9308
2021年4月10日-12日，吴文俊人工智能科学技术奖十周年颁奖盛典暨2020中国人工智能产业年会在北京和苏州同期圆满成功举办。宁波诺丁汉大学计算机科学系主任白瑞斌受邀在苏州工业园区希尔顿酒店，2020中国人工智能产业年会—工业互联网与智能制造专题论坛上发表主题报告《港口数字孪生与集装箱车辆调度优化》。
以下为演讲实录：
我的报告分为两个大的部分，第一个部分讲一下，港口数字孪生系统，介绍一下港口数字孪，我们如果把港口作为一个生产系统，那么对照智能制造，智能港口有哪些工作已经完成，哪些还没有？研究开发港口数字孪生，需要做哪些东西？未来还有那些工作可以继续做？
第二部分，我将分享一下我们围绕着这个港口数字孪生，现在做的一些工作。可能有些做的工作可以继续去提升，请各位批评指正。
港口数字孪生
这是一个港口的俯视图，我们可能很多人去过港口，相对来讲，集装箱码头和一般生产工厂来比是作业比较简单。港口作业有两个部分，一个是海侧作业区域，包括泊位、桥吊，它是港口最重要的作业设备；在陆侧是堆场，一般来讲可以分成不同的堆场单元，两个作业区的连接是依赖于集卡。现在国际港口中，中国的港口非常厉害，很多港口规模都国际前列，尤其是我们的合作港口规模非常庞大。我们可以想象一下，港口码头沿着海测有几十个作业点同时作业，同时堆场的作业点是上百个，连接他们的集卡有几百辆，如果我们把它想象成一个生产的工厂，有几百个高度耦合的作业点，业点之间如何进行衔接？如何设计作业点的节拍，是的作业点之间可以高效协同，这方面的还有很多一些工作可以做。
接下来，我先讲一下港口系统，它与现在的工业互联网，或者是MES系统的相同之处，这个系统到底是怎么样的系统，现在发展到什么样的程度？对港口来讲，TOS系统是它业务最核心的东西，因此所有的港口全部有自己的系统，并且这个系统至少有十几年的发展历程，所以相对来讲是比较成熟的，港口系统主要分为两个部分：第一，和生产相关的，包括物联网的设备接入，各个作业点的感知系统。第二，与业务相关的系统。
这样的系统，在国际超大型港口如上海港，全部是定制化，新加坡港也是一样。对于港口来讲，现在其实面临着港口自动化、智能化的需求，这其中最核心的问题怎么样把我们现有的港口的系统进一步发展，这些系统已经经历了十几年的发展，功能方面它其实是比较成熟，但我们怎么样能逐步往智能化方向去迈进，更多的挑战就是怎么样能使得这样庞大的系统得到效率的整体提升。
今天的主题是智能制造，我们看一下，港口作为一个生产系统相对来讲，业务比一般的工厂稍微少一点，比如说港口有生产，还有计划，物流，港口相对应的系统其实放在制造企业里面，它们和MES、IOT有对应的关系。
目前，我们的港口其实在节点层面做了很多智能化的创新，包智能订仓，手机预约，自动驾驶等，这些几年都在尝试和应用，包括通过5G的技术进行的远程操作，以及自动箱号识别，车辆定位等。其实作为港口来讲，每年都投入大量的资源去做这些系统的升级。这样的系统部署后，会有大量的数据产生，但我们下一步该去做什么呢？我们今后的系统怎么样能够更近一步进行智能化的升级？其实从大的思路也是与智能制造未来的发展目标一致，就是要研究作业点之间如何保持业务的协同优化，即系统智能。
我自己是做组合优化的，我们如果把港口的一个码头作为一个复杂系统的话，它其实是一个复杂系统的组合优化问题，那么主要的挑战就是：很多情况下，作为一个优化问题来讲是一个大规模优化，然后有它自己的特点，约束比较复杂，他的目标可能是多个优化目标，最主要的是像邱院长讲的，我们这样的系统里面其实有很多的不确定性，我们怎么样通过一些技术来解决这些特点和挑战。
