数字孪生驱动下的机场早到行李存储系统智能运维设计与应用

全球航空运输需求不断扩张，民航行李处理系统承压加剧、时效约束趋严。早到行李存储（EBS）是行李系统核心子系统，负责提前寄存行李并按航班准时出库，可平抑客流高峰、缓解分拣拥堵，其调度水平直接影响机场行李流转效率与航班准点率[2]。但大型枢纽机场现有EBS普遍存在行李定位追踪困难、设备故障预警滞后、全局实时运维监控缺失等痛点。

针对仓储调度与机场智能运维难题，国内外已有大量研究，可按技术维度归纳为库位调度、预测性维护、可视化运维三类。仓储库位调度领域已形成“冲突检测-约束求解-动态调度”的成熟框架，借助货品相似度优化库位分配以平衡效率与路径冲突[3]，面向双深货架设计穿梭机-提升机协同算法[4]，或融合冲突搜索与深度强化学习优化多AGV路径以减少设备冲突[5]；数字孪生驱动的多AGV全局路径规划进一步依托时空双维度模型判定资源时间窗重叠冲突[6]，但上述方案均面向电商、工厂等通用仓储场景，未考虑EBS特有的航班截载时效约束与提升机-穿梭车异构设备强耦合特征。预测性维护方面，现有研究多依托数字孪生与IETM实现装备常规故障诊断[7]，侧重故障发生后的定位与溯源，缺少融合多源传感数据的健康评分与剩余寿命预测机制，难以支撑故障前置预警。可视化运维方面，民航智能运维领域落地SITA Bag Radar等AI行李分析平台，融合多源数据预判运行瓶颈与错运风险，但仅实现宏观行李流风险研判；数字孪生（DT）依托虚实实时交互特性，广泛用于制造、交通基建运维的全景可视化[8]，但相关平台多聚焦单一设备或产线，未覆盖行李、库位、设备三类实体的一体化实时映射。

综上，现有成果难以适配民航EBS场景，仍存在明显研究缺口：其一，通用仓储调度算法面向电商、工厂仓储，而EBS存在航班时效强约束、吞吐流量波动大、多类异构设备联动等独有特征，模型无法直接复用[9]；其二，民航现有行李风险平台与预测性维护研究均聚焦单一环节，缺少设备层级状态监测与成套预测性维护方案，也未与可视化、调度模块联动，难以落地一体化数据驱动运维[10]。搭建一体化数字孪生体系，并融合动态库位分配、多异构设备协同调度、设备级预测性维护与全景可视化，是EBS智能化改造的核心技术难点，也是本文方案区别于现有单点式研究的差异化所在。

面向枢纽机场EBS实际运维需求，本文提出数字孪生赋能的EBS智慧运维方案，核心工作如下：1.构建四层虚实协同数字孪生架构，依托IoT完成仓储设备、行李实体的高精度虚拟映射与实时交互；2.设计多目标遗传算法动态分配库位，建立提升机与穿梭车协同调度、路径规划模型；3.搭建集成全景可视化、设备健康评估、预测性维护的运维平台，完成运维从经验驱动向数据驱动转型。 

1.总体架构设计

系统遵循“实时感知、精准映射、数据融合、智能决策”设计准则，面向智慧运维目标搭建含物理感知、设备通信、实体模型、应用服务的四层协同架构（见图1），配套数据保障、安全、数据转换支撑模块，通过接口对接离港、航班、资源分配第三方系统。

图1 总体架构

物理感知层：布设RFID、工业相机、温振传感器、PLC，采集穿梭车、提升机、输送线等设备工况并下发控制指令。

设备通信层：自研工控网关兼容OPC UA、MQTT、Modbus多工业协议，完成异构数据清洗标准化，统一融合设备与第三方业务数据。

实体模型层：整合几何、物理、行为、规则模型构建数字孪生体，形成“采集—映射—仿真— 下发”感知决策执行闭环。

应用服务层：依托孪生数据提供可视化监控、智能调度、预测性维护等智慧运维核心业务；三类支撑模块保障数据完整、安全与跨系统互通。

2.数据库设计

系统采用MySQL关系型数据库管理系统进行数据持久化存储。根据四层架构中各层产生与使用的数据项，建立行李信息表、库位信息表、设备状态表、调度任务表与设备健康档案表共5个核心数据表，分别支撑行李全生命周期跟踪、库位资源管理、设备运行监测、任务调度执行与预测性维护功能。其中，行李信息表与调度任务表分别承载库位分配与多设备协同调度两项核心业务逻辑，是系统数据库设计的关键，其结构如表1、表2所示。

