集装箱落位筛选方法、系统、存储介质和电子设备技术方案

本发明专利技术提供了一种集装箱落位筛选方法、系统、存储介质和电子设备，所述方法通过构建集装箱的3D堆场模型，结合所述3D堆场模型、所述深度学习模型进行迭代训练，而后接收待落位的集装箱的装卸指令，根据训练完成的所述深度学习模型确定当前待落位集装箱的最优落位以及操作路径，根据所述操作路径驱动作业机构将所述待落位集装箱移动至所述最优落位。本申请的集装箱落位筛选方法充分考虑了当前堆场内集装箱的堆放情况，并通过评估关键指标对于深度学习模型进行训练，能够使得确定的落位和操作路径根据准确，较实际翻箱率有较高的优化效果，具备实际生产应用的可行性。具备实际生产应用的可行性。具备实际生产应用的可行性。

【技术实现步骤摘要】
集装箱落位筛选方法、系统、存储介质和电子设备


[0001]本专利技术涉及港口码头堆场管理
，具体涉及一种集装箱落位筛选方法、系统、存储介质和电子设备。

技术介绍

[0002]集装箱运输作为航海运输最为常见的运输方式，依赖于港口码头、场站和仓库等基建设施能够完成高效作业。近些年来，港口码头的吞吐量呈现爆发式增长，面对越来越大堆场管理压力，粗犷的装卸计划，缺乏数据支撑的调度决策带来的如作业效率低、作业成本高等问题愈发凸显，最具代表性的问题就是集装箱堆场的翻箱率居高不下，无论是对于堆场运营方还是参与作业的运输司机而言，都带来诸多不便和高额的成本。
[0003]翻箱问题的产生核心是集装箱堆场的堆存状态与实际提箱顺序不匹配导致的。由于在集装箱在入堆场时很难对后续的提箱顺序进行预测，因此堆场的计划调度人员仅能通过经验规则对集装箱进行堆放，不可避免的就会在提箱过程中产生翻箱，而在翻箱的过程中，如果选择不合理的阻碍箱落位，将会进一步导致后续的提箱产生二次或者二次以上的翻箱，因此，入堆及翻箱落位优选是降低集装箱堆场翻箱的重要途径之一，是该领域研究的难点问题。
[0004]目前求解该问题采用的主要技术方法有以下四类：
[0005](1)基于设定策略的翻箱落位优选方法。该类方法策略的制定主要依据堆场的计划调度人员经验规则，优选策略主要有：同贝最近堆栈策略、同贝最低堆栈策略、同贝最高堆栈策略、同提单堆叠及其策略组合等。
[0006](2)基于递归或分支定界的翻箱落位优选方法。该类方法通常基于已知的贝位内的集装箱提箱次序，利用递归或者分支定界的思想计算贝位所有可能的落箱位置上的总翻箱量，选取总翻箱量最小的落箱位置。
[0007](3)基于启发式策略的翻箱落位优选方法。该类方法利用集装箱贝位内的箱分布信息和提箱次序信息，构造每个候选箱位的预期翻箱量(近似值)，基于预期翻箱量最小原则选择翻倒箱的落箱位置。
[0008]以上方法存在的缺点：
[0009]上述优选方法的问题规模均为单贝的问题规模，与实际生产作业的问题规模来说，缺乏一定的现实意义；绝大部分的方法均以设定提箱顺序确定的前提，且不考虑装卸过程中有集装箱入堆的情况，即不考虑入堆选位，与实际作业不符；由于问题规模仅考虑单贝，也没有将作业机构设备的运动距离纳入到优化目标中，仅考虑翻箱量不够严谨；大部分堆场的状态、集装箱的属性状态都被简化，如箱型均考虑标准箱，与实际堆场和集装箱的情况不符，缺乏实际应用场景。

技术实现思路

[0010]为此，需要提供一种集装箱落位筛选的技术方案，用以解决的集装箱落位筛选策
略以设定提箱顺序确定为前提，导致落位的筛选不够精准，适用场景差等缺点。
[0011]为实现上述目的，在第一方面，本专利技术提供了一种基于深度学习的集装箱落位筛选方法，所述方法包括以下步骤：
[0012]S1：构建集装箱的3D堆场模型；
[0013]S2：获取集装箱堆场的历史堆场数据及历史作业数据，根据所述历史堆场数据及历史作业数据确定深度学习模型中的参数信息；
[0014]S3：结合所述3D堆场模型、所述深度学习模型进行迭代训练，将训练过程的评估指标与参考作业数据进行比对，当两者误差在预设误差范围内时，所述深度学习模型训练完成；
[0015]S4：接收待落位的集装箱的装卸指令，根据步骤S3训练完成的所述深度学习模型确定当前待落位集装箱的最优落位以及操作路径，根据所述操作路径驱动作业机构将所述待落位集装箱移动至所述最优落位。
[0016]进一步地，步骤S1包括：
[0017]S11：确定放置集装箱的箱区的规模大小；
[0018]S12：根据堆场的箱数据对当前堆场内堆放的各个集装箱进行渲染；所述箱数据包括堆位尺寸和集装箱的箱尺寸；
[0019]S13：根据集装箱的堆放规则要求，确定当前堆场内允许的入堆落位或翻箱落位集合；
[0020]S14：统计各堆场的关键指标并在3D堆场模型中显示；所述关键指标包括堆场利用率、当前出入堆集装箱个数、总翻箱量、单个柜的翻箱量、作业机构运动至堆位的距离中的任一项或多项。
[0021]进一步地，所述参数信息包括堆场状态特征、动作状态特征和奖励函数；
[0022]所述堆场状态特征根据堆场的属性特征和集装箱的属性特征确定；
[0023]所述动作状态特征为将当前集装箱置于堆场中的某一堆位需要进行的操作动作集合；
[0024]所述奖励函数用于计算奖励积分，所述奖励积分根据最小化翻箱量、二次翻箱量以及作业机械的运动距离确定。
[0025]进一步地，所述评估指标包括每次迭代的奖励积分总和、翻箱量、二次翻箱量、作业结构运动距离中的任一项或多项。
[0026]进一步地，步骤S3包括：
[0027]S31：初始化t0时刻状态空间S，具体包括：设置当前集装箱堆场的状态以及即将作业的集装箱操作，并设置单步允许的最大错误操作数；
[0028]S32：根据t时刻环境状态s
t
，选择动作空间A中的某个可选动作a
t
，判断该动作是否满足业务校验规则，如不满足则存档当前状态，记录奖励r(s
t
,a
t
)，并将单步错误操作数加1，继续选择下一动作进行判断，直至单步错误数到达设置允许的最大错误操作数，结束当前迭代；如果当前所选择的动作匹配当前即将作业的集装箱状态且符合业务校验规则，记录奖励r(s
t
,a
t)
，进入t+1时刻并更新环境状态为S
t+1
；
[0029]S33：通过设置不同的迭代次数或模型参数，对模型进行训练，统计训练过程中的关键，将所述关键评估指标与参考作业数据进行比对，当两者误差在预设误差范围内时，所
述深度学习模型训练完成。
[0030]进一步地，所述方法还包括：
[0031]将步骤S3训练完成的深度学习模型置入码头操作系统的计划调度决策模块，所述计划调度决策模块用于接收待落位的集装箱的装卸指令，并通过所述训练完成的深度学习模型输出最优入堆和翻箱落位。
[0032]进一步地，所述方法还包括：
[0033]当判定本次翻箱率高于预设值时，对本次模型输出的最优入堆和翻箱落位进行记录，将记录的数据重新输入训练完成的模型进行优化迭代。
[0034]在第二方面，本专利技术还提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被执行时实现如本专利技术第一方面所述的方法。
[0035]在第三方面，本专利技术还提供了一种服务器，包括：
[0036]存储介质，为本专利技术第二方面所述的存储介质；
[0037]处理器，与所述存储介质电连接，用于执行所述存储介质存储的计算机程序以实现如本专利技术第一方面所述的方法。
[0038]在第四方面，本专利技术提供了一种基于深度学习的集装箱落位筛选系统，包括：
[0039]电子设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的集装箱落位筛选方法，其特征在于，所述方法包括以下步骤：S1：构建集装箱的3D堆场模型；S2：获取集装箱堆场的历史堆场数据及历史作业数据，根据所述历史堆场数据及历史作业数据确定深度学习模型中的参数信息；S3：结合所述3D堆场模型、所述深度学习模型进行迭代训练，将训练过程的评估指标与参考作业数据进行比对，当两者误差在预设误差范围内时，所述深度学习模型训练完成；S4：接收待落位的集装箱的装卸指令，根据步骤S3训练完成的所述深度学习模型确定当前待落位集装箱的最优落位以及操作路径，根据所述操作路径驱动作业机构将所述待落位集装箱移动至所述最优落位。2.如权利要求1所述的基于深度学习的集装箱落位筛选方法，其特征在于，步骤S1包括：S11：确定放置集装箱的箱区的规模大小；S12：根据堆场的箱数据对当前堆场内堆放的各个集装箱进行渲染；所述箱数据包括堆位尺寸和集装箱的箱尺寸；S13：根据集装箱的堆放规则要求，确定当前堆场内允许的入堆落位或翻箱落位集合；S14：统计各堆场的关键指标并在3D堆场模型中显示；所述关键指标包括堆场利用率、当前出入堆集装箱个数、总翻箱量、单个柜的翻箱量、作业机构运动至堆位的距离中的任一项或多项。3.如权利要求1所述的基于深度学习的集装箱落位筛选方法，其特征在于，所述参数信息包括堆场状态特征、动作状态特征和奖励函数；所述堆场状态特征根据堆场的属性特征和集装箱的属性特征确定；所述动作状态特征为将当前集装箱置于堆场中的某一堆位需要进行的操作动作集合；所述奖励函数用于计算奖励积分，所述奖励积分根据最小化翻箱量、二次翻箱量以及作业机械的运动距离确定。4.如权利要求3所述的基于深度学习的集装箱落位筛选方法，其特征在于，所述评估指标包括每次迭代的奖励积分总和、翻箱量、二次翻箱量、作业结构运动距离中的任一项或多项。5.如权利要求1所述的基于深度学习的集装箱落位筛选方法，其特征在于，步骤S3包括：S31：初始化t0时刻状态空间S，具体包括：设置当前集装箱堆场的状态以及即将作业的集装箱操作，并设置单步允许的最大错误操作数；S...

【专利技术属性】
技术研发人员：叶增健，郑克欧，江坚，李特，马振华，
申请(专利权)人：中国外运华南有限公司，
类型：发明
国别省市：