文摘

数字双(DT)、机器学习和工业物联网(IIoT)提供潜力巨大的转型从自动化集装箱码头到智慧。生产控制自动化集装箱码头的装卸过程(行为)涉及复杂的情况下,效率和安全性提出了较高的要求。实现实时优化和安全的行动,一个框架集成DT与演算法的研究。框架主要由物理空间,数据服务平台和虚拟空间,双胞胎的空间和服务体系构成虚拟空间。在拟议的框架中,在双空间多维多尺度DT模型首先是通过一个3 d MAX和U3D技术建造的。其次,我们引入一个随机森林和XGBoost与演算法选择最佳算法训练和优化DT机制模型。第三,实验结果表明,该演算法比其他的性能指标,通过比较模型的准确性,均方根误差,可判断的差异,拟合误差。此外,我们实现实证实验通过不同尺度进一步评估拟议的框架。的实验结果表明,该模式DT-based终端操作的装卸效率高于传统的终端操作,在小规模和大规模问题增加了23.34%和31.46%,分别。此外,提供的可视化服务DT的系统可以实时监控自动化设备的状态,确保安全操作。

1。介绍

国际运输的集装箱码头是一个关键的节点,陆地和海洋之间的货物运输的一个重要中心(1]。随着自动化集装箱码头(行为)的深入建设,从自动化转换到情报这一趋势在集装箱码头(2]。各种先进的技术、设备和智能系统被应用到集装箱码头实现自动化,高效和环境友好的操作。装卸效率、安全和服务能力确定行为的智能程度(3]。目前,该法案的发展面临着重大挑战,如安全性和效率(4]。高操作风险和应急能力有限在行为发生。装卸是一个高风险的操作,具有高安全要求的工作环境,机械设备和运营商。在操作的过程中,需要面临各种潜在的安全隐患,如设备故障,设备冲突,和人类的过失。这些隐患产生负面影响的操作安全。另一个关键问题是装卸效率,限制经济发展。处理设备的处理速度、水平运输时间和等待时间之间的设备是关键影响因素行为操作的效率。因此,它具有重要意义,进一步提高行为的安全性和运行效率与先进的技术和生产控制方法来实时监控操作。

一些研究行为的运行控制提供了安全生产经营效率。钟等。5)建立指挥控制系统使用可替换主体技术的体系结构和实现提高运行效率,确保安全运行的终端。马等。6)使用突变混合青蛙跳跃的算法来提高水平运输的效率。然而,研究人员主要关注历史数据的分析,很少考虑到实时和虚拟数据的操作行为。上述研究的共同特征是基于物理空间。之间缺乏整合物理空间和虚拟空间和每个系统所产生的数据是相互独立的,它提供了一个低价值的优化法生产控制(7]。因此,仍有许多问题在生产控制研究的行为。第一,提供了一些方法来实现实时迭代优化的虚拟和物理空间的行为(7]。此外,大部分的行为都是基于单一类型的研究数据,数据在系统中孤立存在的。换句话说,当前的研究侧重于历史数据,忽略了实时数据,仿真数据,融合数据。这增加了难以控制的实时过程行为。在一些特定的假设条件下,数学模型和算法6,8用于提高操作效率,这是不符合实际的工程应用。

与应用程序的新一代信息技术产业等数字双(DT)、人工智能(AI),和工业物联网(IIoT),物理和虚拟空间之间的交互成为可能(9]。DT是物理实体在虚拟空间的镜像,虚拟现实映射的特点,实时的先见之明,闭环。道和张10]应用DT具有和建立了DT框架。基于该框架,比如虚拟真实的集成生产特点,操作迭代和优化具有探索。尤金et al。11]应用DT空运货物的装载。通过构造一个闭环动态空运货物装载DT的系统,装载优化和实时可视化在动态环境中实现。此外,魏et al。12]深深地集成提出客货滚装港口和DT的系统组成和操作机制。的应用DT在先前的研究主要集中在制造工厂、航空、滚装港口,但很少有研究生产控制行动。在此基础上,提出了一种DT与演算法应用程序框架集成优化生产控制的行为。它不仅能处理操作的不确定因素在时间,但也更准确地控制生产过程和灵活。

