CN112232583B - 基于预报的大宗原燃料汽车的取样组批方法和系统 - Google Patents

Abstract

本发明公开了一种基于预报的大宗原燃料汽车的取样组批方法和系统，涉及信息技术领域所述方法包括：步骤S1：根据车辆到达时间和预计到达时间获取组批对象；步骤S2：根据订单号对组批对象进行分组；步骤S3：选择当前订单号，执行当前订单号下的车辆取样组批流程，生成组批结果；步骤S4：选择下一订单号，以下一订单号为当前订单号，循环执行S3，直至所有订单处理完毕。本发明能够实现当天各个订单的所有车次的全局组批优化，最大限度减少批次数量，节省检化验成本；在车辆到达之前进行组批，车辆到达时，若其所属批次已经通过放行确认，则可以直接入厂，提升了物流控制节奏。

Description

基于预报的大宗原燃料汽车的取样组批方法和系统

技术领域

本发明涉及信息技术领域，尤其涉及一种应用于钢铁企业的基于预报的大宗原燃料的取样组批方法和系统。

背景技术

钢铁生产需要多种原燃料，如铁矿粉、铁合金、燃料和各种辅料等，这些原燃料的质量不仅是制定冶炼生产工艺参数的重要依据，也决定了物料的结算价格。钢铁企业在购入原燃料时，会对进厂的物流车辆进行组批取样，对取样过程有严格的规范。组批的目的是得到一个合理的能代表整体质量的样本。钢铁企业在生产中，往往是根据规范指定的批次重量，取得一定公斤数量的样本，根据化验结果对物料进行定价结算。

目前采用汽车运输的物料在进厂前，需要在停车场等待组批，组批成功后，即可进厂进行称重、取样等动作。随着汽车自动取样机等设备在钢铁企业的应用，如何处理好汽车组批取样，充分提高汽车取样效率，节省检验化验成本，成为各个钢铁企业原料场储运部门亟待解决的问题。

发明内容

有鉴于现有技术的缺陷或不足，本发明的目的是提供一种应用于钢铁企业的大宗原燃料汽车的取样组批方法和系统，用以规范汽车组批进厂流程，对于钢铁企业的大宗原燃料的运输调度有积极作用，同时通过优化得到最优车辆取样组合，可以实现节省检化验成本。

本发明的提出的技术方案是：

一种基于预报的大宗原燃料汽车的取样组批方法，包括：

步骤S1：根据车辆到达时间和预计到达时间获取组批对象；

步骤S2：根据订单号对组批对象进行分组；

步骤S3：选择当前订单号，执行当前订单号下的车辆取样组批流程，生成组批结果；

步骤S4：选择下一订单号，以下一订单号为当前订单号，循环执行S3，直至所有订单处理完毕。

技术效果：本技术方案通过对预计到达车辆进行取样组批车辆预测，能充分提升车辆取样组批效率，减少车辆的等待过程；同时根据订单号对组批对象进行分组解决适用性问题。

进一步的，所述步骤S1具体包括：

设定每日组批时刻；

在每目的组批时刻，获取组批对象：查询发运信息，获得预计到达时间为当天的第一车辆列表，查询物流管理信息，获得在组批时刻前已经到达的并且尚未完成组批的第二车辆列表，将第一车辆列表和第二车辆列表合并成一个集合。

进一步的，所述步骤S3具体包括：

步骤S31：根据当前订单号下的车辆数量和车辆运输的物料的重量，计算可组成批次数量；

步骤S32：建立组批优化模型及其约束条件；

步骤S33：利用遗传算法求解步骤S32中建立的组批优化模型，获得最优批次组合。

技术效果：并通过遗传算法解决每一个订单对应分组的取样组批的最优化问题，从而得到最优化的结果，提高组批效率，降低检验化验成本

进一步的，所述步骤S31具体包括：

令当前订单号下的车辆数量为n，车辆运输的物料的重量为M＝m_i，m₂，…，m_n；

计算可组成批次数量n_p；计算公式如下：

其中M_t为调度人员设定的每个批次的目标组批重量。

技术效果：本技术方案以组批重量为组批取样目标，适用于钢铁等行业的大宗原燃料的应用需求。

进一步的，步骤S32具体包括：：

令X＝{x₁，x₂，…，x_n}表示当前订单号下的n台汽车所属的批次集合，其中x₁，x₂，…，x_n的取值范围为{0，1，...，n_p}.其中xi＝0，表示车辆i不组批；得到如下模型：

其中，Z代表整数，i∈Z|x_i＞0表示满足x_i＞0的所有整数i；

组批优化模型的约束条件如下：

0≤x_i≤n_p，x_i∈Z

i∈{1，2，...，n}

进一步的，步骤S33具体包括：

步骤S331：采用整数编码方式构建基因，编码形式为

X＝[x₁，x₂，…，x_n]

