智能仓储 · 立库调度监控系统（RMS 调度中间件 + 监控管理后台）-RmsCC
2026-10-12 17:05:21
行业：物流仓储、企业服务(saas)
载体：网站
技术：MyBatis、Spring Boot、Vue、Redis
业务和功能介绍
【1】立项背景与目标
自动化立体库是新能源锂电、汽车零部件等行业的主流仓储形态，库内由四向车、提升机、输送线、接驳口协同完成托盘出入库。上游 WMS/WES 只下发"某个托盘要入库或出库"，而"分配到哪个货位、走哪条路、派哪台车、每一段由谁执行"全部由中间的调度系统（RMS）计算并驱动——本项目就是一个立库调度中间件 + 配套的调度监控管理后台。目标：把"任务下发→货位分配→路径规划→派车→分段执行→库存过账"做成可跑通、可观测、可人工干预的闭环，并解决现场最头疼的三个问题：调度计划与现场执行脱节、设备与货位状态不可见、故障（走不通、卡住）无日志可查。
【2】核心功能模块
①基础数据：仓库/货区/货位（层-x-y 坐标、深浅位）/设备/物料建模。
②权限体系：JWT + RBAC 用户-角色-菜单三级权限，菜单级与接口级双重校验。
③上游任务管理（内置 WES 模拟器）：批量下发出入库任务，一键生成托盘号。
④任务调度与分段：任务状态机（待下发/执行中/已完成/异常/取消），入库按固定拓扑自动拆 3 段（库外输送线→提升机→目标层接驳口→货位），出库镜像反向。
⑤路径规划：库内 A* 网格寻路（巷道四向可走、货架区仅纵向、有货货位视为障碍），按"空闲且电量>40% + 曼哈顿距离最近"自动派车，支持小车避让、等待点与自动移库（倒库）。
⑥设备仿真引擎：无真实 PLC，用定时任务按可配置节拍推进每段任务并驱动设备沿路径移动。
⑦实时监控：WebSocket 每秒推送设备位置、状态与任务进度，地图大屏显示库位占用与小车轨迹，另配小车/设备监控页。
⑧库存与数据中心：托盘维度库存、分层占用统计、库存流水（任务完成自动过账）。
⑨接口日志中心：按上游/RCS/WCS 三个通道记录每次调用的请求与返回报文、方向、结果、耗时，支持按托盘号/任务号全链路检索与改报文重发。
⑩AI 作业助手：接入大模型，自然语言下发任务、异常诊断与智能问答，SSE 流式输出，模型不可用自动降级为本地规则。
⑪单车手动控制：顶升/放下/移动/充电/恢复/释放任务等指令，应急时人工接管。
【3】业务流程与功能路径
上游下发（托盘号 + 出入库类型）→ RMS 自动分配货位（浅位优先、低层优先）→ 生成分段计划 → A* 计算路径并派最近的空闲车 → 仿真引擎按节拍推进各段 → 全段完成后自动过账（货位占用/释放、绑定或解绑托盘、写库存流水与系统日志）→ 任务归档。
功能路径：登录 → 首页看板（货位占用 + 任务趋势）→ 上游任务管理下发任务 → 资源监控中心地图大屏观察执行 → 立库任务中心（任务视图/任务管理）→ 数据中心查库存与流水 → 报表数据中心查接口日志 → AI 助手用自然语言下单。
自动化立体库是新能源锂电、汽车零部件等行业的主流仓储形态，库内由四向车、提升机、输送线、接驳口协同完成托盘出入库。上游 WMS/WES 只下发"某个托盘要入库或出库"，而"分配到哪个货位、走哪条路、派哪台车、每一段由谁执行"全部由中间的调度系统（RMS）计算并驱动——本项目就是一个立库调度中间件 + 配套的调度监控管理后台。目标：把"任务下发→货位分配→路径规划→派车→分段执行→库存过账"做成可跑通、可观测、可人工干预的闭环，并解决现场最头疼的三个问题：调度计划与现场执行脱节、设备与货位状态不可见、故障（走不通、卡住）无日志可查。
【2】核心功能模块
①基础数据：仓库/货区/货位（层-x-y 坐标、深浅位）/设备/物料建模。
②权限体系：JWT + RBAC 用户-角色-菜单三级权限，菜单级与接口级双重校验。
