CN106611221B - 一种用于解决连铸机故障的炼钢-连铸重调度方法 - Google Patents
一种用于解决连铸机故障的炼钢-连铸重调度方法 Download PDFInfo
- Publication number
- CN106611221B CN106611221B CN201611190786.3A CN201611190786A CN106611221B CN 106611221 B CN106611221 B CN 106611221B CN 201611190786 A CN201611190786 A CN 201611190786A CN 106611221 B CN106611221 B CN 106611221B
- Authority
- CN
- China
- Prior art keywords
- heat
- time
- casting
- solution
- continuous casting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 152
- 238000009749 continuous casting Methods 0.000 title claims abstract description 112
- 229910000831 Steel Inorganic materials 0.000 title abstract description 41
- 239000010959 steel Substances 0.000 title abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims abstract description 83
- 210000000349 chromosome Anatomy 0.000 claims abstract description 23
- 238000005266 casting Methods 0.000 claims description 169
- 238000004519 manufacturing process Methods 0.000 claims description 50
- 238000003754 machining Methods 0.000 claims description 23
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000005098 hot rolling Methods 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 7
- 238000011112 process operation Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000007257 malfunction Effects 0.000 claims 5
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000013459 approach Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 238000009628 steelmaking Methods 0.000 description 17
- 238000007670 refining Methods 0.000 description 13
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 239000000470 constituent Substances 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012958 reprocessing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001726 chromosome structure Anatomy 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000003303 reheating Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Factory Administration (AREA)
- Continuous Casting (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
连铸机故障问题因为涉及浇次的连浇特性使得常规用于处理设备故障的炼钢‑连铸生产的重调度方法难以应用。本发明提出了一种用于解决连铸机故障情况下炼钢‑连铸重调度方法,具体为:根据连铸机故障后的炉次不同工艺处理的重调度策略对重调度过程影响的差异,建立重调度优化模型;设计了综合遗传算法全局搜索能力与变领域搜索算法局部搜索能力优势的新混合算法进行最优解迭代寻优。算法的主要特性为:利用解码启发式算法在松弛部分复杂约束的前提下快速获得染色体的初始解;在进行种***叉变异之前,利用变领域搜索算法提升每一个初始解的质量,其中为不可行解与可行解设计了不同的领域结构。本发明能有效解决连铸机故障下的重调度问题。
Description
技术领域
本发明涉及冶金控制技术领域,具体涉及一种用于解决连铸机故障的炼钢-连铸重调度方法。
背景技术
炼钢-连铸是现代钢铁企业生产流程的关键环节,炼钢-连铸生产过程一般包括三个阶段:炼钢、精炼和连铸。生产调度在炼钢-连铸生产过程中扮演着重要的角色,一般说来,在生产开始之前生成静态调度,在静态调度假定所有信息都是可预知的并且在执行过程中保持不变。然而,在实际的生产过程中,各种扰动事件(例如机器故障)会导致正在执行的调度方案失效。
连铸机的作用是将钢液凝固成铸坯,在炼钢连铸过程中它是唯一连续工作的机器。在实际生产中,由于结晶器水口堵塞、钢板质量问题、上游钢水供给延迟等,连铸生产过程可能会中断(统称连铸机故障)。连铸机故障将导致原来的炼钢-连铸调度计划无法继续执行。因此,必须依据实时调度信息在原调度计划的基础上重新编制计划,即重调度,炼钢-连铸重调度关系到生产稳定、连续的进行,因此,该研究对实际生产有着重要的意义。
连铸机故障时的重调度问题属于炼钢-连铸动态调度问题,目前,炼钢-连铸调度问题研究主要集中在静态调度方面,很少涉及动态调度问题。Roy等在《Development of aknowledge model for managing schedule disturbance in steel-making》中提出了一个由任务、推理和领域3模块组成的知识模型去管理炼钢过程中的各种扰动问题,给出了一个重调度的框架结构,但并未给出具体的模型和求解算法。Yu等在《A Prediction Methodfor Abnormal Condition of Scheduling Plan with Operation Time Delay inSteelmaking and Continuous Casting Production Process》中提出了一种在炼钢-连铸生产过程中预测操作时间延迟扰动的方法,显然,他们的模型不适合解决机器故障扰动。Mao等在《An effective Lagrangian relaxation approach for rescheduling asteelmaking-continuous casting process》研究了炼钢-连铸动态调度过程中的机器故障扰动和时间偏差扰动,他们解决机器故障的主要方法是添加一个新的约束,即故障设备在其故障期间不能加工炉次。因此在重调度过程中,故障机器上预安排的炉次将被分配给同工序其他机器执行。尽管这种策略能够有效解决转炉和精炼炉故障下的重调度问题,但并不能完全解决连铸机故障下的重调度问题。