本研究结合了DT和机器学习探索一个智能操作模式的操作行为。提出了DT与演算法应用程序框架集成,可以全面管理和控制的行为操作的不确定因素。针对不确定性干扰,双数据用于生成动态模型迭代地根据环境的变化。然后,介绍了学习演算法训练模型反复更好的控制操作。此外,提出了应用DT应用程序框架为开发DT的系统行为。传统和DT-based操作测试与不同尺度进行演示的效率提出了DT的应用程序。

本文的其余部分组织如下:在部分2,有一个DT研究文献总结,机器学习,和终端生产优化。DT理论建立参考模型,提出了应用程序框架详细描述部分3。部分4说明了模型训练和实验结果。部分5简要总结了研究。

2。相关工作

DT反映出精确的物理空间和虚拟空间之间的映射(13]。然而,DT的研究在理论和实际应用仍处于起步阶段。没有普遍的定义,实现框架,和协议(14]。DT是一个信息模型相当于一个物理实体在虚拟空间15]。它可以用来模拟、优化和控制物理实体的行为。“双胞胎”的概念可以追溯到美国宇航局的阿波罗计划,这是建立允许镜像空间的条件下车辆在任务(16]。迈克尔·格里夫斯在2003年首次提出这一概念的DT和定义它的概念模型17]。这个模型主要由物理实体、虚拟实体,和他们的联系。当时,由于不成熟的数据采集技术在生产过程中,计算机性能的难度以及算法实时处理大量数据,DT尚未广泛关注(18]。为了进一步理解DT的概念,本文通过具体解释DT详细DT在各领域的应用。目前,DT是广泛应用于制造业、航空航天、医疗、电力系统、海上运输、和其他领域。智能制造是最关心和中国的热点研究领域。几位作者19- - - - - -21]提出的概念DT研讨会,希望通过互动实现智能制造和集成的物理世界和信息世界。美国空军研究实验室应用DT来解决未来飞机的维护和寿命预测问题在一个复杂的服务环境22]。Hanel et al。23)设计了一个基于规划方法和过程数据加工流程通过使用组件的示例创建一个DT模型在航空航天工业。刘等人。24]提出了DT-based医疗云医疗系统框架实现的管理监控、诊断和预测个人的健康。周(25]DT框架应用于电网的在线分析和提出了在线分析DT (OADT)方法实现数字化电网调度规则。特别是,一些研究人员开始关注DT在港口领域的应用。在这,更关注港口操作,终端设备的维护。魏et al。12]深深地集成DT技术与传统的港口和创建一个方程的系统架构DT客货滚装港口实现数字化和智能化操作的端口。霍夫曼和品牌(26DT]用来不断评估当前调度策略和配置方案,以得到最好的调度策略来提高港口资源利用率。此外,Szpytko和杜阿尔特(27应用DT]集装箱码头和建立起重机运行状态下的综合维修决策模型使用DT的概念。这大大减少了龙门起重机失败的风险(GCI),提高了运行效率。

