数智算法驱动的集装箱码头数字孪生业务可视化运营
致力于数字孪生体技术的研究与发展
通过解决方案和工程化应用造福人类
摘要
为全面提升集装箱码头数字化水平、迭代改进生产管理模式，围绕核心生产调度场景，以数字孪生可视化为呈现方式，提出多维数智引擎加持下的数字孪生业务运营体系。数智引擎为体系运转提供数据服务、空间融合、智能预测、运筹优化方面的内在驱动力，全面支撑港口感知、事件预警、路网运行、设备追踪、堆存监控等上层应用的可视化，助力业务人员对生产作业的实时管控和高效决策。经过系统场景呈现以及在实际船舶作业中的应用效果分析显示，该运营体系运转表现优异，对当前阶段的生产与管理有切实有效的提升。
0 引言
面对集装箱码头设备协同作业工艺链和传统码头自动化改造中普遍存在的多类集卡混编作业等复杂业务场景，以数字孪生可视化为核心技术手段的智慧港口运行管控中心解决方案方兴未艾，用立体化、场景式的表现形态带动管理模式的内核创新。
港口数字孪生在经历早年概念培育、方案架构阶段后逐步明朗，于2020年开始进入场景试点期。目前，各大港口选取的视觉表现、技术集成和业务视角不尽相同。在落地建设过程中，各大港口也陆续关注到数字孪生对于实时、保真特性的高要求，在环境监测、区域运行、设备感知、作业还原等业务场景应用中已点上开花。
但对照数字孪生驱动的应用所遵循的准则，当前港口数字孪生建设中普遍缺乏能够实现生产调度、工艺优化、故障预测等功能的数智算法模型，而这恰是系统具备进化能力的关键所在。从数据驱动的角度来看，当前港口业务孪生应用一方面逐步强调通过数据实时接入处理来直接驱动三维场景中真实的设备运动、作业运行，另一方面却尚未走向甚至忽略多源数据与数智算法模型的动态融合，由此掣肘数字孪生技术在港口运营管理中更多业务应用价值挖掘。鉴于此，本文结合集装箱码头核心生产调度场景提出多维数智模型加持下的数字孪生业务运营框架，在孪生可视化层面验证数智模型的业务应用和支撑能力，从而为集装箱码头的业务运营提供一套行之有效的数字化解决方案。
1 生产调度可视化运营整体目标
1.1生产调度可视
化运营的业务目标
集装箱码头生产作业（装船、卸船、进箱、提箱、移箱等）工艺链在闸口、堆场、箱区道路、码头面等4个阶段离散衔接，船舶完成货物装卸后离港。为实现生产作业的全过程追踪，及时发现安全隐患，有必要以可视化的手段做直观的场景呈现。同时，考虑到对基于设备状态的实时掌握，使用数字孪生技术通过流数据驱动实体设备模型精细运动，有助于及时发现运行故障，感知节点效率，洞察数据链路问题，从而第一时间引导业务人员进行精准排查和应急处理。
为保障船舶尽快完成作业离港，需要通过更高效、更智能的设备协同调度来实现全场生产作业、完成作业任务的合理指派以降低资源浪费。为在数字孪生可视化层面呈现、验证智能调度能力的效用，则需要依据智能调度的业务需求在前台定义可以交互透出的业务场景、在后台搭建驱动场景的数智算法。在此，简要分析全局智能调度的业务需求，以便有的放矢地建立前台应用与后台引擎，从而通过数据连接形成完整的数字孪生业务运营架构。
1.2全局智能调度的业务目标
集装箱码头生产调度的终极目标是最大化提升装卸效率、最小化作业设备间的衔接和等待时间，即达成“任务-资源-约束”的协同匹配和持续优化。全局智能调度的业务目标主要包括资源分配计划、平面运输路径规划、任务全局安排、设备作业时长预测等4大业务诉求。
1.2.1 资源分配计划
资源分配计划在可用桥吊资源的前提下，力求船舶总体作业完成时间最短。该计划既要合理规划桥吊的船舶作业贝位和顺序、桥吊集卡动态配比，又要能够结合未来一段时间指令的类型、数量、执行情况等来预测堆场繁忙程度，并给出箱区间龙门吊资源平衡调配建议，发挥各类资源最大利用率。
