CN114971254B - 多品种变批量环锻件加热成型一体化生产调度优化方法 - Google Patents
多品种变批量环锻件加热成型一体化生产调度优化方法 Download PDFInfo
- Publication number
- CN114971254B CN114971254B CN202210547048.9A CN202210547048A CN114971254B CN 114971254 B CN114971254 B CN 114971254B CN 202210547048 A CN202210547048 A CN 202210547048A CN 114971254 B CN114971254 B CN 114971254B
- Authority
- CN
- China
- Prior art keywords
- heating
- time
- workpiece
- furnace
- temperature
- 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.)
- Active
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 324
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000005457 optimization Methods 0.000 title claims abstract description 65
- 238000005242 forging Methods 0.000 title claims abstract description 59
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000005096 rolling process Methods 0.000 claims abstract description 62
- 238000005496 tempering Methods 0.000 claims abstract description 31
- 230000002068 genetic effect Effects 0.000 claims abstract description 29
- 238000010791 quenching Methods 0.000 claims abstract description 28
- 230000000171 quenching effect Effects 0.000 claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 43
- 238000004321 preservation Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000010079 rubber tapping Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000012248 genetic selection Methods 0.000 claims description 2
- 238000000465 moulding Methods 0.000 claims description 2
- 238000009401 outcrossing Methods 0.000 claims description 2
- 238000007599 discharging Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract 2
- 238000004088 simulation Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000006232 furnace black Substances 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/0633—Workflow analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Control Of Heat Treatment Processes (AREA)