当连铸机发生故障时,其未加工的炉次并不能简单地分配给其他在重调度过程中继续运行的连铸机,这是因为每个连铸机具有以浇次为单元进行批量加工的特殊工艺特征。浇次内的炉次必须连续浇注,而每个炉次都关联一个预定的目标钢种,如齿轮钢、重轨钢等。为满足不同的冶炼要求,不同的钢种在炼钢生产流程中有不同的加工工序路径。不同钢种的炉次进行连浇会产生连浇成本。因此,若在重调度过程中将故障连铸机上未加工的炉次安排至其他铸机的浇次内进行浇注,可能需要更改其目标钢种信息,进而其加工工序路径和加工时间均有可能发生改变,而没有考虑该特征的重调度模型则无法处理连铸机故障扰动。
实际生产过程中用于处理故障连铸机上的未加工炉次j的重调度策略主要包含四种。第一种策略是指在不改变炉次j的钢种的前提下,直接将其***其他非故障铸机上的浇次内进行浇注(如图2(b)中的炉次8)。然而,如前所述,连浇炉次因钢种不同会产生连浇成本。第二种策略是指通过改变炉次j的炼钢/精炼操作从而改变炉次j的钢种,然后再将其***其他非故障铸机上的浇次内进行浇注。对于某些特殊的炉次,如正在故障连铸机上浇注的炉次或已完成精炼操作且正运输至故障连铸机的炉次,这种策略需要将炉次返送至前端工序进行再加工(如图2(b)中的炉次7)。第三种策略是指在连铸机的故障时间比较短的情况下仍然将炉次j安排在故障铸机上进行加工,即故障恢复后开始加工炉次j(如图2(b)中的炉次9和10)。但是,这种策略对于已经完成所有精炼操作的炉次在其浇注之前可能需要被返送至精炼工序进行再加热,因为进行浇注的炉次的温度不能低于钢水的液相线温度。第四种策略是指撤销炉次j的加工任务(如图2(a)中的炉次11)。
通常,其他非故障铸机上可用于加工故障铸机上的炉次的浇注位置(浇次中的顺序位置)是有限的,主要有以下2个方面的原因:(1)钢种不兼容的炉次是不能进行连浇的;(2)若将炉次***非故障铸机上的某个浇注位置而产生很大的等待时间通常是不可取的。因此,当铸机故障发生时,重新安排故障铸机上的炉次的浇注铸机和浇注位置的有效策略组合较少且容易获取。本发明的目的是研究在故障铸机上的炉次的浇注铸机和浇注位置确定之后如何重新编制一个新的调度计划。
不同的炉次浇注铸机和浇注位置的重新分配策略会对后续的重调度过程造成不同的影响,主要包含如下4种:(1)如果炉次需要***另一个浇次中进行浇注,则该浇次中的其他炉次的浇注时间可能会减少,因为一个浇次的总浇注时间不能超过中间包的寿命;(2)如果炉次需要更改钢种,则炉次的加工工序路径可能会改变。对于需要返送至前端工序进行再加工的炉次,在动态调度模型中还会出现逆向的加工工序路径;(3)如果炉次在浇注前需要增加一个精炼升温操作,其加工工序路径也需要改变;(4)如果炉次的加工任务被取消了,其所有已完成的工序操作信息仍然需要保留在新的调度计划中。由于当前研究中用于设备故障的炼钢厂重调度模型中均没有考虑以上由连铸机故障而引起的影响,因此需要设计一个新的重调度模型和算法来求解连铸机故障下的重调度问题。
发明内容
为了克服上述现有技术中存在的缺陷,本发明的目的是提供一种用于解决连铸机故障的炼钢-连铸重调度方法,解决现有重调度模型中没有考虑连铸机故障的问题。
为了实现本发明的上述目的,本发明提供了一种用于解决连铸机故障的炼钢-连铸重调度方法,其包括如下步骤:
S1,重调度***获取炼钢-连铸***的生产批量计划和当前调度方案,以及炼钢-连铸***的实时调度数据;
S2,对连铸机故障下的重调度问题进行染色体编码,形成初始化种群,所述种群中的染色体信息包括炉次在工序设备上的加工时间、各浇次开浇时间偏离初始调度计划中相应开浇时间的偏离值以及炉次加工设备的初始分配方案;
S3,对种群中的每一个染色体利用启发式算法进行解码进而获得每一个染色体对应的初始解;
S4,设计连铸机故障下的重调度问题的目标函数Z,然后计算种群中每个初始解对应的适应度值,所述目标函数为:
min Z=Z1+Z2+Z3 (1)
其中,
其中,目标Z1代表所有炉次的每一个操作在设备前的等待时间惩罚总和,Z2代表所有炉次交货期的提前/拖期惩罚总和,Z3代表所有炉次的每一个操作的加工时间偏差惩罚;
所述炼钢-连铸重调度方法中的已知变量为:
g:工序索引,g∈{1,2,...,G};
k:设备索引,k∈{1,2,...,K};
Mg:工序g内的设备索引集合;
j:炉次索引;
i:浇次索引,i∈{1,2,...,I};
Ψ:需要被重调度的所有炉次索引集合,|Ψ|表示炉次总数;
Ψi:浇次i内的炉次索引集合,|Ψi|表示浇次i内的炉次总数。对于任意的浇次i1≠i2(i1,i2∈{1,2,...,I})都有
Ωk:铸机k上安排的所有浇次的索引集合,|Ωk|表示铸机k的浇次总数。
lj(i):浇次i内最后一个炉次的索引,lj(i)=lj(i-1)+|Ψi|,lj(0)=0,lj(I)=|Ψ|,进而,Ψi={lj(i-1)+1,...,lj(i)};
li(k):铸机k上最后一个浇次的索引,li(k)=li(k-1)+|Ωk|,li(K)=I,其中k∈MG,K是集合MG中最大的设备索引。如果则li(k-1)=0,进而,Ωk={li(k-1)+1,...,li(k)};
oj:炉次j的操作索引,oj∈{1,2,...,O(j)},O(j)表示炉次j的操作总数,炉次在工序上的工艺操作过程,简称炉次的操作;
炉次j的操作oj所在的工序索引。所有的工序索引集合表示炉次j的加工工序路径。gO(j)必须为铸机工序G;
dj:炉次j在计划阶段确定的热轧加工交货期;
重调度开始时刻操作oj的生产状态标志。如果oj是未加工状态,则
如果oj是正在加工状态,则如果oj是已完成加工状态,则
初始调度计划中炉次j的操作oj的开始加工时间;
初始调度计划中炉次j的操作oj的结束加工时间;
0/1参数,当且仅当初始调度计划中炉次j的操作oj在设备k上加工时为1;
表示炉次j在工序g上的最小/标准/最大加工时间;
ttk,k':设备k与k'之间的运输时间;
etk:设备k的最早可用时间,故障铸机的最早可用时间为故障结束时间;
st:同一铸机上相邻浇次之间的准备时间;
lt:中间包的寿命;
炉次j的等待时间惩罚系数;
炉次j的完工时间与其交货期之间的偏差惩罚系数;
炉次j在工序g内的加工时间偏离其对应的标准加工时间之间的偏差惩罚系数;
U:一个足够大的正数;
表示在新的调度计划/初始调度计划中给炉次j的操作oj分配的加工设备索引;
μk表示设备k的可用时间;
所述炼钢-连铸重调度方法中的决策变量为:
炉次j的操作oj的开始加工时间;
炉次j的操作oj的结束加工时间;
0/1变量,当且仅当调度计划中炉次j的操作oj分配在设备k上加工时为1;
yk,j,j':0/1变量,当且仅当炉次j和j'都在设备k上加工且炉次j先于炉次j'加工时为1;
所述适应度函数为:
其中,Z(x)是调度解x的目标函数值,R是自定义的惩罚系数,Vj(x)(Vj(x)≥0)是炉次j在调度解x中的约束违反量,如果炉次j的调度计划是可行的,则Vj(x)等于0;
S5,利用约束条件判断种群中由启发式算法解码获得的初始解哪些为可行解、哪些为不可行解;
S6,利用变领域搜索算法提升每一个初始解的质量,为保证算法性能,为不可行解与可行解设计了不同的领域结构,即在不可行解的领域内进行变领域搜索其可行解,在可行解的领域内进行变领域搜索其局部最优解;
S7,判断是否满足算法停止条件(如预设的运行时间或迭代步数),如果满足,执行步骤S9,否则执行步骤S8;
S8,对染色体进行选择、交叉和变异操作,生成新一代种群并返回步骤S3;
S9,将获得的种群中的最优解生成最终重调度方案传输给炼钢-连铸生产运行控制***,控制炼钢-连铸生产运行***按照所述重调度方案运行。
本发明在分析连铸机故障对炼钢-连铸重调度过程影响的基础上,构建了适应于不同的故障连铸机上炉次的重调度策略下的调度计划编制模型。在实际生产过程中出现连铸机故障时,获得不同的重调度策略下的调度计划有助于决策者选择更合适的优化解应用于当前的生产环境,提高了决策的灵活性和合理性,有利于保证生产过程的稳定运行。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是现有技术中炼钢-连铸生产过程示意图;
