集装箱码头船舶配载深度学习混合训练系统

摘要

本发明公开了集装箱码头船舶配载深度学习混合训练系统，该系统核心架构分为三大部分，CPU集群模块、GPU集群模块和数据存储模块。CPU集群模块负责数据判别、特征编码、辅助训练和决策评价，GPU集群模块负责对数据进行深度学习训练，数据存储模块负责将训练完的特征数据存储起来。CPU集群模块和GPU集群模块相互通信，CPU集群模块将训练结果反馈给数据存储模块。本发明对集装箱码头船舶配载决策分析，实现最小化场内翻箱量、场桥移机数和船箱位吨差的多目标组合，提高装船作业效率，有利于码头优化资源配置，实现精益化管理。

说明书

技术领域：

本发明涉及一种集装箱码头船舶配载的控制系统，具体涉及一种集装箱码头船舶配载深度学习混合训练系统。

背景技术：

集装箱码头是指专门提供集装箱船舶停靠和集装箱装卸、运输的港口作业场所，是整个集装箱运输链的核心环节，在很大程度上决定着国际运输、多式联运的速度和效率。集装箱码头的运营管理主要包括堆场管理、设施设备管理、船舶装卸作业管理、船期的管理等。其中船舶装卸作业管理直接影响码头生产运营效率，而集装箱船舶配载作业是船舶装卸作业的重要环节之一，是将出口箱以合理的顺序对应装载到船舶合适的船箱位上。因此，实现集装箱船舶配载作业的精益化管理是成为码头降低成本和能耗、提高效率的重要途径。

集装箱码头船舶配载业务流程如下(如图1所示)：

码头收箱报关：出口集装箱订舱后，通常要在码头堆场集港并办理报关手续。码头依据船舶航线特点为收箱的集装箱安排合理的收箱场位。

船公司订舱预配：各个港口的船舶航次订舱基本完成后，船公司根据订舱情况、船舶装载要求等条件制定集装箱预配船图。预配图是依次绘制船头到船尾的各贝位内船箱位的积载情况剖面图，主要有配载集装箱的箱属性、卸货港等基本信息。

码头制定实配计划：在船舶到港后，船公司为码头提供预配图(Prewired StowagePicture,PSP)。配载计划人员根据船公司提供的出口箱装船预配信息，结合相关集装箱在堆场内的堆存情况，制定实配计划。

取箱点计算：取箱点的计算是将堆场内的待配集装箱划分箱组，然后根据已知箱组贝信息计算所有取箱点，并综合考虑箱区内的各种组合情况以缩小取箱点范围，以在宏观上实现箱组与船舶预配贝的匹配。

配箱决策：配箱决策主要包含两方面内容，一是在计算好的箱组贝基础上，综合考虑船贝限重、层高、特种箱等因素，初步决策船槽内需要配载哪些集装箱；二是根据码头堆场内取箱工艺、岸边装卸作业原则来寻求一种最优的发箱顺序，以避免发箱过程中可能造成的场内翻箱、移机等情况的发生。

实际配载装船作业：集装箱船靠泊后，码头方将制定好的实配图交于大副审核，审核通过后，反馈装船指令给码头控制中心，控制中心调度场桥、集卡、岸桥、正面吊等相关设备进行装船作业，作业完成后将实际装船情况反馈给船公司，由船公司整合信息制定整船积载图。

综上所述，集装箱实配是码头装船作业的关键环节，集装箱实配工作的已知量为在场箱信息和预配船图。在船舶即将靠泊前，码头需要根据预配船图上的信息，首先制定岸桥分路计划，确定岸桥的作业贝位、作业顺序、作业量，然后制定实际配载计划。码头堆场实际配载计划要求保证船方的预配要求，同时综合考虑堆场工艺、岸边与水平运输机械调度等堆场资源，寻求最优的配载决策，最后将所有场内待配集装箱有序合理地装载到船舶中。

