CN103593719B - 一种基于板坯与合同优化匹配的轧制节能方法 - Google Patents

Abstract

本发明公开了一种基于板坯与合同优化匹配的轧制节能方法，包括:从制造执行系统中读取板坯、合同数据并进行分组处理；基于变邻域和回溯策略的局部搜索算法，获取板坯的合同匹配候选方案列表的集合；基于轧制规程设定计算和BP神经网络计算预测板坯轧制能耗；根据设计成材率与轧制能耗预测值综合评价，搜索板坯的最小轧制能耗合同匹配方案；将板坯的最小轧制能耗合同匹配方案及相应轧制规程发送到制造执行系统，并按之组织轧制生产。本发明提供的方法适用于中厚板钢铁企业的生产管理优化，基于本发明方法所确定的板坯合同匹配关系组织生产，可以降低板坯轧制过程的能耗，提高钢材产品加工的成材率，同时保证钢板自动化切割效率。

Description

一种基于板坯与合同优化匹配的轧制节能方法

技术领域

本发明涉及中厚板轧制过程节能优化，属于钢铁企业生产管理优化领域，特别涉及一种基于板坯与合同优化匹配的轧制节能方法。

背景技术

随着钢铁产业技术升级，钢铁企业的设备改造节能空间越来越小，基于计算机控制的精益生产管理和生产过程控制实现管理节能逐渐成为一个重要研究方向。轧钢是钢铁生产中的高能耗工序之一，轧钢环节管理节能研究的典型成果例如：基于优化算法进行最小能耗轧制规程优化设计。

最小能耗轧制规程优化设计方法原理是：中厚板轧制过程消耗的能源主要是使轧件产生形变所做的变形功，轧制能耗与道次板厚压下量呈非线性关系。通过合理分配各个道次板厚压下量，可在满足设备及工艺约束前提下降低轧机负荷，节约生产能源。该方法的局限在于：轧件原始和目标尺寸一旦确定，受设备、工艺约束以及其它优化目标(例如轧机负荷均衡)的制约，道次板厚压下分配已经相对确定，因此节能实际效果不显著。

作为重要生产管理环节，板坯与合同匹配结果是组织轧钢生产的重要依据。板坯合同匹配的任务是：从库存中挑选合适的板坯，与合同钢板进行必要的特征值校验，建立合理的板坯合同匹配关系。区别于薄板带钢材，中厚板钢材产品订单规格不一、多品种、小批量特点尤为明显，零散合同的大规模统一生产使得在确定板坯合同匹配关系的同时还需同步确定板坯的目标轧制大板组板方案，即合同钢板在轧制大板上的优化排样，以提高钢材产品成材率和钢板切割效率。

钢铁生产中尤为注重成材率指标，基于板坯合同匹配提高钢材产品成材率已成为被钢铁企业常用的生产管理优化方法，然而，板坯合同匹配对轧制能耗的影响在现行钢铁生产中一般未予考虑，基于板坯合同匹配实现轧制节能尚未有专门方法。板坯合同匹配结果直接决定了轧制过程中轧件的原始和目标尺寸，间接决定了轧制规程设计结果，综合考虑成材率与轧制能耗，优选的板坯合同匹配势必能产生较大的轧制节能效果。

发明内容

有鉴于此，针对中厚板生产特点，本发明提供了一种基于板坯与合同优化匹配的轧制节能方法，基于本发明方法所确定的板坯合同匹配关系组织生产，无需改动生产设备和工艺，在保证钢板自动化切割效率的前提下，可以降低板坯轧制过程的能耗，提高钢材产品加工的成材率。

为达此目的，本发明采用的技术方案为：一种基于板坯与合同优化匹配的轧制节能方法，包括以下步骤：

步骤1：从制造执行系统中读取板坯、合同数据并进行分组处理：

当板坯钢种与合同要求的钢种相同，且板坯钢级高于或等于合同要求的钢级，且板坯重量大于合同所要求的重量，且板坯的最大可轧长度、最大可轧宽度大于或等于合同要求的长度和宽度，则将板坯与合同划分到一个分组内；分组处理完毕后，所有分组数据构成一个数据集合D：

D＝{D₁,D₂,…,D_l}，D_g为第g个板坯、合同数据分组，1≤g≤l，l为分组个数；

D_g＝{Mat_g,C_g}，Mat_g为第g个分组中的板坯数据集合，C_g为第g个分组中的合同数据集合；

步骤2：遍历各个数据分组，对数据分组D_g采用基于变邻域和回溯策略的局部搜索算法，获取分组中各个板坯的合同匹配候选方案列表的集合S_g：

S_g＝{list₁,list₂,…,list_m}，list_p为D_g中第p个板坯的合同匹配候选方案列表，1≤p≤m，m为D_g中的板坯个数；

list_p＝{s_p1,s_p2,…,s_pn}，s_pi表示list_p中的第i个合同匹配候选方案，1≤i≤n，n为list_p中的候选方案个数；

合同匹配候选方案为十元组：(mat_no,mat_type,mat_len,mat_wid,mat_thick,plate_len,plate_wid,plate_thick,plate_layout,finished_rate)，其中，mat_no为板坯号，mat_type为板坯钢种，mat_len为板坯长度，mat_wid为板坯宽度，mat_thick为板坯厚度，plate_len为轧制大板长度，plate_wid为轧制大板宽度，plate_thick为轧制大板厚度，plate_layout为描述合同匹配候选方案对应轧制大板组板方案的具有a行b列的二维数组：

c_ij为第i行第j列排列的钢板所隶属的合同号，满足如下条件：

$\{\begin{array}{c}{\mathrm{len}}_{ij}={\mathrm{len}}_{kj},\∀i\≠k\\ {\mathrm{wid}}_{ij}={\mathrm{wid}}_{ik},\∀j\≠k\end{array},$

len_ij和wid_ij分别为第i行第j列排列的钢板的长度和宽度；

finished_rate为由合同匹配候选方案所确定的板坯的设计成材率：

$finisghed\_rate=\frac{\underset{i=1}{\overset{a}{\Σ}}\underset{j=1}{\overset{b}{\Σ}}{\mathrm{wt}}_{ij}}{{\mathrm{wt}}_0},$

wt_ij为第i行第j列排列的钢板的重量，wt₀为板坯重量；

步骤3：遍历S_g中各个板坯的合同匹配候选方案列表，基于轧制规程设定计算和BP神经网络计算预测板坯轧制能耗：

步骤3.1：根据合同匹配候选方案的板坯钢种、板坯长度、板坯宽度、板坯厚度，以及轧制大板长度、轧制大板宽度、轧制大板厚度，利用轧钢过程控制代理系统进行轧制规程设定计算，获取轧各个道次轧制参数：机架号、轧件宽度、轧件入口厚度、轧件出口厚度、轧件入口温度和轧制速度；

步骤3.2：利用BP神经网络预测单个道次轧制能耗：BP神经网络包含输入层、隐含层、输出层3层，输入层有7个节点，分别输入单个道次的板坯钢种、机架号、轧件宽度，轧件入口厚度、轧件出口厚度、轧件入口温度和轧制速度，输出层有1个节点，输出单个道次的轧制能耗预测值；

步骤3.3：对各个道次的轧制能耗进行累加，累加结果即为由合同匹配候选方案所确定的板坯轧制能耗预测值；

步骤4：根据设计成材率与轧制能耗预测值综合评价，搜索各个板坯的最小轧制能耗合同匹配方案；

针对S_g中第p个板坯，执行步骤4的具体步骤是：

步骤4.1：遍历S_g中第p个板坯的合同匹配候选方案列表list_p，根据函数f(s_pi,s_pj)进行设计成材率与轧制能耗预测值综合评价，搜索板坯的最小轧制能耗合同匹配方案s_min；

对任意合同匹配候选方案s_pi和s_pj，根据函数f(s_pi,s_pj)进行综合评价的依据是：

(1)如果f(s_pi,s_pj)＞0，则选择s_pj为较小轧制能耗合同匹配方案；

(2)如果f(s_pi,s_pj)＝0，则任意选择s_pj或s_pi为较小轧制能耗合同匹配方案；

(3)如果f(s_pi,s_pj)＜0，则选择s_pi为较小轧制能耗合同匹配方案；

其中：

$f(s_{pi},s_{pj})=\{\begin{array}{cc}{A}_{avg}\·{\mathrm{wt}}_0\·(e_j-e_i),& \left|e_j-e_i\right|>{\mathrm{\ϵ}}_0\\ (A_i-A_j)-A_{avg}\·{\mathrm{wt}}_0\·(e_j-e_i)-{\mathrm{wt}}_0\·{\mathrm{\ϵ}}_1,& \left|e_j-e_i\right|\≤{\mathrm{\ϵ}}_0\end{array},$

e_i与e_j分别为由s_pi和s_pj所确定的板坯设计成材率；ε₀为设计成材率差值阈值；A_avg为吨钢综合能耗，单位为kgce/t；wt₀为板坯重量，单位为t；A_i与A_j分别为s_pi和s_pj对应板坯的轧制能耗预测值，单位为kgce；ε₁为吨钢轧制能耗差值阈值；

步骤4.2：更新s_min所涉合同的欠量；遍历S_g中第p+1到m个板坯的合同匹配候选方案列表，如果遍历过程中访问的合同匹配候选方案s_cur中有合同包含于s_min所涉合同，且s_cur中所需的该合同钢板数量大于该合同的欠量，则在候选方案列表中删除s_cur；

步骤4.3：保存板坯的最小轧制能耗合同匹配方案s_min，以及由各个道次轧制参数构成的轧制规程参数；

步骤5：将板坯的最小轧制能耗合同匹配方案及轧制规程参数发送到制造执行系统，并按之组织轧制生产。

从上述的技术方案可以看出，本发明公开的一种基于板坯与合同优化匹配的轧制节能方法，首先从制造执行系统中读取板坯、合同数据并进行分组处理，再基于变邻域和回溯策略的局部搜索算法，获取板坯的合同匹配候选方案列表，再基于轧制规程设定计算和BP神经网络计算预测板坯轧制能耗；根据设计成材率与轧制能耗预测值综合评价，搜索板坯的最小轧制能耗合同匹配方案；最后将板坯的最小轧制能耗合同匹配方案及相应轧制规程发送到制造执行系统，并按之组织轧制生产。本发明提供的方法适用于中厚板钢铁企业的生产管理优化，基于本发明方法所确定的板坯合同匹配关系组织生产，可以降低板坯轧制过程的能耗，提高钢材产品加工的成材率，同时保证钢板自动化切割效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明公开的基于板坯与合同优化匹配实现轧制节能的流程图；

