CN101907884A - 炼钢-精炼-连铸生产过程的调度方法 - Google Patents

Abstract

本发明提供一种炼钢-精炼-连铸生产过程的调度方法，包括：根据初步调度计划生成时间约束网络；根据时间约束网络计算出炼钢-精炼-连铸生产过程中各工序的时间窗口；根据所述时间窗口建立调度优化模型，并根据该模型计算出炼钢-精炼-连铸生产过程中各工序的最佳开始时间；根据所述最佳开始时间确定最终调度计划并按照该最终调度计划进行生产。通过本发明，在给定的计划周期、设备分配、加工顺序的约束条件下，使钢水在各工艺设备上具有一个最佳的到达温度，不仅能够在保证原有调度计划的设备分配和加工顺序不变的情况下满足炼钢-精炼-连铸生产过程工艺要求，还能够有效提高产品质量，降低能源消耗。

Description

炼钢-精炼-连铸生产过程的调度方法

技术领域

本发明涉及炼钢-精炼-连铸生产过程的调度方法，具体地说，涉及一种基于最佳工艺温度的炼钢-精炼-连铸生产过程的调度方法。

背景技术

在目前的钢铁生产过程中，钢铁企业生产部门通常将炼钢-精炼-连铸三个工序作为一个整体来进行生产计划编制，形成生产批量计划。然后，将所形成的生产批量计划下达给各生产厂执行，例如，下达给进行炼钢-精炼-连铸生产过程的炼钢厂。在下达给炼钢厂的生产批量计划中，指定了在连铸工序上需要加工的各个浇次和板坯交货时间，并要求炼钢厂按照连铸板坯交货时间要求生产出合格板坯。在接收到生产批量计划后，炼钢厂需要根据生产批量计划来编制炼钢-精炼-连铸生产过程的生产调度计划，以实现在工艺约束条件下最大程度地满足连铸板坯的交货时间要求的同时，使得完成全部工件的时间最短。

炼钢-精炼-连铸生产过程是一种高温、连续且伴随着物理及化学变化的复杂生产过程，其通常涉及多个炉次、多个工序、多个设备、多个阶段以及多个板坯。

这里要说明的是，术语“炉次”指的是炼钢-精炼生产过程的加工单位，根据具体生产厂不同，每个炉次可包含100-300t钢水。在本文中，用符号J₁，J₂，…，J_n表示n个炉次。

术语“工序”指的是每炉钢水要顺序经过炼钢、精炼方式1、…、精炼方式L、连铸等多种方式的加工，每次加工称作一个工序。在本文中，用符号O_i1，O_i2，…，O_im表示炉次i的第1到第m个工序。

术语“阶段”指的是炉次经过的加工方式。在本文中，用符号S₁，S₂，…，S_m表示m个生产阶段。

术语“板坯”指的是每个炉次的钢水经过连铸生产阶段后被浇铸成的板坯，每块板坯的重量通常为十几吨到几十吨。在本文中，用P₁，P₂....，P_N表示N块板坯。

图1示出了现有的炼钢-精炼-连铸生产过程示意图。

如图1所示，在现有炼钢-精炼-连铸生产过程中，根据现有的调度方法，炉次J₁，J₂，...，J_n依序通过炼钢设备1，2，...，|S₁|、精炼设备1，2，...，|S₂|和连铸设备1，2，...，|S₃|，然后形成板坯P₁，P₂，...，P_N。

在现有调度方法中，通常是应用启发式或精确算法来确定各工序的加工设备并指定各工序的开始时刻，即指定各工序的开始时间点。

然而，由于炼钢-精炼-连铸生产过程是一个高温且连续的生产过程，并伴随有复杂的物理及化学变化，因此，在炼钢-精炼-连铸生产过程中，常常存在许多不可预测的影响因素，从而导致炼钢-精炼-连铸生产过程很容易偏离生产调度计划。从上可知，在现有调度方法中只给出了各工序的开始时刻，并没有给出不影响生产调度计划的各工序的最晚开始时间。也就是说，根据现有调度方法所编制的生产调度计划是一种定点计划。因此，在生产过程偏离生产调度计划时，生产管理人员不能够根据所编制的生产调度计划判断实际生产过程偏离生产调度计划的程度，以及该种偏离是否会对炼钢-精炼-连铸生产过程产生影响，从而不能在偏离程度对生产过程产生不良影响时及时对生产调度计划进行调整。

