CN105117801A - 基于智能算法的轮胎成型-硫化生产能耗实时优化方法 - Google Patents

Abstract

本发明公开了一种基于智能算法的轮胎成型-硫化生产能耗实时优化方法，本发明致力于通过在成型及硫化车间有效布置数据采集设备，获取车间生产能耗数据以及实时生产状况，结合历史能耗数据建立生产加工系统能耗模型；将成型和硫化两道工序抽象成一种柔性流水车间调度问题，对机器和工件进行编码，进而采用智能算法对工序进行合理调度，得到具有最优适应度的可行解。

Description

基于智能算法的轮胎成型-硫化生产能耗实时优化方法

技术领域

本发明涉及车间生产能耗实时优化方法，具体涉及基于智能算法的轮胎成型-硫化生产能耗实时优化方法。

背景技术

近年来，全球能源需求急剧增加，能源价格不断攀升，人们的环保意识逐步提升，促使“低碳经济”成为我国制造业发展的重要趋势。轮胎行业属于传统劳动力、资源以及技术密集的高能耗制造行业，该行业正在逐步以“节能、环保、安全、智能、高效”的产品主导轮胎消费市场，轮胎企业也不断加快调整产品结构和优化升级，实现向低能耗、低污染、低排放为特征的低碳制造模式转变。橡胶轮胎企业生产中，主要有成型和硫化两道生产工序，这两道工序生产集中、约束较多、能源消耗巨大，其调度计划制定的好坏将直接影响整个轮胎生产流程的效率，也将对能耗水平产生巨大影响。

申请号为CN201310299342.3的中国专利申请《一种硫化过程嵌入式碳排放监控与检测系统》通过嵌入式系统实现碳排放监控与检测，申请号为CN201410475461.4的中国专利申请《一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法》基于混合遗传算法对轮胎硫化车间进行能耗优化调度，能够为企业节约能源、降低生产成本；申请号为CN201010621470.1的中国专利申请《轮胎硫化生产控制系统与作业调整》根据硫化生产控制工艺，提出生产在线一体化控制系统与方法，以实现硫化生产的自动化管理；申请号为CN201510084152.9的中国专利申请《考虑费用和时间双目标的柔性综合调度方法》为了解决目前柔性综合调度方法只考虑产品完工时间这一单目标，导致产品生产成本过高的问题，提出一种考虑费用和时间双目标的柔性综合调度方法。

上述的技术方案虽然能够达到优化结果，对能耗优化和生产效益的提升方面起到了巨大的推动作用，但是在实现能耗的实时优化方面还存在以下问题：1)由于缺乏实时能耗信息的全面采集与提取，生产管理者往往不能直接获取实时能耗信息，导致调度依据能耗信息滞后，调度结果难以实现最优。2)优化过程较为复杂，同时求解效率慢，不适于工业化生产。

发明内容

针对上述缺陷，本发明目的在于提供一种基于智能算法的轮胎成型-硫化生产能耗实时优化方法，以实现轮胎生产过程的能效数据采集与能效优化为目标，为高能耗的轮胎产业在生产过程的能效优化决策提供技术支持。在轮胎生产企业中，成型工序和硫化工序作为一个整体进行生产调度，可以有效满足工序之间的匹配要求，成型工序能够考虑硫化计划的下个班次的生产计划，而硫化工序也同样考虑成型工序的生产计划相应调整自身计划，最终达到一个优化的调度方案。

本发明致力于通过在成型及硫化车间有效布置数据采集设备，获取车间生产能耗数据以及实时生产状况，结合历史能耗数据建立生产加工系统能耗模型；将成型和硫化两道工序抽象成一种柔性流水车间调度问题，对机器和工件进行编码，进而采用智能算法对工序进行合理调度，得到具有最优适应度的可行解。

为了达到上述目的，本发明采用如下的技术方案：

基于智能算法的轮胎成型-硫化生产能耗实时优化方法，其特征在于，包括以下步骤：

步骤1：在车间布置数据采集设备、无线传感设备，采集工艺数据以及实时能耗信息，并上传至上层管理系统，具体包括：

步骤2：构件轮胎成型-硫化过程能耗优化调度模型，模型包括两个目标，目标一是总的能耗水平最低；目标二是轮胎总的加权拖期成本最低；目标函数分别如下所示：

目标一：

Min(E_total)＝Min(E_work+E_preheat十E_idle)(1)

