文摘

数字双胞胎可以促进集装箱码头的高保真表示通过各种技术和方法,以更好地衡量,理解,和改善操作。本文基于数字的决策支持系统(DSS)双胞胎和大数据技术的目的是演示如何实时监控,可以建立一个集成的决策支持。DSS提供最佳的操作计划和基准船延迟早期预警通过不同的资源分配模拟在规划层面。它进一步支持实时操作决策通过实时监控和效率分析使用大数据引擎在操作级别上。一个案例研究是超大阳山深水自动化集装箱码头进行第四阶段(ACT4)在上海(中国)和实验结果表明,该数字twin-based DSS可以帮助ACT4运营商评估船舶服务使用优化资源配置计划和操作。

1。介绍

集装箱码头(CTs)作为主要的接口为陆地和海洋之间的货物流和扮演了一个重要的角色在促进全球贸易。由于船舶吨位的不断增加,集装箱卷和有限的资源,提高集装箱码头的运作效率为船舶在时间和保持竞争力为全球港口运营商仍是一个紧迫的问题。因此,在过去的几十年里,研究人员致力于开发方法提高利用终端资源分配(1,2]在泊位,码头起重机(qc) [3,4),存储码(5),和院子卡车(走)6]。上述研究中大多数采用的数学模型来解决决策支持问题。然而,这些模型没有考虑操作因素和变量影响正在进行的业务终端,限制其实用性。在实际操作情况下,各种因素不能被提前的数学模型,如欧美交通阻塞、设备故障、不准确的集装箱信息,和天气的影响。因此,研究应用仿真模型来评估性能的数学模型不确定的情况下,以克服传统优化模型的缺点。然而,这些方法所面临的主要挑战之一是,他们再次基础上许多静态假设和不能充分反映实时情况(7]。因此,这些方法通常不允许运营商进行实时决策改变现有运营计划出现不确定性时。

数字双胞胎(DTs)方便的虚拟表示物理系统及其相关流程和环境,建立一个双向实时的信息交换(8]。最近,DTs一直强调的最重要领域之一主要集装箱码头运营商终端操作。许多作品强调了DTs的重要性决策在集装箱码头的背景下(9- - - - - -11),而实际应用仍然是稀缺的。在相关研究中,DT通常用作数字表示实际系统的仿真目的为了验证优化结果应用在更复杂的环境。此外,DTs在集装箱码头中的应用表明,大量的数据需要处理。几乎代表物理终端基础设施和设备,收集的数据通常是建立采用物联网技术(物联网),如传感器和致动器。自动化设备,如自动引导车辆(agv),由设备管理控制系统(ECS),提供机械数据的直接访问。代表流程和环境,可以集成到其他数据源DT,比如事务数据的终端操作系统(TOS)或预测船舶贱民(预计到达时间)从外部服务和天气。因此,DTs在CTs是高度依赖的应用大数据技术,允许实时决策。

上海市洋山深水自动化集装箱码头第四阶段(ACT4)是世界上最大的自动化终端(12),被认为CT行业的高度。由于其规模和声誉,ACT4贡献对Shanghai-Yangshan多层网关的发展中心以及上海作为全球城市的地位(13]。试运行以来,2017年12月,ACT4已经积累了大量的数据与设备性能和操作流程。给定的数据量,有一个未开发的潜力,更好的理解和提高终端操作使用一个DT。然而,大数据的处理是一个挑战的收集、清洗、挖掘巨大的数据集,以及管理日益繁琐的数据处理管道(14]。

克服传统优化模型和模拟模型的不足,我们提出一个新颖的实时DT-based DSS框架不断监视当前操作,触发计划流程,模拟未来情景使用调整参数以适应相关的操作计划和流程。在这方面,不同的操作和微程序级实时运行监控宏观的规划问题是考虑泊位优化资源利用率,qc,走,和庭院空间。同时,我们设计一个反馈机制基于预警船舶延误将宏观的资源规划和微程序级操作。这种集成至关重要的有效操作DT-based DSS系统。首先,DSS不仅模拟宏观的规划,而且还提供了实时监控和决策支持的操作实体通过深入分析微级。此外,它可以在宏观的进一步优化计划通过调整参数在微程序级。作为第一应用程序中,我们考虑船舶服务延误预警,这不仅导致较低的顾客满意度和处罚还反映macroplanning决定microentity的船。为此,DSS同时实现资源分配计划在接下来的24小时操作,使用优化的结果模拟未来8小时的操作,并选择最佳的资源分配计划基于反馈机制。当终端操作,DT-based DSS不仅实时监控整个过程,也为操作员提供早期预警和优化计划。