机器学习是人工智能的一个重要分支。这是一个方法,计算机获得一定的模型使用现有的数据和使用这个模型来预测未来。机器学习算法主要包括神经网络、支持向量机、决策树、聚类和回归算法。随着人工智能技术的快速发展,机器学习已经吸引了越来越多的关注。陈等人。28)使用一个多视图学习算法来提取船舶描述符从不同船舶特性集来实现高效的船舶跟踪。范教授等。29日)提出了数据挖掘和机器学习技术的应用在金属行业。Shahrabi et al。30.)利用强化学习来处理动态作业车间调度问题的不确定性下随机工作和机器故障。李、徐(31日]讨论了机器学习在智能交通中的应用。机器学习方法应用于交通流预测来解决这个问题,传统的交通流预测模型无法应对交通流的复杂变化。崔书记et al。32应用机器学习行为。自动引导车辆的调度策略(AGV)是由在线动态调整学习算法的偏好。分钟et al。7机器学习应用于石化工业。石油工业的生产优化的DT框架提出了基于机器学习。DT模型是由机器学习训练和大数据技术实现生产控制的优化。行为操作包含一系列相关操作过程的行为,及其复杂性涉及许多决策问题通常讨论的终端(5]。直到现在,有丰富的研究集中在操作的行为,如安全的操作,处理设备调度,存储空间分配和综合调度multiresource [33]。陈等人。34]部署自适应该船行为分析框架网络自主车辆检测系统的自动化终端来提高交通网络的能力和安全。至于使徒行传的设备调度,先前的研究都集中在提高自动化码头起重机的运行效率(AQCs),自动引导车辆(agv)和自动院子起重机(美国青年代表大会)。AQC调度是最小化船舶操作通过确定最优操作完成时间序列处理容器。Dagansuo [35)是第一个研究起重机multicontainer船码头的调度问题。在后续的研究中,各种约束被认为和noncross约束引入AQC调度问题。同时,启发式算法用来解决模式36]。美国青年代表大会安排着重于获得一个最优方案为一个或多个美国青年代表大会堆栈和回收集装箱在码头堆场37]。许多研究人员研究了单一的叠加操作起重机。除此之外,一些研究已经考虑多个鹤共享的设置一个叠加(38]。AGV调度问题,大多数研究者关注寻求车辆优化分配和路由计划(39]。陈等人。40]提出了一种基于计算机视觉的方法技术从视频中提取车辆轨迹有效和准确和丰富更多的轨迹数据集交通条件下交通流的研究。Tasoglu和Yildiz41)提出了一个模拟文中针对的解决方案方法集成的泊位分配和美国青年代表大会调度问题等许多因素的影响下在泊位布局。Homayouni et al。8)提出了一个混合整数规划模型处理设备的综合调度的行为,并使用模拟退火算法找到最优解。

从上面,DT和机器学习的实用价值在制造业、交通运输等行业已经证明在许多现有的研究。然而,应用程序之间的交互DT和机器学习的行为仍需要进一步探索。通过回顾和分析现有的文献,发现仍有一些内容需要进一步探讨和研究。首先,应用程序框架,它可以支持DT行为操作优化的理论和方法仍然需要。第二,它探索了如何动态地更新DT模型对不确定因素的影响。最后,DT体现的实时性能。时间序列数据的采集和处理在不同时期也是一个困难的问题支持机器学习完整的模型训练。因此,根据上述分析结果,提出了一种新的生产经营模式适用于行动。然后,机器学习用于提高DT应用程序框架实现生产控制的优化行为。此外,框架是应用于一个实际的自动化终端验证其可用性。

3所示。方法

3.1。DT理论参考模型生产控制行动

在当前终端操作模式下,通常由系统生成的数据直接影响到字段的信息流。它并没有被用来更新虚拟终端迭代适应动态的环境中操作。此外,传统的终端生产控制方法通常是根据专家的经验。然而,DT-based终端操作模式是一个迭代的物理和虚拟场景之间的互动过程。在DT框架中,终端的实时数据生成操作不断传播通过IIoT虚拟模型技术。实时和历史数据用于训练和更新模型。反馈是提供给生产控制系统实现实时控制。在本节中,DT理论参考模型的操作行为进行了探讨。

通过应用程序的探索实践的DT,五维DT模型提出了(9),验证了有满意的实用性42]。它还提供了一个通用参考模型DT在不同领域的应用43]。因此,对于上述行为的挑战,一个DT参考模型( )操作优化的提高:参考模型(见图1)。它可以表达的形式five-tuple模型,如方程所示1。 TPS,电视、TSS、TDD和T_C表示终端物理空间、终端的虚拟空间,终端服务系统,终端双数据,分别和连接不同的元素。 这意味着可以定义。TPS被认为是构建的基础模型,它提供了基本的生产环境的操作终端。电视是TPS的映射,它还可以监视和控制TPS。TSS的核心组件 ,完成功能实现和应用服务的各种数据、模型和算法的操作过程中。此外,它还可以开电视和TPS保持同步。TDD的关键驱动因素 ,可有效解决信息孤岛问题的操作行为。T_C不仅是关键环节建设的关键,也是确保操作的先后迭代优化过程。接口(例如,RPC、JDBC)和协议(如OPC、Http Restful)定义支持之间的关系 。