其中：

$E_{work}={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}x(i,l)\·{\∫}_0^{t_{work}(i,l)}{e}_{work}(i,l)dt1={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}x(i,l)\·{\∫}_0^{t_{work}(i,l)}{\mathrm{\Σ}}_j^n{e}_{jwork}(i,l)\·p_{j}dt$

$E_{idle}={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}y(i,l)\·{\∫}_0^{t_{idle}(i,l)}{e}_{idle}(i,l)dt={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}y(i,l)\·{\∫}_0^{t_{idle}(i,l)}{\mathrm{\Σ}}_j^n{e}_{jidle}(i,l)\·p_{j}dt$

$E_{preheat}={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}z(i,l)\·{\∫}_0^{t_{preheat}(i,l)}{e}_{preheat}(i,l)dt={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}z(i,l)\·{\∫}_0^{t_{preheat}(i,l)}{\mathrm{\Σ}}_j^n{e}_{jpreheat}(i,l)\·p_{j}dt$

E_work是硫化机正常加工时耗能，E_idle是硫化机闲置等待时耗能，E_preheat是硫化机开机预热的耗能；e_work、e_idle、e_preheat则代表相应状态下瞬时能耗水平；轮胎制造企业作为高耗能企业，消耗多种能源介质，为了便于衡量不同能源介质的能耗，将其统一折算为标准煤，p_j代表第j种能源的折算系数；x(i，l)、y(i，l)、z(i，l)分别代表如下意义：

目标二：

$C_{tardiness}=Min({\mathrm{\Σ}}_{i=1}^N{w}_i\·Max(0,T_i\left)\right)---\left(2\right)$

其中T_i代表第i条轮胎的拖期时间，拖期时间等于轮胎在硫化机上完工时间与对应交货期之间的偏差；

步骤3：针对步骤2中建立的轮胎成型-硫化工序能耗优化调度模型，对加工工件和工序进行矩阵编码，编码方式为：染色体是一个m×3的矩阵，m代表工件数量，3代表成型到硫化三个工序，其中染色体的每一个元素代表工件在相应的工序所处的机器编号；工件在机器上的加工顺序则按FCFS先到先服务规则排序；

步骤4：基于最早交货期规则初始化父代种群，具体为：

首先根据得到每个工件的交货期，k是其中的交货期的宽松系数，k取值越大，交货期越长；T_ij是工件i在机器j上的加工时间，n为机器的总数量；根据工件交货期的大小从小到大排列，结果靠前的工件，在每一阶段，优先分配得到加工时间短的机器；同时，对于规格类似的工件，优先分配到相同的机器；

步骤5：根据步骤S4中初始化的父代种群，随机选择两个父代个体，随机选择交叉点交叉，产生新的子代种群；合并父代和子代组成新的种群；

步骤6：计算步骤5中父代和子代组成的新的种群中各个个体的适应度函数：

$f_i={\left(\frac{E_{total}-E_{\min total}}{E_{\max total}-E_{\min total}}\right)}^2+{\left(\frac{C_{tardiness}-C_{\min tardiness}}{C_{\max tardiness}-C_{\min tardiness}}\right)}^2---\left(3\right)$

其中：

E_maxtotal、E_mintotal初始时分别是群体中目标1的最大最小值，C_maxtardiness、C_mintardiness则分别是目标2的最大最小值；

步骤7：根据步骤6中子代的适应度函数，随机选择两两配对的方式，对子代个体进行竞争，选择适应度高的个体也就是适应度函数值低的个体保留，最后保留下来的子代组成新的群体；

步骤8：构建一个数据仓库，设置容量为Num，当步骤7中子代中个体A的目标1和目标2的值均优于数据仓库中的个体B时，则把A加入数据仓库，并把B从数据仓库中移除，当A已存在时，则不加入；