发明内容：

本发明针对现有集装箱码头作业任务繁多复杂的特点，提供了一种集装箱码头船舶配载深度学习混合训练系统，该系统能够合理决策堆场待配载集装箱的船舶配载位置和配载顺序，提高装船作业效率，优化码头资源配置，实现码头精益化管理。

为了达到上述目的，本发明采用如下的技术方案：

集装箱码头船舶配载深度学习混合训练系统，该系统核心架构分为三大部分：CPU集群模块、GPU集群模块和数据存储模块，CPU集群模块负责数据判别、特征编码、辅助训练和决策评价，GPU集群模块负责对数据进行深度学习训练，数据存储模块负责将训练完的特征数据存储起来，所述数据判别是CPU集群通过一些约束条件将原始数据中无效的数据过滤掉，所述约束条件所需维度、参数和变量的符号定义如下：

(1)维度

I：表示堆场内所有待配集装箱所组成的集合，i,i'∈I；

J：表示船舶贝内船箱位所组成的集合，j,j'∈J；

R：表示船舶贝列号所组成的集合，r,r'∈R；

K：表示配载顺序号的集合，即配箱的先后次序，k,k'∈K；

(2)参数

TP

GP

GP'

HC'

CP

W

W min

W max

θ：用于表示在船舶贝内上下两个船箱位上所配载的集装箱重量关系，重箱压轻箱的上限值；

VC

WC

YP

OB

VB

S

YB

BN

XZ

VD

T：堆场堆存集装箱的最高层高；

(3)决策变量

X

α

β

η

ξ

ρ

γ

τ

ε

ε

ε

E

所述约束条件如下：

(1)定位定序约束，用于约束船舶配载使得箱号、发箱顺序号和船箱位形成一一对应关系：

对于某集装箱i来说，对应有且只有一个顺序号和一个配载船箱位，约束方程如下：

对于某顺序号k来说，对应有且只有一个配载箱和一个船箱位，约束方程如下：

对于某船箱位j来说，对应有且只有一个配载箱和一个配载顺序号，约束方程如下：

(2)单列高平箱数量约束，用于约束船舶配载使得船舶贝内的每列集装箱高箱和平箱的数量满足预配计划：

船舶贝内某一列的高箱数量约束方程如下：

船舶贝内某一列的平箱数量约束方程如下：

(3)船箱位层重约束，用于约束船舶配载使得每个船箱位所配载的集装箱的重量均不能超过该船箱位所在层的重量范围上下限：

预配船箱位上所配载的集装箱重量范围约束方程如下：

(4)重压轻吨差约束，用于约束船舶配载使得同一个箱组的集装箱，在重箱压轻箱时，两者之间的差值不能超过特定的阈值：

重箱压轻箱的吨差约束方程如下：

E

(5)船箱位配载不悬空约束，用于约束船舶配载使得船箱位装载作业时不得悬空装箱：

互压的船箱位位置的配载顺序约束方程如下：

(6)单列承载原则约束，用于约束船舶配载使得船舶单列的总重量不超过单列承载上限：

单列承载原则约束方程如下：

所述特征编码是CPU集群将通过所述数据判别的有效数据进行向量化处理，形成用于训练的特征矩阵，对于任意一组在场箱-预配位置配对在三维空间上最多存在4个船箱位与其相关，将其称为关联船箱位，这4个关联船箱位组成的集合称为Z，且Z＝{1,2,3,4}，其中：

z＝1表示预配位置左侧关联船箱位；

z＝2表示预配位置右侧关联船箱位；

z＝3表示预配位置下方关联船箱位；

z＝4表示预配位置组贝方向关联船箱位；

对于任意给定的集装箱船舶配载状态s，其中任意一组在场箱-预配位置配对及其关联船箱位z，具有以下属性：

y

b

f

w

将属性组成的向量v

v

所述混合训练是GPU集群对所述特征编码后的张量数据进行深度学习训练，为GPU集群设定一个繁忙阈值，若超过此阈值的同时CPU集群处于空闲状态，则CPU集群进行辅助训练，否则排队，