图2为本发明相关的轧制大板组板板型；

图3为本发明公开的邻域内基于回溯策略搜索合同匹配候选方案的流程图；

图4为本发明公开的轧制能耗预测BP神经网络结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于板坯与合同优化匹配的轧制节能方法，适用于中厚板钢铁企业的生产管理优化，基于本发明方法所确定的板坯合同匹配关系组织生产，可以降低板坯轧制过程的能耗，提高钢材产品加工的成材率，同时保证钢板自动化切割效率。

如图1所示，一种基于板坯与合同优化匹配的轧制节能方法，包括:

S101、从制造执行系统中读取板坯、合同数据并进行分组处理；

S102、基于变邻域和回溯策略的局部搜索算法，获取板坯的合同匹配候选方案列表的集合；

S103、基于轧制规程设定计算和BP神经网络计算预测板坯轧制能耗；

S104、根据设计成材率与轧制能耗预测值综合评价，搜索板坯的最小轧制能耗合同匹配方案；

S105、将板坯的最小轧制能耗合同匹配方案及相应轧制规程发送到制造执行系统，并按之组织轧制生产。

具体的，步骤S101具体为：

当板坯钢种与合同要求的钢种相同，且板坯钢级高于或等于合同要求的钢级，且板坯重量大于合同所要求的重量，且板坯的最大可轧长度、最大可轧宽度大于或等于合同要求的长度和宽度，则将板坯与合同划分到一个分组内；分组处理完毕后，所有分组数据构成一个数据集合D：

D＝{D₁,D₂,…,D_l}，D_g为第g个板坯、合同数据分组，1≤g≤l，l为分组个数；

D_g＝{Mat_g,C_g}，Mat_g为第g个分组中的板坯数据集合，C_g为第g个分组中的合同数据集合。

具体的，步骤S102中板坯的合同匹配候选方案列表集合S_g为：

S_g＝{list₁,list₂,…,list_m}，list_p为D_g中第p个板坯的合同匹配候选方案列表，1≤p≤m，m为D_g中的板坯个数；

list_p＝{s_p1,s_p2,…,s_pn}，s_pi表示list_p中的第i个合同匹配候选方案，1≤i≤n，n为list_p中的候选方案个数；

合同匹配候选方案为十元组：(mat_no,mat_type,mat_len,mat_wid,mat_thick,plate_len,plate_wid,plate_thick,plate_layout,finished_rate)，其中，mat_no为板坯号，mat_type为板坯钢种，mat_len为板坯长度，mat_wid为板坯宽度，mat_thick为板坯厚度，plate_len为轧制大板长度，plate_wid为轧制大板宽度，plate_thick为轧制大板厚度，plate_layout为描述合同匹配候选方案对应轧制大板组板方案的具有a行b列的二维数组：

c_ij为第i行第j列排列的钢板所隶属的合同号，满足如下条件：

$\{\begin{array}{c}{\mathrm{len}}_{ij}={\mathrm{len}}_{kj},\∀i\≠k\\ {\mathrm{wid}}_{ij}={\mathrm{wid}}_{ik},\∀j\≠k\end{array},$

len_ij和wid_ij分别为第i行第j列排列的钢板的长度和宽度；

finished_rate为由合同匹配候选方案所确定的板坯的设计成材率：

$finished\_rate=\frac{\underset{i=1}{\overset{a}{\Σ}}\underset{j=1}{\overset{b}{\Σ}}{\mathrm{wt}}_{ij}}{{\mathrm{wt}}_0},$

wt_ij为第i行第j列排列的钢板的重量，wt₀为板坯重量。

具体的，步骤S102具体为：

步骤2.1：对D_g内的板坯数据按重量降序排列，合同数据按长度优先、宽度次之升序排列；设mat_gp为Mat_g中的第p个板坯，1≤p≤mat_size，mat_size为Mat_g中的板坯个数；c_gq为C_g中的第q个合同，1≤q≤c_size，c_size为C_g中的合同个数；初始化p＝1，q＝1；

步骤2.2：选择板坯mat_gp；选择合同c_gq，构造合同c_gq的邻域集合NC_gq：初始化NC_gq使其包含合同c_gq；遍历C_g，对任意r(q＜r≤c_size)，如果c_gr的长度等于NC_gq中任意合同的钢板长度，或c_gr的宽度等于NC_gq中任意合同的钢板宽度，则将c_gr并入NC_gq；

步骤2.3：从NC_gq中依次选取轴合同(轧制大板上第1块钢板所属的合同)按照plate_layout二维数组结构从下至上、从右至左进行轧制大板上组板，获取mat_gp对应的轧制大板组板方案，基于轧制大板组板方案构造合同匹配候选方案，更新mat_gp的合同匹配候选方案列表list_p；基于回溯策略搜索基于当前轧制大板组板方案上的更多组板方案，并进一步更新mat_gp的合同匹配候选方案列表list_p；有关该步骤的详细过程如图3所示；

步骤2.4：令q加1，如果q≤c_size，则转步骤2.2；否则转步骤2.5；

步骤2.5：将list_p添加到集合S_g中；令p加1，如果p≤mat_size，则令q＝1并转步骤2.2；否则板坯合同匹配候选方案搜索结束，输出板坯的合同匹配候选方案列表集合S_g。

具体的，步骤S103具体为：

步骤3.1：根据合同匹配候选方案的板坯钢种、板坯长度、板坯宽度、板坯厚度，以及轧制大板长度、轧制大板宽度、轧制大板厚度，利用轧钢过程控制代理系统进行轧制规程设定计算，获取轧各个道次轧制参数：机架号、轧件宽度、轧件入口厚度、轧件出口厚度、轧件入口温度和轧制速度；

步骤3.2：利用BP神经网络预测单个道次轧制能耗：BP神经网络包含输入层、隐含层、输出层3层，输入层有7个节点，分别输入单个道次的板坯钢种、机架号、轧件宽度，轧件入口厚度、轧件出口厚度、轧件入口温度和轧制速度，输出层有1个节点，输出单个道次的轧制能耗预测值；

步骤3.3：对各个道次的轧制能耗进行累加，累加结果即为由合同匹配候选方案所确定的板坯轧制能耗预测值。

具体的，步骤S104具体为：

针对S_g中第p个板坯，执行步骤4的具体步骤是：

步骤4.1：遍历S_g中第p个板坯的合同匹配候选方案列表list_p，根据函数f(s_pi,s_pj)进行设计成材率与轧制能耗预测值综合评价，搜索板坯的最小轧制能耗合同匹配方案s_min；

对任意合同匹配候选方案s_pi和s_pj，根据函数f(s_pi,s_pj)进行综合评价的依据是：

(1)如果f(s_pi,s_pj)＞0，则选择s_pj为较小轧制能耗合同匹配方案；

(2)如果f(s_pi,s_pj)＝0，则任意选择s_pj或s_pi为较小轧制能耗合同匹配方案；

(3)如果f(s_pi,s_pj)＜0，则选择s_pi为较小轧制能耗合同匹配方案；

其中：

$f(s_{pi},s_{pj})=\{\begin{array}{cc}{A}_{avg}\·{\mathrm{wt}}_0\·(e_j-e_i),& \left|e_j-e_i\right|>{\mathrm{\ϵ}}_0\\ (A_i-A_j)-A_{avg}\·{\mathrm{wt}}_0\·(e_j-e_i)-{\mathrm{wt}}_0\·{\mathrm{\ϵ}}_1,& \left|e_j-e_i\right|\≤{\mathrm{\ϵ}}_0\end{array},$

e_i与e_j分别为s_pi和s_pj对应板坯的设计成材率；ε₀为设计成材率差值阈值，本实施例中设定为0.001；A_avg为吨钢综合能耗，单位为kgce/t；w为板坯重量，单位为t；A_i与A_j分别为s_pi和s_pj对应板坯的轧制能耗预测值，单位为kgce；ε₁为吨钢轧制能耗差值阈值，本实施例中设定为0.1；

本发明中引入设计成材率差值阈值ε₀在于：成材率是钢铁生产中的重要指标，有较高参考优先级，同时钢铁生产轧前工序已消耗大量能源，在衡量轧制能耗时需考虑成材率降低对轧前工序能耗的浪费。为此，对于合同匹配候选方案的设计成材率差值大于ε₀的，综合评价函数f(s_pi,s_pj)的计算仅考虑成材率因素，而对于设计成材率差值小于等于ε₀的，f(s_pi,s_pj)计算过程中综合考虑设计成材率与轧制能耗预测值；

引入吨钢轧制能耗差值阈值ε₁在于：考虑神经网络轧制能耗预测精度以及实际轧制过程中的扰动因素，实际轧制能耗与预测值之间存在一定误差，很小的能耗差值不一定具有实际意义，通过ε₁限制轧制能耗评价的敏感度；

步骤4.2：更新s_min所涉合同的欠量；遍历S_g中第p+1到m个板坯的合同匹配候选方案列表，如果遍历过程中访问的合同匹配候选方案s_cur中有合同包含于s_min所涉合同，且s_cur中所需的该合同钢板数量大于该合同的欠量，则在候选方案列表中删除s_cur；

步骤4.3：保存板坯的最小轧制能耗合同匹配方案s_min，以及由各个道次轧制参数构成的轧制规程参数。

如图2所示，为本发明相关的轧制大板组板板型，即合同钢板在轧制大板上的排样方式。排样以便于自动化切割和提高切割效率为基本原则。图2中a)所示是不带剖分的A1板型，其特点为母板上的所有子板都是同厚、同宽、但可以异长；b)所示是不带剖分的A2板型，其特点是母板上的子板是同厚、异宽、可异长；c)所示是带剖分的S1板型，其特点是母板上的所有子板是同厚同宽同长；d)所示是带剖分的S2板型，其特点为母板上的所有子板是同厚、同宽、异长、宽度方向二块同宽，201所示为宽度方向的切分线，202所示为长度方向剖分线；e)所示是带剖分的S7板型，其特点为同厚、上下小板异宽、同长(宽度方向二块不等宽但等长)、固定侧(第1层)钢板较移动侧(第2层)宽，固定侧、移动侧所有小板同宽，即长度和宽度方向都可以进行调整；f)所示是一种最灵活的板型，其特点是可以进行合同钢板的任意组合，实际生产中因其切割线不能满足一刀切要求需采用离线火切而较少采用，本发明方法暂不考虑该种板型。

如图3所示，为本发明公开的邻域内基于回溯策略搜索板坯的合同匹配候选方案的流程图。如图3中步骤301所示，对于板坯mat_gp，令邻域合同集合NC_gq中轴合同索引号K＝1，轴合同即为轧制大板上第1块钢板所属的合同，令当前合同索引号J＝1；步骤302为构造轧制大板，并在轧制大板上放置1块轴合同钢板，通过步骤303判断K是否超出最大合同索引号，如超出表示已经尝试用邻域内排序最后的合同作为轴合同，整个搜索过程结束；否则通过步骤304判断J是否超出最大合同索引号，如未超出则通过步骤305判断使用当前合同的钢板进行布局填充是否满足组板约束条件，即：

$\{\begin{array}{c}{\mathrm{len}}_{ij}={\mathrm{len}}_{kj},\∀i\≠k\\ {\mathrm{wid}}_{ij}={\mathrm{wid}}_{ik},\∀j\≠k\end{array},$

len_ij和wid_ij分别为轧制大板上第i行第j列排列的钢板的长度和宽度，以上约束条件表示同一列钢板长度相同，同一行钢板宽度相同；

步骤305判断如满足，则执行步骤306在虚拟轧制大板上按填充顺序(从下至上，从左至右)放置1个第J号合同钢板；放置完毕后通过步骤307判断轧制大板尺寸是否小于板坯最大可轧尺寸，即轧制大板长度和宽度是否同时小于板坯最大可轧的长度和宽度；如步骤307判断不成立则转步骤310，如成立则通过步骤308判断第J号合同欠量，如欠量足够则循环执行步骤306放置第J号合同钢板，如欠量不足则转至步骤309判断当前填充列，亦即最后一列是否填满，如果填满则转步骤312，如果未填满则通过步骤311判断第J号与第J+1号合同尺寸是否一致，不一致则执行步骤310清除虚拟大板上最后一列的合同钢板并转步骤312，一致则直接转步骤312；步骤312为基于当前轧制大板组板方案构造合同匹配候选方案九元组，通过步骤313判断由所构造的合同匹配候选方案确定的设计成材率是否大于设计成材率阈值，如果不大于则转至步骤319令J加1后转步骤304，否则通过步骤314判断候选方案数是否小于候选方案数阈值(本方法中设定为30)，如果小于则通过步骤315在合同匹配候选方案列表list_p中追加当前合同匹配候选方案并转步骤316，否则直接转步骤316；步骤316判断当前构造的合同匹配候选方案成材率是否优于候选方案列表中某个方案，如果是则通过步骤317用当前构造的合同匹配候选方案替换list_p中成材率较低的方案并转步骤319，否则直接转步骤319；步骤304判断如果J超出最大合同索引号，则转至步骤320，在轧制大板上去除当前合同的所有钢板开始回溯：令J为当前去除合同的索引号，执行步骤321判断K是否等于J，如果不等于则执行步骤322令K加1并跳转至步骤304，如果等于表示已回溯到轴合同，即逐步回溯已经结束，则执行步骤318，令K＝K+1，J＝K，跳转至步骤302，基于新的轴合同重新开始搜索过程；整个搜索过程结束的条件是步骤303中K超出最大合同索引号的判断成立，这表示邻域结构内所有合同均已尝试作为轴合同。

下面以某板坯号为A20734950900的板坯为例，对本发明方法的核心思想，即如何预测板坯合同匹配方案的轧制能耗并选择最佳的合同匹配方案，作进一步的详细实例介绍。

1、针对板坯A20734950900，通过本发明方法中基于变邻域和回溯策略的局部搜索算法，获得该板坯的两个合同匹配候选方案，相关信息如表1所示。其中，轧制大板具体组板方案不涉及后述部分的阐述，故略去。

表1板坯的合同匹配候选方案

2、基于轧制规程设定计算和BP神经网络计算预测板坯轧制能耗；

第一步，根据合同匹配候选方案的板坯钢种、板坯长度、板坯宽度、板坯厚度，以及轧制大板长度、轧制大板宽度、轧制大板厚度，利用轧钢过程控制代理系统进行轧制规程设定计算，轧钢过程控制代理系统通过与轧钢过程控制系统交互完成实际计算，并返回计算结果，获取轧各个道次轧制参数：机架号、轧件宽度、轧件入口厚度、轧件出口厚度、轧件入口温度和轧制速度；

两种合同匹配候选方案的相关计算结果如表2所示：

表2轧制规程设定结果

第二步，根据轧制规程设定计算结果，利用BP神经网络预测各个道次的轧制能耗；

图4为本发明中的轧制能耗预测BP神经网络结构图，该结构神经网络包括输入层、隐含层、输出层三层，各层之间采用全连接，隐含层节点和输出层节点激活函数采用sigmoid函数，即：

$f\left(x\right)=\frac{1}{1-e^{-x}}$

输入层包含7个输入节点，分别输入单个道次的板坯钢种(M_t)、机架号(S_n)、轧件宽度(B)、轧件入口厚度(h₀)、轧件出口厚度(h)、轧件入口温度(T)、轧制速度(v)，输出层包含1个轧制能耗输出节点(A)，输出值为单个道次的轧制能耗预测值。

为提高神经网络收敛速度，对输入数据进行归一化处理：

针对板坯钢种(M_t)的归一化处理方法是：

将所有板坯钢种依次排列得到板坯钢种列表，列表中元素的索引号从1开始，归一化后的板坯钢种(M_t)输入为：

M_t＝index/num

其中index为具体元素在列表中的索引号，num为板坯钢种列表中元素的个数。

本发明方法针对双机架轧机，不同机架S_n的归一化取值为：

对其他各个输入，基于线性函数转换进行归一化处理：

x'＝(x-x_min)/(x_max-x_min)

其中，x为原始输入数据，x_max为输入数据的最大取值，x_min为输入数据的最小取值，x'为归一化处理后的输入数据，范围为[0,1]。

各个输入数据的最大、最小值取值分别为：

表3轧制规程设定及轧制参数预报值

为保证网络训练过程的收敛和抗干扰，针对轧制机组各个机架，使隐含层节点个数在10～30之间变动，采用训练数据进行学习，进行误差和收敛速度对比，误差最小和收敛速度最快的隐含层节点数为最终确定节点数，本方法中隐含节点数定为13。

BP神经网络模型的主要计算公式如下：

(1)隐含层节点的输出公式为：

$y_j=f(\underset{i}{\Σ}{w}_{ij}{p}_i-{\mathrm{\θ}}_j)=f\left({\mathrm{net}}_j\right)=\frac{1}{1-e^{-\left({\mathrm{net}}_j\right)}}$

其中，w_ij为输入层节点i与隐含层节点j的连接权值，p_i为输入层节点i输入值，θ_j为隐含层节点j的阈值，y_j为隐含层节点j的输出；初始化为w_ij及θ_j赋予(-1,1)间的随机值。

(2)输出层节点的计算输出公式为：

$T_k=f(\underset{j}{\Σ}{w}_{ik}{y}_j-{\mathrm{\θ}}_k)=f\left({\mathrm{net}}_k\right)=\frac{1}{1-e^{-\left({\mathrm{net}}_k\right)}}$

其中，w_jk为隐含层节点j与输出层节点k的连接权值，y_j为隐含层节点j输出值，θ_k为输出层节点k的阈值，T_k为输出层节点k的输出；初始化为w_jk及θ_k赋予(-1,1)间的随机值。

(3)网络误差E的计算公式为：

$E=\frac{1}{2}\underset{k}{\Σ}{(T_k-{T^{\′}}_k)}^2$

其中，T_k为节点k的计算输出值，T'_k为节点k的期望输出值。

(4)修正权值。从输出层开始，将误差信号沿连接通路反向传输方向传播，通过修正各个权值，使误差最小，每一层的权值按下述公式调整：

w_ij(t+1)＝w_ij(t)+ηδ_ix_j+a(w_ij(t)-w_ij(t-1))

其中：t表示权值修正的迭代次数，w_ij为节点i与节点j之间的连接权重，η为增益项，也称学习率，本方法中取值0.5；δ_i为节点i的计算误差；x_j为节点j的计算输出值；a为动量因子，也称惯性系数，本方法中取值为0.3。

网络训练阶段，输出层中神经元的输出误差反向传播到前面各层，通过调整不同层节点连接权系数w_ij，使网络的系统均方差E最小(E＜ε,ε为给定误差，本方法中取值为0.001)。

网络训练样本数据来源包括从轧钢过程控制系统采集的轧制过程参数，以及从精确能量计量系统中获取的各个道次机架功耗，具体采集方法是：

从轧钢过程控制系统的轧制过程监测采集系统中，读取各个道次的板坯钢种(M_t)、机架号(S_n)、轧件宽度(B)、轧件入口厚度(h₀)、轧件出口厚度(h)、轧件入口温度(T)、轧制速度(v)7个参数，作为神经网络输入样本；从轧钢厂精确能量计量系统中读取各个道次的轧机用电量作为神经网络输出样本，如实际工厂中能量计量系统未采集各个道次的轧机用电量，也可在样本数据采集阶段自行测量各机架轧制电机的道次用电量。

针对不同板坯钢种，按以上方法获取适量训练样本，采用前述神经网络计算公式进行神经网络训练，直至神经网络能耗预测值与实际测量值误差保持在允许范围内。

将表2中各个道次轧制参数作为输入，通过图4所示结构的BP神经网络进行计算，神经网络输出值即为各个道次轧制能耗预测值。

第三步，对各个道次的轧制能耗进行累加，累加结果即为由合同匹配候选方案所确定的板坯轧制能耗预测值。

各个道次部分关键轧制参数值及轧制能耗预测值如表4所示：

表4轧制能耗预测

3、根据设计成材率与轧制能耗预测值综合评价，搜索各个板坯的最小轧制能耗合同匹配方案；

选择板坯A20734950900的最小轧制能耗合同匹配方案s_min的具体步骤是：

第一步：遍历板坯A20734950900的合同匹配候选方案列表，对任意索引号为i和j的合同匹配候选方案s_pi和s_pj，根据设计成材率与轧制能耗预测值综合评价函数f(s_pi,s_pj)的计算结果进行综合评价：

本例中，具体合同匹配候选方案为s₁和s₂，依据函数f(s_i,s_j)的计算结果进行设计成材率和轧制能耗预测值综合评价；

设计成材率与轧制能耗预测值综合评价函数f(s_i,s_j)的具体形式为：

$f(s_{pi},s_{pj})=\left\{\begin{array}{cc}{A}_{avg}\·{\mathrm{wt}}_0\·(e_j-e_i),& \left|e_j-e_i\right|>{\mathrm{\ϵ}}_0\\ (A_i-A_j)-A_{avg}\·{\mathrm{wt}}_0\·(e_j-e_i)-{\mathrm{wt}}_0\·{\mathrm{\ϵ}}_1,& \left|e_j-e_i\right|\≤{\mathrm{\ϵ}}_0\end{array}\right.$

本例中，板坯重量wt₀为16.367t；板坯合同匹配方案s₁和s₂的设计成材率e₁和e₂计算结果分别为0.9650与0.9649；吨钢综合能耗A_avg为620kgce/t；设计成材率差值阈值ε₀设定为0.001；吨钢轧制能耗差值阈值ε₁设定为0.1。

因为|e₂-e₁|＝0.0001≤0.0005，所以有：

f(s_i,s_j)＝(A_i-A_j)-A_pre·wt₀·(e_i-e_j)-wt₀·ε₁

轧制能耗预测值分别为1222.17kwh与1174.25kwh，根据热值折标计算将能耗预测值单位折算为标准煤：

1kWh＝1000W*3600s＝1000*J/s*3600s＝3600kJ＝860kcal＝0.1229kgce

因此s₁和s₂轧制能耗预测值分别为150.21kgce和144.32kgce；

所以：

f(s₁,s₂)＝(A₁-A₂)-A_pre·wt₀·(e₁-e₂)-wt₀·ε₁

＝(150.21-144.32)-620×16.367×(0.9650-0.9649)-16.367×0.1

＝5.89-1.0149-1.6367

＝3.2384

依据f(s_i,s_j)进行综合评价的具体判据是：：

(1)如果f(s_i,s_j)大于0，则选择方案s_j作为s_best；

(2)如果f(s_i,s_j)等于0，则任意选择s_j或s_i作为s_best；

(3)如果f(s_i,s_j)小于0，则选择方案s_i作为s_best；

本例中，f(s₁,s₂)＝3.2384＞0，根据判据第(1)条，板坯A20734950900的最小轧制能耗合同匹配方案s_min为s₂；

第二步：更新s₂所包含的合同钢板的欠量；遍历板坯A20734950900后的其他板坯的合同匹配候选方案列表，如果遍历过程中访问的合同匹配候选方案s_cur中有合同包含于s_min所涉合同，且s_cur中所需的该合同钢板数量大于该合同的欠量，则在候选方案列表中删除s_cur；

第三步：保存板坯A20734950900的最小轧制能耗合同匹配方案s₂，以及由各个道次轧制参数构成的轧制规程参数；

3、将板坯A20734950900的最小轧制能耗合同匹配方案s₂及表2中的轧制规程参数发送到制造执行系统，并按之组织轧制生产。

Claims (1)

1.一种基于板坯与合同优化匹配的轧制节能方法，包括以下步骤：

步骤1：从制造执行系统中读取板坯、合同数据并进行分组处理：

当板坯钢种与合同要求的钢种相同，且板坯钢级高于或等于合同要求的钢级，且板坯重量大于合同所要求的重量，且板坯的最大可轧长度、最大可轧宽度大于或等于合同要求的长度和宽度，则将板坯与合同划分到一个分组内；分组处理完毕后，所有分组数据构成一个数据集合D：

D＝{D₁，D₂，K，}，D_g为第g个板坯、合同数据分组，1≤g≤，为分组个数；

D_g＝{Mat_g，C_g}，Mat_g为第g个分组中的板坯数据集合，C_g为第g个分组中的合同数据集合；

步骤2：遍历各个数据分组，对数据分组D_g采用基于变邻域和回溯策略的局部搜索算法，获取分组中各个板坯的合同匹配候选方案列表的集合S_g：

S_g＝{list₁，list₂，L，list_m}，list_p为D_g中第p个板坯的合同匹配候选方案列表，1≤p≤m，m为D_g中的板坯个数；

list_p＝{s_p1，s_p2，L，s_pn}，s_pi表示list_p中的第i个合同匹配候选方案，1≤i≤n，n为list_p中的候选方案个数；

合同匹配候选方案为十元组：(mat_no，mat_type，mat_len，mat_wid，mat_thick，plate_len，plate_wid，plate_thick，plate_layout，finished_rate)，其中，mat_no为板坯号，mat_type为板坯钢种，mat_len为板坯长度，mat_wid为板坯宽度，mat_thick为板坯厚度，plate_len为轧制大板长度，plate_wid为轧制大板宽度，plate_thick为轧制大板厚度，plate_layout为描述合同匹配候选方案对应轧制大板组板方案的具有a行b列的二维数组：