因此，能够指定各工序在各加工设备上的[最早开始，最晚开始]时间窗口的炼钢-精炼-连铸生产过程的调度方法，可以使得生产管理人员在生产过程中出现意外因素时及时对调度计划进行调整。但是钢水在各工艺设备上要求的到达温度构成一个温度区间，有最低温度、最佳温度、最高温度要求，并且钢水在整个加工周期内处于不同的加工阶段时具有不同的温度-时间变化规律，因此在给定的计划周期、设备分配、加工顺序的约束条件下，单纯的以时间窗口为依据进行炼钢-精炼-连铸生产过程的调度只能保证钢水在各工艺设备上的温度在要求的温度区间范围内，而无法保证钢水在各工艺设备上具有一个最佳的到达温度。

因此，为了使各炉钢水在各设备上能够具有最佳的到达温度，需要确定调度方法中各工序在其时间窗口中的哪一刻开始才是最佳的，即确定时间窗内各炉钢水在各设备上的开始时间，仍是目前急需解决的重要问题。

发明内容

基于以上问题，本发明提供一种炼钢-精炼-连铸生产过程的调度方法，该调度方法根据初步调度计划生成时间约束网络；根据时间约束网络计算出炼钢-精炼-连铸生产过程中各工序的时间窗口；根据所述时间窗口建立调度优化模型，并根据该模型计算出炼钢-精炼-连铸生产过程中各工序的最佳开始时间；根据所述最佳开始时间确定最终调度计划并按照该最终调度计划进行生产。

其中，在根据所述时间窗口建立调度优化模型的过程中，需要确定钢水在各工艺设备上加工时的最佳初始温度，根据所述最佳初始温度确定炼钢-精炼-连铸生产过程中各工序的最佳开始时间。

再者，针对所生成的时间约束网络，计算所述时间约束网络中各节点i与节点0之间的最短距离d_i0以及节点0与各节点i之间的最短时间距离d_0i，以获得各节点i的时间窗[-d_i0，d_0i]。

此外，在本发明的一个优选实施方式中，采用三角形模糊集隶属度函数、梯形模糊集隶属度函数或者六点模糊集隶属度函数来确定所述最佳初始温度。

利用本发明提供的调度方法，生产管理人员不仅能够知道各工序的最早开始时间和在不影响计划目标的前提下各工序的最晚开始时间，从而可以在生产过程中出现意外因素时及时对调度计划进行调整，并且还能够根据基于最佳工艺温度确定的各炉钢水在各设备上的开始加工时间，从而使得在炼钢-精炼-连铸生产过程中，在给定的计划周期、设备分配、加工顺序的约束条件下，钢水在各工艺设备上具有一个最佳的到达温度，不仅能够在保证原有调度计划的设备分配和加工顺序不变的情况下，满足炼钢-精炼-连铸生产过程工艺要求，还能够有效提高产品质量，降低能源消耗。

附图说明

通过下面结合附图对其实施例进行描述，本发明的上述特征和技术优点将会变得更加清楚和容易理解。

图1是表示现有的炼钢-精炼-连铸生产过程示意图；

图2是表示本发明实施例的调度流程示意图；

图3是表示本发明中可行的炼钢-精炼-连铸生产调度计划对应的时间约束网络示意图；

图4是表示本发明中采用三角形模糊集隶属度函数确定最佳温度的示意图；

图5是表示本发明中采用梯形模糊集隶属度函数确定最佳温度的示意图；

图6是表示本发明中采用六点模糊集隶属度函数确定最佳温度的示意图；

图7是表示本发明中采用的基于种群进化策略的算法架构示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细的描述。

在炼钢一精炼-连铸生产过程中，在给定计划周期、设备分配、加工顺序的约束条件下，钢水在各工艺设备上的工艺温度、开始加工时间均是一个范围值，即温度区间和时间区间(窗口)，但钢水在各工艺设备上要求的到达温度在所要求的温度区间内均具有一个最佳温度，因此对应的在各工艺设备上钢水的开始加工时间也具有一个在最佳温度开始的最佳开始时间。