3.2。一个集成的DT行为操作的应用程序框架

基于DT理论参考模型提出了部分3.1,一个集成的DT与演算法应用程序框架的行为操作优化是在这一节中讨论。它包括三个部分:物理空间,数据服务平台和虚拟空间。在行动的过程中操作,DT的应用实现了虚拟世界和现实世界之间的互连。此外,它提供了一种实用的解决方案来实现整个物理系统映射,整个参数动态建模的物理实体,和操作的实时迭代优化过程。因此,通过迭代优化整个生产过程和之间的交互虚拟现实、智能决策行为操作过程中实现。一个集成的DT与演算法应用程序框架如图操作优化2。

法生产一个集成框架的施工过程控制如下:根据布局、生产因素和工艺流程,相应的虚拟模型。之后,基于历史数据的终端操作系统、虚拟模型是由机器学习训练。通过一系列的评价指标,虚拟模型评估,验证和优化。然后,使用实时数据驱动虚拟和现实之间的同步。结合生产需求的输入信息和现场操作的实时数据,模拟虚拟模型中的最优解决方案。解决方案反馈给终端操作系统来指导现场操作。最后,还有一个圆形的交互虚拟与现实之间。适应终端生产环境的动态变化,实时的虚拟模型是优化迭代的基础上不断更新数据。

3.2.1之上。物理空间

物理空间是指现有的物理实体行为的集合。它不仅能保证行动的基本操作,但也提供了数据信息的虚拟空间的所有元素。图的底部所示2物理空间是由物理实体,如容器、装卸设备,和环境,它提供了一个复杂的行为操作和动态生产环境。这些物理实体是分布在不同地点的行为并通过IIoT连接技术。物理空间的正式描述方程所示(2)- (5): PS是一组的所有物理实体。电脑是一组容器。体育是一组处理设备。PG是一组场景和环境。PN是一组智能网关。⋈指的是自然连接电脑,PE、PG, PN,表明它们之间的自主交互。是容器的数量。是容器。是集装箱号码。是容器的惟一代码绑定RFID标签。是容器的属性的集合,包括重量、类型、长度、宽度和高度。意味着出发地或目的地的容器。是当前存储位置的容器。是出发或到达的日期的容器。是其他一些信息的容器。将设备的数量。体育_我是我将设备。E_ID是一组设备数量。是一组设备类型,包括处理和运输设备。是关键设备的参数集。设备的当前状态,如闲置、运行和故障。设备的位置。是一组实时数据在设备操作。是一些关于设备的信息。

物理空间的信息感知的关键是建立虚拟和物理实体之间的一对一的映射。在这项研究中,多源数据的数据传感方法的行为分为三类:人工静态数据传感、各种传感器传感数据,基于rfid传感数据。此外,不同的接口(如RS232、RFID、MODBUS)和通信协议(如TCP / IP、OPC)被定义为行为多源数据采集和传输。多源数据采集和传输主要是通过三个模块:控制模块和执行,感知模块和网络模块。由PLC控制和执行模块,服务器,工人,机械控制,显示终端,控制设备的操作。的感知设备、人员和环境的过程中操作,即收集行为操作的全要素数据信息。网络模块由RFID通信、智能网关通信,无线传感器网络,上行传输感知到的数据信息。考虑设备之间的差异,一些可以直接通过网络模块。

3.2.2。数据服务平台

数据服务平台是连接物理空间和虚拟空间的介质的操作行为。通过交互操作数据在数据服务平台之间的双向映射和互连实现物理和虚拟空间。图中所示2数据服务平台,主要包括数据处理、数据映射和数据存储。

