干货|货架对地面载荷的计算方法

导语

大家好,我是智能仓储物流技术研习社的社长,老K。

在做自动化立体仓库设计的时候,需要给土建设计院提供货架对地面的载荷要求。有些朋友碰到这个问题时不知道该如何计算,经常会求助于货架厂家,当然一般靠谱一些的货架厂家都能够提供相应的数据,但是一方面响应速度比较慢,无法及时的应答业主的问题;另一方面,如果不清楚计算方法也就无法评判拿到的数据有没有问题,心里始终没底。下面介绍一种简易的计算方法,只需要一个计算器就可以搞定了。

一般情况下,需要提出货架对地面的载荷有集中载荷和平均载荷两项:集中载荷是指每根立柱对地面的集中力,一般单位用吨来表示;平均载荷是指货架区单位面积内的承载力,一般用吨每平方米来表示。下面以最常见的横梁式货架为例介绍,托盘货物在货架上布置如下图所示:

为了便于理解,图中截取了其中一层货架相邻两个货格的布置情况,每个货格放置两个托盘的货物。单元托盘货物的重量用D表示,两盘货物的重量就是D*2。以左边的货格为例,两盘货物的重量平均分摊到1、2、3、4四个立柱之上,因此每个立柱分摊的重量就是D*2/4=0.5D,然后我们再以3号立柱为例,除了左侧货格外,3号立柱与4、5、6一起还需要平均分摊右侧货格的两个托盘的重量,计算方法与左侧货格一致,分摊重量也是0.5D,因此3号立柱在这一层上的承载可以简化为一个托盘的重量。之后再数一下货架一共有几层,用单个托盘的重量乘以层数就是货架立柱的集中载荷了。

另外,除了货物重量外,货架自身也是有一定的重量的,这个可以根据经验值进行估算。一般标准托盘货架可以按照每个货位40kg估算,计算式用单个托盘的重量加上单个货位货架自重后再乘以层数就可以了。例如单元货物重700kg,货架总共有9层,那么每个立柱的集中载荷为(700+40)*9/1000=6.66t。

介绍完集中载荷后再来看平均载荷,我们划定某一个货格的投影区域如下图所示,区域长度和宽度分别用L和W表示。

在投影面积之内每层货架上都有两个托盘的货物,再考虑上货架自身的重量,那么平均载荷就可以用两个托盘的重量加上两个货位货架的自重后乘以层数,然后除以投影面积即可。仍然按照单元货物700kg,货架9层为例,图中投影区域长度L按2.4m,W按1.2米计算,则平均载荷为((700+40)*2*9/1000)/(2.4*1.2)=4.625t/m2。

节选自立体库技术与应用,赵岩

     智能仓储物流技术研习社

长按识别别关注

围绕厂内物流Intralogisitics,分享仓储物流自动化技术、设备、系统等知识,畅谈智能仓储物流的未来和去向。专栏包括智能仓储物流自动化规划设计,自动化立体库、智能机器人,自动化拣选系统,仓储管理软件WMS,AGV应用等等一系列热点内容。

  您也可以扫描如下与社长老King取得联系。

这样一本智能物流技术的书,你怎么想?


超强盘点!16种料箱自动化仓储系统看个够


原创|智能仓储物流技术的未来走向和实现路径


征文|技术干货|企业免费发文

### 回答1: Spark Streaming 和 Flink 都是流处理框架,但在一些方面有所不同。 1. 数据处理模型 Spark Streaming 基于批处理模型,将流数据分成一批批进行处理。而 Flink 则是基于流处理模型,可以实时处理数据流。 2. 窗口处理 Spark Streaming 的窗口处理是基于时间的,即将一段时间内的数据作为一个窗口进行处理。而 Flink 的窗口处理可以基于时间和数据量,可以更加灵活地进行窗口处理。 3. 状态管理 Spark Streaming 的状态管理是基于 RDD 的,需要将状态存储在内存中。而 Flink 的状态管理是基于内存和磁盘的,可以更加灵活地管理状态。 4. 容错性 Flink 的容错性比 Spark Streaming 更加强大,可以在节点故障时快速恢复,而 Spark Streaming 则需要重新计算整个批次的数据。 总的来说,Flink 在流处理方面更加强大和灵活,而 Spark Streaming 则更适合批处理和数据仓等场景。 ### 回答2: Spark Streaming 和 Flink 都是流处理框架,它们都支持低延迟的流处理和高吞吐量的批处理。但是,它们在处理数据流的方式和性能上有许多不同之处。下面是它们的详细比较: 1. 处理模型 Spark Streaming 采用离散化流处理模型(DPM),将长周期的数据流划分为离散化的小批量,每个批次的数据被存储在 RDD 中进行处理,因此 Spark Streaming 具有较好的容错性和可靠性。而 Flink 采用连续流处理模型(CPM),能够在其流处理过程中进行事件时间处理和状态管理,因此 Flink 更适合处理需要精确时间戳和状态管理的应用场景。 2. 数据延迟 Spark Streaming 在处理数据流时会有一定的延迟,主要是由于对数据进行缓存和离散化处理的原因。而 Flink 的数据延迟比 Spark Streaming 更低,因为 Flink 的数据处理和计算过程是实时进行的,不需要缓存和离散化处理。 3. 机器资源和负载均衡 Spark Streaming 采用了 Spark 的机器资源调度和负载均衡机制,它们之间具有相同的容错和资源管理特性。而 Flink 使用 Yarn 和 Mesos 等分布式计算框架进行机器资源调度和负载均衡,因此 Flink 在大规模集群上的性能表现更好。 4. 数据窗口处理 Spark Streaming 提供了滑动、翻转和窗口操作等灵活的数据窗口处理功能,可以使用户更好地控制数据处理的逻辑。而 Flink 也提供了滚动窗口和滑动窗口处理功能,但相对于 Spark Streaming 更加灵活,可以在事件时间和处理时间上进行窗口处理,并且支持增量聚合和全量聚合两种方式。 5. 集成生态系统 Spark Streaming 作为 Apache Spark 的一部分,可以充分利用 Spark 的分布式计算和批处理生态系统,并且支持许多不同类型的数据源,包括Kafka、Flume和HDFS等。而 Flink 提供了完整的流处理生态系统,包括流SQL查询、流机器学习和流图形处理等功能,能够灵活地适应不同的业务场景。 总之,Spark Streaming 和 Flink 都是出色的流处理框架,在不同的场景下都能够发挥出很好的性能。选择哪种框架取决于实际需求和业务场景。 ### 回答3: Spark Streaming和Flink都是流处理引擎,但它们的设计和实现方式有所不同。在下面的对比中,我们将比较这两种流处理引擎的主要特点和差异。 1. 处理模型 Spark Streaming采用离散流处理模型,即将数据按时间间隔分割成一批一批数据进行处理。这种方式可以使得Spark Streaming具有高吞吐量和低延迟,但也会导致数据处理的粒度比较粗,难以应对大量实时事件的高吞吐量。 相比之下,Flink采用连续流处理模型,即数据的处理是连续的、实时的。与Spark Streaming不同,Flink的流处理引擎能够应对各种不同的实时场景。Flink的实时流处理能力更强,因此在某些特定的场景下,它的性能可能比Spark Streaming更好。 2. 窗口计算 Spark Streaming内置了许多的窗口计算支持,如滑动窗口、滚动窗口,但支持的窗口计算的灵活性较低,只适合于一些简单的窗口计算。而Flink的窗口计算支持非常灵活,可以支持任意窗口大小或滑动跨度。 3. 数据支持 在处理大数据时,存储和读取数据是非常重要的。Spark Streaming通常使用HDFS作为其数据存储底层的系统。而Flink支持许多不同的数据存储形式,包括HDFS,以及许多其他开源和商业的数据存储,如Kafka、Cassandra和Elasticsearch等。 4. 处理性能 Spark Streaming的性能比Flink慢一些,尤其是在特定的情况下,例如在处理高吞吐量的数据时,在某些情况下可能受制于分批处理的架构。Flink通过其流处理模型和不同的调度器和优化器来支持更高效的实时数据处理。 5. 生态系统 Spark有着庞大的生态系统,具有成熟的ML、图处理、SQL框架等等。而Flink的生态系统相对较小,但它正在不断地发展壮大。 6. 规模性 Spark Streaming适用于规模小且不太复杂的项目。而Flink可扩展性更好,适用于更大、更复杂的项目。Flink也可以处理无限制的数据流。 综上所述,Spark Streaming和Flink都是流处理引擎,它们有各自的优缺点。在选择使用哪一个流处理引擎时,需要根据实际业务场景和需求进行选择。如果你的业务场景较为复杂,需要处理海量数据并且需要比较灵活的窗口计算支持,那么Flink可能是更好的选择;如果你只需要简单的流处理和一些通用的窗口计算,Spark Streaming是更为简单的选择。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值