码垛环节在多数仓库里长期被低估:拣选有系统调度,分拣有设备节拍,而码垛在很长一段时间里依赖班组长的经验判断,同一批混箱货物由不同的人码放,高度、稳定性与搬运风险往往各不相同。当 SKU 尺寸单一、整箱出库占比较高时,这种经验式作业的代价并不明显;但当混箱比例上升、单托盘内箱型差异扩大之后,码垛便从体力环节转变为典型的组合优化问题,其结果同时影响托盘利用率、运输破损与仓内周转效率。

从现象看,问题常以两种矛盾形式同时出现。一类仓库的托盘装得很满,但垛体在转运或缠膜时倾斜、压损;另一类仓库为了求稳,采用大箱在下、小箱在上的保守排法,垛体不易倾倒,但顶部空间长期闲置,单位运输成本被系统性抬高。两者指向同一个归因:人工规则解决的是局部合理性,而码垛需要的是整托约束下的全局权衡。

码垛的人工规则解决了什么,又遗漏了什么

传统人工规则并非没有价值,其有效性建立在长期作业沉淀之上。层间交错可以避免通缝,使上下层箱体之间形成相互牵制的关系;重压轻、大压小可以降低重心,并使下层箱体获得相对完整的支撑面;长边与短边交替转向,则有助于分散侧向受力。这些规则在箱型较少、重量分布较均匀的场景中,通常能够在可接受的时间内给出一个不会明显出错的方案,因此至今仍是多数仓库培训新人的基本内容。

但规则的局限同样清晰。规则给出的是排序原则,而不是对具体箱组的最优排列。当一托货物同时包含十余种尺寸、重量差异显著、且部分箱体承压有限时,先排哪一箱、某一层如何留空、空隙应当保留还是用小箱填充,规则无法给出量化比较。操作者只能凭直觉取舍,同一套规则在不同班次便执行出不同的垛型。人工排法也很少回算整托的重心与支撑覆盖,一个平整的顶面,并不能证明其下层受力是均匀的。

以下用一个假设算例说明这种差异,场景示意,不代表任何仓库的实测结论。假设某托盘底面积固定,待码货物为二十四箱,分属四种尺寸,算法与人工面对的是同一批箱子与同一限高。假设算例中,人工排法因在中层留下了难以填充的条形空隙,空间利用率记为百分之七十二;算法在同一约束下通过调整箱体朝向与层间组合,利用率记为百分之八十一。两者相差的九个百分点,如果换算到每天需要发出数十托的出库量级上,意味着托盘数、缠膜耗材与车辆装载次数的系统性差异。但该算例同时设定了另一项约束:利用率更高的方案若将两箱较重货物置于偏离中心的位置,其重心偏移会明显大于人工方案,因此最终被系统否决,实际执行的并非利用率最高的候选垛型,而是次优但重心与支撑面均通过校验的方案。这个细节恰恰说明,码垛优化的目标从来不是单一维度的最大化。

维度 人工规则主导 算法搜索主导
决策依据 交错、重压轻、大压小等经验原则 在约束内搜索多种排列并逐一评分
稳定性判断 靠目测与手推感受,事后验证 事前计算重心、支撑面与承压关系
空间利用 受层内空隙影响,波动较大 可比较不同候选方案的利用率差异
适用边界 箱型少、节拍松、人员经验稳定时更从容 箱型多、混箱比例高、需与系统联动时优势更明显

码垛稳定性与利用率的权衡,核心在重心与支撑面

讨论码垛稳定性时,有两个概念需要先于利用率被确认,即重心与支撑面。重心决定垛体在加速、制动与转弯时是否容易产生倾覆力矩,支撑面决定每个箱体的底面有多少比例被下层有效承托,承托不足的箱体即使短期内没有倾倒,也会在运输振动中逐渐变形或滑移。因此,一个在静态下看起来整齐的垛型,在动态运输条件下未必成立;反过来,一个利用率略低但重心居中、下层支撑完整的垛型,其综合成本可能更低,因为它减少了破损、返工与到货拒收的概率。

这构成码垛领域一个具有反常识意味的判断:利用率最高的垛型,往往不是应当被执行的垛型。原因在于,利用率只度量空间是否被填满,并不度量填满之后的风险分布。当算法把最后几箱小件塞入高层边角时,利用率的边际提升可能只有一到两个百分点,但垛体的重心高度与侧向不稳定性会同步上升。在整车运输距离较短、路况平稳的场景中,这种交换或许可以接受;在长距离零担、多环节转运的场景中,同样的交换则可能得不偿失。是否接受,应当由运输距离、箱体承压等级与破损成本共同决定,而不是由利用率单一指标决定。

再以一个假设算例展开,场景示意。假设同一批货物存在两个候选垛型,方案甲利用率更高,但有一箱的底面支撑比例明显偏低,且该箱位于中上层;方案乙利用率低三个百分点,但每箱支撑较为完整、整托重心更接近底面中心。若只按利用率排序,系统会选择甲;若将支撑不足视为硬约束先行过滤,则系统会选择乙,并把甲留作需要人工复核的备选。这个先后顺序具有实质意义:稳定性更适合作为约束条件先行筛选,空间利用率则适合作为约束通过之后再比较的优化目标。把两者颠倒,即先排满再检查是否稳定,在逻辑上是将风险处置后置,其后果往往在出库之后才显现,届时纠正成本已经显著高于码垛当下。

从时间线看,行业对这一权衡的认识也经历了变化。早期自动化码垛多服务于箱型统一的整线生产,垛型可以预先固定;随后混箱需求上升,离线计算的垛型进入仓库,但订单数据与现场箱体尺寸并不总是一致,预先算好的垛型仍需频繁调整;近年的变化在于,装箱数据、SKU 主数据与执行端之间的联动更为紧密,垛型不再是出库前一次性生成的静态图纸,而是随订单结构动态生成的执行指令。这一演进的效果仍取决于基础数据的准确程度。

码垛机器人与人工码垛的边界,以及垛型库与 WMS 的联动

在设备选型层面,码垛机器人与人工码垛之间并不存在简单的替代关系,更准确的描述是适用边界的划分。机器人适合处理节拍稳定、箱型范围可控、重量上限明确且连续作业时间较长的场景,其优势在于执行一致性:同一个垛型可以被重复执行,层间位置偏差相对可控,也便于与输送线和缠膜设备衔接。人工码垛的优势则体现在柔性上,面对异形箱、临时混入的促销装、包装临时变更等非标准情形,有经验的操作者能够在现场即时调整,而不必等待主数据更新或程序重新下发。

因此,一个更稳妥的判断框架是,先看订单结构的稳定性,再看箱型的标准化程度,最后看节拍与人力供给。若三者都较为稳定,机器人执行的确定性收益更容易覆盖投入与维护成本;若订单结构波动大、箱型频繁变化,则保留人工工位并用算法提供推荐垛型,可能是投入更轻、适应性更强的过渡形态。无论哪种方式,垛型都需要以现场可理解的形式呈现,例如按层展示的俯视图与放置顺序,而不是只给出一组设备坐标。

垛型库的价值也需要放在这一框架下理解。它不是把历史垛型简单存档,而是将经过验证的、针对特定箱组与托盘规格的方案沉淀为可复用资产。相同或相近的订单结构再次出现时,系统优先调用已验证垛型,减少重复计算与试错;出现新的箱组组合时,再由算法生成新方案,待执行与运输结果确认后决定是否入库。与之联动的至少有三类数据:一是 WMS 中的订单与波次数据,二是 SKU 主数据中的尺寸、重量与承压信息,三是装箱环节实际使用的箱型数据。任何一类长期失真,优化效果都会被侵蚀,其中又以尺寸重量主数据最为基础,因为算法无法纠正输入层面的系统性误差,只能在错误数据上给出形式上最优、实际上不可执行的方案。

综合来看,AI 码垛模式优化的意义,不在于用算法替代操作者的全部经验,而在于把分散在个人经验中的判断,部分转化为可计算、可比较、可复用的系统能力,使稳定性从出库后的事后感受,前移为出库前的可校验约束。至于这种转化应当推进到何种程度,是由机器人全自动执行,还是停留在为人工提供推荐垛型的阶段,仍取决于各仓的订单结构、数据基础与运输风险分布,这个问题恐怕没有脱离具体场景的统一答案。后续更值得观察的是,当垛型数据与运输破损数据被真正打通之后,系统对权衡点的设定,会不会从固定阈值转向随线路与货品动态调整的结果。

作者:陈博士|供应链行业研究员