CN115115303A - 一种基于智慧港口的散货管控一体化系统及方法 - Google Patents

一种基于智慧港口的散货管控一体化系统及方法 Download PDF

Info

Publication number
CN115115303A
CN115115303A CN202210624644.2A CN202210624644A CN115115303A CN 115115303 A CN115115303 A CN 115115303A CN 202210624644 A CN202210624644 A CN 202210624644A CN 115115303 A CN115115303 A CN 115115303A
Authority
CN
China
Prior art keywords
port
management
control
data
equipment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210624644.2A
Other languages
English (en)
Inventor
李伟
吴正波
何大凯
陈浩
代晨光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cccc Mechanical & Electrical Engineering Co ltd
Original Assignee
Cccc Mechanical & Electrical Engineering Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Cccc Mechanical & Electrical Engineering Co ltd filed Critical Cccc Mechanical & Electrical Engineering Co ltd
Priority to CN202210624644.2A priority Critical patent/CN115115303A/zh
Publication of CN115115303A publication Critical patent/CN115115303A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于智慧港口的散货管控一体化系统及方法，包括以下步骤：步骤S1、利用港口码头管控平台对港口区域数据进行采集，将采集到的数据存储在区域中心的数据库中，分析所述港口区域数据获取港口散货实时运输信息及控制设备运行状态；步骤S2、通过所述数据库提供实时数据监测港口管控设备的运行机制，并对港口管控设备进行高级诊断分析；步骤S3、基于所述管控一体化模块对所述港口运货设备的调度进行评估，建立基于云平台的信息体系，将所述港口的运营管理与协同调度数据深度融合，以创建管控一体化机制，可以服务于所有港口设备，能够保存设备运行过程产生的各类数据，具有高度的通用性，提升了设备管理效率。