所述决策评价是CPU集群通过评价指标对所述混合训练的结果进行评价，所述评价指标包括翻箱数、场桥移机数和船箱位吨差：

(1)翻箱数

集装箱船舶配载作业过程中，第i个集装箱和第i'个集装箱的配载顺序序号差为α

根据序号差的大小来判断第i个集装箱和第i'个集装箱发箱的先后顺序，当α

(2)场桥移机数

相邻顺序号(k和k-1)配载的两个集装箱所在区位的序号差γ

场桥移机的总次数即τ

(3)船箱位吨差

实际配载集装箱的重量与该船箱位计划配载集装箱重量之间的重量差为船箱位吨差，CP

所述数据存储是将所述决策评价得到的最优结果根据不同的特征，按照给定的存储机制存储起来。

本发明根据训练得到的工况特征数据、场地特征数据和船舶特征数据对集装箱码头船舶配载决策分析，实现最小化场内翻箱量、场桥移机数和船箱位吨差的多目标组合，提高装船作业效率，有利于码头优化资源配置，实现精益化管理。

附图说明：

以下结合附图和具体实施方式来进一步说明本发明。

图1为集装箱码头船舶配载流程图；

图2为本发明的系统示意图；

图3为平箱高箱数量约束示意图；

图4为船箱位层重约束示意图；

图5a为配载悬空示意图；

图5b为正确配载顺序示意图；

图6为场内翻箱示意图；

图7为场内频繁移机示意图；

图8为理想场桥发箱示意图；

具体实施方式:

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

实施例：

参见图2，本发明提供的集装箱码头船舶配载深度学习混合训练核心架构分为三大部分，CPU集群模块、GPU集群模块和数据存储模块。CPU集群模块负责数据判别、特征编码、辅助训练和决策评价，GPU集群模块负责对数据进行深度学习训练，数据存储模块负责将训练完的特征数据存储起来。CPU集群模块和GPU集群模块相互通信，CPU集群模块将训练结果反馈给数据存储模块。

其中数据判别，是CPU集群通过一些约束条件将原始数据中无效的数据过滤掉。

约束条件所需维度、参数和变量的符号定义如下：

(1)维度

I：表示堆场内所有待配集装箱所组成的集合，i,i'∈I；

J：表示船舶贝内船箱位所组成的集合，j,j'∈J；

R：表示船舶贝列号所组成的集合，r,r'∈R；

K：表示配载顺序号的集合，即配箱的先后次序，k,k'∈K；

(2)参数

TP

GP

GP'

HC'

CP

W

W min

W max

θ：用于表示在船舶贝内上下两个船箱位上所配载的集装箱重量关系，重箱压轻箱的上限值；

VC

WC

YP

OB

VB

S

YB

BN

XZ

VD

T：堆场堆存集装箱的最高层高。

(3)决策变量

X

α

β

η

ξ

ρ

γ

τ

ε

ε

ε

E

集装箱码头船舶配载深度学习混合训练系统的约束条件如下：

(1)定位定序约束，用于约束船舶配载使得箱号、发箱顺序号和船箱位形成一一对应关系。

集装箱船舶配载通常是将场地内的集装箱以特定的某一顺序装载到船舶对应的船箱位内，集装箱的装载顺序以及船舶装载位置是唯一确定的。因此，模型当中应限制其一一对应关系。

对于某集装箱i来说，对应有且只有一个顺序号和一个配载船箱位。约束方程如下：

对于某顺序号k来说，对应有且只有一个配载箱和一个船箱位。约束方程如下：

对于某船箱位j来说，对应有且只有一个配载箱和一个配载顺序号。约束方程如下：

(2)单列高平箱数量约束，用于约束船舶配载使得船舶贝内的每列集装箱高箱和平箱的数量满足预配计划。

码头在进行集装箱的实际配载作业过程中，尤其是40尺集装箱的配载，通常会有高箱(HC)和平箱(GP)混发的情况。在预配计划中，对船舶贝内的每列集装箱高箱和平箱的数量进行了限制，因此，在实际配载中，应满足预配计划中的高箱和平箱数量约束。参见图3，图中所示是船舶014H贝，由图可知中间4列的高箱数量是2个，平箱数量是3个，配载需满足这一约束条件。