c_ij为第i行第j列排列的钢板所隶属的合同号，满足如下条件：

$\left\{\begin{array}{c}{\mathrm{len}}_{\mathrm{ij}}={\mathrm{len}}_{\mathrm{kj}},\∀i\≠k\\ {\mathrm{wid}}_{\mathrm{ij}}={\mathrm{wid}}_{\mathrm{ik}},\∀j\≠k\end{array}\right.,$

len_ij和wid_ij分别为第i行第j列排列的钢板的长度和宽度；

finished_rate为由合同匹配候选方案所确定的板坯的设计成材率：

$\mathrm{finished}\_\mathrm{rate}=\frac{\underset{i=1}{\overset{a}{\mathrm{\Σ}}}\underset{j=1}{\overset{b}{\mathrm{\Σ}}}{\mathrm{wt}}_{\mathrm{ij}}}{{\mathrm{wt}}_0},$

wt_ij为第i行第j列排列的钢板的重量，wt₀为板坯重量；

步骤3：遍历S_g中各个板坯的合同匹配候选方案列表，基于轧制规程设定计算和BP神经网络计算预测板坯轧制能耗：

步骤3.1：根据合同匹配候选方案的板坯钢种、板坯长度、板坯宽度、板坯厚度，以及轧制大板长度、轧制大板宽度、轧制大板厚度，利用轧钢过程控制代理系统进行轧制规程设定计算，获取轧各个道次轧制参数：机架号、轧件宽度、轧件入口厚度、轧件出口厚度、轧件入口温度和轧制速度；

步骤3.2：利用BP神经网络预测单个道次轧制能耗：BP神经网络包含输入层、隐含层、输出层3层，输入层有7个节点，分别输入单个道次的板坯钢种、机架号、轧件宽度，轧件入口厚度、轧件出口厚度、轧件入口温度和轧制速度，输出层有1个节点，输出单个道次的轧制能耗预测值；

步骤3.3：对各个道次的轧制能耗进行累加，累加结果即为由合同匹配候选方案所确定的板坯轧制能耗预测值；

步骤4：根据设计成材率与轧制能耗预测值综合评价，搜索各个板坯的最小轧制能耗合同匹配方案；

针对S_g中第p个板坯，执行步骤4的具体步骤是：

步骤4.1：遍历S_g中第p个板坯的合同匹配候选方案列表list_p，根据函数f(s_pi，s_pj)进行设计成材率与轧制能耗预测值综合评价，搜索板坯的最小轧制能耗合同匹配方案s_min；

对任意合同匹配候选方案s_pi和s_pj，根据函数f(s_pi，s_pj)进行综合评价的依据是：

(1)如果f(s_pi，s_pj)＞0，则选择s_pj为较小轧制能耗合同匹配方案；

(2)如果f(s_pi，s_pj)＝0，则任意选择s_pj或s_pi为较小轧制能耗合同匹配方案；

(3)如果f(s_pi，s_pj)＜0，则选择s_pi为较小轧制能耗合同匹配方案；

其中：

$f(s_{\mathrm{pi}},s_{\mathrm{pj}})=\left\{\begin{array}{cc}{A}_{\mathrm{avg}}\·{\mathrm{wt}}_0\·(e_j-e_i),& {|e}_j-e_i|>{\mathrm{\ϵ}}_0\\ (A_i-A_j)-A_{\mathrm{avg}}\·{\mathrm{wt}}_0\·(e_j-e_i)-{\mathrm{wt}}_0\·{\mathrm{\ϵ}}_1,& |e_j-e_i|\≤{\mathrm{\ϵ}}_0\end{array}\right.,$

e_i与e_j分别为由s_pi和s_pj所确定的板坯设计成材率；ε₀为设计成材率差值阈值；A_avg为吨钢综合能耗，单位为kgce/t；wt₀为板坯重量，单位为t；A_i与A_j分别为s_pi和s_pj对应板坯的轧制能耗预测值，单位为kgce；ε₁为吨钢轧制能耗差值阈值；

步骤4.2：更新s_min所涉合同的欠量；遍历S_g中第p+1到m个板坯的合同匹配候选方案列表，如果遍历过程中访问的合同匹配候选方案s_cur中有合同包含于s_min所涉合同，且s_cur中所需的该合同钢板数量大于该合同的欠量，则在候选方案列表中删除s_cur；

步骤4.3：保存板坯的最小轧制能耗合同匹配方案s_min，以及由各个道次轧制参数构成的轧制规程参数；

步骤5：将板坯的最小轧制能耗合同匹配方案及轧制规程参数发送到制造执行系统，并按之组织轧制生产。