- Forging (AREA)
Abstract
本发明涉及一种多品种变批量环锻件加热成型一体化生产调度优化方法，包括：首先，针对加热温度不同的工件，将其加热过程等同为锻件入炉温度‑出炉温度的温度变换过程，并使用遗传算法对温度变换过程进行调度优化；其次，使用遗传算法合理性判断函数修改个体合理性，同时将轧环阶段时间与功耗的判断整合入其中，并将时间参数返回至适应性函数的时间参数之中，将功耗参数计入整体可优化功耗参数。最后，计算个体后续淬火与回火调度，使用动态规划函数对其进行调度优化，并将其整合进入遗传算法适应度函数之中。本发明对加热成型所有步骤均进行排产调度优化，实用性较为广泛，可以减少非必要加热炉的功耗，增加环锻件加热成型一体化总体效率。
Description
技术领域
本发明涉及环锻件加热成型生产调度领域，更具体地说，涉及一种多品种 变批量环锻件加热成型一体化生产调度优化方法。
背景技术
锻造技术作为工业制造中重要的生产方式，在我国的重工业生产制造中应 用极为广泛。加热作为锻造中极为重要的步骤，能源消耗极为巨大。同一批次 锻件较多时，不同品种环锻件要求温度差异较大，若随意排序，则整体锻造过 程中加热炉将浪费大量能源。同时加热之后的轧环工艺对于工件温度要求极高， 若多个工件同时加热完成，需对工件进行保温等待轧环机空出。过程中加热炉 需一直维持较高温度，浪费能量较多，且时间较长。而对其进行智能调度优化， 可节省大量能源，同时可大幅缩短锻件制造时间。为达成碳达峰、碳中和目标， 锻造智能调度的优化研究越来越重要。目前，对于环锻件加热优化的方案多集 中于同品种温度要求相同工件的排产优化，对于多品种变批量的工件排产优化 方法较少。同时，现有优化方法仅针对加热与成型部分，其算法设计重点在于 集中优化加热与成型部分，几乎不考虑后续其他过程。若使用其直接优化多品 种多要求批次工件，将造成优化结果远低于预期的情况，甚至在一定条件下， 将产生负优化的结果。
淬火与回火作为锻造过程中重要的部分，其需要加热、保温时间较长，且 淬火后固定时间内需要进行回火操作。若排序操作不当，则淬火与回火过程需 要时间将占据整个批次工件生产中的极大部分时间，且加热炉在空置时，需多 次改变温度以达到工件要求，其过程中将损失巨大能量。而在环锻件整体各工 艺之中，淬火与回火的调度优化极大程度取决于工件轧环结束的顺序。则在对 于整体批次工件的调度优化时，需考虑加热轧环阶段与淬火回火阶段之间的联 系，计算每套优化策略在全部流程条件下的优化结果。但目前优化调度方案多 集中于单个独立步骤，极少将各部分综合考虑。同时，目前方案聚焦于减少淬 火与回火步骤的功耗，尽力利用加热炉余热为后续工件提供热量，但其消耗时 间极大。若使用现有方案对环锻件生产整体过程进行调度优化，可将热处理工 艺的功耗大幅缩小，但随之带来的代价是时间的急剧增大。同时无法与前置加 热成型步骤相契合，将造成单个部分最优解，但整体解较差的情况。
发明内容
本发明要解决的技术问题在于，提供一种多品种变批量环锻件加热成型一 体化生产调度优化方法，可综合考虑整体调度方法，对加热成型所有步骤均进 行排产调度优化，实用性广泛。
本发明解决其技术问题所采用的技术方案是：构造一种多品种变批量环锻 件加热成型一体化生产调度优化方法，包括以下步骤：
步骤1：分析各工件工艺需求，对于加热、轧环阶段，分析得出各工件入 炉温度、出炉温度、保温时间、最长锻造时间以及要求的轧环机，同时建立工 件温降模型，并记录工件终锻温度；对于淬火与回火阶段，分别得出淬火与回 火放入、保温以及出炉温度，同时得出各工件要求的电阻炉型号；
步骤2：建立各工件加热阶段及热处理阶段数学模型；各工件加热时，将 工件温度要求转变为加热炉炉温的转变，即工件的加热过程变换为加热炉从工 件入炉温度Tin加热为出炉温度Tout后保温tk的过程；将Tin设置为工件的最高允 许的入炉温度；而对于热处理工艺需炉冷的工件，加热过程即为从入炉温度Tin经过时间tk变为室温T0的过程；经过如此变化，将工件加热过程抽象为黑箱过 程，在进行调度优化时不考虑加热的具体情况；
步骤3：对于加热、轧环阶段，使用遗传算法进行计算；为保证个体可根 据后续需要进行改变，满足个体可变需求，使用遗传算法计算时，仅考虑工件 加热的加热炉编号与次序，而工件具体放入时间将通过后续适应度计算函数进 行计算；则在遗传算法中，仅记录每个加热炉加热的工件与顺序，即针对每个 工件的每个加热步骤，记录其所用的加热炉编号与在该加热炉中加热的次序， 不考虑其实际加热所用的时间；采用随机数生成初始排序方案，为保证生成种 群有效，通过合理性算法对生成的排序方案进行修改，保证其次序合法；