步骤S332：定义适应度函数，公式为

f(X)＝max z

当决策变量X不满足组批优化模型的约束条件(1)时，令f(X)＝0；

步骤S333：根据决策变量X的取值范围，随机初始化种群；

步骤S334：设定最大迭代代数，启动遗传优化过程；

步骤S335：达到最大迭代代数，得到最优组批结果，其中x_i值相同且x_i＞0的车辆即为一批。

技术效果：遗传算法是以决策变量的编码作为运算对象，可以直接对集合、序列、矩阵、树、图等结构对象进行操作，这样的方式有助于模拟生物的基因、染色体和遗传进化的过程，方便遗传操作算子的运用。建立优化模型和约束条件，将遗传算法应用于生产调度领域的取样组批，从而获得最优化后的组批结果。

本发明提出的另一方案是：

一种基于预报的大宗原燃料汽车的取样组批系统，包括：

供应商发运子系统，用于在车辆发车前录入车辆的发运信息；

物流管控子系统，用于管理已到达的车辆信息，并形成物流管理信息；

组批子系统，用于查询发运信息和物流管理信息，获取组批对象，并执行如上所述的基于预报的大宗原燃料汽车的取样组批方法，得到组批结果；

和叫号子系统，用于调度人员根据组批结果，按批次确认放行车辆入厂取样。

技术效果：本系统实现对供应商发货信息的管理，通过查询发运信息(即查询车辆的预计到达时间)和管理已到达车辆信息，提前进行组批预报，在钢铁等行业可有效进行大宗原燃料汽车取样组批管理，提高车辆组批取样效率，降低检验化验成本。

进一步的，所述发运信息，至少包括车号、预计到达时间、订单号和发运重量。

实施本发明的基于预报的钢铁企业大宗原燃料汽车取样组批方法，能够实现当天各个订单的所有车次的全局组批优化，最大限度减少批次数量，节省检化验成本；在车辆到达之前进行组批，车辆到达时，若其所属批次已经通过放行确认，则可以直接入厂，提升了物流控制节奏。本发明尤其适用于取样能力大于来料量的自动取样业务场景。

附图说明

图1为本发明的大宗原燃料汽车的取样组批系统的系统结构图。

图2为本发明的大宗原燃料汽车取样组批流程图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

现结合附图和具体实施方式对本发明进一步说明。

实施例1

本实施例公开的是某钢铁企业原料场采购的大宗原燃料的汽车取样组批过程。其中组批目标重量M_t为600吨，调度员设置的组批时刻为每天上午7:50。由于只有订单号相同的车辆才能组批，本实例中仅列出一个订单号下的车辆，作为组批实例。

假设订单号“P20190420001”在2020-8-16的来料情况如下表所示。

其中到达/预计到达时间列中只有日期的车辆为预计到达的车辆。

如图1所示，本发明涉及的大宗原燃料的汽车取样组批系统包括供应商发运子系统，物流管控子系统，组批子系统和叫号子系统。

本实施例执行大宗原燃料的汽车取样组批的具体步骤如下：

(1)供应商在车辆发运时，在供应商发运子系统中录入发运信息，包括车号、发车时刻、预计到达时间(精确到天)、订单号、发运重量等。

(2)物流管控子系统，用于管理已到达的车辆，并形成物流管理信息，如负责车辆在停车场及厂内物流过程进行跟踪，车辆到达停车场后，物流管控子系统通过人工确认或者车牌识别等方式，完成接车过程。

(3)调度人员在组批子系统中设置每天定时组批时刻为上午7:50，组批子系统在每天7:50，通过查询发运信息和物流管理信息，获取组批对象，启动大宗原燃料汽车取样组批方法，获得组批结果。

(4)将组批优化的结果发送到叫号子系统中，调度人员根据料场管理部门的要料需求，在叫号子系统中，完成批次放行确认。被放行的批次，车辆到达后可以立刻入厂取样。

其中，如图2所示，步骤(3)中的大宗原燃料汽车取样组批方法的具体步骤如下：

步骤S1：获取组批对象。查询发运平台中预计到达时间为当天的车辆列表，查询物流控制子系统中在组批时刻前已经达到的并且尚未完成组批的车辆列表，将上述2个车辆列表合并成一个集合，记为U。

步骤S2：按照订单号对集合U中的车辆进行分组。

步骤S3：选择当前订单号，执行当前订单号下的车辆取样组批流程，生成组批结果。

步骤S4：选择下一订单，以下一订单号为当前订单号，循环执行S3，直至所有订单处理完毕。

本实施例中，只列举出一个订单号的所有车辆。步骤S3中的对每一订单分组进行组批优化包括以下步骤：

步骤S31：按照订单号对集合U中车辆进行分组，完成组批优化的初始化设置：

(1)令一个订单号下的车辆数量为n，则n＝43，车辆运输的物料的重量为M＝m₁，m₂，...，m_n。

(2)计算可组成批次数量n_p。计算公式如下：

该公式中M_t为调度人员设定的每个批次的目标组批重量

步骤S32：建立组批优化模型及其约束条件。

令X＝{x₁，x₂，...，x_n}表示同一订单号下的n台汽车所属的批次集合，其中x₁，x₂，...，x_n的取值范围为{0，1，2}.其中x_i＝0，表示车辆i不组批。得到如下组批优化模型：

