一种干散货港口装卸生产过程寻优方法与流程

本发明属于干散货港口装卸，涉及一种干散货港口装卸生产过程寻优方法。

背景技术：

1、当前，干散货港口装卸作业的实时控制技术已趋于成熟，多个港口已部署并运行了实时控制层级的系统与软件平台。其中，单机远程监控与管理系统（remote control andmonitoring system, rcms）可实现全流程设备、单机、堆场及船舶的实时状态监测、故障报警、历史数据回放与防碰撞预警等核心功能；翻堆一体化控制系统能够完成翻车机、皮带输送机与堆料机的协同联动，支持作业流程自动启停、均匀给料及故障连锁保护；取装一体化控制系统则实现了取料机、皮带输送机与装船机的协同控制，具备自动对舱、移舱、铺料及料流追踪等智能化能力。这些系统与软件的应用，推动了港口装卸控制模式从单机独立控制向全流程协同控制的转变，并为上层应用提供了稳定可靠的装卸生产过程数据接口。然而，面向装卸过程全局优化的传统技术手段仍存在显著局限性，其生产控制决策高度依赖操作人员的经验积累与主观判断。该模式不仅决策效率低下，且对生产数据的利用程度不足，缺乏系统性、高精度的数据支撑，导致装卸生产过程的优化效果难以达到预期。

2、因此，我们开发了一种基于数据驱动的装卸生产流程优化系统，目的是突破行业内传统优化方法的局限，提供一个系统化、智能化的优化解决方案。该系统从数据挖掘、机器学习和优化算法的角度出发，结合大数据分析技术，实现了对装卸生产过程的参数精准寻优。通过自动化的特征选择和超参数调优方法，系统能够在复杂的生产环境中不断提升优化效果，满足单目标和多目标优化需求，为装卸生产过程中的参数调整和决策提供可落地实施的标准化解决方案。

技术实现思路

1、为了解决上述问题，本发明采用的技术方案是：一种干散货港口装卸生产过程寻优方法，包括以下步骤：

2、s1：构建干散货港口装卸数据集，对装卸作业条件、装卸设备参数及装卸作业指标进行分类汇总，将小时级装卸设备参数数据动态聚合为班组级，经数据清洗、缺失值处理及时间序列重采样后，生成组合数据表；

3、s2：对组合数据表进行预处理，包括分布分析、数据清洗及递归特征消除与交叉验证，自动筛选最优特征子集；

4、s3：建立多种装卸生产预测模型，分别基于预处理后的数据进行训练，并采用r²、rmse、mae评估指标进行综合评估，基于评估结果确定最佳预测模型；

5、s4：建立多种寻优算法模型，依据问题的复杂度、目标函数的非线性及解的质量确定最佳寻优算法；

6、s5：分别以班单耗、班装卸量、班工时为预测目标，采用网格搜索交叉验证方法对最佳预测模型的核心超参数开展系统性调优，得到各目标对应的最优超参数组合，建立各单目标最优代理模型；

7、s6：基于各单目标最优代理模型，在工艺参数可行域内分别执行全局寻优，求解各单目标下的工艺参数最优解；

8、s7：构建以班单耗、班装卸量、班工时为核心的多目标优化框架，以最佳预测模型为代理模型，采用最佳寻优算法与约束惩罚机制实现多指标协同优化，得到班单耗、班装卸量、班工时的协同优化最优解；

9、s8：依据各单目标及多目标最优解，输出对应的工艺参数调整建议。

10、进一步地：所述对干散货港口装卸数据集中的数据进行预处理的过程如下：

11、首先，通过数据分布分析，对干散货港口装卸数据集中的各特征变量的均值、中位数、标准差以及分布类型和变化趋势进行评估；

12、其次，进行数据清洗，对于少量缺失值，通常采用均值填补的方式，而对于连续缺失超过设定阈值的数据段，执行整段删除策略；针对数值列中出现的负值，采用将其替换为零的方式；对核心工艺参数列，采取非零值均值填充的方式以保证数据完整性，对一般数值型列，采用全局均值填补法进行处理，确保数据的稳定性和完整性，对类别型列，采用众数填充保证数据完整性；

