CN103034773A - 加热炉调度的优化算法 - Google Patents

Abstract

本发明公开了一种加热炉调度的优化算法；包括界面表示层、业务逻辑层和数据访问层，其中：界面表示层负责收集业务逻辑层需要使用的数据，调用业务逻辑层提供的服务，并将业务逻辑层返回的数据以界面的方式呈现；业务逻辑层负责响应界面的调用请求，获取界面表示层的信息和数据访问层的数据，负责执行特定的业务逻辑运算，将结果返回给调用者和写入数据库；数据层由关系数据库组成，负责存储要持久化的数据。本发明可以合理调度对于降低生产过程的能源消耗和生产成本。

Description

加热炉调度的优化算法

技术领域

本发明涉及一种加热炉调度的模型和优化算法。

背景技术

目前，随着能源问题的日益突出，节能降耗已成为钢铁企业降低生产成本、提高企业竞争力的重要手段。热轧钢板是钢铁企业的主流产品之一，其生产线上的加热炉是高能耗设备。加热炉在合理燃烧的情况下，对需要加热的板坯进行合理调度，有利于节约能源，提高产品的质量和成材率，缩短产品生产周期，从而降低生产成本，提高企业生产率。

加热炉是热轧钢板生产过程中的关键设备之一。在加热工序，板坯从加热炉入口进入加热炉，从出口离开加热炉，板坯从入口到出口的移动过程中被加热，加热炉内的所有板坯在移动过程中不能改变顺序，且具有相同的移动速度，该移动速度由炉内需要加热时间最长的板坯决定。板坯从进入加热炉到从加热炉出来所经过的时间称作板坯住炉时间。板坯的装炉温度、目标温度和板坯的规格参数值决定了板坯的额定加热时间，板坯住炉时间不能小于板坯额定加热时间。另一方面，板坯住炉时间过长会产生板坯过烧现象，影响产品质量，因此，板坯住炉时间不能超过上限值。

一般情况下，热轧批量计划是根据工艺规程和合同交货期编制的，每个轧制单元轧制位需要的板坯对应多个相同规格和钢级的候选板坯，构成了该轧制位的候选板坯集合。加热炉调度主要解决的问题是如何根据轧制批量计划合理地从每个轧制位对应的候选板坯集合中选择板坯，并将选择的板坯根据其规格及需要的加热时间合理地分配给各加热炉，使得加热后的板坯在保证轧制顺序和质量要求的前提下，总的板坯住炉时间最短。

目前，有关加热炉的研究大多是基于热能原理研究加热炉内温度的预测方法与控制策略。现有文献中也有关于加热炉优化调度问题的数学模型及优化算法的报道，但现有方法存在以下问题：(1)仅考虑将板坯合理地分配给加热炉的过程，未考虑选择不同来源板坯的过程。在实际钢铁生产中每一轧制位对应多块板坯，只有合理地选择板坯才能更好地降低加热炉的能源消耗。(2)未考虑板坯住炉时间的最大值限制。如果板坯在炉加热时间达到额定加热时间后等待出炉的时间过长，会出现板坯过烧或粘钢等现象，影响板坯的质量。(3)未考虑板坯的额定加热时间最小的优化目标。每一块板坯的额定加热时间与板坯当前温度、目标温度、钢种和分配加热炉内加热的板坯等信息有关，所以同一板坯在不同加热炉的额定加热时间也不同。结合额定加热时间最小的优化目标和板坯对应可交换集合的约束可充分保证降低加热炉在加热板坯过程中的能源消耗。

加热炉是热轧生产中关键的能源消耗设备，其合理调度对于降低生产过程的能源消耗和生产成本具有重要作用。

发明内容

本发明所要解决的技术问题是提供一种加热炉调度的优化算法，它可以合理调度对于降低生产过程的能源消耗和生产成本。

为了解决以上技术问题，本发明提供了一种加热炉调度的优化算法；包括界面表示层、业务逻辑层和数据访问层，其中：界面表示层负责收集业务逻辑层需要使用的数据，调用业务逻辑层提供的服务，并将业务逻辑层返回的数据以界面的方式呈现；业务逻辑层负责响应界面的调用请求，获取界面表示层的信息和数据访问层的数据，负责执行特定的业务逻辑运算，将结果返回给调用者和写入数据库；数据层由关系数据库组成，负责存储要持久化的数据。