我们对现有文献的研究贡献如下:首先,提出DT-based DSS提供了一个完整的生命周期资源优化终端解决方案,从宏观的资源规划微级操作。其次,基于预警反馈机制,结合宏观的资源规划和微程序级操作,可以调整资源分配计划实时通过DT避免船舶操作延迟。最后,案例表明,我们的DSS框架扩展了应用DT的超大CT和展示了如何DT-based DSS CT运营商可以提供决策支持。

本文的其余部分组织如下:部分2提出了一种文献综述强调了DSS的动机。部分3描述了DT自动化终端的架构。部分4进一步解释了该系统的设计和实现。部分5DSS的礼物数值实验仿真结果,分析了实时监控的有效性和某些情况下的预警机制。部分6介绍了这项工作的结论和局限性,以及未来研究的方向。

2。相关工作

自1960年代以来,信息系统和技术的开发和使用大大促进了现代CTs对有效操作(15]。在当前阶段的数字转换、港口和码头海上目标建立智能程序,涉及到现代技术的应用,以更好地衡量,在港口业务分析、决定和行动。这涉及到概念,比如物联网、大数据、云计算、区块链,以及支持(实时)数据可视化工具,分析和决策(16]。DTs结合几个概念、技术和方法,以建立一个虚拟的双胞胎,用于学习从过去或未来情景模拟为了支持甚至数据驱动的决策在实践中应用。因为DTs的概念是迈克尔·格里夫斯在2002年提出的,后来在2012年由NASA使用来描述复杂部件的仿真模型17),几项研究都集中在他们的应用程序在不同的领域,包括智能制造(18)、维护(19)、供应链管理(20.),生产物流(21,施工现场物流(22]。在本节中,我们专门审查文学提出DTs在集装箱码头作为决策支持的基础。

讨论了DTs在集装箱码头中的应用在不同的文学水平。在宏观的应用程序的术语,DT的应用技术在海洋产业与制造业领域关于概念和实现框架,平台(23),在泰勒和实际实现。研究中列出几个DT平台应用到海上运输和证实的可行性应用DT系统构建的智能终端。霍夫曼和品牌提出了DT的系统,再加上一个IoT-platform,优化调度策略在终端使用基于仿真的性能预测24]。李等人开发了一个创新的决策框架,在新加坡大型CTs容量规划,综合DTs和先进的仿真优化技术(25]。然而,他们的系统不是严格意义上的DT因为系统缺乏反馈机制优化处理实时操作基于仿真结果。基于仿真的优化模式相比,周等人提出了一个DT模式optimization-embedded模拟海上工业(26]。在这种模式下,一旦优化完成,输出被发送回更新参数的仿真模型;此后,仿真已恢复。这使港口运营商提供实时决策支持。使用这种模式,周等人开发了DSS DT-based弹性分析作为一种有效的工具为端口弹性计算和更新。在微程序级应用程序的术语,高等人提出一个DT-enabled自动化堆场调度框架和展示其申请自主移动小车,自动堆垛起重机(对asc)和存储区域通过最小化使跨下的所有container-related任务动态/不确定的人数,显示可以减少等待时间的ACSs适应ACSs(使用的数量27]。类似的方法提出了李,描述DT-based优化agv的路径找到(28]。倪提议DT-based方法实时完成失踪卡车轨迹使用神经网络(29日]。

总的来说,上面的作品都是有用的应用DT在宏观或微观方面。DTs在宏观水平上的应用有利于CT的中期或长期决策,而应用程序在微程序级实时决策的CT。然而,没有工作应用DT结合宏观的资源规划和微程序级在集装箱码头业务。结合宏观和微观方面可以用来验证中或长期计划实时操作,并进一步调整下一个宏观计划使用验证的结果。我们所知,我们的研究是第一个方法结合集装箱码头的粗粒级和微粒级决策支持在海事行业,特别是在集装箱码头。我们开发了一个DT-embedded DSS提供一个最优的资源配置计划和模拟操作的DT。同时,它的早期预警功能进一步作为一个关键的决策支持工具,帮助终端运营商识别运营问题通过实时运行数据分析,以避免船舶服务延迟。