关于港口的调度优化，以智能计算为方法的研究非常多，所采用的模型比较复杂，可以写两页纸，但是这类模型很难在实践中使用，至少在我们合作的港口中没有几个能用，甚至可以说几乎没有。模型可能写得很漂亮，但灵活性不够，很多情况下模型的假设和实际的需求偏差比较大，因此我们算出来的理论上的最优解，放到实际去执行的时候，会发现其实和预想的结果差很远。这是我们利用传统的数学模型加智能计算方法去求解问题的一大缺点。还有一个方法就是现在大家讲的比较多的数据驱动的方法去求解。但是这个方法对于生产系统来讲，它的系统可靠性还有可解释性查，满足不了实际的要求，所以我们完全靠数据驱动方法去优化港口的作业，其实也有很多的问题。比如说，我们训练好的模型在使用时，当业务出现一个很小的改变时，可能原来的模型没有办法继续使用。
这是我们合作的港口面临的主要问题，这个港口在全球是排第三，2020年吞吐量2700万，每年还在以5-7%的速度增长。应该来讲，这样的增长，在现有的资源和设备利用率条件下，是没有办法去满足的。
主要问题有：它的信息化做得非常好，在很多作业点上已经实现了智能化，包括自动识别、龙门吊远控等。但是从算法的角度来讲，相应的研究还比较少。
为了从多个维度来解决港口的问题，我们团队对港口的数字孪生做了探索和尝试。我们这个探索可能和普通生产制造业的数字孪生有一些不一样，可能更多是一种自下而上的需求驱动的功能设计和开发，企业需要什么，我们去做相应的功能。
我们开发港口数字孪生的主要想法就是希望它是一个集数据、模型和算法联合驱动的一个数字系统，我们以实际的港口为对象，打造一个1:1的数字的模型，这个模型里面是有数据，还有算法，并且我们的模型更多是一些数学的和业务逻辑的模型。
我们结合用户的实际需求，开发的孪生系统，需要能够充分感知场景、精确描述港口的动态特性。所以围绕着这样的要求，我们认为港口仿真或数字孪生要有以下几个功能。
第一个模块是需要它能帮助我们来生成很多场景数据。由于业务需要，很多港口的信息化和普通制造业相比，我认为做得是最好的，就我们的合作港口来讲，它所有的作业点数据、业务数据的感知是秒级的，因此有每天都有海量的结构化数据产生，但是这些数据拿过来以后，很多情况下不能满足我们算法的全场景训练需求，我们需要通过仿真模型额外生成很多场景类的数据，帮助我们做算法的跨场景训练。
第二，我们需要数字孪生完成场景的推演。为了要达到系统的鲁棒性，对一些比较重要的场景做一些推演，确保系统的算法部署时，知道它的极限性能是多少。
第三，与AI的算法进行互动的能力。我们未来的数字孪生模型一定要有AI能力。为了实现这个能力，其实很多的情况下需要不仅仅一个模型，而是一个多粒度的模型库。
最后，作为数字孪生的一个最大优势，在做算法开发的时候，我们希望在这个数字模型上做各种测试，看一看某一方法在不同的场景下，他的性能怎么样，能不能真正满足我们的要求。如果说在数字孪生环境下，算法性能达不到要求，我不能部署到真实的系统里面去。否则，对生产业务影响会非常大。
最后也有很多专家讲到了仿真模型可以产生大量的数据，有些数据其实是现有的物联网的数据不一定能获取到的，这些数据其实我们可以和现在一些VR、MR系统进行一个对接，这样能够生成一个更人性化的交互体验，帮助调度员高效管理企业。
我们围绕这个数字孪生的设计理念，在港口问题做了一些实践尝试。对港口来讲，大一点码头，基本上它的TOS系统实时表单里大概有500多个数据项，每一项更新可以到亚秒级，所以这个系统来讲从信息化角度来讲还是非常先进，它可以把整个港区所有的设备、业务的数据进行实时的感知和获取。
对于我们做系统优化决策来讲，这样的数据其实量虽然很大，但是维度有时候还是不够，我们是需要和仿真数据进行结合，生成一个包含多个场景的港口作业数据集，以便大规模算法训练。
另外我们希望这个模型能够把数据和数学模型，还有做一些知识进行融合，在仿真环境里面能够生成符合实际需求的解决方案，是真正能解决实际问题的解决方案。
