CN112232584B - 一种钢铁企业大宗原燃料汽车取样组批方法和系统 - Google Patents

Abstract

本发明公开了一种钢铁企业大宗原燃料汽车取样组批方法和系统，所述方法在组批对象的获取上包括以下步骤：获取在设定组批时刻前已经到达的并且尚未完成组批的第一车辆列表；获取预计到达日期为当日的第二车辆列表；根据第二车辆列表按供应商进行分组预测，得到车辆的预计到达时刻，得到预计到达时刻在当日指定时刻前的第三车辆列表；记组批对象为第一车辆列表和第三车辆列表的集合。本发明通过对到车时刻的预测确定当日待组批车辆范围，在实现汽车取样组批全局优化减少检化验成本的基础上，也满足了钢铁企业原料场对当日指定时间之后到达车辆不予组批的要求。

Description

一种钢铁企业大宗原燃料汽车取样组批方法和系统

技术领域

本发明涉及信息技术领域，尤其涉及一种基于预测的钢铁企业大宗原燃料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。研究汽车运输物料的取样自动组批方法，可以规范汽车组批进厂流程，对于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。

发明内容

本发明要解决的技术问题是：针对钢铁企业大宗原燃料汽车取样组批要求，提供一种基于预测的全局优化自动组批方法，通过对到车时刻的预测确定当日待组批车辆范围，在实现汽车取样组批全局优化减少检化验成本的基础上，也满足了钢铁企业原料场对当日指定时间之后到达车辆不予组批的要求。

本发明解决其技术问题所采用的技术方案是：

一种钢铁企业大宗原燃料汽车取样组批方法，在设定的组批时刻，执行以下步骤：

步骤S1：根据车辆到达时刻或预计到达日期获取组批对象；

步骤S2：在设定的组批时刻，根据订单号对组批对象进行分组；

步骤S3：选择当前订单，执行当前订单的取样组批流程，生成当前订单的组批结果；

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

所述步骤S1具体包括：

步骤S11：获取在设定组批时刻前已经到达的并且尚未完成组批的第一车辆列表；

步骤S12：获取预计到达日期为当日的第二车辆列表；

步骤S13：根据第二车辆列表按供应商进行分组预测，得到车辆的预计到达时刻，得到预计到达时刻在当日指定时刻前的第三车辆列表；

步骤S14：记组批对象为第一车辆列表和第三车辆列表的集合。

技术效果：通过对到车时刻的预测确定当日待组批车辆范围，在实现汽车取样组批全局优化减少检化验成本的基础上，也满足了钢铁企业原料场对当日指定时间之后到达车辆不予组批的要求。

进一步的，所述步骤S13具体包括：

根据路程时间历史数据采用自适应滤波法分别对各个供应商的车辆的路程时间进行预测；

然后根据车辆的发车时刻加上路程时间，得到车辆的预计到达时刻；

根据车辆预计到达时刻，得到预计到达时刻在当日指定时刻前的第三车辆列表；

所述自适应滤波法使用路程时间历史数据来寻求最佳的权系数。

技术效果：采用自适应滤波法进行预测，计算简单易于实现，适合用于车辆的路程时间预测。

进一步的，所述自适应滤波法的预测过程，具体包括：

按供应商进行分组预测；所述分组预测包括：

将该供应商的路程时间历史数据按照发车时刻分为s个子集，每一个子集对应一个时段，并对应一个自适应滤波模型；

获取该供应商在各个子集时段内有发车记录的最近M天的所有车辆历史数据，计算各个子集的车辆最近M天平均路程时间，表示为：

其中，表示第s个子集的车辆最近M天的平均路程时间，N为当前日，上述集合中元素按照时间先后进行排列；

以第s个子集中的最近M天的平均路程时间作为训练样本,记为t_sample，再选取一个权值的个数A，需要满足M>A；当前日的第s子集的预测平均路程时间为

t_pre(N)＝ω₁t_sample(N-1)+ω₂t_sample(N-2)+……+ω_At_sample(N-A) (1)

式中，ω₁～ω_A为预测模型的权值，t_sample(N-1)～t_sample(N-A)表示最近A天的平均路程时间；

将t_sample中的前A天数据带入式(1)，得到第A+1天的预测路程时间t_pre(A+1)，与历史数据相减得到预测误差：

diff(A+1)＝t_sample(A+1)-t_pre(A+1)