3所示。数字双自动化终端

作为实时决策支持的基础自动化终端,数字双已经开发和安装的4级自动化集装箱码头(ACT4)洋山港(上海,中国)。之前的实时决策支持系统,它是嵌入在拟议中的数字双,本节解释的主要层数字双体系结构,如图1。架构遵循一个共同的理解的定义(见,例如,(8),一个数字的双胞胎至少包括物理层、数据层、模型表示成双成对的对象和过程,虚拟层、决策支持层。这个构建先进的数据分析和决策支持的基础。

3.1。物理层

方便的虚拟表示物理系统和他们的环境,港口和集装箱码头的物理基础设施和上层建筑需要配备技术允许一个常数数据的物理实体的集合。对基础设施和手动设备,这可以通过采用物联网设备,如传感器和致动器和连接到可编程序逻辑控制器(PLC)的机器。设备便于数据的预处理和边缘连接到数据层,通常通过使用数据经纪人。自动化设备提供了一个设备控制系统(ECS)促进数据收集。物理层是终端的布局和配置的设备按照港口的基础设施。

3.2。数据层

数据层促进数据存储和上下文信息的集成数字双。额外的数据源集成丰富real-timetime-series数据与程序(即物理层。、操作)数据。这些操作数据通常存储在一个终端操作系统(TOS)。这不仅允许的虚拟表示与上下文信息基础设施和物理设备,但也提供了先进的数据分析和决策支持的基础。因此,数据层通常实现为一个数据湖与数据处理的几个阶段,组织与ETL(提取、转换和加载)流程为了将原始数据转换成丰富的数据收集。对于处理大量复杂的数据,通常需要大数据技术。

3.3。模型层

每个数字的双胞胎都包含一个未指明的复杂性,以确保模型代表成双成对的物理系统的行为或操作。这是需要分析系统在不同情况下的行为。作为数据层允许一个高度准确的捕捉终端操作、模型需要能够代表的详细信息。为了这个目的,仿真模型通常被作为基础,在某些情况下,与数学模型相结合。在这项工作中,我们使用离散事件仿真(DES)模型来模拟未来的操作状态为了建立一个早期预警系统容器处理延迟。

我们将仿真模型划分为以下部分:(1)船舶模拟器代表船到达码头。对于我们的计算实验中,我们使用Erlang k-order分布来表示独立随机事件之间的时间间隔。请注意,这可以很容易地从服务条款取代了真实的数据。船舶进口报关提供的信息估计到达时间,计划起飞时间以及装卸集装箱卷。(2)码头区域模拟器:一旦船停泊的码头区域模拟器被调度执行QC加载和卸载程序。(3)院子模拟器模拟集装箱运输的院子卡车(欧美)和院子起重机(yc)考虑到院子里的基础设施,由码块和转移区域。(4)门口模拟器模拟的到来和离开卡车门口。

此外,许多基于规则政策封装在集装箱码头的仿真模型。例如,先规则来处理所有请求他们到达的顺序是一个最基本的和广泛使用的政策行动。这是,它假设所有请求具有相同的优先级和被广泛应用,如停泊管理、质量控制工作计划和yc调度计划。另外,最近邻(NN)政策定义可用的紧急处理请求的设备(QC、欧美和YC)。

3.4。虚拟层

成双成对的实体的虚拟表示形式和过程在大多数数字双应用至关重要。在虚拟层数字双,我们可视化终端布局和所有业务实体。通过与数据层交互,虚拟层地图操作实体的整个生命周期。这意味着,它不仅地图机械实时数据和运行状态,但也允许回溯历史操作记录。图2展示了一个通用的3 d可视化ACT4。特别是,不同机器之间的交互可以映射在虚拟层通过上下文信息的数据层。例如,当一个起重机在操作,可以同时可视化虚拟层欧美,TC,院子里服务。此外,虚拟层是用于监控设备和操作。基于仿真模型和决策支持层,它可以进一步用来表示过去和未来的假设仿真场景。

