CN111242561A - 一种应用于钢铁行业炼钢-连铸流程的仿真优化模型 - Google Patents
一种应用于钢铁行业炼钢-连铸流程的仿真优化模型 Download PDFInfo
- Publication number
- CN111242561A CN111242561A CN201911380905.5A CN201911380905A CN111242561A CN 111242561 A CN111242561 A CN 111242561A CN 201911380905 A CN201911380905 A CN 201911380905A CN 111242561 A CN111242561 A CN 111242561A
- Authority
- CN
- China
- Prior art keywords
- equipment
- task
- intelligent
- time
- agent
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 230000008569 process Effects 0.000 title claims abstract description 76
- 238000004088 simulation Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000009749 continuous casting Methods 0.000 title claims abstract description 29
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 24
- 239000010959 steel Substances 0.000 title claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 87
- 238000007726 management method Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000013439 planning Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 19
- 238000012805 post-processing Methods 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 14
- 238000007670 refining Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011143 downstream manufacturing Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 230000033764 rhythmic process Effects 0.000 claims description 6
- 230000032258 transport Effects 0.000 claims description 5
- 238000005266 casting Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000009057 passive transport Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000012384 transportation and delivery Methods 0.000 claims description 2
- 230000001934 delay Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 2
- 239000003795 chemical substances by application Substances 0.000 description 110
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 229910052742 iron Inorganic materials 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000178 monomer Substances 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
一种应用于钢铁行业炼钢‑连铸流程的仿真优化模型,属于钢铁企业计划调度技术领域。包括物料智能体、设备智能体、设备管理智能体、天车智能体、天车管理智能体。物料智能体主要从物料层面描述了物料按照工艺路径在不同设备的加工处理流程;设备智能体则是从具体设备的角度描述各设备对物料的加工处理流程;设备管理智能体则从工序的角度描述同工序内同类设备的任务分配和协调流程;天车智能体从天车角度描述天车接收任务并完成任务的运输过程;天车管理智能体描述了同跨内多天车的优化选择及任务分配流程。优点在于,解决了多约束、多目标、多干扰环境下炼钢‑连铸流程建模较为困难的难题,实现了作业计划的智能优化及动态调整。
Description
技术领域
