CN103293951B - 一种智能出钢材组炉组浇装置及方法 - Google Patents
一种智能出钢材组炉组浇装置及方法 Download PDFInfo
- Publication number
- CN103293951B CN103293951B CN201310236297.7A CN201310236297A CN103293951B CN 103293951 B CN103293951 B CN 103293951B CN 201310236297 A CN201310236297 A CN 201310236297A CN 103293951 B CN103293951 B CN 103293951B
- Authority
- CN
- China
- Prior art keywords
- stove
- group
- heat
- slab
- scheme
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能出钢材组炉组浇装置与方法。本发明装置包括操作终端、包含输入输出处理机的多核计算机、包含引导程序单元、智能出钢材组炉组浇设计器和规则存储单元的智能组炉组浇设计器;使用者在操作终端上启动引导程序,在输入输出处理机上引导执行智能出钢材组炉组浇算法,对虚拟板坯按断面分浇和每浇次再按内部钢种和产线分炉次;对每炉次的虚拟板坯,在多核计算机的处理单元执行结合启发式搜索和蚁群优化的协同优化算法进行组炉组浇方案设计并将各炉次每炉按给定属性进行排序,并通过输入输出处理机将各炉次排序后的组炉方案存入缓存单元,以便在操作终端显示。本发明可以节约原材料,提高出钢材组炉组浇设计效率。
Description
技术领域
本发明属于钢铁冶炼组炉组浇技术领域,具体涉及一种智能出钢材组炉组浇装置及方法。
背景技术
目前,刚性需求钢铁企业生产流程长,生产方式采用大规模定制模式。这种钢铁企业的生产特点与客户的多品种、小批量、个性化需求之间存在矛盾,导致钢铁企业生产成本较高。此外,钢铁企业产品品种多,产线多,生产线物流交叉,使得计划排程工作难度增大。为使钢铁企业生产适应客户的需要,满足刚性需求的要求,以及合理地生产计划排程,高质、高效的组炉组浇与生产对钢铁企业是致关重要的。然而,目前大多数钢铁企业的出钢材组炉组浇设计方法仍然是在MES系统下进行人工设计。即使少数钢铁企业采用组炉组浇装置,但是此种组炉组浇装置也难以对各种虚拟板坯结构同时满足如下刚性需求:(1)要求每一炉板坯在最大与最小容量之间,并尽可能接近标准炉重;(2)要求开停浇炉带探伤板坯占炉重的比例尽可能小且不要组太厚的板坯;(3)要求相同内部钢种和相同产线的虚拟板坯尽可能集中在同一炉次;(4)要求每炉相同外部牌号、到站港和交货期的板坯尽量集中。特别地,对于刚性需求(2),只有接近标准炉重,而不是最大炉重,才能在实际生产中按结晶器规格浇铸所有板坯。
因此,有必要提出一种智能组炉组坯方法及其装置,能适应各种板坯结构,在可行性生产的前提下,提高组炉组浇中炼钢炉的利用率和组炉组浇的工作效率,节约生产成本,使得传统制造业向数字化和智能化制造方向转变。
发明内容
本发明的第一个目的在于针对现有技术中存在的上述缺陷,提供一种智能出钢材组炉组浇装置,以解决刚性需求钢铁企业板各种板坯结构的组炉组浇中,人工组炉组浇效率低、炼钢炉的利用率和自动化程度低的技术问题。
本发明的第一个目的是通过如下的技术方案来实现的:该智能出钢材组炉组浇装置,它包括操作终端、智能组炉组浇设计器和多核计算机;操作终端通过网络接口与多核计算机连接,智能组炉组浇设计器通过机器接口与多核计算机连接;所述多核计算机包括输入输出处理机在内的多核计算机处理单元和缓存单元,所述智能组炉组浇设计器包括规则存储单元、引导程序单元和智能出钢材组炉组浇设计单元;其中,
(a)操作终端:通过网络接口电性连接于多核计算机的输入输出处理机,用于接收使用者输入的指令,并显示组炉组浇方案;
(b)多核计算机的缓存单元:通过总线电性连接于多核计算机的输入输出处理机,用于存储虚拟板坯记录和每浇次的每炉次各炉的组炉方案;
(c)多核计算机的输入输出处理机:通过网络接口电性连接于操作终端,从多核计算机的缓存单元和智能组炉组浇设计器中的规则存储单元分别读入虚拟板坯记录和规则信息,并将读入的虚拟板坯记录按其长度降序排列;
