摘要

为优化港口作业效率，提高港口作业量，在全面整合港口资源和信息的基础上，结合自动化码头系统构成和数据应用现状，建立港口大数据分析平台。平台从生产事前、事中、事后等3个不同角度，运用关联分析和预警算法引擎，对码头作业进行预警和作业管理分析；结合OEE分析和标杆分析等方法，发现并定位码头生产作业瓶颈，提出信息系统优化建议；利用深度学习RNN等技术研发AGV时间矩阵算法，推动调度决策模块的合理性。大数据分析技术在自动化码头的应用能够大幅减少生产过程中的人工干预，对自动化码头生产系统优化有积极的意义。

00
引言
港口是基础性、枢纽性设施，是经济发展的重要支撑。我国是港口大国，2022年全球港口集装箱吞吐量排名中有7个港口位居前十，上海港更是连续13年蝉联世界第一。随着新技术的不断发展，自动化集装箱码头已成为未来港口的发展方向。以“高可靠、高效率、世界先进水平”为目标的洋山四期自动化码头是目前全球一次建成规模最大、智能化程度最高、拥有完全自主知识产权的全自动化集装箱码头，集中体现了上海港在港口行业技术创新的领先水平。特别是上海国际港务集团（股份）有限公司自主研发的全自动化集装箱码头作业管控系统，打破国外的技术垄断，实现自主可控，为集装箱码头的转型升级奠定扎实的基础。作为全球单体规模最大的全自动化码头，洋山四期自动化码头已正式投产运营5 a，随着生产规模的不断扩大，2022年已达到28台桥吊、121台轨道吊、145台自动导引车（AGV）的生产规模，年作业能力超700万TEU。因此，构建自动化码头运营大数据分析平台可以更好地管控自动化码头各个环节的生运营效率并起到分析损耗的作用。该平台汇集大量全过程作业的数据，利用深度学习循环神经网络（RNN）等技术研发的AGV时间矩阵算法服务，为AGV智能调度优化和桥吊断档预估提供决策支持依据，并综合评价若干个可能影响船舶作业效率的因素，事前进行提醒，结合事后的比较分析，把船舶延误的可能性降到最低。在全流程作业中，平台通过三维数字孪生技术，实时呈现码头作业的方方面面，集成各码头状态、动作、故障、位置等数据，并结合关联分析和预警算法引擎，对码头作业延误、故障、冲突等情况进行预警和作业管理分析。在事后的分析中，平台利用最新的大数据分布式文件系统、内存计算技术和三维可视化技术，结合全局设备效率（OEE）分析和标杆分析等，建立完整的效率分析关联指标体系，展示码头自动化设备的实际生产能力相对于理论产能的比率等情况，从船舶到各类型作业机械层层深挖，发现并定位码头生产作业瓶颈，提出系统优化建议。

01自动化码头系统构成和应用场景
1.1　自动化码头系统构成洋山四期自动化码头通过多系统之间的联动达到作业任务自动调度的条件。自动化码头生产系统构成见图1。

自动化码头主要由码头操作系统、设备调度系统和设备控制系统等组成。码头操作系统主要对计划层面的信息进行处理；设备调度系统通过调度逻辑将作业任务下发至设备控制系统；设备控制系统将任务转化为设备动作进行任务的实施。由此可见，自动化码头操作系统在码头生产作业过程中起到至关重要的作用，它相当于自动化码头的“大脑”，负责策略分析、任务下发、设备调度等工作的实施。

1.2　自动化码头数据的应用场景自动化码头生产过程中产生的数据主要包括设备和系统的运行数据、计划模块的执行数据、调度模块的应用数据等3类。根据应用场景的不同，可以对相关数据进行再次分类利用。（1）建立完善的作业评价指标体系。通过分析整理码头生产作业的关键性指标，利用生产过程中产生的数据分析效率瓶颈，摸索系统和操作层面可优化的方向。（2）利用设备运行数据构建数字化的运行维护保障体系。该体系的建立将降低人工成本，结合备件等相关信息可实现维保计划预编，库存管理等功能，对于提升设备运行的稳定性有很大的帮助。（3）推动数字孪生概念在自动化码头的应用。整合设备和系统的当前运行状态，通过大数据的学习结果对未来某个时间段的作业冲突进行预估，通过界面展示让监控人员适时调整。这对码头生产控制有重要的意义，远期可对接调度系统实现系统实时修正以规避相关异常点的发生。针对以上应用方向，在洋山四期自动化码头已开展作业评价指标的设定工作和结合数字孪生概念的监控系统的开发工作。该指标体系的完善将进一步推动自动化码头生产系统从自动化向智能化的转型。