根据该误差按式(2)更新这A个权值：

ω_i＝ω_i+2k·diff(A+1)·t_sample(i)1≤i≤A (2)

其中，k为学习率；

使用i～A+i-1的数据预测第A+i天的平均路程时间，完成一次权值的迭代；通过M-A次迭代即可使用完全部的历史数据，最终得到的权值为：

ω＝[ω₁ω₂…ω_A]

使用最新的权值和集合中最后A天的历史数据即可得到当前日即第N天第s子集的预测路程时间，最终得到第s子集对应的时段内出发的车辆的预计到达时刻。

技术效果：通过自适应滤波法可精确预测车辆的到达时刻，能充分提升车辆取样组批效率，减少车辆的等待过程。

进一步的，所述步骤S3具体包括：

步骤S31：计算当前订单下的组批车辆可组成的批次数量；

步骤S32：对当前订单号下的组批车辆进行二次排序，按到达时刻对所有已经到达的车辆进行排序，按发车时刻对所有未到达车辆进行排序，未到达的车辆排在所有已经到达的车辆之后；

步骤S33：根据批次数量进行迭代，对当前订单号下的组批车辆执行两阶段组批优化过程，直至当前订单号下的组批车辆全部组批完毕。

技术效果：根据订单号对组批对象进行分组解决适用性问题，在先到先组批和组批重量最优间实现平衡，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：

令订单o的车辆数量为n，车辆运输的物料的重量为M＝m₁，m₂，…，m_n.；计算订单o可组成的批次数量计算公式如下：

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：本实施例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，所述步骤S33具体包括：

步骤S331：将组批过程分成两段；第一段按照到车先后顺序编组，到达第一段的设定组批重量；

步骤S332：建立第二段组批优化模型及其约束条件，所述优化模型以搜索车辆组合以达到组批重量总和逼近设定组批重量为目标；

步骤S333：采用遗传算法求解优化模型，获得第二段组批最优车辆组合。

进一步的，所述步骤S331具体包括：从当前订单号下的组批车辆的集合V₀中依次取出前k辆车，直到即求取最小的整数k以满足车辆累积吨位大于等于/> 为第一段的设定组批重量，其中集合V₀按车辆的实际到达时刻升序排序。

进一步的，所述步骤S332具体包括：

令X＝{x_k+1，x_k+2，…，x_n}，表示剩余的n-k台车辆是否被选中组批；

建立如下优化模型：

约束条件(1)为：

x_i＝0，1

k+1≤i≤n，i∈Z。

进一步的，所述步骤S333具体包括：

步骤S3331：采用二进制编码方式构建基因，编码形式为

X＝[x_k+1，x_k+2，…x_n].

步骤S3332：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；

步骤S3333：根据决策变量X的取值范围，随机初始化种群；

步骤S3334：设定最大迭代次数，启动遗传优化过程；

步骤S3335：达到最大迭代次数，得到最优组批结果，其中x_i＝1的车辆即为一批，即订单o的第j个检验批的车辆集合为完成组批后将最优组批结果/>从集合V_o中删除。

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：

一种钢铁企业大宗原燃料汽车取样组批系统，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，所述发送信息至少包括车号、发车时刻、预计到达日期、订单号和发运重量；

物流管控子系统，用于获取已到达的车辆信息和管理车辆历史数据；

预测子系统，用于根据车辆历史数据对预计到达日期为当日的车辆进行预测获得预计到达时刻在当日指定时刻前的车辆；

组批子系统，用于根据当日已到达且未组批的车辆和预计到达时刻在当日指定时刻前的车辆，执行如上任一项技术方案所述的钢铁企业大宗原燃料汽车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日期)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。

实施本发明的钢铁企业大宗原燃料汽车取样组批方法，通过对到车时刻的预测确定当日待组批车辆范围，在实现汽车取样组批全局优化减少检化验成本的基础上，也满足了钢铁企业原料场对当日指定时间之后到达车辆不予组批的要求。

附图说明

图1为本发明实施例的钢铁企业大宗原燃料汽车取样组批系统的系统结构图。

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

如图1所示，本发明的实施例公开了一种钢铁企业大宗原燃料汽车取样组批系统，包括供应商发运子系统、物流管控子系统、预测子系统、组批子系统和叫号子系统。各子系统的功能结合其汽车取样组批方法，说明如下：

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、订单号、发车时刻、预计到达日期、订单号、发运重量等。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，其他订单同理可得。假设某个订单的发运信息(车牌号为示意)如表1所示：