(d)智能组炉组浇设计器:通过机器接口电性连接于多核计算机的输入输出处理机,对虚拟板坯记录按其规则存储单元中的规则信息,进行组炉组浇设计,得到每浇次的每炉次各炉的最优组炉方案;将每浇次的每炉次各炉的最优组炉方案按特定格式传送给多核计算机的缓存单元进行存储;以及使用者通过终端操作在操作终端显示该每浇次的每炉次各炉的组炉方案。
本发明的第二个目的在于提供一种基于上述智能出钢材组炉组浇装置的智能组炉组浇方法,它包括如下步骤:
(a)接收指令步骤:从操作终端接收使用者输入的指令到多核计算机的输入输出处理机;
(b)读入数据步骤:多核计算机中的输入输出处理机从多核计算机中的缓存单元和智能组炉组浇设计器中的规则存储单元分别读入虚拟板坯记录及其配置的规则信息,并将虚拟板坯记录并按板坯长降序排列;
(c)优化组炉方案步骤:多核计算机中的多核计算机处理单元对分浇次和炉次后的各炉次虚拟板坯记录优化出最优组炉方案;
(d)优化组炉方案存储及显示步骤:多核计算机中的输入输出处理机将每浇次的每炉次各炉的最优组炉方案按特定格式传送给多核计算机中的缓存单元;使用者在操作终端上,对每浇次的每炉次各炉的最优组炉方案进行显示并确认。
具体地说,所述步骤(c)的优化组炉方案包括如下步骤:
①将虚拟板坯集按断面分浇次,每浇次虚拟板坯按照内部钢种和产线以及配置的工艺路径分炉次;
②通过优化计算对每浇次的每炉次的虚拟板坯集分配到给定数量的炉中,得到每炉次各炉的最优组炉方案;
③对每炉次各炉虚拟板坯集按其板坯长、外部牌号、到站港和交货期进行排序得到各炉的最终组炉方案。
更进一步,上述步骤②所述优化计算是:采用结合启发式搜索和蚁群优化的协同优化方法将每一炉次的虚拟板坯集按其规则分配到给定数量的炉中;且每炉炉重应该尽量靠近标准炉重,即每炉炉重与标准重的偏差在允许范围内,所有炉的总偏差尽量小,且开停浇炉尽量不组带探伤和过厚的虚拟板坯。
上述采用结合启发式搜索和蚁群优化的协同优化方法按规则进行组炉,其协同包括两个方面,一方面是启发式搜索和蚁群优化的协同;另一个方面是多种群蚁群优化的协同,包括如下步骤:
对一炉次的炉数大于给定规模的虚拟板坯组炉问题,先采用启发式搜索组掉若干炉,它通过回溯遍历给定的虚拟板坯集得到每炉的最佳组炉方案;再用多种群协同蚁群优化对剩余的虚拟板坯一次性分配到给定规模的炉中;多种群协同蚁群优化方法设定蚁群数,每个蚁群的人工蚂蚁个数和初始化信息素矩阵,对每炉次余下的虚拟板坯集,每只人工蚂蚁对剩余虚拟板坯用赌轮选择逐块确定能容纳该虚拟板坯的炉号并将该虚拟板坯添加到该炉中,得到该人工蚂蚁的组炉方案;对各人工蚂蚁的组炉方案通过给定的目标函数评价,并与已获得的最佳组炉方案比较得到目前最佳组炉方案,并更新信息素矩阵,每隔若干代各蚁群之间更新最佳组炉方案,通过该人工蚁群的给定代数寻优,多蚁群搜索出该炉次的最优组炉方案。
每只人工蚂蚁逐块确定剩余板虚拟坯集中虚拟板坯所放炉号,其炉号的赌轮选择概率由式(1)计算:
其中,pi,j表示将虚拟板坯i(i=1,2,…,n)放入炉j的概率(j=1,2,…,m),n表示每炉次的虚拟板坯数,m表示每炉次的炉数,Vi表示加入虚拟板坯i后,其总重量不超过最大允许重量的炉号集,bi,j表示信息素矩阵元素,Wi表示板坯i的重量,I,j (i-1)表示放到i-1块虚拟板坯时第j炉的虚拟板坯序号集,Wj,max表示第j炉的允许最大总重量;
用于衡量组炉方案优劣的目标函数为式(2):
其中,当存在开停浇炉时否则α=1;Wi表示虚拟板坯i的重量,Ti=1表示第i炉为开停浇炉,Ti=0表示第i炉不是开停浇炉(i=1,2,…,m),Fi=1表示虚拟板坯i有探伤,Fi=0表示虚拟板坯i无探伤(i=1,2,…,n),n表示每炉次的虚拟板坯数量,m表示每炉次的炉数,Ij和Wj,st分别表示放入炉j的虚拟板坯序号集和炉j的标准炉重(j=1,2,…,m);信息素矩阵更新时,用式(3)进行挥发,用式(4)对最优路径元素进行信息素加强:
其中,Q是一个常量,是挥发因子。
本发明的智能出钢材组炉组浇装置及方法的有益效果在于:提高了炼钢炉的利用率,提高了组炉组浇的工作效率,缩短了生产周期,降低了生产成本。
附图说明
图1为本发明实施例的智能出钢材组炉组浇装置的结构示意图。
图2为本发明实施例的智能出钢材组炉组浇方法的流程框图。
图3为图2中启发式算法的流程框图。