表1 行李信息表

表2 调度任务表

另外，还有库位信息表、设备状态表与设备健康档案表等三张数据表。其中，库位信息表（主键location_id）包含存储库位位置、规格、承重、分区、占用状态、周转率等，用于库位动态管控；设备状态表（主键device_id）包含记录设备类型、位置、负载、电流、磨损、故障码等，实现设备实时监控；设备健康档案表（外键device_id，关联设备状态表主键）包含留存设备振动、温度、磨损、健康评分、剩余寿命及维保建议等，支撑预测性维护。

五张数据表通过主外键关联构成完整的数据关系网络。行李信息表的location_id关联库位信息表主键，实时反映行李当前库位占用关系；调度任务表的baggage_id关联行李信息表主键，lift_id、shuttle_id分别关联设备状态表主键，记录任务与行李、设备间的绑定关系；设备健康档案表通过device_id关联设备状态表主键，实现设备实时状态与历史健康趋势的联动查询。数据同步方面，设备通信层采集的设备工况数据经清洗后以事件触发方式实时写入设备状态表，并按设定周期聚合更新至设备健康档案表；行李入库/出库、任务状态流转等业务事件同步触发行李信息表、调度任务表与库位信息表的联动更新（如任务完成后同步刷新库位占用状态与行李当前位置字段），保证跨表数据的一致性与实时性。

1.库位动态分配策略

库位分配以提升库位利用率、缩短存取路径、优化作业效率、均衡巷道负载为多目标，融合多维决策因子构建约束规则，通过多目标遗传算法求解。针对EBS航班时效强约束的场景特征，算法在通用多目标GA基础上做两处专项改进：一是初始化阶段将行李尺寸、承重与库位规格的硬匹配（表1size_type字段）前置为可行域筛选条件，杜绝不可行个体进入种群；二是适应度函数在货物、库位设备、关键指标三类权重因子基础上，新增以行李预计释放时间（表1expected_release_time）与所属航班截载时间之间的时间余量为核心的紧迫度因子，余量越小权重越高，驱动临近截载行李优先获取低耗时库位；交叉、变异算子均限定在满足尺寸/承重/截载约束的可行子集内执行库位片段重分配，个体越界时经修复算子调整后方可进入下一代种群，区别于不考虑可行域的标准GA算子。决策因子分为五类：库位基础属性、行李特征、巷道设备工况、运行关键指标、动态调度干预参数，共同作为算法约束与适应度计算依据。库位动态分配算法如表3所示。

表3 库位动态分配算法

加权因子的取值并非固定经验值，而是结合机场早到行李历史运行数据标定：以历史各时段行李到达强度（航班流量）、行李类型分布（航班类型、舱位等级、尺寸占比）为输入，采用专家评分法（AHP）确定四类因子的初始权重比例，并基于历史运行日志做离线网格搜索寻优，使分配成功率与巷道负载均衡度在验证集上达到最优组合；系统上线后依据实际运行反馈定期微调，以适配不同机场、不同季节的流量结构差异，提升算法的工程可复用性。参数敏感度分析见后文。

2.多设备协同调度与路径规划

提升机与穿梭车的协同作业需满足设备能力、任务时序与站台缓冲区容量三类约束：每台设备同一时间只能执行一项任务；同一行李存取任务中提升机与穿梭车作业须满足先后顺序；提升机与穿梭车交接货物的站台容量有限，需避免拥堵。在此基础上确定设备分配、作业顺序、起止时间与穿梭车行驶路径等决策变量。区别于通用仓储调度按到达顺序或最短路径确定优先级的做法，本文在多任务竞争同一设备时，按行李预计释放时间与所属航班截载时间的时间余量升序排序确定执行优先级，将EBS航班时效约束直接嵌入设备竞争决策，余量越小的任务越先获得设备资源；调度结果经数字孪生仿真预演校验后下发执行，算法设计框架如表4所示。