表1：供应商的某订单的发运信息表

2、物流管控子系统，负责车辆在停车场及厂内物流过程进行跟踪和物流数据收集(记录车辆实际到车时刻)，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、调度人员在组批系统中设置每天定时组批时刻,本实施例中定时组批时刻为每天上午7:50，组批子系统在组批时刻达到时，启动大宗原燃料汽车取样组批流程，该流程的具体步骤如下：

1)从物流管控子系统中获取“定时组批时刻”前已经达到的并且尚未完成组批的车辆列表，记为V′。参见表2假定本实施例中集合V′为：

表2：已经达到的并且尚未完成组批的车辆列表

2)从供应商发运子系统中获取预计到达日期为当日的车辆列表，记录为V″。则在本实施例中，V″为表1中车牌号为011～034的车辆集合。

3)将集合V″中的车辆信息发送到预测子系统中，预测子系统启动预测计算，得到当日指定时刻t_d前预计到达的车辆列表，记为V″′。预测子系统采用自适应滤波法对各个供应商的车辆的路程时间进行预测，然后根据车辆的发车时刻加上路程时间，得到车辆的预计到达时刻。自适应滤波法可以使用历史数据来寻求最佳的权系数，且计算简单易于实现，适合用于车辆的路程时间预测。不同的供应商与原料场的路程和线路可能不同，因此针对不同的供应商，需要对车辆行驶路程时间分别进行预测。任选一个供应商的路程时间的预测过程做一个说明，其他供应商的路程时间预测过程相同。

首先，考虑到路况对路程时间有较大影响，将路程时间历史数据按照发车时刻分为三个子集：出发时间在0点～8点的为第一个子集，8点～16点的为二个子集，16点至24点的为第三个子集。每一个子集对应一个自适应滤波模型，以第一个子集的预测模型做一个说明，另两个子集的模型同理可得。

然后，从物流管控子系统中获取该供应商在各个子集时段内有发车记录的最近M天的所有车辆历史数据。本实施例中M为20，计算各个子集的车辆最近M天平均路程时间，表示如下

上述集合中元素按照时间先后进行排列。

以第一个子集中的最近M天的平均路程时间作为训练样本，记为t_sample，再选取一个权值的个数A，本实施例中A＝5。当日的第一个子集的预测平均路程时间为

t_pre(N)＝ω₁t_sample(N-1)+ω₂t_sample(N-2)+……+ω₅t_sample(N-5) (1)

式中，ω₁～ω₅为预测模型的权值，t_sample(N-1)～t_sample(N-5)表示最近5天的平均路程时间，权值的初值统一为0.2。设该供应商最近20天的平均路程时间历史数据(单位为小时)为

将t_sample中的前5天数据带入式(1)，即可得到第6天的预测路程时间t_pre(6)，与历史数据相减即可得到预测误差：

diff(6)＝t_sample(6)-t_pre(6)

根据该误差按下式更新这5个权值：

ω_i＝ω_i+2k·diff(6)·t_sample(i)1≤i≤A

式中，k为学习率，本例中设为0.2。

这样就完成了一次权值的迭代，下一次迭代则是使用2～6天的数据预测第7天的平均路程时间，然后再同理完成一次权值的迭代，一共需要进行15次迭代即可使用完全部的历史数据，最终得到的权值为：

ω＝[ω₁ω₂…ω₅]＝[0.1954 0.2190 0.1931 0.2147 0.1891]

使用最新的权值和集合中最后5天的历史数据即可得到当日的该子集的预测路程时间小时，最终得到该子集对应的时段内出发的车辆的到达时刻。

使用上述预测方法，同理可得该供应商当日的其他时段的平均路程时间，本例中该供应商当日另外两个时段的平均路程时间分别为和/>

然后得到各个供应商预计当日到达的车辆的精确预计到达时刻，即集合V″中该供应商各个车辆的预计到达时刻，如表3所示。

表3：车辆的预计到达时刻

同理可得其他供应商的车辆的精确预计到达时刻。最后得到当日指定时刻t_d前预计到达的车辆列表V″′，本例中t_d为16:30，故V″′为上表中车牌号为011～030的车辆集合。最后得到当日指定时刻t_d前预计到达的车辆列表V″′.