步骤4：重新设计适应度函数；首先对输入的工件数据进行排序，得出每 一加热炉加热次序；由于输入的个体数据仅包含工件的排序信息，则个体真正 数据仍需后续进行动态化计算，模拟工件生产流程；每个工件可能有多个加热 步骤，而各加热步骤的进行有先后次序，则为每个加热炉设置单独的时间、温 度记录变量；
步骤5：计算淬火与回火最优排产方法；将加热、轧环完毕的工件数据导 入动态优化算法中，寻找最优解法，并将数据返回至步骤4中的适应性函数中； 由步骤4可得出每一工件轧环完成的时间，而由于各工件加热、轧环时间均较 长，则该部分算法将更多关注于工件加热完成的时间；根据步骤4中输入的工 件完成时间，以单位时间为步长，进行动态优化算法计算；
步骤6：针对返回的时间与功耗，导入适应度计算方程计算适应度；为保 证计算得出的适应度复合要求，调配时间与功耗所占比例，重新针对环锻件生 产过程设计适应度计算方程，提高遗传算法最终迭代得出最优解的概率；并使 用得出的适应度进行遗传并迭代。
按上述方案，在所述步骤S3中，合理性算法将对生成的加热次序进行整 理，根据该个体已生成的次序得出各加热炉的加热顺序；对每一加热炉工件加 热次序进行检查，修改不合法的加热次序；同时计算轧环机轧环所需时间，若 在某一工件加热结束tes内，轧环机无法空出，则重新生成该工件排位，并重新 对其合法性进行计算；其中，tes表示对于该工件的预期加热时长，其值不超过 工件最短保温时长的两倍；因轧环存在终锻温度，则根据工件温降模型，计算 工件轧环过程中最低温度，若工件在轧环过程中其最低温度低于终锻温度，则 将该加热炉占用时间延长至锻胚回火结束的时间；在总体排序合法性均检测完成后，按照修改后的排序修改原始生成的工件加热数据；
对已经过合法性修改的工件加热数据进行二进制编码，为同时记录加热炉 编号与加热次序，将每个工件的二进制编码分为两部分，前nheat位以二进制储 存分配的加热炉，后nsort位以二进制储存该工件在该加热炉中加热的次序；为 保证算法可适应不同数量要求，nheat与nsort将通过加热炉数量与工件数分别计 算。
按上述方案，在所述步骤S4中，为计算各加热炉加热完成时间，将其分 解为排序中每一工件单独加热时间，以工件为单位逐个计算，其计算方法如下：
式中，ti-now表示第i号加热炉在该工件加热完成后的时间，ti-before为第i号加 热炉在该工件完成前的时间；Tin表示该工件入炉温度，Tnow表示加热炉加热该 工件之前炉温，Tchange表示加热炉单位时间内温度变化，其取值 tin为该工件入炉保温时间，其分为工件最短保温时间 与等待轧环机时间两部分，即tin＝tkeep+twait；tj-now为该工件前一步骤加热分配 的加热炉j加热该工件完成的时间。
按上述方案，在所述步骤S4中，因工件放入后加热过程无法改变，则计 算整体调度优化得出的功耗时，仅计算未放入工件时加热炉功耗，其计算方法 如下：
Wcount-now＝Wcount-before+Tplus·Wincrease+twait·Wwait
式中，Wcount-now表示本次加热完成后消耗的能量，Wcount-before表示本次加热 前消耗的能量；Tplus表示加热炉需提升的温度，Wincrease表示提升单位度数需要 消耗的能量；twait表示等待轧环机的时间，Wwait表示等待状态下单位时间消耗 的能量。
按上述方案，在所述步骤S4中，为计算整体时间与功耗，通过维护每个 加热炉对应ti-now以整体调度计算全体加热炉所消耗的时间与能量，因各个加 热炉可能进行到的工件次序与所用时间不同，故采取多时间节点差异化计算方 案，分别维护与计算各个加热炉不同的方案，不设立总体统一的时间参数；在 未将全部工件计算完成时，将持续维护各个加热炉的时间函数；待全部工件计 算完成，ti-now与Wcount-now即为加热炉完成加热的时间与加热炉非必要的总 功耗。
按上述方案，在所述步骤S5中，因动态规划算法以单位时间为计算单位， 则使用动态规划算法得出的第一个解即为所要求的目标解，则优化目标函数为：
tall＝max tmat-i+tthistuse
式中，tmat-i表示工件结束轧环、可以开始淬火与回火的时间，tthistuse表 示淬火与回火所用的总时间；tall表示所有工件中，最晚结束淬火与回火的工件 所用的时间；则为使tall最小，动态规划迁移方程为优先加热工件，传递参数为 进行到的时间与考虑到的工件；即：
tx+1＝Fx(tx，nowused)
式中，Fx为x状态下的状态转移方程，nowused为已计算的工件数据，tx为x 状态下的时间，tx+1为x+1状态下的时间；在所有工件均计算完成后，最后得 出的tx+1即为所有工件所有步骤进行完所需的时间；且将tx+1传递回适应性函数 作为该种群的时间参数tall。
按上述方案，在所述步骤S6中，针对传回的参数tall与计算的参数Wcount-now， 计算总体的适应性函数并进行个体选择与变异、交叉操作；适应度数值作为遗 传算法选择个体进行遗传的重要参数，应保证优化较好的个体适应度较高，被 选择的可能性较大；同时为整体种群多样性，也需保证选择较差个体的可能性； 而适应度参数的计算方法将极大影响整体算法最终的迭代效果，为优先考虑时 间参数，同时保证适应性函数较为平缓，设计适应性函数计算方程如下：
式中，fitness为本个体适应度函数，Sigmoid函数将Wcount投影至(0，1)的范围， 其具体函数为同时，为加大小功耗方案被选中概率，使用方 案期望值Wexp对功耗数值进行重新调整，保证最终功耗对总体适应性函数的影 响较小；texp为方案时间期望值，tall表示所有工件锻造完成的时间；
记录本代种群中最优解，将其直接复制至子代种群；使用轮盘赌方法选择 本代个体进行交叉、变异操作，生成子代个体；完成后，将生成的子代种群设 置为本代种群，并返回步骤3重新进行计算；为保证遗传算法所计算的解尽量 最优，将其迭代终止条件设置为迭代N次时，最优解不发生变化，其中N为 期望迭代数；则最终种群中最优解即为最终调度优化结果。
实施本发明的多品种变批量环锻件加热成型一体化生产调度优化方法，具 有以下有益效果：
1、本发明通过分析环锻件加热成型各过程特点，提出一种综合考虑环锻 件全过程的调度优化方法，分析环锻件加热成型各过程特点，重点考虑功耗与 时间，基于功耗、时间设计一种基于个体可变的动态遗传算法。首先，针对加 热需求温度不同的工件，将其加热过程等同为锻件入炉温度变换为出炉温度的 温度变换过程。减少整体调度优化难度，便于调度优化计算。其次，使用遗传 算法作为主体优化算法，动态规划算法作为热处理计算算法，对环锻件生产过 程进行调度优化，计算并优化整体消耗的时间与功耗。最后，单独设计一套适 应度参数计算方法。
2、本发明在确保时间参数占比较大情况下，确保功耗过大的个体适应度 更小，提高遗传算法选择较优个体的概率，同时保证了种群的多样性，提高遗 传算法最终迭代得出最优解的概率。
3、根据本发明提出的算法，可综合考虑整体调度方法，对加热成型所有 步骤均进行排产调度优化，实用性较为广泛。同时减少非必要加热炉的功耗， 并大幅缩短总体消耗时间，增加环锻件加热成型一体化总体效率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为整体调度流程图；
图2为合理性修改函数流程图；
图3为适应度函数流程图；
图4至图10为样例数据参数；
图11、图12为另一批工件的样例数据参数；
图13为工件调度调度优化后的最终结果示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详 细说明本发明的具体实施方式。
本发明多品种变批量环锻件加热成型一体化生产调度优化方法包括以下 步骤：
步骤1.分析各工件工艺需求，对于加热、轧环阶段，分析得出各工件入 炉温度、出炉温度、保温时间、最长锻造时间以及要求的轧环机，同时建立工 件温降模型，并记录工件终锻温度。对于淬火与回火阶段，分别得出淬火与回 火放入、保温以及出炉温度，同时得出各工件要求的电阻炉型号。
步骤2.建立各工件加热阶段及热处理阶段数学模型。各工件加热时，将 工件温度要求转变为加热炉炉温的转变，即工件的加热过程变换为加热炉从工 件入炉温度Tin加热为出炉温度Tout后保温tk的过程。其中，为达到最佳优化效果， 将Tin设置为工件的最高允许的入炉温度。而对于热处理工艺需炉冷的工件，加 热过程即为从入炉温度Tin经过时间tk变为室温T0的过程。经过如此变化，将工 件加热过程抽象为黑箱过程，在进行调度优化时不考虑加热的具体情况，极大 方便进行后续计算。
步骤3.对于加热、轧环阶段，使用遗传算法进行计算。为保证个体可根 据后续需要进行改变，满足个体可变需求，使用遗传算法计算时，仅考虑工件 加热的加热炉编号与次序，而工件具体放入时间将通过后续适应度计算函数进 行计算。则在遗传算法中，仅记录每个加热炉加热的工件与顺序，即针对每个 工件的每个加热步骤，记录其所用的加热炉编号与在该加热炉中加热的次序， 不考虑其实际加热所用的时间。采用随机数生成初始排序方案，为保证生成种 群有效，设计一套合理性算法对生成的排序方案进行修改，保证其次序合法。
合理性算法将对生成的加热次序进行整理，根据该个体已生成的次序得出 各加热炉的加热顺序。对每一加热炉工件加热次序进行检查，修改不合法的加 热次序。同时计算轧环机轧环所需时间，若在某一工件加热结束tes内，轧环机 无法空出，则重新生成该工件排位，并重新对其合法性进行计算。其中，tes表 示对于该工件的预期加热时长，其值不超过工件最短保温时长的两倍。因轧环 存在终锻温度，则根据工件温降模型，计算工件轧环过程中最低温度，若工件 在轧环过程中其最低温度低于终锻温度，则将该加热炉占用时间延长至锻胚回 火结束的时间。在总体排序合法性均检测完成后，按照修改后的排序修改原始 生成的工件加热数据。
对已经过合法性修改的工件加热数据进行二进制编码，为同时记录加热炉 编号与加热次序，将每个工件的二进制编码分为两部分，前nheat位以二进制储 存分配的加热炉，后nsort位以二进制储存该工件在该加热炉中加热的次序。为 保证算法可适应不同数量要求，nbeat与nsort将通过加热炉数量与工件数分别计 算。
步骤4.重新设计适应度函数。首先对输入的工件数据进行排序，得出每 一加热炉加热次序。由于输入的个体数据仅包含工件的排序信息，则个体真正 数据仍需后续进行动态化计算，模拟工件生产流程。每个工件可能有多个加热 步骤，而各加热步骤的进行有先后次序，则为每个加热炉设置单独的时间、温 度记录变量。
为计算各加热炉加热完成时间，将其分解为排序中每一工件单独加热时间， 以工件为单位逐个计算，其计算方法如下：
式中，ti-now表示第i号加热炉在该工件加热完成后的时间，ti-before为第i号加 热炉在该工件完成前的时间。Tin表示该工件入炉温度，Tnow表示加热炉加热该 工件之前炉温，Tchange表示加热炉单位时间内温度变化，其取值 tin为该工件入炉保温时间，其分为工件最短保温时间 与等待轧环机时间两部分，即tin＝tkeep+twait。tj-now为该工件前一步骤加热分配 的加热炉j加热该工件完成的时间。
因工件放入后加热过程无法改变，则计算整体调度优化得出的功耗时，可 仅计算未放入工件时加热炉功耗。其计算方法如下：
Wcount-now＝Wcount-before+Tplus·Wincrease+twait·Wwait
式中，Wcount-now表示本次加热完成后消耗的能量，Wcount-before表示本次加热 前消耗的能量。Tplus表示加热炉需提升的温度，Wincrease表示提升单位度数需要 消耗的能量。twait表示等待轧环机的时间，Wwait表示等待状态下单位时间消耗 的能量。
为计算整体时间与功耗，通过维护每个加热炉对应ti-now以整体调度计算全 体加热炉所消耗的时间与能量，因各个加热炉可能进行到的工件次序与所用时 间不同，故采取多时间节点差异化计算方案，分别维护与计算各个加热炉不同 的方案，不设立总体统一的时间参数。在未将全部工件计算完成时，将持续维 护各个加热炉的时间函数。待全部工件计算完成，ti-now与Wcount-now即为加热炉 完成加热的时间与加热炉非必要的总功耗。
步骤5.计算淬火与回火最优排产方法。将加热、轧环完毕的工件数据导 入动态优化算法中，寻找最优解法，并将数据返回至步骤4中的适应性函数中。 由步骤4可得出每一工件轧环完成的时间，而由于各工件加热、轧环时间均较 长，则该部分算法将更多关注于工件加热完成的时间。根据步骤4中输入的工 件完成时间，以单位时间为步长，进行动态优化算法计算。因动态规划算法以 单位时间为计算单位，则使用动态规划算法得出的第一个解即为所要求的目标 解。则优化目标函数为：
tall＝max tmat-i+tthistuse
式中，tmat-i表示工件结束轧环、可以开始淬火与回火的时间，tthistuse表示 淬火与回火所用的总时间。tall表示所有工件中，最晚结束淬火与回火的工件所 用的时间。则为使tall最小，动态规划迁移方程为优先加热工件，传递参数为进 行到的时间与考虑到的工件。即：
tx+1＝Fx(tx，nowused)
