CN112488441A - 一种露天矿卡车智能调度方法及系统 - Google Patents

Abstract

本发明公开了一种露天矿卡车智能调度方法及系统。其中露天矿卡车智能调度方法包括一种重车调度方法和一种空车调度方法。重车调度方法包括以下步骤：构建等待时间迭代预测框架，根据路网数据、任务中矿卡状态数据以及目的节点设备工作状态数据预测待调度矿卡的等待时间，作为子目标a、子目标c；由上层车流规划结果获取矿山区域每条道路的目标流率，作为子目标b；将电铲目标产量完成度作为子目标d；分别对子目标a、子目标b和子目标c、子目标d进行归一化及加权处理，构建重车调度和空车调度任务匹配模型，求解生成调度指令。本发明所提出的露天矿卡车智能调度方法及系统可以提高矿山运输系统的工作效率，同时节省矿山设备能耗，有助于推进智慧矿山建设。

Description

一种露天矿卡车智能调度方法及系统

技术领域

本发明涉及智慧矿山领域，尤其涉及一种露天矿卡车智能调度方法及系统。

背景技术

大型露天矿山开采工艺通常包括穿爆、采装、运输、排卸等四个步骤。其中，采装在装载点处进行，采装设备为铲车，一台铲车同一时间只能为单辆矿卡采装，采装物料包括矿石和废土；运输工具为矿卡，根据单次运输的物料类型分为载矿矿卡和载土矿卡，同一矿区的矿卡核载重量一般有很多种；排卸在卸载点进行，卸载点分为卸矿区和排土点两种类型，排土点通常为单入口，矿卡按照到达顺序逐一排卸，卸矿区一般为破碎站或配矿中转站，通常也为单入口。矿卡装载完成后需要为其指定卸载点，称为重车调度；矿卡卸载完成后需要为其指定装载点，称为空车调度，调度的目的在于提高作业效率、降低作业成本。

通过人工依靠经验对矿卡进行调度过于繁琐且效率低下，在计算机技术迅速发展的今天，智能调度可以在节省运输成本的同时提高运输效率、降低人工成本。现有智能调度算法通常为两阶段调度，第一阶段称为车流规划，根据矿山作业计划确定本班次内每条路径的目标流率，单位为吨/小时(t/h)；第二阶段称为实时调度，根据矿山动态作业情况对矿卡进行任务分配，以达到预期的作业目标。

目前的露天矿卡车调度多集中于系统平台的搭建，而对核心调度算法的研究较少；目前已有部分矿场为提高运输作业效率、减少矿卡等待时间，将卸矿区设置为多入口，多台矿卡可同时卸载，但尚无考虑此类卸矿区的露天矿卡车智能调度方法；现有的露天矿卡车调度模型多根据单一目标进行调度，与上层车流规划结果耦合性较差，并且在进行调度决策时没有考虑已调度车辆以及目的地设备工作状态变化带来的影响。因为以上原因，现有露天矿卡车智能调度算法适用场景单一，可扩展性差，难以满足动态变化的最优调度需求。

目前已有关于露天矿卡车智能调度的相关技术与专利，例如：公开号为CN110053573A，CN108109368A，CN103164782B的专利关注于露天矿卡车调度系统平台架构；公开号为CN109190835A的专利中通过时间窗约束进行矿卡作业调度，但其所建模型只能针对同质车队进行调度，并且没有考虑实时调度模型与上层规划结果的耦合性，不利于阶段性目标的完成和矿山整体作业规划。

发明内容

针对现有技术存在的不足，本发明的目的在于考虑包含多入口卸矿区的露天矿山，提供一种露天矿卡车智能调度方法及系统，以解决现有露天矿卡车调度方法调度预测不准确、运输效率低下的问题。

为实现上述目的，本发明提供了如下技术方案：一种露天矿卡车智能调度方法，包括如下步骤：

步骤1，针对满载矿卡或空载矿卡可调度的每一个卸载点或装载点，计算预期等待时间，作为子目标a或子目标c；

步骤2，计算当前状态下每条路径的欠车时间或每台电铲的目标产量完成度，作为子目标b或子目标d；

步骤3，根据子目标a和子目标b或者子目标c和子目标d构造目标函数及相关约束，建立重车或空车调度模型，求解得到最优调度结果，生成调度指令供相应矿卡执行。

作为本发明的进一步改进，所述步骤1中针对满载矿卡计算预期等待时间，作为子目标a的具体步骤如下：

步骤11，预测装载中的待调度矿卡到达卸载点i的时间，公式如下：

其中，T_rj为待调度矿卡的剩余装载时间，D_ji为装载点j与卸载点i之间的最短路径距离，v_kl为待调度矿卡k的满载行驶速度；

步骤12，对路网中每一辆以i为目的卸载点的任务中矿卡k’到达卸载点i的时间进行预测，公式为：

其中，T_now为当前时刻，D_k′i为矿卡k’到达卸载点i的剩余行驶距离，v_k′l为矿卡k′的满载行驶速度；T_k″i为目前破碎站i处卸载中矿卡的实际到达时间；