4)记待组批车辆集合V＝V′∪V″′。按照订单号对集合V中车辆进行分组。对每一组车辆进行组批优化。以V中任意订单号o为例，本例中订单o为“P1”，该订单下的车辆集合为V_o，该订单的车辆组批优化具体步骤如下：

(1)令订单o的车辆数量为n，则n＝30，车辆运输的物料的重量为M＝m₁，m₂，...，m_n；

(2)计算订单o可组成批次数量确定递归次数。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，本例中M_t＝600吨。

(3)令表示车辆i(1≤i≤30，i∈Z)的到达(预计到达)时刻。对于已经达到的车辆，/>表示该车的实际到达时刻；对于尚未达到的车辆，/>表示该车的预计到达时刻。将集合V_o按照/>升序排序。

(4)令j＝1。

(5)从集合V_o中依次取出前k辆车，直到即求取最小的整数k以满足车辆累积吨位大于等于/> 为强制按照先到先组批规则进行组批的目标组批重量，本例中/>设置为300吨。

(6)令X＝{x_k+1，x_k+2，...，x_n}表示剩余的n-k台车辆是否被选中组批。

建立如下优化模型：

约束条件为：

x_i＝0，1

k+1≤i≤n，i∈Z

(7)采用遗传算法求解上述优化模型，得到剩余的吨对应的车辆最优组合。具体步骤如下：

Step1：采用二进制编码方式构建基因，编码形式为

X＝[x_k+1，x_k+2，...，x_n].

Step2：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(2)时，令f(X)＝0。

Step3：根据决策变量X的取值范围，随机初始化种群，本例中设置种群大小为50。

Step4：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。

Step5：达到最大迭代代数，得到最优组批结果，其中x_i＝1的车辆即为一批。即订单o的第j个检验批的车辆集合为从集合V_o中删除/>

(8)令j＝j+1。

(9)若订单o的组批过程结束；否则转到步骤(5)。

本例中订单o＝P1的最终组批结果为：

组批重量为600吨；

组批重量为595吨。

其中，加粗的车牌号，为第一阶段组批结果，按照到车(发车)时间先后顺序进行选择，未加粗的车牌号为第二阶段组批的结果，通过优化算法全局搜索逼近剩余目标值得到。

组批子系统将组批优化的结果，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。

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 (8)

1.一种钢铁企业大宗原燃料汽车取样组批方法，其特征在于，在设定的组批时刻，执行以下步骤：

步骤S1：根据车辆到达时刻或预计到达日期获取组批对象；

步骤S2：在设定的组批时刻，根据订单号对组批对象进行分组；

步骤S3：选择当前订单，执行当前订单的取样组批流程，生成当前订单的组批结果；

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

所述步骤S1具体包括：

步骤S11：获取在设定组批时刻前已经到达的并且尚未完成组批的第一车辆列表；

步骤S12：获取预计到达日期为当日的第二车辆列表；

步骤S13：根据第二车辆列表按供应商进行分组预测，得到预计到达时刻在当日指定时刻前的第三车辆列表，并得到车辆的预计到达时刻；

步骤S14：记组批对象为第一车辆列表和第三车辆列表的集合；

所述步骤S13具体包括：

根据路程时间历史数据采用自适应滤波法分别对各个供应商的车辆的路程时间进行预测；

然后根据车辆的发车时刻加上路程时间，得到车辆的预计到达时刻；

根据车辆预计到达时刻，得到预计到达时刻在当日指定时刻前的第三车辆列表；

所述自适应滤波法使用路程时间历史数据来寻求最佳的权系数；

步骤S13中，所述自适应滤波法的预测过程，具体包括：

按供应商进行分组预测；所述分组预测包括：

将该供应商的路程时间历史数据按照发车时刻分为s个子集，每一个子集对应一个时段，并对应一个自适应滤波模型；

获取该供应商在各个子集时段内有发车记录的最近M天的所有车辆历史数据，计算各个子集的车辆最近M天平均路程时间，表示为：

其中，表示第s个子集的车辆最近M天的平均路程时间，N为当前日，上述集合中元素按照时间先后进行排列；

以第s个子集中的最近M天的平均路程时间作为训练样本,记为t_sample，再选取一个权值的个数A，需要满足M＞A；当前日的第s子集的预测平均路程时间为

t_pre(N)＝ω₁t_sample(N-1)+ω₂t_sample(N-2)+……+ω_At_sample(N-A) (1)