图2是本发明一种优选实施方式中初始调度以及连铸机发生故障后的重调度甘特图;
图3是本发明用于解决连铸机故障的炼钢-连铸重调度方法的流程图;
图4是本发明一种优选实施方式中染色体结构示意图;
图5是本发明一种优选实施方式中初始解违反约束条件的示意图;
图6是本发明一种优选实施方式中变领域搜索的流程图;
图7是本发明一种优选实施方式中的初始调度计划;
图8是对图6中的初始调度计划在不同策略组合下获得的新的调度计划。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
图1是现有炼钢-连铸过程主要包含的3个生产环节:炼钢、精炼和连铸。炼钢与连铸环节各自包含一个并行机组,而精炼环节一般包含多个并行机组,以实现不同精炼工艺要求。一般性的炼钢-连铸生产过程如图1所示:从高炉运来的高温铁水经铁水预处理工序后兑入转炉冶炼成钢水,钢水倒入转炉下台车上的钢包内,通过天车和台车的运输作业,把钢水包运送至精炼环节,根据生产工艺要求依次在不同的精炼设备上精炼钢水,精炼完成后,再通过天车和台车,把钢水包运送至连铸并实施浇铸,形成铸坯。
在钢厂生产调度中,炉次是指某个转炉在一个冶炼周期内生产的钢水,由于一个炉次的钢水被装入一个钢包中,所以从炼钢到连铸前被调度的对象均为炉次,炉次是钢厂生产调度中最小的生产单元。浇次是指在同一连铸机上连续浇铸的炉次集合,是钢厂生产调度中最大的生产单元。炼钢-连铸调度方案制定流程是:首先将用户合同按照技术标准转化为生产合同;然后根据炼钢生产能力和工艺要求等编制炉次计划和浇次计划,并结合热轧轧制能力和工艺要求等编制热轧单元计划,形成炼钢与热轧生产相协调的生产批量计划。在生产批量计划中,已经确定了浇次的浇铸铸机以及浇次内炉次的加工顺序和生产工艺;最后,在生产批量计划的基础上,进一步结合炼钢-连铸各环节生产能力,编制生产调度方案。本发明的研究内容就是基于生产批量计划和调度方案,研究连铸机故障时的重调度编制方法。
本发明提供了一种用于解决连铸机故障的炼钢-连铸重调度方法,如图3所示,其包括如下步骤:
S1,重调度***获取炼钢-连铸***的生产批量计划和当前调度方案,以及炼钢-连铸***的实时调度数据,获得本发明中的已知变量的数据信息。
在本实施方式中,已知变量为:
g:工序索引,g∈{1,2,...,G};
k:设备索引,k∈{1,2,...,K};
Mg:工序g内的设备索引集合;
j:炉次索引;
i:浇次索引,i∈{1,2,...,I};
Ψ:需要被重调度的所有炉次索引集合,|Ψ|表示炉次总数;
Ψi:浇次i内的炉次索引集合,|Ψi|表示浇次i内的炉次总数。对于任意的浇次i1≠i2(i1,i2∈{1,2,...,I})都有
Ωk:铸机k上安排的所有浇次的索引集合,|Ωk|表示铸机k的浇次总数。
lj(i):浇次i内最后一个炉次的索引,lj(i)=lj(i-1)+|Ψi|,lj(0)=0,lj(I)=|Ψ|。进而,Ψi={lj(i-1)+1,...,lj(i)};
li(k):铸机k上最后一个浇次的索引,li(k)=li(k-1)+|Ωk|,li(K)=I,其中k∈MG,K是集合MG中最大的设备索引。如果则li(k-1)=0。进而,Ωk={li(k-1)+1,...,li(k)};
oj:炉次j的操作索引,oj∈{1,2,...,O(j)},O(j)表示炉次j的操作总数,炉次在工序上的工艺操作过程,简称炉次的操作;
炉次j的操作oj所在的工序索引。所有的工序索引集合表示炉次j的加工工序路径。gO(j)必须为铸机工序G;
dj:炉次j在计划阶段确定的热轧加工交货期;
重调度开始时刻操作oj的生产状态标志。如果oj是未加工状态,则如果oj是正在加工状态,则如果oj是已完成加工状态,则
初始调度计划中炉次j的操作oj的开始加工时间;
初始调度计划中炉次j的操作oj的结束加工时间;
0/1参数,当且仅当初始调度计划中炉次j的操作oj在设备k上加工时为1;
表示炉次j在工序g上的最小/标准/最大加工时间;
ttk,k':设备k与k'之间的运输时间;
etk:设备k的最早可用时间,故障铸机的最早可用时间为故障结束时间;
st:同一铸机上相邻浇次之间的准备时间;
lt:中间包的寿命;
炉次j的等待时间惩罚系数;
炉次j的完工时间与其交货期之间的偏差惩罚系数;
炉次j在工序g内的加工时间偏离其对应的标准加工时间之间的偏差惩罚系数;
U:一个足够大的正数;
在本实施方式中,决策变量为:
炉次j的操作oj的开始加工时间;
炉次j的操作oj的结束加工时间;
0/1变量,当且仅当调度计划中炉次j的操作oj分配在设备k上加工时为1;
yk,j,j':0/1变量,当且仅当炉次j和j'都在设备k上加工且炉次j先于炉次j'加工时为1。
S2,对连铸机故障下的重调度问题进行染色体编码,形成初始化种群,所述种群中的染色体信息包括炉次在工序设备上的加工时间、各浇次开浇时间偏离初始调度计划中相应开浇时间的偏离值以及炉次加工设备的初始分配方案。
在本实施方式中,编码时,如图4所示,染色体包括3个数组:
数组v1包含加工时间决策参数,在数组v1中,随机产生的组元v1(r)用来计算r处对应的操作oj的加工时间即炉次在设备上的加工时间,-1≤v1(r)≤1,用woj来表示重调度发生时刻炉次j的当前操作索引,未进入流程加工的炉次的woj为0,则v1一共包含∑j∈Ψ(O(j)-woj)个基因,
数组v2包含各浇次开浇时间偏离初始调度计划中相应开浇时间的偏离值,在数组v2中,随机产生的组元v2(r)是用来计算r处对应浇次i的开浇时间cti,公式(22)中炉次j是浇次i中的第一个炉次,即j=lj(i)-|Ψi|+1,因此s'O(j)是初始调度计划中浇次i的开浇时间,
cti=s'O(j)+v2(r) (22)
数组v3包含炉次加工设备分配方案,在数组v3中,随机产生的组元v3(r)表示r处对应的操作oj的加工设备,由于炉次的浇注铸机已经分配了,因此v3一共包含∑j∈Ψ(O(j)-woj-1)个基因。
S3,对种群中的每一个染色体利用启发式算法进行解码进而获得每一个染色体对应的初始解
在动态调度过程中有两类不同的炉次:正在流程加工的炉次和未进入流程加工的炉次。本节为正在流程加工的炉次设计了流程顺推解码算法(FSM,Forward SchedulingMethod),为未进入流程加工的炉次设计了流程逆推解码算法(BSM,Backward Schedul ingMethod)。为了描述方便,利用符号表示在新的调度计划/初始调度计划中给炉次j的操作oj分配的加工设备索引,符号μk表示设备k的可用时间。每个设备k的μk初始化为其最早可用时间etk。
在本实施方式中,解码的方法为:
S31,依据染色体中浇次的开浇时间和炉次的浇注时间,在保证浇次内炉次连浇约束的前提下,计算各炉次在铸机上的开始作业时间和结束作业时间。由于浇次的浇注铸机以及在铸机上的浇注顺序是预先确定的,因此可以首先计算铸机工序上的调度方案。当浇次的开浇时间确定之后(通过公式(22)确定),由于浇次内的炉次必须按照既定顺序连续浇注,因此浇次内炉次的开始作业时间和结束作业时间非常容易计算(炉次的浇注时间通过公式(21)确定)。
S32,依据各炉次在铸机工序上的开始作业时间的递增顺序产生排列ξ;
S33,取出ξ中的第一个炉次j,如果j是正在流程加工的炉次,转步骤S34,否则,执行步骤S35;
S34,设计FSM编制炉次j的重调度计划:
S341,设置操作索引oj=1;
S342,如果oj<O(j),执行步骤S343,否则,执行步骤S36;
S343,如果执行步骤S344,否则,设置设备的当前可用时间μk更新为执行步骤S346;
S344,如果执行步骤S45,否则,设置为炉次的加工时间,设备的当前可用时间μk更新为执行步骤S346;
S345,如果执行步骤S46,否则,获得紧前操作oj-1在其分配的设备上的结束作业时间开始作业时间 设备的当前可用时间μk更新为执行步骤S346;