船舶贝内某一列的高箱数量约束方程如下：

船舶贝内某一列的平箱数量约束方程如下：

其中，VB

(3)船箱位层重约束，用于约束船舶配载使得每个船箱位所配载的集装箱的重量均不能超过该船箱位所在层的重量范围上下限。

实际配载作业计划制定时，首先对船舶贝位进行预分层次划分，根据所有要配载的集装箱重量范围，确定船舶贝位每层能够装载集装箱的重量范围。参见图4，图中所示是船舶012H贝的层重范围，02层和04层的重量范围为12t～18t，06层和08层的重量范围为0t～12t，而层重范围重量约束同时限制了船箱位的重量范围，因此，每个船箱位所配载的集装箱的重量均不能超过该船箱位所在层的重量范围上下限。

预配船箱位上所配载的集装箱重量范围约束方程如下：

船箱位j上所配载的集装箱的实际重量范围需满足该船箱位所在层的重量范围上下限。

(4)重压轻吨差约束，用于约束船舶配载使得同一个箱组的集装箱，在重箱压轻箱时，两者之间的差值不能超过特定的阈值。

通常情况下，船舶贝内配载结果要求是轻箱压重箱，以降低船舶重心，提高船舶稳性，但为了减少场地翻箱、移机等无效作业，在满足船舶配载原则下，允许一定数量的重箱压在轻箱上，此时要求重箱的重量不超过上限阈值，不能超过轻箱被压的重量极限。因此，同一个箱组的集装箱，在重箱压轻箱时，两者之间的差值不能超过特定的阈值。

重箱压轻箱的吨差约束方程如下：

E

第j个船箱位和第j'个船箱位上所配集装箱的重量吨差用E

(5)船箱位配载不悬空约束，用于约束船舶配载使得船箱位装载作业时不得悬空装箱。

集装箱船箱位装载作业不得悬空装箱，即上下两个船箱位的配载顺序号应满足一定约束条件，位于上方船箱位的集装箱配载顺序号必须大于下方船箱位上集装箱的配载顺序号，否则会造成配载的悬空。参见图5a，当对配载顺序为16的集装箱进行配载时，由于下方第18个配载的集装箱还未进行装船作业，导致第16个配载的集装箱无法配载到指定的空间位置，因此，互压的船箱位位置的配载顺序应满足位于下方的船箱位优先配载，正确的配载顺序参见图5b。

互压的船箱位位置的配载顺序约束方程如下：

不等式左侧船箱位j上配载的集装箱顺序号，右侧表示与船箱位j为互压位置关系，且位于上方的船箱位j'上所配载的集装箱顺序号,船箱位j上配载的集装箱顺序号要比位于上方的船箱位j'上所配载的集装箱顺序号小。

(6)单列承载原则约束，用于约束船舶配载使得船舶单列的总重量不超过单列承载上限。

船舶某列的总重量不能过重，否则会超出船舶重量承受能力，影响船舶安全性。

单列承载原则约束方程如下：

在计算集装箱船某列所配载的集装箱总重量时，40尺的集装箱重量以其二分之一重量进行计算，20尺集装箱重量按其集装箱实际重量进行加和计算。

特征编码，是CPU集群将通过所述数据判别的有效数据进行向量化处理，形成用于训练的特征矩阵，对于任意一组在场箱-预配位置配对在三维空间上最多存在4个船箱位与其相关，将其称为关联船箱位，这4个关联船箱位组成的集合称为Z，且Z＝{1,2,3,4}，其中：