图4为图2中蚁群算法对剩余虚拟板坯组给定炉的流程框图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细的描述。
参见图1,本实施例的智能出钢材组炉组浇装置包括操作终端1、智能组炉组浇设计器2和多核计算机4;操作终端1通过网络接口5与多核计算机4连接,智能组炉组浇设计器2通过机器接口3与多核计算机4连接;所述多核计算机4包括输入输出处理机在内的多核计算机处理单元和缓存单元,所述智能组炉组浇设计器2包括规则存储单元、引导程序单元和智能出钢材组炉组浇设计单元;其中,
(a)操作终端1:用于接收使用者输入的指令,该指令用于使用者启动智能出钢材组炉组浇方法以及核对和确定组炉组浇方案。并且,使用者可以通过操作终端1显示相应的组炉组浇方案。操作终端1可以设置于一体机、台式PC机及/或笔记本电脑上。
(b)多核计算机4的缓存单元:通过总线电性连接于多核计算机4的输入输出处理机,用于存储虚拟板坯记录和每浇次的每炉次各炉的组炉方案;
(c)多核计算机4的输入输出处理机:通过网络接口5电性连接于操作终端1,从多核计算机4的缓存单元和智能组炉组浇设计器2中的规则存储单元分别读入虚拟板坯记录和规则信息,如炉重控制、探伤控制、每炉次的炉数控制和炉内顺序控制等,并将读入的虚拟板坯记录按其长度降序排列;
(d)智能组炉组浇设计器2:通过机器接口3电性连接于多核计算机4的输入输出处理机,对虚拟板坯记录按其规则存储单元中的规则信息,如炉重控制、探伤控制、每炉次的炉数控制和炉内顺序控制等,进行组炉组浇设计,得到每浇次的每炉次各炉的最优组炉方案;将每浇次的每炉次各炉的最优组炉方案按特定格式传送给多核计算机4的缓存单元进行存储;以及使用者通过终端操作在操作终端1显示该每浇次的每炉次各炉的组炉方案。
参见图2,是本发明实施例的智能出钢材组炉组浇方法的流程框图。该智能出钢材组炉组浇方法包括如下步骤:
步骤S21,使用者通过操作终端1接收使用者输入的指令,多核计算机4的输入输出处理机从它的缓存单元和智能组炉组浇设计器2的规则存储单元读取虚拟板坯记录和规则信息(如炉重控制、探伤控制、每炉次的炉数控制和炉内顺序控制等)读入内存并按板坯长度降序排列。
步骤S22,智能组炉组浇设计器2对虚拟板坯集按断面分成p浇次,对第i(i=1,2,…,p)浇次分q[i]炉次,取i=0。
步骤S23,如果i<p,则令转步骤S24;否则,转步骤S29。
步骤S24,如果q[i]>d,则转步骤S25;否则,转步骤S27。
步骤S25,在多核计算机4上执行启发式搜索算法对i浇次剩余虚拟板坯优化出第q[i]炉的最优组炉方案,并由多核计算机4的输入输出处理机将该最优组炉方案按特定格式存入多核计算机4的缓存单元。优选地,特定格式为组炉方案表。
步骤S26,设计者在操作终端上显示并确认该浇次的第q[i]炉的组炉方案。q[i]减少1,转步骤S24。
步骤S27,在多核计算机4若干处理机(CPU)上并行执行蚁群算法对i浇次的剩余虚拟板坯协同优化出d炉的最优组炉方案(每迭代给定次数交换它们最好的组炉方案),并由多核计算机4的输入输出处理机将该最优组炉方案按特定格式存入多核计算机4的缓存单元。
步骤S28,设计者在操作终端上显示并一次性确认该浇次的q[i]炉的组炉方案。i增加1,转步骤S23。
步骤S29,组炉组浇结束。
参见图3,是组炉组浇设计器2中智能出钢材组炉组浇设计单元优化每浇次的每炉次的前若干炉组炉方案的启发式搜索模块的算法流程图。该组炉组浇设计器2中的智能出钢材组炉组浇设计单元对通过分浇次和分炉次处理后的各炉次的剩余虚拟板坯在多核计算机4的处理机单元上执行启发式搜索算法优化出最优组炉方案,其算法包括如下步骤:
步骤S31,设S=(S[1],S[2],…,S[n])是按板坯长降序排列且内部钢种和产线都相同的一浇次一炉次板坯集,S[i].w表示虚拟板坯S[i]的重量(i=1,2,…,n)。m是一炉的当前虚拟板坯数,A=(A[1],A[2],…,A[m])是一炉的当前虚拟板坯序号集。Wstd,Wmin和Wmax分别是标准、最小和最大炉重,Wcur表示当前炉中虚拟板坯的重量,Wv和Wbestv表示炉重偏差和满意炉重偏差,m=1,A[m]=1,Wcur=S[1].w。
步骤S32,如果Wcur>Wmax,则转步骤S33;否则转步骤S35;