13、最后，进行特征选择，使用递归特征消除，通过逐步移除不重要的特征，自动选择对最有用的特征。

14、进一步地：所述装卸生产预测模型建立与训练的过程如下：

15、根据装卸生产数据集的样本规模、特征维度、目标变量为班单耗、班装卸量、班工时连续型工艺指标的特性，以及装卸生产过程中设备参数与作业指标间的非线性关系程度、特征交互复杂度，建立p1、p2、p3、p4…pn个装卸生产预测模型；

16、将数据集按预设比例划分为训练集与测试集，基于训练集中的特征集和目标值，对各装卸生产预测模型进行拟合训练；

17、采用预设评估指标对各装卸生产预测模型进行交叉验证与测试集评估，基于评估结果确定最优装卸生产预测模型；

18、接收新的未知数据集，通过最优装卸生产预测模型进行预测，输出目标值的估计。

19、进一步地：所述多种寻优算法模型采用粒子群优化算法、差分进化算法、粒子群差分进化混合算法、双重模拟退火算法或进化策略算法。

20、进一步地：当优化算法采用双重模拟退火算法时，以训练好的装卸生产预测模型作为快速评估器，对装卸生产工艺参数进行寻优；寻优过程如下：

21、首先，进行初始设定，在工艺参数可行域内随机生成初始解，定义目标函数；所述目标函数以工艺参数向量作为输入，通过训练好的装卸生产预测模型输出目标变量的预测值，以所述预测值作为适应度评估标准；单目标寻优时，所述目标函数为预测模型对班单耗、班装卸量或班工时中任意一项的预测输出；多目标寻优时，所述目标函数为班单耗、班装卸量、班工时预测值的加权组合，并叠加工艺约束惩罚项；

22、接着，进行搜索空间探索，外层主退火在每一步对当前工艺参数进行随机扰动，生成新的候选解，以扩展搜索范围；通过自适应温度调度机制控制扰动幅度，初始阶段当温度高于温度阈值，允许以大于阈值步长进行跳跃，随着迭代进行，温度逐渐降低，缩小步长，以内层从退火进行精细搜索；

23、然后，评价与接受策略，每次生成新解后，将当前工艺参数组合输入训练好的装卸生产预测模型获取适应度值，作为优化评估标准，如果新解优于当前解，则接受新解；若新解劣于当前解，则基于metropolis接收准则，以概率p避免陷入局部最优；接着进行边界条件检查，检查每次产生的新工艺参数组合是否在预设的边界范围内，若超出边界，则限制在合理范围内；当迭代次数达到预设值，或目标函数值变化已接近收敛时，停止运行；

24、最后，输出最优解，包括返回找到的最佳工艺参数组合以及通过模型预测得到目标值结果。

25、进一步地：metropolis接受准则的表达式如下：

26、

27、其中，δf = f(x_new) - f(x_current) 为新解与当前解的目标函数值之差，t_k为第k次迭代的温度参数。

28、进一步地：分别以班单耗、班装卸量、班工时作为预测目标，采用网格搜索交叉验证方法，对所述随机森林回归模型的核心超参数开展系统性调优，过程如下：

29、单目标优化子步骤1：初始化随机森林回归模型，固定基础参数，设定评估指标为决定系数r2，采用网格交叉验证进行模型性能评估，通过 bootstrap 自助采样生成多个独立的训练子集，在每个子集上训练一棵决策树，最终将所有决策树的预测结果取平均值作为最终输出；

30、单目标优化子步骤2：超参数搜索空间定义，定义待调优超参数及取值范围，树的数量决定集成中决策树的数量，直接影响模型的稳定性和计算成本，搜索空间为：[50，100，150，200]；特征选择策略控制每个节点分裂时随机选择的候选特征数量，通过平衡单棵树的预测能力和树之间的相关性来影响集成效果，搜索空间为：[log2，sqrt，0.5，1.0]；树的深度限制限制决策树的最大生长深度，是防止模型过拟合的关键参数，搜索空间为：[none，5，10，15，20]；

31、单目标优化子步骤3：网格搜索交叉验证执行，对班单耗、班装卸量、班工时3个不同特征结构的数据集，初始化gridsearchcv对象，传入基础模型、超参数搜索空间和网格交叉验证配置；调用fit()方法执行搜索，筛选最优超参数组合，优先选择平均r2最高的组合；若平均得分相同，选择标准差最小的组合；

32、单目标优化子步骤4：最优超参数结果输出，输出各数据集的最优超参数配置；

33、单目标优化子步骤5： 基于各数据集的最优超参数配置分别构建单目标代理模型，采用所述最佳优化算法，分别以班单耗、班装卸量、班工时作为寻优目标，在工艺参数可行域内执行全局寻优，基于所述单目标代理模型预测各工艺参数组合对应的目标值，筛选出各单目标下的工艺参数最优解。

34、进一步地：所述再构建以班单耗、班装卸量、班工时为核心的多目标优化框架，通过训练好的多目标最佳装卸生产预测模型与约束惩罚机制实现多指标协同优化的过程如下：

35、多目标优化子步骤1：多目标优化问题数学建模，构建多目标综合目标函数，实现班单耗最小化、班装卸量最大化与班工时最小化的协同平衡，为保证优化结果满足工艺可行性要求，设置相应3项硬约束条件，并采用软惩罚机制处理约束违反情况，对于任意违反硬约束的参数组合，根据违反程度施加线性惩罚项；最终优化目标为原目标函数与所有约束惩罚项之和；

36、多目标优化子步骤2：采用经超参数调优的随机森林回归模型作为多目标优化的代理模型；

37、多目标优化子步骤3：基于代理模型进行多目标寻优执行与特征重要性分析，在工艺参数可行域内执行全局寻优算法，遍历所有可能的参数组合，计算每个组合对应的班单耗、班装卸量、班工时的预测值及最终目标函数值，筛选出目标函数值最小的参数组合作为最优解，基于最优rfr模型，计算各工艺参数对综合目标函数的重要性得分，识别影响优化目标的关键特征。

38、进一步地：所述多目标综合目标函数的表达式如下：

39、

40、其中，1(x)、2(x)、3(x) 分别为班单耗、班装卸量、班工时的预测值，w1、w2、w3为根据港口生产优先级确定的权重系数，σpj(x) 为工艺约束惩罚项之和；

41、所述约束惩罚项的表达式如下：

42、

43、其中，gj(x) 为第 j 项工艺约束的实际值，gj,limit 为对应约束阈值，λj为惩罚系数。

44、进一步地：单目标最优代理模型的目标函数如下：

45、

46、其中，x 为装卸生产工艺参数向量，i(x) 为训练好的装卸生产预测模型对第 i个目标变量的预测输出，i ∈ {班单耗, 班装卸量, 班工时}；若目标为最大化班装卸量，则目标函数转化为 f(x) = -班装卸量(x)。

47、本发明提供的一种干散货港口装卸生产过程寻优方法，通过引入数据驱动的智能优化算法，结合装卸生产过程中的关键生产数据，建立精确的预测模型和优化模型，实现装卸生产过程的智能化寻优，从而提高装卸作业效率，降低装卸作业能耗。

48、（1）提升生产过程智能化水平

49、本发明利用数据分析、机器学习及优化算，将装卸生产中的主要影响因素纳入建模范围，从而实现生产过程的智能化管理。

50、通过数据的智能分析和预测，系统能够在不同工况下自动优化操作参数，大幅降低人工干预的需求，提高生产效率，且优化建议具有良好的可读性，减少人为操作带来的误差和偏差。

51、（2）降低能源消耗

52、通过优化装卸生产操作参数和生产调度，本发明能够有效地减少能耗，提升能源利用效率。系统能够识别和减少生产中的不必要能耗，并通过精确的预测和优化算法，在不影响装卸生产预期指标的前提下，实现生产过程的能效最大化。此外，系统的优化过程还可以进一步减少浪费，提高整体生产过程的环保性，降低碳排放，符合绿色发展的要求。

53、本发明所涉及的背景技术与现有技术相比，具有以下改进和提升：

54、（1）装卸生产数据处理

55、现有技术特征：目前，在装卸生产过程中的数据处理主要依赖于阈值和组合逻辑过滤的方法，但其对复杂装卸生产中的异常数据和无效数据的辨识能力有限，难以适应装卸生产过程中多变和复杂的数据模式。

56、本发明改进点：本发明提供了一种数据清洗的处理方法，首先针对数值列中出现的负值，采用将其替换为零的方式，以避免负值对后续计算和分析可能造成的偏差。对于缺失值的处理，根据列的数据特性进行分类：对核心工艺参数列，采取非零值均值填充的方式以保证数据完整性，对一般数值型列，采用全局均值填补法进行处理，确保数据的稳定性和完整性，对类别型列，采用众数填充保证数据完整性。对于连续缺失超过设定阈值的数据段，执行整段删除策略，以避免对分析结果的干扰。通过这些措施，本发明能够有效识别和处理装卸生产过程中的异常数据和无效数据，显著提高数据质量，为后续的数据分析和建模提供更加可靠的基础。