本发明就是在以下约束条件下，以各炉钢水在各设备上的最佳到达温度为目标，确定各炉钢水在各设备上的最佳开始加工时间，从而以该最佳加工时间为依据确定最终的生产调度计划，以提高产品质量、降低能源消耗。约束条件如下：

(1)各炉钢水已经被指定加工设备，在同一设备上加工的各炉钢水已经确定加工顺序；

(2)各炉钢水在各加工设备上的加工持续时间确定；

(3)各炉钢水在各加工设备上的最低温度、最佳温度、最高温度限制；

(4)各炉钢水在不同加工阶段的传搁时间具有最小值、最大值约束；

图2是表示本发明实施例的调度流程示意图。如图2所示，在上述约束条件下，本发明提供的炼钢-精炼-连铸生产过程的调度方法包括如下步骤：首先，根据初步可行的调度计划生成时间约束网络；然后，根据生成的时间约束网络计算出炼钢-精炼-连铸生产过程中各工序的时间窗口；在计算出各工序的时间窗口之后，根据所述时间窗口建立调度优化模型，并根据该模型计算出炼钢-精炼-连铸生产过程中各工序的最佳开始时间；最后根据计算出的最佳开始时间确定最终调度计划并按照该最终调度计划进行生产。

图3是表示本发明中可行的炼钢-精炼-连铸生产调度计划对应的时间约束网络示意图。如图3所示，以6个炉次3个生产阶段，每个生产阶段设置3个生产设备的炼钢-精炼-连铸生产过程为例，一个可行的炼钢-精炼-连铸生产调度计划可以表示成如图3所示的时间约束网络图，图3中的时间单位为分钟，完成全部生产任务的目标时间为137分钟。图3中的节点代表各工件的不同工序，其中节点0和节点*为虚工序，分别代表整个计划的开始和结束，节点间的弧线代表各工件不同工序间的时间约束关系。

在计算时间窗的过程中，通过计算时间约束网络中各节点i与节点0之间的最短距离d_i0以及节点0与各节点i之间的最短时间距离d_0i，来获得各节点i的时间窗[-d_i0，d_0i]。

要在时间窗中确定炼钢-精炼-连铸生产过程中各工序的最佳开始时间，首先需要确定钢水在各工艺设备上加工时的最佳初始温度。钢水在各工艺设备上要求的初始工艺温度构成一个温度区间，有最低初始温度Tmin、最佳初始温度Topt、最高初始温度Tmax要求，但是，由于钢水温度在最小值与最优值之间以及在最优值与最大值之间时，不能清楚表述该温度的好坏程度，因此，本发明采用模糊函数的表达方法来确定最佳初始温度Topt。如图5所示的三角形模糊集隶属度函数中，当钢水温度为最佳值Topt时，规定隶属度函数值为1，表示该初始温度最令人满意；当钢水温度低于最低值Tmin及高于最高值Tmax时，规定隶属度函数值为0，表示该初始温度不能令人接受；钢水温度为其它值时对应的隶属度函数值如图5所示的分段线性形式。

另外，钢水温度的好坏程度也可以采用图6所示的梯形模糊集隶属度数、图7所示的六点模糊集隶属度数，以及其它模糊集隶属度函数形式来确定。

基于最佳工艺温度的炼钢-精炼-连铸优化调度模型如下：

其中，

J为工序编号，j＝1，2，...，N，每一编号对应一个工序，参见图3；

C为图3中标记同一炉次的工序间先后关系的弧集(实线弧集)；

D为图3中标记不同炉次但被分配到同一设备的工序间先后关系的弧集(虚线弧集)；

p_j为工序j的加工时间(在本模型中为已知参数)；

d_ij ^-为工序i完成至工序j开始的最小时间间隔；

d_ij ⁺为工序i完成至工序j开始的最大时间间隔；

T^g _j为工序j完成时的钢水目标温度(在本模型中为已知参数)；

t_j为工序j的开始加工时间，为决策变量；

为工序j的最早可行开始时间，等于工序j时间窗的最小值；

为工序j的最晚可行开始时间，等于工序j时间窗的最大值；

T^S _j为加工工序j时钢水的初始温度，由上工序的目标温度T^g _j和上工序至j工序的延迟时间决定，一般可假设为的线性函数，即为T^S _j＝T^g _j-k_ij×(t_j-p_i-t_i)，(i，j)∈C，k_ij为工序i，j之间的温降系数；