02自动化码头大数据平台架构和指标管理
2.1　自动化码头大数据平台架构目前，大部分集装箱码头采用码头生产系统及其接口程序作为主要的作业评估手段。这种方式只是简单地对系统生成的数据进行汇总和分析，无法全面、真实地反映集装箱船舶作业过程中出现的问题。洋山四期自动化码头大数据平台的总体架构是以港口大数据系统全局为视角，以应用为驱动，运用柔性架构设计思想和分层体系架构。自动化码头大数据平台架构见图2。

该系统架构以“满足当前应用、扩展未来需求”为目标，综合考虑新时代下新的技术思路的优势，采用组件化、服务化的方式，灵活适应功能、分析内容的动态追加和变更，满足系统未来变化的需要。大数据平台采取流式分析的方式对设备的运行状态和运行结果进行数据采集和清洗，结合神经网络分析法对AGV运行结果进行分析，为优化设备运行参数提供了有力的支持。自动化码头流式分析数据流程见图3。

2.2　平台功能结构

2.2.1　事前决策预估平台基于数据驱动的运筹优化等关键技术构建多设备多阶段的自动化集装箱码头智能集成资源配置优化模型和智能算法。考虑多种设备间的耦合关系、作业环节的时间不确定性影响以及码头复杂作业工艺带来的业务约束，依据历史作业数据构建时空一体输入特征数据，统筹考虑全时域优化目标，设计基于多智能体的协同作业模型。对船舶（桥吊）进行事前效率分析，结合集成学习和大数据特征工程技术，综合和评价若干个可能影响船舶作业效率的因素，事前进行提醒，把船舶延误的可能性降到最低。在前期生成的配载、桥吊作业计划的基础上，获取船舶待作业的箱型结构信息、CWP信息、在场箱分布状况等特征信息，再将其输入算法模型，预估出船舶在当前作业计划下可能的作业效率。为工作人员预测未来某一时间段内停靠船舶预计所消耗的桥吊作业时间，同时提供台时量预估值，方便工作人员对未来某一时间段内的生产效率进行预估并及时调整生产策略。桥吊资源计划决策功能为已靠泊和未来即将靠泊的船舶计算合理的桥吊分配方案。基于船舶泊位分配计划，桥吊资源策划功能会在每个时间段对每个桥吊进行合理分配，将其指派到相应的船舶进行作业。船舶计划员根据系统自动计算的桥机密度表，便可以对全岸桥未来多工班进行桥吊安排，大幅提高日常工作效率。此外，平台利用深度学习RNN等技术研发的AGV时间矩阵算法服务，为AGV智能调度优化和桥吊断档预估提供决策支持依据。AGV行驶时间矩阵包括提取影响AGV的时间矩阵计算的特征，利用RNN等机器学习算法，提高AGV的时间矩阵的精确性，达到更有效的任务调度，提高AGV的周转效率；全局考虑在场AGV的作业任务状况（可调用的AGV状态、位置信息和不可调用的AGV当前在场位置、目的位置等信息），构建AGV作业任务的图神经网络，采用编码器-解码器（Encoder-Decoder）模型对当前整体AGV状况编解码，输出可调用AGV的预测行驶时间。Encoder-Decoder模型见图4。

2.2.2　全过程事中监控平台从梳理码头数据出发，利用数据融合技术，从数据→特征→知识→事理多层次展开融合，形成覆盖码头全流程业务的数据关联图谱。丰富数据实体和特征映射关系，融合隐式关联知识和事理业务逻辑，全面地反映码头大数据间的关系。基于关联图谱，针对具体的数据分析任务，可将任务实体周围一定范围内的关联实体作为分析模型的候选特征，再利用遗传学习算法，对候选特征进行组合编码，通过种群迭代收敛到最优特征组合，实现模型在特征选择方面的自我进化，为应用过程中提供全局视图，使机器理解码头大数据间的关联关系，为大数据分析建模选择特征提供依据。结合港口数据关联谱图和三维数字孪生系统，通过系统后端的大数据流式分析、人工智能算法实时分析计算码头生产效率，并通过前端的三维渲染，向工作人员实时展示码头的整体运转情况和码头上各类设备的效率，旨在让客户直观、及时地掌握码头的动态。同时，结合关联分析和预警算法引擎，对码头作业延误，故障、冲突等进行预警和作业管理分析，从而提高生产效率。2.2.3　事后离线分析平台从码头大数据中发掘关联知识，并形成可理解、可利用的表达形式，支撑大数据对码头自动化生产的决策辅助，利用最新的大数据分布式文件系统、内存计算技术和三维可视化技术进行梳理和汇总，采用“自上而下”的数据融合方式，依据码头业务知识设计融合策略，还原出码头真实生产过程和直观的可视化图表，结合OEE分析和标杆分析等思路，发现和定位码头生产作业瓶颈。通过借鉴知识图谱的表示方法，构建一种表达全流程生产大数据的全局视图，将每个传感器、每种计划、每项操作等固定对象定义为码头实体，将描述信息作为属性，再根据业务逻辑或关联分析在建立码头实体间的关系，反映事理演化规律，形成多层次融合的关联分析图谱。同时，建立码头数据中心作为自动化集装箱码头数字孪生系统运行过程中连接物理空间和虚拟空间的媒介。数据处理模块执行数据采集、数据预处理、数据分析、挖掘和数据融合等操作，并在大数据的支撑下构建各类模型库。

2.3　自动化码头作业评价体系设立的方法洋山四期自动化码头通过接入OEE理论对生产任务各个节点进行分析，制定每个环节的评价指标，达到对生产真实、客观的评价，同时通过构建和分析机械设备时间矩阵等方法制定资源使用率和预警效率等相关指标，利用大数据对历史数据与实际运行数据进行对标分析，找到影响效率的因子，为系统决策的优化提供依据。整个效率指标体系按照作业流程和作业模式进行拆分，上层为生产指标，下层为运行指标。运行情况可以直接反映与生产指标之间的关系，同时按不同特征创建各项指标的标杆数据并开展实际运行情况与标杆间的对标分析，形成分析报告。效率指标体系见图5。

通过设定的相关指标实现以下5个建设目标：（1）根据营运生产的需求，提供构建自动化码头相关的核心效率分析功能的数据。（2）对3大自动化机械设备（岸桥、AGV、轨道吊）的作业执行时间矩阵进行分析，提供更精确的、符合实际生产的计划时间矩阵。（3）通过相关的大数据分析，构建异常事件的溯源分析功能模块，用于用户对异常的定位分析、干预处理及后续的系统优化改进。（4）通过相关的大数据分析，结合营运生产的需要，构建适用于自动化码头运作的作业报表分析系统，提供关键生产节点的作业报表。（5）构建自动化码头智能调度系统可靠的数据支撑引擎，用于码头核心计划调度和控制相关算法功能模块的优化，进一步提升码头各环节作业的执行效率，提高运力。同时，按照自动化码头的作业特性设置实体联系（ER），确保数据的关联性和完整性。

03大数据在自动化码头的应用实例
3.1　动态时间矩阵的实际应用自动化码头的生产调度基于准确的时间矩阵，3大自动化机械设备时间矩阵对于码头的生产效率而言至关重要。设备时间矩阵构成如下：（1）岸桥的动态时间矩阵是指岸桥每一个作业循环的时间构成（双小车模式下以主小车作业为例），该段时间由远程操作时间和自动时间组成，通过采集桥吊实际的作业、运动控制所有节点的时间段，利用大数据学习的方式进行数据分析，得出相应的作业时间矩阵。该应用结果对桥吊作业路计划的编排和自动发箱功能应用起到不断的调优作用。岸桥操作分解示意图见图6。其中：Td为甲板集装箱的作业时间，Th为舱下集装箱的作业时间，Thc为舱盖板的作业时间，数字代表不同的作业位置。

图6  岸桥操作分解示意图

（2）水平运输机械的周转能力是码头作业能力的主要体现。大数据平台利用神经网络算法对数据进行采集和分析，提取多项运行特征对数据进行分类学习。目前，大数据的学习结果已在现场生产过程中实际应用，后续将通过动态时间矩阵和动态配比的方式不断提升AGV的作业能力。AGV的静态时间矩阵相关参数见表1。

（3）洋山四期自动化码头箱区配置2台轨道吊（海侧和陆侧），两者作业时需要一定的安全距离。轨道吊操作分解示意图见图7。轨道吊时间矩阵以任务调度运行时间和任务需要完成时间为基础，根据轨道吊的基本运动控制节点，在不同的作业过程中轨道吊的作业时长均不相同，并且在各个阶段还存在相关的交互和控制的作业等待时间（例如2台轨道吊在相同区域的避让等待时间）。因此，可通过大数据计算结果来分析改进轨道吊的静态时间矩阵从而提高轨道吊的作业效率，同时提供轨道吊任务调度所需的输入参数。

3.2　船舶作业模型的建立大数据平台通过采集历史数据将船舶作业各阶段的作业时间（岸桥、轨道吊、AGV、轨内作业、辅助作业时间等）进行汇总，形成船舶效率影响因素关系图（图8）。在船舶靠泊前利用大数据的学习结果，通过特征比对，在进出口船图和堆场堆箱情况已知的条件下计算出船舶作业预估效率和船舶作业的相关指标，利用实时分析系统记录作业过程中的异常，在船舶实际作业完成后将作业效率与实验室数据进行比对，同时利用系统实时记录的问题找出效率偏差的原因，进而对系统、设备、人员作业控制提出进一步优化建议。

图8  船舶效率影响因素关系图

3.3　生产动态实时监控洋山四期自动化码头利用设备信息数字化的优势，搭建生产动态实时监控平台，利用生产任务的实际执行情况和设备当前的运行情况对后续的生产状态进行预估，并通过界面直接展示给过程控制人员提前进行干预，后续将结合机器学习等技术不断地深化学习人工干预的结果，为系统自动监控逻辑的不断优化提供助力，码头设备状态和运行结果均可实现回看，为后续问题溯源提供很好的技术支撑。三维实时监控界面截图见图9。

与传统码头相比，自动化码头的整体过程控制在信息系统方面有很大的差异。自动化码头的系统环节相比传统码头，其数据流要整体多50倍左右，整体的作业效率的分析需要对所有的环节进行有效的数据汇聚、梳理后再分析，通过数据的梳理，将所有过程控制中的关键节点信息以数据流的方式全部管理起来，进行数据节点的分析，以达到作业效率分析的目的。

3.4　大数据离线分析在离线的集装箱码头数据分析平台中，从效率数据、成本数据、收入数据等方面对船舶、计划CWP、堆场机械调度、水平机械调度进行分析，定位作业瓶颈并给出优化建议。具体有以下4种分析应用：（1）月度分析。以利润、收入和成本分析指标，衡量每个客户对码头企业的生产价值，并且评估各个客户对码头的贡献程度，从而为决策者实现更好的客户关系管理提供相关数据支持。（2）船舶分析。从船舶的角度分析船舶收入以及从作业成本的角度和从码头装卸机械产能角度描述每艘船舶的作业效率，捕捉作业效率瓶颈，分析产生瓶颈的原因。（3）作业机械分析。从船舶效率角度查看实际CWP和计划CWP间的差距、计划投入岸桥数量和实际投入岸桥数量差距等，展示岸桥的作业效率。（4）堆场机械分析。从堆场机械的作业效率、堆场机械的作业轨迹、堆场机械的作业成本、各个箱区每小时的收发箱密集程度、各个箱区堆存位置占用率等角度，描述每台堆场机械的服务状况和每个箱区的繁忙程度。