步骤S33,如果A[m]<n,则Wcur=Wcur-S[A[m]].w,A[m]增加1,Wcur=Wcur+S[A[i]].w,转步骤S31;否则转步骤S34;
步骤S34,如果m>1,则Wcur=Wcur-S[A[m]].w,m减少1,Wcur=Wcur-S[A[m]].w,A[m]增加1,Wcur=Wcur+S[A[m]].w;否则,转步骤S37;
步骤S35,如果Wcur>Wmin,则保存当前组炉方案,计算Wv=|Wcur–Wstd|,转步骤S36;否则,如果A[m]<n,则m增加1,A[m]=A[m-1]+1,Wcur=Wcur+S[L[m]].w,转步骤S32;否则,转步骤S34;
步骤S36,如果Wv<Wbestv,则Wmin=Wmin+Wv,Wmax=Wmax-Wv,转步骤S32;否则,转步骤S37;
步骤S37,返回组炉方案到主调程序。
参见图4,是组炉组浇设计器2中智能出钢材组炉组浇设计单元优化每浇次的每炉次的后若干炉的协同蚁群优化算法流程图。组炉组浇单元2对各炉次的剩余虚拟板坯在多核计算机4上执行协同蚁群算法,进行组炉组浇的方法包括如下步骤:
步骤S401,设S=(S1,S2,…,Sn)是按板坯长降序排列且内部钢种和产线都相同的一浇次一炉次板坯集,L=(L0,L1,L2,…,Lm)是一炉次的炉集。i=1;
步骤S402,判断迭代次数i是否已超过最大迭代次数N。如果是,则转步骤S410;否则,j=1,转步骤S403;
步骤S403,判断蚂蚁序号j是否大于最大的蚂蚁序号M。如果是,则转步骤S404;否则,k=1,转步骤S407;
步骤S404,计算M个蚂蚁所组的组炉方案中的最佳组炉方案,并用它更新前i-1代的最优组炉方案,转步骤S405;
步骤S405,用式(3)和(4)对信息素矩阵B进行更新,i=i+1,转步骤S402;否则,k=1,转步骤S404;
步骤S406,判断放置的虚拟板坯序号k是否大于n,如果是,则转步骤S407;否则,转步骤S409;
步骤S407,用0号炉的虚拟板坯对小于最小炉重的炉进行修正,转步骤S408;
步骤S408,由式(2)计算各炉的目标函数值,j=j+1,转步骤S403;
步骤S409,由式(1)计算能将虚拟板坯k放入炉j的概率pk,j,用赌轮选择出炉号t,将虚拟板坯k放入t炉,k=k+1,转步骤S406;
步骤S410,对各炉的虚拟板坯按板坯长、外部牌号、到站港和交货期排序,转步骤S411;
步骤S411,将该炉次的最优组炉方案的各炉的虚拟板坯号及序号等相关信息写入接口表,对于未能组掉的虚拟板坯报告其原因,转步骤S412;
步骤S412,算法结束。
需要说明的是,表1为虚拟板坯表。其中,该虚拟板坯的具体信息存储于存储单元4的虚拟板坯存储单元中。虚拟板坯表的表头字段依次是:材料号、合同号、合同收池时间、出钢记号、炼钢申请日期、外部牌号、板坯去向、……、主工序代码、探伤代码。
表1虚拟板坯表
参见表2,为组炉输出表。组炉输出表的表头字段依次是:材料号、合同号、合同收池时间、出钢记号、炼钢申请日期、全程工序代码、主工序代码、……、精炼路径改变标记、停开浇标记、探伤代码。
表2组炉方案表
表3为某厂2013年4月的人工组炉组浇的效率。表4为采用本发明的智能出钢材组炉组浇方法的性能指标。人工组出表3的数据需要大约4个小时,而用本发明的装置,只需要8秒就能完成此工作(取d=10)。利用表3和表4的数据可以得到,人工的组炉方案的平均实际炉重为137.5036吨,平均偏差为1.0038吨;而用该发明的装置完成此数据的组炉组浇,平均实际炉重为137.2307吨,平均偏差为0.7802吨。可以看出:与人工组炉组浇相比,本发明的智能出钢材组炉组浇装置组出的组炉方案能更靠近标准炉重的方案,且平均偏差也较小。
表3某厂2013年5月某日的人工组10炉的数据表
表4某厂2013年5月的该发明的智能组炉组浇装置组10炉的数据表
表5为采用本发明的智能出钢材组炉组浇方法的性能指标,其中并行蚁群算法(处理机数为2)的组炉方案的平均实际炉重为137.212吨,平均偏差为0.69吨;结合启发式和蚁群优化的协同方法的组炉方案的平均实际炉重为137.052吨,平均偏差为0.38吨。可以看出,当一个浇次的炉数较大(超过10)时,与并行蚁群算法相比,结合启发式和蚁群优化的协同方法能组出更靠近标准炉重的解,且平均偏差也较小。就工作效率而言,人工对本实例进行组炉,2个人需要同时工作半天,而本智能组炉组浇装置仅需要20多秒就能完成。
表5某厂2013年5月的该发明的智能组炉组浇装置组20炉的数据表
Claims (6)
1.一种智能出钢材组炉组浇装置,其特征在于:它包括操作终端(1)、智能组炉组浇设计器(2)和多核计算机(4);操作终端(1)通过网络接口(5)与多核计算机(4)连接,智能组炉组浇设计器(2)通过机器接口(3)与多核计算机(4)连接;所述多核计算机(4)包括输入输出处理机在内的多核计算机处理单元和缓存单元,所述智能组炉组浇设计器(2)包括规则存储单元、引导程序单元和智能出钢材组炉组浇设计单元;其中,
(a)操作终端(1):通过网络接口(5)电性连接于多核计算机(4)的输入输出处理机,用于接收使用者输入的指令,并显示组炉组浇方案;
(b)多核计算机(4)的缓存单元:通过总线电性连接于多核计算机(4)的输入输出处理机,用于存储虚拟板坯记录和每浇次的每炉次各炉的组炉方案;
(c)多核计算机(4)的输入输出处理机:通过网络接口(5)电性连接于操作终端(1),从多核计算机(4)的缓存单元和智能组炉组浇设计器(2)中的规则存储单元分别读入虚拟板坯记录和规则信息,并将读入的虚拟板坯记录按虚拟板坯长度降序排列;
(d)智能组炉组浇设计器(2):通过机器接口(3)电性连接于多核计算机(4)的输入输出处理机,对虚拟板坯记录按它的规则存储单元中的规则信息,进行组炉组浇设计,得到每浇次的每炉次各炉的最优组炉方案;将每浇次的每炉次各炉的最优组炉方案按组炉方案表传送给多核计算机(4)的缓存单元进行存储;以及使用者通过终端操作在操作终端(1)显示该每浇次的每炉次各炉的组炉方案。
2.一种基于权利要求1所述的智能出钢材组炉组浇装置的智能组炉组浇方法,其特征在于包括如下步骤:
(a)接收指令步骤:从操作终端(1)接收使用者输入的指令到多核计算机(4)的输入输出处理机;
(b)读入数据步骤:多核计算机(4)中的输入输出处理机从多核计算机(4)中的缓存单元和智能组炉组浇设计器(2)中的规则存储单元分别读入虚拟板坯记录及其配置的规则信息,并将虚拟板坯记录并按板坯长降序排列;
(c)优化组炉方案步骤:多核计算机(4)中的多核计算机处理单元对分浇次和炉次后的各炉次虚拟板坯记录优化出最优组炉方案;
(d)优化组炉方案存储及显示步骤:多核计算机(4)中的输入输出处理机将每浇次的每炉次各炉的最优组炉方案按组炉方案表传送给多核计算机(4)的缓存单元进行存储;使用者在操作终端(1)上,对每浇次的每炉次各炉的最优组炉方案进行显示并确认。
3.根据权利要求2所述的智能组炉组浇方法,其特征在于:所述步骤(c)的优化组炉方案具体包括如下步骤:
①将虚拟板坯集按断面分浇次,每浇次虚拟板坯按照内部钢种和产线以及配置的工艺路径分炉次;
②通过优化计算对每浇次的每炉次的虚拟板坯集分配到给定数量的炉中,得到每炉次各炉的最优组炉方案;
③对每炉次各炉虚拟板坯集按虚拟板坯的板坯长、外部牌号、到站港和交货期进行排序得到各炉的最终组炉方案。
4.根据权利要求3所述的智能组炉组浇方法,其特征在于:步骤②所述优化计算是:采用结合启发式搜索和蚁群优化的协同优化方法将每一炉次的虚拟板坯集按规则存储单元中的规则分配到给定数量的炉中;且每炉炉重应该尽量靠近标准炉重,即每炉炉重与标准重的偏差在允许范围内,所有炉的总偏差尽量小,且开停浇炉尽量不组带探伤和过厚的虚拟板坯。
5.根据权利要求4所述的智能组炉组浇方法,其特征在于:所述采用结合启发式搜索和蚁群优化的协同优化方法按规则进行组炉,其协同包括两个方面,一方面是启发式搜索和蚁群优化的协同;另一个方面是多种群蚁群优化的协同,包括如下步骤:
对一炉次的炉数大于给定规模的虚拟板坯组炉问题,先采用启发式搜索组掉若干炉,它通过回溯遍历给定的虚拟板坯集得到每炉的最佳组炉方案;再用多种群协同蚁群优化对剩余的虚拟板坯一次性分配到给定规模的炉中;多种群协同蚁群优化方法设定蚁群数,每个蚁群的人工蚂蚁个数和初始化信息素矩阵,对每炉次余下的虚拟板坯集,每只人工蚂蚁对剩余虚拟板坯用赌轮选择逐块确定能容纳该虚拟板坯的炉号并将该虚拟板坯添加到该炉中,得到该人工蚂蚁的组炉方案;对各人工蚂蚁的组炉方案通过给定的目标函数评价,并与已获得的最佳组炉方案比较得到目前最佳组炉方案,并更新信息素矩阵;每隔若干代各蚁群之间更新最佳组炉方案,通过该人工蚁群的给定代数寻优,多蚁群搜索出该炉次的最优组炉方案。
6.根据权利要求5所述的智能组炉组浇方法,其特征在于:每只人工蚂蚁逐块确定剩余板虚拟坯集中虚拟板坯所放炉号,虚拟板坯i放到炉号j的赌轮选择概率Pi,j由式(1)计算:
用于衡量组炉方案优劣的目标函数为式(2):
式(3)和(4)中,i=1,2,…,n,j=1,2,…,m,Q是一个常量,是挥发因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310236297.7A CN103293951B (zh) | 2013-06-14 | 2013-06-14 | 一种智能出钢材组炉组浇装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310236297.7A CN103293951B (zh) | 2013-06-14 | 2013-06-14 | 一种智能出钢材组炉组浇装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103293951A CN103293951A (zh) | 2013-09-11 |
CN103293951B true CN103293951B (zh) | 2015-07-29 |
Family
ID=49095025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310236297.7A Active CN103293951B (zh) | 2013-06-14 | 2013-06-14 | 一种智能出钢材组炉组浇装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103293951B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325623B (zh) * | 2018-09-27 | 2021-12-31 | 湘潭大学 | 订单配置与组板组坯虚拟板坯整体方案优化装置及方法 |
CN110276545B (zh) * | 2019-06-18 | 2023-05-05 | 湘潭大学 | 钢铁企业自适应设备的中厚板坯料设计装置与方法 |
CN112712246B (zh) * | 2020-12-25 | 2023-02-21 | 包头钢铁(集团)有限责任公司 | 一种掉队板坯集中组批生产的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5727127A (en) * | 1995-03-09 | 1998-03-10 | Siemans Atkiengesellschaft | Method for controlling a primary industry plant of the processing industry |
CN1885328A (zh) * | 2006-06-20 | 2006-12-27 | 东北大学 | 一种炼钢-连铸中间包批量计划方法及系统 |
CN103020767A (zh) * | 2012-12-11 | 2013-04-03 | 湘潭大学 | 智能出钢材组坯方法及其装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002167612A (ja) * | 2000-11-30 | 2002-06-11 | Kawasaki Steel Corp | 製銑・製鋼工場における温度・成分の最適制御方法 |
-
2013
- 2013-06-14 CN CN201310236297.7A patent/CN103293951B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5727127A (en) * | 1995-03-09 | 1998-03-10 | Siemans Atkiengesellschaft | Method for controlling a primary industry plant of the processing industry |
CN1885328A (zh) * | 2006-06-20 | 2006-12-27 | 东北大学 | 一种炼钢-连铸中间包批量计划方法及系统 |