步骤9：根据步骤8中新的数据仓库，更新目标1、目标2的最大值和最小值，即E_maxtotal、E_mintotal、C_maxtardiness、C_mintardiness的值。

步骤10：将步骤7中得到的个体，以概率Pm进行变异操作，更新得到新的种群；

步骤11：根据步骤10中产生的群体是第几代群体，判断是否满足设定好的结束条件，若满足结束条件，则停止进化，提取数据仓库中的群体，构成两个目标值的帕累托前沿；若不满足结束条件，则返回步骤5继续执行。

作为本发明基于智能算法的轮胎成型-硫化生产能耗实时优化方法的一种改进，所述步骤S1中，具体包括以下步骤：

步骤1.1：数据采集设备按照设定的采样周期，采集到硫化机硫化过程耗能工艺参数；该耗能工艺参数包括电压、蒸汽温度和压力；

步骤1.2：根据步骤1.1采集到的耗能工艺参数计算得到能耗水平，即单位时间能耗；

步骤1.3：分析各个产品工艺时间，由工艺时间乘以单位时间能耗水平，得到单位产品在机器上加工过程中的能源消耗，将能耗数据存入数据库中，并结合步骤1.1中得到的最新工艺数据，更新历史能耗信息，得到精确的能耗信息。

作为本发明基于智能算法的轮胎成型-硫化生产能耗实时优化方法的另一种改进，所述目标二：的数学模型应满足下列约束条件：

(ET_il-ET_istors)≥t_il(4)

(ET_al-ET_bl≥t_al)∪(ET_ak-ET_bk≥t_ak)

(5)

v_store≤V_max(6)

t_store≥K_min(7)

式4表示后一道工序必须在前一道工序完工之后才能开始执行；

式5表示不同规格的轮胎不能同时在一台硫化机/成型机上执行任务；

式6表示成型工序与硫化工序之间，胎胚需要在稳定环境下存放一段时间以达到要求的状态，胎胚的存放容量不能高于V_max；

式7表示胎胚的存放至少需要的时间。

作为本发明基于智能算法的轮胎成型-硫化生产能耗实时优化方法的再一种改进，所述数据采集设备包括电表、温度传感器、压力传感器；所述无线传感设备包括ZigBee以太网无线模块。

总之，本发明与现有技术相比，具有如下的有益效果：

1、本发明基于现有的物联传感技术，通过在车间布置数据采集设备、无线传感设备等，采集工艺数据以及实时能耗信息，并上传至上层管理系统，使得生产过程调度依据更加及时准确。

2、本发明考虑到轮胎生产时成型与硫化工序之间的相互影响关系，将成型-硫化工序的能耗优化问题抽象成一种柔性流水车间调度问题；轮胎生产由于轮胎型号多，各个轮胎生产工艺要求高，约束性强，同时具有高耗能性，使得这类问题很复杂；本发明建立了一个考虑生产拖期成本和能耗成本的双目标优化模型，使企业达到降低综合生产成本的目的。

3、本发明建立了一个多目标优化模型，由于目标之间数量级并不容易确定，因此采用了帕累托最优来解决目标之间平衡问题，并利用一种基于规则的遗传算法求解得到帕累托前沿，该方法流程简单，运行速度快，结果达到了帕累托最优效果。

附图说明

图1是本发明方法的步骤流程图；

图2是本发明方法在计算机仿真结果输出的帕累托解集；

图3是本发明方法仿真时群体中目标1最优结果收敛曲线；

图4是本发明方法仿真时群体中目标2最优结果收敛曲线；

图5是本发明方法仿真时从最优解集中选择一个解得到的调度结果。

具体实施方式

下面结合附图及具体实施例对本发明的技术方案及应用原理作进一步详细、完整的说明：

参照图1，为本实施例中一种基于遗传算法的轮胎成型-硫化生产能耗优化方法步骤流程图，具体实施步骤如下：

步骤1：基于现有的物联传感技术，通过在车间布置数据采集设备、无线传感设备等，采集工艺数据以及实时能耗信息，并上传至上层管理系统，其中，数据采集设备包括电表、温度传感器、压力传感器；无线传感设备包括ZigBee以太网无线模块；具体包括：