本发明属于钢铁企业计划调度技术领域,特别是提供了一种应用于钢铁行业炼钢-连铸流程的仿真优化模型。基于多智能体仿真技术,对冶炼流程进行仿真建模,有效解决了多约束、多目标、多干扰环境下生产流程建模较为困难的难题,为钢铁企业智能优化调度提供了可行的建模手段。
背景技术
炼钢-连铸过程是一个多工序组成的复杂的高温物理化学过程,从转炉、精炼到连铸,需要各工序紧密衔接,连续紧凑,其生产调度问题具有强耦合性、不确定性、多约束性、多目标性等特征,现有的方法(人机交互、数学规划、智能优化、仿真优化)难以适用这种复杂的动态调度流程。
现有的方法是将计划调度归结为静态优化问题,首先确定目标函数和约束条件,后通过问题求解(逆向求解)获得最优解。本质局限性在于:(1)基于还原论原则,将流程***分解为独立的各个子***,然后以各个子***约束条件代替了流程对象整体的描述和分析,由于流程的非线性耦合性特征,难以通过各个子***的约束条件描述流程复杂的动态行为;(2)受限于问题求解算法对约束条件进行了简化处理(仿真方法则是对仿真模型进行了简化处理);(3)目标函数和约束条件的参数取统计平均值,难以反映不同品种、不同生产工况、不同设备状态等不确定因素的变化以及相互耦合的影响,难以实现纵向动态调整和协同优化。
发明内容
本发明的目的在于提供一种应用于钢铁行业炼钢-连铸流程的仿真优化模型,基于多智能体技术构建一种应用于炼钢-连铸流程的仿真优化模型,本发明中的建模方法有效解决了钢铁企业生产流程复杂,难以进行数据函数描述的问题,为智能优化调度的实现提供了有效的建模方法。
本发明的建模方法是采取简单一致、单体准确、网络耦合、行为涌现的整体论建模方法,把钢铁生产过程复杂的物流***抽象为一个多智能体***,将生产流程中的各单体设备(工序设备、运输设备)抽象成单智能体模型,然后将单体模型按照流程的设备配置、工艺路径、连接方式、启停条件、分配原则、协调机制进行网络化建模,以反映其相互关联耦合关系,较好的解决了复杂***中个体智能体行为简单准确,大规模***下网络耦合、行为涌现的特征,相对于传统的建模方法,在异构、分散、复杂***建模上更具适应性。
本发明中所述的仿真优化模型如图1所示,模型部署在模型服务器上,由应用服务器上的智能调度模块进行模型的触发和调用执行,模型中所用到的输入数据直接从数据库服务器中的关系数据库获取,模型运行的过程信息及最终优化结果存储到数据库服务器上的关系数据库中。模型服务器、应用服务器、数据库服务器通过局域网连接。模型运行结果通过PC客户端查看,客户端通过网关、防火墙设备与应用服务器通讯,获取模型运行结果。
本发明中所述的基于多智能体技术的仿真优化模型包括物料智能体、设备智能体、设备管理智能体、天车智能体、天车管理智能体。物料智能体主要从物料层面描述了物料按照工艺路径在不同设备的加工处理流程;设备智能体则是从具体设备的角度描述各设备对物料的加工处理流程;设备管理智能体则从工序的角度描述同工序内同类设备的任务分配和协调流程;天车智能体从天车角度描述天车接收任务并完成任务的运输过程;天车管理智能体描述了同跨内多天车的优化选择及任务分配流程。各智能体有各自的资源和能力,相互独立,协调合作共同完成作业任务。
本发明中多智能体体系结构采用混合型体系结构,如图2所示,设备智能体和设备管理智能体组成设备智能体体系,天车智能体和天车管理智能体组成天车智能体体系,设备智能体体系和天车智能体体系共同构成生产仿真流程的主体框架。设备智能体体系和天车智能体体系采用集中式结构,各子智能体体系中的管理智能体只对自己下属的智能体进行任务分配、资源调度、冲突协调。各子智能体体系之间采用分布控制结构,上下游工序的设备管理智能体可以相互通讯,完成上下游协作,设备管理智能体可以和天车管理智能体进行通讯,完成运输任务的请求和注册,设备智能体、天车智能体也可以直接通讯,完成物料的交接和运输。物料智能体作为被加工对象,和工艺路径上所有经过的智能体(设备智能体、设备管理智能体、包车智能体、天车管理智能体、天车智能体)进行通讯。
本发明中各智能体之间任务协调流程图如图3所示,描述了物料智能体、设备智能体、设备管理智能体、天车管理智能体、天车智能体之间状态变迁、信息交互、相互协作过程。物料智能体状态包括等待转移、运输、加工、后处理几个阶段,物料智能体处于等待转移状态时向设备管理智能体请求设备,设备管理智能体指派设备,同时形成一个运输任务,向天车管理智能体请求天车,物料一旦获得设备,则在天车智能体的协助下进入运输状态,抵达设备则开始加工过程,加工完毕处于后处理状态;设备智能体状态包括空闲等待、等待运输、加工、输出等待、工装准备几个阶段,当没有加工任务的时候,处于空闲等待状态,一旦被指派了加工物料则处于等待运输状态,物料智能体到达后则处于加工状态,加工完毕,处于输出等待状态,天车到达则输出物料处于工装准备状态,工装准备结束向本工序的设备管理智能体请求下一个物料;天车智能体包括等待任务、移动、吊起、运输、卸载、返回几个阶段,开始处于等待任务状态,一旦从天车管理智能体获得运输任务,则开始根据运输任务的起止位置进行移动、吊起、运输、卸载的状态变迁,运输结束如需返回,则返回等待位置等下下一个运输任务;设备管理智能体的职责是维护物料任务列表和设备任务列表,并最佳匹配物料和设备,择优执行;天车管理智能体的职责是维护运输任务列表和天车列表,并最佳匹配运输任务和天车,择优执行。