步骤13，{T_ki,T_k′i,T_k″i}为上述三类矿卡的到达时间或预期到达时间集合，将其中元素按时间先后进行排序为{T₁,T₂,…,T_m,…}，其中待调度矿卡预期到达时间为T_m，接下来根据此序列以及卸载规则迭代计算序列中每一辆矿卡的预期等待时间或实际等待时间{w₁,w₂,…,w_m,…}，进而得到将待调度矿卡派往每个卸载点的预期等待时间w_kji并作为调度子目标a，其中卸载规则分为破碎站卸载规则和排土点卸载规则两种。

作为本发明的进一步改进，当待调度矿卡为载矿矿卡，所述步骤13中的卸载规则为破碎站卸载规则，破碎站卸载规则具体为：3个入口中，入口i₁供大容量矿卡卸载，入口i₂、i₃供小容量矿卡卸载；大容量入口和小容量入口不得同时卸载；若2台小容量矿卡相继到达，则2个小容量入口可同时卸载，对于序列中的某台矿卡n，若其和上一辆矿卡为异质矿卡，则其预期等待时间与上一台矿卡的卸载完成时间相关，计算公式为：

w_g＝max(T_n-1+w_n-1+t_d,n-1-T_n,0)

其中t_d,n-1为序列中第n-1辆矿卡的卸载时间；若其和上一辆矿卡为同质大容量矿卡，则其预期等待时间同上；若其和上一辆矿卡为同质小容量矿卡，则其等待时间与序列中第n-2辆矿卡的卸载完成时间相关，计算公式为：

w_g＝max(T_n-2+w_n-2+t_d,n-2-T_n,0)

由此迭代得到待调度载矿矿卡k派往卸矿区i的预期等待时间w_kji＝w_m，同理可计算出将待调度矿卡k派往其他卸矿区i∈I的预期等待时间；

当待调度矿卡为载土矿卡，所述步骤13中的卸载规则为排土点卸载规则，对于序列中的某台矿卡n，其预期等待时间与第n-1辆矿卡的卸载完成时间相关，计算公式为：

w_n＝max(T_n-1+w_n-1+t_d,n-1-T_n,0)

迭代计算序列中矿卡的预期等待时间，可得到待调度载土矿卡k派往排土点i的预期等待时间w_kji＝w_m，同理可计算出将待调度矿卡k派往其他排土点i∈I的预期等待时间。

作为本发明的进一步改进，所述步骤2中计算每条路径的欠车时间，作为子目标b的具体步骤如下：

步骤21，对矿卡可指派路径ji的欠车时间进行计算并作为调度子目标b，计算公式为：

其中T_jil为路径ji上一次的派车时间，c_jil为路径ji上一次派车的矿卡容量(t)，P_ji为路径ji的目标流率(t/h)。

作为本发明的进一步改进，所述步骤3中根据子目标a和b构造目标函数及相关约束，建立重车调度模型，求解得到最优调度结果的具体步骤如下：

步骤31，首先得到2个子目标函数，分别为：

2个目标函数具有不同的量纲和量纲单位，为了消除指标间的量纲影响，需要进行数据归一化处理，采取常用的min-max归一化方法，对两个子目标函数进行归一化处理得到

公式如下：

其中，f_amin,f_bmin分别为f_a,f_b可达到的最小值，f_amax,f_bmax分别为f_a,f_b可达到的最大值；

步骤32，通过以下公式进行优化：

式中，P_a,P_b为子目标函数的权重系数，可根据实际作业情况进行设置；x_kji为表示调度决策的二进制变量，若将电铲j处的待调度矿卡k派往卸载点i，则x_kji＝1，否则x_kji＝0；I,J,K分别为卸载点集、电铲集、矿卡集；I′,J′,K′分别为故障破碎站集、故障电铲集、故障矿卡集；

步骤33，求解上述模型得到优化结果，根据优化结果生成调度指令，供待调度矿卡执行。

作为本发明的进一步改进，所述步骤1中针对空载矿卡计算预期等待时间，作为子目标c的具体步骤如下：

步骤14，对卸载中的待调度矿卡进行到达装载点j的时间进行预测，公式如下：

其中，T_ri为待调度矿卡的剩余卸载时间，D_ij为装载点j与卸载点i之间的最短路径距离，D_ij不一定等于D_ji，v_ku为待调度矿卡k的空载行驶速度；

步骤15，对路网中每一辆以j为目的装载点的任务中矿卡k’到达装载点i的时间进行预测，公式为：

其中，T_now为当前时刻，D_k′j为矿卡k’到达装载点j的剩余行驶距离，v_k′u为矿卡k′的空载行驶速度；

步骤16，对目前装载点处装载中以及队列中矿卡的剩余装载时间进行计算，公式如下：Δt_rj＝Δt_ing+Δt_Q；其中Δt_ing表示目前占用装载点j的矿卡的剩余装载时间，Δt_Q为目前矿卡j处等待队列中矿卡的总装载时间；

步骤17，{T_k′j,T_kj}为上述两类矿卡的预期到达时间集合，将其中元素按时间先后进行排序为{T₁,T₂,···,T_m,···}，其中待调度矿卡预期到达时间为T_m，其对应的剩余行驶时间为{Δt₁,Δt₂,···,Δt_m,···}；

步骤18，计算顺序集合中第一辆矿卡的预期等待时间

w₁＝max(Δt_rj-Δt₁,0)

计算顺序集中第二辆矿卡的预期等待时间

w₂＝max(T₁+w₁+t_s+t_l,1-T₂,0)

其中t_s为矿卡装载前的准备时间，t_l,1为顺序集中第一辆矿卡的装载时间。继续迭代可得到待调度矿卡派往装载点的预期等待时间

w_kij＝w_m＝max(T_m-1+w_m-1+t_s+t_l,m-1-T_m,0)

同理可计算出将待调度矿卡k派往其他装载点j∈J的预期等待时间，作为子目标c。

作为本发明的进一步改进，所述步骤2中计算每台电铲的目标产量完成度，作为子目标d的具体步骤如下：

步骤22，对矿卡可指派电铲j的目标产量完成度进行计算,并作为调度子目标d，计算公式为：

其中P_j′为本班次以来电铲j已完成的装载量(t)，数据可从系统中获取，P_j为电铲j在本班次的目标产量(t)，计算公式为：

其中P_ji为上层规划结果中电铲j在本班次的路径流率(t/h)，T为班次总时间。作为本发明的进一步改进，所述步骤3中根据子目标c和子目标d构造目标函数及相关约束，建立空车调度模型，求解得到最优调度结果的具体步骤如下：

步骤34，首先得到2个子目标函数，分别为：

采取常用的min-max归一化方法，对两个子目标函数进行归一化处理得到

其如下：

其中，f_cmin,f_dmin分别为f_c,f_d可达到的最小值，f_cmax,f_dmax分别为f_c,f_d可达到的最大值；

步骤35，通过以下公式进行优化：

式中，P_c,P_d为子目标函数的权重系数，可根据实际作业情况进行设置；x_kij为表示调度决策的二进制变量，若将卸载点i处的待调度矿卡k派往电铲j，则x_kij＝1，否则，x_kij＝0；I,J,K分别为卸载点集、电铲集、矿卡集；I′,J′,K′分别为故障破碎站集、故障电铲集、故障矿卡集；

步骤36，求解上述模型得到优化结果，根据优化结果生成调度指令，供待调度矿卡执行。

本发明另一方面提供了一种应用上述方法的系统，包括：

车载终端监控模块，用于采集矿卡位置、姿态、速度、油量等状态数据；

运动控制模块，设置于车载终端，用于控制矿卡运动，以执行其接收的调度任务，若非无人驾驶矿卡，则由司机执行调度指令；

调度系统监控模块，设置于调度系统后台，通过通信模块接收矿卡状态数据，为调度算法提供数据支持；

调度模块，设置于调度系统后台，内置本发明提出的露天矿卡车智能调度算法，通过求解调度模型得到优化的调度结果，生成调度指令发送至车载终端，同时存储系统任务数据，供数据分析使用；