其中，Z代表整数，i∈Z|x_i＞0表示满足x_i＞0的所有整数i；

组批优化模型的约束条件如下：

步骤S33：利用遗传算法求解步骤S32中建立的组批优化模型，获得最优批次组合。求解步骤如下：

S331：采用整数编码方式构建基因，编码形式为

X＝[x₁，x₂，...，x₄₃]

S332：定义适应度函数，公式为

f(X)＝max z

当决策变量X不满足约束条件(1)时，令f(X)＝0。

S333：根据决策变量X的取值范围，随机初始化种群，本实施例中设置种群大小为50。

S334：设定最大迭代代数为150，启动遗传优化过程，交叉率设置为0.8，变异率设置为0.01。

S335：达到最大迭代代数，得到最优组批结果，最优结果对应的决策变量的值为X^*＝[2,2,2,0,2,0,2,2,2,2,2,2,2,2,2,0,2,0,0,2,2,0,0,1,1,1,1,1,1,1,1,1,1,1,1,2,1,1,1,1,1,1,0].其中x_i值相同且x_i>0的车辆即为一批，组批完成的2个批次的重量均为600吨。

实施本发明的应用于钢铁企业的基于预报的大宗原燃料汽车取样组批方法，能够实现当天各个订单的所有车次的全局组批优化，最大限度减少批次数量，节省检化验成本；在车辆到达之前进行组批，车辆到达时，若其所属批次已经通过放行确认，则可以直接入厂，提升了物流控制节奏。本发明尤其适用于取样能力大于来料量的自动取样业务场景。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (4)

1.一种基于预报的大宗原燃料汽车的取样组批方法，其特征在于，包括：

步骤S1：根据车辆到达时间和预计到达时间获取组批对象；

步骤S2：根据订单号对组批对象进行分组；

步骤S3：选择当前订单号，执行当前订单号下的车辆取样组批流程，生成组批结果；

步骤S4：选择下一订单号，以下一订单号为当前订单号，循环执行S3，直至所有订单处理完毕；

其中，所述步骤S3具体包括：

步骤S31：根据当前订单号下的车辆数量和车辆运输的物料的重量，计算可组成批次数量；

步骤S32：建立组批优化模型及其约束条件；

步骤S33：利用遗传算法求解步骤S32中建立的组批优化模型，获得最优批次组合；

所述步骤S31具体包括：

令当前订单号下的车辆数量为n，车辆运输的物料的重量为M＝m₁，m₂，...，m_n；

计算可组成批次数量n_p；计算公式如下：

其中M_t为调度人员设定的每个批次的目标组批重量；

所述步骤S32具体包括：

令X＝{x₁，x₂，...，x_n}表示当前订单号下的n台汽车所属的批次集合，其中x₁，x₂，...，x_n的取值范围为{0，1，...，n_p}.其中x_i＝0，表示车辆i不组批；得到如下组批优化模型：

其中，Z代表整数，i∈Z|x_i＞0表示满足x_i＞0的所有整数i；

组批优化模型的约束条件如下：

所述步骤S33具体包括：

步骤S331：采用整数编码方式构建基因，编码形式为

X＝[x₁，x₂，...，x_n]

步骤S332：定义适应度函数，公式为

f(X)＝max z

当决策变量X不满足组批优化模型的约束条件(1)时，令f(X)＝0；

步骤S333：根据决策变量X的取值范围，随机初始化种群；

步骤S334：设定最大迭代代数，启动遗传优化过程；

步骤S335：达到最大迭代代数，得到最优组批结果，其中x_i值相同且x_i＞0的车辆即为一批。

2.如权利要求1所述的基于预报的大宗原燃料汽车的取样组批方法，其特征在于，所述步骤S1具体包括：

设定每日组批时刻；

在每日的组批时刻，获取组批对象：获得预计到达时间为当天的第一车辆列表，获得在组批时刻前已经到达的并且尚未完成组批的第二车辆列表，将第一车辆列表和第二车辆列表合并成一个集合。

3.一种基于预报的大宗原燃料汽车取样组批系统，其特征在于，包括：

供应商发运子系统，用于在车辆发车前录入车辆的发运信息；

物流管控子系统，用于管理已到达的车辆信息，并形成物流管理信息；

组批子系统，用于查询发运信息和物流管理信息，获取组批对象，并执行如权利要求1到2任一项所述的基于预报的大宗原燃料汽车的取样组批方法，得到组批结果；

和叫号子系统，用于调度人员根据组批结果，按批次确认放行车辆入厂取样。

4.如权利要求3所述的基于预报的大宗原燃料汽车取样组批系统，其特征在于，所述发运信息，至少包括车号、预计到达时间、订单号和发运重量。

Images