57、（2）装卸生产数据聚合

58、现有技术特征：装卸生产过程中产生的数据不仅来源多样，而且数据维度繁多，常常存在时间对齐问题。由于不同数据源的采集频率不同，数据之间的时间戳通常不对齐，导致传统数据聚合方法在处理这些多源、多维度数据时，缺乏灵活性，无法适应数据的动态变化，影响了数据聚合的效率和准确性。

59、本发明改进点：本发明提供了一种基于统计信息的动态数据聚合方法，通过智能数据处理系统自适应调整数据处理策略，以提升数据分析的准确性和有效性。该方法通过对采集到的大量装卸生产过程数据进行统计分析，评估数据的统计特征，并根据评估结果动态调整数据聚合的方式和策略。系统能够根据不同数据源和维度的特点，以及数据的时间对齐情况，选择合适的聚合方式，从而优化数据处理效果。在保证数据精度的前提下，本发明能够有效减少计算开销，提高数据聚合的效率，最终提升数据处理的质量和准确性，为后续的数据分析和优化提供更高效的支持。

60、（3）装卸生产预测模型

61、现有技术特征：现有的装卸生产数据预测方法通常依赖传统的机器学习模型，如线性回归、支持向量机和决策树等。这些方法在特征选择上往往依赖人工干预或经验筛选，导致可能遗漏重要特征，进而影响预测的准确性。此外，现有技术中超参数调优常采用默认设置或手动调整，缺乏系统化的调优过程，无法充分挖掘模型潜力。模型选择方面，通常只使用单一模型，忽略了多模型集成的潜力，导致预测结果的稳定性和准确性受限。此外，由于模型训练过程中易受过拟合或欠拟合影响，现有方法的泛化能力较差，难以适应复杂且动态变化的装卸生产数据。

62、本发明改进点：本发明提出了一种用于装卸生产数据预测的优化方法，通过自动化特征选择、超参数调优和多模型优化，显著提高预测准确性。在数据预处理阶段，首先使用对装卸生产数据进行标准化，确保各特征具有统一的尺度，以避免特征间的尺度差异影响模型训练。随后，采用递归特征消除与交叉验证（rfecv）方法对数据进行自动化特征选择，确定最优特征子集。接着，利用gridsearchcv对基模型进行超参数调优，通过系统化的搜索找到最优的超参数组合，从而提高模型的预测性能。在模型训练和评估阶段，使用r²、rmse和mae三种评估指标，全面衡量模型的拟合优度、误差以及预测偏差。通过对多种预测模型进行评估，自动基于最优效果选择最佳模型进行后续训练，从而确保在不同预测任务中使用表现最佳的模型。本发明针对装卸生产数据的复杂性，通过上述自动化优化方法，显著提高了预测模型在实际应用中的准确性和稳定性。该方法为装卸生产过程中的决策提供了更加精准的数据支持，能够有效辅助生产优化，提升生产效率并降低能耗。

63、（4）装卸生产优化模型

64、现有技术特征：现有技术中的优化模型通过优化算法来调整生产参数，以最大库容、最少时间或最低能耗等单一目标为主。但是这些传统方法通常缺乏对特征选择的系统化考虑，优化过程中未能充分利用预测模型来为算法提供更精确的输入。此外，现有技术中在特征选择方面多依赖人工干预或基于经验的选择，往往不能根据数据集中的特征重要性进行动态调整，导致部分重要特征未能得到充分利用。

65、本发明改进点：本发明在寻优模型中采用了双重模拟退火算法作为优化算法，通过模拟退火机制有效避免陷入局部最优解，能够在复杂的生产环境中找到全局最优解。与传统方法不同，本发明将预测模型与优化算法紧密结合，使得优化过程中能够利用预测模型提供的精准输入，提升了优化的精度和稳定性。此外，双重模拟退火算法通过自适应的温度调节机制和概率接受策略，能够在搜索空间中进行广泛探索，并在找到更优解时进行精细调整。该算法的引入，不仅增强了装卸生产过程优化的效果，还提高了生产效率、降低了能耗，并为后续的生产决策提供了更加精准的数据支持。