Description

一种基于智慧港口的散货管控一体化系统及方法
技术领域
本发明涉及智慧港口技术领域，具体涉及一种基于智慧港口的散货管控一体化系统及方法。
背景技术
随着港口规模化、现代化、信息化建设的推进，港口装卸设备逐渐向大型化、复杂化、自动化、智能化发展，虽然当前港口设备一般配有本地或远程监控系统，但系统通用性不高、监控点不够、功能也不够完善、对于数据的利用也不充分，无法提供故障预测及专家诊断等问题，导致维修的时间不可控，对港口的生产作业造成重大影响，另外，当前大多数码头公司还在采用计划维修的方式，定期地对起重机设备进行检查和保养，造成了时间、人力、物力上的浪费，因此，越来越多的港口用户，特别是港口集团用户希望能开发出一套智能管控系统，为港口设备的管理提供一套真实可用的高可靠信息化管理平台，提升设备管理水平，提高效率，降低成本。
如何能够快速高效地监控港口装卸设备的运行状态，提高设备的装卸效率，缩短船舶的在港停泊时间，提高码头的吞吐量，一直是港口所关注的对象，码头企业迫切需要一种能够对港口设备进行实时在线监测的系统，设备管理人员可以通过计算机客户端或者手机等终端及时了解设备当前的状态，生产计划人员可以根据设备的最新状态来安排生产计划，同时系统通过数据分析，对港口设备关键部件的状态、剩余寿命以及健康状态进行准确的评估及预测，可以将人为和技术因素引起的故障停机时间减少75％，并可以及时发现、预告生产系统中的事故隐患，让维护人员及时地去消除，避免重大事故的发生和巨大的经济损失。
目前用于港口一体化管控的方法是通过基于PLC的本地监控系统以及设备远程监控系统，主要用于对大型集装箱设备以及散货设备的监控，通过光缆或者无线通讯设备将信息传送至中控室，维修人员可以在中控室远程直接查询设备的状况和故障，便于其及时掌握设备情况，但是仍存在以下问题：一是：对监控系统采集的数据利用不充分，没有对收集的数据进行进一步的数据挖掘，不能根据故障给出对应的解决方案建议，不具备人工智能的自我学习或机器学习，不能根据情况变化自动扩展专家系统知识库；二是：系统监控点的选择不能完全满足客户需求，监控点的设置和监控内容往往以电气设备故障监测为主，对其它可以反映设备故障的机械性能以及安全检测等，没有设置相关监控点；三是：监控系统大多将重点放在对设备的状态监视上，对故障的分析功能体现不够。
发明内容
本发明的目的在于提供一种基于智慧港口的散货管控一体化系统及方法，以解决现有技术中现有港口一体化管控中对监控系统采集的数据利用不充分且对故障的分析功能体现不够，系统监控点的选择不能完全满足客户需求的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于智慧港口的散货管控一体化方法，包括以下步骤：
步骤S1、利用港口码头管控平台对港口区域数据进行采集，将采集到的数据存储在区域中心的数据库中，分析所述港口区域数据获取港口散货实时运输信息及控制设备运行状态；
步骤S2、根据所述港口散货实时运输信息及控制设备运行状态构建管控一体化模块，通过所述数据库提供实时数据监测港口管控设备的运行机制，并对港口管控设备进行高级诊断分析，协同调度港口运货设备；
步骤S3、基于所述管控一体化模块对所述港口运货设备的调度进行评估，建立基于云平台的信息体系，将所述港口的运营管理与协同调度数据深度融合，以创建管控一体化机制。
作为本发明的一种优选方案，所述步骤S1中，对所述港口区域数据采用SWOT分析法进行分析处理，获取港口区域的运输信息及控制设备运行状态，所述SWOT分析法具体为：