步骤1.1：数据采集设备按照设定的采样周期，采集到硫化机硫化过程主要的耗能工艺参数，如电压、蒸汽温度和压力等；

步骤1.2：根据工艺数据计算得到能耗水平，即单位时间能耗，随着时间会出现变化；

步骤1.3：分析各个产品工艺时间，由工艺时间乘以单位时间能耗水平，得到单位产品在机器上加工过程中的能源消耗，将能耗数据存入数据库中，并结合步骤1.1中得到的最新工艺数据，更新历史能耗信息，得到更精确的能耗信息；

步骤2：构件轮胎成型-硫化过程能耗优化调度模型，模型包括两个目标，目标一是总的能耗水平最低；目标二是轮胎总的加权拖期成本最低；目标函数分别如下所示：

目标一：

Min(E_total)＝Min(E_work+E_preheat+E_idle)

(1)

其中： $E_{work}={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}x(i,l)\·{\∫}_0^{t_{work}(i,l)}{e}_{work}(i,l)dt1={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}x(i,l)\·{\∫}_0^{t_{work}(i,l)}{\mathrm{\Σ}}_j^n{e}_{jwork}(i,l)\·p_{j}dt$

$E_{idle}={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}y(i,l)\·{\∫}_0^{t_{idle}(i,l)}{e}_{idle}(i,l)dt={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}y(i,l)\·{\∫}_0^{t_{idle}(i,l)}{\mathrm{\Σ}}_j^n{e}_{jidle}(i,l)\·p_{j}dt$

$E_{preheat}={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}z(i,l)\·{\∫}_0^{t_{preheat}(i,l)}{e}_{preheat}(i,l)dt={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}z(i,l)\·{\∫}_0^{t_{preheat}(i,l)}{\mathrm{\Σ}}_j^n{e}_{jpreheat}(i,l)\·p_{j}dt$

E_work是硫化机正常加工时耗能，E_idle是硫化机闲置等待时耗能，E_preheat是硫化机开机预热的耗能。e_work、e_idle、e_preheat则代表相应状态下瞬时能耗水平；轮胎制造企业作为高耗能企业，消耗多种能源介质，为了便于衡量不同能源介质的能耗，将其统一折算为标准煤，p_j代表第j种能源的折算系数。x(i，l)、y(i，l)、z(i，l)分别代表如下意义：

目标二：

$C_{tardiness}=Min({\mathrm{\Σ}}_{i=1}^N{w}_i\·Max(0,T_i\left)\right)---\left(2\right)$

其中T_i代表第i条轮胎的拖期时间，拖期时间等于轮胎在硫化机上完工时间与对应交货期之间的偏差；

该数学模型应满足下列约束条件：

(ET_il-ET_istore)≥t_il(4)

(ET_al-ET_bl≥t_al)∪(ET_ak-ET_bk≥f_ak)

(5)

v_store≤V_max(6)

t_store≥K_min(7)

式4表示后一道工序必须在前一道工序完工之后才能开始执行；

式5表示不同规格的轮胎不能同时在一台硫化机/成型机上执行任务；

式6表示成型工序与硫化工序之间，胎胚需要在稳定环境下存放一段时间以达到要求的状态，胎胚的存放容量不能高于V_max；

式7表示胎胚的存放至少需要的时间；

为了便于理解，定义了如表1所示的符号及其说明:

表1

步骤3：针对步骤2中建立的轮胎成型-硫化工序能耗优化调度模型，由于成型工序生产的胎胚需要在一种恒温恒压状态下存放一段时间，使胎胚达到特定状态，将存放工序视为一道并行加工工序，机器是一次可以执行一个货架胎胚的批处理机，可同时处理任何规格胎胚，机器数量是按货架数量计算的库存容量；胎胚可以随时放入随时取走，但加工时间需满足最小值，否则不能取走。