简而言之，1艘船的最大作业瓶颈取决于桥吊作业重点路的完成时间，即如果对集装箱作业时长有准确预估，则对重点路的判断和相应的资源配套也会更加精准。但在现实工况中，一般粗略以箱量取胜的方式确定重点路。
1.2.2 平面运输路径规划
能够基于静态路网数据、结合动态路网交通态势预估为行驶集卡提供即时路径规划，可从全局视角有效避免因司机人为选择路径造成的道路拥堵、行驶时间增长等情况，从而调控路网流量、均衡路网负载，减少集卡路段行车和等待时间，提升运送效率。
内外集卡虽均为码头平面运输的参与者，两者的定位信息的采集、获取方式却不同。港区可通过为内集卡加装高精定位终端的方式获取精准位置信息，但无法对外集卡实施强管控措施。因此，需考虑被动依靠关键卡口、关键点位的视觉监控设备感知某一时刻外集卡所在位置，并完成跨视域轨迹追踪。
1.2.3 任务全局安排
面向集装箱作业任务集 合，在派发任务前能够基于时空网络考察不同顺序排列情况下的设备协同和任务完成时间，从而输出当下效率最高的任务次序，并将排好序的任务结合候选集卡的规划路径、作业时长、设备衔接等因素一一指派给最合适的集卡，以缩短集卡行驶和衔接等待时长。
在动态任务调整和闭环更新的机制下，实际作业执行的时间、进程和作业场地繁忙情况也必须同步反馈回传，以便根据最新动态刷新设备任务池的调度更新结果，并在必要时进行任务改派，以保障设备利用率最优。例如，集卡到达目标箱区前，若考察或预判到目标箱区繁忙级别过高，则暂缓派发指令或直接更换指令至其他箱区作业。
1.2.4 设备作业时长预测
在时间维度层面，对各个设备作业时间的预估可以提升设备协同度和资源使用率，在船舶作业中提高集卡重进重出撮合率。设备作业时长预估是支撑资源计划、平面路径运输规划和作业任务智能安排的基础共性能力。当预测计算被触发后，其结果作为重要的输入参数最终参与到设备调度的决策优化循环。
设备作业时长预估模型即为通过机器学习回归分析从历史数据中训练到的“影响作业进程的特征因素到真实作业时长的映射关系”，例如箱型、箱位、司机状态、天气状况、指令类型、集卡类型等6个因素会影响桥吊操作时长。当作业时长预估服务被实时触发时，系统将作业中 特征因素的真实表现作为输入，代入到离线学习得到的映射模型中即可在线输出预测作业时长，随着历史数据的大量累积，映射关系不断加以校准，预测结果也越加精准。
2 数字孪生生产
调度业务运营整体架构
数字孪生业务运营框架见图1。根据前述预期目标和业务需求，将数字孪生生产调度业务运营框架自下而上分为4个层次，即“2类空间+2大内核”。“2类空间”是指物理世界和数字虚拟世界，数字虚拟世界则通过物理实体忠实的数字化镜像模型来表现智能调度下的丰富业务应用，并通过人机交互手段完成场景运营及反馈联动；“2大内核”是指动态融合、链接虚实、驱动数字孪生运行的数据和算法内核。
2.1数据服务层
数据是数字孪生的定义、展现、交互、服务、进化能力发挥作用效能的基础。数据服务层基于港区大数据计算平台向下做数据采集和接入、中部沉淀主题数据资产、向上做特征工程和数据消费，即数据链路依据业界分层理念，从下到上建设统一数据基础层、数据中间层和数据应用层。
统一数据基础层负责清洗、结构化源数据后增量或全量同步到大数据平台。