本发明中的智能体基本结构如图4所示,包括知识库、推理决策、数据通讯三部分,其中知识库包括静态知识库、动态知识库、规则知识库,静态知识库是存储了不随生产流程变化而改变的固有属性,动态知识库是存储生产过程中随时间变化而改变的动态属性,规则知识库,存储了物料智能体、设备智能体、天车智能体工艺约束,状态触发条件,用来约束和指导智能体行为变迁;推理决策,是智能体基于知识库和目标,进行逻辑计算,把全局目标转化为智能体的行为约束,给出行为变迁的指令;数据通讯部分负责其他Agent和外部环境的信息交互。下面针对具体的智能体进行逐一介绍:
(一)物料智能体:物料智能体逻辑结构如图5所示,静态知识库转化为智能体静态属性,包括名称、炉次、钢种、规格、工艺路径等信息。动态知识库转化为智能体动态属性,包括状态记录、上一个加工设备/工位、下一个加工设备/工位、当前加工工序、入炉温度、出炉温度。智能体基于静、动态知识库和规则知识库进行推理决策,主要逻辑计算模块功能如下:
(1)设备资源请求:从知识库获取自身状态及位置,请求下游工序设备。
(2)状态变迁:智能体获得设备后基于规则知识库进行状态变迁,其中运输规则描述了上下游工序之间的距离和运输速度;转移规则描述了物料转移去向(库存或者下一个工位);后处理规则,描述了物料的后处理工艺及后处理时间。
物料智能体从等待转移状态开始,一旦被分配了设备资源,且具备运输条件,则基于运输规则开始运输,到达所分配的设备智能体,开始进入被加工状态,加工完毕如需后处理,则基于后处理规则进入后处理状态,如脱模及冷却等,否则后处理状态作为一个时间为零的过度状态呈现,在后处理状态结束后,根据工艺路径,向下一个工序的设备管理智能体请求设备,再次处于待转移状态。
(3)信息输出:智能体在一个加工周期结束后,更新动态知识库,同时统计在此工序设备加工周期过程中的物料等待时间、运输时间、加工时间、后处理时间。
(二)设备管理智能体:如图6所示,一方面用于管理同工序的多个设备,进行任务委派和多设备任务协调,解决多设备的竞争和冲突。另一方面通过和其他工序的设备管理智能体通讯,协调上下游工序生产节奏,确保生产连续、紧密且无冲突。设备管理智能体在本工序运用排队论进行管理,当有物料请求本工序设备的时候,如果暂无空闲设备,则基于任务排序规则,安排物料进入等待设备队列。当多个空闲设备处于等待物料状态的时候,基于设备评价规则选取最佳设备进行任务委派。主要逻辑计算模块功能如下:
(1)任务排序:基于任务选择原则,对任务进行优先级排序,在满足温度约束的前提下交货期靠前的优先级高;
(2)设备评价:通过和设备智能体通讯,获取各设备智能体能力评估结果,并按照设备能力评价规则进行评价,选择最佳设备进行任务委派。
设备能力评价规则如下:
·符合工艺约束
·闲置等待时间最长
·设备效率高
·运行成本低
(3)任务下达:更新动态知识库,并下达任务到匹配的设备和物料,同时向天车管理智能体请求运输天车。
(三)设备智能体:是所有单体设备智能体的基类,如图7所示,从设备智能体可以拓展出各工位设备智能体,如转炉智能体、LF智能体、VD智能体、连铸智能体等。设备智能体主要职责一方面是接受设备管理智能体的能力评估,另一方面当被设备管理智能体选中后接受设备管理智能体下达的任务,基于规则知识库及静、动态知识库信息,形成状态变迁指令,完成任务,并进行状态变更,主要逻辑计算模块功能如下:
(1)能力评估:根据物料加工任务,读取静、动态知识库,评估是否符合设备加工条件(满足温度、钢种、规格约束),预估开始加工时间,总加工时间。
(2)状态变迁:根据能力评估结果,接收任务,基于规则知识库中设备启动条件及动态知识库中设备实时状态,进行逻辑判断,发出状态变迁指令,驱动智能体进行状态变迁,同时更新动态知识库中相应记录。
(3)信息输出:对本次物料加工任务执行进行记录,包括任务开始结束时间,物料输入输出信息,物料转移工位或者库存位置的记录,统计执行过程中等待时间、运输时间、工作时间、工装准备时间、总时间。
(四)天车管理智能体:逻辑结构如图8所示,天车管理智能体主要职责是对注册的任务列表进行择优排序,优先为优先级高的任务分配天车,天车按照一定的择车规则进行选择,天车选中则下发任务到指定天车,同时更新动态知识库,天车从空闲队列进入忙碌队列,主要逻辑计算模块功能如下:
(1)任务排序:首先按照任务优先级进行排序,任务排序规则如下:首先工艺先后顺序,如果任务1完成方能进行任务2,则任务1优先。例如钢水接受跨,从连铸机卸载空钢包后,方能接受来自精炼的满包钢水,所以卸载空包优先级大于运输满包优先级。其次考虑时间顺序,任务1最晚卸载时间比任务2最晚卸载时间靠前,则任务1优先。
(2)天车选择:综合考虑距离、运输时间、防撞规则、安全距离等因素,以总的任务完工时间最小,及被动运输时间最小作为评价指标。
任务总完工时间=天车到达目标时间-任务请求开始时间。包含了物料等待时间、天车运输时间、任务延迟响应时间(针对忙碌设备而言)。
被动运输时间则为进行空间冲突消解,需要另一个天车被动运输进行避让。
如A表示任务起始位置,B表示目标位置,C表示天车位置(空天车则表示天车等待位置,忙碌天车则表示忙碌天车当前任务的卸载位置)
其中=Twait表示物料等待时间,如果是空闲天车则表示从天车位置到任务起始位置的移动时间,如果是忙碌设备,则表示忙碌设备当天位置卸载后从卸载位置到任务起始位置的移动时间;
Tmove表示从任务起始位置到目标位置的运输时间;
Tdelay则下一个任务延迟响应时间,也就是忙碌设备当前任务结束剩余时间;
当天车运输路径有其他天车,产生空间位置冲突时,则根据任务优先级进行避让。避让原则,则产生被动运输时间,择车时,除考虑总任务完成时间外,还需要考虑被动运输时间,