通信模块，为车载终端和调度系统后台之间的数据交互提供支持，调度后台通过通信模块获取矿卡状态数据，车载终端通过通信模块接收调度指令

本发明的有益效果，通过步骤1的设置，便可有效地实现根据每个卸载点和装载点计算出预期等待时间，来作为子目标a和子目标c，再通过步骤2的设置，便可有效的实现根据每条路径的欠车时间和每台电铲的目标产量完成度，来作为子目标b和子目标d，最后通过步骤3的设置，便可有效的将步骤1和步骤2获得子目标相互结合，建立调度模型，再求解到最优调度结果后再输出调度指令，如此相比于现有技术中的调度方法，易于实现，节约人力，精准调度，提高设备利用率，节省能耗，增加收益等

附图说明

图1为露天矿卡车调度示意图；

图2为本发明提出的露天矿卡车智能调度方法示意图；

图3为路径等待时间迭代预测框架；

图4为本发明提出的露天矿卡车智能调度系统模块框图。

具体实施方式

下面将结合附图所给出的实施例对本发明做进一步的详述。

其中，本发明中假设铲车为电铲、卸矿区为破碎站，并以单入口电铲、排土点以及3入口破碎站为例描述所提出的露天矿卡车智能调度方法，但并不局限于3入口破碎站，同样适用于多入口的配矿中转站等，系统框图如图2所示，以辅助理解所提出的方法。所提出的方法优点在于：易于实现，节约人力，精准调度，提高设备利用率，节省能耗，增加收益等。

基于现有智能网联技术，可以实时获取矿山道路网络中所有车辆的任务数据及状态信息，包括矿卡本次任务目的地、满载/空载行驶速度、剩余行驶距离等数据，根据这些数据可计算智能调度算法的输入参数。

为便于理解，以下描述中，j∈J为装载点，i∈I为卸载点，包括破碎站和排土点，k∈K为待调度矿卡，k′∈K为任务中矿卡。

其中本实施例中的调度方法可应用于重车和空车两种状况，现分别对重车和空车两种状况进行分开说明；

参照图1至4所示，本实施例的一种矿卡重车调度方法，包括如下步骤：

步骤1，针对满载矿卡可调度的每一个卸载点，计算预期等待时间，作为子目标a；

步骤2，计算当前状态下每条路径的欠车时间，作为子目标b；

步骤3，根据子目标a和b构造目标函数及相关约束，建立重车调度模型，求解得到最优调度结果，生成调度指令供相应矿卡执行。

步骤11，预测待调度矿卡(装载中)到达卸载点i的时间，公式如下：

其中，T_rj为待调度矿卡的剩余装载时间，D_ji为装载点j与卸载点i之间的最短路径距离，v_kl为待调度矿卡k的满载行驶速度；

步骤12，对路网中每一辆以i为目的卸载点的任务中矿卡k’到达卸载点i的时间进行预测，公式为：

其中，T_now为当前时刻，D_k′i为矿卡k’到达卸载点i的剩余行驶距离，v_k′l为矿卡k′的满载行驶速度；

T_k″i为目前破碎站i处卸载中矿卡的实际到达时间；

步骤13，{T_ki,T_k′i,T_k″i}为上述三类矿卡的到达时间或预期到达时间集合，将其中元素按时间先后进行排序为{T₁,T₂,···,T_m,···}(待调度矿卡预期到达时间为T_m)，接下来根据此序列以及卸载规则迭代计算序列中每一辆矿卡的预期等待时间或实际等待时间{w₁,w₂,···,w_m,···}，进而得到将待调度矿卡派往每个卸载点的预期等待时间w_kji并作为调度子目标a，其中卸载规则分为破碎站卸载规则和排土点卸载规则两种；

步骤131，若待调度矿卡为载矿矿卡，则需遵守破碎站卸载规则。

本发明中假设破碎站具有3个入口i₁、i₂、i₃，供不同运载能力的矿卡卸矿，以提高作业效率，将所有矿卡以某一核载重量值为界限分为大容量矿卡和小容量矿卡，卸载规则如下：

1.3个入口中，入口i₁供大容量矿卡卸载，入口i₂、i₃供小容量矿卡卸载；

2.大容量入口和小容量入口不得同时卸载；

3.若2台小容量矿卡相继到达，则2个小容量入口可同时卸载。

对于序列中的某台矿卡n，若其和上一辆矿卡为异质矿卡，则其预期等待时间与上一台矿卡的卸载完成时间相关，计算公式为：

w_g＝max(T_n-1+w_n-1+t_d,n-1-T_n,0)