3.5。决策支持层

决策支持层可分为两个主要模块,即。、预警评估和反馈循环。预警评估、主要实现技术是采用大数据的分布式计算引擎引发的计算仿真和实时流媒体操作的结果数据,和评估预警水平。反馈回路,主要实现技术是simulation-optimized模型使用迭代优化资源分配计划的耦合仿真模型输出的模型层;技术实现细节的说明部分4.3.2。提出了数字的双胞胎,我们嵌入一个决策支持系统,进一步解释了在下一节中,基于离散事件仿真和组合优化。

4所示。实时决策支持系统

DT-based DSS框架如图3。在这个框架中,DT-embedded DSS有以下三个层次:计划、操作和分析水平。在规划层面,主要目标是在手术开始前制定计划和优化资源配置,优化器的输出作为输入参数的模拟未来事件DT的离散事件仿真模型(DES)。在操作层面,规划阶段的输出将被用作输入参数来模拟和discrete-event-based DT仿真模型将模拟未来事件。此外,DT嵌入这一层将监视当前端口通过实时互动的操作状态的物理和虚拟层。在分析层面,仿真结果进行评估以确定是否满足收敛条件。然后,反馈机制重新规划层面,直到迭代终止。最后仿真的输出作为基准评估预警决策支持水平。

DT-based DSS框架的主要优势是,它可以提供全面的实时决策支持的macroplanning和微操作水平。此外,early-warning-based连接宏观和微观方面的反馈机制。一般来说,应用DSS框架可分为两个方面。在计划阶段,提出了DSS框架可以提供运营商终端资源的最优配置计划提前使用DT-based模拟。在操作阶段,它可以提供基于仿真结果的实时监控和预警。

4.1。规划阶段

港口业务的复杂性要求运营商提前制定资源配置计划。具体来说,资源分配计划的领域包括泊位分配和码头起重机配置计划(BACAP) [3,30.(QCSP)[],码头起重机调度计划4(YTSP)[],院子里的卡车调度计划5)和移动吊车调度计划(YCSP) (6)在规划层面的决策支持系统框架。BACAP分配海滨资源;更具体地说,它决定了何时何地船舶泊位,服务时间,为每个容器和QC资源。QCSP也决定了QC工作序列在装载或卸载。欧美,也称为自动引导车辆(AGV)自动CTs,是一个关键资源YTSP下的海滨和庭院之间的运输,这集欧美工作序列。YCSP同时分配移动吊车(YC)资源在院子里。

4.2。操作级别

在操作层面DT-based DSS ACT4框架的嵌入式DT描述复杂的操作过程,密切反映了真实场景,模拟离散端口事件。尽管许多软件产品提供multifidelity模拟和丰富的组件库,他们缺乏一个统一的数据接口的端口和高耦合优化算法基于端口。因此,我们开发了DT-based DSS框架,集成了一些先进技术,如游戏引擎团结和分布式大数据引擎火花,嵌入到我们的DT (31日]。图1显示,其结构可以分为以下四个层次:物理、数据、模型和虚拟层。

三种类型的港口操作监视和模拟操作水平的DSS:进口,出口,和转运。图4提出了一种简化的港口业务的描述。导入容器受到以下过程:当船到达港口时,指定的泊位和QC资源分配给这艘船提前根据BACAP。当港口业务正在进行中,进口集装箱由QC卸载从海边到机场公共场所,在那里等待的到来预先指定的欧美的检索。欧美的目的地在院子里YTSP设定的块。刘日东来到院子后不久,容器由海滨YC解除在院子里存储块。当一辆卡车派遣的货物所有者通过大门进入港口,集装箱从院子里被陆侧YC块和卡车。最后,集装箱港口的卡车离开。出口集装箱的处理遵循相同的过程,但反过来。

4.3。分析级别

基于DT模拟的结果,分析水平可以分为以下两个主要模块:预警评估和反馈机制。每个模拟场景的DT,我们使用了QC利用率对仿真结果进行评估。然后,是否应该重复仿真评估。之后,一个容器操作的早期预警延迟(VOD)撤销的DSS是基于仿真结果虽然监控港口业务。

4.3.1。容器操作延迟预警

船CT操作的服务质量是最重要的指标。因此,优化资源配置的目的是改善服务质量。在实际操作的情况下,虽然运营商已经完成了泊位分配计划,设置船舶的靠泊位置和服务它的到来前几个小时,在港口业务存在很多不确定因素。换句话说,实际操作的时候船只经常偏离估计操作时间。例如,由于意想不到的QC损伤,血管的实际操作时间可能超过计划的操作时间。一般来说,视频点播是由QC操作引起的。尽管其他操作可能会导致延迟,这些最终会归于qc。因此,本研究量化的VOD预警QC利用率(32]。这是决定使用返回的参数的仿真结果DT。这意味着,在操作层面的DSS, QC利用率计算与仿真的输出DT。

图5显示了VOD预警与DSS返回。在这个流程图中,船舶模拟器模拟输入参数和实时运行数据后在规划水平。然后,船只和QC船舶模拟器生成的QC模拟器。此外,优化器在模拟运行时引发的DT。直到最好的计划是选择根据反馈机制,其QC利用率是回来了。具体来说,方程(1)表明,QC资源被分配给每个容器在仿真代表的平均数量质量控制所使用的容器在模拟过程中, 船所需的最大质量控制操作时间吗在模拟。方程(2)表示船舶QC利用率 ,代表的比例估计QC资源在仿真和QC资源 。进行港口业务时,DT将监测和计算实时QC利用率通过使用大数据引擎嵌入到DT。然后,返回VOD预警提供决策支持。方程(3)视频点播预警级别,这是比来 。如果视频点播水平过高,即实时QC利用率远小于输出模拟的DT,预警将DSS。

4.3.2。反馈机制

如图3BACAP,第一资源分配计划在规划层面上,需要一个基本的输入参数QC利用率。在最初的资源分配计划模拟DT,质量控制的仿真结果的利用率反馈给计划水平BACAP输入参数,然后这个过程迭代,直到满足收敛条件。如果不满足收敛性判据,然后在泊位分配方案和QC资源将基于反馈机制的调整。相反,如果收敛性判据满足预定的阈值,那么当前的仿真时间停止,和质量控制的仿真结果的利用率返回。在这项研究中,以下两个收敛条件被认为是:服务时间偏差和质量控制单位时间资源分配偏差。方程(4)显示所有船只的累计服务时间偏差 ,在哪里和船的出发时间吗分别之前和之后的反馈校正;船的时间吗开始服务。方程(5)提出了累积QC对所有船舶资源分配单位时间偏差 ,在哪里和所需的qc数量船吗之前和之后的反馈校正时间 ,分别。

提高收敛速度的反馈校正过程,只有船 ,满足下列两个条件之一的,可以计算出:(i)方程(3)和(4)不满意同时和(2)船只每次迭代后仍有冲突。注意,对于每个反馈迭代,需要计算。这意味着这些船只不满足上述条件,必须改期。

5。案例研究

在本节中,提出了决策支持系统的实现。表明,我们可以实现DT-based DSS ACT4,世界上最大的自动化终端。案例研究基于获得的数据的操作,其中包括八个泊位,27个qc对asc 200走,117被认为是物理基础设施。

5.1。最优资源配置基于DT

获得最终的资源分配策略的规划水平DSS,我们模拟未来8 h DT的操作。然后,结果在分析级别进行评估和迭代参数的反馈机制。表1列出了操作数据输出在DSS的规划阶段,代表了BACAP在接下来的24小时。请注意,和表明最早的计划靠泊时间和最早的计划起飞时间容器,分别。

表2介绍DT操作方案的仿真结果在接下来的8 h,包括远期优化过程和反馈控制的过程。反馈迭代的数量的上限设置为 和复制的数量设置为1000。收敛条件 和 。从表可以看出2第八的操作满足收敛条件迭代。此时质量利用系数约为0.9。图6显示的趋势QC利用率和平均标准偏差值在每个迭代中。显然,标准差变得越来越趋向于稳定的随着迭代次数的增加。同时,第八次迭代的最大价值。也就是说,仿真结果是最后的作战计划在接下来的8 h。这个结果可以被视为基准估计VOD预警级别。当某船的实时质量控制利用率明显低于估计的价值,VOD预警和支持决策触发。

5.2。DT-BasedReal-Time监控

ACT4操作处理时,DT恢复其数据与高保真(参见图和操作信息2),包括操作实体的可操作的监控和实时指标计算基于大数据引擎。如图7(一)DSS显示卡车已经超时等待集装箱区域。当我们申请相关的按钮来显示与这个容器相关联的实体区域,我们可以看到它正在两艘船只(船1和船2)在同一时间。这意味着不合理堆垛计划提前了两艘船的装卸集装箱集中在一个容器区域,导致资源短缺属于这个容器的机械领域和卡车延迟。

5.3。效率分析基于预警机制

通过规划层、运作层、和分析层、视频点播的DT-based DSS将实现预警DT,运营商可以提高监控的过程。基于这种预警机制,DT还支持向下钻取分析,允许运营商准确定位瓶颈。

在图8(一个),四个船舶操作下DT的实时监控。如图8 (b)DSS的问题,视频点播预警说,这艘船将推迟。表3显示发送的视频点播预警三点DSS 3月16日,2022年。可以看出船2的VOD预警级别太高,将发送给运营商。在图9,QC利用率低于估计价值根据DT仿真结果。换句话说,这个操作状态是不正常的,可能延迟出发的船。

进一步探索VOD预警的原因,我们进行了深入的分析质量控制操作在船2。图10显示的是机器工时率(MHR)和每个QC异常的状态。从图10中可以看出质量控制的状态。112号,QC的MHR显著低于其他人。

进一步分析质量控制的异常操作112号表4显示了运行效率指标的监测结果的QC大约1 h。在我们的DSS中,质量控制具有以下三个kpi:(1)开车时间:欧美的开车时间任务点(2)刘日东号码:刘日东号码分配给QC在一定时期(3)工作时间:时间花在当前工作指令

表4实时显示了三个kpi在1 h。欧美的数量分配给112 QC很小。通常,QC 4套走,但和15:35 15之间,只有1到3套走112年被分配到质量控制。因此,工作时间在15和15:35太长,如在15,工作时间是11分钟。一般来说,工作时间通常是5分钟。为了避免船操作延迟,操作员可以增加走的数量分配给QC在后续操作。同时,欧美的开车时间是不正常的。这表明该船的靠泊位置远离存车场,这意味着之前的靠泊计划不合理。因此,使用DSS的深入分析港口业务,运营商可以提供决策支持的视频点播预警QC和欧美。

结果证明,应用价值运营商的DSS是明显的两个阶段。在规划阶段,DSS使先进的资源分配,然后模拟的DT迭代最优分配方案。后来,它决定了VOD的早期预警指标。在操作阶段,DT进行实时监控和计算效率指标通过大数据引擎。一旦船延迟问题警告基于仿真结果,DSS将向下钻取到相关kpi来确定原因。

6。结论

DT技术目前在集装箱码头获得了广泛应用。然而,很少有研究在CT应用DT微级提供完整的生命周期从宏观的决策支持。为此,本文提出了DSS框架基于DT和大数据分析监控CT操作和分配端口资源。系统结合了一些尖端和受欢迎的技术,如大数据,DT, DES在规划和提供决策支持水平和操作水平。它还提供了不断监视当前操作,触发计划流程,模拟未来情景使用调整参数以适应相关的操作计划和流程。

我们的工作有助于DT应用程序之前的研究提供了具体的解决方案在一个港口,它克服了传统数学模型的许多缺点。使用实时性能数据处理的挑战在传统的研究中,大数据引擎嵌入到我们的DT的系统。此外,DT嵌入了预警机制,预测潜在的中断或延迟基于当前操作状态。在实践中,该系统加快了决策过程的终端整体ACT4和福利。从学术的角度来看,系统激励经营者进行进一步的研究,结合人工智能和DTs,如应用人工智能和操作算法。这些算法帮助运营商做出更明智的、更快和更精确的预测终端。上面提到的数据空间提供了一个基于仿真的可替换主体情报研究基金会和动态AGV调度。

将这个系统,一些未来的研究可以考虑的方向。现有的预警机制是不够的。在未来的研究中,DT的预警机制应该不仅提供早期预警,也提供了特定的决策支持方案处于预警状态。例如,当一艘船延迟发出警告时,该系统可以为决策支持提供操作员与恢复策略。

数据可用性

仿真数据用于支持本研究的发现正在禁运而研究成果商业化。请求数据,6个月后发表这篇文章中,将会被相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这个项目是国家自然科学基金支持的部分中国没有。71972128)。