这个是我们开发的支持AI的港口孪生系统，里面的仿真有和AI算法进行一个高频互动的能力。要使得我们的模型、训练算法真正解决实际问题，一定是要经过大量的测试和学习，如果是简单的用一个模型去学习，尤其当环境是一个复杂系统以后，其实远远达不到要求。
港口车辆调度优化
最后我就很快过一下，围绕着这样的系统我们团队做的一些工作，和大家去分享一下。
第一，港口大数据的分析，刚才讲了港口TOS系统有500多个数据采集点，每一个维度有亚秒级的更新，产生大量的数据。但是对于港口来讲，这些数据目前来讲还是没有充分发挥作用，我们是希望把集港数据综合起来进行多样的数据评估。从而为将来的优化提供非常好的基础，我们也可以将港口的历史数据进行还原，进行可视化的呈现，帮助我们调度员分析目前的瓶颈，找出系统的主要效率瓶颈点。
我们接下来想分享一个我们的一个关于内集卡的调度优化项目。码头内集卡是海测作业和陆测作业的一个连接，那么我们海测作业的有一定的节拍，陆测作业有它的节拍，在几百个作业点上实行集成的优化非常有挑战性。现实中用的一个方法就是比较简单，因为对人工调度来讲来讲不能太复杂。它是将运输设备和作业点绑定在一起，他的最大缺点就是有一半的时间是空载。一个改进的办法，也是企业提出来的，就是综合来优化车辆调度，但是这个里面挑战很大，主要原因是系统的时空耦合度比较高。
我们怎么来去做集成调度呢？沿用刚才讲的指导思想，我们希望依托数字孪生把我们的数据和数学模型融合到我们的数字孪生系统里面，在一个深度强化学习超启发搜索的框架下求得最后调度优化解，这个解既具有一定的可解释性，同时也能够充分应对我们港区不同的业务场景和不确定性。
这是我们实际使用的一些结果，左上角的这个图是它的系统界面，算法可以实时关掉。觉得某个地方人工搞不定时我们算法打开，打开以后算法自动进行车辆的指派，我们系统在合作码头用了两年多，测试的结果是：可以将集卡重载率提升10%，行驶的空载距离可以节约8%，更重要的集卡使用的数量可以进行一个下降，这样就和成本是直接挂钩。对于这个港口来讲每年2700万标箱，可能未来2-3年是每年3000万标箱的作业量，如果我们有5%的提升，对他们来讲会在成本上带来非常大的节约。我想可能通过这个案例证明，不管是智能制造或数字孪生这样大的背景下，设计一个好的算法，可以完全通过软件对这个企业进行效率的提升，使得成本进行大幅度的节约。
最后一个案例和我们的集装箱运输有关系。因为在物流运输领域里面，它有自己的很多的模型，比如说VRP模型，比如说服务网络设计模型，这些数学模型有很经典的规律，但是在解决真实的问题时必须要有做大量的折中，我们同时需要对我们的结果进行一个验证。我们解决的是一个转码头运输优化问题，运输业务量也很多，每年150-200万个标箱这样的中转业务。主要面临的问题还是空载率太高，车辆去的时候是满载的，回来的时候可能就是空的。总体来讲有40%-45%的空载率，我们最后通过优化、数学模型仿真，我们可以将重载率提升12-15%，并且这个和理上界非常接近，差距只有2.8%。这个案例也是对港口智能化有非常大的促进作用，我们也是做了一些相关的系统开发，主要还是和码头TOS系统进行对接，我们系统有的车载的APP，还有PC端基于浏览器的版本，使用方便。
最后简单总结一下，未来很多港口规划很多是千万级的码头，在未来的五年的时间内，国内大型港口的集装箱吞吐量要超过5000万标箱，这个对于港口管理、海岸线的资源分配都有巨大的挑战，必须要从软件的角度、系统的角度进行高效管理，单纯靠单点的智能对港口来讲是不够的，我们必须要使得各个作业点高效协调。我们认为现有的数据驱动的方法其实对于管理大规模码头来讲还是远远不够，我们希望把优化、系统的数学模型集成到智能仿真环境里面，对系统进行不同粒度的刻划，数据驱动是一个辅助手段，我们认为数字孪生是一个比较好的载体，它可以将我们的数据、模型、AI算法集成到一起。我就讲这么多，感谢大家。
