，假定 5 个装载托盘叠托后由 AGV 一次性搬走，4 台 AGV，假定从月台到空托盘回收位路线有 3 条，那么该阶段决策空间为 12。

如果上述 5 个阶段都独立决策，那么决策空间为 4×48×240×4800×12≈26.5 亿。也就是说，在这样一个已经非常简化的场景中，WMS、WCS 和 RCS 需要在 26.5 亿个可行解里寻找装车效率最优的解。而如果是更大的仓库，更多的车同时装货和更多的 AGV 同时搬运，如果在出库的同时考虑入库、回库、AGV 充电、设备故障等因素，那么决策解空间会更加庞大，约束会更多，问题显然也会更复杂。

当然，在实际运作中，是把上述决策问题进行解耦和分而治之，例如 WMS 负责图 4 例子中的 1、2 阶段，WCS 负责 3 阶段，RCS 负责 4、5 阶段。每一阶段的输出决定了下一阶段决策的约束条件，并基于一些规则，例如 1 阶段选距离空闲分拣工位最近的月台；2 阶段选距离出库口最近的出库货位和巷道；3 阶段选当前排队最少的拣选工位；4、5 阶段选距离最近的空闲 AGV。这些规则可以简化问题，快速决策，但都是基于当前状态的静态局部优化，而非动态全局优化。由于每天运营的场景都有不同，这种局部优化的方式虽在绝大多数场景下效果不错，但在极端场景下可能会导致局部的瓶颈和死锁。例如，在立体库大量出库时，出库货位虽然静态平衡在不同的巷道，但在动态时间段，却集中在某一个巷道，导致忙闲不均。再如大量 AGV 搬运时，为追求效率尽量多发放搬运任务，却容易出现死锁，反而影响效率。此外，在仓库改造时，应改造何处才能直击痛点？如果痛点找得准确，仅仅增加缓存位，便可起到比增加 AGV、增加工位、更新软件等措施更好的作用，实现“花小钱办大事”。

如果数字孪生可以提供仿真、预测和优化功能，就可以把依据局部静态信息的“僵化规则”转化为依据仿真预测结果的“智能决策”，把“拍脑袋决策”转化为“直击痛点”，从而大幅提升仓储运营效率。在当前“数智孪生”的背景下，可以采用"AI+ 数字孪生”的方式，用数字孪生试错和训练 AI，用 AI 学习具体仓库的个性化特点，进而形成可复用的运营知识，持续优化智能仓储的运营。

除上述例子外，数字孪生在运营阶段“可优”的价值点，可归纳为以下七点：

（1）仿真预测关键装备、机器人等的故障，进行预防性维护，避免设备故障导致的系统崩溃。

（2）仿真预测不同运营场景下对设备和资源的需求量，摸底极限作业能力，从而提前对人力、AGV 等灵活资源进行布局，优化排班计划和波次安排。

（3）高保真模拟设备呆滞、AGV 行驶打滑、死锁和解锁、等待和阻塞等现象，精准预测作业能力。

（4）实时仿真预测仓库未来状态，实时动态优化。

（5）通过仿真推演对储位、流程、工艺等全局优化，实现对 WMS、WCS、RCS 等系统的集成决策。

（6）仿真预演仓储改造方案，预测物流堵点，优化改造方案。

（7）将运营阶段的个性化知识凝练在软件系统中，避免对有经验的管理者产生过度依赖。

可见，数字孪生的仿真预测能力是运营优化的基础，高保真度的仿真结果可以直接辅助运营决策。在高保真仿真的基础上，通过探索多种不同的决策方案，最终实现智能决策优化。“仿真→优化→决策”这一链条代替了人类凭经验决策的过程，可将人类非形式化的知识固化在系统中，辅助仓储管理人员在运营阶段实现科学决策。

1.实现难点

虽然运营阶段数字孪生“可优”的价值点很多，但实现起来仍存在以下难点：

（1）数据匮乏

随着智能仓加快建设，WMS、WCS、RCS 等系统采集和积累的数据越来越多，但应对数字孪生仿真、预测和优化需求的数据量和颗粒度仍然不足。例如，要实现设备故障预测，需要累积较长时间的故障数据，而且要和能够监测到的数据实现时空关联，现有的数据采集方法和数据关联方法还难以满足。

（2）保真不够

高保真是数字孪生区别传统仿真的特征，四级以下数字孪生更多关注视觉感受的“形似”，而四级及以上数字孪生的仿真推演，更多关注物理规律的“神似”。数字孪生系统需要在一台服务器上模拟由多个设备、服务器、软件系统组成的物理智能仓，在资源上无法做到与物理世界的完全对标。此外，WMS、WCS、RCS 等系统的优化算法往往涉及物流装备企业的核心技术，不可能开源也无法在数字孪生系统内完全复刻。

（3）推演不快

由于数字孪生在资源上无法与物理世界对标，因此也难以做到与物理世界等速的仿真推演，而随着仿真对象增加，推演速度也会急剧下降。可数字孪生的价值点在于用极短的时间“以虚预实”，企业需要的是当需要仿真时就能瞬间给出准确的结果。此外，在仓库改造时，需要重新构建仿真模型，此时建模的周期也会影响决策。目前来看，现有技术均难以做到针对大规模仓储场景的快速建模和仿真。

（4）优化不智

如图 4 例子所述，实际优化时存在海量可行解，如果没有明确的优化方向，就会导致极低的优化效率。如果将人类经验应用到数字孪生系统，缩小可行解空间是一个可行思路，但一方面人类经验并没有固定的方法论，依然可能陷入“不停试错”的窘境；另一方面，仿真推演不快依然会拖累优化过程，导致优化难以满足时效要求。

（5）AI 幻觉

在"AI+ 数字孪生”的框架下，用大模型来学习人类经验是一个很好的思路，但智能仓储属于强定制化的工业领域，喂养大模型的语料和知识并不充分，一旦发生幻觉，可能导致调度错误、路径冲突、设备误操作、订单错发等严重生产事故。

2.研究方向

综上所述，一系列难点制约了仓储领域数字孪生的进一步发展。需要高校、研究院、企业等单位，通过产学研联动来解决上述问题，可能的研究方向包括：

（1）高维高密度数据采集与小样本故障预测

针对数据匮乏的难点，一方面应研究高频高密度数据采集方法，构建对振动、温度、电流、噪声、应变等多源信号的动态采集技术，实现高纬数据驱动的设备故障预测；另一方面应研究小样本数据下的设备故障预测方法，构建故障诊断模型的跨域复用 [5]，实现数字孪生驱动的多种设备故障预测。

（2）多颗粒度仿真方法

针对保真不够和推演不快的难点，应研究物理智能仓多颗粒度仿真方法 [6]，构建模型保真度和仿真速度的平衡机制，在追求快速推演时，实现粗粒度模拟；在追求仿真精度时，实现细粒度模拟；在兼顾快速与精度时，实现平衡模拟。

（3）智能仿真建模方法

针对推演不快的难点，同时应研究智能仿真建模方法，通过仓库改造语义识别、仿真模块化、参数化 [7]、智能识图 [8] 等方法，构建仿真建模输入数据与格式标准，提升模型复用度，减少仿真建模工作量，实现无监督自动化仿真建模或弱监督半自动化仿真建模。

（4）人类经验模型化与基于代理模型的仿真优化方法

针对优化不智的难点，一方面应研究人类经验模型化方法，构建人类经验的学习与验证机制，实现人类经验在软件系统的模型化与动态进化；另一方面应减少仿真耗时造成的影响，研究基于代理模型的优化方法，实现快速仿真优化。

（5）仿真决策知识库技术

针对 AI 幻觉难点，应研究仿真决策知识库技术，通过检索增强生成（Retrieval-Augmented Generation）技术，构建本地决策知识库。同时，构建决策知识库与数字孪生的联动机制，实现决策知识的仿真可验证，基于仿真结果的决策知识自构建。

仓储领域的数字孪生经过多年发展，已经进入由“可视”到“可优”，由“数字孪生”到“数智孪生”的关键阶段。仓储运营阶段的“可优”，是沉淀人类知识，实现智能与复用，也是真正能够体现数字孪生价值的关键功能。虽然目前还存在诸多难点，但相信会有越来越多的科研单位参与其中，最终实现智能仓储的“数智孪生”，对仓储作业的全局和细节，都能够动态优化，科学决策。

【基金项目：国家自然科学基金资助项目（52075036）】