本发明的有益效果在于：建立的加热炉调度问题的数学模型以板坯住炉时间最小为优化目标，考虑了选择不同来源板坯的过程，并约束板坯的住炉时间的上限。结合选择加热板坯的过程和板坯的额定加热时间最小的目标，有效地保证了节约能源消耗的目标。板坯住炉时间的上限约束和板坯达到额定加热时间等待出炉时间最小的目标，充分地保证了减少加热过程中的热能损失，有效地防止了加热板坯出现过烧等现象，保证了板坯的质量。

在本发明中，界面表示层主要进行轧制计划选择、设置数学模型和SS优化算法的参数，调用业务逻辑层的分散搜索SS算法等操作。

在本发明中，业务逻辑层对界面层选择的轧制计划、板坯制造计划和板坯库板坯信息进行解析，生成加热炉调度的数学模型。

在本发明中，应用分散搜索SS算法求解加热炉优化调度计划，并将分散搜索SS算法求得的加热炉调度计划进行解析，传给界面表示层、存入到数据库表，并对板坯制造计划和板坯库基本信息进行同步更新。

在本发明中，SS算法的基本组成部分为：初始解生成方法，参考解集合，解的结合方法和改进方法。

在本发明中，初始解的生成方法设计包括：每个个体的编码由两个链表组成，其中，solL包含了被选中的板坯序列，solF对应被选中的板坯指派的加热炉；在初始解的产生过程中，链表solL中的第i个元素值sli从[1，…，|Ci|]的整数中随机产生；solF中的元素值基于记忆频数的方法产生；记f(sli，k)为板坯sli被指派到加热炉k的频数，则在生成新个体时板坯sli被指派到加热炉k的概率与f(sli，k)成反比。

在本发明中，所述组合算子为基于随机变量序列的投票组合算子RVSBVCO或单点交叉组合算子OPCCO，其均由子集中的两个个体生成一个新个体；基于随机变量序列的投票组合算子RVSBVCO采用了基于概率的选举机制，由子集中的2个个体来共同决定新个体的编码；基于随机变量序列的投票组合算子RVSBVCO首先对每个个体中的变量进行随机排序，然后基于选举规则按照变量重新排定的位置顺序从小到大地选举产生新个体中每个变量的基因值；记v1为个体1的变量位置，v2为个体2的变量位置，则选举规则如下：在同一轮投票中，变量位置小的个体获胜，在变量位置相同的情况下，目标函数值小的个体获胜。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

图1是加热炉优化调度装置工作流程示意图；

图2是连铸与热轧的连接方式示意图；

图3是本发明实施例所述SS算法求解inst1时的进化过程示意图；

图4是本发明实施例所述SS算法求解inst2时的进化过程示意图。

具体实施方式

本发明提供了了一种新的加热炉调度模型和优化算法，并基于该模型和算法发明了一种加热炉优化调度装置。该装置基于轧制计划、板坯制造计划、板坯库板坯的信息、模型参数设置，应用分散搜索(scatter search，以下简称SS)优化算法求解加热炉的调度计划并保存到数据库表。根据加热炉的生产工艺和约束条件建立了加热炉优化调度的数学模型，针对模型特点提出了SS优化算法，设计了基于随机变量序列的投票组合算子和单点交叉组合算子。加热炉调度装置首先选择轧制计划、配置模型和算法参数；其次，应用SS算法对模型进行求解。加热炉的调度计划包含了轧制计划每一轧制位选择的板坯，并给出了每一板坯分配的加热炉和板坯的入炉和出炉时间。加热炉调度模型中考虑了板坯最小的额定加热时间目标，针对给定的轧制计划选择不同来源的板坯，充分保证了加热炉加热板坯过程中的节能降耗的目的。

本***整体可以划分3个层次，界面表示层、业务逻辑层和数据访问层。

1)界面表示层：界面表示层负责收集业务逻辑层需要使用的数据，调用业务逻辑层提供的服务，并将业务逻辑层返回的数据以界面的方式呈现。

2)业务逻辑层：业务逻辑层负责响应界面的调用请求，获取界面表示层的信息和数据访问层的数据，负责执行特定的业务逻辑运算，将结果返回给调用者和写入数据库。

3)数据访问层：数据层由关系数据库组成，负责存储要持久化的数据。

本***包括轧制计划的维护，板坯制造计划的维护，板坯库板坯基本信息维护，加热炉调度模型的建立，SS算法的设计，加热炉调度计划的创建与维护。该加热炉优化调度方法与装置的工作流程如图1所示，具体表述如下：

