港口是一个把"时间"直接换算成钱的场景。船舶在泊多停一小时，滞期费与后续船期都会受影响；岸桥单机效率每提升一个自然箱每小时，整条作业链的产能就上一个台阶。港口的数据化因此有个明确指向：不是把设备数据接进来看看，而是用数据解释效率损失发生在哪个环节，并把它和调度决策连起来。
作业链上的数据主体
一个集装箱码头的作业链从船舶靠泊开始，经岸桥卸船、水平运输（集卡或AGV）、堆场场桥堆存或提箱，到闸口或装船结束。每个环节都有独立的设备与信息系统。
主体 | 设备/系统 | 核心数据 | 更新频率 | 效率关联 |
岸桥 | 桥吊 | 吊具位置、负载、循环次数、故障码 | 秒级 | 单机效率 |
场桥 | 轨道吊/轮胎吊 | 大车/小车位置、吊具状态、任务号 | 秒级 | 堆场作业能力 |
水平运输 | 集卡/AGV | 位置、速度、任务、电量 | 1-5秒 | 周转与等待 |
堆场 | 箱区/贝位 | 箱位状态、翻箱次数 | 事件触发 | 堆存效率 |
TOS | 码头操作系统 | 船期、配载、指令、箱信息 | 事件触发 | 全局调度 |
闸口 | 道口设备 | 进出场记录、验残 | 事件触发 | 集疏运效率 |
数据形态的差异很大。设备数据是高频时序与事件混合，TOS是事务型关系数据，堆场箱位是低频状态变更。把三类数据简单汇总到一张大屏意义有限，关键是按"船-箱-设备-时间"四个维度建立关联。
效率指标的统计口径
港口效率指标看似标准，实际口径差异极大。
船时效率是单船作业箱量除以在泊时间，衡量船舶在泊期间的装卸速度。在泊时间的起点是靠泊还是开工，终点是完工还是离泊，不同码头的计算方式不同。跨码头对比时必须先统一口径。
单机效率是单台岸桥每小时完成的自然箱数，反映设备与操作水平。它受船型、箱型结构、舱内作业比例影响——同一台岸桥在甲板箱和舱内箱上的效率差异明显，直接横向比较会得出误导性结论。
在泊时间是船舶实际占用泊位的时间，包含等待、作业、辅助作业。把等待时间单列出来，才能区分"码头能力不足"与"船方原因"。
指标 | 计算式 | 主要影响因素 | 常见误用 |
船时效率 | 箱量/在泊时间 | 船型、配载、设备 | 未区分开工与靠泊 |
单机效率 | 箱量/作业小时 | 舱内比例、箱型 | 跨船型直接对比 |
在泊时间 | 离泊-靠泊 | 等待、作业、辅助 | 未拆分等待原因 |
集卡周转 | 循环次数/小时 | 距离、拥堵、调度 | 忽略空载行驶 |
翻箱率 | 翻箱数/提箱数 | 堆存策略、箱序 | 未按箱区分别统计 |
TOS集成的现实约束
TOS是港口的调度中枢，设备数据要发挥作用，必须与TOS的指令流关联。TOS下发作业指令，设备执行并回传状态。理论上这是一个闭环，实际中常见几个断点。
指令与反馈的时间戳不一致。TOS记录的是指令下发时间，设备记录的是动作开始时间，中间的网络与排队延迟若不被记录，就无法分析"指令等待"这类损失。
任务号的传递不完整。岸桥的一个循环可能对应TOS的多条指令，场桥的提箱可能涉及翻箱等附加动作。若设备侧只记录自己的本地任务号，与TOS的任务号无法一一对应，跨设备的时间线就拼不起来。
TOS厂商的接口开放程度参差不齐。大型TOS有标准接口，但实时性有限；老系统可能只提供数据库视图，延迟以分钟计。做实时效率分析时，这个延迟会成为瓶颈。
工程上的做法是建立一层数据中间层：从TOS抽取指令流，从设备采集状态流，按任务号与时间窗做关联，输出统一作业事件。这层不替代TOS，而是为分析与可视化提供对齐后的数据。
设备状态监测的重点
港机是重型设备，故障停机的影响大。状态监测的重点随设备类型不同。
岸桥的关键部位是起升机构（钢丝绳、卷筒、减速箱）、小车行走、俯仰机构、液压系统。钢丝绳的断丝与磨损是强制检验项，传统靠人工目检，现在有用电磁检测或视觉检测辅助。减速箱的振动与油温是早期故障信号。
场桥的轮胎与轨道是易损件，轮胎吊的轮胎磨损、轨道吊的轨道沉降都会影响对位精度。大车行走的电机电流与位置偏差可以反映轨道状况。
液压系统的油压、油温、泄漏是共性监测项。液压故障往往突发，前兆不明显，靠压力曲线的异常波动做预警。
振动监测在港机上的部署要考虑环境。海边盐雾腐蚀、设备结构庞大、传感器布线困难，无线振动传感器更现实，但供电与信号稳定性要专门设计。
自动化码头的增量数据
自动化码头（如全自动集装箱码头）在传统数据之外增加了大量控制数据：AGV的路径规划、自动化场桥的远程操控、设备之间的避让与排队。这些数据的特点是频率高、与调度算法强相关。
自动化码头的效率瓶颈往往不在单机，而在协同。AGV在岸桥下等待、场桥与AGV的交接不顺畅、路径冲突导致的排队，这些损失靠单机效率指标看不出来。需要的是"作业循环时间分解"：把一次卸船作业拆成岸桥吊装、AGV行驶、场桥堆存三段，看哪一段的等待占比最高。
远程操控（岸桥/场桥的远程操作台）还引入了操作员行为数据：操作时长、切换频率、误操作。这类数据与设备数据结合，可以评估人机协同的效率。
数据平台的角色
港口数据的特点是"高频设备数据 + 事务型业务数据"并存，且对时间对齐要求高。数据平台要能承接设备运行数据的高频写入，并支持按船、按箱、按任务号的多维检索。
TDengine作为AI原生的工业数据平台，在设备状态与作业事件的写入、按标签聚合查询上有原生能力，价格低于传统工业互联网平台。它不替代TOS，而是与TOS按任务号关联，承担效率分析与设备监测的数据底座。选型时要确认对乱序数据的容忍度——港口设备网络环境复杂，数据迟到是常态。
结语
港口的数据架构，核心是把设备动作、调度指令、箱物流转三条线在时间轴上对齐，让效率损失可分解、可归因。演进方向是自动化调度与预测性维护的融合，让设备健康度参与作业分配。工业互联网在这里的价值，是把分散在岸桥、场桥、集卡、TOS里的数据变成一致的作业事实。先统一指标口径，再谈优化——口径不一的效率数字，只会让调度争论更激烈。港口的工业互联网建设，成败往往取决于数据中间层做得够不够扎实。