(1)数据处理模块。原始数据获得的IIoT和无线传感器技术主要是时间序列数据。时间序列数据的快速处理,确保物理和虚拟空间之间的同步。使用机器学习来完成模型训练成功,数据需要清理,重新取样,相关,和维数降低。(1)数据清理数据清理在时间序列数据处理中发挥着重要作用。其目的是过滤和删除重复或冗余数据,补充缺失的数据,纠正或删除错误的数据从原始数据,最后整理数据,可以进一步使用。本文数据集包括集装箱号码,自主移动小车数量,自主移动小车的位置,无人搬运车残余力量,自主移动小车的速度,自主移动小车现状,自主移动小车发动机电流和电压,自主移动小车运输时间,AQC号码,AQC位置,AQC完成时间,AQC位置速度,AQC引擎电流和电压,美国青年代表大会,美国青年代表大会的立场,美国青年代表大会完成时间,美国青年代表大会引擎电压和电流,等等。首先,数据集预处理,如数据备份,统一每一列的数据格式和删除多余的空行。第二,数据集的缺失值填补。预处理的数据集由拉格朗日插值方法在方程(补充6)。最后,处理异常数据。删除或修正平均价值的异常程度。 在哪里是满值,相应的独立变量的位置,相应的函数的值是在这个位置,是一个多项式,多项式的次数。(2)数据重采样在行动的过程中操作,不同类型的时间序列数据的采样频率是不同的,但这些数据的连续性。因此,有必要使用数据重采样频率实现时间序列数据统一,也就是说,将时间序列数据的过程从一个到另一个频率。一般来说,选择任何数据维度作为基准,其他维度的数据与基准一致。的一个示例数据重采样方程所示(7)和(8)。首先,假设两组数据收集和频率,和 ,分别。第二,采取为基准,新数据维度是由的采样频率是一致的 。 和是什么位置吗和数据集。 (3)数据相关性分析和降维数据量和数据维度时,应该考虑使用机器学习训练模型。在大多数情况下,大量的数据将导致机器学习运行缓慢。此外,过大的数据维度很容易导致维度灾难。因此,采用数据降维方法。一般来说,有两种方法可以降低数据的维数。一个是使用主成分分析(PCA),通过破坏的原始结构数据来提取其特征。第二种方法是相关分析的数据。选择的属性数据通过一定的规则来达到降维的目的。在实际工程问题中,收集到的数据本身有一个非常重要的物理意义和研究价值。提取的主要功能将破坏原始数据的信息。 Therefore, this study tends to the latter. Pearson correlation analysis was used to consider the correlation between the two sets of data, as shown in equation (9)。 在哪里是数据中包含的数据集的数量和价值的−1和1之间。值越大,相关性越强。

(2)数据存储和数据映射模块。数据存储模块存储处理过的数据为虚拟空间,并提供持久数据服务。存储的数据主要是物理数据和虚拟数据。物理数据主要包括任务数据、设备数据容器的数据,等等。虚拟数据主要包括仿真数据、模型数据和决策数据。关系、非关系和时态数据库用于存储不同类型的数据。它提供了可靠和可重用的数据资源为行为操作分析和决策。

数据映射是建立数据通过数据结构之间的映射操作机制的信息。它支持同步物理数据之间的映射和虚拟操作。数据时间分析,数据关联和数据同步包括(8]。首先,时态数据模型是通过数据的特点建立起来的。第二,数据的快速索引和多尺度变换序列用于完成数据序列分析、复杂网络和相关算法用于实现数据协会。最后,通过数据之间的关系和虚拟现实关联规则中,该法案建立数据网络完成运行状态分析。

3.2.3。虚拟空间

虚拟空间主要由双空间和服务体系,见图的上半部分2。DT服务系统主要提供调度方案生成、操作设备和过程状态监控、生产信息统计、行为操作和其他服务。双空间提供了一个虚拟操作环境的行为。双空间的建设主要包括整个因素实体建模、操作过程的动态建模和仿真建模的行为。生成的操作计划服务系统将验证双空间。双子空间将验证结果反馈到服务体系。服务系统将调整操作计划的结果。调整操作计划将继续被送到双空间验证,直到设定优化目标。将迭代两空间之间的相互作用和服务体系,以确保连续操作的终端。双空间中扮演一个重要的角色在虚拟空间。 To restore the scene more truly, the whole factor entity modeling and dynamic modeling of operation process for the ACT are described.

(1)全要素实体行为建模操作。多维双模型的机械设备、容器及其他生产要素的行为是由几何、物理、行为规则和维度。几何模型是构建符合元素的几何特征参数。物理模型是集成设备的深刻的物理特性基于几何模型。行为模型描述设备的行为根据组件之间的行为关系。规则模型使用XML语言描述设备的演绎和关联规则,实现多维建模元素。自主移动小车的多维双模型(见图3)。每个元素的多维双模型组装和集成空间布局和设备连接关系领域的操作。多维、多尺度模型的部分设备来构造整个工作环境。在这项研究中,3 d Max和统一的3 d是用来完成多维、多尺度模型的快速建设,和正式的描述方程所示(10)- (14)。 PC′, PE′, PG′, PN′代表DT多维模型对应于每个生产元素。⋈指电脑′之间的自然联系,PE′, PG′和PN′。对应的虚拟实体容器。对应的虚拟实体将设备。 意味着可以被定义为。是一组几何模型。是一组物理模型。是一组行为模型。是一组规则的模型。代表了一对一的映射关系。

更重要的是,验证虚拟真实的DT模型的一致性需要根据通过虚拟现实一致性的验证规则提出道et al。44]。它可以确保有效性、正确性和准确性的模型(见图4)。

(2)动态DT建模法的操作过程。行为操作的过程中,有许多因素影响运行效率,AQC的操作状态,AGV和美国青年代表大会是耦合的。很难建立一个更精确的动态机理模型的操作。因此,DT-based动态机理模型提出了准确应对动态变化的行为操作(参见图5)。学习数据的机器学习方法。通过数据训练,算法模型和基于模型的优化目标是完成。DT可以为生产过程分析提供有力的数据支持。因此,使用机器学习训练DT动态模型。在进入机器学习的阶段,数据采集、预处理和特征工程应该完成。各种数据操作是在前一节中详细描述的数据处理平台。接下来,训练和验证,模型的优化和部署将全面描述。(1)模型训练和验证培训和验证DT模型之前,数据分割完成。处理过的数据集分为训练集和验证集。特别是,训练集占总数的80%数据集。训练集用于构建预测模型。然后训练模型预测验证。根据预测模型优化结果。训练的目标是建立数学关系通过现有的数据和算法,如方程所示(15)。 在哪里是控制目标,是一个实时可控变量,然后呢是一个实时的控制变量。装卸的场景同步考虑。假设集装箱数量的任务是加载和卸载 ,时间来完成一个集装箱和任务开始时间 。 指任何行动中产生调度方案操作。装卸作业的完成时间见方程(16)。最小化完工时间,机器学习目标为目的的行为操作优化可以通过方程描述(17)。 在培训的过程中,机器学习算法,如决策树XGBoost,演算法,随机森林用于训练模型。决策树是一种机器学习算法,可以解决分类和回归问题。决策树训练的过程是将样本分割成子树节点通过不断选择分裂属性。分割的目标是最小化每个节点的收益。得到的计算值方程所示(18)。 在哪里和表示每个节点的分割树枝和和是返回的值的两个子节点。XGBoost算法是一个典型的增强算法。这是一个损失函数的二阶泰勒展开和正则化项添加到目标函数中找到的最优解,如方程所示(19)。这使得目标函数和平衡模型的复杂性,和过拟合现象是可以避免的。 在哪里模型的复杂性。演算法不仅是一种迭代算法,也代表增强算法。权重在每次迭代更新错误。算法的主要思想是添加一个新的弱分类器在每一轮直到到达预定的足够小的错误率。弱分类器的数量。如方程所示(20.)。然而,随机森林是一个典型的基于决策树的装袋算法。它使用装袋技术培训一些小型决策树,最后集和平均这些小决策树的预测结果完成森林模型的建设。 验证集和评价指标用于验证不同模型和训练不同的算法的结果。准确性评分( ),均方根误差(RMSE),可判断的方差(Ivar)和拟合误差(FE)被用来评估模型质量。方程(显示了模型的计算精度21),和分别预测价值和实际价值。 均方根误差的平均值的平方根预测值和真实值之间的误差,如方程所示(22)。值越小,误差越小。的最小值0表示一个完美的模型。的最小值0表示一个完美的模型。 Ivar指数色散之间的相似程度的所有预测值和真实值之间的差异和样本的离散程度,如方程所示(23)。最大值为1。值越大,越接近预测和样本值的离散程度。 有限元的计算方程所示(24)。它真正的价值和绝对价值可以表示为一条曲线直观地比较不同算法的效率。 (2)模型优化和部署安全一直是最关心的问题行为。模型投入生产前,必须用来完成实时数据模型试验在测试网站来验证模型的有效性和安全性。模型优化的实际测试结果和反馈相关技术部门。在线优化DT模型可以部署。DT模型需要与IIoT和TOS系统行为充分获取实时数据。相反,DT模型将提供反馈系统运行结果,这样系统可以改变不当的地方。然后,控制命令发送到控制和执行模块实现操作的优化行为。