表4 多设备协同调度与路径规划算法

3.设备健康评估与预测性维护

预测性维护依托设备数字健康档案，融合传感数据与历史退化趋势，计算健康评分并预测剩余使用寿命(Remaining Useful Life, RUL)，实现由基于时间的预防性维护向基于状态的预测性维护转变。区别于通用设备健康管理仅按健康评分/RUL阈值触发维护的做法，本文进一步将维护建议的执行时机与EBS运行热力关联：维护建议生成后比对未来时段的早到行李吞吐量预测，若建议窗口与吞吐高峰重叠，则在RUL安全裕度允许范围内自动顺延至最近的低负荷时段执行，避免计划性维护占用设备而影响航班高峰期行李时效，兼顾设备可靠性与EBS运维连续性。设备健康评估与预测性维护算法如表5所示。

表5 设备健康评估与预测性维护算法

4.全景可视化监控实现方法

全景可视化依托三维渲染技术，构建覆盖数据采集、模型驱动、状态渲染、人机交互的完整流程，将EBS货架、设备、行李等实体及库存、工况、作业进度实时映射至虚拟场景，支撑仓库、设备、作业三类可视化应用。仓库可视化图形化展示仓储布局与行李分布，以差异化颜色区分空闲、占用、预定、告警等库位状态（见图2）。设备可视化搭载各类设备高精度三维模型，绿/黄/红三色同步标识正常、预警、故障工况，并联动设备健康评分模型。作业可视化实时渲染穿梭车、提升机运行轨迹、任务进度与线路拥堵，直观呈现行李实时位置，快速定位运行瓶颈。 

图2 全景可视化

1.测试环境

测试环境的硬件配置为处理器Intel Core i7-12700H（14核20线程）、内存32GB DDR4，设备与服务器之间的数据传输通过无线网络实现。软件部分中，操作系统为Ubuntu 22.04 LTS(64位)，数据库采用MySQL8.0，系统采用SpringBoot与Vue.js构建前后端分离架构。系统部署于独立测试环境，运行规模覆盖早到行李量15000件/日、960个库位、50台穿梭车与10台提升机。

2.测试方法

本实验采用对照测试，对照组为传统人工调度运维方案，实验组为本文数字孪生运维系统；在同等业务体量与流量条件下连续测试7天，对比三项核心指标量化优化效果，指标统计规则如下。

行李存取耗时：单任务下发至办结总时长，取全部有效任务均值（单位：s），由任务起止时间戳差值计算。

设备非计划停机时长：周期内设备突发故障停机累计时长（单位：min），通过故障记录起止时间累加，衡量预测性维护故障预防能力。

管理决策效率：异常告警、定位、处置、闭环全流程平均耗时（单位：min），覆盖设备故障、库存报警、行李超时等各类异常。

全量数据由系统毫秒级时间戳自动采集，规避人工统计偏差，保证结果客观可复现。

3.测试用例设计

围绕系统的三类核心算法（库位动态分配算法、多设备协同调度与路径规划算法、设备健康评估与预测性维护算法）与三类业务场景（全景可视化监控、多级预警与异常处置、绩效分析与数据看板），共设计6项测试用例，其中用例1～3对应三类核心算法验证，用例4～6对应三类业务场景验证，覆盖库位分配、设备调度、健康维护、可视化同步、多级预警、绩效分析全维度，具体如表6所示。

表6 测试用例

4.测试结果与分析

经过连续7个测试日的稳定运行，所有测试用例均通过验证，系统核心性能指标对比结果如表7所示。

表7 两种运维模式核心性能指标对比

测试结果显示，系统在调度、运维、决策、功能合规四项指标均达标：

(1)调度效率：行李存取平均耗时由120s降至102s，优化15%；高峰巷道负载不均衡度28%降至11%。算法融合多维度因子实现入库时空均衡，搭配设备时序冲突消解机制，减少设备闲置与排队，并行作业能力显著提升。

(2)运维效能：每周非计划停机时长480min缩减至112min，降幅超75%；依托电机电流、磨损数据的预测维护可提前识别75%隐患，由事后抢修转为计划性维保，降低故障引发的航班延误风险。

