集裝箱碼頭設備運行狀態可視化監測研究與探索

朱斌 ，張蕾，林建成，里巍，張瑋，龔紅偉

（1.中京復電（上海）電子科技有限公司，上海 201306；2.青島港國際股份有限公司，山東 青島 266011；3.青島新前灣集裝箱碼頭有限責任公司，山東 青島 266520）

隨著全球貿易的深化和發展，港口碼頭的發展逐漸從以功能分類的“運輸樞紐站”，進化為“貿易樞紐站+服務中心”，現階段功能定位為“國際物流中心”，港口自身已融入了全球化，國際貿易航運線聚焦收攏特征愈發明顯，市場活躍的港口繼續保持實物商品的強大集散功能、集散效率迅速提高，同時船運實物商品、技術、資本、信息的集散功能向陸海內外聯動一體化發展。

我國現在是全球第一大商品出口國與原材料進口國，為適應全球化航運需求，我國集裝箱碼頭正在向信息化、數字化、智能化邁進。隨著5G通信技術、機器學習、神經網絡、云計算、人工智能等先進技術涌現，集裝箱碼頭迫切需要引入先進的技術與理念，創新提效,提質降本，保持競爭優勢。

1 集裝箱碼頭信息化建設

自動化集裝箱碼頭在提高作業安全性和可靠性、降低勞動成本、提高工作效率、綠色環保等方面做了很多努力，得到了較大改善。但與此同時，也產生了一些新的問題與挑戰。早期建立的應用系統在碼頭發展過程中發揮了重要的作用，然而隨著業務的發展、設備設施的增多、管理要求的提高，這些應用系統逐漸顯現出先天的不足。各個系統都孤立的存在，造成了“信息孤島”的現象，信息不能共享，數據交換困難，逐漸成為港口信息化建設中的主要瓶頸。信息化建設難以按照頂層設計、關鍵支撐、共用底座的模式進行，尤其對自動化碼頭核心設備運維監測的時效性、可靠性需求日益增強。

自動化集裝箱碼頭實質是復雜的機器人系統，相對于傳統人工集裝箱碼頭，最直觀的變化是自動化的設備代替了有人駕駛的設備。傳統碼頭靠“人”感知反饋的環境、箱貨、設備、任務執行情況等信息；在自動化碼頭完全靠“機”完成，自動化設備依靠大量的傳感器實時、準確反饋信息。各種類型、數量眾多的傳感器感知信息的方式多用于自動化碼頭系統單元級的感知。但巨量的感知數據沒有形成綜合態勢，沒有得到有效融合利用。如何有效利用這些數據，進行碼頭核心設備的運行狀態監測，減少甚至“無人”在港區內部巡視檢查，實現港口設備運行狀態可視監測和運維數據可視，是亟待解決的重要難題。

2 設備運行狀態可視化監測系統設計

2.1 設計目標

針對超大型自動化集裝箱碼頭大型設備種類眾多復雜，運行環境復雜多變等現狀，綜合集成傳感器、物聯網、新一代通信技術、計算機技術、軟件技術等信息化技術手段，研究設計碼頭設備核心部件運行溫度、振動等環境參數采集監視系統，建立設備數據采集、監控分析模型，實現對碼頭設備核心部件的實時遠程檢測和異常報警。

2.2 系統架構

面向超大型集裝箱碼頭核心設備運行狀態監測場景，針對橋吊、軌道吊、AGV等核心設備，在關鍵部件部署設備運行狀態監測傳感器，如溫度、振動、PLC終端等，按照既定的采集策略、時域頻域對設備運行狀態數據進行實時采集；通過物聯網網關節點與碼頭部署的5G通信基站進行通信，將數據傳輸至管理中心，進行信號處理、特征分析、異常建模等操作，對數據進行清洗、融合、分析、學習，實現設備異常識別與健康診斷；面向碼頭管理、運維和技術人員研發管理系統，實現碼頭設備運行狀態可視化監測運維，系統架構如圖1所示。