4所示。案例研究

4.1。背景

上海阳山第四阶段自动终端位于西区的洋山深水港,2017年12月开放试验操作。这是最大的集装箱码头综合自动化程度最高的世界。目前,21 AQCs, 108美国青年代表大会,110年自主移动小车已经投入运营。终端处理操作的自动化处理设备主要由终端处理、水平运输,院子里处理和自动化终端生产控制系统。终端的系统结构和操作过程图6。随着人工智能的发展,自动化,和其他技术,在提高处理效率和安全生产具有明显的优势。进一步提高生产力和操作安全的终端在原来的基础上,上海港口终端智能运营管理和控制项目启动,包括使用大数据,机器学习,和其他技术完成DT的发展系统。

4.2。分析

4.2.1。准备参数设置

集装箱装卸码头操作的核心。装卸作业过程中实验中,船的参数需求,所需的设备数量,数量的任务,容器的分布区域设置(见表1)。在测试实验开始之前,电池完全充电和轮胎压力应该正常。此外,考虑到功耗和故障条件下连续操作。

4.2.2。模型训练

DT模型训练的目标是最小化最大完工时间的。的速度处理设备,设备之间的等待时间,失败率,和其他因素会导致目标的变化值。获取终端操作的历史数据后,将补充缺失数据方程(6)。然后,自主移动小车运行速度设置为数据采样频率基准在许多指标影响完成时间。数据采样间隔 。其他指标重新取样使用方程(8)。最后,分析了指标之间的相关性通过方程(9)。

基于历史数据,DT模型训练的演算法,随机森林,XGBoost算法。使实验更有说服力,六个时间点大间隔是随机选择参考点的训练。的时间间隔为30天,每个算法的测试时间是5。此外,75天之前,每个时间点的数据作为训练集,和后15天的数据作为验证集算法之间的差异进行比较。菲曲线(见图7)直观地显示学习演算法优于随机森林和XGBoost算法。方程(21)- (23用于进一步的比较分析,全面评估模型(见表2)。结果在表2表明,该模型的训练,学习演算法比其它算法虽然比较好 ,RMSE, Ivar。因此,学习演算法选择火车DT模型。

4.3。结果与讨论

通过验证,DT模型的优化和部署在前面的小节中,DT-based实验平台构建(见图8)。因为系统的实际使用分类,本文中所示的照片是仿真过程实验室电脑的照片。由物理空间的实时数据,由机器学习DT模型优化,以确保物理和虚拟之间的同步操作。通过迭代之间的交互服务系统和双空间,终端操作的实时管理和控制过程。在装卸的情况下同步,机器学习的目标是最小化完工时间。两组小规模和大规模的测试一直在进行常规和DT-based终端操作模式。任务5至30的数量被定义为一个小规模的问题。数量在30至200岁之间的任务被定义为一个大规模的问题。参与日常经营行为的数据被记录在实际测试结果根据任务的数量。DT-based法案流程完成测试在同一个场景,并记录相关的数据信息。 Compared with the conventional ACT operation process, the DT-based performance evaluation indicator on the ACT operation process is analyzed.