被动运输时间为被动运输天车移动到距离起始位置或者目标位置安全距离的时间。
(3)任务下达:天车选定后,下达任务到主运输天车,下达被动运输任务到被动运输天车,同时更新动态知识库中空闲天车和忙碌天车的列表。
(五)天车智能体:逻辑结构如图9所示,天车智能体主要职责是评估完成任务的能力,接受天车管理智能体下达的任务,按照任务要求进行移动:
1、能力评估:收到任务评估指令,首先进行自身能力评估,是否符合载重要求,任务响应时间是否在任务许可范围内,物料等待时间,任务运输时间。
2、执行任务:按照任务要求,主运输或者被动运输,进行移动;
3、信息输出:任务执行完毕,更新动态知识库,同时记录任务执行开始结束时间、物料等待时间、天车运输时间、响应时间等信息。
本发明中所述的仿真优化模型,仿真优化的整体逻辑如图10所示,包括反向计划粗排、正向仿真模拟、仿真结果评判分析与优化调整、计划下达几个关键流程,具体阐述如下:
(1)反向计划粗排:根据固有的浇铸节奏,倒排入炉时间,按照入炉时间,确定转炉入炉顺序。
(2)正向仿真模拟:按照入炉顺序,基于多智能体仿真优化模型,模拟整个生产流程的运行,以炉次粗排计划、设备生产状态为输入,以保证连浇的情况下入炉时间最小作为目标驱动智能体仿真***运行,通过模拟整个生产流程,细化各工位作业时间。
(3)仿真结果评判分析与优化调整:作业计划生成以后,确定是否满足了连浇条件,如果不满足,且调整次数在规定的调整范围N内,对断交的炉次,按照入炉顺序依次调整入炉时间后,所有未排炉次重新排序,并再次进行仿真模拟。如果作业计划的调整次数超过了最大调整次数N,依然无法满足连浇,则对未开始的连铸节奏进行调整,整个浇次延后一定时间间隔T,然后从反向计划粗排开始,重新启动整个仿真优化流程。
(4)计划下达:作业计划生成后,由调度人员确认无误后,下达执行。
本发明优点在于,提出了一种基于多智能体技术的仿真优化模型,解决了多约束、多目标、多干扰环境下炼钢-连铸流程建模较为困难的难题,实现了作业计划的智能优化及动态调整。
附图说明
图1为模型部署结构图。
图2为智能体体系结构图。
图3为智能体任务协调流程图。
图4为智能体基本结构图。
图5为物料智能体结构图。
图6为工序智能体结构图。
图7为设备智能体结构图。
图8为天车管理智能体结构图。
图9为天车智能体结构图。
图10为仿真优化流程图。
图11为某钢铁企业仿真优化智能体模型图。
具体实施方式
某钢铁企业炼钢厂布局结构包括2个转炉,2个双工位LF精炼,3个连铸设备,其中转炉和精炼之间的天车轨道为精炼跨,精炼和连铸之间的天车轨道为钢水接收跨,精炼跨3个天车,钢水接受跨2个天车。下面以此炼钢厂为例说明本模型的实施方法,具体步骤如下:
步骤1根据具体的车间布局创建相应的智能体,包括转炉智能体、转炉管理智能体、精炼智能体、精炼管理智能体、连铸智能体、连铸管理智能体,如图11所示。
步骤2把模型运行所涉及到的主要参数包括设备信息、设备实时状态信息、行车位置信息、炉次计划、当前计划的执行状态、各设备生产过程中的工艺要求和约束包括时间要求、温度要求、质量要求、产品和产能约束采集到数据库。
步骤3基于仿真优化流程图启动模型运行,模型运行结果写入关系数据库中,应用服务器通过接口方式从关系数据库获取仿真结果,客户端通过和应用服务器通讯,以甘特图形式展示模型结果。
Claims (8)
1.一种应用于钢铁行业炼钢-连铸流程的仿真优化模型,其特征在于,模型部署在模型服务器上,由应用服务器上的智能调度模块进行模型的触发和调用执行,模型中所用到的输入数据直接从数据库服务器中的关系数据库获取,模型运行的过程信息及最终优化结果存储到数据库服务器上的关系数据库中;模型服务器、应用服务器、数据库服务器通过局域网连接;模型运行结果通过PC客户端查看,客户端通过网关、防火墙设备与应用服务器通讯,获取模型运行结果;
包括物料智能体、设备智能体、设备管理智能体、天车智能体、天车管理智能体;物料智能体从物料层面描述了物料按照工艺路径在不同设备的加工处理流程;设备智能体则是从具体设备的角度描述各设备对物料的加工处理流程;设备管理智能体则从工序的角度描述同工序内同类设备的任务分配和协调流程;天车智能体从天车角度描述天车接收任务并完成任务的运输过程;天车管理智能体描述了同跨内多天车的优化选择及任务分配流程;
设备智能体和设备管理智能体组成设备智能体体系,天车智能体和天车管理智能体组成天车智能体体系,设备智能体体系和天车智能体体系共同构成生产仿真流程的主体框架;设备智能体体系和天车智能体体系采用集中式结构,各子智能体体系中的管理智能体只对自己下属的智能体进行任务分配、资源调度、冲突协调;各子智能体体系之间采用分布控制结构,上下游工序的设备管理智能体能相互通讯,完成上下游协作,设备管理智能体能和天车管理智能体进行通讯,完成运输任务的请求和注册,设备智能体、天车智能体也能直接通讯,完成物料的交接和运输;物料智能体作为被加工对象,和工艺路径上所有经过的智能体:包括设备智能体、设备管理智能体、包车智能体、天车管理智能体、天车智能体,进行通讯;