③上游任务管理（内置 WES 模拟器）：批量下发出入库任务，一键生成托盘号。
④任务调度与分段：任务状态机（待下发/执行中/已完成/异常/取消），入库按固定拓扑自动拆 3 段（库外输送线→提升机→目标层接驳口→货位），出库镜像反向。
⑤路径规划：库内 A* 网格寻路（巷道四向可走、货架区仅纵向、有货货位视为障碍），按"空闲且电量>40% + 曼哈顿距离最近"自动派车，支持小车避让、等待点与自动移库（倒库）。
⑥设备仿真引擎：无真实 PLC，用定时任务按可配置节拍推进每段任务并驱动设备沿路径移动。
⑦实时监控：WebSocket 每秒推送设备位置、状态与任务进度，地图大屏显示库位占用与小车轨迹，另配小车/设备监控页。
⑧库存与数据中心：托盘维度库存、分层占用统计、库存流水（任务完成自动过账）。
⑨接口日志中心：按上游/RCS/WCS 三个通道记录每次调用的请求与返回报文、方向、结果、耗时，支持按托盘号/任务号全链路检索与改报文重发。
⑩AI 作业助手：接入大模型，自然语言下发任务、异常诊断与智能问答，SSE 流式输出，模型不可用自动降级为本地规则。
⑪单车手动控制：顶升/放下/移动/充电/恢复/释放任务等指令，应急时人工接管。
【3】业务流程与功能路径
上游下发（托盘号 + 出入库类型）→ RMS 自动分配货位（浅位优先、低层优先）→ 生成分段计划 → A* 计算路径并派最近的空闲车 → 仿真引擎按节拍推进各段 → 全段完成后自动过账（货位占用/释放、绑定或解绑托盘、写库存流水与系统日志）→ 任务归档。
功能路径：登录 → 首页看板（货位占用 + 任务趋势）→ 上游任务管理下发任务 → 资源监控中心地图大屏观察执行 → 立库任务中心（任务视图/任务管理）→ 数据中心查库存与流水 → 报表数据中心查接口日志 → AI 助手用自然语言下单。
项目实现
【1】整体架构与设计思路
前后端分离的单体应用。后端按"业务模块分包、模块内分层"组织（common、security、system、task、device、inventory、monitor、report、apilog、sim、ai，模块内再分 controller/service/mapper/entity/dto/vo），便于定位代码；跨模块用事件解耦，做到子包级无依赖环。
技术栈：后端 JDK 17 + Spring Boot 3 + MyBatis-Plus + MySQL 8 + Redis + JWT + WebSocket/SSE + 定时仿真 + A* 寻路；前端 Vue3 + Element Plus + ECharts。
核心思路：把"调度（做计划）"与"执行（干计划）"分离——任务下发只写计划、算路径、派车，仿真引擎只按节拍推进计划；将来接真实 PLC 时只需替换仿真引擎。货物"取走/送达"以动作完成时刻为准，而非用计划耗时去猜，保证计划与现场同源。
【2】我负责的模块与结果
需求分析、数据库设计、编码、联调全部独立完成：后端 162 个 Java 文件约 1.4 万行，前端 25 个 Vue 组件约 1.1 万行，共 17 张表、69 个接口、25 条路由，22 台设备、252 个货位仿真建模。
量化结果：单笔入库 3 段全流程约 25 秒跑通，入库/出库/移库均实测通过；A* 实时路径 18 步（曼哈顿最优解）；14 条任务并发下发时积压 46→32 稳定消化，可 2~4 段并行、2~3 台车同时作业；WebSocket 每秒 1 帧、22 台设备全量快照；接口日志三通道实测 345 条。
【3】我遇到的难点与解决方案
①取货时刻错乱：货在小车没到时就"凭空消失"。根因是 A* 从"停在有货货位"的起点出发会返回 null，早期把 null 当空路径写库，引擎误读为"零距离"，段开始 3 秒就判定货已上车。改为：算不出路径即视为该段不该开工，退回队列下轮重试；交接时刻绑定"到达耗时 + 顶升 3 秒"。