在这些指标中,操作时间的AQCs指AQC完成任务所花的时间乘以每个AQC任务的平均数量。自主移动小车的周转时间指的是任务的完成时间AGV -接收任务的时间。美国青年代表大会的操作时间是美国青年代表大会完成任务所花的时间乘以平均数量为每个美国青年代表大会的任务。自主移动小车的等待时间是自主移动小车的等待时间之和AQC或美国青年代表大会。AQCs的操作效率的操作时间AQCs除以AQCs操作时间。自主移动小车的流动率是任务完成的营业额乘以AGV每小时。失败的数量是指失败的数量在任务的自动化设备。系统时间指的是时间期间由系统发出指令操作。考的是时间完成最后的任务,也就是说,最后任务的结束时间之间的差异和第一个任务的开始时间。

4.3.1。测试结果为小规模的问题

处理操作与20个任务进行了测试,包括两种传统模式操作的结果和DT-based操作。测试用例由AQCs性能指标的评估,自主移动小车,美国青年代表大会。十个测试进行了在这种规模的处理操作,以及评价结果(见表所示3)。

传统的终端操作的性能指标的价值来自于实际操作数据和数据的计算结果。DT-based终端操作可以不断优化和更新DT模型实时传感数据的物理空间。现场操作的情况下通过调整驱动的实时数据处理的拥挤和等待操作。从表可以看出3的任务完成时间DT-based终端操作比传统终端经营低23.34%。显然,运行效率已得到改进。然而,这是一个迭代的相互作用过程中DT-based终端操作,耗时超过传统的操作模式。据统计,系统时间是51.47%高于传统终端操作系统在小规模的问题。此外,这两个空间将提供反馈系统基于位置和设备的性能。系统分配任务到最近的设备来减少等待时间操作的反馈结果。AQCs的操作时间和美国青年代表大会和自主移动小车的周转时间DT-based终端操作已经减少了在某种程度上,这是减少到23.52%,21.53%,和24.76%的传统经营模式,分别。AQCs的运作效率也得到了改进。的失败率,与传统模式相比,失败的数量大大减少由于预测DT的特征。DT-based终端操作的过程中,系统将预测可能失败的设备电机功率,轮胎压力和其他相关的性能数据。 During this period, the use of these devices is reduced to reduce their failure rate.

4.3.2。测试结果对大规模问题

两种模式的测试结果在120年大规模问题任务(见表4)。从表可以看出4DT-based终端操作模式仍优于传统终端经营模式。与小规模操作相比,基于DT的操作模式已经进一步提高操作效率从23.43%提高到31.46%。此外,系统时间消耗从51.47%降低到38.55%。DT-based终端经营模式的主要原因是使用机器学习,不断学习美国的操作流程和更新DT模型。这使得操作模式更适合实际生产的情况。虽然系统耗时较低的传统终端经营模式,两种模式之间的差距已经缩小。相信经过反复迭代,DT-based终端经营模式将会比传统的操作模式的系统耗时。

总之,两个尺度上的测试结果表明,DT-based终端操作模式可以有效地优化生产控制在同样的生产环境中通过设置机器学习的目标最小完成时间。连续训练和DT模型的优化也确保终端的操作安全。摘要DT应用程序框架和系统的实现有一定的理论和实践意义的快速和高效的生产控制的行为。同时,DT应用在港口和交通行业具有指导意义。

5。结论

本研究提出了一个安全操作优化框架集成DT学习演算法的行为。提供一个更完整的数据集的训练DT模型,我们使用数据清理,数据重采样和相关分析处理缺失值的问题和不一致的原始时间序列数据的采样频率。在那之后,多维、多尺度DT模型。演算法、随机森林和XGBoost算法用于训练DT动态机理模型来处理不确定性的发生的操作。更具体地说,全面评估模型的质量 ,Ivar RMSE,铁,以确定哪些算法用于训练模型。然后,实时数据训练模型测试的终端操作,和模型优化和部署在线结果显示。根据拟议的框架,DT系统开发的行为。不同规模的实验进行演示的集成应用DT和行动学习演算法。实验结果表明,DT-based终端操作模式的装卸效率高于传统的终端操作效率。

在未来,以下几个方面可以进一步扩大这项研究。首先,研究建设的高保真虚拟空间模型有一定的价值。第二,施工复杂的DT动态机理模型和模型评价指标的选择值得进一步研究。最后,一个集成的应用DT框架和建模方法在AGV调度也将是一个重要的研究方向。基于DT,新一代的虚拟真实的组合和智能决策AGV调度双环境来解决复杂的AGV调度问题建立了multiresource集成和强烈的动态实时性能。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是国家重点支持的研究和发展计划拨款2019 yfb1704403下的中国。