(3)决策效率：异常处置时长自18min压缩至5.5min，决策效率提升3倍。全局可视化监控配套分级预警处置方案，省去人工现场排查，实现异常快速闭环。

(4)功能符合性：可视化同步延迟180ms，预警准确率100%，统计数据偏差＜0.1%，全部业务功能符合设计标准。

5.参数敏感度分析

为验证多目标遗传算法加权因子Φ的工程适配性，基于本文测试环境（960库位、50台穿梭车、日处理15000件行李）开展单变量敏感性实验，基准权重(Φ0={0.25,0.25,0.3,0.2})，控制单一权重在0.05～0.5区间变化，其余权重等比例缩放保证权重和为1，记录行李平均存取耗时、巷道负载不均衡度变化，实验结论如图3、图4所示。

图3 不同加权因子扰动下行李平均存取时长变化

图4 不同加权因子扰动下巷道负载不均衡度变化

（1）关键指标权重Φ3敏感度最高：当Φ3由0.3下调至0.05时，平均存取时长上升7.2%，巷道负载不均衡度提升9.4%；提升至0.5时负载均衡性优化4.1%，但极端取值会忽略航班时效约束。因此工程场景中Φ3建议基准取值0.25～0.35。

（2）动态干预权重Φ4具有场景依赖性：平峰时段调整Φ4对系统指标影响不足2%；早出港高峰、航班延误场景下，提升Φ4可缩短急出行李出库时间8%～12%，是应对流量波动的核心调节参数。

（3）行李因子Φ1、设备工况因子Φ2敏感度偏低，权重在0.1～0.4区间变动时，两项核心指标波动均小于3%，鲁棒性良好，仅需根据机场大小行李比例、设备新旧程度小幅修正。

综上，本文权重标定方案具备清晰的场景适配规则，参数敏感度可控，不同规模、不同客流特征的机场仅需小幅调整基准权重即可完成部署，提升算法工程可复用性。

6.工程应用验证

本文数字孪生驱动的早到行李存储系统已在西部某3000万人次级大型枢纽机场完成示范应用，针对该车道路式存储EBS完成数字化升级改造，系统于2025年正式投运，配置892个标准存储库位，日均处理行李存取业务约12000件。为验证实际优化效果，选取改造前3个月历史运营数据与改造后同期现场实测数据进行对标，核心性能对比如表8所示。

表8 示范工程改造前后核心运营指标对比

数据对比显示，行李平均存取耗时由改造前118.0s缩短至100.3s，降幅达15.0%；高峰时段库位利用率由82.3%提升至91.7%，库位日均周转率提升19.4%；月度非计划故障停机时长降低72.2%，设备平均完好率由94.2%提升至99.1%；航班截载行李按时完成率达99.5%，系统投运以来未因存储调度问题引发出港航班延误。需要说明的是，现场实测指标与实验室仿真结论高度吻合，验证了算法在真实航班流量波动、多异构设备联动场景下的鲁棒性；相较于传统模式依赖运维经验调度、故障事后抢修的模式，本系统推动运维向远程监控与预测性主动维保转型，一线人员日均现场作业量减少60%以上，单起故障平均定位时间由15min压缩至2min以内。由此可见，本文方案在真实枢纽机场场景下同步实现了调度效率、设备可靠性与运维效能的提升，工程落地价值与实操可行性得到充分验证，具备向同类机场EBS系统推广复用的价值。

本文面向枢纽机场早到行李存储系统（EBS）运维中行李存取效率低、故障预警滞后、缺乏全局监控等痛点，提出数字孪生驱动的智慧运维框架：构建物理感知、设备通信、实体模型、应用服务四层协同架构，设计多目标遗传算法实现库位动态分配，建立设备协同调度模型与预测性维护方法，搭建可视化监控、绩效分析与智能决策一体化运维平台，推动EBS运维由经验驱动向数据驱动转型。测试结果表明，行李存取平均耗时缩短15%，非计划故障停机时长降低75%以上，异常处置决策效率提升3倍以上，验证了方案有效性与工程可行性，为枢纽机场EBS智能化升级提供可复用技术路径。受限于当前仿真测试条件，本文尚缺少真实机场现场部署数据与实施效益验证，后续将结合改造项目开展现场试点，持续完善智慧运维方案。

【基金项目：民航物流ICS技术攻关项目——子课题四:EBS早到控制系统研发(编号KY2503)】