数据中间层主要完成主题数据域建设，建立维度一致、可复用、面向分析和统计的公共数据表，并实现周期性数据管理，以满足跨部门业务协同需求、方便上层算法建模和应用搭建的获取和使用，同时提升未来模型和应用扩展的效率。本文围绕生产调度，识别并建立基建静态信息域、环境监测域、人员域、集装箱域、轨迹域、设备静态信息域、设备运动状态域、作业指令域等主数据模型，驱动孪生空间的生产运行。
数据应用层面向业务场景完成个性化指标加工并提供服务。在本系统建设业务场景中，实时数据通过Web Socket方式实时转发呈现系统三维动态场景更新，例如对接GPS、设备控制数据驱动设备实时运动（龙门吊向目标贝位移动、集卡在港区道路中行驶等）；船舶在港、集装箱堆存和数据指标等通过API请求方式定时获取数据，更新到三维场景和二维应用看板；远控设备操作台、集卡司机室、智能闸口视频和全场视频监控点位通过视频流调用和转码服务直接拉流至系统前端呈现。
2.2算法引擎层
算法引擎层中多维数智模型的沉淀是应对港区智能调度业务需求、破解作业效率瓶颈的关键。针对此前阐述的业务场景，从中抽取、组合设置以下4类能力引擎：
空间融合引擎主要基于路网来提供空间数据相关的基础性融合，包括路网拓扑和路段静态要素的结构化构建、集卡实际定位映射和多源感知设备下的集卡完整轨迹还原等等。
智能预测引擎主要沉淀并迭代基于大量离线数据训练得到的各类预测模型。通过机器学习分类、回归算法分别挖掘历史工况到堆场繁忙程度多分类、到设备作业时长的各映射关系，从而为新工况条件输出相应繁忙程度判断并预计作业时长。智能预测引擎能够不断根据当前车辆位置和规划路径更新三维时空路网来预估未来各时刻路网中各路段拥堵态势，为动态线路规划提供依据。
模式识别引擎基于路侧感知设备采集的原始数据，能实现集卡识别、跨视觉轨迹跟踪、面向港区运行场景的特定事件识别等。其识别结果很大程度上弥补港区感知信息的缺失、提升港区主动安全系数，并作为全局优化调度的输入参数参与计算。
运筹优化引擎提供在约束条件下达成任务目标的最佳资源调配方案。动态配置船舶作业过程中集卡、龙门吊资源；以总体行驶时间最短为目标，在不断更新的时空路网中动态优化集卡线路；基于集装箱作业指令池推演不同指令顺序集带来的工作影响，动态输出最佳指令排程，并指派合适的集卡执行任务。
2.3孪生空间业务应用
孪生系统与场景的构建依托数字化研发平台 完成。该平台包含DataV数据可视化应用搭建工具（以下简称“DataV”）、平行世界—模拟仿真平台（以下简称“平行世界”）、Unreal Engine 4实时渲染引擎（以下简称“UE4”）与3ds MAX等4大技术组件。其中，DataV和平行世界为阿里云自研应用开发平台。
DataV提供可视化组件、拖曳式画布、图形化界面等，可助力完成2D数据可视化业务大屏开发。平行世界为基于UE4游戏级实时渲染能力构建的空间场景开发工具，能够模拟大范围港区环境，辅助孪生业务场景开发，实现实景三维仿真、天气环境模拟、空间算法分析等功能。同时，平行世界能够基于GIS数据进一步进行程序规则建模，保证三维数字场景模型还原的数据精度、空间位置和属性信息的一致性。场景中所需设备设施模型则依据CAD设计图、照片、视频等真实信息以3ds MAX工具完成建模。在用户交互过程中，2D/3D界面通过设定的广播模式，灵活完成页面切换、三维场景点位事件触发等相应操作，为系统日常使用提供友好性和便利性。
基于数字化研发平台构建港口感知专题、事件预警专题、路网运行专题、设备追踪专题、集装箱专题等业务人员关心的应用场景，在专题中形成对生产作业运行的全面透视，同步验证全局调度数智引擎先进技术的应用成果。港口感知专题主要监控与生产运行有关的关键设施设备（多类气象传感器、全场视频监控、新基建设施等），并实时反馈相应采集数据为生产决策做参考。事件预警专题根据智能预测引擎能力呈现堆场当前与未来一段时间的堆场繁忙程度，按照业务人员关注维度对全场存在作业效率问题的设备（桥吊、龙门吊、集卡等）进行报警。