(1)界面表示层选择轧制计划、设置数学模型和SS优化算法的参数，调用业务逻辑层的SS算法；

(2)业务逻辑层对界面层选择的轧制计划、板坯制造计划和板坯库板坯信息进行解析，生成加热炉调度的数学模型；

(3)应用SS算法求解加热炉优化调度计划，并将SS算法求得的加热炉调度计划进行解析，传给界面表示层、存入到数据库表，并对板坯制造计划和板坯库基本信息进行同步更新。

数据库方面的设计：轧制计划表，板坯制造计划表，板坯库基本信息表，加热炉调度计划表。

其中，轧制计划表保存了轧制计划中每一轧制位需要板坯的钢种、规格、温度和板坯轧制顺序等信息；板坯制造计划表为对应出钢计划的浇铸板坯计划，保存了铸坯的计划完成时间、规格、钢种等信息；板坯库信息表保存了当前板坯库、保温坑存放板坯的基本信息；加热炉调度计划表保存了轧制计划选择的板坯、加热炉加热板坯的集合和板坯的加热时间等信息。

界面表示层的设计：轧制计划界面，板坯制造计划界面，板坯库板坯基本信息界面，加热炉调度计划界面，轧制计划选择和参数设置界面。

其中，轧制计划界面显示不同轧制计划的信息，并可对其进行增、删、改、查等操作；板坯制造计划界面显示不同出钢计划对应的板坯切断计划，可对其进行增、删、改、查等操作；板坯库板坯基本信息界面显示当前板坯库、保温坑存储板坯的基本信息，可对其进行增、删、改、查等操作；加热炉调度计划界面显示不同轧制计划对应的板坯选择和板坯分配加热炉的信息，可对其进行增、删、改、查等操作；轧制计划选择和参数设置界面用于选择轧制计划、设置加热炉调度的数学模型和SS算法的基本参数信息，并调用业务逻辑层的SS优化算法。

业务逻辑层的设计：首先，对界面层选择的轧制计划与设置的参数进行解析；其次，自动生成加热炉调度问题的数学模型和相关的模型参数；再次，应用SS算法对模型进行求解；最后，将SS算法求得的加热炉调度计划进行解析存入数据库表，并返回到调度计划界面进行显示。

下面分别介绍加热炉调度计划的数学模型和SS优化算法的实现过程。

在一般钢铁企业的生产线布局中，加热炉的上游生产工序是生产板坯的连铸工序，下游生产工序轧制板坯的热轧工序。根据连铸机供给热轧机铸坯的供应方式和温度的不同，连铸和热轧之间的连接存在4种不同的工艺路径：冷装(CCR)，热装(HCR)，直接热装(DHCR)，直接热轧(HDR)，以上4种工艺路径只有HDR不需经过加热炉，但HDR要求特殊的生产线配置和很高的生产组织水平，在现代钢铁生产中应用很少。CCR、HCR和DHCR三种装炉方式的生产工艺流程如图2所示。图2中生产线配备多台并行的连铸机或是一机多流的连铸机，加热能力不同的3台加热炉和1台热轧机。在加热炉上游工序，根据连铸板坯的物流实绩，需要加热的板坯可能来源于板坯库、保温坑或是连铸机，板坯来源不同决定其装炉温度不同，再加上板坯规格不同，因此，板坯的标准加热时间不同。在加热炉下游工序，热轧机组要求板坯按照轧制计划指定的板坯顺序出炉，而且相邻两块板坯的出炉时间间隔要大于热轧机组轧制一块板坯的时间，小于热轧机组轧制一块板坯的时间加上热轧机组的最大等待时间，以免造成热轧机组停机损失和产品质量较大的波动。

加热炉调度过程需满足如下工艺约束：(1)每块板坯的计划住炉时间大于等于标准加热时间，小于等于最大住炉时间。(2)同一时刻在加热炉内的板坯数量小于该加热炉的额定容量。(3)同一台加热炉的板坯出坯顺序与板坯的入炉顺序一致。(4)加热炉向热轧机组提供板坯的顺序必须与轧制单元计划规定的顺序一致。

如图1所示，轧制计划要求的板坯顺序为1、2、3、4、5、6，相应地加热炉出坯顺序也为1、2、3、4、5、6。(5)相邻两块板坯的出炉时间间隔要大于热轧机组轧制一块板坯的时间，小于热轧机组轧制一块板坯的时间加上热轧机组的最大等待时间。加热炉调度问题的优化目标是在满足以上约束前提下，使得所有被选中的板坯总的住炉时间最小，从而节省能源消耗，提高生产效率。

SS算法已被广泛应用于求解组合优化问题，是一种基于种群搜索的启发式算法。基本思想是基于初始解的种群生成参考解集合，选择参考解集合中的两个或更多的解组成子集合，对子集合中的解应用结合方法生成新的更好的解，对结合生成的新解运用改进算法，对于应用改进算法改进后的优质解来更新参考集。所以SS算法的基本组成部分为：初始解生成方法，参考解集合，解的结合方法和改进方法。

初始解的生成方法设计：

每个个体的编码由两个链表组成，其中，solL包含了被选中的板坯序列，solF对应被选中的板坯指派的加热炉。在初始解的产生过程中，链表solL中的第i个元素值sli从[1，…，|Ci|]的整数中随机产生；solF中的元素值基于记忆频数的方法产生。记f(sli，k)为板坯sli被指派到加热炉k的频数，则在生成新个体时板坯sli被指派到加热炉k的概率与f(sli，k)成反比。

以上提出的初始解生成方法既能保证解的多样性，又能根据加热炉利用率进行平均分配，防止出现加热炉利用率不均衡的情况。

解的组合方法设计：

组合算子是SS算法的基本组成部分，其作用是将子集中的解按照某种方法组合成一个或多个新解。由于子集中的解来源于参考集RefSet，因此，结合算子是将参考集中的优质解和多样性解组合生成新解，合理设计组合算子既可以保证解的优质性又可以保证解的多样性。本文针对问题及编码方式的特点设计了两种组合算子，分别是基于随机变量序列的投票组合算子(random variablesequence based voting combination operator，RVSBVCO)和单点交叉组合算子(one point crossover combination operator，OPCCO)，两者均由子集中的两个个体生成一个新个体。

RVSBVCO采用了一种基于概率的选举机制，由子集中的2个个体(投票者)来共同决定新个体的编码。RVSBVCO首先对每个个体中的变量(轧制位)进行随机排序，然后基于选举规则按照变量重新排定的位置顺序从小到大地选举产生新个体中每个变量的基因值。记v1为个体1的变量位置，v2为个体2的变量位置，则选举规则如下：在同一轮投票中，变量位置小的个体获胜，在变量位置相同的情况下，目标函数值小的个体获胜。以上选举规则实现了质量越好的个体的变量值遗传到下一代的概率越大的思想。

局域搜索算法设计：

在SS算法中，局域搜索算子用于改进在初始化过程中随机产生的解以及由组合算子产生的新解。输入局域搜索算子的解和局域搜索算子输出的解都不要求是可行解。本文计算评价函数时会对解的可行性进行判断，对于不可行的解，其目标函数值为无穷大，以此滤掉不可行解。

由于本文优化目标是板坯的总住炉时间最小，因此，在板坯选择过程中选择标准加热时间小的板坯有利于改进目标函数值。在板坯被选定的情况下，将其指派到标准加热时间最小的加热炉同样有利于改进目标函数值。基于以上思想，本文提出了两阶段局域搜索算子：(1)保持solF不变改进solL。轧制位i＝1到m，依次尝试标准加热时间更短的候选板坯替换当前被选中的板坯，如果替换后解的目标函数值得到改进，则接受替换，否则恢复原来的板坯。(2)保持solL不变改进solF。从轧制位i＝1到m，依次尝试标准加热时间更短的加热炉替换当前被指派的加热炉，如果替换后解的目标函数值得到改进，则接受替换，否则恢复原来的加热炉。

由于采用了上述技术方案，本发明实现了：

1.建立的加热炉调度问题的数学模型以板坯住炉时间最小为优化目标，考虑了选择不同来源板坯的过程，并约束板坯的住炉时间的上限。结合选择加热板坯的过程和板坯的额定加热时间最小的目标，有效地保证了节约能源消耗的目标。板坯住炉时间的上限约束和板坯达到额定加热时间等待出炉时间最小的目标，充分地保证了减少加热过程中的热能损失，有效地防止了加热板坯出现过烧等现象，保证了板坯的质量。

2.针对模型特点提出了SS算法，设计了基于随机变量序列的投票组合算子和单点交叉组合算子。基于SS优化算法的参考集中解的多样性和优质性特点，应用结合算子和局域搜索算子有效地避免陷入局部最优和快速搜索到全局最优解。

3.基于国内某钢铁企业加热炉生产过程的实绩随机生成的测试案例进行实验，分析了参考集规模及不同组合算子对SS算法性能的影响，并与遗传局域搜索(genetic local search，简称GLS)算法的求解结果进行了比较。实验结果表明模型和算法对解决本文研究的加热炉调度问题有效。图3和图4显示了不同规模参考集SS算法的迭代过程。

本发明并不限于上文讨论的实施方式。以上对具体实施方式的描述旨在于为了描述和说明本发明涉及的技术方案。基于本发明启示的显而易见的变换或替代也应当被认为落入本发明的保护范围。以上的具体实施方式用来揭示本发明的最佳实施方法，以使得本领域的普通技术人员能够应用本发明的多种实施方式以及多种替代方式来达到本发明的目的。

Claims (7)

1.一种加热炉调度的优化算法；其特征在于，包括界面表示层、业务逻辑层和数据访问层，其中：

界面表示层负责收集业务逻辑层需要使用的数据，调用业务逻辑层提供的服务，并将业务逻辑层返回的数据以界面的方式呈现；

业务逻辑层负责响应界面的调用请求，获取界面表示层的信息和数据访问层的数据，负责执行特定的业务逻辑运算，将结果返回给调用者和写入数据库；

数据层由关系数据库组成，负责存储要持久化的数据。

2.如权利要求1所述的加热炉调度的优化算法，其特征在于，界面表示层选择轧制计划、设置数学模型和SS优化算法的参数，调用业务逻辑层的分散搜索SS算法。

3.如权利要求1所述的加热炉调度的优化算法，其特征在于，业务逻辑层对界面层选择的轧制计划、板坯制造计划和板坯库板坯信息进行解析，生成加热炉调度的数学模型。

4.如权利要求1所述的加热炉调度的优化算法，其特征在于，应用分散搜索SS算法求解加热炉优化调度计划，并将分散搜索SS算法求得的加热炉调度计划进行解析，传给界面表示层、存入到数据库表，并对板坯制造计划和板坯库基本信息进行同步更新。

5.如权利要求2-4中任何一项所述的加热炉调度的优化算法，其特征在于，SS算法的基本组成部分为：初始解生成方法，参考解集合，解的结合方法和改进方法。

6.如权利要求5所述的加热炉调度的优化算法，其特征在于，初始解的生成方法设计包括：

每个个体的编码由两个链表组成，其中，solL包含了被选中的板坯序列，solF对应被选中的板坯指派的加热炉；在初始解的产生过程中，链表solL中的第i个元素值sli从[1，…，|Ci|]的整数中随机产生；solF中的元素值基于记忆频数的方法产生；记f(sli，k)为板坯sli被指派到加热炉k的频数，则在生成新个体时板坯sli被指派到加热炉k的概率与f(sli，k)成反比。

7.如权利要求5所述的加热炉调度的优化算法，其特征在于，

所述组合算子为基于随机变量序列的投票组合算子RVSBVCO或单点交叉组合算子OPCCO，其均由子集中的两个个体生成一个新个体；

基于随机变量序列的投票组合算子RVSBVCO采用了基于概率的选举机制，由子集中的2个个体来共同决定新个体的编码；基于随机变量序列的投票组合算子RVSBVCO首先对每个个体中的变量进行随机排序，然后基于选举规则按照变量重新排定的位置顺序从小到大地选举产生新个体中每个变量的基因值；

记v1为个体1的变量位置，v2为个体2的变量位置，则选举规则如下：在同一轮投票中，变量位置小的个体获胜，在变量位置相同的情况下，目标函数值小的个体获胜。

Images