S346,令oj=oj+1,执行步骤S342;
S35,设计BSM编制炉次j的重调度计划:
S351,设置操作索引oj=O(j)-1;
S352,如果oj≥1,执行步骤S353,否则,执行步骤S36;
S353,获得紧后操作oj+1在其分配的设备上的开始作业时间介绍作业时间开始作业时间设备的当前可用时间μk更新为
S354,令oj=oj-1,执行步骤S352;
S36,删除排列ξ中的第一个炉次j,如果ξ为空,算法结束,否则,返回执行步骤S33。
S4,设计连铸机故障下的重调度问题的目标函数Z,然后计算种群中每个初始解对应的适应度值,所述目标函数为:
min Z=Z1+Z2+Z3 (1)
其中,
其中,目标Z1代表所有炉次的每一个操作在设备前的等待时间惩罚总和,Z2代表所有炉次交货期的提前/拖期惩罚总和,Z3代表所有炉次的每一个操作的加工时间偏差惩罚;
所述炼钢-连铸重调度方法中的已知变量为:
g:工序索引,g∈{1,2,...,G};
k:设备索引,k∈{1,2,...,K};
Mg:工序g内的设备索引集合;
j:炉次索引;
i:浇次索引,i∈{1,2,...,I};
Ψ:需要被重调度的所有炉次索引集合,|Ψ|表示炉次总数;
Ψi:浇次i内的炉次索引集合,|Ψi|表示浇次i内的炉次总数,对于任意的浇次i1≠i2,i1,i2∈{1,2,...,I},都有
Ωk:铸机k上安排的所有浇次的索引集合,|Ωk|表示铸机k的浇次总数,
lj(i):浇次i内最后一个炉次的索引,lj(i)=lj(i-1)+|Ψi|,lj(0)=0,lj(I)=|Ψ|,进而,Ψi={lj(i-1)+1,...,lj(i)};
li(k):铸机k上最后一个浇次的索引,li(k)=li(k-1)+|Ωk|,li(K)=I,其中k∈MG,K是集合MG中最大的设备索引,如果则li(k-1)=0,进而,Ωk={li(k-1)+1,...,li(k)};
oj:炉次j的操作索引,oj∈{1,2,...,O(j)},O(j)表示炉次j的操作总数,炉次在工序上的工艺操作过程,简称炉次的操作;
炉次j的操作oj所在的工序索引,所有的工序索引集合表示炉次j的加工工序路径,gO(j)必须为铸机工序G;
dj:炉次j在计划阶段确定的热轧加工交货期;
重调度开始时刻操作oj的生产状态标志,如果oj是未加工状态,则如果oj是正在加工状态,则如果oj是已完成加工状态,则
初始调度计划中炉次j的操作oj的开始加工时间;
初始调度计划中炉次j的操作oj的结束加工时间;
0/1参数,当且仅当初始调度计划中炉次j的操作oj在设备k上加工时为1;
表示炉次j在工序g上的最小/标准/最大加工时间;
ttk,k':设备k与k'之间的运输时间;
etk:设备k的最早可用时间,故障铸机的最早可用时间为故障结束时间;
st:同一铸机上相邻浇次之间的准备时间;
lt:中间包的寿命;
炉次j的等待时间惩罚系数;
炉次j的完工时间与其交货期之间的偏差惩罚系数;
炉次j在工序g内的加工时间偏离其对应的标准加工时间之间的偏差惩罚系数;
U:一个足够大的正数,具体可根据实际情况自由选择,例如取原调度计划中最大的开浇时间与所有炉次的标准浇注时间之和;
所述炼钢-连铸重调度方法中的决策变量为:
炉次j的操作oj的开始加工时间;
炉次j的操作oj的结束加工时间;
0/1变量,当且仅当调度计划中炉次j的操作oj分配在设备k上加工时为1;
yk,j,j':0/1变量,当且仅当炉次j和j'都在设备k上加工且炉次j先于炉次j'加工时为1;
所述适应度函数为:
其中,Z(x)是调度解x的目标函数值,R是自定义的惩罚系数,Vj(x)是炉次j在调度解x中的约束违反量且Vj(x)≥0,当且仅当炉次j的调度计划可行时,Vj(x)等于0,否则Vj(x)大于0;由于调度模型是最小化目标函数值,因此适应度函数值越小代表解越优。
S5,利用约束条件判断种群中由解码启发式获得的初始解哪些为可行解、哪些为不可行解。
所述约束条件为:
约束(5)-(6)保证了炉次操作的加工时间必须在其对应的加工时间区间内;
约束(7)保证了对于炉次任意两个连续的操作,必须在紧前操作完成且炉次运送至紧后操作的加工设备处之后,紧后操作才可以开始加工;
约束(8)保证了同一设备上加工的两个炉次必须存在先后加工关系;
约束(9)保证了同一时刻设备最多加工一个炉次;
约束(10)保证了炉次在设备上的开始加工时间必须晚于设备的最早可用时间;
约束(11)保证了炉次的任意一个操作必须在其对应的工序内分配一个加工设备;
约束(12)-(13)保证了正在流程中加工的炉次的已完成/正在加工操作的开始加工时间和结束加工时间必须与初始计划中相应操作的时间一致;
约束(14)保证了同一铸机上相邻浇次间必须存在一个准备时间;
约束(15)保证了浇次内的炉次在铸机上必须连续浇注;
约束(16)保证了浇次内的炉次浇注时间总和不能大于中间包的寿命;
约束(17)表示炉次在铸机工序内的加工设备是预先确定的;
约束(5)-(13)为车间重调度的常规约束,约束(14)-(17)为连铸机故障下炼钢-连铸重调度的特殊工艺约束。
S6,利用变领域搜索算法提升每一个初始解的质量,为保证算法性能,为不可行解与可行解设计了不同的领域结构,即在不可行解的领域内进行变领域搜索其可行解,在可行解的领域内进行变领域搜索其局部最优解。
所述用于解码获得的初始解x的变领域搜索的方法为:
S41,设计3个用于随机搜索阶段的领域结构
S42,令h=1;
S43,在解x的领域内随机产生一个领域解x';
S44,若是可行解,则在领域内对x'进行领域搜索获得其领域最优解x”;若是不可行解,则在领域和内对x'进行领域搜索获得其领域最优解x”;
S45,如x”比x优,转S46,否则,转S47;
S46,令x=x”,转S42;
S47,令h=h+1,若h>3,转S48,否则,转S43;
S48,若算法运行时间达到预定时间,则输出当前最优解x,否则,转S42。
由于在FSM和BSM过程中没有考虑两个约束,因此解码启发式可能会产生不可行解。在FSM过程中,炉次j的倒数第二个操作O(j)-1与最后一个操作O(j)之间的间隔时间可能会小于运输时间进而违背了约束(7)。出现这类现象的原因是因为FSM只从炉次j的第一个操作调度至其倒数第二个操作,而j在铸机上的开始作业时间是在Step1中确定的。在BSM过程中,炉次操作的加工时间可能小于其对应的最小加工时间,进而违背了约束(5)。出现这类现象的原因是因为BSM只利用公式确定操作的开始加工时间,而没有检查其是否是可行的。图5给出了在解码过程中出现上述两类不可行现象的一个案例。在不可行解的领域内通常存在大量的可行解。例如,炉次14在图5(a)中的不可行的,然而如图5(b)所示,只要将炉次14安排至设备5上加工就可行了。因此,在遗传算法产生下一代种群之前,每一个个体均需进行局部搜索。对于不可行解,在该解的领域中搜索可行解。对于可行解,在该解的领域中搜索更优的解。
为了提高算法的性能,对于可行解和不可行解需要设计不同的领域结构。另外,在随机搜索阶段和领域搜索阶段也采用不同的领域结构。在随机搜索阶段,本节设计了3个大的领域结构(和),它们均可用于可行解和不可行解的领域搜索过程。为了减少局部搜索时间,在随机搜索阶段为不可行解设计了4个小的领域结构(和),为可行解设计了3个小的领域结构(和)。为了便于描述,如果在解码过程中某炉次的调度计划违背了上述介绍的约束,则该炉次被称为不可行炉次(如图6中的炉次14和炉次5)。如果某炉次的调度计划的目标函数Z1/Z2/Z3的值很大,则该炉次的调度计划质量很低。领域结构描述如下:
通过改变炉次在非铸机工序上的设备分配从而获得不可行解/可行解的一个领域解。
通过改变浇次在铸机工序上的开浇时间从而获得不可行解/可行解的一个领域解。
通过改变炉次操作的作业时间从而获得不可行解/可行解的一个领域解。
通过减少所有不可行炉次在非铸机工序上的作业时间从而获得不可行解的一个领域解。例如,在图5(a)中减少炉次14在设备4上的加工时间可以提高炉次14从设备4运输至设备9之间拥有可行的运输时间的可能性。
通过增加一些与不可行炉次相关的炉次在铸机工序上的作业时间从而获得不可行解的一个领域解。对于属于浇次i的不可行炉次j,首先找出在浇次i内开浇时间早于炉次j的所有炉次,然后增加这些炉次在铸机工序上的作业时间。例如,在图5(b)中,通过增加炉次1、2、3和4在设备7上的作业时间可以延迟炉次5在设备7上的开始作业时间和结束作业时间。进而,炉次5在设备6上的开始作业时间和结束作业时间也会延迟,从而提高了炉次5在设备5上拥有可行加工时间的可能性。
通过减少一些与不可行炉次相关的炉次在非铸机工序上的作业时间从而获得不可行解的一个领域解。对于不可行炉次j的任意一个操作oj(oj∈{1,2,...,O(j)-1}),首先找出同样分配在设备上且开始加工时间早于炉次j的所有炉次,然后减少这些炉次在该设备上的作业时间。例如,在图5(b)中减少炉次8在设备5上的作业时间可以提高炉次5在设备5上拥有可行加工时间的可能性。
通过改变不可行炉次在非铸机工序上的设备分配从而获得不可行解的一个领域解。例如,在图5(a)中将炉次14从设备4上更改至设备5上加工可以获得一个可行解。
通过改变拥有较大目标函数Z1值的低质量炉次的设备分配从而获得可行解的一个领域解,从算法的性能和效率两方面考虑,低质量炉次是指目标函数值处于前a%的炉次,所述a为正整数,在本实施方式中,将目标函数Z1值处于前10%的炉次称为低质量炉次。
通过改变包含低质量炉次(目标函数Z2值处于前10%的炉次称为低质量炉次)的浇次在铸机工序上的开浇时间从而获得可行解的一个领域解。
通过改变低质量炉次(目标函数Z3值处于前10%的炉次称为低质量炉次)的作业时间从而获得可行解的一个领域解。
S7,判断是否满足算法停止条件,优选为预定的算法运行时间,如果满足,执行步骤S9,否则执行步骤S8;
S8,对染色体进行选择、交叉和变异操作,生成新一代种群并返回步骤S3。在本实施方式中,经典的轮盘赌选择算子被用来选择较优的个体进入交配池。个体的适应度函数值越小,则被选中的概率就越大。另外,具有最小的适应度函数值的个体直接复制进入下一代种群,这种精英保留策略可以保证遗传算法在进化过程中最优解不退化。从交配池内选择两个个体作为父代,然后以一定概率(交叉概率CP)利用参数化均匀交叉算子交换部分基因信息后产生两个子代进入下一代种群。参数化均匀交叉算子是指在每一个基因的遗传过程中抛掷一枚硬币,若正面朝上则遗传第一个父代的基因,反之则遗传第二个父代的基因。对经过交叉操作产生的子代个体以一定概率(变异概率MP)采用gene-by-gene变异算子执行变异操作。对于染色体中的一个数组的变异过程如下:首先随机产生变异基因总数;然后随机选择一个基因位改变其基因值;重复第二步直到变异基因数量达到第一步产生的值。
S9,将获得的种群中的最优解生成最终重调度方案传输给炼钢-连铸生产运行控制***,控制炼钢-连铸生产运行***按照所述重调度方案运行。
在本实施方式中,以西南某钢铁联合企业(简称PISC)进行模型的应用测试。该炼钢流程包含5个转炉(BOF1-5)、5个LF炉(LF1-5)、3个RH炉(RH1-3)和5个连铸机(CC1-5)。对于不同钢种的生产,一共有2条工艺路线:BOF-LF-CC(简称SR1)和BOF-LF-RH-CC(简称SR2)。图7展示的是一个用于该流程生产组织过程的初始调度计划。表1展示的是该调度计划中的浇次和炉次信息。
如表2所示,相同钢种在非铸机工序上的标准加工时间和加工时间区间是相同的。炉次在连铸机上的加工时间通过公式(24)计算得到,其中m是炉次的钢水重量,b是铸机流数,ρ是钢水密度,s是浇注面积,v是浇注拉速。因此钢种在铸机上的加工时间和加工时间区间如表3所示。表4展示的是设备间的运输时间。浇次间准备时间st=3,中间包寿命lt=370,目标函数系数
表1.调度计划中的浇次和炉次信息
炉次 | 浇次 | 钢种 | 工艺路线 | 连铸机 |
Ω1 | 1,2,…,7 | A | SR2 | CC1 |
Ω2 | 8,9,…,14 | B | SR1 | CC1 |
Ω3 | 15,16,…,20 | C | SR1 | CC2 |
Ω4 | 21,22,…,26 | C | SR1 | CC2 |
Ω5 | 27,28,…,33 | D | SR2 | CC3 |
Ω6 | 34,35,…,40 | D | SR2 | CC3 |
Ω7 | 41,42,…,46 | E | SR1 | CC4 |
Ω8 | 47,48,…,52 | E | SR1 | CC4 |
Ω9 | 53,54,…,59 | F | SR2 | CC5 |
Ω10 | 60,61,…,66 | F | SR2 | CC5 |
表2.相同钢种在非铸机工序上的最小、标准和最大加工时间
表3.钢种在铸机上的加工时间和加工时间区间
表4.设备间的运输时间
LF1 | LF2 | LF3 | LF4 | LF5 | RH1 | RH2 | RH3 | CC1 | CC2 | CC3 | CC4 | CC5 | |
BOF1 | 24 | 26 | 24 | 24 | 26 | ||||||||
BOF2 | 24 | 26 | 22 | 25 | 26 | ||||||||
BOF3 | 24 | 26 | 20 | 29 | 26.5 | ||||||||
BOF4 | 40 | 40 | 25 | 8 | 7 | ||||||||
BOF5 | 43 | 38 | 27 | 5 | 7 | ||||||||
LF1 | 5 | 24 | 30 | 6 | 5 | 26 | 33 | 33 | |||||
LF2 | 6 | 25 | 31 | 6 | 5 | 28 | 35 | 36 | |||||
LF3 | 25 | 3 | 10 | 26 | 28 | 5 | 11 | 12 | |||||
LF4 | 31 | 8 | 5 | 36 | 35 | 10 | 5 | 5 | |||||
LF5 | 32 | 9 | 5.5 | 38 | 37 | 11 | 7.5 | 6.5 | |||||
RH1 | 5 | 7 | 27 | 35 | 34 | ||||||||
RH2 | 27 | 28 | 5 | 9 | 10 | ||||||||
RH3 | 39 | 38 | 11 | 5 | 5 |
在初始调度计划的执行过程中,CC4在16:00时刻出现故障,并且故障预计结束时间为19:00。在编制新的调度计划之前,调度员首先需要给CC4上的未完成炉次(炉次47-炉次52)分配一个新的浇注铸机和浇注顺序。当CC4发生故障时,炉次47正在CC4上进行浇注。由于钢种E和F是兼容的,所以可以将炉次47剩余的钢水直接***浇次Ω10的炉次60后进行浇注(第1种策略)。如前所述,这种策略会产生钢种跳跃连浇成本。因此,第2种策略可将炉次47返送至LF和RH工序更改其钢水成分,然后***浇次Ω10的炉次61后进行浇注。对于炉次48而言,当CC4发生故障时它正在LF5上进行加工,因此可通过增加一个RH操作,然后将其***浇次Ω6的炉次34后进行浇注。当CC4发生故障时,炉次49正在BOF4上进行加工。对它而言,存在2种可行的铸机和浇注顺序分配策略,即可将炉次49***浇次Ω4的炉次22后进行浇注(第3种策略),或者仍然安排在CC4上进行浇注(第4种策略),因为不会花费太长的等待时间。当CC4发生故障时,炉次50、51和52均还没有进入流程进行加工,因此均将其安排在CC4上进行加工。由于炉次47和49都有2种不同的处理策略,因此对所有炉次而言一共有4种不同的策略组合,实验内容是在不同的策略组合下进行重调度从而获得新的调度计划。
利用C++语言实现了模型和求解算法,并在配置为2.6GHz CPU与4G内存的PC机上运行上述案例。在GA中,种群大小PS=100,交叉概率CP=0.8,变异概率MP=0.2,迭代次数为50代,惩罚参数R=1。在GVNS中,最大的CPU运行时间MAT设置为30毫秒。不同策略组合下获得的新的调度计划如图8所示(图中(a)、(b)、(c)、(d)依次为第1种策略、第2种策略、第3种策略、第4种策略的重调度甘特图)。从图中可以看出,以上四种不同的策略组合下模型均能获得没有时间冲突并且不断浇的调度计划,从而证明了模型和算法的可行性与有效性。