CN103020767A (zh) * | 2012-12-11 | 2013-04-03 | 湘潭大学 | 智能出钢材组坯方法及其装置 |
Non-Patent Citations (2)
Title |
---|
蚁群优化方法在"炼钢-连铸-热轧"集成调度中的应用;朱耀佳等;《冶金自动化2007年增刊S2》;20071231;全文 * |
钢铁厂生产合同剩余量的组炉问题及两阶段求解算法;王秀英等;《1997中国控制与决策学术年会论文集》;19971231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103293951A (zh) | 2013-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301473B (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
Wang et al. | Bi-objective identical parallel machine scheduling to minimize total energy consumption and makespan | |
CN106202431B (zh) | 一种基于机器学习的Hadoop参数自动调优方法及系统 | |
Mendoza et al. | NSGA and SPEA applied to multiobjective design of power distribution systems | |
CN110046865B (zh) | 分布式库存调度方法 | |
CN104798043B (zh) | 一种数据处理方法和计算机系统 | |
CN103293951B (zh) | 一种智能出钢材组炉组浇装置及方法 | |
CN115600774B (zh) | 一种装配式建筑构件产线的多目标生产调度优化方法 | |
CN106022474A (zh) | 一种可重构装配线平衡优化方法 | |
CN102521706A (zh) | Kpi 数据的分析方法及装置 | |
CN104252652A (zh) | 电力系统中空间负荷预测方法 | |
Saeidi et al. | A multi-objective genetic algorithm for solving cell formation problem using a fuzzy goal programming approach | |
CN103336433A (zh) | 基于反步法的混合自适应预测控制系统及其预测控制方法 | |
CN107402926A (zh) | 一种查询方法以及查询设备 | |
CN109325623A (zh) | 订单配置与组板组坯虚拟板坯整体方案优化装置及方法 | |
CN110060176A (zh) | 电力物联网智能配电方法、可读存储介质和终端 | |
Wu et al. | Large-scale energy-conscious bi-objective single-machine batch scheduling under time-of-use electricity tariffs via effective iterative heuristics | |
CN109784594A (zh) | 一种售电商可调负荷决策方法及系统 | |
CN105701562A (zh) | 训练方法、所适用的预测发电功率的方法及各自系统 | |
CN103150336B (zh) | 一种基于用户聚类的skyline在线计算方法 | |
CN108983722A (zh) | 一种用于集成电路芯片最终测试的优化调度方法 | |
CN107832983A (zh) | 基于动态规划与遗传算法的铸造熔炼批计划与调度方法 | |
CN111260288A (zh) | 订单管理方法、装置、介质及电子设备 | |
CN110928261A (zh) | 分布式异构流水车间的分布估计调度方法及系统 | |
CN109887545A (zh) | 一种基于云架构的基因数据服务系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |