CN112446642A - 一种多天车调度优化方法和系统 - Google Patents

一种多天车调度优化方法和系统 Download PDF

Info

Publication number
CN112446642A
CN112446642A CN202011456180.6A CN202011456180A CN112446642A CN 112446642 A CN112446642 A CN 112446642A CN 202011456180 A CN202011456180 A CN 202011456180A CN 112446642 A CN112446642 A CN 112446642A
Authority
CN
China
Prior art keywords
crown block
crown
task
time
tasks
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011456180.6A
Other languages
English (en)
Inventor
王志远
安慧斌
周帆
韩中洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Yingdasi Intelligent Technology Co ltd
Original Assignee
Dalian Yingdasi Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Yingdasi Intelligent Technology Co ltd filed Critical Dalian Yingdasi Intelligent Technology Co ltd
Priority to CN202011456180.6A priority Critical patent/CN112446642A/zh
Publication of CN112446642A publication Critical patent/CN112446642A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及一种多天车调度优化方法和系统，通过匹配任务和天车，建立多天车动态调度模型，并采用基于实数编码的双切点交叉遗传算法计算得到炼钢‑精炼‑连铸生产过程中多天车的最佳行车方案，有效地降低了天车无效让车次数，提高了天车行车有效作业率。本发明提出的模型、算法及规则具有通用性强、收敛速度快、均衡天车工作量等优势，对提高天车运行效率，缩短工位等待钢水时长等具有较大的参考价值。

Description

一种多天车调度优化方法和系统
技术领域
本发明涉及信息技术领域，特别是涉及一种炼钢-精炼-连铸生产过程中多辆天车调度优化方法和系统。
背景技术
炼钢-精炼-连铸生产过程处于钢铁产品生产过程的上游，是钢铁产品生产的关键环节。其中，天车具备起重量大、运行相对平稳、不占用地面空间等优点，是炼钢车间钢包在各个工序间周转的主要运输工具。对天车合理、有效地调度，有助于提高炼钢-精炼-连铸工序之间钢包的吊运，保证连铸机的连续浇铸，为上层生产调度的实施奠定基础并且对钢厂运输系统的通畅和高效运转起着至关重要的作用。
炼钢-精炼-连铸生成过程是钢铁企业中一条兼具离散与连续特性的生成过程。由不同结构功能的单元工序作业过程所组成的复杂流程系统的调度问题是一个动态、多目标、多约束的问题，对其研究时往往将运输问题简单化或认为运输能力无限大，或只考虑时间因素对运输的影响，忽略天车的空间约束和天车之间的冲突约束。目前对钢厂车间天车调度方面的研究较少，且大都不能真实反映钢厂车间天车调度的复杂性和动态随机性，严重影响天车实际运行中的效率。因此，迫切需要提出一个切实可行的控制方案，对钢厂炼钢-精炼-连铸车间生产过程的天车进行调度优化。
发明内容
本发明的目的是提供一种多天车调度优化方法和系统，通过匹配任务和天车，建立多天车动态调度模型，并采用基于实数编码的双切点交叉遗传算法计算得到炼钢-精炼-连铸生产过程中多天车的最佳行车方案，有效地降低了天车无效让车次数，提高了天车行车有效作业率。
为实现上述目的，本发明提供了如下方案：
一种多天车调度优化方法，包括：
匹配炼钢-精炼-连铸车间当天的任务和天车，获得n个任务-天车集合，其中n表示任务-天车集合匹配的个数；
建立多天车动态调度模型，获得所述每个任务-天车集合中所有任务完成时，所有天车的行车时间；
采用基于实数编码的双切点交叉遗传算法，更新优化所述n个任务-天车集合，以所述所有任务完成时所有天车的行车时间最短为目标函数，获得所述所有任务完成时所有天车的行车时间最短的天车行车路径。
可选的，所述匹配炼钢-精炼-连铸车间当天的任务和天车，获得n个任务-天车集合，其中n表示任务-天车集合匹配的个数，具体包括：
获取炼钢-精炼-连铸车间当天的每个任务的任务编号、发生时间、起始位置、终止位置、工位距离和任务属性，建立任务集合；
根据所述任务属性及所述发生时间，对所述任务集合进行排序；
获取炼钢-精炼-连铸车间的每个天车的天车编号、天车任务属性和移动范围，建立天车集合；
根据所述任务属性、所述工位距离、所述天车任务属性和所述移动范围，获得n个任务-天车集合，其中n表示任务-天车集合匹配的个数。
可选的，所述根据所述任务属性及所述发生时间，对所述任务集合进行排序，具体包括：
按照所述每个任务的发生时间进行排序；
当两个任务的发生时间一致时，按照所述每个任务的任务属性进行排序，所述任务属性包括空包和重包；
所述按照所述每个任务的任务属性进行排序，具体包括：当所述任务属性不同时，采取重包优先原则对所有任务进行排序；当所述任务属性相同时，则随机安排所述任务属性相同的任务的执行顺序。
可选的，建立多天车动态调度模型，获得所述每个任务-天车集合中所有任务完成时，所有天车的行车时间，具体包括：
获取所述每个任务-天车集合中，最先被执行的任务对应的第一天车的发车时刻Ti和工位坐标Ci，其中i表示第一天车的编号；
判断其他天车在所述第一天车的发车时刻Ti之后是否存在轨迹点；
如果所述其他天车无轨迹点，则所述第一天车直接完成对应的任务，同时记录所述第一天车的行车时间；
否则，记录Ti时刻以及Ti时刻之后其他天车的轨迹点，其中，所述轨迹点是指每个天车在每次移动的开始时刻到停止时刻时，每个天车与工位距离的始末位置坐标；
按照所述Ti时刻以及Ti时刻之后其他天车的每个轨迹点发生的时间先后顺序，对所述Ti时刻以及Ti时刻之后其他天车的所有轨迹点进行排序，获得所述第一天车移动的约束集合，所述约束集合为排序后的Ti时刻以及Ti时刻之后其他天车的所有轨迹点；
根据所述约束集合，模拟第一天车的行车轨迹，按照所述行车轨迹使第一天车完成对应的任务，记录第一天车的行车时间；
按照所述第一天车完成对应任务的方法，完成对所述每个任务-天车集合中所有任务对应的天车的行车轨迹的模拟，获得所有任务完成时所有天车的行车时间。
可选的，所述根据所述约束集合，按照所述行车轨迹使第一天车完成对应的任务，记录第一天车的行车时间，具体包括：
根据所述约束集合，判断所述第一天车是否与其他天车发生撞车事件；
若不发生撞车事件，则允许所述第一天车完成对应的任务，并记录所述第一天车的行车轨迹时间；
否则，选取所述约束集合中发生撞车事件的时间段，安排所述第一天车进行等待；
判断所述第一天车在等待状态下是否与其他天车发生撞车事件；
若不发生撞车事件，则所述第一天车进行等待，同时更新所述第一天车的运行时间；
否则，安排所述第一天车在等待时间内进行让车，同时更新所述第一天车的运行时间。
可选的，判断第一天车与其他天车是否发生撞车事件，具体包括：
以横坐标表示天车运行时间，以纵坐标表示天车与工位距离，建立直角坐标系，则在所述直角坐标系中，判断所述第一天车的行车轨迹所在的第一线段与第二天车的行车轨迹所在的第二线段是否存在交点；
所述交点的求解过程包括：
b1＝(y2-y1)*x1+(x1-x2)*y1 (1)
b2＝(y4-y3)*x3+(x3-x4)*y3 (2)
D＝(x2-x1)(y4-y3)-(x4-x3)(y2-y1) (3)
D1＝b2*(x2-x1)-b1*(x4-x3) (4)
D2＝b2*(y2-y1)-b1*(y4-y3) (5)
x0＝D1/D (6)
y0＝D2/D (7)
其中，(x0,y0)表示为所述第一线段与所述第二线段的交点，(x1,y1)表示为所述第一线段的第一端点，(x2,y2)表示为所述第一线段的第二端点，(x3,y3)表示为所述第二线段的第三端点，(x4,y4)表示为所述第二线段的第四端点；
若所述交点存在，则所述第一天车与所述第二天车会发生撞车事件；
否则所述第一天车与所述第二天车不会发生撞车事件。
可选的，所述采用基于实数编码的双切点交叉遗传算法优化更新所述n个任务-天车集合，以所述所有任务完成时所有天车的行车时间最短为目标函数，获得所述所有任务完成时所有天车的行车时间最短的天车行车路径，具体包括：
选取所述n个任务-天车集合作为初始种群个体；
根据所述每个任务-天车集合中所有任务完成时所有天车的行车时间计算每条染色体的适应度值，并选择适应度值最大的染色体作为初始精英个体；
设定交叉概率Pc、变异概率Pm和迭代循环次数k的具体值；
对所述初始种群个体进行选择操作；
对选择后的种群个体以Pc进行有向交叉操作；
对交叉后的种群个体以Pm进行变异操作，并计算变异后的种群个体的适应度值；
保留精英个体操作，将前一代精英个体随机替换当前种群中的一个个体，并选择当前种群适应度值最大的个体作为新的精英个体；
判断迭代循环次数是否满足设定值，若不满足条件则返回“对所述初始种群个体进行选择操作”这一步骤，若满足条件则输出所述所有任务完成时所有天车的行车时间最短的天车行车路径。
可选的，所述对所述初始种群个体进行选择操作，具体包括：根据所述初始种群个体的适应度值，采用轮盘赌选择算子对所述初始种群个体进行选择操作。
可选的，所述对选择后的种群个体以Pc进行有向交叉操作，具体包括：
根据Pc从选择后的种群个体选择两条父代染色体，采用双切点的交叉方式对所述两条父代染色体进行交叉处理，交换两个切点之间的所述两条父代染色体的天车编号，产生两条交叉子代染色体。
可选的，所述对交叉后的种群个体以Pm进行变异操作，具体包括：
根据Pm从交叉后的种群个体中选择交叉子代染色体，在所述交叉子代染色体的码串中随机选取两个天车编号，同时随机生成两个天车编号替换选取的两个天车编号，完成变异操作。
一种多天车调度优化系统，包括：
匹配模块用于匹配炼钢-精炼-连铸车间当天的任务和天车，获得n个任务-天车集合，其中n表示任务-天车集合匹配的个数；
时间计算模块用于建立多天车动态调度模型，获得所述每个任务-天车集合中所有任务完成时，所有天车的行车时间；
最短路径计算模块用于采用基于实数编码的双切点交叉遗传算法更新优化所述n个任务-天车集合，以所述所有任务完成时所有天车的行车时间最短为目标函数，获得所述所有任务完成时所有天车的行车时间最短的天车行车路径。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明在满足钢厂炼钢-精炼-连铸生产要求的前提下，提出了一种多天车的动态调度方案，基于实际生产任务、天车行车时空间约束及时间约束、任务属性约束、天车移动范围约束等，匹配任务和天车，建立炼钢-精炼-连铸车间的多天车动态调度模型对天车行车过程进行模拟，能够实现对天车在跨间作业时可能出现等车、让车、撞车等状态的分析，有效提高了天车运行的安全和效率；采用基于实数编码的双切点交叉遗传算法更新优化任务-天车集合，获得所有任务完成时所有天车的行车时间最短的天车行车路径，从而获得生产过程中多天车的最佳行车方案，在保证生产需求的情况下，有效地降低了天车无效让车次数，提高了天车的行车有效作业率，进而提高了企业的经济效益和社会效益。
另外，本发明提出的模型、算法及规则适用于多天车多任务的情况，具有通用性强、收敛速度快、均衡天车工作量等优势，对提高天车运行效率，减少工位等待钢水时长等具有较大的参考价值。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种多天车调度优化方法的方法流程图；
图2为本发明实施例1中某钢厂炼钢-精炼-连铸车间中天车调度环境的简化示意图；
图3为本发明实施例1中匹配炼钢-精炼-连铸车间当天的任务和天车，获得任务-天车集合的具体方法流程图；
图4为本发明实施例1中建立多天车动态调度模型，获得每个任务-天车集合中所有任务完成时所有天车的行车时间的具体方法流程图；
图5为本发明实施例1中根据约束集合，模拟第一天车的行车轨迹，按照行车轨迹使第一天车完成对应的任务，记录第一天车的行车时间的具体方法流程图；
图6为本发明实施例1中Ti时刻之后天车的轨迹点示意图；
图7为本发明实施例1中基于实数编码的双切点交叉遗传算法更新优化任务-天车集合的方法示意图；
图8为本发明实施例1中经过优化的天车运行轨迹示意图；
图9为本发明实施例1中采用基于实数编码的双切点交叉遗传算法计算得到的天车完成所有任务的耗时收敛曲线图；
图10为本发明实施例2提供的一种多天车调度优化系统的系统框图。
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做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。
本发明的目的是提供一种多天车调度优化方法和系统，通过匹配任务和天车，建立多天车动态调度模型，并采用基于实数编码的双切点交叉遗传算法计算得到炼钢-精炼-连铸生产过程中多天车的最佳行车方案，有效地降低了天车无效让车次数，提高了天车行车有效作业率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
参阅图1，本发明提供了一种多天车调度优化方法，包括：
步骤S1：匹配炼钢-精炼-连铸车间当天的任务和天车，获得n个任务-天车集合，其中n表示任务-天车集合匹配的个数；
步骤S2：建立多天车动态调度模型，获得每个任务-天车集合中所有任务完成时，所有天车的行车时间；
步骤S3：采用基于实数编码的双切点交叉遗传算法更新优化n个任务-天车集合，以所有任务完成时所有天车的行车时间最短为目标函数，获所有任务完成时所有天车的行车时间最短的天车行车路径。
需要说明的是，本发明并不对步骤S1、步骤S2和步骤S3的顺序进行限制。
本实施例通过基于实数编码的双切点交叉遗传算法更新优化任务-天车集合，利用多天车动态调度模型计算得到所有任务完成时所有天车的最短行车时间，从而获得生产过程中多天车的最佳行车方案，提高了天车执行任务的效率。
为了使本领域技术人员更好的理解本实施例所公开的方案，下面以某具体的钢厂炼铁-精炼-连铸车间中的任务和天车为例，对多天车调度优化方法进行具体说明。
炼钢车间中，天车运输任务可定义为将一个钢包从起点工位运输至终点工位的过程，该运输任务主要包括3个过程：在起点工位吊起钢包；将钢包运输至终点工位；将钢包放置于终点工位。钢包在天车跨下作业主要有三种物流过程：①BOF(Basic Oxygen Furnace)转炉冶炼→CCM(Continuous Casting Machine)连铸。②BOF转炉冶炼→LF(LadleFurnace)精炼→CCM连铸。③BOF转炉冶炼→LF精炼→RH(Ruhrstahl Hereaeus)精炼→CCM连铸。
如图2所示，本实施例给出了某钢厂炼铁-精炼-连铸车间的天车调度环境的平面图。该车间作业跨有多个工位，从北到南主要的工位依次为北烘烤位、1#热修、4#精炼、1#精炼2，连铸机CCM1、1#精炼、1#精炼1、1#转炉、2#转炉、3#转炉、连铸机CCM2、2#热修、2#精炼、3#精炼、5#精炼、连铸机CCM3，RH精炼、3#热修、连铸机CCM4、过跨车、钢包冷修砌筑区、南烘烤位，每个工位有具体的位置坐标。图2中只显示了北烘烤位、4#精炼、1#精炼2，连铸机CCM1、1#转炉、2#转炉、3#转炉、连铸机CCM2、2#热修、2#精炼、3#精炼、5#精炼、连铸机CCM3，RH精炼、3#热修、连铸机CCM4和南烘烤位。该车间中这一天总共有58个任务，任务的任务属性包括空包、重包和其他等(其他包括吊辅料、吊渣盆等)；天车运行作业跨总长为Lmax＝403m，天车运行速度(包括最大速度、负载速度和空载速度)统一设定为v＝0.2m/s，最小安全距离δ＝2m。该调度区间总共有5个天车，由北到南在跨内分别为16#天车、17#天车、18#天车、19#天车、20#天车，其中16#天车、20#天车不可拉重包，17#、18#、19#天车无其他要求。其中作业跨总长、天车速度、安全距离、天车任务属性等可根据车间实际状况设定。为了减少一些不必要的避让，对每个天车的移动范围作出限制，16#天车-20#天车的移动范围分别设置为[0，150]、[72，270]、[140，330]、[200，360]、[270，403]，也可根据其他情况设置每个天车的移动范围。
安装在同一轨道的天车相互之间不能跨越且必须保持安全距离，该约束称之为避碰约束，这是天车调度区别于其他机器调度的基本特征约束。同时，工位容量约束要求一个工位最多容纳一个钢包。另外，频繁的天车调度必然面临不同的调度初始条件(不同的天车，任务，工位的初始状态)，从而对天车调度形成约束。
如图3所示，步骤S1中，具体的方法包括：
步骤S1.1：获取某钢厂炼钢-精炼-连铸车间当天的每个任务的任务编号、发生时间、起始位置、终止位置、工位距离和任务属性，建立任务集合，部分任务集合如表1所示。
表1部分任务集合
Figure BDA0002829251350000091
Figure BDA0002829251350000101
步骤S1.2：根据任务属性及发生时间，对任务集合进行排序，具体地包括：
按照每个任务的发生时间进行排序；
当两个任务的发生时间一致时，按照每个任务的任务属性进行排序，具体包括：当任务属性不同时，采取重包优先原则对所有任务进行排序；当任务属性相同时，则随机安排任务属性相同的任务的执行顺序；
步骤S1.3：获取炼钢-精炼-连铸车间的每个天车的天车编号、天车任务属性和移动范围，建立天车集合，如表2所示；
表2天车集合
Figure BDA0002829251350000102
步骤S1.4：根据任务属性、所述工位距离、天车任务属性和移动范围，获得n个任务-天车集合，其中n表示任务-天车集合匹配的个数，例如排序后的任务的任务编号依次为1、2、3、4、5、6、7、8...58，其对应的匹配的天车可以为18#、19#、16#、16#、17#、18#、20#、18#、...16#，也可以为18#、16#、16#、18#、19#、17#、18#、19#、...17#，还包括其他对应匹配的情况，这里未示出。
参阅图4，步骤S2中，具体的方法包括：
步骤S2.1：获取每个任务-天车集合中，最先被执行的任务对应的第一天车的发车时刻Ti和工位坐标Ci，其中i表示第一天车的编号；以任务编号依次为1、2、3、4、5、6、7、8...58，且对应匹配的天车为18#、19#、16#、16#、17#、18#、20#、18#、...16#的任务-天车集合为例，第一天车为18#，则获取18#天车的发车时间和位置信息；
步骤S2.2：判断其他天车在第一天车的发车时刻Ti之后是否存在轨迹点；
步骤S2.3：如果其他天车无轨迹点，则第一天车直接完成对应的任务，同时记录第一天车的行车时间；
步骤S2.4：如果其他天车有轨迹点，则记录Ti时刻以及Ti时刻之后其他天车的轨迹点，其中，轨迹点是指每个天车在每次移动的开始时刻到停止时刻时，每个天车与工位距离的始末位置坐标；如图6所示，Ti时刻之后，19#天车、17#天车和16#天车都有行车轨迹点。
步骤S2.5：按照Ti时刻以及Ti时刻之后其他天车的每个轨迹点发生的时间先后顺序，对Ti时刻以及Ti时刻之后其他天车的所有轨迹点进行排序，获得第一天车移动的约束集合，所述约束集合为排序后的Ti时刻以及Ti时刻之后其他天车的所有轨迹点；
需要说明的是，考虑到其他天车中有的天车与第一天车距离较远，不会发生碰撞，因此为了简化运算，在记录Ti时刻以及Ti时刻之后其他天车的轨迹点之后，也可以只获取与第一天车相邻的前后天车轨迹点Road1和Road2，将第一天车相邻的前后天车轨迹点Road1和Road2排序后作为约束集合；如果第一天车是轨道边缘的天车，则只记录其相邻的天车轨迹点Road1或Road2，将第一天车相邻的天车轨迹点Road1或Road2排序后作为约束集合。例如，第一天车为18#，则只需记录与其相邻的17#天车和19#天车在Ti时刻以及Ti时刻之后的行车轨迹点，进行排序后作为18#天车的约束集合。
步骤S2.6：根据约束集合，模拟第一天车的行车轨迹，按照行车轨迹使第一天车完成对应的任务，记录第一天车的行车时间，参阅图5，具体地包括：
步骤S2.6.1：根据约束集合，判断第一天车是否与其他天车发生撞车事件；
步骤S2.6.2：若不发生撞车事件，则允许第一天车完成对应的任务，并记录第一天车的行车轨迹时间；
步骤S2.6.3：若发生撞车事件，则选取约束集合中发生撞车事件的时间段，安排第一天车进行等待；
步骤S2.6.4：判断第一天车在等待状态下是否与其他天车发生撞车事件；
步骤S2.6.5：若不发生撞车事件，则第一天车进行等待，同时更新第一天车的运行时间；
步骤S2.6.6：否则，安排第一天车在等待时间内进行让车，同时更新第一天车的运行时间；图6中给出了18#天车让车和等车的状态。
步骤S2.7：按照上述第一天车完成对应任务的方法，完成对每个任务-天车集合中所有任务对应的天车的行车轨迹的模拟，获得所有任务完成时所有天车的行车时间。
进一步的，在炼钢-精炼-连铸车间，天车只能在单一的作业跨中运行，故可以将设备布局抽象成一条直线。沿跨长方向，天车不能同时在同一工位作业且天车空间顺序不可改变。天车在作业跨中运行时，天车与天车之间不能发生相撞事件，因此需要对天车撞车事件加以判断。具体的判断方法为：将天车在作业跨中的运行速度认为匀速，因此天车轨迹可通过天车运行时间和位移进行表示。以横坐标为天车运行时间，纵坐标为天车工位距离，建立直角坐标系，则在所述直角坐标系中，可将天车运行轨迹描述为一条斜率k＝±v，截距为b的斜线段。故可通过判断两条线段是否存在交点来判断天车是否会发生撞车事件，而判断两条线段相交的具体方法如下；
以判断第一天车和第二天车是否发生碰撞为例，若第一天车的行车轨迹所在的第一线段的第一端点和第二端点分别为(x1,y1)和(x2,y2)，第二天车的行车轨迹所在的第二线段的第三端点和第四端点分别为(x3,y3)和(x4,y4)，则第一线段与第二线段的交点的求解过程为：
b1＝(y2-y1)*x1+(x1-x2)*y1 (1)
b2＝(y4-y3)*x3+(x3-x4)*y3 (2)
D＝(x2-x1)(y4-y3)-(x4-x3)(y2-y1) (3)
D1＝b2*(x2-x1)-b1*(x4-x3) (4)
D2＝b2*(y2-y1)-b1*(y4-y3) (5)
x0＝D1/D (6)
y0＝D2/D (7)
其中，(x0,y0)表示所述第一线段与所述第二线段的交点；
如果交点(x0,y0)存在，则第一天车和第二天车发生碰撞，否则第一天车和第二天车不发生碰撞。
参阅图7，步骤S3中，具体的方法包括：
选取n个任务-天车集合作为初始种群个体；本发明的遗传算法是采用实数编码的形式对染色体进行编码，即按照天车的实际编号进行编码。当迭代循环次数k＝0时选取的任务-天车集合为初始种群，设任务-天车集合的种群为{C1,C2,...Ci...Cd}，其中Ci为天车编号，d为天车当日需要完成的任务数目。如图7所示，初始种群包括{18、19、16、16、17、18、20、18...16}和{18、16、16、18、19、17、18、19...17}；
根据每个任务-天车集合中所有任务完成时所有天车的行车时间计算每条染色体的适应度值，并选择适应度值最大的染色体作为初始精英个体；
设定交叉概率Pc、变异概率Pm和迭代循环次数k的具体值；本实施例中设定Pc＝0.6，Pm＝0.05，k＝2000；
根据初始种群个体的适应度值，采用轮盘赌选择算子对所述初始种群个体进行选择操作；
根据Pc从选择后的种群个体选择两条父代染色体，采用双切点的交叉方式对所述两条父代染色体进行交叉处理，交换两个切点之间的所述两条父代染色体的天车编号，产生两条交叉子代染色体，如图7所示的交叉操作；
根据Pm从交叉后的种群个体中选择交叉子代染色体，在交叉子代染色体的码串中随机选取两个天车编号，同时随机生成两个天车编号替换选取的两个天车编号，完成变异操作，并计算变异后的种群个体的适应度值，如图7所示的变异操作；
保留精英个体操作，将前一代精英个体随机替换当前种群中的一个个体，并选择当前种群适应度值最大的个体作为新的精英个体；
判断迭代循环次数是否满足设定值，若不满足条件则返回“对所述初始种群个体进行选择操作”这一步骤，若满足条件则输出所述所有任务完成时所有天车的行车时间最短的天车行车路径。
本实施例通过建立多天车动态调度模型，并采用基于实数编码的双切点交叉遗传算法更新优化n个任务-天车集合，得到的天车运行轨迹如图8所示。其中横坐标为天车行车时间，纵坐标为天车工位距离。从上到下依次为16#天车、17#天车、18#天车、19#天车、20#天车。天车调度优化过程中，天车任务完成时长收敛曲线如图9所示，从天车最长运行时长曲线可以看出，在迭代到850次以后，达到了收敛状态，天车最长运行时间为6090秒，即101.5分钟。
天车行车有效作业率即绩效指标KPI可定义为
Figure BDA0002829251350000141
其中，STask为天车做任务所行走的路程，SAll为天车行走的总路程。由钢厂某日行车数据可计算得天车当日行车有效作业率KPI＝0.45，在引入本发明方法的条件下，可计算获得天车当日行车有效作业率KPI＝0.70。相较实际运行数据，采用本发明方法，天车行车有效作业率增加了0.27。
因此，在保证生产需求情况下，采用本发明的控制过程能够尽可能降低无效让车次数，避免天车相撞，提高行车作业率，使钢厂生产效益和社会效益最大化。
实施例2：
如图10所示，本发明还提供了一种多天车调度优化系统，包括：
匹配模块M1用于匹配炼钢-精炼-连铸车间当天的任务和天车，获得n个任务-天车集合，其中n表示任务-天车集合匹配的个数；
时间计算模块M2用于建立多天车动态调度模型，获得所述每个任务-天车集合中所有任务完成时，所有天车的行车时间；
最短路径计算模块M3用于采用基于实数编码的双切点交叉遗传算法更新优化所述n个任务-天车集合，以所述所有任务完成时所有天车的行车时间最短为目标函数，获得所述所有任务完成时所有天车的行车时间最短的天车行车路径。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种多天车调度优化方法，其特征在于，包括：
匹配炼钢-精炼-连铸车间当天的任务和天车，获得n个任务-天车集合，其中n表示任务-天车集合匹配的个数；
建立多天车动态调度模型，获得所述每个任务-天车集合中所有任务完成时，所有天车的行车时间；
采用基于实数编码的双切点交叉遗传算法更新优化所述n个任务-天车集合，以所述所有任务完成时所有天车的行车时间最短为目标函数，获得所述所有任务完成时所有天车的行车时间最短的天车行车路径。
2.根据权利要求1所述的一种多天车调度优化方法，其特征在于，所述匹配炼钢-精炼-连铸车间当天的任务和天车，获得n个任务-天车集合，其中n表示任务-天车集合匹配的个数，具体包括：
获取炼钢-精炼-连铸车间当天的每个任务的任务编号、发生时间、起始位置、终止位置、工位距离和任务属性，建立任务集合；
根据所述任务属性及所述发生时间，对所述任务集合进行排序；
获取炼钢-精炼-连铸车间的每个天车的天车编号、天车任务属性和移动范围，建立天车集合；
根据所述任务属性、所述工位距离、所述天车任务属性和所述移动范围，获得n个任务-天车集合，其中n表示任务-天车集合匹配的个数。
3.根据权利要求2所述的一种多天车调度优化方法，其特征在于，所述根据所述任务属性及所述发生时间，对所述任务集合进行排序，具体包括：
按照所述每个任务的发生时间进行排序；
当两个任务的发生时间一致时，按照所述每个任务的任务属性进行排序，所述任务属性包括空包和重包；
所述按照所述每个任务的任务属性进行排序，具体包括：当所述任务属性不同时，采取重包优先原则对所有任务进行排序；当所述任务属性相同时，则随机安排所述任务属性相同的任务的执行顺序。
4.根据权利要求1所述的一种多天车调度优化方法，其特征在于，建立多天车动态调度模型，获得所述每个任务-天车集合中所有任务完成时，所有天车的行车时间，具体包括：
获取所述每个任务-天车集合中，最先被执行的任务对应的第一天车的发车时刻Ti和工位坐标Ci，其中i表示第一天车的编号；
判断其他天车在所述第一天车的发车时刻Ti之后是否存在轨迹点；
如果所述其他天车无轨迹点，则所述第一天车直接完成对应的任务，同时记录所述第一天车的行车时间；
否则，记录Ti时刻以及Ti时刻之后其他天车的轨迹点，其中，所述轨迹点是指每个天车在每次移动的开始时刻到停止时刻时，每个天车与工位距离的始末位置坐标；
按照所述Ti时刻以及Ti时刻之后其他天车的每个轨迹点发生的时间先后顺序，对所述Ti时刻以及Ti时刻之后其他天车的所有轨迹点进行排序，获得所述第一天车移动的约束集合，所述约束集合为排序后的Ti时刻以及Ti时刻之后其他天车的所有轨迹点；
根据所述约束集合，模拟第一天车的行车轨迹，按照所述行车轨迹使第一天车完成对应的任务，记录第一天车的行车时间；
按照所述第一天车完成对应任务的方法，完成对所述每个任务-天车集合中所有任务对应的天车的行车轨迹的模拟，获得所有任务完成时所有天车的行车时间。
5.根据权利要求4所述的一种多天车调度优化方法，其特征在于，所述根据所述约束集合，按照所述行车轨迹使第一天车完成对应的任务，记录第一天车的行车时间，具体包括：
根据所述约束集合，判断所述第一天车是否与其他天车发生撞车事件；
若不发生撞车事件，则允许所述第一天车完成对应的任务，并记录所述第一天车的行车轨迹时间；
否则，选取所述约束集合中发生撞车事件的时间段，安排所述第一天车进行等待；
判断所述第一天车在等待状态下是否与其他天车发生撞车事件；
若不发生撞车事件，则所述第一天车进行等待，同时更新所述第一天车的运行时间；
否则，安排所述第一天车在等待时间内进行让车，同时更新所述第一天车的运行时间。
6.根据权利要求5所述的一种多天车调度优化方法，其特征在于，判断第一天车与其他天车是否发生撞车事件，具体包括：
以横坐标表示天车运行时间，以纵坐标表示天车与工位距离，建立直角坐标系，则在所述直角坐标系中，通过判断所述第一天车的行车轨迹所在的第一线段与第二天车的行车轨迹所在的第二线段是否存在交点；
所述交点的求解过程包括：
b1＝(y2-y1)*x1+(x1-x2)*y1 (1)
b2＝(y4-y3)*x3+(x3-x4)*y3 (2)
D＝(x2-x1)(y4-y3)-(x4-x3)(y2-y1) (3)
D1＝b2*(x2-x1)-b1*(x4-x3) (4)
D2＝b2*(y2-y1)-b1*(y4-y3) (5)
x0＝D1/D (6)
y0＝D2/D (7)
其中，(x0,y0)表示为所述第一线段与所述第二线段的交点，(x1,y1)表示为所述第一线段的第一端点，(x2,y2)表示为所述第一线段的第二端点，(x3,y3)表示为所述第二线段的第三端点，(x4,y4)表示为所述第二线段的第四端点；
若所述交点存在，则所述第一天车与所述第二天车会发生撞车事件；
否则所述第一天车与所述第二天车不会发生撞车事件。
7.根据权利要求1所述的一种多天车调度优化方法，其特征在于，所述采用基于实数编码的双切点交叉遗传算法优化更新所述n个任务-天车集合，以所述所有任务完成时所有天车的行车时间最短为目标函数，获得所述所有任务完成时所有天车的行车时间最短的天车行车路径，具体包括：
选取所述n个任务-天车集合作为初始种群个体；
根据所述每个任务-天车集合中所有任务完成时所有天车的行车时间计算每条染色体的适应度值，并选择适应度值最大的染色体作为初始精英个体；
设定交叉概率Pc、变异概率Pm和迭代循环次数k的具体值；
对所述初始种群个体进行选择操作；
对选择后的种群个体以Pc进行有向交叉操作；
对交叉后的种群个体以Pm进行变异操作，并计算变异后的种群个体的适应度值；
保留精英个体操作，将前一代精英个体随机替换当前种群中的一个个体，并选择当前种群适应度值最大的个体作为新的精英个体；