本发明建立考虑连铸机故障的炼钢-连铸重调度数学优化模型,利用结合遗传算法和变领域搜索算法的混合智能算法进行最优解的迭代寻优,具体一次迭代过程为:采用炉次加工时间、加工设备以及浇次开浇时间表示染色体,利用解码启发式方法获得当前种群中各染色体对应的初始解;利用约束条件判断各初始解的可行性,然后设计不同的领域结构,在不可行解的领域内进行变领域搜索其可行解,在可行解的领域内进行变领域搜索其局部最优解;对质量提升后的种群进行选择、交叉和变异得到下一代种群。本发明能够解决故障连铸机上炉次不同的重调度策略组合下的调度计划编制,有利于保证生产过程的稳定运行。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种用于解决连铸机故障的炼钢-连铸重调度方法,其特征在于,包括如下步骤:
S1,重调度***获取炼钢-连铸***的生产批量计划和当前调度方案,以及炼钢-连铸***的实时调度数据;
S2,对连铸机故障下的重调度问题进行染色体编码,形成初始化种群,所述种群中的染色体信息包括炉次在工序设备上的加工时间、各浇次开浇时间偏离初始调度计划中相应开浇时间的偏离值以及炉次加工设备的初始分配方案;
S3,对种群中的每一个染色体利用启发式算法进行解码进而获得每一个染色体对应的初始解;
S4,设计连铸机故障下的重调度问题的目标函数Z,然后计算种群中每个初始解对应的适应度值,所述目标函数为:
min Z=Z1+Z2+Z3 (1)
其中,
其中,目标Z1代表所有炉次的每一个操作在设备前的等待时间惩罚总和,Z2代表所有炉次交货期的提前/拖期惩罚总和,Z3代表所有炉次的每一个操作的加工时间偏差惩罚;
所述炼钢-连铸重调度方法中的已知变量为:
g:工序索引,g∈{1,2,...,G};
k:设备索引,k∈{1,2,...,K};
Mg:工序g内的设备索引集合;
j:炉次索引;
i:浇次索引,i∈{1,2,...,I};
Ψ:需要被重调度的所有炉次索引集合,|Ψ|表示炉次总数;
Ψi:浇次i内的炉次索引集合,|Ψi|表示浇次i内的炉次总数,对于任意的浇次i1≠i2,i1,i2∈{1,2,...,I},都有
Ωk:铸机k上安排的所有浇次的索引集合,|Ωk|表示铸机k的浇次总数,
lj(i):浇次i内最后一个炉次的索引,lj(i)=lj(i-1)+|Ψi|,lj(0)=0,lj(I)=|Ψ|,进而,Ψi={lj(i-1)+1,...,lj(i)};
li(k):铸机k上最后一个浇次的索引,li(k)=li(k-1)+|Ωk|,li(K)=I,其中k∈MG,K是集合MG中最大的设备索引,如果则li(k-1)=0,进而,Ωk={li(k-1)+1,...,li(k)};
oj:炉次j的操作索引,oj∈{1,2,...,O(j)},O(j)表示炉次j的操作总数,炉次在工序设备上的工艺操作过程,简称炉次的操作;
炉次j的操作oj所在的工序索引,所有的工序索引集合表示炉次j的加工工序路径,gO(j)必须为铸机工序G;
dj:炉次j在计划阶段确定的热轧加工交货期;
重调度开始时刻操作oj的生产状态标志,如果oj是未加工状态,则如果oj是正在加工状态,则如果oj是已完成加工状态,则
初始调度计划中炉次j的操作oj的开始加工时间;
初始调度计划中炉次j的操作oj的结束加工时间;
0/1参数,当且仅当初始调度计划中炉次j的操作oj在设备k上加工时为1;
表示炉次j在工序g上的最小/标准/最大加工时间;
ttk,k':设备k与k'之间的运输时间;
etk:设备k的最早可用时间,故障铸机的最早可用时间为故障结束时间;
st:同一铸机上相邻浇次之间的准备时间;
lt:中间包的寿命;
炉次j的等待时间惩罚系数;
炉次j的完工时间与其交货期之间的偏差惩罚系数;
炉次j在工序g内的加工时间偏离其对应的标准加工时间之间的偏差惩罚系数;
U:一个足够大的正数;
所述炼钢-连铸重调度方法中的决策变量为:
炉次j的操作oj的开始加工时间;
炉次j的操作oj的结束加工时间;
0/1变量,当且仅当调度计划中炉次j的操作oj分配在设备k上加工时为1;
yk,j,j':0/1变量,当且仅当炉次j和j'都在设备k上加工且炉次j先于炉次j'加工时为1;
所述适应度函数为:
其中,Z(x)是调度解x的目标函数值,R是自定义的惩罚系数,Vj(x)是炉次j在调度解x中的约束违反量且Vj(x)≥0,当且仅当炉次j的调度计划可行时,Vj(x)等于0,否则Vj(x)大于0;
S5,利用约束条件判断种群中由启发式算法解码获得的初始解哪些为可行解、哪些为不可行解;
S6,利用变领域搜索算法提升每一个初始解的质量,为保证算法性能,为不可行解与可行解设计了不同的领域结构,即在不可行解的领域内进行变领域搜索其可行解,在可行解的领域内进行变领域搜索其局部最优解;
S7,判断是否满足算法停止条件,如果满足,执行步骤S9,否则执行步骤S8;
S8,对染色体进行选择、交叉和变异操作,生成新一代种群并返回步骤S3;
S9,将获得的种群中的最优解生成最终重调度方案传输给炼钢-连铸生产运行控制***,控制炼钢-连铸生产运行***按照所述重调度方案运行。
2.如权利要求1所述的用于解决连铸机故障的炼钢-连铸重调度方法,其特征在于:所述染色体包括3个数组:
数组v1包含加工时间决策参数,在数组v1中,随机生成的组元v1(r)用来计算r处对应的操作oj的加工时间即炉次在设备上的加工时间,-1≤v1(r)≤1,用woj来表示重调度发生时刻炉次j的当前操作索引,未进入流程加工的炉次的woj为0,则v1一共包含∑j∈Ψ(O(j)-woj)个基因,
数组v2包含各浇次开浇时间偏离初始调度计划中相应开浇时间的偏离值,在数组v2中,随机生成的组元v2(r)是用来计算r处对应浇次i的开浇时间cti,公式(22)中炉次j是浇次i中的第一个炉次,即j=lj(i)-|Ψi|+1,s'O(j)是初始调度计划中浇次i的开浇时间,
cti=s'O(j)+v2(r) (22)
数组v3包含炉次加工设备分配方案,在数组v3中,随机生成的组元v3(r)表示r处对应的操作oj的加工设备,由于炉次的浇注铸机已经分配了,因此v3一共包含∑j∈Ψ(O(j)-woj-1)个基因。
3.如权利要求1所述的用于解决连铸机故障的炼钢-连铸重调度方法,其特征在于:所述解码方法为:
S31,依据染色体中浇次的开浇时间和炉次的浇注时间,在保证浇次内炉次连浇约束的前提下,计算各炉次在铸机上的开始作业时间和结束作业时间;
S32,依据各炉次在铸机工序上的开始作业时间的递增顺序产生排列ξ;
S33,取出ξ中的第一个炉次j,如果j是正在流程加工的炉次,转步骤S34,否则,执行步骤S35;
S34,设计FSM方法编制炉次j的重调度计划:
S341,设置操作索引oj=1;
S342,如果oj<O(j),执行步骤S343,否则,执行步骤S36;
S343,如果执行步骤S344,否则,设置 表示在新的调度计划/初始调度计划中给炉次j的操作oj分配的加工设备索引,μk表示设备k的可用时间,设备的当前可用时间μk更新为执行步骤S346;
S344,如果执行步骤S345,否则,设置 为炉次的加工时间,设备的当前可用时间μk更新为执行步骤S346;
S345,如果执行步骤S346,否则,获得紧前操作oj-1在其分配的设备上的结束作业时间开始作业时间 设备的当前可用时间μk更新为执行步骤S346;
S346,令oj=oj+1,执行步骤S342;
S35,设计BSM方法编制炉次j的重调度计划:
S351,设置操作索引oj=O(j)-1;
S352,如果oj≥1,执行步骤S353,否则,执行步骤S36;
S353,获得紧后操作oj+1在其分配的设备上的开始作业时间介绍作业时间开始作业时间设备的当前可用时间μk更新为
S354,令oj=oj-1,执行步骤S352;
S36,删除排列ξ中的第一个炉次j,如果ξ为空,算法结束,否则,返回执行步骤S33。
4.如权利要求1所述的用于解决连铸机故障的炼钢-连铸重调度方法,其特征在于:所述用于解码获得的初始解x的变领域搜索方法为:
S41,设计3个用于随机搜索阶段的领域结构和
S42,令h=1;
S43,在解x的领域内随机产生一个领域解x';
S44,若是可行解,则在领域和内对x'进行领域搜索获得其领域最优解x”;若是不可行解,则在领域和内对x'进行领域搜索获得其领域最优解x”;
S45,若x”比x优,转S46,否则,转S47;
S46,令x=x”,转S42;
S47,令h=h+1,若h>3,转S48,否则,转S43;
S48,若算法运行时间达到预定时间,则输出当前最优解x,否则,转S42。
5.如权利要求1所述的用于解决连铸机故障的炼钢-连铸重调度方法,其特征在于:所述约束条件为:
约束(5)-(6)保证了炉次操作的加工时间必须在其对应的加工时间区间内;
约束(7)保证了对于炉次任意两个连续的操作,必须在紧前操作完成且炉次运送至紧后操作的加工设备处之后,紧后操作才可以开始加工;
约束(8)保证了同一设备上加工的两个炉次必须存在先后加工关系;
约束(9)保证了同一时刻设备最多加工一个炉次;
约束(10)保证了炉次在设备上的开始加工时间必须晚于设备的最早可用时间;
约束(11)保证了炉次的任意一个操作必须在其对应的工序内分配一个加工设备;
约束(12)-(13)保证了正在流程中加工的炉次的已完成/正在加工操作的开始加工时间和结束加工时间必须与初始计划中相应操作的时间一致;
约束(14)保证了同一铸机上相邻浇次间必须存在一个准备时间;
约束(15)保证了浇次内的炉次在铸机上必须连续浇注;
约束(16)保证了浇次内的炉次浇注时间总和不能大于中间包的寿命;
约束(17)表示炉次在铸机工序内的加工设备是预先确定的;
约束(5)-(13)为车间重调度的常规约束,约束(14)-(17)为连铸机故障下炼钢-连铸重调度的特殊工艺约束。
6.如权利要求4所述的用于解决连铸机故障的炼钢-连铸重调度方法,其特征在于:所述领域的具体结构为:
通过改变炉次在非铸机工序上的设备分配从而获得不可行解/可行解的一个领域解;
通过改变浇次在铸机工序上的开浇时间从而获得不可行解/可行解的一个领域解;
通过改变炉次操作的作业时间从而获得不可行解/可行解的一个领域解;
通过减少所有不可行炉次在非铸机工序上的作业时间从而获得不可行解的一个领域解;
通过增加一些与不可行炉次相关的炉次在铸机工序上的作业时间从而获得不可行解的一个领域解,即对于属于浇次i的不可行炉次j,首先找出在浇次i内开浇时间早于炉次j的所有炉次,然后增加这些炉次在铸机工序上的作业时间;
通过减少一些与不可行炉次相关的炉次在非铸机工序上的作业时间从而获得不可行解的一个领域解,对于不可行炉次j的任意一个操作oj oj∈{1,2,...,O(j)-1},首先找出同样分配在设备上且开始加工时间早于炉次j的所有炉次,然后减少这些炉次在该设备上的作业时间;
通过改变不可行炉次在非铸机工序上的设备分配从而获得不可行解的一个领域解;
通过改变拥有较大目标函数Z1值的低质量炉次的设备分配从而获得可行解的一个领域解,所述低质量炉次是指目标函数值处于前a%的炉次,所述a为正整数;
通过改变包含拥有较大目标函数Z2值的低质量炉次的浇次在铸机工序上的开浇时间从而获得可行解的一个领域解;
通过改变拥有较大目标函数Z3值的低质量炉次的作业时间从而获得可行解的一个领域解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611190786.3A CN106611221B (zh) | 2016-12-21 | 2016-12-21 | 一种用于解决连铸机故障的炼钢-连铸重调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611190786.3A CN106611221B (zh) | 2016-12-21 | 2016-12-21 | 一种用于解决连铸机故障的炼钢-连铸重调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106611221A CN106611221A (zh) | 2017-05-03 |
CN106611221B true CN106611221B (zh) | 2018-11-30 |
Family
ID=58635971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611190786.3A Active CN106611221B (zh) | 2016-12-21 | 2016-12-21 | 一种用于解决连铸机故障的炼钢-连铸重调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106611221B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107065803B (zh) * | 2017-05-15 | 2019-06-21 | 安徽工程大学 | 基于可变重调度区间的柔性作业车间动态调度方法 |
CN107688909A (zh) * | 2017-09-07 | 2018-02-13 | 上海振华重工(集团)股份有限公司 | 一种基于遗传算法的自动化堆场调度方法和*** |
CN108376315B (zh) * | 2018-02-11 | 2019-03-29 | 重庆大学 | 一种基于图模型的不确定炼钢-连铸柔性优化调度方法及*** |
CN109118064B (zh) * | 2018-07-25 | 2021-03-16 | 中国电子科技集团公司第二十八研究所 | 一种用于探测任务规划的最优资源分配方法 |
CN109214090B (zh) * | 2018-09-07 | 2022-08-30 | 哈尔滨工业大学 | 基于改进遗传算法的数字微流控芯片故障修复方法 |
CN109858780B (zh) * | 2019-01-14 | 2023-01-31 | 沈阳建筑大学 | 一种炼钢-连铸生产调度优化方法 |
CN110404965B (zh) * | 2019-08-15 | 2020-05-29 | 重庆大学 | 考虑非定尺订单规格柔性的热轧中厚板组板及板坯设计的方法及模型*** |
CN112668901B (zh) * | 2020-12-31 | 2024-04-19 | 重庆大学 | 一种考虑能耗的钢厂生产调度方法及*** |
CN115860278B (zh) * | 2023-02-27 | 2023-04-28 | 深圳市利和兴股份有限公司 | 一种基于数据分析的电机组装生产管理方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1157961A (ja) * | 1997-08-19 | 1999-03-02 | Nippon Steel Corp | 連続鋳造における鋳片切断制御装置 |
WO2000005014A1 (de) * | 1998-07-21 | 2000-02-03 | Siemens Aktiengesellschaft | Giesswalzanlage, insbesondere dünnbrammengiesswalzanlage |
WO2013048274A1 (en) * | 2011-09-29 | 2013-04-04 | Siemens Aktiengesellschaft | Method for verifying process parameters of a manufacturing process |
CN103631243A (zh) * | 2013-12-13 | 2014-03-12 | 重庆大学 | 一种基于遗传算法的炼钢-连铸重调度方法及*** |
CN103676902A (zh) * | 2013-12-20 | 2014-03-26 | 东北大学 | 一种流水车间重调度方法 |
CN105550751A (zh) * | 2015-12-15 | 2016-05-04 | 重庆大学 | 利用优先级策略混合遗传算法的炼钢连铸生产调度方法 |
CN106055836A (zh) * | 2016-06-27 | 2016-10-26 | 重庆大学 | 连铸机组浇炉次选择、排序与开浇时间决策的多目标优化方法 |
-
2016
- 2016-12-21 CN CN201611190786.3A patent/CN106611221B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1157961A (ja) * | 1997-08-19 | 1999-03-02 | Nippon Steel Corp | 連続鋳造における鋳片切断制御装置 |
WO2000005014A1 (de) * | 1998-07-21 | 2000-02-03 | Siemens Aktiengesellschaft | Giesswalzanlage, insbesondere dünnbrammengiesswalzanlage |
WO2013048274A1 (en) * | 2011-09-29 | 2013-04-04 | Siemens Aktiengesellschaft | Method for verifying process parameters of a manufacturing process |
CN103631243A (zh) * | 2013-12-13 | 2014-03-12 | 重庆大学 | 一种基于遗传算法的炼钢-连铸重调度方法及*** |
CN103676902A (zh) * | 2013-12-20 | 2014-03-26 | 东北大学 | 一种流水车间重调度方法 |
CN105550751A (zh) * | 2015-12-15 | 2016-05-04 | 重庆大学 | 利用优先级策略混合遗传算法的炼钢连铸生产调度方法 |
CN106055836A (zh) * | 2016-06-27 | 2016-10-26 | 重庆大学 | 连铸机组浇炉次选择、排序与开浇时间决策的多目标优化方法 |
Non-Patent Citations (2)
Title |
---|
"The optimal dynamic schedule of iron-making process based on effective heuristic approach";Liangliang Sun,Xuebin Liu,Hang Jin,Dongwei Zhang,Hui Huang;《2016 IEEE International Conference on Information and Automation (ICIA)》;20160803;全文 * |
"炼钢-连铸生产优化重调度方法";庞新富等;《***工程学报》;20100228;第25卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106611221A (zh) | 2017-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106611221B (zh) | 一种用于解决连铸机故障的炼钢-连铸重调度方法 | |
CN105550751B (zh) | 利用优先级策略混合遗传算法的炼钢连铸生产调度方法 | |
Long et al. | Scheduling a realistic hybrid flow shop with stage skipping and adjustable processing time in steel plants | |
Pan et al. | An effective artificial bee colony algorithm for a real-world hybrid flowshop problem in steelmaking process | |
Peng et al. | An improved artificial bee colony algorithm for real-world hybrid flowshop rescheduling in steelmaking-refining-continuous casting process | |
CN106779220B (zh) | 一种炼钢-连铸-热轧集成调度方法与*** | |
Akturk et al. | Cellular manufacturing system design using a holonistic approach | |
CN102346882B (zh) | 炼钢-连铸生产智能调度的二层规划方法 | |
CN103631243B (zh) | 一种基于遗传算法的炼钢-连铸重调度方法及*** | |
CN110580530B (zh) | 考虑工位约束及能耗的双边拆卸线设置方法 | |
CN110782085B (zh) | 一种铸造生产调度方法及*** | |
CN110837981B (zh) | 一种调度与控制协同处理方法及相关设备 | |
CN111126905B (zh) | 基于Markov决策理论的铸造企业原材料库存管理控制方法 | |
Jiang et al. | A preference-inspired multi-objective soft scheduling algorithm for the practical steelmaking-continuous casting production | |
Rossi et al. | Heuristics and metaheuristics for the mixed no-idle flowshop with sequence-dependent setup times and total tardiness minimisation | |
CN111401616B (zh) | 一种供应链环境下预制混凝土构件的双层调度方法 | |
CN113962091A (zh) | 一种处理混合废旧产品的多人共站不完全拆卸线平衡设计方法 | |
CN114707432A (zh) | 一种基于遗传算法的锻造工厂智能排产方法 | |
Zhang et al. | A multi‐objective hybrid evolutionary search algorithm for parallel production line balancing problem including disassembly and assembly tasks | |
JP4501740B2 (ja) | 製鋼プロセスの操業スケジュール作成システム、製鋼プロセスの操業スケジュール作成方法、及びコンピュータプログラム | |
CN108022010A (zh) | 钢包调度问题的优化方法 | |
Xuan et al. | An artificial immune differential evolution algorithm for scheduling a distributed heterogeneous flexible flowshop | |
CN111950786A (zh) | 两阶段的面向复杂约束下的钢铁企业设备检修调度方法 | |
Bahrami et al. | Study of payment scheduling problem to achieve client–contractor agreement | |
JP5280075B2 (ja) | 製鋼プロセスの操業計画作成方法及び操業計画作成装置、並びに、鋼材の製造方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |