CN102117359B - 炼钢连铸生产工艺中的组炉次方法 - Google Patents

Abstract

本发明所公开的是一种炼钢连铸生产工艺中的组炉次方法，以其依次包括如下步骤：建立本地数据库，进行合同收池；从池中选出待组炉板坯，建立炉次计划模型；把炉次计划模型转化为准旅行商问题；基于智能优化算法对炉次计划准旅行商问题模型进行求解，找出最优炉次计划；根据确定的最优炉次计划进行板坯组炉为主要特征。根据本方法组炉在安排组炉计划时，无需预先确定待安排炉次数；采用本发明排一次计划只要数秒钟，时间可以精确到秒，设备利用率大大提高，炼钢连铸产量得到了明显的提高。

Description

炼钢连铸生产工艺中的组炉次方法

技术领域

本发明涉及冶金自动化生产领域，涉及到一种基于序列倒置改进离散粒子群算法和准旅行商问题模型的炼钢连铸生产工艺中的组炉次方法。 

背景技术

钢铁工业是国民经济的重要基础产业,而我国又是世界上最大的钢材生产大国。然而，由于钢铁工业是高能源行业，近几年，能源价格飞涨，如何节约能源，越来越引起钢铁界的重视。为了降低因燃料价格上涨而引起的燃料费用的增加，世界各国的钢铁企业都进行生产设备的改造、生产技术的革新。 

我国加入WTO以后，钢铁企业面临一系列严峻的挑战，为了提升其核心竞争力和持续发展的后动力，需要解决好降低成本，提高质量和投资决策等问题。其中生产计划与调度是生产管理的关键。由于流程工业生产计划与调度问题具有大规模、多目标、复杂约束和动态不确定等特征，常规的建模和优化方法难以直接运用，而采用人工调度方法又难以实现资源合理调配和作业优化排序，因此，探讨适合流程工业生产计划与调度的建模优化和有效的求解方法成为急待解决的关键理论问题。 

炉次计划属于炼钢-连铸段的生产批量计划。炼钢的一个炉次最多可以冶炼几十吨至上百吨的钢材。钢铁产品在生产过程中根据化学成分的不同可以划分为多个钢级序列，每个钢级序列又可以再细化为不同的钢级。只有同一钢级序列的板坯才允许安排在同一炉次中生产，而且一个炉次只能生产一种钢级的钢水，如果出现板坯钢级不同的情况，只能按照较高的钢级生产钢水。如果板坯不满一炉仍按一炉生产，多余部分称为无委材。 

在炼钢连铸生产阶段，由于中间合同（热轧板坯）或最终合同（如热轧带钢）的需求在钢级、规格、物理特性、交货期等诸因素之间存在一定差别，根据炼钢工艺的要求和组成同一炉次的合同的特性限制，需要将合同进行组合，形成不同的炉次计划，使得每一炉次内在保证最低冶炼炉容要求下，合同之间的交货期差异最少，具有最大的成材率，最低的生产成本和最少的无委材。 

授权公告号为CN100337773c的中国发明专利，公开了一种炼钢连铸生产工艺中的组连浇批次的方法。其核心是从宽度已经确定的板坯中选出接收批次要求的流向的板坯进行组炉，建立炉次优化模型，并采用粒子群算法求解。 

授权公告号为CN101377789B的中国发明专利，公开了一种炼钢生产工艺中的板坯组炉方法。其核心是采用双层结构的遗传编码方式对函数优化，确定待组炉板坯的优化宽度，根据确定的板坯宽度组炉。 

上述2项中国发明专利，在进行板坯组炉时，均采用直接求解方法，在其求解时存在大量不可行解，且在组炉时，需预先根据组炉板坯重量算出组炉炉次数。 

发明内容

本发明的目的是为了克服上述现有技术的缺陷，而提供一种炼钢连铸生产工艺中的组炉次方法。 

组炉次计划编制是多变量多约束大规模混合整数规划问题，可以通过最优化方法求解。最优化方法是寻求问题最优解的方法，包括传统优化算法、智能优化算法和基于规则的启发式算法。传统算法又分为解析法和数值法等。对于目标函数及约束条件具有简单而明确的数学解析表达式的最优化问题，通常可采用解析法来解决，其求解方法是先按照函数极值的必要条件，用数学分析方法(多采用求导数方法)求出其解析解，再按照充分条件或问题的实际意义间接地确定最优解；对于目标函数较为复杂或无明确的数学表达或无法用解析法求解的最优化问题，可采用数值解法来解决。数值解法的基本思想，就是用直接搜索的方法经过一系列的迭化使之逐步接近最优解。 

传统优化算法具有计算效率高、可靠性强等优点，但在求解复杂、困难的优化问题时有很大的局限性。传统优化算法一般要求目标函数是连续可微的，解域是凸集等条件，而且处理非确定性信息的能力较差。这些弱点使传统优化方法在解决许多实际问题时受到了限制。 

智能优化算法的发展为解决复杂、困难优化问题提供了新的途径。智能优化算法主要包括神经网络方法、遗传算法、模拟退火算法、免疫算法、禁忌搜索算法、蚁群算法、粒子群算法等。 

智能优化算法具有通用性，可以找到最优解，但不一定能确保找到可行解，而基于规则的启发式算法运行速度快，能确保有可行解，但不一定能找到最优解。单纯采用智能优化算法或启发式算法很难找到最优组炉方案。本发明提出了把组炉模型转化为准旅行商问题的方法，较好地解决了智能优化算法求解组炉计划时存在大量不可行解的问题。而且，采用本发明，无须预先知道炉次数量。 

本发明通过离散粒子群优化算法的优化搜索和基于启发式规则的个体译码，确保算法能找到最优可行解。 

本发明基于序列倒置算子，通过当前粒子向全局最优粒子学习、局部最优子粒子群中粒子和随机粒子的学习，大大加快了算法收敛速度和全局寻优能力。 

本发明采用的技术方案依次包括以下步骤： 

1）建立本地数据库，进行合同收池；

2）从池中选出待组炉板坯，建立炉次计划模型；

3）把炉次计划模型转化为准旅行商问题；

4）基于智能优化算法对炉次计划准旅行商问题模型进行求解，找出最优炉次计划；

5）根据确定的最优炉次计划进行板坯组炉。

在上述技术方案中：所述1）步骤中的进行合同收池，是指从给定的生产合同中，按照交货期优先级选出满足日生产能力的合同板坯； 

所述步骤2）中的建立炉次计划模型必须考虑组成同一炉的板坯在钢级，钢级序列，板坯宽度，交货期，优先级等方面的差异费用，无委材的惩罚费用和未组炉板坯的惩罚费用；

所述步骤3）中的模型转换方法在于把炉次计划模型转化为一准旅行商问题，进而采用离散粒子群优化算法求解，以消除不可行解。

所述步骤4）中的智能优化算法为基于序列倒置的改进离散粒子群优化算法，其具体做法依次包括如下步骤： 

a）读入板坯数据；

b）设置种群规模M，迭代总次数Ng, 学习选择概率pl、代数阈值Ng、局部最优子群比rl；

c）根据种群大小随机产生粒子并计算其适应度值。初始化，设置迭代次数i=1；

d）求每个粒子的局部极值pbest，并求出种群的全局极值gbest，根据rl值和pbest排序确定局部最优子群；

e）判断迭代次数是否大于迭代总次数，如是，则进入步骤k)；

f）产生一个（0～1）间随机数rd，如果rd<pl，且当前运行代数g<Ng，则随机选择一个粒子作为学习对象；如果rd<pl，且g>Ng，则选择全局最优粒子作为学习对象；如果rd>pl，则随机从局部最优子群中选择一个粒子作为学习对象；

g）产生一个（0～1）间随机数rp，如果rp<选择概率p，则第二个节点从当前粒子中随机选出，子序列进行倒置；如果rp>p，则由步骤f）确定的学习对象中选择第二个节点，并进行子序列倒置；

h）对当前粒子按变异概率进行变异操作；

i）计算该粒子适应度值，如果该值大于序列倒置前适应度值，则更新当前粒子；

j）迭代次数i=i+1，转到步骤d）；

k）输出种群的全局最优解。

在上述离散粒子群优化算法中： 

所述的步骤c)和步骤i)中计算粒子适应度值的装置为基于准旅行商问题模型的启发式译码装置，其译码方法依次包括以下步骤为：

3a）板坯数slab=1，炉次数charge=1；炉次中存放第一块板坯；

3b）板坯数slab=slab+1，slab>总板坯数Numslab吗，如是，转到步骤3i)

3c）读入一个新板坯；

3d）判断是否属于同一类型板坯，如否则进入步骤3h)；

3e）判断超出炉容吗，如否则进入步骤3h)；

3f）与前述同一炉次板坯宽度兼容吗，如不兼容，则进入步骤3h）；

3g）该板坯放入第charge炉中，进入步骤3b)；

3h）Charge=charge+1，该板坯放入该炉次中，进入步骤3b）；

3i）适应度minfit=0；

3j）计算每一炉次的适应度值f(chargei)，由组成同一炉的板坯在钢级，钢级序列，板坯宽度，交货期方面的差异惩罚费用和无委材的惩罚费用组成，如该值小于本炉次中各板坯未组炉惩罚值p(charge)，则保留该炉次，minfit=minfit+f(charge)，否则取消该炉次，置该炉中板坯为未组炉板坯；

3k）在适应度值minfit上为未组炉板坯根据优先级加惩罚费用，并返回适应度值minfit。

所述离散粒子群优化算法的步骤g)中的所述子序列倒置操作由基于序列倒置的交叉装置执行。具体操作下面以9块板坯为例来描述板坯序列的交叉过程： 

假设当前板坯序列为（2，3，9，4，1，5，8，6，7），任意设定一个0和1之间的随机数，第一块板坯为3，如果任意随机数小于选择概率p，则第二块板坯从当前序列中随机选出，设所选第二块板坯为8，子序列进行倒置后，当前板坯序列为（2，3，8，5，1，4，9，6，7）。如果任意随机数大于选择概率p，则由种群中另外一个任意选定的板坯序列决定第二个城市。设任意选定的另外一个板坯序列为（1，6，4，3，5，7，9，2，8），在该板坯序列中板坯3之后的板坯为5，板坯5就是第二块板坯，子序列进行倒置，当前板坯序列为（2，3，5，1，4，9，8，6，7），如果选定的第二块板坯在当前粒子中已经与第一块板坯相邻，则终止当前序列的交叉过程。

本发明具有以下优点： 

1）在采用本技术之前，基本上采用手工排计划，时刻的准确性很差，设备利用率较低，而且排出的计划有很大的局限性，直接影响产量和设备寿命；并且重排一次计划需要很长的时间。采用本发明后，排一次计划只要数秒钟，时间可以精确到秒，设备利用率大大提高，产量得到了明显的提高。

2）本发明通过把炉次模型转化为准旅行商问题，有效地消除了常用智能优化算法的产生不可行的问题。 

3）本发明通过把炉次模型转化为准旅行商问题，通过基于模型的启发式规则译码，在安排组炉计划时，无需预先确定待安排炉次数。 

附图说明

图1是炉次计划直接求解方法编码方式示意图； 

图2 炉次计划转化为准旅行商问题模型表示示意图；图中所示1~13是板坯号；

图3 基于离散粒子群优化算法的最优炉次计划求解流程图；图中Y表示是；

图4 粒子启发式译码算法流程图，图中Y表示是，N表示否。

具体实施方式

下面结合附图详细说明本发明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。 

工厂在接到一批订单后，必须首先经过质量和生产设计，把订单变成可生产合同，再通过合同收池，即从给定的生产合同中，按照交货期优先级选出满足日生产能力的合同板坯，导入本地数据库； 

经过材料设计得到的成百上千块板坯，进行板坯组炉的步骤是：

首先必须从池中选出待组炉板坯，建立炉次计划模型，炉次计划模型主要考虑各炉次同一炉中板坯在钢级，钢级序列，板坯宽度，交货期，优先级方面的差异费用和未组炉板坯和无委材的附加惩罚费用。

在进行炉次计划求解时，为消除智能优化算法求解时存在大量不可行解的情况，本发明采用图2所示的准旅行商问题模型描述，而不采用图1所示的直接求解编码方式。 

在进行最优炉次计划求解时，本发明采用的智能优化算法为基于序列倒置的改进离散粒子群优化算法，参见图3具体描述为： 

a、读入板坯数据；

b、设置种群规模M，迭代总次数Ng, 学习选择概率pl、代数阈值Ng、局部最优子群比rl；种群规模M，迭代总次数Ng可根据需要设定，太小易陷入局部最优，太大则计算时间太长，一般M取100-200，Ng取500-1000。引入pl，Ng的目的在于避免粒子只是单一的向具有全局极值的粒子学习而陷入局部极值。pl不能设置过小，以保证种群多样性，避免陷入局部极值，pl也不能设置过大，一般在0.5以下，优选为0.3。Ng的引入是为了使粒子仅在算法后期才向具有全局极值粒子学习，一般要在算法总运行代数的一半以上，优选为0.8。局部最优子群比rl不能过小，以避免陷入局部极值，pl也不能设置过大，一般在0.4以下，优选为0.3。

c、根据种群大小随机产生粒子并计算其适应度值。初始化，设置迭代次数i=1； 

d、求每个粒子的局部极值pbest，并求出种群的全局极值gbest，根据rl值和pbest排序确定局部最优子群；

e、判断迭代次数是否大于迭代总次数，如是，则进入步骤k；

f、产生一个（0～1）间随机数rd，如果rd<pl，且当前运行代数g<Ng，则随机选择一个粒子作为学习对象；如果rd<pl，且g>Ng，则选择全局最优粒子作为学习对象；如果rd>pl，则随机从局部最优子群中选择一个粒子作为学习对象；

g、产生一个（0～1）间随机数rp，如果rp<选择概率p，则第二个节点从当前粒子中随机选出，子序列进行倒置；如果rp>p，则由步骤f确定的学习对象中选择第二个节点，并进行子序列倒置；

h、对当前粒子按变异概率进行变异操作；变异概率一般取0.85-0.99，优选为0.9。

i、计算该粒子适应度值，如果该值大于序列倒置前适应度值，则更新当前粒子； 

j、迭代次数i=i+1，转到步骤d；

k、输出种群的全局最优解。

进一步，所述基于序列倒置的改进离散粒子群优化算法智能优化算法中的步骤c和步骤i中计算粒子适应度值的装置为基于准旅行商问题模型的启发式译码装置，参见图4，其译码方法的具体步骤是： 

3a、板坯数slab=1，炉次数charge=1；炉次中存放第一块板坯；

3b、板坯数slab=slab+1，slab>总板坯数Numslab吗，如是，转到步骤3i；

3c、读入一个新板坯；

3d、判断是否属于同一类型板坯，如否则进入步骤3h；

3e、判断超出炉容吗，如否则进入步骤3h；

3f、与前述同一炉次板坯宽度兼容吗，如不兼容，则进入步骤3h；

3g、该板坯放入第charge炉中，进入步骤3b；

3h、Charge=charge+1，该板坯放入该炉次中，进入步骤3b；

3i、适应度值minfit=0；

3j、计算每一炉次的适应度值f(charge)，由组成同一炉的板坯在钢级，钢级序列，板坯宽度，交货期方面的差异惩罚费用和无委材的惩罚费用组成，如该值小于本炉次中各板坯未组炉惩罚值p(charge)，则保留该炉次，minfit=minfit+f(charge)，否则取消该炉次，置该炉中板坯为未组炉板坯；

3k、在适应度值minfit上为未组炉板坯根据优先级加惩罚费用，并返回适应度值minfit。

所述的离散粒群优化算法中的步骤g中的所述子序列倒置操作由基于序列倒置的交叉装置执行，具体操作以下面9块板坯为例来描述板坯序列的交叉过程： 

假设当前板坯序列为（2，3，9，4，1，5，8，6，7），任意设定一个0~1之间的随机数，第一块板坯为3，如果任意随机数小于选择概率p，则第二块板坯从当前序列中随机选出，设所选第二块板坯为8，子序列进行倒置后，当前板坯序列为（2，3，8，5，1，4，9，6，7）。如果任意随机数大于选择概率p，则由种群中另外一个任意选定的板坯序列决定第二个城市。设任意选定的另外一个板坯序列为（1，6，4，3，5，7，9，2，8），在该板坯序列中板坯3之后的板坯为5，板坯5就是第二块板坯，子序列进行倒置，当前板坯序列为（2，3，5，1，4，9，8，6，7），如果选定的第二块板坯在当前粒子中已经与第一块板坯相邻，则终止。

基于序列倒置改进离散粒子群算法所得种群的全局最优解即为最优组炉结果，所得板坯序列的译码结果即为最优组炉计划。 

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。 

Claims (4)

1.一种炼钢连铸生产工艺中的组炉次方法，其特征在于：该方法依次按照以下步骤进行：

1）建立本地数据库，进行合同收池；

2）从池中选出待组炉板坯，建立炉次计划模型；

3）把炉次计划模型转化为准旅行商问题；

4）基于智能优化算法对炉次计划准旅行商问题模型进行求解，找出最优炉次计划；而进行求解的智能优化算法为基于序列倒置的改进离散粒子群优化算法，依次包括如下步骤：

a）读入板坯数据；

b）设置种群规模，迭代总次数, 学习选择概率、代数阈值、局部最优子群比；

c）根据种群大小随机产生粒子并计算其适应度值，初始化，置迭代次数为一；

d）求每个粒子的个体极值，并求出种群的全局极值，根据局部最优子群比和局部最优值排序确定局部最优子群；

e）判断迭代次数是否大于迭代总次数，如是，则进入步骤k)；

f）产生一个0~1间随机数，如果该值小于学习选择概率，且当前运行代数小于代数阈值，则随机选择一个粒子作为学习对象；如果该值小于学习选择概率，而当前运行代数大于代数阈值，则选择全局最优粒子作为学习对象；反之，如果该值大于学习选择概率，则随机从局部最优子群中选择一个粒子作为学习对象；

g）产生一个0~1间随机数，如果该值小于选择概率，则第二个节点从当前粒子中随机选出，子序列进行倒置；反之，则由步骤f）确定的学习对象中选择第二个节点，并进行子序列倒置；

h）对当前粒子按变异概率进行变异操作；

i）计算该粒子适应度值，如果该值大于序列倒置前适应度值，则更新当前粒子；

j）迭代次数加一，转到步骤d）；

k）输出种群的全局最优解；

5）根据确定的最优炉次计划进行板坯组炉。

2.根据权利要求1所述的一种炼钢连铸生产工艺中的组炉次方法，其特征在于，所述步骤2）建立炉次计划模型必须考虑组成同一炉的板坯在钢级，钢级序列，板坯宽度，交货期，优先级方面的差异费用，无委材的惩罚费用和未组炉板坯的惩罚费用。

3.根据权利要求1所述的一种炼钢连铸生产工艺中的组炉次方法，其特征在于对所述的步骤c)和步骤i)中计算粒子适应度值的装置为基于准旅行商问题模型的启发式译码装置，该方式无需预先知道炉次数，其译码方法依次包括以下步骤：

3a）板坯数置为一，炉次数置为一；炉次中存放第一块板坯；

3b）板坯数加一，板坯数大于板坯总数吗，如是，转到步骤3i)；

3c）读入一个新板坯；

3d）判断是否属于同一类型板坯，如否则进入步骤3h)；

3e）判断超出炉容吗，如否则进入步骤3h)；

3f）与前述同一炉次板坯宽度兼容吗，如不兼容，则进入步骤3h）；

3g）该板坯放入该炉次中，进入步骤3b)；

3h）炉次数加一，该板坯放入该炉次中，进入步骤3b）；

3i）总适应度值置0；

3j）计算每一炉次的适应度值，由组成同一炉的板坯在钢级，钢级序列，板坯宽度，交货期方面的差异惩罚费用和无委材的惩罚费用组成，如该值小于本炉次中各板坯未组炉惩罚值，则保留该炉次，总适应度值上加上本炉次适应度值，否则取消该炉次，置该炉中板坯为未组炉板坯；

3k）在总适应度值上为未组炉板坯根据优先级加惩罚值，并返回总适应度值。

4.根据权利要求1所述一种炼钢连铸生产工艺中的组炉次方法，其特征在于，对所述的步骤g)中的所述子序列倒置操作由基于序列倒置的交叉装置执行。

Images