②两条任务段同时占用同一工位，货物被误清：给接驳口加"里面有没有货"的占用判断，提升机不锁（卸完即空，可接下一托）。曾按"设备被占用就排队"锁死提升机，14 条任务并发时整条入库线堵死。
③任务无声卡死：目标货位是深位、两侧浅位都有货，四向车进不去，A* 永远返回 null，任务长期挂在"执行中"且日志无报错。改为连续 30 轮算不出路径即判异常并写明原因（需倒库），让"走不通"可见。
④实时推送与前端细节：注解式 WebSocket 端点每个连接 new 一个实例，连接集合必须静态、广播需加锁；ECharts 在未显示的 Tab 里初始化会画成 0 宽，多通道共用组件时实例被复用，需监听路由刷新。
前后端分离的单体应用。后端按"业务模块分包、模块内分层"组织（common、security、system、task、device、inventory、monitor、report、apilog、sim、ai，模块内再分 controller/service/mapper/entity/dto/vo），便于定位代码；跨模块用事件解耦，做到子包级无依赖环。
技术栈：后端 JDK 17 + Spring Boot 3 + MyBatis-Plus + MySQL 8 + Redis + JWT + WebSocket/SSE + 定时仿真 + A* 寻路；前端 Vue3 + Element Plus + ECharts。
核心思路：把"调度（做计划）"与"执行（干计划）"分离——任务下发只写计划、算路径、派车，仿真引擎只按节拍推进计划；将来接真实 PLC 时只需替换仿真引擎。货物"取走/送达"以动作完成时刻为准，而非用计划耗时去猜，保证计划与现场同源。
【2】我负责的模块与结果
需求分析、数据库设计、编码、联调全部独立完成：后端 162 个 Java 文件约 1.4 万行，前端 25 个 Vue 组件约 1.1 万行，共 17 张表、69 个接口、25 条路由，22 台设备、252 个货位仿真建模。
量化结果：单笔入库 3 段全流程约 25 秒跑通，入库/出库/移库均实测通过；A* 实时路径 18 步（曼哈顿最优解）；14 条任务并发下发时积压 46→32 稳定消化，可 2~4 段并行、2~3 台车同时作业；WebSocket 每秒 1 帧、22 台设备全量快照；接口日志三通道实测 345 条。
【3】我遇到的难点与解决方案
①取货时刻错乱：货在小车没到时就"凭空消失"。根因是 A* 从"停在有货货位"的起点出发会返回 null，早期把 null 当空路径写库，引擎误读为"零距离"，段开始 3 秒就判定货已上车。改为：算不出路径即视为该段不该开工，退回队列下轮重试；交接时刻绑定"到达耗时 + 顶升 3 秒"。
②两条任务段同时占用同一工位，货物被误清：给接驳口加"里面有没有货"的占用判断，提升机不锁（卸完即空，可接下一托）。曾按"设备被占用就排队"锁死提升机，14 条任务并发时整条入库线堵死。
③任务无声卡死：目标货位是深位、两侧浅位都有货，四向车进不去，A* 永远返回 null，任务长期挂在"执行中"且日志无报错。改为连续 30 轮算不出路径即判异常并写明原因（需倒库），让"走不通"可见。
④实时推送与前端细节：注解式 WebSocket 端点每个连接 new 一个实例，连接集合必须静态、广播需加锁；ECharts 在未显示的 Tab 里初始化会画成 0 宽，多通道共用组件时实例被复用，需监听路由刷新。
示例图片视频
相似推荐
省级税务大数据中台
从零开始构建大数据平台，构建数据中台，开发数据分析应用，用机器学习进行数据分析和风险管理。
包括：
数据管理平台
数据上云、数据标准化，数据加工，应用指标建设等。
数据分析应用
智慧大屏、一企式分析应用、纳税分析、纳服监控等等。
大文集团融媒体项目，报社核心系统策采编发系统，网站、APP显示
应技术发展升级采编、发布、网站系统，基于SpringBoot、ES、Mysql、MongoDB、Redis等技术升级
1、报题策划下达。
2、稿件编辑、发布。
3、发布系统，渠道、栏目、稿件管理。
4、网站:、：根据UI设计图使用H5、JS、swiper进行开发。
1、报题策划下达。
2、稿件编辑、发布。
3、发布系统，渠道、栏目、稿件管理。
4、网站:、：根据UI设计图使用H5、JS、swiper进行开发。
榆林市数智政协
1. 为帮助委员在线履职，与群众实时互动搭建
2. 知识库对话引用的文档可以查看切片信息，也可以预览源文件
支持功能：
1. 委员全流程提案提交办理
2. 政协新闻动态展示
3. 政协委员通讯录
4. 政协委员在线学习培训，视频观看，pdf阅览时间记录
5. 会议管理，活动管理，民生实事，数据中心
6. 社情民意全流程
7. 功能点太多，无法一一赘述，共有大功能67项，小功能8967项，接口27万+
非属地卷烟智能识别系统
非属地卷烟智能识别系统（以下简称"本系统"）是一套面向烟草稽查业务的移动端智能识别应用软件，运行于 Android 智能终端。系统通过摄像头拍照或相册选图采集零售客户货架、烟柜的卷烟陈列图像，调用 AI 识别服务（同时支持在线多模态大模型 API、在线图片识别 API 两类在线接口，以及离线深度学习图片目标检测模型，可按需切换），自动检出图中烟包、条烟、卷烟的品牌、规格与厂家信息，并与本地允许清单（本地投放卷烟数据库，共 210 个品规）实时比对，将检出结果划分为"本地允许""本地不允许（非属地/新投放）""未识别"三类，以图像标注与表格两种视图呈现，帮助稽查员快速完成非属地卷烟现场核验。
传统人工肉眼核验方式下，5 名稽查员对 50 个品种单次排查平均耗时约 7.04 分钟，正确率约 92%，且受疲劳漏检等主观因素影响。本系统以 AI 图像识别替代人工辨别，单次核验时长可缩短至 30 秒以内，效率提升约 92.4%。
某单位定制智能体管理测评平台-智能体管理测评
1. 系统概述与定位
本系统是一个面向企业或个人的AI智能体（Agent）全生命周期管理平台。它不仅提供智能体对话交互功能，更核心的价值在于：允许客户根据自身业务需求动态添加、配置个性化的智能体，并对其使用效果进行量化评测。系统旨在解决大模型落地过程中“智能体创建难、管理散、效果不可控”的痛点，打造从“创建→使用→评测→优化”的闭环生态。
2. 核心功能模块
智能体动态管理：支持客户自主创建并接入多种类型的智能体。如图中所示，用户可在顶部下拉菜单选择“AI英语学习助手”或“通用助手”。平台支持智能体角色的动态注册与配置，客户可自定义智能体的提示词（Prompt）、知识库范围、模型参数及工具调用能力，实现智能体的无限扩展与灵活切换。
多会话交互与历史管理：提供流畅的对话界面，支持“流式模式”输出，提升用户等待体验。左侧“历史对话”栏记录用户的每一次会话，包括对话标题（如“hi和hello的区别”）、所属智能体类型及时间戳。支持“新建会话”，方便用户针对不同主题进行隔离讨论，同时便于后期回溯与审计。
使用效果评测平台：这是本系统的核心差异化功能。平台在后台记录用户与智能体的完整交互数据（问题、回答、响应时间等）。通过对这些数据的分析，平台可对智能体的回答质量、准确性、响应速度、用户满意度等维度进行量化评测。客户可依据评测报告，针对性地优化智能体的Prompt或知识库，从而持续提升智能体在具体业务场景下的表现。
3. 业务价值
该系统将“智能体使用”与“效果评测”深度结合，既满足了用户即开即用的对话需求，又为客户提供了持续优化智能体性能的数据支撑。通过动态添加智能体，企业可以快速构建适配不同部门（如客服、教研、行政）的专属AI助手，并通过评测机制确保其输出质量，真正实现AI能力的可管、可控、可优化。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服