z＝1表示预配位置左侧关联船箱位；

z＝2表示预配位置右侧关联船箱位；

z＝3表示预配位置下方关联船箱位；

z＝4表示预配位置组贝方向关联船箱位；

对于任意给定的集装箱船舶配载状态s，其中任意一组在场箱-预配位置配对及其关联船箱位z，具有以下属性：

y

b

f

w

将属性组成的向量v

v

混合训练，是GPU集群对所述特征编码后的特征矩阵进行深度学习训练，为GPU集群设定一个繁忙阈值，若超过此阈值的同时CPU集群处于空闲状态，则CPU集群进行辅助训练，否则排队。

决策评价，是CPU集群通过评价指标对所述混合训练的结果进行评价，所述评价指标包括翻箱数、场桥移机数和船箱位吨差：

(1)翻箱数

堆场翻箱是指在作业过程中，如果发箱顺序在前的集装箱在场地内堆存于发箱顺序在后的集装箱的下面时，就会先移开上面的集装箱，然后对下面的集装箱进行作业。在这一系列的作业过程中，不必要的翻箱作业造成了浪费时间、能源等资源的无效作业，不仅影响岸桥作业的连续性，而且降低装船作业效率。因此，配载过程中要尽可能减少这种无效的翻箱作业，进而提高场地资源利用率。

参见图6，取箱点在E0238区位内，待配载的两个集装箱均位于堆场区位内第5排，并且配箱顺序为15的集装箱压在配箱顺序为12的集装箱上面，而根据配箱顺序，必然需要先对序号为12的集装箱进行装卸作业，此时，需要将15配载顺序集装箱暂时移开，堆存于堆场空闲翻箱区域，然后再将配载顺序为12的集装箱装卸到集卡上，运输至岸边进行装船配载作业。

集装箱船舶配载作业过程中，第i个集装箱和第i'个集装箱的配载顺序序号差为α

根据序号差的大小来判断第i个集装箱和第i'个集装箱发箱的先后顺序，当α

(2)场桥移机数

场桥移机作业是指由于作业需求，场桥大车需从当前位置移动到目标贝位进行作业，这种从箱区某一贝位水平移动到另一贝位，算作一次场桥移机。由于场桥是大型重型机械，其移机效率非常慢，通常在堆场内的集装箱装卸作业，均要求尽量减少大车的移动。

参见图7，需要配载的集装箱取自E02箱区的12贝和38贝，如果按照图示集装箱配载取箱顺序，则场桥需要在12贝和38贝之间移机5次，移机路线如虚线箭头所示。对于场桥来说，不合理的取箱顺序将增加场桥水平移动距离和时间；对于每个集装箱来说，其总的取箱时间将会延长。这将造成整个堆场装卸作业效率的降低、生产能耗的增加以及经济效益的损失。因此，应在制定配载计划时，决策合理的取箱配箱顺序，优化场桥的移动作业路线，避免场桥的频繁移机作业，进而提高堆场作业效率。

参见图8，经过合理化发箱配箱顺序，场桥只需要在12贝装卸完1、2、3这三个集装箱后，移机到38贝继续装卸4、5、6集装箱，将原来的5次移机降低到了1次，提高了堆场内集装箱整体取箱作业效率。

相邻顺序号(k和k-1)配载的两个集装箱所在区位的序号差γ

场桥移机的总次数即τ

(3)船箱位吨差

实际配载集装箱的重量与该船箱位计划配载集装箱重量之间的重量差为船箱位吨差，CP

数据存储，是将所述决策评价得到的最优结果根据不同的特征，按照给定的存储机制存储起来。

由上述技术方案形成的系统能够根据训练得到的工况特征数据、场地特征数据和船舶特征数据合理决策堆场待配载集装箱的船舶配载位置和配载顺序，实现最小化场内翻箱量和场桥移机作业次数的多目标组合，提高装船作业效率，从而实现最终决策的最优化。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。