其中t_d,n-1为序列中第n-1辆矿卡的卸载时间；若其和上一辆矿卡为同质大容量矿卡，则其预期等待时间同上；若其和上一辆矿卡为同质小容量矿卡，则其等待时间与序列中第n-2辆矿卡的卸载完成时间相关，计算公式为：

w_g＝max(T_n-2+w_n-2+t_d,n-2-T_n,0)

由此迭代得到待调度载矿矿卡k派往卸矿区i的预期等待时间w_kji＝w_m，同理可计算出将待调度矿卡k派往其他卸矿区i∈I的预期等待时间；

步骤132，若待调度矿卡为载土矿卡，则需遵守排土点卸载规则。对于序列中的某台矿卡n，其预期等待时间与第n-1辆矿卡的卸载完成时间相关，计算公式为：

w_n＝max(T_n-1+w_n-1+t_d,n-1-T_n,0)

迭代计算序列中矿卡的预期等待时间，可得到待调度载土矿卡k派往排土点i的预期等待时间w_kji＝w_m，同理可计算出将待调度矿卡k派往其他排土点i∈I的预期等待时间；

步骤21，对矿卡可指派路径ji的欠车时间进行计算并作为调度子目标b，计算公式为：

其中T_jil为路径ji上一次的派车时间，c_jil为路径ji上一次派车的矿卡容量(t)，P_ji为路径ji的目标流率(t/h)；

步骤31，由此得到2个子目标函数，分别为：

2个目标函数具有不同的量纲和量纲单位，为了消除指标间的量纲影响，需要进行数据归一化处理。采取常用的min-max归一化方法，对两个子目标函数进行归一化处理得到

其如下：

其中，f_amin,f_bmin分别为f_a,f_b可达到的最小值，f_amax,f_bmax分别为f_a,f_b可达到的最大值；

步骤32，通过以下公式进行优化：

式中，P_a,P_b为子目标函数的权重系数，可根据实际作业情况进行设置；x_kji为表示调度决策的二进制变量，若将电铲j处的待调度矿卡k派往卸载点i，则x_kji＝1，否则x_kji＝0；I,J,K分别为卸载点集、电铲集、矿卡集；I′,J′,K′分别为故障破碎站集、故障电铲集、故障矿卡集。

式(1)为目标函数，表示为路径预期等待时间和路径欠车时间的加权融合函数，模型求解结果将使其最小化；约束(2)表示每辆待调度矿卡只能执行一个任务；约束(3)表示每个装载点在同一时间最多有1台矿卡申请任务调度；约束(4)表示待调度矿卡数量不能超过总矿卡数量；约束(5)-(7)分别表示为当某卸载点/矿卡/装载点发生故障时，所做任务决策将不再考虑此设备；约束(8)表示调度决策x_kji为二进制变量。

步骤33，根据优化结果生成调度指令，供待调度矿卡执行。

参照图1至4所示，本实施例的一种矿卡空车调度方法，包括如下步骤：

步骤1，针对空载矿卡可调度的每一个装载点，计算预期等待时间，作为子目标c；

步骤2，计算当前状态下每台电铲的班次目标产量完成度，作为子目标d；

步骤3，根据子目标c和d构造目标函数及相关约束，建立空车调度模型，求解得到最优调度结果，生成调度指令供相应矿卡执行。

步骤11，对待调度矿卡(卸载中)进行到达装载点j的时间进行预测，公式如下：

其中，T_ri为待调度矿卡的剩余卸载时间，D_ij为装载点j与卸载点i之间的最短路径距离，D_ij不一定等于D_ji，v_ku为待调度矿卡k的空载行驶速度；

步骤12，对路网中每一辆以j为目的装载点的任务中矿卡k’到达装载点i的时间进行预测，公式为：

其中，T_now为当前时刻，D_k′j为矿卡k’到达装载点j的剩余行驶距离，v_k′u为矿卡k′的空载行驶速度；

步骤13，对目前装载点处装载中以及队列中矿卡的剩余装载时间进行计算，公式如下：Δt_rj＝Δt_ing+Δt_Q；其中Δt_ing表示目前占用装载点j的矿卡的剩余装载时间，Δt_Q为目前矿卡j处等待队列中矿卡的总装载时间；

步骤14，{T_k′j,T_kj}为上述两类矿卡的预期到达时间集合，将其中元素按时间先后进行排序为{T₁,T₂,···,T_m,···}(待调度矿卡预期到达时间为T_m)，其对应的剩余行驶时间为{Δt₁,Δt₂,···,Δt_m,···}；

步骤15，计算顺序集合中第一辆矿卡的预期等待时间

w₁＝max(Δt_rj-Δt₁,0)

计算顺序集中第二辆矿卡的预期等待时间

w₂＝max(T₁+w₁+t_s+t_l,1-T₂,0)

其中t_s为矿卡装载前的准备时间，t_l,1为顺序集中第一辆矿卡的装载时间。继续迭代可得到待调度矿卡派往装载点的预期等待时间

w_kij＝w_m＝max(T_m-1+w_m-1+t_s+t_l,m-1-T_m,0)

同理可计算出将待调度矿卡k派往其他装载点j∈J的预期等待时间，作为子目标c；

步骤21，对矿卡可指派电铲j的目标产量完成度进行计算,并作为调度子目标4，计算公式为：

其中P′_j为本班次以来电铲j已完成的装载量(t)，数据可从系统中获取，P_j为电铲j在本班次的目标产量(t)，计算公式为：

其中P_ji为上层规划结果中电铲j在本班次的路径流率(t/h)，T为班次总时间；

步骤31，由此得到2个子目标函数，分别为：

采取常用的min-max归一化方法，对两个子目标函数进行归一化处理得到

其如下：

其中，f_cmin,f_dmin分别为f_c,f_d可达到的最小值，f_cmax,f_dmax分别为f_c,f_d可达到的最大值；

步骤32，通过以下公式进行优化：

式中，P_c,P_d为子目标函数的权重系数，可根据实际作业情况进行设置；x_kij为表示调度决策的二进制变量，若将卸载点i处的待调度矿卡k派往电铲j，则x_kij＝1，否则，x_kij＝0；I,J,K分别为卸载点集、电铲集、矿卡集；I′,J′,K′分别为故障破碎站集、故障电铲集、故障矿卡集，式(9)为目标函数，表示为路径等待时间和电铲目标产量完成度的加权融合函数，模型求解结果将使其最小化；约束(10)表示每辆待调度矿卡只能执行一个任务；约束(11)表示每个卸载点在同一时间最多有1台矿卡申请任务调度；约束(12)表示待调度矿卡数量不能超过总矿卡数量；约束(13)-(15)分别表示为当某卸载点/矿卡/装载点发生故障时，所做任务决策将不再考虑此设备；约束(16)表示装载量不能超过待调度矿卡容量；约束(17)表示调度决策x_kij为二进制变量。

步骤33，根据优化结果生成调度指令，供待调度矿卡执行。

本实施例另一方面提供了一种应用上述方法的系统，如图4所示，包括：

车载终端监控模块，用于采集矿卡位置、姿态、速度、油量等状态数据；

运动控制模块，设置于车载终端，用于控制矿卡运动，以执行其接收的调度任务，若非无人驾驶矿卡，则由司机执行调度指令；

调度系统监控模块，设置于调度系统后台，通过通信模块接收矿卡状态数据，为调度算法提供数据支持；

调度模块，设置于调度系统后台，内置本发明提出的露天矿卡车智能调度算法，通过求解调度模型得到优化的调度结果，生成调度指令发送至车载终端，同时存储系统任务数据，供数据分析使用；

通信模块，为车载终端和调度系统后台之间的数据交互提供支持，调度后台通过通信模块获取矿卡状态数据，车载终端通过通信模块接收调度指令

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种露天矿卡车智能调度方法，其特征在于：包括如下步骤：

步骤1，针对满载矿卡或空载矿卡可调度的每一个卸载点或装载点，计算预期等待时间，作为子目标a或子目标c；

步骤2，计算当前状态下每条路径的欠车时间或每台电铲的目标产量完成度，作为子目标b或子目标d；

步骤3，根据子目标a和子目标b或者子目标c和子目标d构造目标函数及相关约束，建立重车或空车调度模型，求解得到最优调度结果，生成调度指令供相应矿卡执行。

2.根据权利要求1所述的露天矿卡车智能调度方法，其特征在于：所述步骤1中针对满载矿卡计算预期等待时间，作为子目标a的具体步骤如下：

步骤11，预测装载中的待调度矿卡到达卸载点i的时间，公式如下：

其中，T_rj为待调度矿卡的剩余装载时间，D_ji为装载点j与卸载点i之间的最短路径距离，v_kl为待调度矿卡k的满载行驶速度；

步骤12，对路网中每一辆以i为目的卸载点的任务中矿卡k’到达卸载点i的时间进行预测，公式为：

其中，T_now为当前时刻，D_k′i为矿卡k’到达卸载点i的剩余行驶距离，v_k′l为矿卡k′的满载行驶速度；T_k″i为目前破碎站i处卸载中矿卡的实际到达时间；

步骤13，{T_ki,T_k′i,T_k″i}为上述三类矿卡的到达时间或预期到达时间集合，将其中元素按时间先后进行排序为{T₁,T₂,···,T_m,···}，其中待调度矿卡预期到达时间为T_m，接下来根据此序列以及卸载规则迭代计算序列中每一辆矿卡的预期等待时间或实际等待时间{w₁,w₂,···,w_m,···}，进而得到将待调度矿卡派往每个卸载点的预期等待时间w_kji并作为调度子目标a，其中卸载规则分为破碎站卸载规则和排土点卸载规则两种。

3.根据权利要求2所述的露天矿卡车调度方法，其特征在于：当待调度矿卡为载矿矿卡，所述步骤13中的卸载规则为破碎站卸载规则，破碎站卸载规则具体为：3个入口中，入口i₁供大容量矿卡卸载，入口i₂、i₃供小容量矿卡卸载；大容量入口和小容量入口不得同时卸载；若2台小容量矿卡相继到达，则2个小容量入口可同时卸载，对于序列中的某台矿卡n，若其和上一辆矿卡为异质矿卡，则其预期等待时间与上一台矿卡的卸载完成时间相关，计算公式为：

w_g＝max(T_n-1+w_n-1+t_d,n-1-T_n,0)

其中t_d,n-1为序列中第n-1辆矿卡的卸载时间；若其和上一辆矿卡为同质大容量矿卡，则其预期等待时间同上；若其和上一辆矿卡为同质小容量矿卡，则其等待时间与序列中第n-2辆矿卡的卸载完成时间相关，计算公式为：

w_g＝max(T_n-2+w_n-2+t_d,n-2-T_n,0)

由此迭代得到待调度载矿矿卡k派往卸矿区i的预期等待时间w_kji＝w_m，同理可计算出将待调度矿卡k派往其他卸矿区i∈I的预期等待时间；

当待调度矿卡为载土矿卡，所述步骤13中的卸载规则为排土点卸载规则，对于序列中的某台矿卡n，其预期等待时间与第n-1辆矿卡的卸载完成时间相关，计算公式为：

w_n＝max(T_n-1+w_n-1+t_d,n-1-T_n,0)

迭代计算序列中矿卡的预期等待时间，可得到待调度载土矿卡k派往排土点i的预期等待时间w_kji＝w_m，同理可计算出将待调度矿卡k派往其他排土点i∈I的预期等待时间。

4.根据权利要求1或2所述的露天矿卡车调度方法，其特征在于：所述步骤2中计算每条路径的欠车时间，作为子目标b的具体步骤如下：

步骤21，对矿卡可指派路径ji的欠车时间进行计算并作为调度子目标b，计算公式为：

其中T_jil为路径ji上一次的派车时间，c_jil为路径ji上一次派车的矿卡容量(t)，P_ji为路径ji的目标流率(t/h)。

5.根据权利要求1或2所述的露天矿卡车调度方法，其特征在于：所述步骤3中根据子目标a和b构造目标函数及相关约束，建立重车调度模型，求解得到最优调度结果的具体步骤如下：

步骤31，首先得到2个子目标函数，分别为：

2个目标函数具有不同的量纲和量纲单位，为了消除指标间的量纲影响，需要进行数据归一化处理，采取常用的min-max归一化方法，对两个子目标函数进行归一化处理得到

公式如下：

其中，f_amin,f_bmin分别为f_a,f_b可达到的最小值，f_amax,f_bmax分别为f_a,f_b可达到的最大值；

步骤32，通过以下公式进行优化：

式中，P_a,P_b为子目标函数的权重系数，可根据实际作业情况进行设置；x_kji为表示调度决策的二进制变量，若将电铲j处的待调度矿卡k派往卸载点i，则x_kji＝1，否则x_kji＝0；I,J,K分别为卸载点集、电铲集、矿卡集；I′,J′,K′分别为故障破碎站集、故障电铲集、故障矿卡集；

步骤33，求解上述模型得到优化结果，根据优化结果生成调度指令，供待调度矿卡执行。

6.根据权利要求1所述的露天矿卡车调度方法，其特征在于：所述步骤1中针对空载矿卡计算预期等待时间，作为子目标c的具体步骤如下：

步骤14，对卸载中的待调度矿卡进行到达装载点j的时间进行预测，公式如下：

其中，T_ri为待调度矿卡的剩余卸载时间，D_ij为装载点j与卸载点i之间的最短路径距离，D_ij不一定等于D_ji，v_ku为待调度矿卡k的空载行驶速度；

步骤15，对路网中每一辆以j为目的装载点的任务中矿卡k’到达装载点i的时间进行预测，公式为：

其中，T_now为当前时刻，D_k′j为矿卡k’到达装载点j的剩余行驶距离，v_k′u为矿卡k′的空载行驶速度；

步骤16，对目前装载点处装载中以及队列中矿卡的剩余装载时间进行计算，公式如下：Δt_rj＝Δt_ing+Δt_Q；其中Δt_ing表示目前占用装载点j的矿卡的剩余装载时间，Δt_Q为目前矿卡j处等待队列中矿卡的总装载时间；

步骤17，{T_k′j,T_kj}为上述两类矿卡的预期到达时间集合，将其中元素按时间先后进行排序为{T₁,T₂,···,T_m,···}，其中待调度矿卡预期到达时间为T_m，其对应的剩余行驶时间为{Δt₁,Δt₂,···,Δt_m,···}；

步骤18，计算顺序集合中第一辆矿卡的预期等待时间

w₁＝max(Δt_rj-Δt₁,0)

计算顺序集中第二辆矿卡的预期等待时间

w₂＝max(T₁+w₁+t_s+t_l,1-T₂,0)

其中t_s为矿卡装载前的准备时间，t_l,1为顺序集中第一辆矿卡的装载时间，继续迭代可得到待调度矿卡派往装载点的预期等待时间

w_kij＝w_m＝max(T_m-1+w_m-1+t_s+t_l,m-1-T_m,0)

同理可计算出将待调度矿卡k派往其他装载点j∈J的预期等待时间，作为子目标c。

7.根据权利要求6所述的露天矿卡车调度方法，其特征在于：所述步骤2中计算每台电铲的目标产量完成度，作为子目标d的具体步骤如下：

步骤22，对矿卡可指派电铲j的目标产量完成度进行计算,并作为调度子目标d，计算公式为：

其中P_j′为本班次以来电铲j已完成的装载量(t)，数据可从系统中获取，P_j为电铲j在本班次的目标产量(t)，计算公式为：

其中P_ji为上层规划结果中电铲j在本班次的路径流率(t/h)，T为班次总时间。

8.根据权利要求7所述的露天矿卡车调度方法，其特征在于：所述步骤3中根据子目标c和子目标d构造目标函数及相关约束，建立空车调度模型，求解得到最优调度结果的具体步骤如下：

步骤34，首先得到2个子目标函数，分别为：

采取常用的min-max归一化方法，对两个子目标函数进行归一化处理得到

其如下：

其中，f_cmin,f_dmin分别为f_c,f_d可达到的最小值，f_cmax,f_dmax分别为f_c,f_d可达到的最大值；

步骤35，通过以下公式进行优化：

式中，P_c,P_d为子目标函数的权重系数，可根据实际作业情况进行设置；x_kij为表示调度决策的二进制变量，若将卸载点i处的待调度矿卡k派往电铲j，则x_kij＝1，否则，x_kij＝0；I,J,K分别为卸载点集、电铲集、矿卡集；I′,J′,K′分别为故障破碎站集、故障电铲集、故障矿卡集；

步骤36，求解上述模型得到优化结果，根据优化结果生成调度指令，供待调度矿卡执行。

9.一种应用权利要求1至8任意一项所述方法的系统，其特征在于：包括：

车载终端监控模块，用于采集矿卡位置、姿态、速度、油量等状态数据；

运动控制模块，设置于车载终端，用于控制矿卡运动，以执行其接收的调度任务，若非无人驾驶矿卡，则由司机执行调度指令；

调度系统监控模块，设置于调度系统后台，通过通信模块接收矿卡状态数据，为调度算法提供数据支持；

调度模块，设置于调度系统后台，内置本发明提出的露天矿卡车智能调度算法，通过求解调度模型得到优化的调度结果，生成调度指令发送至车载终端，同时存储系统任务数据，供数据分析使用；

通信模块，为车载终端和调度系统后台之间的数据交互提供支持，调度后台通过通信模块获取矿卡状态数据，车载终端通过通信模块接收调度指令。

Images