物料智能体状态包括等待转移、运输、加工、后处理几个阶段,物料智能体处于等待转移状态时向设备管理智能体请求设备,设备管理智能体指派设备,同时形成一个运输任务,向天车管理智能体请求天车,物料一旦获得设备,则在天车智能体的协助下进入运输状态,抵达设备则开始加工过程,加工完毕处于后处理状态;设备智能体状态包括空闲等待、等待运输、加工、输出等待、工装准备几个阶段,当没有加工任务的时候,处于空闲等待状态,当被指派了加工物料则处于等待运输状态,物料智能体到达后则处于加工状态,加工完毕,处于输出等待状态,天车到达则输出物料处于工装准备状态,工装准备结束向本工序的设备管理智能体请求下一个物料;天车智能体包括等待任务、移动、吊起、运输、卸载、返回几个阶段,开始处于等待任务状态,当从天车管理智能体获得运输任务,则开始根据运输任务的起止位置进行移动、吊起、运输、卸载的状态变迁,运输结束如需返回,则返回等待位置等下下一个运输任务;设备管理智能体的职责是维护物料任务列表和设备任务列表,并最佳匹配物料和设备,择优执行;天车管理智能体的职责是维护运输任务列表和天车列表,并最佳匹配运输任务和天车,择优执行。
2.根据权利要求1所述的仿真优化模型,其特征在于,智能体基本结构包括知识库、推理决策、数据通讯三部分;知识库包括静态知识库、动态知识库、规则知识库,静态知识库是存储了不随生产流程变化而改变的固有属性,动态知识库是存储生产过程中随时间变化而改变的动态属性,规则知识库,存储了物料智能体、设备智能体、天车智能体工艺约束,状态触发条件,用来约束和指导智能体行为变迁;推理决策,是智能体基于知识库和目标,进行逻辑计算,把全局目标转化为智能体的行为约束,给出行为变迁的指令;数据通讯部分负责其他Agent和外部环境的信息交互。
3.根据权利要求1或2所述的仿真优化模型,其特征在于,物料智能体逻辑结构:静态知识库转化为智能体静态属性,包括名称、炉次、钢种、规格、工艺路径等信息;动态知识库转化为智能体动态属性,包括状态记录、上一个加工设备/工位、下一个加工设备/工位、当前加工工序、入炉温度、出炉温度;智能体基于静、动态知识库和规则知识库进行推理决策,逻辑计算模块功能如下:
设备资源请求:从知识库获取自身状态及位置,请求下游工序设备;
状态变迁:智能体获得设备后基于规则知识库进行状态变迁,其中,运输规则描述了上下游工序之间的距离和运输速度;转移规则描述了物料转移去向:库存或者下一个工位;后处理规则,描述了物料的后处理工艺及后处理时间;
物料智能体从等待转移状态开始,当被分配了设备资源,且具备运输条件,则基于运输规则开始运输,到达所分配的设备智能体,开始进入被加工状态,加工完毕如需后处理,则基于后处理规则进入后处理状态,否则后处理状态作为一个时间为零的过度状态呈现,在后处理状态结束后,根据工艺路径,向下一个工序的设备管理智能体请求设备,再次处于待转移状态;
信息输出:智能体在一个加工周期结束后,更新动态知识库,同时统计在此工序设备加工周期过程中的物料等待时间、运输时间、加工时间、后处理时间。
4.根据权利要求1或2所述的仿真优化模型,其特征在于,设备管理智能体:一方面用于管理同工序的多个设备,进行任务委派和多设备任务协调,解决多设备的竞争和冲突;另一方面通过和其他工序的设备管理智能体通讯,协调上下游工序生产节奏,确保生产连续、紧密且无冲突;设备管理智能体在本工序运用排队论进行管理,当有物料请求本工序设备的时候,当暂无空闲设备,则基于任务排序规则,安排物料进入等待设备队列;当多个空闲设备处于等待物料状态的时候,基于设备评价规则选取最佳设备进行任务委派;逻辑计算模块功能如下:
任务排序:基于任务选择原则,对任务进行优先级排序,在满足温度约束的前提下交货期靠前的优先级高;
设备评价:通过和设备智能体通讯,获取各设备智能体能力评估结果,并按照设备能力评价规则进行评价,选择最佳设备进行任务委派;
任务下达:更新动态知识库,并下达任务到匹配的设备和物料,同时向天车管理智能体请求运输天车。
5.根据权利要求1或2所述的仿真优化模型,其特征在于,设备智能体:是所有单体设备智能体的基类,从设备智能体可以拓展出各工位设备智能体,包括转炉智能体、LF智能体、VD智能体、连铸智能体;设备智能体职责一方面是接受设备管理智能体的能力评估,另一方面当被设备管理智能体选中后接受设备管理智能体下达的任务,基于规则知识库及静、动态知识库信息,形成状态变迁指令,完成任务,并进行状态变更,逻辑计算模块功能如下:
能力评估:根据物料加工任务,读取静、动态知识库,评估是否符合设备加工条件:满足温度、钢种、规格约束;预估开始加工时间,总加工时间;
状态变迁:根据能力评估结果,接收任务,基于规则知识库中设备启动条件及动态知识库中设备实时状态,进行逻辑判断,发出状态变迁指令,驱动智能体进行状态变迁,同时更新动态知识库中相应记录;
信息输出:对本次物料加工任务执行进行记录,包括任务开始结束时间,物料输入输出信息,物料转移工位或者库存位置的记录,统计执行过程中等待时间、运输时间、工作时间、工装准备时间、总时间。
6.根据权利要求1或2所述的仿真优化模型,其特征在于,天车管理智能体职责是对注册的任务列表进行择优排序,优先为优先级高的任务分配天车,天车按照一定的择车规则进行选择,天车选中则下发任务到指定天车,同时更新动态知识库,天车从空闲队列进入忙碌队列,逻辑计算模块功能如下
任务排序:首先按照任务优先级进行排序,任务排序规则如下:首先工艺先后顺序,当任务1完成方能进行任务2,则任务1优先;钢水接受跨,从连铸机卸载空钢包后,方能接受来自精炼的满包钢水,所以卸载空包优先级大于运输满包优先级;其次考虑时间顺序,任务1最晚卸载时间比任务2最晚卸载时间靠前,则任务1优先;
天车选择:综合考虑距离、运输时间、防撞规则、安全距离等因素,以总的任务完工时间最小,及被动运输时间最小作为评价指标;
任务总完工时间=天车到达目标时间-任务请求开始时间:包含了物料等待时间、天车运输时间、任务延迟响应时间;