圖1 設備運行狀態可視化監測運維系統架構

其中，設備運行狀態數據優化模塊主要包括對海量異構數據的動態采集、數據融合、在線處理分析、傳感器選址優化等功能；設備異常識別與健康診斷模塊包括數據采集策略、決策模型融合、異常特征提取、異常特征融合、設備故障預警等功能。通過數據采集、數據融合、數據分析、預測預警、優化調優（傳感器選址、數據分析模型等）的全流程全過程的運營，實現“PDCA”的閉環管理和持續優化，該系統平臺和傳統的單純物聯網數據采集和分析系統相比，具備實時性、可視化、持續優化等特點，并且通過機器學習、深度學習等人工智能技術，逐步實現自動優化的目標。

3 設備運行狀態可視化監測關鍵技術

3.1 自動化碼頭復雜場景大容量數據快速采集安全傳輸技術

針對自動化碼頭大型設備在線實時采集多種類多狀態海量數據，以機器學習理論為基礎研究設備數據采集、監測分析模型，實現對碼頭裝備運轉狀態及控制系統的實時遠程采集、監測、異常識別及設備全生命周期的健康診斷。

（1）設備運行狀態數據優化技術和自學習方法。針對自動化集裝箱碼頭大型設備種類眾多復雜，對設備的材料學、運動學、工程力學、電氣工程及智能化技術等方面開展研究，結合傳感器檢測和信號分析與處理等技術，研究設備運行狀態數據優化技術和自學習方法，為構建合理的異常數學模型，建立了仿真研究對象，持續優化故障預警模型。

（2）設備運行狀態可視化監測管理系統。依托信息物理系統理論，構建以智能感知、實時傳輸、數據可視為特征的碼頭設備運行狀態監測管理系統架構。針對設備異常狀況預警和無人化特征，研究構建以大數據非結構化存儲并行處理和云計算的分布式處理及虛擬化技術，研究設備遠程監控預警和數據實時在線分析技術，實現對自動化碼頭的智能運維。

3.2 基于多維海量數據的異構融合和在線快速智能處理技術

針對智能傳感器采集的多維海量數據存儲、處理、分析等問題，研究基于多維大數據并行處理架構、異構融合的新型數據庫集群、分布的技術擴展、智能感知和處理等技術，實現對多維海量數據的智能采集和快速分類、異構融合和混合存儲及智能處理。

（1）多源海量運行狀態數據優化技術。針對自動化碼頭設備進行毫秒級數據采集過程中，產生超大規模的設備運行狀態大數據，為滿足在線實時運維管理需求，基于大數據應用技術，從數據采集、傳輸、融合、處理分析等方面入手，研究優化傳感器埋設位置，以最佳的選位和有限的傳感器完整地反映設備運行狀態，提高采集數據價值；研究大容量數據快速安全傳輸技術與數據接口標準規范，保證采集數據快速可靠地傳輸到運維分析平臺。

（2）多源海量數據融合處理技術。研究多維海量數據的異構融合技術，對多傳感器數據進行融合，緩解高維數據的分析壓力；研究在線快速智能處理技術及設備運維傳感大數據分析技術，基于云端分布式計算能力，實時分析設備運行過程中監控指標及抽象特征。

4 系統應用實施

設備運行狀態可視化監測管理系統包括系統管理、設備管理、數據采集、故障預警、系統配置和通信管理等6個模塊，系統功能結構如圖2所示。系統從數據采集、傳輸、融合、處理分析等方面入手，選擇優化傳感器埋設位置，以最佳的選位和有限的傳感器完整地反映設備運行狀態，提高采集數據價值；制定大容量數據快速安全傳輸技術與數據接口標準規范，保證采集數據快速可靠地傳輸到運維分析平臺；研發多維海量數據的異構融合技術，對多傳感器數據進行融合，緩解高維數據的分析壓力；研發在線快速智能處理技術及設備運維傳感大數據分析技術，基于云端分布式計算能力，實時分析設備運行過程中監控指標及抽象特征。系統達到了設計指標，實現了對自動化碼頭橋吊、軌道吊、AVG等核心設備、運行機構、部件和傳感器的四級在線監測及故障預警運維。

圖2 設備運行狀態可視化監測系統功能結構圖

5 結語

本研究基于設備運維傳感大數據分析技術、多維海量數據的異構融合技術和在線快速智能處理技術，采用智能感知、云計算、機器學習、面向對象的開發平臺技術，研發完成設備運行狀態可視化監測管理系統，實現針對大型碼頭設備的遠程監測、異常識別及全生命周期的健康診斷和故障智能預警。目前已經在山東青島某超大型集裝箱碼頭得到了實際應用，得到了用戶的好評。