判断迭代循环次数是否满足设定值，若不满足条件则返回“对所述初始种群个体进行选择操作”这一步骤，若满足条件则输出所述所有任务完成时所有天车的行车时间最短的天车行车路径。
8.根据权利要求7所述的一种多天车调度优化方法，其特征在于，所述对所述初始种群个体进行选择操作，具体包括：根据所述初始种群个体的适应度值，采用轮盘赌选择算子对所述初始种群个体进行选择操作。
9.根据权利要求7所述的一种多天车调度优化方法，其特征在于，所述对选择后的种群个体以Pc进行有向交叉操作，具体包括：
根据Pc从选择后的种群个体选择两条父代染色体，采用双切点的交叉方式对所述两条父代染色体进行交叉处理，交换两个切点之间的所述两条父代染色体的天车编号，产生两条交叉子代染色体；
所述对交叉后的种群个体以Pm进行变异操作，具体包括：
根据Pm从交叉后的种群个体中选择交叉子代染色体，在所述交叉子代染色体的码串中随机选取两个天车编号，同时随机生成两个天车编号替换选取的两个天车编号，完成变异操作。
10.一种多天车调度优化系统，其特征在于，包括：
匹配模块用于匹配炼钢-精炼-连铸车间当天的任务和天车，获得n个任务-天车集合，其中n表示任务-天车集合匹配的个数；
时间计算模块用于建立多天车动态调度模型，获得所述每个任务-天车集合中所有任务完成时，所有天车的行车时间；
最短路径计算模块用于基于实数编码的双切点交叉遗传算法更新优化所述n个任务-天车集合，以所述所有任务完成时所有天车的行车时间最短为目标函数，获得所述所有任务完成时所有天车的行车时间最短的天车行车路径。
CN202011456180.6A 2020-12-11 2020-12-11 一种多天车调度优化方法和系统 Pending CN112446642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011456180.6A CN112446642A (zh) 2020-12-11 2020-12-11 一种多天车调度优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011456180.6A CN112446642A (zh) 2020-12-11 2020-12-11 一种多天车调度优化方法和系统

Publications (1)

Publication Number Publication Date
CN112446642A true CN112446642A (zh) 2021-03-05

Family

ID=74740510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011456180.6A Pending CN112446642A (zh) 2020-12-11 2020-12-11 一种多天车调度优化方法和系统

Country Status (1)

Country Link
CN (1) CN112446642A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205277A (zh) * 2021-05-26 2021-08-03 华中科技大学 一种基于时空规则的车间生产与天车协同调度方法及装置
CN113435750A (zh) * 2021-06-29 2021-09-24 华中科技大学 一种基于遗传算法的车间生产与天车协同调度方法及装置
CN114936778A (zh) * 2022-05-26 2022-08-23 清华大学 构件作业车间排程方法及装置
CN116374834A (zh) * 2023-06-05 2023-07-04 合肥晶合集成电路股份有限公司 天车传输路径的智能规划方法、其装置以及其系统
CN116934059A (zh) * 2023-09-18 2023-10-24 华芯(嘉兴)智能装备有限公司 一种天车调度方法、装置、设备及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104678915A (zh) * 2013-11-28 2015-06-03 中国科学院沈阳自动化研究所 一种面向半导体生产线搬运系统多天车协调调度方法
CN105117791A (zh) * 2015-07-29 2015-12-02 沈阳工业大学 大件加工车间天车调度优化方法
CN107727099A (zh) * 2017-09-29 2018-02-23 山东大学 一种工厂内物料运输多agv调度及路径规划方法
CN111091238A (zh) * 2019-12-03 2020-05-01 青岛港国际股份有限公司 一种自动化集装箱码头agv智能化调度方法
CN111832965A (zh) * 2020-07-24 2020-10-27 上海海得控制系统股份有限公司 无人驾驶同跨多天车协同调度方法及系统、介质及终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104678915A (zh) * 2013-11-28 2015-06-03 中国科学院沈阳自动化研究所 一种面向半导体生产线搬运系统多天车协调调度方法
CN105117791A (zh) * 2015-07-29 2015-12-02 沈阳工业大学 大件加工车间天车调度优化方法
CN107727099A (zh) * 2017-09-29 2018-02-23 山东大学 一种工厂内物料运输多agv调度及路径规划方法
CN111091238A (zh) * 2019-12-03 2020-05-01 青岛港国际股份有限公司 一种自动化集装箱码头agv智能化调度方法
CN111832965A (zh) * 2020-07-24 2020-10-27 上海海得控制系统股份有限公司 无人驾驶同跨多天车协同调度方法及系统、介质及终端

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205277A (zh) * 2021-05-26 2021-08-03 华中科技大学 一种基于时空规则的车间生产与天车协同调度方法及装置
CN113205277B (zh) * 2021-05-26 2022-09-20 华中科技大学 一种基于时空规则的车间生产与天车协同调度方法及装置
CN113435750A (zh) * 2021-06-29 2021-09-24 华中科技大学 一种基于遗传算法的车间生产与天车协同调度方法及装置
CN114936778A (zh) * 2022-05-26 2022-08-23 清华大学 构件作业车间排程方法及装置
CN114936778B (zh) * 2022-05-26 2022-12-09 清华大学 构件作业车间排程方法及装置
CN116374834A (zh) * 2023-06-05 2023-07-04 合肥晶合集成电路股份有限公司 天车传输路径的智能规划方法、其装置以及其系统
CN116374834B (zh) * 2023-06-05 2023-08-01 合肥晶合集成电路股份有限公司 天车传输路径的智能规划方法、其装置以及其系统
CN116934059A (zh) * 2023-09-18 2023-10-24 华芯(嘉兴)智能装备有限公司 一种天车调度方法、装置、设备及可读存储介质
CN116934059B (zh) * 2023-09-18 2023-12-19 华芯(嘉兴)智能装备有限公司 一种天车调度方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN112446642A (zh) 一种多天车调度优化方法和系统
CN105550751B (zh) 利用优先级策略混合遗传算法的炼钢连铸生产调度方法
CN107609321A (zh) 基于Revit平台的连续梁桥参数化建模方法
Xu et al. Integrated scheduling optimization of U-shaped automated container terminal under loading and unloading mode
CN105488562B (zh) 一种基于多因子粒子群算法的不规则件排样方法
CN107423458A (zh) 钢铁生产过程仿真系统
CN108764579B (zh) 一种基于拥塞控制的仓储多机器人任务调度方法
CN110989603B (zh) 一种起重机搬运作业路径规划方法
CN106379378B (zh) 一种离线和在线结合调整驾驶曲线的方法和系统
CN105858043B (zh) 一种升降机与穿梭车结合的仓储系统优化调度方法
CN107392497A (zh) 一种基于改进遗传算法的车间调度系统及调度方法
CN105303320A (zh) 一种炼钢智能调度算法
CN111061987A (zh) 一种考虑主动避让的群塔调度优化方法
Yang et al. Scheduling model for the practical steelmaking-continuous casting production and heuristic algorithm based on the optimization of “furnace-caster matching” mode
CN109765801A (zh) 基于vissim仿真的车联网设计速度调整的实现方法
CN116542417A (zh) 一种面向半导体生产线搬运系统的控制系统及方法
CN110412990A (zh) 一种用于工厂环境下的agv避碰方法
CN105427028A (zh) 一种智能炼钢底层运输设备调度方法
Li et al. Simulation analysis of robotic mobile fulfilment system based on cellular automata
CN108985537A (zh) 一种基于粗糙集规则挖掘的炼钢-连铸作业计划重排方法
CN104573846B (zh) 一种基于ca‑pso混合优化算法的多态性作业车间布局优化方法
CN113435750B (zh) 一种基于遗传算法的车间生产与天车协同调度方法及装置
CN113837628A (zh) 一种基于深度强化学习的冶金工业车间天车调度方法
CN115471124A (zh) 一种基于深度强化学习的行车调度方法、系统、设备及介质
CN102073951A (zh) 一种钢铁企业能源仿真场景编制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210305

RJ01 Rejection of invention patent application after publication