步骤S101、对所述港口区域数据进行预处理，分析港口管控优劣势以及机遇与挑战，组合成SWOT分析矩阵，用矩阵罗列所有影响因素，并根据管控调度优先级、时效性以及散货重要程度进行综合排列；
步骤S102、通过对所有影响因素的分析，获取不同的管控策略，采用APH分析法将相关因素评价指标化，获取影响因素权重。
作为本发明的一种优选方案，，所述APH分析法具体为：
首先，分析影响因素获取不同的管控策略，构建一个多层次递进的结构模型；
其次，对所述管控策略中的各种元素进行任意两因素之间的比较，并依据判断和标度规则给予重要度量化，得出量化尺度；
再者，对于同一级要素以上一层的要素为准则进行两两比较，根据其相对重要度和量化尺度得出判断矩阵，计算判断矩阵的特征向量，以此判断各层要素的相对重要度，所述判断矩阵的特征向量采用求根法获取近似值
Figure BDA0003676415420000031
具体为：
Figure BDA0003676415420000032
其中，aij表示判断矩阵A中第i行第j列的元素，n表示判断矩阵A中的元素个数；
将所述近似值
Figure BDA0003676415420000033
归一化获取判断矩阵A的特征向量近似值wi，其表达式为：
Figure BDA0003676415420000034
作为本发明的一种优选方案，对所述特征向量近似值wi求解最大值，并对所述特征向量近似值wi做一致性校验，计算一致性判断的CR值，通过CR值判断结果处于合理区间，对所有因素可以进行总体排序，获取总体一致性判断结果以监测散货的实时运输信息及控制设备运行状态。
作为本发明的一种优选方案，所述步骤S2中，根据所述总体一致性判断结果结合所述数据库中的港口实时数据，采用基于Hadoop的大数据分析平台构建分布式管控一体化模型，对所述港口管控设备进行高级诊断分析，具体为：
步骤S201、对港口传感设备采集的散货运输工作过程进行有载荷和无载荷的区分；
步骤S202、在各工作过程的时间范围内对管控指标值进行统计，输出统计结果作为及其学习建模的输入，对所述管控指标值进行数据转换及信号特征提取，获取时域及频域的故障信息；
步骤S203、在时域中，对采样周期内的数据计算其均值、方差等，在频域中，将频率成分变化作为常用的特征，通过某一频率达到预设阈值一段时间后，另一个频率的变化作为某一个故障的早期症状，获取故障预测与诊断基本特征信息；
步骤S204、针对具有跳跃性的故障点，采用基于已发生异常的历史特征提取方法，根据追踪特征参数的变化趋势以确定预测故障点。
作为本发明的一种优选方案，所述步骤S3中，采用Binary-classification算法对所述港口实时数据进行预测分析，对所述预测分析结果进行交叉测试，采用挑选最优预测数据，并采用精准率和召回率两个指标对所述交叉测试模型进行评价，将评价结果作为管控协调调度结果。
一种根据权利要求1-6任一项所述的基于智慧港口的散货管控一体化方法的系统，包括：云计算数据中心、港区调度模块、故障诊断模块、云管控平台以及散货运输管理模块；
所述云计算数据中心，用于搭建基于大数据的区域数据中心，依托云平台及监控中心，集成汇集各个软件应用系统，提供专业的监控及智能管控服务；
所述港区调度模块，用于实时调度港口设备以实现效率最优化，采用实时、历史数据并行传输方式，提高数据传输及时性；
所述故障诊断模块，采用大数据分析技术，对港口运输设备的传感器数据进行挖掘与分析，预测设备故障情况，利用分析结果形成预防性维护决策；
所述云管控平台，用于落实港区内物流作业的智能调度和管理，完成港口作业当中的计划管理、运输管理、车辆管理、场存管理等的一体化；