式中，ω₁～ω_A为预测模型的权值，t_sample(N-1)～t_sample(N-A)表示最近A天的平均路程时间；

将t_sample中的前A天数据带入式(1)，得到第A+1天的预测路程时间t_pre(A+1)，与历史数据相减得到预测误差：

diff(A+1)＝t_sample(A+1)-t_pre(A+1)

根据该误差按式(2)更新这A个权值：

ω_i＝ω_i+2k·diff(A+1)·t_sample(i)1≤i≤A (2)

其中，k为学习率；

使用i～A+i-1的数据预测第A+i天的平均路程时间，完成一次权值的迭代；通过M-A次迭代即可使用完全部的历史数据，最终得到的权值为：

ω＝[ω₁ω₂...ω_A]

使用最新的权值和集合中最后A天的历史数据即可得到当前日即第N天第s子集的预测路程时间，最终得到第s子集对应的时段内出发的车辆的预计到达时刻。

2.如权利要求1所述的钢铁企业大宗原燃料汽车取样组批方法，其特征在于，所述步骤S3具体包括以下步骤：

步骤S31：计算当前订单号下的组批车辆可组成的批次数量；

步骤S32：对当前订单号下的组批车辆进行二次排序，按到达时刻对所有已经到达的车辆进行排序，按发车时刻对所有未到达车辆进行排序，未到达的车辆排在所有已经到达的车辆之后；

步骤S33：根据批次数量进行迭代，对当前订单号下的组批车辆执行两阶段组批优化过程，直至当前订单号下的组批车辆全部组批完毕。

3.如权利要求2所述的钢铁企业大宗原燃料汽车取样组批方法，其特征在于，所述步骤S31具体包括：

令订单o的车辆数量为n，车辆运输的物料的重量为M＝m₁，m₂，...，m_n.；计算订单o可组成的批次数量计算公式如下：

其中M_t为调度人员设定的每个批次的目标组批重量。

4.如权利要求3所述的钢铁企业大宗原燃料汽车取样组批方法，其特征在于，所述步骤S33具体包括：

步骤S331：将组批过程分成两段；第一段按照到车先后顺序编组，到达第一段的设定组批重量；

步骤S332：建立第二段组批优化模型及其约束条件，所述优化模型以搜索车辆组合以达到组批重量总和逼近设定组批重量为目标；

步骤S333：采用遗传算法求解优化模型，获得第二段组批最优车辆组合。

5.如权利要求4所述的钢铁企业大宗原燃料汽车取样组批方法，其特征在于，所述步骤S331具体包括：从当前订单号下的组批车辆的集合V₀中依次取出前k辆车，直到即求取最小的整数k以满足车辆累积吨位大于等于/> 为第一段的设定组批重量，其中集合V₀按车辆的实际到达时刻升序排序。

6.如权利要求5所述的钢铁企业大宗原燃料汽车取样组批方法，其特征在于，所述步骤S332具体包括：

令X＝{x_k+1，x_k+2，...，x_n}表示剩余的n-k台车辆是否被选中组批；

建立如下优化模型：

约束条件(1)为：

x_i＝0，1

k+1≤i≤n，i∈Z。

7.如权利要求6所述的钢铁企业大宗原燃料汽车取样组批方法，其特征在于，所述步骤S333：利用遗传算法求解上述优化模型，获得第二段组批最优车辆组合，具体包括：

步骤S3331：采用二进制编码方式构建基因，编码形式为

X＝[x_k+1，x_k+2，...，x_n].

步骤S3332：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；

步骤S3333：根据决策变量X的取值范围，随机初始化种群；

步骤S3334：设定最大迭代次数，启动遗传优化过程；

步骤S3335：达到最大迭代次数，得到最优组批结果，其中x_i＝1的车辆即为一批，即订单o的第j个检验批的车辆集合为完成组批后将最优组批结果/>从集合V_o中删除。

8.一种钢铁企业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，所述发运信息至少包括车号、发车时刻、预计到达日期、订单号和发运重量；

物流管控子系统，用于获取已到达的车辆信息和管理车辆历史数据；

预测子系统，用于根据车辆历史数据对预计到达日期为当日的车辆进行预测获得预计到达时刻在当日指定时刻前的车辆；

组批子系统，用于根据当日已到达且未组批的车辆和预计到达时刻在当日指定时刻前的车辆形成的组批对象，执行如权利要求1到7任一项所述的钢铁企业大宗原燃料汽车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。