# PLUSA 项目 Data Analysis Documentation
Version: 0.1.0
## 1. 项目背景和内容
### 1.1 项目背景
PLUSA 项目是公司在仓储自动化方向上的重点项目之一，核心是引入 **分拣/搬运机器人 + WES（Warehouse Execution System）**，实现仓内作业的自动化与精细化管理，典型应用场景包括：
– 包裹 / 箱件自动分拣到指定滑槽（Chute）/ 格口 / 托盘
– 机器人在分拣线和缓存区之间自动搬运
– 系统根据波次 / 批次任务动态调度机器人，优化产能与路径
PLUSA 项目需要通过 BI 系统对 **机器人作业、分拣效率、设备健康** 进行持续监控和分析，为运营优化和设备运维提供决策依据。
### 1.2 核心业务目标
1. **提升分拣与搬运效率**
– 降低人工拣选与搬运比例，提升单位时间处理件数
– 缩短从任务下发到完成的周期
2. **降低错误率和异常率**
– 控制分拣错误率（错分、漏分）
– 快速识别异常任务、异常批次和问题设备
3. **优化设备利用与运维**
– 提升机器人稼动率，减少无效等待与空跑
– 通过充电、停机、行驶里程数据做好预防性维护
4. **实现精细化运营管理**
– 打通“任务 → 分拣 → 机器人 → 设备日志”的数据链路
– 支撑班次排班、策略调整、设备扩容等决策
—
## 2. 数据关联与业务流程
PLUSA 相关的主要 Cube（数据集）：
– `Cube_batch_progress_data_details`（批次内任务明细，任务粒度）
– `Cube_wes_db_tsort_sort_log`（分拣日志）
– `Cube_wes_db_tsort_charging_log`（充电日志）
– `Cube_wes_db_tsort_downtime_log`（停机日志）
– `Cube_wes_db_tsort_odometer_log`（行驶里程日志）
– `Cube_wes_db_tsort_power_log`（电源开关日志）
### 2.1 业务流程（文字版）
1. **任务生成**
– 上游系统（WMS / WES）根据订单/波次创建分拣批次（Batch），并拆解为多个任务（Task）。
– 每个任务会分配到具体的机器人或分拣设备执行。
– 相关记录落地到 `Cube_batch_progress_data_details`（任务级明细）。
2. **分拣执行**
– 货物到达分拣入口，被扫描识别条码 / 任务号。
– 系统根据规则将任务分配给机器人，机器人执行搬运/分拣动作，将货物送达指定 Chute / 地点。
– 具体每一次分拣动作记录在 `Cube_wes_db_tsort_sort_log` 中。
3. **设备运行与能耗**
– 机器人在执行任务过程中，产生日志：
– 充电行为 → `Cube_wes_db_tsort_charging_log`
– 停机/故障/等待 → `Cube_wes_db_tsort_downtime_log`
– 行驶里程 → `Cube_wes_db_tsort_odometer_log`
– 开关机 → `Cube_wes_db_tsort_power_log`
4. **分析与反馈**
– BI 通过上述 Cube，计算各类效率、质量和设备健康指标。
– 运营和技术团队根据报表和看板，调整班次、策略和维护计划，形成闭环。
### 2.2 数据闭环（逻辑关系）
– **任务维度闭环**：
批次/任务（`batch_progress_data_details`）
→ 分拣动作（`sort_log`）
→ 成功/失败/异常结果
→ 反馈到运营策略（波次配置、任务拆分规则）
– **设备维度闭环**：
分拣与搬运任务量
→ 机器人工作时长/行驶里程（`odometer_log`）
→ 充电/停机日志（`charging_log`, `downtime_log`, `power_log`）
→ 设备健康与运维计划
→ 影响后续任务分配和排班策略
—
## 3. 业务主题与场景描述
### 3.1 批次与任务管理（Batch & Task）
**相关 Cube：**
– `Cube_batch_progress_data_details`（任务级）
**典型字段（逻辑含义示例，具体以实际 schema 为准）：**
– 批次信息：`batch_id`, `batch_type`, `wave_no`, `customer`
– 任务信息：`task_id`, `task_type`（分拣/搬运/上架…），`task_status`（新建/进行中/完成/异常）
– 时间信息：`scan_time`, `start_time`, `finish_time`, `process_duration`
– 机器人/设备：`robot_id`, `device_id`
– 去向信息：`chute_id`, `destination_zone`, `container_id`
**业务场景：**
– 按批次查看任务完成进度（任务数、完成率、平均时长等）
– 分析不同类型任务（如分拣 vs 搬运）的处理效率与瓶颈
– 追踪单个问题批次的所有任务，定位慢点与异常点
—
### 3.2 分拣作业分析（Sorting Operations）
**相关 Cube：**
– `Cube_wes_db_tsort_sort_log`
**典型字段逻辑：**
– 作业标识：`sort_id`, `task_id`, `package_id` / `item_id`
– 设备：`robot_id`, `line_id`, `chute_id`
– 时间：`sort_time`, `scan_time`
– 结果：`sort_result`（成功/错误/重分拣等），`error_code`
**业务场景：**
– 统计整体分拣量、成功率、错误率
– 分析不同 Chute / 目的地的负载和错误率情况
– 按机器人查看分拣表现，识别异常高错分率的设备或时段
—
### 3.3 机器人运行 & 设备健康
**相关 Cube：**
– `Cube_wes_db_tsort_charging_log`（充电）
– `Cube_wes_db_tsort_downtime_log`（停机）
– `Cube_wes_db_tsort_odometer_log`（行驶里程）
– `Cube_wes_db_tsort_power_log`（电源开关）
**典型字段逻辑：**
– 充电日志：`robot_id`, `charging_start_time`, `charging_end_time`, `charging_duration`, `battery_level_before/after`
– 停机日志：`robot_id`, `downtime_start`, `downtime_end`, `downtime_duration`, `reason_code`（故障/等待任务/维护…）
– 里程日志：`robot_id`, `distance`, `time_bucket` / `log_time`
– 电源日志：`robot_id`, `power_on_time`, `power_off_time`, `on_duration`
**业务场景：**
– 按天/班次统计每个机器人：工作时长、充电时长、停机时长
– 分析停机原因分布（故障 vs 等待 vs 维护），识别重点优化方向
– 按里程评估磨损水平和保养周期，制定预防性维护计划
– 分析开关机规律，判断设备是否按计划投入产线
—
## 4. 数据分析指标与建议
### 4.1 任务与批次效率指标
– **批次完成率** = 完成任务数 / 批次总任务数
– **批次平均处理时长** = （批次内所有任务完成时间最大值 – 最小开始时间）
– **单任务平均处理时长** = 平均 `process_duration`
– **任务超时率** = 超过阈值时长的任务数 / 总任务数
**分析建议：**
– 按批次类型（客户/业务线）对比完成率和时长，识别“重难批次”
– 将超时任务与设备停机、充电时段做关联分析，找出高相关原因
—
### 4.2 分拣质量指标
– **分拣成功率** = 成功分拣次数 / 分拣总次数
– **分拣错误率** = 错分 + 漏分 + 重分拣次数 / 分拣总次数
– **Chute 负载分布** = 每个 Chute 的分拣件数占比
– **高风险 Chute / 机器人**：错误率明显高于平均值的 Chute / 设备
**分析建议：**
– 监控错误率趋势，设定告警阈值
– 按 Chute + 班次交叉分析，识别是否特定班次或特定区域存在操作/配置问题
– 按机器人 + 错误类型查看，识别设备故障趋势
—
### 4.3 设备利用与健康指标
– **机器人稼动率** = 工作时长 /（工作时长 + 空闲时长 + 停机时长）
– **平均充电间隔时长**、**单次平均充电时长**
– **停机率** = 停机时长 / 总时长
– **故障频次**（以停机日志中的故障原因计数）
– **单位任务里程** = 行驶总里程 / 完成任务数
**分析建议：**
– 按机器人维度做“稼动率 + 停机率 + 故障频次”的综合评分
– 对“高里程 + 高停机 + 高故障”的机器人，优先安排检修或替换
– 分析充电策略是否合理（是否出现频繁短充、过晚充电导致电量不足等情况）
—
## 5. 可视化方案示例（BI 看板建议）
以下为面向 PLUSA 的典型看板模块示例。
### 5.1 批次与任务监控看板
1. **今日各批次处理进度条**（条形图）
– 维度：批次号 / 客户 / 波次
– 指标：任务总数、已完成任务数、完成率
2. **任务处理时长分布**（箱线图 / 直方图）
– 维度：任务类型、机器人、时间段
– 指标：`process_duration` 分布（P50, P90, 最大值）
3. **超时任务列表**（明细表）
– 字段：批次号、任务号、机器人、时长、状态、异常标记
—
### 5.2 分拣效率与质量看板
1. **分拣量与成功率趋势**（折线 + 柱状组合）
– 时间维度：按小时 / 日
– 指标：分拣件数、成功率、错误率
2. **Chute 负载与错误率矩阵**（热力图）
– 维度：Chute × 时间（班次）
– 指标：分拣件数、错误数
3. **高错误机器人排行榜**（柱状图）
– 维度：robot_id
– 指标：错误次数、错误率
—
### 5.3 设备运维与健康看板
1. **机器人稼动率 & 停机率总览**（气泡图 / 条形图）
– 维度：robot_id
– 指标：稼动率、停机率、任务数
2. **充电行为分析**（堆叠面积 / 条形图）
– 时间维度：按小时 / 日
– 指标：充电时长、充电次数
3. **里程与保养建议**（散点图）
– 维度：robot_id
– 指标：累计行驶里程 vs 故障次数
4. **停机原因分布**（饼图/条形图）
– 维度：原因类型（故障/维护/等待/无任务…）
– 指标：停机时长、次数
—
## 6. 高级分析与优化方向（可选）
### 6.1 异常检测与预警
– 基于任务时长、错误率、停机时长等指标，建立简单的 **异常规则 / 阈值模型**：
– 如：连续 10 分钟以上无分拣任务 → 可能为上游供给不足
– 某机器人错误率短时间内快速上升 → 预警设备或配置异常
– 后续可以引入简单的机器学习方法，对“异常任务”“异常设备”进行自动识别。
### 6.2 调度与排班优化
– 利用历史任务量和分拣峰谷时段数据，优化：
– 机器人投放数量与班次配置
– 充电时间窗（错峰充电）
– 特定类型任务的优先级策略
### 6.3 与上游/下游系统的联动
– 与 WMS 的入库/出库计划联动，提前预测 PLUSA 系统负载
– 与客户 SLA、运单时效约束结合，制定分拣优先规则、保障关键订单