F(T^S _j)为加工工序j时钢水初始温度的满意度水平，隶属度函数可以是图4～6中的一种。

目标函数(1)代表钢水在各工序初始温度的满意度最小值最大化；约束式(2)代表同一炉次的相邻工序间间隔时间的最小值和最大值约束；约束式(3)代表钢水温度随延迟时间的变化函数；约束式(4)代表分配在同一设备上的两个工序不能同时加工；约束式(5)代表决策变量的取值范围。

模型(1)～(5)可以通过多种优化软件或算法求得最优或近似最优解。求得的解给出了各工序的最佳加工时间，表明各工序根据该时间开始加工时可以保证钢水开始加工温度保持在总体较高的满意水平。

在本发明的一个优选实施方式中，采用基于种群进化策略的算法架构设计出多种基于种群进化策略的求解算法，图7是表示本发明中采用的基于种群进化策略的算法架构示意图，如图7所示，为了求得各工序的最佳加工时间，在初始化算法参数(步骤S701)之后，首先生成一定数量的初始解，即生成初始群解(步骤S702)，然后判断初始群解中的每个解是否都可行(步骤S703)；如果每个解都可行，则计算每个解的目标函数值，保存当前最好的解形成当前解群(步骤S705)；如果具有不可行的解，需要先应用局部修正法对该不可行的解进行改进使之可行(步骤S704)，然后再计算每个可行的解的目标函数值，保存当前最好的解形成当前解群(步骤S705)；然后再根据预定的进化规则对当前解群进行处理，生成新一代解群(步骤S706)；判断新一代解群中的每个解是否都可行(步骤S707)，如果其中存在不可行的解，则继续应用局部修正法对该不可行的解进行改进使之可行(步骤S708)；如果每个解都可行，则计算新一代解群中每个解的目标函数值，并根据目标函数值更新当前最好解(步骤S709)；最后判断当前最好解是否满足终止准则(步骤S710)，如果满足终止准则，则输出最好解(步骤S711)；如果不满足，则继续从步骤S706至步骤S710的处理，直至得到满足终止规则的最好解。

在图7中所示的算法架构中，涉及三个关键技术点，分别是步骤S704和步骤S708、步骤S706、步骤S710中所涉及的技术。其中，步骤S704和步骤S708中提到的局部修正方法在具体实施时可以采用多种方法，如：随机的方法、基于约束规划的方法、基于数学规划的方法等。步骤S706中提到的生成新一代解群的规则在具体实施时可以采用多种规则，如：遗传进化规则、粒子群进化规则等。步骤S710中提到的终止准则可以采用多种准则，如：设定迭代代数、设定算法运行时间等。

下面以两个具体的实施例对上述算法架构做进一步的详细说明。

实施例一

在本实施例一中所采用的算法为HCPPSO算法(Hybrid CP/PSO algorithm，约束规划及粒子群优化的混合算法)，在HCPPSO算法中，对于上述三个关键技术点分别采用以下设计方法来实现。

步骤S704和步骤S708中所涉及的关键技术点：采用基于约束规划的方法—-利用时间约束网络方法验算约束(2)、(4)、(5)是否满足，如果不满足，寻找破坏约束最大的变量，然后调整其开始时间值。循环以上过程，直到解可行。

步骤S706中所涉及的关键技术点：采用粒子群优化(particle swarm optimization，PSO)的策略。

设在一个D维求解空间中，D维向量Y_i＝(y_i1，y_i2，…，y_iD)代表PSO第i个粒子(对应问题的一个解)的位置。粒子i在飞行过程中经过的最好解为P_i＝(p_i1，p_i2，...，P_iD)，整个粒子群经历过最好解的颗粒编号为g，颗粒i的飞行速度为V_i＝(v_i1，v_i2，...，v_iD)。则PSO在迭代过程中根据如下规则调整粒子的飞行属性：

$V_i^{n+1}=w\·V_i^n+c_1\·r_{i1}^n\·(P_i^n-Y_i^n)+c_2\·r_{i2}^n\·r_{i2}^n\·(P_g^n-Y_1^n)---\left(6\right)$

$Y_i^{n+1}=Y_i^n+V_i^{n+1}---\left(7\right)$

其中，i＝1，2，...，M，M为粒子群的规模；n为迭代次数；w是惯性系数，现有研究表明较大的惯性系数有利于算法在整个求解空间的探索，较小的惯性系数有利于提高算法的局部搜索能力。本装置对惯性系数的初始值设置较大，然后采用线性衰减的方式变化；c₁和c₂分别为认知参数和社会参数；w、c₁和c₂的合理选择有利于平衡算法的探索能力和学习能力；r_i1 ⁿ和r_i2 ⁿ是在[0，1]区间均匀分布的随机数。

步骤S706中所涉及的关键技术点：事先设定迭代代数，到达指定的迭代代数时，算法终止。

在本实施例一的HCPPSO算法中，引入如下符号：

J  当前调度计划涉及的工序数量；

j  工序编号j＝1，2，...，J；

M  粒子群规模；

i  粒子群中的粒子编号，i＝1，2，...，M；

maxIter 为算法最大迭代代数；

n  迭代代数编号，n＝1，2，...，maxIter；

算法迭代到第n代时粒子群中的第i个粒子的位置，

对应模型(1)～(5)的一个解；

对应的目标函数值，根据目标函数式(1)计算；

V_max粒子在各方向的最大飞行速度；

算法迭代到第n代时粒子i的开始时间变化速度向量，

w₀初始惯性系数；

r  在[0，1]之间均匀分布的随机数；

sign()符号函数，x＞0时，sign(x)＝1，x＝0时，sign(x)＝0，x＜0时，sign(x)＝-1；

P_in  算法迭代到第n代时粒子群中粒子i的历史最好位置；

g  整个粒子群经历过最好解的粒子编号；

r_i1 ⁿ  在[0，1]区间均匀分布的随机数；

r_i2 ⁿ  在[0，1]区间均匀分布的随机数；

c₁    认知参数；

c₂    社会参数；

则本实施例一的HCPPSO算法流程如下：

Step1：初始化V_max，w₀，c₁＝c₂＝2.0、M、g＝1、f_g ¹＝0、maxIter；

Step2：生成M个初始解

Step3：主循环

Step4：输出P_g ⁿ及其目标函数值.

以上流程的简洁描述如下：

Step1：初始化算法参数；

Step2：

Step3：

Step4：输出所有粒子经过的历史最好位置及其对应解的目标函数值。

实施例二

在本实施例二中所采用的算法为HCPGA算法(Hybrid CP/GA algorithm，约束规划及遗传算法的混合算法)，在HCPGA算法中，对于上述三个关键技术点分别采用以下设计方法来实现。

步骤S704和步骤S708中所涉及的关键技术点：同HCPPSO算法。

步骤S706所涉及的关键技术点：采用遗传进化策略，简要过程如HCPGA算法流程所示。

步骤S710所涉及的关键技术点：同HCPPSO算法。

本实施例二的HCPGA算法流程如下：

Step1：初始化算法参数；

Step2：

Step3：

Step4：输出当前最好个体及其对应的目标函数值。

通过本发明提供的上述调度方法，生产管理人员能够根据基于最佳工艺温度确定的各炉钢水在各设备上的开始加工时间，从而使得在炼钢-精炼-连铸生产过程中，在给定的计划周期、设备分配、加工顺序的约束条件下，钢水在各工艺设备上具有一个最佳的到达温度，不仅能够在保证原有调度计划的设备分配和加工顺序不变的情况下，满足炼钢-精炼-连铸生产过程工艺要求，还能够有效提高产品质量，降低能源消耗。

在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行各种改进和变形，而这些改进和变形，都落在本发明的保护范围内，本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围由权利要求及其等同物限定。

Claims (10)

