自動化碼頭大數據運營分析系統

陸逸東

上海國際港務(集團)股份有限公司尚東集裝箱碼頭分公司

1 引言

目前，某自動化集裝箱碼頭投產設備規模為21臺岸邊集裝箱起重機(以下簡稱岸橋)、108臺自動化軌道式龍門起重機(以下簡稱軌道吊、ASC)、110臺AGV(Automated Guided Vehicle，自動引導車輛)。隨著生產規模的不斷擴大，碼頭機械設備逐漸飽和。優化資源配置，提升產能，減少運營成本是自動化碼頭需要解決的主要問題。大數據運營分析系統是自動化集裝箱碼頭的基礎性智能化系統，負責收集分析自動化碼頭各項生產指標與數據，進行全生命周期的生產監控和數據分析，是碼頭運營優化、指標分析、管理決策咨詢、效率問題定位的重要數據工具[1]。

2 自動化碼頭大數據運營分析系統指標體系構成

2.1 系統指標體系構成

在收集大量作業數據的基礎上，自動化碼頭運營大數據運營分析系統采用OEE理論(全局設備效率)構建效率分析指標體系結構(見表1)。通過構建和分析機械設備時間矩陣等方法，制定資源使用率、效率指標以及預警效率等相關指標，分析碼頭運營作業效率和計劃制定的銜接情況，并進行設備運作效率瓶頸分析；同時，制定包括船舶靠離泊、進提箱、設備關聯效率分析指標，找到適合自動化集裝箱碼頭的全過程效率分析指標體系[2]。

表1 效率分析指標體系結構

(續表1)

2.2 數據統計分析

該部分由月度分析、船舶分析、岸邊機械、水平機械、堆場機械、箱全過程、陸側作業7個模塊組成，每個大模塊下針對不同的數據分析需求設立若干小模塊。

(1)月度分析。該模塊以船公司和服務航線為分析對象，以利潤、收入和成本為分析指標，衡量每個客戶對碼頭企業的貢獻程度，從而為決策者實現更好的客戶關系管理提供相關數據支持。

(2)船舶分析。該模塊以每個船名航次為分析對象，一方面從船舶的角度來分析船舶收入和作業成本，另一方面從碼頭裝卸機械產能(作業耗時)和該船舶作業期間碼頭海側(裝卸作業)、路側(進提箱作業)的繁忙程度角度來描述每一艘船舶的作業效率，捕捉作業效率瓶頸，分析產生瓶頸的原因。

(3)岸邊機械。該模塊從作業效率(臺時量、作業周期等指標)、作業軌跡(作業起始和終止位置)、作業成本這3個角度，描述每一部岸橋的作業情況，捕捉作業效率瓶頸，以及分析產生瓶頸的原因。

(4)水平機械。該模塊從作業效率(作業周期、空載次數等指標)、作業軌跡(移動距離、起始位置和終止位置)、作業成本3個角度，描述每一輛AGV為指定船舶服務的質量，以及在為該指定船舶服務期間同時為其他船舶服務的服務質量。從整個碼頭全局角度出發，分析AGV的作業瓶頸。

(5)堆場機械。該模塊以每一部堆場機械或者每一個箱區為研究對象。從堆場機械的作業效率(作業周期、行車頻率、移動距離)、堆場機械的作業軌跡(作業起始和終止位置)、堆場機械的作業成本、各個箱區每個小時的收發箱密集程度、各個箱區堆存位置占用率等角度，描述每一部堆場機械的服務狀況，以及每個箱區的繁忙程度。

(6)箱全過程。該模塊以每一個(或按船或者岸橋區分的每一類)集裝箱為研究對象，觀察集裝箱在裝卸作業過程中，在每個作業環節的作業耗時以及作業成本(如果是某一類集裝箱則取每個環節的平均值)，捕捉其作業瓶頸(單箱瓶頸、岸橋瓶頸或者船舶瓶頸)，分析瓶頸產生原因。

(7)陸側作業。該模塊以外集卡為研究對象，統計每個小時進出場道口的繁忙程度。從外集卡的相關效率指標(移動距離、等待時間、作業時間)和各個箱區的每小時被外集卡訪問次數的角度，分析外集卡的作業效率，以及各個箱區進提箱業務的繁忙程度，以便于用戶掌握道口作業的瓶頸，分析進提箱業務對裝卸船作業的聯動影響。

3 技術方案

3.1 自動化碼頭大數據運營分析平臺結構

基礎層的大數據分析平臺主要由Cloudera的CDH作為整體解決方案，支持星環TDH大數據解決方案(本項目大數據處理部分以星環架構方案為主設計)。計算層主要解決分布式算力問題，主要包括Spark、Kylin、Impala、Kafka Streams、Spark Streaming等模塊。業務層主要包括基于Spring Cloud的業務微服務、GIS分析微服務、定時任務、BI分析微服務等模塊。接入層主要包括Nginx、Spring Cloud體系組件等。應用層主要包括React、React Native、Web Socket、RESTFul API、ECharts4等模塊。運用Spark MLlib、Graphx算法庫，構建自動化碼頭數據分析算法庫(見圖1)。

圖1 自動化碼頭數據分析算法庫

前端開源技術使用React，與后端通過Restful接口通訊，通過Websocket等實現后端向前端推送數據。使用Ant Design組件庫，令前端支持多種平臺的可視化展示?？梢暬治鰣D表采用Echarts構建，支持各種可視化展現方案，儀表盤控制等，并且通過二次開發支持圖與圖之間的混搭和自定義，符合碼頭數據分析需求。

3.2 自動化碼頭大數據運營分析平臺應用

目前自動化碼頭大數據運營分析系統已經投入使用，主要負責任務實時監控以及數據展示，具有全局看板模式、實時分析模式和無人機看板模式。使用者可以根據不同需求切換不同的模式，獲取更直觀的信息。

(1)全局看板模式，可清晰地展示自動化作業的各項數據，具備10個功能：碼頭全局概況展示、海側指標展示、海側圖表展示、陸側指標展示、陸側圖表展示、消息窗口、模式切換、全屏切換、教學操作、回放功能。

(2)實時分析模式，幫助使用人員快速了解自動化碼頭的生產情況，并自帶預警機制，提示將要出現的作業難點和問題。

(3)無人機看板模式，提供真實的無人機視角和全方位的數據展示。

投產以來，大數據運營分析系統強大的功能對自動化碼頭的生產運作發揮著很重要的作用。

事前預估的能力可以同時與航線平均作業效率、標桿作業效率進行比較，通過影響因素分析，得出效率高低的原因并對效率相關性強的指標進行量化，為作業人員調整設備資源提供有力的數據依據。

實時監控功能的實現，能夠時刻反饋碼頭作業情況，針對機械的異常報警機制幫助使用人員及時發現問題，將各類異常情況對生產作業的影響降到最低。

數據分析功能從船舶、機械、箱全過程、陸側作業各個方面對碼頭作業進行全生命周期的數據采集和分析，幫助自動化碼頭發現不足、定位問題，不斷提高作業效率及產能。

4 結語

自動化碼頭大數據運營分析系統將會得到持續的完善和優化，而自動化碼頭在大數據運營分析系統幫助下，將進一步貫徹信息化、智能化的建設理念，提升自身的軟硬件實力。