被动运输时间则为进行空间冲突消解,需要另一个天车被动运输进行避让;
当A表示任务起始位置,B表示目标位置,C表示天车位置,
其中=Twait表示物料等待时间,如果是空闲天车则表示从天车位置到任务起始位置的移动时间,如果是忙碌设备,则表示忙碌设备当天位置卸载后从卸载位置到任务起始位置的移动时间;
Tmove表示从任务起始位置到目标位置的运输时间;
Tdelay则下一个任务延迟响应时间,也就是忙碌设备当前任务结束剩余时间
当天车运输路径有其他天车,产生空间位置冲突时,则根据任务优先级进行避让。避让原则,则产生被动运输时间,择车时,除考虑总任务完成时间外,还需要考虑被动运输时间,
被动运输时间为被动运输天车移动到距离起始位置或者目标位置安全距离的时间;
任务下达:天车选定后,下达任务到主运输天车,下达被动运输任务到被动运输天车,同时更新动态知识库中空闲天车和忙碌天车的列表。
7.根据权利要求1或2所述的仿真优化模型,其特征在于,天车智能体职责是评估完成任务的能力,接受天车管理智能体下达的任务,按照任务要求进行移动;
能力评估:收到任务评估指令,首先进行自身能力评估,是否符合载重要求,任务响应时间是否在任务许可范围内,物料等待时间,任务运输时间;
执行任务:按照任务要求,主运输或者被动运输,进行移动;
信息输出:任务执行完毕,更新动态知识库,同时记录任务执行开始结束时间、物料等待时间、天车运输时间、响应时间等信息。
8.根据权利要求1所述的仿真优化模型,其特征在于,包括反向计划粗排、正向仿真模拟、仿真结果评判分析与优化调整、计划下达流程,具体如下:
(1)反向计划粗排:根据固有的浇铸节奏,倒排入炉时间,按照入炉时间,确定转炉入炉顺序;
(2)正向仿真模拟:按照入炉顺序,基于多智能体仿真优化模型,模拟整个生产流程的运行,以炉次粗排计划、设备生产状态为输入,以保证连浇的情况下入炉时间最小作为目标驱动智能体仿真***运行,通过模拟整个生产流程,细化各工位作业时间;
(3)仿真结果评判分析与优化调整:作业计划生成以后,确定是否满足了连浇条件,当不满足,且调整次数在规定的调整范围N内,对断交的炉次,按照入炉顺序依次调整入炉时间后,所有未排炉次重新排序,并再次进行仿真模拟。如果作业计划的调整次数超过了最大调整次数N,依然无法满足连浇,则对未开始的连铸节奏进行调整,整个浇次延后一定时间间隔T,然后从反向计划粗排开始,重新启动整个仿真优化流程;
(4)计划下达:作业计划生成后,由调度人员确认无误后,下达执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380905.5A CN111242561B (zh) | 2019-12-27 | 2019-12-27 | 一种应用于钢铁行业炼钢-连铸流程的仿真优化模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380905.5A CN111242561B (zh) | 2019-12-27 | 2019-12-27 | 一种应用于钢铁行业炼钢-连铸流程的仿真优化模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242561A true CN111242561A (zh) | 2020-06-05 |
CN111242561B CN111242561B (zh) | 2023-07-04 |
Family
ID=70879420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911380905.5A Active CN111242561B (zh) | 2019-12-27 | 2019-12-27 | 一种应用于钢铁行业炼钢-连铸流程的仿真优化模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242561B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111796567A (zh) * | 2020-06-30 | 2020-10-20 | 中冶智诚(武汉)工程技术有限公司 | 一种钢铁企业液态金属三维可视化安全管控*** |
CN112507557A (zh) * | 2020-12-14 | 2021-03-16 | 中国钢研科技集团有限公司 | 一种基于多智能体的铁钢界面仿真*** |
CN112529444A (zh) * | 2020-12-18 | 2021-03-19 | 中冶南方(武汉)自动化有限公司 | 智能仓储无人天车调度方法 |
CN112699524A (zh) * | 2020-11-26 | 2021-04-23 | 冶金自动化研究设计院 | 应用于特钢厂高速工具钢炼钢流程的仿真优化调度模型 |
CN113159553A (zh) * | 2021-04-14 | 2021-07-23 | 上海运城制版有限公司 | 一种版辊粗精车单元的多天车分段控制方法和*** |
CN114792186A (zh) * | 2021-12-31 | 2022-07-26 | 第四范式(北京)技术有限公司 | 生产排产仿真方法及其装置 |
CN114970138A (zh) * | 2022-05-23 | 2022-08-30 | 冶金自动化研究设计院有限公司 | 一种基于多智能体技术的炼钢仿真方法 |
CN116374834A (zh) * | 2023-06-05 | 2023-07-04 | 合肥晶合集成电路股份有限公司 | 天车传输路径的智能规划方法、其装置以及其*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1556486A (zh) * | 2003-12-31 | 2004-12-22 | 冶金自动化研究设计院 | 一种一体化的钢铁企业生产过程在线计划调度***与方法 |
CN101789096A (zh) * | 2010-01-25 | 2010-07-28 | 重庆大学 | 一种基于目标导引的炼钢-连铸生产物流仿真优化方法 |
CN101908092A (zh) * | 2009-12-18 | 2010-12-08 | 秦皇岛首秦金属材料有限公司 | 一种炼铁炼钢连铸一体化调度*** |
CN101944201A (zh) * | 2010-07-27 | 2011-01-12 | 昆明理工大学 | 一种基于多智能体的炼钢车间天车调度仿真方法 |
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 |
CN106779220A (zh) * | 2016-12-20 | 2017-05-31 | 浙江中控研究院有限公司 | 一种炼钢‑连铸‑热轧集成调度方法与*** |
CN109559027A (zh) * | 2018-11-20 | 2019-04-02 | 冶金自动化研究设计院 | 应用于钢铁企业高速工具钢冶炼流程的计划调度*** |
-
2019
- 2019-12-27 CN CN201911380905.5A patent/CN111242561B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1556486A (zh) * | 2003-12-31 | 2004-12-22 | 冶金自动化研究设计院 | 一种一体化的钢铁企业生产过程在线计划调度***与方法 |
CN101908092A (zh) * | 2009-12-18 | 2010-12-08 | 秦皇岛首秦金属材料有限公司 | 一种炼铁炼钢连铸一体化调度*** |
CN101789096A (zh) * | 2010-01-25 | 2010-07-28 | 重庆大学 | 一种基于目标导引的炼钢-连铸生产物流仿真优化方法 |
CN101944201A (zh) * | 2010-07-27 | 2011-01-12 | 昆明理工大学 | 一种基于多智能体的炼钢车间天车调度仿真方法 |
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 |
CN106779220A (zh) * | 2016-12-20 | 2017-05-31 | 浙江中控研究院有限公司 | 一种炼钢‑连铸‑热轧集成调度方法与*** |
CN109559027A (zh) * | 2018-11-20 | 2019-04-02 | 冶金自动化研究设计院 | 应用于钢铁企业高速工具钢冶炼流程的计划调度*** |
Non-Patent Citations (2)
Title |
---|
赵业清;毕贵红;: "基于Agent的车间天车调度***TCPN建模" * |
陈开;郑忠;周超;: "面向炼钢厂多机多任务天车调度的仿真方法" * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111796567A (zh) * | 2020-06-30 | 2020-10-20 | 中冶智诚(武汉)工程技术有限公司 | 一种钢铁企业液态金属三维可视化安全管控*** |
CN112699524A (zh) * | 2020-11-26 | 2021-04-23 | 冶金自动化研究设计院 | 应用于特钢厂高速工具钢炼钢流程的仿真优化调度模型 |
CN112507557A (zh) * | 2020-12-14 | 2021-03-16 | 中国钢研科技集团有限公司 | 一种基于多智能体的铁钢界面仿真*** |
CN112507557B (zh) * | 2020-12-14 | 2022-12-09 | 中国钢研科技集团有限公司 | 一种基于多智能体的铁钢界面仿真*** |
CN112529444A (zh) * | 2020-12-18 | 2021-03-19 | 中冶南方(武汉)自动化有限公司 | 智能仓储无人天车调度方法 |
CN113159553A (zh) * | 2021-04-14 | 2021-07-23 | 上海运城制版有限公司 | 一种版辊粗精车单元的多天车分段控制方法和*** |
CN114792186A (zh) * | 2021-12-31 | 2022-07-26 | 第四范式(北京)技术有限公司 | 生产排产仿真方法及其装置 |
CN114970138A (zh) * | 2022-05-23 | 2022-08-30 | 冶金自动化研究设计院有限公司 | 一种基于多智能体技术的炼钢仿真方法 |
CN114970138B (zh) * | 2022-05-23 | 2024-05-31 | 冶金自动化研究设计院有限公司 | 一种基于多智能体技术的炼钢仿真方法 |
CN116374834A (zh) * | 2023-06-05 | 2023-07-04 | 合肥晶合集成电路股份有限公司 | 天车传输路径的智能规划方法、其装置以及其*** |
CN116374834B (zh) * | 2023-06-05 | 2023-08-01 | 合肥晶合集成电路股份有限公司 | 天车传输路径的智能规划方法、其装置以及其*** |
Also Published As
Publication number | Publication date |
---|---|
CN111242561B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242561A (zh) | 一种应用于钢铁行业炼钢-连铸流程的仿真优化模型 | |
Kim et al. | A look-ahead dispatching method for automated guided vehicles in automated port container terminals | |
Gajsek et al. | Using maturity model and discrete-event simulation for industry 4.0 implementation | |
Zhou et al. | Integrated optimization on yard crane scheduling and vehicle positioning at container yards | |
CN111242414B (zh) | 一种应用于钢铁行业炼钢-连铸流程的计划调度*** | |
CN111563672B (zh) | 一种多载agv数量配置方法 | |
Cheng et al. | Dispatching automated guided vehicles in a container terminal | |
CN113570247A (zh) | 一种基于资源受限条件下的停机位分配多目标优化方法 | |
CN107392531B (zh) | 一种城市轨道交通车辆基地检修物流仿真***及方法 | |
KR20200134747A (ko) | 컨테이너 터미널에서 복수 운송장비의 배차 전략 다원화를 위한 운영 관리 방법 | |
Ku et al. | A novel approach to yard planning under vessel arrival uncertainty | |
Stahlbock et al. | Efficiency considerations for sequencing and scheduling of double-rail-mounted gantry cranes at maritime container terminals | |
van der Heijden et al. | Scheduling vehicles in automated transportation systems Algorithms and case study: Algorithms and case study | |
Wang et al. | A neural network based multi-state scheduling algorithm for multi-AGV system in FMS | |
Xing et al. | Dispatch problem of automated guided vehicles for serving tandem lift quay crane | |
CN113205277B (zh) | 一种基于时空规则的车间生产与天车协同调度方法及装置 | |
WO2021104524A1 (zh) | 一种agv调度方法和装置 | |
Chen et al. | Performance modelling and evaluation of dynamic tool allocation in flexible manufacturing systems using coloured Petri nets: an object-oriented approach | |
Schulz et al. | Levelling crane workload in multi-yard rail-road container terminals | |
CN116911464A (zh) | 一种基于人工智能算法的智慧工地交通需求预测方法 | |
KR100389076B1 (ko) | 컨테이너 터미널의 최적화된 배차 방법 | |
CN114970138B (zh) | 一种基于多智能体技术的炼钢仿真方法 | |
Zhen et al. | A decision framework for automatic guided vehicle routing problem with traffic congestions | |
Liu et al. | Study of AGVS design and dispatching rules by analytical and simulation methods | |
Lu et al. | Analysis of multi-AGVs management system and key issues: A review |
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 |