CN112348240B - 一种大宗原燃料自动取样的两阶段组批方法和系统 - Google Patents

Abstract

本发明公开了一种大宗原燃料自动取样的两阶段组批方法和系统，所述方法包括：根据车辆到达时间和预计到达时间获取组批对象；在设定的组批时刻，根据订单号对组批对象进行分组；对每一个订单号执行：计算可组成批次数量，根据批次数量迭代执行当前订单号下的二阶段取样组批流程：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，第二段根据优化算法全局搜索车辆组合以达到组批重量总和逼近设定组批重量目标，生成组批结果，并将已组批的车辆从组批对象中删除；直至所有订单处理完毕。本发明针对钢铁企业等大宗原燃料汽车取样组批要求，在先到先组批和组批重量最优间实现平衡。

Description

一种大宗原燃料自动取样的两阶段组批方法和系统

技术领域

本发明涉及信息技术领域，尤其涉及钢铁企业大宗原燃料汽车取样的两阶段组批方法和系统。

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。汽车组批取样是个多目标优化问题，既需要追求组批重量逼近设定值，又希望先到达的车辆先完成组批。

研究汽车运输物料的取样自动组批方法，通过优化得到兼顾取样成本和先进先出目标的最优汽车取样编组，既可以实现节省检化验成本，也保证了车辆运输秩序。

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，提供一种车辆组批优化方法，在先到先组批和组批重量最优间实现平衡。

本发明解决其技术问题所采用的技术方案是：

一种大宗原燃料自动取样的两阶段组批方法，在设定的组批时刻，执行以下步骤：

步骤S1：根据车辆到达时间和/或预计到达时间获取组批对象；

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：选择当前订单号，执行当前订单号下的取样组批流程，所述取样组批流程包括：计算当前订单号下的可组成批次数量，根据批次数量迭代执行当前订单号下的二阶段取样组批流程，生成组批结果，其中所述二阶段取样组批流程是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，第二段根据优化算法全局搜索车辆组合以达到组批重量总和逼近设定组批重量目标，将已组批的车辆从组批对象中删除；当当前订单号下的二阶段取样组批流程完成，进入步骤S4；

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：本技术方案通过已到达车辆和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；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第一集合。

进一步的，所述步骤S3具体包括：

定义第二集合为当前订单号下的组批对象；

步骤S31：计算第二集合的车辆可组成的批次数量；

步骤S32：对第二集合进行二次排序，按到达时间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，对第二集合中的车辆执行两阶段组批优化过程，直至第二集合中的车辆组批完毕。

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，所述步骤S33具体包括：

步骤S331：设定第一段的组批重量，第一段按照到车先后顺序编组，依次选取车辆组合，使之累积吨位到达第一段的设定组批重量；

步骤S332：建立第二段的组批优化模型及其约束条件，所述组批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：求解组批优化模型，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：定义订单o的车辆集合为集合U_o，从集合U_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

为第一段的设定组批重量。

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；

建立如下组批优化模型：

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：利用遗传算法求解所述组批优化模型，获得第二段组批最优车辆组合，具体包括：

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].

S3332：定义适应度函数，公式为

f(X)＝maxz

当决策变量X不满足约束条件(1)时，令f(X)＝0；

S3333：根据决策变量X的取值范围，随机初始化种群；

S3334：设定最大迭代次数，启动遗传优化过程；

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U_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。建立组批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：

一种大宗原燃料自动取样的两阶段组批系统，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，所述发运信息至少包括所述发运信息，至少包括车号、发车时刻、预计到达时间、订单号和发运重量；

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，并执行如上任一项技术方案所述的大宗原燃料自动取样的两阶段组批方法，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。

实施本发明的大宗原燃料汽车取样的两阶段组批方法，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，同时考虑了车辆先到先组批的原则；该方法将多目标优化以两阶段的形式进行处理，具有操作简单，易于掌握的特点。

附图说明

图1为本发明的一种大宗原燃料自动取样的两阶段组批系统的系统结构图。

图2为本发明的大宗原燃料自动取样的两阶段组批方法的流程图。

图3为本发明的当前订单下的组批优化流程图。

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汽车取样的两阶段组批方法。其中组批目标重量M_t为600吨，第一阶段组批目标重量

为300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。

本实施例执行的大宗原燃料自动取样的二阶段组批方法的具体步骤如下：

(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、预计到达时刻(精确到天)、订单号、发运重量等。

(2)物流管控子系统，管理已到达的车辆信息，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)调度人员在组批系统中设置每天定时组批时刻，如设置为上午7:50，组批子系统在组批时刻达到时，查询发运信息和物流管理信息，获取组批对象，并启动大宗原燃料自动取样的二阶段组批流程。

(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和图3所示，步骤(3)中的大宗原燃料自动取样的二阶段组批流程的具体步骤如下：

步骤S1：获取组批对象。在每日的组批时刻，查询发运平台中预计到达时刻为当天的车辆列表，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，将上述两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中车辆进行分组。

步骤S3：选择当前订单号，启动当前订单号下的组批优化，如图3所示。

以订单号为o＝P20190420001为例，该订单下的车辆U_o的组批优化具体步骤如下：

步骤S31：计算同一订单号下的可组成的批次数量。

令订单o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，

计算订单o可组成批次数量

确定递归迭代次数。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，M_t＝600吨。

步骤S32：对集合U_o中进行2次排序，第一次排序是对已经到达的车辆，按照到达时间升序排序，第二次排序是对未到达的车辆，按照发车时刻升序排序。显然未到达的车辆需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，对第二集合中的车辆执行两阶段组批优化过程，直至第二集合中的车辆组批完毕。具体包括：

令j＝1，其中j为同一订单下的组批执行的次数。

步骤S331：启动两阶段组批优化过程，将组批过程分成两段。设定第一段的组批重量

第一段按照到车(发车)先后顺序编组，到达第一段的设定组批重量

具体步骤如下：

从集合U_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

步骤S332：建立第二段的组批优化模型及其约束条件，所述组批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；具体包括：

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

建立如下组批优化模型：

约束条件(1)为：

x_i＝0，1

k+1≤i≤n，i∈Z。

步骤S333：第二段根据遗传算法全局搜索车辆组合以达到组批重量总和逼近设定组批重量目标M_t，即采用遗传算法求解上述组批优化模型，获得第二段组批最优车辆组合。求解步骤如下：

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)＝maxz

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，本实施例中设置种群大小为50。

步骤S3334：设定最大迭代次数为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。

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U_o中删除。

令j＝j+1，将下一批次设置为当前批次；

若

订单o的组批过程结束，进入步骤S4；否则转到步骤S331。

步骤S4：选择下一订单，循环执行步骤S3，直至所有订单组批处理完毕。

本实施例中只有1个订单，最终的组批结果为

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。订单o的组批

和

对应的组批重量结果均为600吨，需要澄清的是，不是每个批次均可以得到与M_t值相同的组批重量。从组批结果可以看出，该方法既考虑车辆到车顺序，又实现了全局优化，避免了组批重量不足导致增加检化验成本。

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 (3)

1.一种大宗原燃料自动取样的两阶段组批方法，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取样组批流程，所述取样组批流程包括：计算当前订单号下的可组成批次数量，根据批次数量迭代执行当前订单号下的二阶段取样组批流程，生成组批结果，其中所述二阶段取样组批流程是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，第二段根据优化算法全局搜索车辆组合以达到组批重量总和逼近设定组批重量目标，将已组批的车辆从组批对象中删除；当当前订单号的二阶段取样组批流程完成，进入步骤S4；

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

其中，所述步骤S3具体包括：

定义第二集合为当前订单号下的组批对象；

步骤S31：计算第二集合的车辆可组成的批次数量；

步骤S32：对第二集合进行二次排序，按到达时间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，对第二集合中的车辆执行两阶段组批优化过程，直至第二集合中的车辆组批完毕；

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；

所述步骤S33具体包括：

步骤S331：设定第一段的组批重量，第一段按照到车先后顺序编组，依次选取车辆组合，使之累积吨位到达第一段的设定组批重量；

步骤S332：建立第二段的组批优化模型及其约束条件，所述组批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：采用遗传算法求解所述组批优化模型，获得第二段组批最优车辆组合；

所述步骤S331具体包括：定义订单o的车辆集合为集合U_o，从集合U_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

为第一段的设定组批重量；

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；

建立如下组批优化模型：

约束条件(1)为：

所述步骤S333：利用遗传算法求解所述组批优化模型，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U_o中删除。

2.如权利要求1所述的大宗原燃料自动取样的两阶段组批方法，其特征在于，所述步骤S1具体包括：

设定每日组批时刻；

在每目的组批时刻，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第一集合。

3.一种大宗原燃料自动取样的两阶段组批系统，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所述发运信息，至少包括车号、发车时刻、预计到达时间、订单号和发运重量；

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任一项所述的大宗原燃料自动取样的两阶段组批方法，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。

Images