1.一种炼钢-精炼-连铸生产过程的调度方法，包括：

根据初步调度计划生成时间约束网络；

根据时间约束网络计算出炼钢-精炼-连铸生产过程中各工序的时间窗口；

根据所述时间窗口建立调度优化模型，并根据该模型计算出炼钢-精炼-连铸生产过程中各工序的最佳开始时间；

根据所述最佳开始时间确定最终调度计划并按照该最终调度计划进行生产。

2.按照权利要求1所述的调度方法，

在根据所述时间窗口建立调度优化模型的过程中，需要确定钢水在各工艺设备上加工时的最佳初始温度，根据所述最佳初始温度确定炼钢-精炼-连铸生产过程中各工序的最佳开始时间。

3.按照权利要求2所述的调度方法，根据时间约束网络计算出炼钢-精炼-连铸生产过程中各工序的时间窗口具体过程为：

针对所生成的时间约束网络，计算所述时间约束网络中各节点i与节点0之间的最短距离d_i0以及节点0与各节点i之间的最短时间距离d_0i，以获得各节点i的时间窗[-d_i0，d_0i]。

4.按照权利要求3所述的调度方法，

采用模糊函数来确定所述最佳初始温度。

5.按照权利要求4所述的调度方法，

采用三角形模糊集隶属度函数、梯形模糊集隶属度函数或者六点模糊集隶属度函数来确定所述最佳初始温度。

6.按照权利要求5所述的方法，所述调度优化模型为：

其中，

J为工序编号，j＝1，2，...，N，每一编号对应一个工序；

C为标记同一炉次的工序间先后关系的弧集；

D为标记不同炉次但被分配到同一设备的工序间先后关系的弧集；

p_j为工序j的加工时间，在本模型中为已知参数；

d_ij ^-为工序i完成至工序j开始的最小时间间隔；

d_ij ⁺为工序i完成至工序j开始的最大时间间隔；

T^g _j为工序j完成时的钢水目标温度，在本模型中为已知参数；

t_j为工序j的开始加工时间，为决策变量；

为工序j的最早可行开始时间，等于工序j时间窗的最小值；

为工序j的最晚可行开始时间，等于工序j时间窗的最大值；

T^S _j为加工工序j时钢水的初始温度，由上工序的目标温度T^g _j和上工序至j工序的延迟时间决定，一般可假设为的线性函数，即为T^S _j＝T^g _j-k_ij×(t_i-p_i-t_i)，(i，j)∈C，k_ij为工序i，j之间的温降系数；

F(T^S _j)为加工工序j时钢水初始温度的满意度水平；

目标函数(1)代表钢水在各工序初始温度的满意度最小值最大化；约束式(2)代表同一炉次的相邻工序间间隔时间的最小值和最大值约束；约束式(3)代表钢水温度随延迟时间的变化函数；约束式(4)代表分配在同一设备上的两个工序不能同时加工；约束式(5)代表决策变量的取值范围。

7.按照权利要求6所述的方法，

在所述调度优化模型的基础上，采用基于种群进化策略的求解算法计算出炼钢-精炼-连铸生产过程中各工序的最佳开始时间。

8.按照权利要求7所述的方法，所述基于种群进化策略的求解算法包括：

S701：初始化算法参数；

S702：根据初始化的算法参数生成初始群解；

S703：判断所述初始群解中的每个解是否都可行；

S704：如果具有不可行的解，应用局部修正法对该不可行的解进行改进使之可行；

S705：如果每个解都可行，则计算每个解的目标函数值，并保存当前最好的解形成当前解群；

S706：根据预定的进化规则对当前解群进行处理，生成新一代解群；

S707：判断新一代解群中的每个解是否都可行；

S708：如果其中存在不可行的解，则继续应用局部修正法对该不可行的解进行改进使之可行；

S709：如果每个解都可行，则计算新一代解群中每个解的目标函数值，并根据目标函数值更新当前最好解；

S710：判断当前最好解是否满足终止规则，如果不满足，则继续从步骤S706至步骤S710的处理；

S711：如果满足终止准则，则输出最好解。

9.按照权利要求8所述的方法，

所述局部修正方法采用随机的方法、基于约束规划的方法或者基于数学规划的方法。

10.按照权利要求9所述的方法，

所述生成新一代解群的规则采用遗传进化规则或者粒子群进化规则。

所述终止准则采用设定迭代代数或者设定算法运行时间的方式来实现。

Images