成型工序有一步法和二步法，二步法有一次成型机和二次成型机组成，将两台机器看成一个整体。

对加工工件和工序进行矩阵编码，编码方式为：染色体是一个m×3的矩阵，m代表工件数量，3代表成型到硫化三个工序，其中染色体的每一个元素代表工件在相应的工序所处的机器编号。工件在机器上的加工顺序则按FCFS先到先服务规则排序。

编码形式如下：

$X=\left[\begin{array}{ccc}{M}_{l1}& 1& M_{k2}\\ M_{l4}& 3& M_{k1}\\ ...& ...& ...\\ M_{l3}& 2& M_{k5}\end{array}\right]---\left(8\right)$

步骤4：基于最早交货期规则初始化父代种群，具体为：首先根据得到每个工件的交货期，k是其中的交货期的宽松系数，k取值越大，交货期越长；T_ij是工件i在机器j上的加工时间，n为机器的总数量。根据工件交货期的大小从小到大排列，结果靠前的工件，在每一阶段，优先分配得到加工时间短的机器。同时，对于规格类似的工件，优先分配到相同的机器。

步骤5：根据步骤S4中初始化的父代种群，随机选择两个父代个体，随机选择交叉点交叉，产生新的子代种群。合并父代和子代组成新的种群。

步骤6：计算步骤5得到的父代和子代组成新的种群中各个子代个体的适应度函数，由于有两个目标函数，分别为E_total和C_tardiness，两个目标值的数量级并不好确定，利用下面公式计算子代的适应度函数：

$f_i={\left(\frac{E_{total}-E_{\min total}}{E_{\max total}-E_{\min total}}\right)}^2+{\left(\frac{C_{tardiness}-C_{\min tardiness}}{C_{\max tardiness}-C_{\min tardiness}}\right)}^2---\left(3\right)$

其中E_maxtotal、E_mintotal初始时分别是群体中目标1的最大最小值，C_maxtardiness、C_mintardiness则分别是目标2的最大最小值。

步骤7：根据步骤6中子代的适应度函数，随机选择两两配对的方式，对子代个体进行竞争，选择适应度高的个体也就是适应度函数值低的个体保留，最后保留下来的子代组成新的群体。

步骤8：构建一个数据仓库，设置容量为Num，当步骤7中子代中个体A的目标1和目标2的值均优于数据仓库中的个体B时，则把A加入数据仓库，并把B从数据仓库中移除，当A已存在时，则不加入。

步骤9：根据步骤8中新的数据仓库，更新目标1、目标2的最大值和最小值，即E_maxtotal、E_mintotal、C_maxtardiness、C_mintardiness的值。

步骤10：将步骤7中得到的个体，以概率Pm进行变异操作。更新得到新的种群。

步骤11：根据步骤10中产生的群体是第几代群体，判断是否满足设定好的结束条件，若满足结束条件，则停止进化，提取数据仓库中的群体，构成两个目标值的帕累托前沿；若不满足结束条件，则返回步骤5继续执行。

为了验证本发明提出的一种基于智能算法的轮胎成型-硫化生产能耗实时优化方法的有效性，本实施设计了一种仿真案例，在计算机上进行仿真实验，仿真软件版本为MATLABR2012b。

需要输入的数据及参数有各个工序的机器数量、工件数量、工件在各个机器加工时间及能耗水平、各个硫化机在闲置及停机预热的能耗水平、工件之间规格相关度、交货期宽裕度系数、变异概率、成型机换鼓时间、硫化机停机预热需要时间等。

由于轮胎生产过程中，一般是成型机上生产同一型号的胎胚若干条，放于可移动货架上，然后这一批胎胚一同被叉车随同货架配送到硫化机，基本可将这一批货架上的胎胚视为一个工件，而加工时间及耗能则为这批胎胚的总和。取工件数为50件，成型机6台，存放区视为有15台机器，硫化机20台。成型加工时间：先通过t＝round(10*rand(50,1)+12)随机获取50个工件加工时间，再基于此加工时间以round(6*rand(1,6)+t(i)-3)获取每个工件在每一台成型机的加工时间。同理，硫化机硫化时间先以t＝round(100*rand(50,1)+70)获取50个工件一般加工时间，进而通过round(20*rand(1,20)+t(i)-10)获取各工件在每台硫化机加工时间，rand(1)表示随机得到0-1之间的数。交货期宽裕度系数取为3，变异概率取为1.5。选择迭代次数为400次，种群规模100。

参照图2，在仿真软件中运行本发明提出的一种基于智能算法的轮胎成型-硫化生产能耗实时优化方法，最终得到的一系列帕累托最优解集，可以看到，最优解集中能耗成本最低为1.8×10⁴，拖期成本最低为1.385×10⁴。但不存在一个解同时满足两个目标值最优，这些解构成了帕累托前沿。

参照图3以及图4，分别为迭代过程种群中目标1和目标2的最优结果收敛曲线。可知在规定次数呢，拖期成本和能耗成本都达到了最优值，其结果等于最优解集中相应的最小值，进一步验证了得到的帕累托最优解集的有效性及合理性。

参照图5，为本发明提出的一种基于智能算法的轮胎成型-硫化生产能耗实时优化方法仿真得到的最优解集中，选取的一个比较综合的解，绘制的工件加工甘特图，可以看到各工件每道工序所在的机器号，以及工件在机器上的加工。

本发明将轮胎成型-硫化车间能耗优化问题抽象成为一种柔性流水调度问题，轮胎生产由于轮胎型号多，各个轮胎生产工艺要求高，约束性强，同时具有高耗能性，使得这类问题很复杂；本发明建立了一个考虑生产拖期成本和能耗成本的双目标优化模型，基于实时生产能耗信息对生产过程进行实时优化，使企业达到降低综合生产成本的目的，能够为企业节约能源，并保证企业及时交货。

Claims (4)

1.基于智能算法的轮胎成型-硫化生产能耗实时优化方法，其特征在于，包括以下步骤：

步骤1：在车间布置数据采集设备、无线传感设备，采集工艺数据以及实时能耗信息，并上传至上层管理系统；

步骤2：构建轮胎成型-硫化过程能耗优化调度模型，模型包括两个目标，目标一为：总的能耗水平最低；目标二为：轮胎总的加权拖期成本最低；目标函数分别如下所示：

目标一：

Min(E_total)=Min(E_work+E_preheat+E_idle)(1)

其中：

$E_{work}={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}x(i,l)\·{\∫}_0^{t_{work}(i,l)}{e}_{work}(i,l)dt1={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}x(i,l)\·{\∫}_0^{t_{work}(i,l)}{\mathrm{\Σ}}_j^n{e}_{jwork}(i,l)\·p_{j}dt$

$E_{idle}={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}y(i,l)\·{\∫}_0^{t_{idle}(i,l)}{e}_{idle}(i,l)dt={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}y(i,l)\·{\∫}_0^{t_{idle}(i,l)}{\mathrm{\Σ}}_j^n{e}_{jidle}(i,l)\·p_{j}dt$

$E_{preheat}={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}z(i,l)\·{\∫}_0^{t_{preheat}(i,l)}{e}_{preheat}(i,l)dt={\mathrm{\Σ}}_i^N{\mathrm{\Σ}}_l^{N_l}z(i,l)\·{\∫}_0^{t_{preheat}(i,l)}{\mathrm{\Σ}}_j^n{e}_{jpreheat}(i,l)\·p_{j}dt$

E_work是硫化机正常加工时耗能，E_idle是硫化机闲置等待时耗能，E_preheat是硫化机开机预热的耗能；e_work、e_idle、e_preheat则代表相应状态下瞬时能耗水平；p_j代表第j种能源的折算系数；x(i，l)y(i，l)z(i，l)分别代表如下意义：

目标二：

$C_{tardiness}=Min({\mathrm{\Σ}}_{i=1}^N{w}_i\·Max(0,T_i\left)\right)---\left(2\right)$

其中T_i代表第i条轮胎的拖期时间，拖期时间等于轮胎在硫化机上完工时间与对应交货期之间的偏差；

步骤3：针对步骤2中建立的轮胎成型-硫化工序能耗优化调度模型，对加工工件和工序进行矩阵编码，编码方式为：染色体是一个m×3的矩阵，m代表工件数量，3代表成型到硫化三个工序，其中染色体的每一个元素代表工件在相应的工序所处的机器编号；工件在机器上的加工顺序则按FCFS先到先服务规则排序；

步骤4：基于最早交货期规则初始化父代种群，具体为：

首先根据得到每个工件的交货期，k是其中的交货期的宽松系数，k取值越大，交货期越长；T_ij是工件i在机器j上的加工时间，n为机器的总数量；根据工件交货期的大小从小到大排列，结果靠前的工件，在每一阶段，优先分配得到加工时间短的机器；同时，对于规格类似的工件，优先分配到相同的机器；

步骤5：根据步骤S4中初始化的父代种群，随机选择两个父代个体，随机选择交叉点交叉，产生新的子代种群；合并父代和子代组成新的种群；

步骤6：计算步骤5中父代和子代组成的新的种群中各个个体的适应度函数：

$f_i={\left(\frac{E_{total}-E_{\min total}}{E_{\max total}-E_{\min total}}\right)}^2+{\left(\frac{C_{tardiness}-C_{\min tardiness}}{C_{\max tardiness}-C_{\min tardiness}}\right)}^2---\left(3\right)$

其中：

E_maxtotal、E_mintotal初始时分别是群体中目标1的最大最小值，C_maxtardiness、C_mintardiness则分别是目标2的最大最小值；

步骤7：根据步骤6中子代的适应度函数，随机选择两两配对的方式，对子代个体进行竞争，选择适应度高的个体也就是适应度函数值低的个体保留，最后保留下来的子代组成新的群体；

步骤8：构建一个数据仓库，设置容量为Num，当步骤7中子代中个体A的目标1和目标2的值均优于数据仓库中的个体B时，则把A加入数据仓库，并把B从数据仓库中移除，当A已存在时，则不加入；

步骤9：根据步骤8中新的数据仓库，更新目标1、目标2的最大值和最小值，即E_maxtotal、E_mintotal、C_maxtardiness、C_mintardiness的值；

步骤10：将步骤7中得到的个体，以概率Pm进行变异操作，更新得到新的种群；

步骤11：根据步骤10中产生的群体是第几代群体，判断是否满足设定好的结束条件，若满足结束条件，则停止进化，提取数据仓库中的群体，构成两个目标值的帕累托前沿；若不满足结束条件，则返回步骤5继续执行。

2.如权利要求1所述的基于智能算法的轮胎成型-硫化生产能耗实时优化方法，其特征在于，所述步骤S1中，具体包括以下步骤：

步骤1.1：数据采集设备按照设定的采样周期，采集到硫化机硫化过程耗能工艺参数；该耗能工艺参数包括电压、蒸汽温度和压力；

步骤1.2：根据步骤1.1采集到的耗能工艺参数计算得到能耗水平，即单位时间能耗；

步骤1.3：分析各个产品工艺时间，由工艺时间乘以单位时间能耗水平，得到单位产品在机器上加工过程中的能源消耗，将能耗数据存入数据库中，并结合步骤1.1中得到的最新工艺数据，更新历史能耗信息，得到精确的能耗信息。

3.如权利要求1所述的基于智能算法的轮胎成型-硫化生产能耗实时优化方法，其特征在于，所述目标二：的数学模型应满足下列约束条件：

(ET_il-ET_istore)≥t_il

(4)

(ET_al-ET_bl≥t_al)∪(ET_ak-ET_bk≥t_ak)

(5)

v_store≤V_max

(6)

t_store≥K_min

(7)

式4表示后一道工序必须在前一道工序完工之后才能开始执行；

式5表示不同规格的轮胎不能同时在一台硫化机/成型机上执行任务；

式6表示成型工序与硫化工序之间，胎胚需要在稳定环境下存放一段时间以达到要求的状态，胎胚的存放容量不能高于V_max；

式7表示胎胚的存放至少需要的时间。

4.如权利要求1所述的所述的基于智能算法的轮胎成型-硫化生产能耗实时优化方法，其特征在于，所述数据采集设备包括电表、温度传感器、压力传感器；所述无线传感设备包括ZigBee以太网无线模块。