所述散货运输管理模块，用于管控港口生产作业的全过程，通过对港口数据的信息整合和数据重组以实现港口装卸工艺流程的功能优化。
作为本发明的一种优选方案，所述故障诊断模块通过故障点或者预警信息获取故障统计表，通过数据挖掘GUI提供可预测故障或失效预警接口。
本发明与现有技术相比较具有如下有益效果：
本发明基于云平台利用大数据监控平台技术，可以服务于所有港口设备，能够保存管理设备运行过程产生的各类数据，同时提供机器学习等云计算服务，可以对数据进行更多的挖掘分析服务，不断提升系统的价值，系统支持多种客户端模式，具有高度的可用性，随时随地都可以获取相关数据和信息，采用分层的体系结构，对数据的采集及故障分析等都建立了相应的优先级，提供了一个高可靠信息化的管理平台，提升了设备管理水平，提高了效率，降低了成本。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的散货管控一体化方法流程图；
图2为本发明实施例提供的系统结构框图。
图中的标号分别表示如下：
1-云计算数据中心；2-港区调度模块；3-故障诊断模块；4-云管控平台；5-散货运输管理模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-2所示，本发明提供了一种基于智慧港口的散货管控一体化方法，包括以下步骤：
步骤S1、利用港口码头管控平台对港口区域数据进行采集，将采集到的数据存储在区域中心的数据库中，分析所述港口区域数据获取港口散货实时运输信息及控制设备运行状态；
步骤S2、根据所述港口散货实时运输信息及控制设备运行状态构建管控一体化模块，通过所述数据库提供实时数据监测港口管控设备的运行机制，并对港口管控设备进行高级诊断分析，协同调度港口运货设备；
步骤S3、基于所述管控一体化模块对所述港口运货设备的调度进行评估，建立基于云平台的信息体系，将所述港口的运营管理与协同调度数据深度融合，以创建管控一体化机制。
本实施例中，采用传感设备对港口运输等设备进行数据采集，获取港口设备运行数据及特征数据，能够实现传感器数据的预处理，实现数据传输以及缓存功能。
本实施例中，建立了一体化数据存储、管理平台，以节能、效率提升为目标，把整个港口的运营与数据深度融合，提高了自动化远程化程度、智能化流程等，从而提升了港口的智能化水平。
所述步骤S1中，对所述港口区域数据采用SWOT分析法进行分析处理，获取港口区域的运输信息及控制设备运行状态，所述SWOT分析法具体为：
步骤S101、对所述港口区域数据进行预处理，分析港口管控优劣势以及机遇与挑战，组合成SWOT分析矩阵，用矩阵罗列所有影响因素，并根据管控调度优先级、时效性以及散货重要程度进行综合排列；
步骤S102、通过对所有影响因素的分析，获取不同的管控策略，采用APH分析法将相关因素评价指标化，获取影响因素权重。
本实施例中，采用SWOT分析法对港口数据进行定性与定量分析，定量分析是通过定性分析的因素结果建立层次结构模型，构建判断矩阵计算不同层级的相关指数，并进行结果的一致性检验，最后通过计算结果对因素进行权重排序，并以此为基础分析战略决策方向，整体分析既能保证广度又能加深精度的有效性。
所述APH分析法具体为：
首先，分析影响因素获取不同的管控策略，构建一个多层次递进的结构模型；
其次，对所述管控策略中的各种元素进行任意两因素之间的比较，并依据判断和标度规则给予重要度量化，得出量化尺度；
再者，对于同一级要素以上一层的要素为准则进行两两比较，根据其相对重要度和量化尺度得出判断矩阵，计算判断矩阵的特征向量，以此判断各层要素的相对重要度，所述判断矩阵的特征向量采用求根法获取近似值
Figure BDA0003676415420000071
具体为：
Figure BDA0003676415420000072
其中，aij表示判断矩阵A中第i行第j列的元素，n表示判断矩阵A中的元素个数；
将所述近似值
Figure BDA0003676415420000073
归一化获取判断矩阵A的特征向量近似值wi，其表达式为：
Figure BDA0003676415420000074
对所述特征向量近似值wi求解最大值，并对所述特征向量近似值wi做一致性校验，计算一致性判断的CR值，通过CR值判断结果处于合理区间，对所有因素可以进行总体排序，获取总体一致性判断结果以监测散货的实时运输信息及控制设备运行状态。
所述步骤S2中，根据所述总体一致性判断结果结合所述数据库中的港口实时数据，采用基于Hadoop的大数据分析平台构建分布式管控一体化模型，对所述港口管控设备进行高级诊断分析，具体为：
步骤S201、对港口传感设备采集的散货运输工作过程进行有载荷和无载荷的区分；
步骤S202、在各工作过程的时间范围内对管控指标值进行统计，输出统计结果作为及其学习建模的输入，对所述管控指标值进行数据转换及信号特征提取，获取时域及频域的故障信息；
步骤S203、在时域中，对采样周期内的数据计算其均值、方差等，在频域中，将频率成分变化作为常用的特征，通过某一频率达到预设阈值一段时间后，另一个频率的变化作为某一个故障的早期症状，获取故障预测与诊断基本特征信息；
步骤S204、针对具有跳跃性的故障点，采用基于已发生异常的历史特征提取方法，根据追踪特征参数的变化趋势以确定预测故障点。
所述步骤S3中，采用Binary-classification算法对所述港口实时数据进行预测分析，对所述预测分析结果进行交叉测试，采用挑选最优预测数据，并采用精准率和召回率两个指标对所述交叉测试模型进行评价，将评价结果作为管控协调调度结果。
一种根据权利要求1-6任一项所述的基于智慧港口的散货管控一体化方法的系统，包括：云计算数据中心1、港区调度模块2、故障诊断模块3、云管控平台4以及散货运输管理模块5；
所述云计算数据中心1，用于搭建基于大数据的区域数据中心，依托云平台及监控中心，集成汇集各个软件应用系统，提供专业的监控及智能管控服务；
所述港区调度模块2，用于实时调度港口设备以实现效率最优化，采用实时、历史数据并行传输方式，提高数据传输及时性；
所述故障诊断模块3，采用大数据分析技术，对港口运输设备的传感器数据进行挖掘与分析，预测设备故障情况，利用分析结果形成预防性维护决策；
所述云管控平台4，用于落实港区内物流作业的智能调度和管理，完成港口作业当中的计划管理、运输管理、车辆管理、场存管理等的一体化；
所述散货运输管理模块5，用于管控港口生产作业的全过程，通过对港口数据的信息整合和数据重组以实现港口装卸工艺流程的功能优化。
所述故障诊断模块3通过故障点或者预警信息获取故障统计表，通过数据挖掘GUI提供可预测故障或失效预警接口。
本发明基于云平台利用大数据监控平台技术，可以服务于所有港口设备，能够保存管理设备运行过程产生的各类数据，同时提供机器学习等云计算服务，可以对数据进行更多的挖掘分析服务，不断提升系统的价值，系统支持多种客户端模式，具有高度的可用性，随时随地都可以获取相关数据和信息，采用分层的体系结构，对数据的采集及故障分析等都建立了相应的优先级，提供了一个高可靠信息化的管理平台，提升了设备管理水平，提高了效率，降低了成本。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (8)

1.一种基于智慧港口的散货管控一体化方法，其特征在于，包括以下步骤：
步骤S1、利用港口码头管控平台对港口区域数据进行采集，将采集到的数据存储在区域中心的数据库中，分析所述港口区域数据获取港口散货实时运输信息及控制设备运行状态；
步骤S2、根据所述港口散货实时运输信息及控制设备运行状态构建管控一体化模块，通过所述数据库提供实时数据监测港口管控设备的运行机制，并对港口管控设备进行高级诊断分析，协同调度港口运货设备；
步骤S3、基于所述管控一体化模块对所述港口运货设备的调度进行评估，建立基于云平台的信息体系，将所述港口的运营管理与协同调度数据深度融合，以创建管控一体化机制。
2.根据权利要求1所述的一种基于智慧港口的散货管控一体化方法，其特征在于，所述步骤S1中，对所述港口区域数据采用SWOT分析法进行分析处理，获取港口区域的运输信息及控制设备运行状态，所述SWOT分析法具体为：
步骤S101、对所述港口区域数据进行预处理，分析港口管控优劣势以及机遇与挑战，组合成SWOT分析矩阵，用矩阵罗列所有影响因素，并根据管控调度优先级、时效性以及散货重要程度进行综合排列；
步骤S102、通过对所有影响因素的分析，获取不同的管控策略，采用APH分析法将相关因素评价指标化，获取影响因素权重。
3.根据权利要求2所述的一种基于智慧港口的散货管控一体化方法，其特征在于，所述APH分析法具体为：
首先，分析影响因素获取不同的管控策略，构建一个多层次递进的结构模型；
其次，对所述管控策略中的各种元素进行任意两因素之间的比较，并依据判断和标度规则给予重要度量化，得出量化尺度；
再者，对于同一级要素以上一层的要素为准则进行两两比较，根据其相对重要度和量化尺度得出判断矩阵，计算判断矩阵的特征向量，以此判断各层要素的相对重要度，所述判断矩阵的特征向量采用求根法获取近似值
Figure FDA0003676415410000024
具体为：
Figure FDA0003676415410000021
其中，aij表示判断矩阵A中第i行第j列的元素，n表示判断矩阵A中的元素个数；
将所述近似值
Figure FDA0003676415410000022
归一化获取判断矩阵A的特征向量近似值wi，其表达式为：
Figure FDA0003676415410000023
4.根据权利要求3所述的一种基于智慧港口的散货管控一体化方法，其特征在于，对所述特征向量近似值wi求解最大值，并对所述特征向量近似值wi做一致性校验，计算一致性判断的CR值，通过CR值判断结果处于合理区间，对所有因素可以进行总体排序，获取总体一致性判断结果以监测散货的实时运输信息及控制设备运行状态。
5.根据权利要求4所述的一种基于智慧港口的散货管控一体化方法，其特征在于，所述步骤S2中，根据所述总体一致性判断结果结合所述数据库中的港口实时数据，采用基于Hadoop的大数据分析平台构建分布式管控一体化模型，对所述港口管控设备进行高级诊断分析，具体为：
步骤S201、对港口传感设备采集的散货运输工作过程进行有载荷和无载荷的区分；
步骤S202、在各工作过程的时间范围内对管控指标值进行统计，输出统计结果作为及其学习建模的输入，对所述管控指标值进行数据转换及信号特征提取，获取时域及频域的故障信息；
步骤S203、在时域中，对采样周期内的数据计算其均值、方差等，在频域中，将频率成分变化作为常用的特征，通过某一频率达到预设阈值一段时间后，另一个频率的变化作为某一个故障的早期症状，获取故障预测与诊断基本特征信息；
步骤S204、针对具有跳跃性的故障点，采用基于已发生异常的历史特征提取方法，根据追踪特征参数的变化趋势以确定预测故障点。
6.根据权利要求5所述的一种基于智慧港口的散货管控一体化方法，其特征在于，所述步骤S3中，采用Binary-classification算法对所述港口实时数据进行预测分析，对所述预测分析结果进行交叉测试，采用挑选最优预测数据，并采用精准率和召回率两个指标对所述交叉测试模型进行评价，将评价结果作为管控协调调度结果。
7.一种根据权利要求1-6任一项所述的基于智慧港口的散货管控一体化方法的系统，其特征在于，包括：云计算数据中心(1)、港区调度模块(2)、故障诊断模块(3)、云管控平台(4)以及散货运输管理模块(5)；
所述云计算数据中心(1)，用于搭建基于大数据的区域数据中心，依托云平台及监控中心，集成汇集各个软件应用系统，提供专业的监控及智能管控服务；
所述港区调度模块(2)，用于实时调度港口设备以实现效率最优化，采用实时、历史数据并行传输方式，提高数据传输及时性；
所述故障诊断模块(3)，采用大数据分析技术，对港口运输设备的传感器数据进行挖掘与分析，预测设备故障情况，利用分析结果形成预防性维护决策；
所述云管控平台(4)，用于落实港区内物流作业的智能调度和管理，完成港口作业当中的计划管理、运输管理、车辆管理、场存管理等的一体化；
所述散货运输管理模块(5)，用于管控港口生产作业的全过程，通过对港口数据的信息整合和数据重组以实现港口装卸工艺流程的功能优化。
8.根据权利要求7所述的一种基于智慧港口的散货管控一体化系统，其特征在于，所述故障诊断模块(3)通过故障点或者预警信息获取故障统计表，通过数据挖掘GUI提供可预测故障或失效预警接口。
CN202210624644.2A 2022-06-02 2022-06-02 一种基于智慧港口的散货管控一体化系统及方法 Pending CN115115303A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210624644.2A CN115115303A (zh) 2022-06-02 2022-06-02 一种基于智慧港口的散货管控一体化系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210624644.2A CN115115303A (zh) 2022-06-02 2022-06-02 一种基于智慧港口的散货管控一体化系统及方法

Publications (1)

Publication Number Publication Date
CN115115303A true CN115115303A (zh) 2022-09-27

Family

ID=83326496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210624644.2A Pending CN115115303A (zh) 2022-06-02 2022-06-02 一种基于智慧港口的散货管控一体化系统及方法

Country Status (1)

Country Link
CN (1) CN115115303A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422207A (zh) * 2023-12-18 2024-01-19 天津港股份有限公司 一种基于多要素分析的港口能源综合管控系统
CN117557109A (zh) * 2024-01-11 2024-02-13 交通运输部水运科学研究所 一种船舶数字物理基础设施的融合协同运行方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958344A (zh) * 2017-12-13 2018-04-24 国网陕西省电力公司经济技术研究院 一种基于ahp和swot的配电网发展战略分析方法
CN110888013A (zh) * 2018-09-10 2020-03-17 比亚迪股份有限公司 电力设备的故障预测方法、装置和电力监控系统
CN111651530A (zh) * 2020-06-04 2020-09-11 广州港集团有限公司 一种智能化港口监测系统
CN113689037A (zh) * 2021-08-24 2021-11-23 大连海事大学 一种散货港口生产调度优化方法
CN114037352A (zh) * 2021-12-02 2022-02-11 上海海事大学 基于数字孪生的自动化集装箱码头多agv动态调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958344A (zh) * 2017-12-13 2018-04-24 国网陕西省电力公司经济技术研究院 一种基于ahp和swot的配电网发展战略分析方法
CN110888013A (zh) * 2018-09-10 2020-03-17 比亚迪股份有限公司 电力设备的故障预测方法、装置和电力监控系统
CN111651530A (zh) * 2020-06-04 2020-09-11 广州港集团有限公司 一种智能化港口监测系统
CN113689037A (zh) * 2021-08-24 2021-11-23 大连海事大学 一种散货港口生产调度优化方法
CN114037352A (zh) * 2021-12-02 2022-02-11 上海海事大学 基于数字孪生的自动化集装箱码头多agv动态调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周平 等: "散货码头管控一体化方法研究与应用", 《交通信息与安全》, pages 5 - 9 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422207A (zh) * 2023-12-18 2024-01-19 天津港股份有限公司 一种基于多要素分析的港口能源综合管控系统
CN117557109A (zh) * 2024-01-11 2024-02-13 交通运输部水运科学研究所 一种船舶数字物理基础设施的融合协同运行方法及系统
CN117557109B (zh) * 2024-01-11 2024-04-05 交通运输部水运科学研究所 一种船舶数字物理基础设施的融合协同运行方法及系统

Similar Documents

Publication Publication Date Title
CN115115303A (zh) 一种基于智慧港口的散货管控一体化系统及方法
Si et al. Data-driven remaining useful life prognosis techniques
CN116862199A (zh) 基于大数据和云计算的建筑施工优化系统
CN106934720A (zh) 基于物联网的设备保险智能定价方法与系统
CN112700192B (zh) 一种基于spark物联网的码头物流业务对象处理方法
CN111144632A (zh) 一种电力储备物资的预测管控模型
CN116843071B (zh) 一种用于智慧港口的运输网络运行指数预测方法及装置
CN113850475A (zh) 一种基于大数据的生产设备性能评估系统
Štepec et al. Machine learning based system for vessel turnaround time prediction
CN103617447A (zh) 智能变电站的评价系统及评价方法
Shubinsky et al. Application of machine learning methods for predicting hazardous failures of railway track assets
Ding et al. Real‐Time Monitoring and Optimal Resource Allocation for Automated Container Terminals: A Digital Twin Application at the Yangshan Port
CN113822518B (zh) 一种ais大数据驱动的集装箱港口装卸效率计算方法
CN113537681A (zh) 用于炼化企业设备管理信息化的方法及系统
CN116629839A (zh) 一种船艇主机保障信息集成与维修决策系统
CN116384807A (zh) 基于模糊综合评价模型的航路网络拥挤态势评估方法
CN113240157A (zh) 基于机器学习的汽车衡维修保养管理方法及系统
CN112712257A (zh) 一种基于mysql数据库的码头物流数据管理方法
CN116415507B (zh) 一种基于大数据和云计算的大件运输桥梁智能评估系统
CN117035469B (zh) 公铁联运枢纽功能区建设用地指标测算的方法及装置
Berardinelli et al. An advanced highway asset management system
Wu Design and Exploration of Real Time Monitoring System for Power Grid Operation Safety Based on YOLO Object Detection Algorithm
Duan et al. Reliability analysis of intelligent manufacturing systems based on improved fmea combined with machine learning
Jiménez-Redondo et al. INFRALERT: improving linear transport infrastructure efficiency by automated learning and optimised predictive maintenance techniques
CN117875946B (zh) 一种用于变电站设备运维的人机协同自主红外巡检方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination