隨著智慧倉儲行業快速發展，數字孿生已從視覺化展示走向運營最佳化的關鍵階段，但行業普遍存在“重可視、輕價值”等痛點，亟須明確技術成熟度標準與落地價值倉儲。基於數字孿生成熟度模型與GB/T 46237-2025國家標準，倉儲數字孿生可劃分為虛擬建模、虛實對映、雙向互動、智慧決策、自主演化五級，其中四級智慧決策是從“數字孿生”邁向“數智孿生”的核心分水嶺。透過簡化倉儲出庫案例量化分析，提煉數字孿生在裝置預防性維護、資源排程、流程模擬、改造預演、知識沉澱等七大運營最佳化價值。同時總結當前面臨的資料匱乏、保真不足、推演緩慢、最佳化低效、AI幻覺五大技術難點，並提出對應研究方向，為行業技術選型、專案實施與研發方向提供理論依據與實踐指引。
一、數字孿生在倉儲領域發展態勢
隨著我國智慧倉儲行業持續發展，數字孿生系統已被大眾接受，成為一個具備強大展示度的平臺，將倉儲管理系統（WMS）、倉儲控制系統（WCS）、製造執行系統（MES）等多個系統整合展示和管理，是智慧倉儲科技含量的重要體現[1]倉儲。近年來，多家企業研發的數字孿生系統紛紛獲得國家級、省部級獎項（表1為部分獲獎專案），起到了良好的示範引領作用。
表1 近年智慧倉儲領域數字孿生專案獲獎情況
由表1可見，從國家獎、省部級獎到行業國際獎和企業獎，數字孿生技術已被智慧倉儲領域深度認可，越來越多的資源投入這一領域倉儲。與此同時，也有一些因重視覺化輕最佳化、資料不貫通、演算法不落地等原因，而導致爛尾的數字孿生專案，讓產業界頭疼不已。“數字孿生是否只是純視覺化面子工程？投入高昂的開發成本後，價值點在哪裡？”這些問題既是對智慧倉儲數字孿生技術發展的“靈魂拷問”，也是決定數字孿生能否真正賦能智慧倉儲行業的關鍵。
二、智慧倉儲數字孿生的“考級標準”
對此，北京航空航天大學的陶飛教授在2022年就提出了數字孿生成熟度模型（如圖1），該模型將數字孿生成熟度歸納為5級：以虛映實、以虛控實、以虛預實、以虛優實、虛實共生[2]倉儲。
展開全文
圖1 北京航空航天大學陶飛教授提出的“數字孿生成熟度等級”
2025年10月，由中國電子技術標準化研究院等單位起草的國家標準GB/T 46237-2025《資訊科技·數字孿生能力成熟度模型》正式釋出，並於2026年5月開始實施倉儲。該標準明確了數字孿生遞進的5個等級參見表2）[3]，這5個等級與陶飛教授的成熟度模型基本一致：虛擬建模、虛實對映、雙向互動、智慧決策和自主演化。
表2 GB/T 46237-2025國家標準定義的數字孿生成熟度等級
自此，數字孿生系統就有了明確的“考級標準”倉儲。今後研發的系統，如果自稱“數字孿生”，就需要標註其“等級”。在國家標準GB/T 46237-2025中，一級至三級更多聚焦在“可視”和“可控”，也是當前倉儲領域大部分數字孿生系統可達到的程度。這裡也必須說明，“可視”和“可控”的服務物件還是人類，核心是為人類的高效溝通、便捷控制提供軟體工具。例如，海川醫藥使用的倉儲數字孿生平臺，可透過不同顏色直觀表徵貨品的熱度（如圖2），並可直接在數字孿生平臺中進行控制（如圖3）。雖然這些功能很難直接轉化為經濟價值予以衡量，但對提升管理人員的工作效率和決策科學性，具有不可替代的價值。
圖2 海川醫藥數字孿生平臺——貨品熱度視覺化介面
圖3 海川醫藥數字孿生平臺——裝置遠端控制介面
另一方面，一級至三級的數字孿生並不具備為倉儲系統提供最佳化與決策的能力，若要能跨越人類，讓數字孿生支撐智慧倉儲系統的最佳化和決策，便是四級、五級的數字孿生倉儲。國家標準GB/T 46237-2025中也明確指出，四級的數字孿生應具有模擬、預測和最佳化能力，而四級以下的數字孿生則不必具備上述能力。因此，四級“智慧決策”是重要的分水嶺，也是從“數字孿生”到“數智孿生”的關鍵節點[4]。
三、智慧倉儲“可優”的價值
智慧倉儲有哪些需要智慧決策的內容？智慧決策為什麼需要數字孿生模擬、預測和最佳化功能的支援？通常情況下，在智慧倉儲專案規劃時，需要提前模擬，預測效能，發現瓶頸並最佳化規劃方案，這一價值點已被廣泛接受倉儲。然而，規劃階段物理倉儲系統並未建立，無法建立物理世界和虛擬世界的連結，因此規劃期以離線模擬為主，尚未建立虛實即時連線，嚴格意義上不屬於閉環數字孿生，但模擬價值依然顯著。
在智慧倉儲的運營階段，可以建立物理世界與虛擬世界的連結，並可以對模擬結果進行比對，具備構建高保真度數字孿生的條件倉儲。但運營階段多是具有“可視”“可控”功能的三級數字孿生，能夠進行智慧決策的四級數字孿生還不多見，若要建立四級數字孿生，必須先明確其在運營決策階段的價值點。
圖4 小型倉庫佈局示意圖
為說明智慧倉儲運營階段實施數字孿生的價值，本文從理論上舉一個簡單例子倉儲。在如圖4所示的簡單小型倉庫的出庫作業流程中，主要存在5個步驟：1.貨車指定停泊月臺；2.立體庫出庫；3.出庫分揀；4.AGV搬運貨物到月臺；5.升降平臺或裝車機器人裝車。在上述5個步驟中，每一步都有其最佳化決策的內容：
1.貨車指定停泊月臺
需在4個月臺中選擇1個，這一決策過程需根據貨車型別、貨車裝載貨物品類來綜合決策，決策空間是4倉儲。
2.立體庫出庫
需根據貨車裝載貨物的品類和順序，進行訂單整合，以最小出庫次數為目標，決定出庫品類和順序倉儲。假定裝車5個訂單（5個裝車托盤），共10個品類。但此處存在不同訂單需求同一品類的情況，以及品類需求數量大於每托盤儲存數量的情況，因此出庫托盤數一般會大於等於10，此處假定出庫托盤數是12。如果某一品類存在於多個巷道中，則需要選擇一個巷道出庫。假定每個品類的托盤都散佈在4個巷道中，每個巷道只有唯一的托盤位，出庫時要決策出庫托盤位。在上述假設條件下，該階段的決策空間是12×4=48。
3.出庫分揀
將12託貨物分揀到5個裝車托盤，假定只有2個分揀工位，那麼每一託的分揀都會有2種選擇，而5個托盤的分揀順序為5!，因此該階段決策空間為5!×2=240倉儲。
4.AGV搬運貨物到月臺
分揀完成後，召喚AGV到分揀工位，把裝車托盤搬運到對應停靠的月臺倉儲。假定有4臺AGV，假定從起點到終點的AGV路線有10條，5個托盤的搬運順序為5!，那麼該階段決策空間為5!×4×10=4800。
5.升降平臺或裝車機器人裝車
AGV把貨物搬運至月臺後，由升降平臺或裝車機器人裝車，裝車後托盤清空需再由AGV搬至空托盤回收位，假定5個裝載托盤疊託後由AGV一次性搬走，4臺AGV，假定從月臺到空托盤回收位路線有3條，那麼該階段決策空間為12倉儲。
如果上述5個階段都獨立決策，那麼決策空間為4×48×240×4800×12≈26.5億倉儲。也就是說，在這樣一個已經非常簡化的場景中，WMS、WCS和RCS需要在26.5億個可行解裡尋找裝車效率最優的解。而如果是更大的倉庫，更多的車同時裝貨和更多的AGV同時搬運，如果在出庫的同時考慮入庫、回庫、AGV充電、裝置故障等因素，那麼決策解空間會更加龐大，約束會更多，問題顯然也會更復雜。
當然，在實際運作中，是把上述決策問題進行解耦和分而治之，例如WMS負責圖4例子中的1、2階段，WCS負責3階段，RCS負責4、5階段倉儲。每一階段的輸出決定了下一階段決策的約束條件，並基於一些規則，例如1階段選距離空閒分揀工位最近的月臺；2階段選距離出庫口最近的出庫貨位和巷道；3階段選當前排隊最少的揀選工位；4、5階段選距離最近的空閒AGV。這些規則可以簡化問題，快速決策，但都是基於當前狀態的靜態區域性最佳化，而非動態全域性最佳化。由於每天運營的場景都有不同，這種區域性最佳化的方式雖在絕大多數場景下效果不錯，但在極端場景下可能會導致區域性的瓶頸和死鎖。例如，在立體庫大量出庫時，出庫貨位雖然靜態平衡在不同的巷道，但在動態時間段，卻集中在某一個巷道，導致忙閒不均。再如大量AGV搬運時，為追求效率儘量多發放搬運任務，卻容易出現死鎖，反而影響效率。此外，在倉庫改造時，應改造何處才能直擊痛點？如果痛點找得準確，僅僅增加快取位，便可起到比增加AGV、增加工位、更新軟體等措施更好的作用，實現“花小錢辦大事”。
如果數字孿生可以提供模擬、預測和最佳化功能，就可以把依據區域性靜態資訊的“僵化規則”轉化為依據模擬預測結果的“智慧決策”，把“拍腦袋決策”轉化為“直擊痛點”，從而大幅提升倉儲運營效率倉儲。在當前“數智孿生”的背景下，可以採用“AI+數字孿生”的方式，用數字孿生試錯和訓練AI，用AI學習具體倉庫的個性化特點，進而形成可複用的運營知識，持續最佳化智慧倉儲的運營。
除上述例子外倉儲，數字孿生在運營階段“可優”的價值點，可歸納為以下七點：
（1）模擬預測關鍵裝備、機器人等的故障，進行預防性維護，避免裝置故障導致的系統崩潰倉儲。
（2）模擬預測不同運營場景下對裝置和資源的需求量，摸底極限作業能力，從而提前對人力、AGV等靈活資源進行佈局，最佳化排班計劃和波次安排倉儲。
（3）高保真模擬裝置呆滯、AGV行駛打滑、死鎖和解鎖、等待和阻塞等現象，精準預測作業能力倉儲。
（4）即時模擬預測倉庫未來狀態，即時動態最佳化倉儲。
（5）透過模擬推演對儲位、流程、工藝等全域性最佳化，實現對WMS、WCS、RCS等系統的整合決策倉儲。
（6）模擬預演倉儲改造方案，預測物流堵點，最佳化改造方案倉儲。
（7）將運營階段的個性化知識凝練在軟體系統中，避免對有經驗的管理者產生過度依賴倉儲。
可見，數字孿生的模擬預測能力是運營最佳化的基礎，高保真度的模擬結果可以直接輔助運營決策倉儲。在高保真模擬的基礎上，透過探索多種不同的決策方案，最終實現智慧決策最佳化。“模擬→最佳化→決策”這一鏈條代替了人類憑經驗決策的過程，可將人類非形式化的知識固化在系統中，輔助倉儲管理人員在運營階段實現科學決策。
四、難點與研究方向
1.實現難點
雖然運營階段數字孿生“可優”的價值點很多倉儲，但實現起來仍存在以下難點：
（1）資料匱乏
隨著智慧倉加快建設，WMS、WCS、RCS等系統採集和積累的資料越來越多，但應對數字孿生模擬、預測和最佳化需求的資料量和顆粒度仍然不足倉儲。例如，要實現裝置故障預測，需要累積較長時間的故障資料，而且要和能夠監測到的資料實現時空關聯，現有的資料採集方法和資料關聯方法還難以滿足。
（2）保真不夠
高保真是數字孿生區別傳統模擬的特徵，四級以下數字孿生更多關注視覺感受的“形似”，而四級及以上數字孿生的模擬推演，更多關注物理規律的“神似”倉儲。數字孿生系統需要在一臺伺服器上模擬由多個裝置、伺服器、軟體系統組成的物理智慧倉，在資源上無法做到與物理世界的完全對標。此外，WMS、WCS、RCS等系統的最佳化演算法往往涉及物流裝備企業的核心技術，不可能開源也無法在數字孿生系統內完全復刻。
（3）推演不快
由於數字孿生在資源上無法與物理世界對標，因此也難以做到與物理世界等速的模擬推演，而隨著模擬物件增加，推演速度也會急劇下降倉儲。可數字孿生的價值點在於用極短的時間“以虛預實”，企業需要的是當需要模擬時就能瞬間給出準確的結果。此外，在倉庫改造時，需要重新構建模擬模型，此時建模的週期也會影響決策。目前來看，現有技術均難以做到針對大規模倉儲場景的快速建模和模擬。
（4）最佳化不智
如圖4例子所述，實際最佳化時存在海量可行解，如果沒有明確的最佳化方向，就會導致極低的最佳化效率倉儲。如果將人類經驗應用到數字孿生系統，縮小可行解空間是一個可行思路，但一方面人類經驗並沒有固定的方法論，依然可能陷入“不停試錯”的窘境；另一方面，模擬推演不快依然會拖累最佳化過程，導致最佳化難以滿足時效要求。
（5）AI幻覺
在“AI+數字孿生”的框架下，用大模型來學習人類經驗是一個很好的思路，但智慧倉儲屬於強定製化的工業領域，餵養大模型的語料和知識並不充分，一旦發生幻覺，可能導致排程錯誤、路徑衝突、裝置誤操作、訂單錯發等嚴重生產事故倉儲。
2.研究方向
綜上所述，一系列難點制約了倉儲領域數字孿生的進一步發展倉儲。需要高校、研究院、企業等單位，透過產學研聯動來解決上述問題，可能的研究方向包括：
（1）高維高密度資料採集與小樣本故障預測
針對資料匱乏的難點，一方面應研究高頻高密度資料採集方法，構建對振動、溫度、電流、噪聲、應變等多源訊號的動態採集技術，實現高緯資料驅動的裝置故障預測；另一方面應研究小樣本資料下的裝置故障預測方法，構建故障診斷模型的跨域複用[5]，實現數字孿生驅動的多種裝置故障預測倉儲。
（2）多顆粒度模擬方法
針對保真不夠和推演不快的難點，應研究物理智慧倉多顆粒度模擬方法[6]，構建模型保真度和模擬速度的平衡機制，在追求快速推演時，實現粗粒度模擬；在追求模擬精度時，實現細粒度模擬；在兼顧快速與精度時，實現平衡模擬倉儲。
（3）智慧模擬建模方法
針對推演不快的難點，同時應研究智慧模擬建模方法，透過倉庫改造語義識別、模擬模組化、引數化[7]、智慧識圖[8]等方法，構建模擬建模輸入資料與格式標準，提升模型複用度，減少模擬建模工作量，實現無監督自動化模擬建模或弱監督半自動化模擬建模倉儲。
（4）人類經驗模型化與基於代理模型的模擬最佳化方法
針對最佳化不智的難點，一方面應研究人類經驗模型化方法，構建人類經驗的學習與驗證機制，實現人類經驗在軟體系統的模型化與動態進化；另一方面應減少模擬耗時造成的影響，研究基於代理模型的最佳化方法，實現快速模擬最佳化倉儲。
（5）模擬決策知識庫技術
針對AI幻覺難點，應研究模擬決策知識庫技術，透過檢索增強生成（Retrieval-Augmented Generation）技術，構建本地決策知識庫倉儲。同時，構建決策知識庫與數字孿生的聯動機制，實現決策知識的模擬可驗證，基於模擬結果的決策知識自構建。
五、展望
倉儲領域的數字孿生經過多年發展，已經進入由“可視”到“可優”，由“數字孿生”到“數智孿生”的關鍵階段倉儲。倉儲運營階段的“可優”，是沉澱人類知識，實現智慧與複用，也是真正能夠體現數字孿生價值的關鍵功能。雖然目前還存在諸多難點，但相信會有越來越多的科研單位參與其中，最終實現智慧倉儲的“數智孿生”，對倉儲作業的全域性和細節，都能夠動態最佳化，科學決策。
【基金專案倉儲：國家自然科學基金資助專案（52075036）】
參考文獻:
[1]李巖,徐慧,韓長坤.數字孿生技術助推倉儲物流數智化發展[J].製造業自動化,2026,48(4):
129-136.
[2]陶飛,張辰源,戚慶林,張賀.數字孿生成熟度模型[J].計算機整合製造系統,2022,28(5):1267-1281.
[3]數字孿生成熟度模型,中華人民共和國國家標準,GB/T 46237—2025.
[4]陶飛,張賀,張辰源,等.從數字孿生到數智孿生:回顧與展望[J].計算機整合製造系統,2026,32(1):
1-17.
[5]L.Yang,X.Zhang,F.Zhu*,Z.Wang,X.Zhang.Semi-supervised Cross-domain Fault Diagnosis via Contrastive Pre-training and Annotation-efficient Alignment Strategy. Journal of Industrial Information Integration, 2026, 50:101076.
[6]Yangjun Sun, Zhuorui Fu, Ning Zhao*.A modular multi-granularity simulation modelling method for manufacturing systems oriented towards digital twins. International Journal of Production Research,10(2025)1-21.
[7]李凱旋,屈彥伯,吳前琅,等.快件中心分揀系統模擬[J].物流技術與應用,2024,29(8):110-115.1.
[8]黎伯瑋,趙寧,任曉輝.基於YOLO與大語言模型的物流系統模擬快速建模方法及其應用[J].物流技術與應用,2026,31(1):98-104.