路网运行专题借助智能预测引擎、模式识别引擎能力，通过不同颜色直观表现实时和未来短时道路与路口 交通拥堵态势。设备追踪专题分设船舶、桥吊、龙门吊、集卡等4类实体的单机第一人称视角业务特写，依托4大算法引擎能力展示船舶分路作业、船/桥吊/龙门吊/集卡资源配置、内集卡路径规划、外集卡港内行车、单机实时作业状态和预警等具体作业情况。集装箱专题呈现实时更新的在场10万箱量级集装箱堆存场景，基于业务人员对在场集装箱快速检索、定位的诉求，实现通过箱号/箱位输入在三维场景中高亮映射箱体、反馈详细信息的功能。
3 系统呈现和效果分析
3.1系统场景呈现
港口感知专题设置环境感知和设备感知，前者侧重自然环境监测，接入港区定点布设传感器，实时监控风速、能见度、潮位、能源消耗等；后者包括大型港机、集卡和新基建设施监控，实时掌握设备的健康状态。5G建设和覆盖情况界面截图见图2，车路协同试点设施设备点位界面截图见图3。
事件预警专题设置全场效率预警、堆场繁忙度预警和安全告警（防台、动火等）。全场效率根据数智引擎中业务人员设定的阈值来实时考察船舶、龙门吊、桥吊和集卡是否有无法按时完成作业的风险。堆场繁忙度向业务人员提供封场、解封和资源调配等决策信息。堆场繁忙度状态和未来预测界面截图见图4。
设备追踪专题全面依托运筹优化引擎能力展示船、桥吊、龙门吊、集卡等的作业和协同情况。船舶实体作业详情页和资源配置情况界面截图见图5。针对作业船舶展示当前靠泊信息、作业进度和相应作业资源。桥吊和集卡资源协同界面截图见图6。系统针对桥吊分路展示作业进度、效率指标和集卡资源协同，配套集卡当前行驶位置、背箱状态和是否按预期时间到达标签进行展示。集卡行驶追踪和路径规划界面截图见图7。运筹优化引擎每10 s基于集卡实际位置刷新到终点的规划路径，当集卡当前预估到达时间迟于最初预估到达时间时未来路径将会变红，反之则变绿。
集装箱专题基于箱号/箱位输入映射对应集装箱堆场堆存状态，内部箱体辅以列-层剖面位置展现。集装箱在堆场中的定位映射界面截图见图8。
3.2数智引擎应用效果数据分析
为了进一步验证数智引擎在作业调度中的驱动能力和应用效果，在远控设备场地（堆场作业全部为远控龙门吊、水平运输常规/无人内集卡混行）采用同船人工（以下简称“人工”）与数智引擎（以下简称“智能”）共同调度作业的方式量化对比两者在不同衡量指标中的表现，并及时通过孪生场景做调度状态监控和整船作业后的指标展现。
本文截取持续测试迭代时期中截至2022年4月底连续70 d的同船作业集卡利用率统计指标来验证数智引擎能力，从而全面评价数字孪生生产调度业务运营框架在生产管理方面带来的效能提升。同船作业下集卡利用率对比见表1。考虑到桥吊和龙门吊的固定作业时长、港区的固有空间结构和堆场堆存率等限定条件，利用合理的指标派发来缩短集卡行驶时长是关键。因此，先行采用集卡利用率指标作为整体作业效率提升评价依据。
由表1可知，数智引擎可以经受长时间持续运行考验，对数字孪生业务运营整体框架运转的驱动具备可靠性保障；同船作业下智能模式在绝大多数时段的表现优于人工调度，在作业效率方面有切实的提升。虽然今后数智引擎能力的应用仍需要依据人工/智能模式下作业条件（卸船箱占比、箱区通畅情况等）难度的不同做加权评估，但也需要通过桥吊作业均衡度、桥吊作业效率、路段流量均衡度和集卡箱区通过时间等更为全面的指标体系来进行立体式衡量。