式中，Fx为x状态下的状态转移方程，nowused为已计算的工件数据，tx为x 状态下的时间，tx+1为x+1状态下的时间。在所有工件均计算完成后，最后得 出的tx+1即为所有工件所有步骤进行完所需的时间。且将tx+1传递回适应性函数 作为该种群的时间参数tall。
步骤6.针对传回的参数tall与计算的参数Wcount-now，计算总体的适应性函 数并进行个体选择与变异、交叉等操作。适应度数值作为遗传算法选择个体进 行遗传的重要参数，应保证优化较好的个体适应度较高，被选择的可能性较大。 同时为整体种群多样性，也需保证选择较差个体的可能性。而适应度参数的计 算方法将极大影响整体算法最终的迭代效果，为优先考虑时间参数，同时保证 适应性函数较为平缓，设计适应性函数计算方程如下：
式中，fitness为本个体适应度函数，Sigmoid函数将Wcount投影至(0，1)的范围， 其具体函数为同时，为加大小功耗方案被选中概率，使用方 案期望值Wexp对功耗数值进行重新调整，保证最终功耗对总体适应性函数的影 响较小。texp为方案时间期望值，tall表示所有工件锻造完成的时间。整体函数变 换后，时间参数与功耗参数的比重为5/1。且当功耗均较低时，其数值几乎不影 响适应度函数取值。同时当功耗极高时，极大降低对应个体适应度函数，降低 其被选中的概率，保证子代种群基因优越性。
记录本代种群中最优解，将其直接复制至子代种群。使用轮盘赌方法选择 本代个体进行交叉、变异操作，生成子代个体。完成后，将生成的子代种群设 置为本代种群，并返回步骤3重新进行计算。为保证遗传算法所计算的解尽量 最优，将其迭代终止条件设置为迭代N次时，最优解不发生变化，其中N为 期望迭代数。则最终种群中最优解即为本发明最终调度优化结果。
本发明主要包含工件加热模型的建立、遗传算法优化加热轧环与动态规划 算法优化淬火与回火。针对环锻件整体制造工艺，采取遗传算法整体调度，将 淬火与回火过程使用动态规划算法整合入适应度计算函数中，优化整体消耗的 时间与能量。本发明的优化方法能显著缩短环锻件整体消耗的时间，提高能量 利用率，缩短全批次加工时间。
实施例
如图4、图5为一工厂中实际生产的一批产品要求，将其作为本实施例样 例工件工艺要求，包含各工件需求的加热温度与时间。图4为加热与轧环工艺 需求，时间单位为分钟。图5为淬火与回火工艺要求，其中时间单位为小时。 同时，各个工件的工艺流程需按顺序进行。为简化样例，图中工艺数据即为模 型建立完成后输出数据，则加热炉黑箱模型即为从入炉温度变为出炉温度并保 温的过程。本样例设置加热炉数量为2，轧环机数量为5，高温电阻炉数量为 5，中温电阻炉数量为2。为方便计算，本样例加热所有加热炉全功率运转时每 分钟升温50℃，加热功率为400kW，保温功率为120kW，降温每分钟降温30℃， 不消耗能量。同时，根据实际调研，为防止工件混淆，同一加热炉中仅允许放 入同种工件，且轧环机数量较多，故本实例将轧环机数量设置为多余加热炉数 量。
如图1流程图所示，在建立工件模型后，将随机生成加热工件数据，即加 热的加热炉与在该加热炉中加热的顺序。如图6所示，其数据即为随机生成的 加热数据。在生成数据时，将考虑同一工件多次加热之间的先后顺序，即生成 的较后步骤排序将保证比前置步骤靠后。同时，随机生成分配的加热炉，在此 步骤中，不考虑加热炉之间的排序冲突。
在随机生成完加热数据后，将其导入合理性修改函数进行合理性修改。本 样例仅选取单个个体数据进行说明。图2为合理性算法流程图。根据其流程图， 首先将数据解码，而本实例为简化流程，省去编码与解码部分，图6所示即为 编码前与解码后数据形式。则将其分别对应至加热炉进行排序得到结果如图7 所示，其排序有许多冲突。以此时排序结果为数据模拟加热过程，寻找并修改 其中冲突之处。首先按次序修改单个加热炉工件排序，相同排序则随机顺延， 空排序则此后次序依次前进。在初步合理性修改后，各加热炉单独排序合法。
随后，将根据修改后的合法排序模拟加热过程，寻找其中是否存在冲突之 处。在本样例中，将图7各工艺初步修改合理后，模拟其加热过程。如图可知， 加热炉1排序第一工艺编号为1.1，加热炉2排序第一工艺编号为1.2，而在此 时，1.1工艺未进行完成，则第一步加热炉1将进行1.1工艺，加热炉2将等 待。待1.1工艺进行完成，此时轧环机空出，则进行轧环工艺，1.1工艺完成时 间为最短保温时间加上轧环时间。此时加热炉1下一工艺为3.1，加热炉2下 一工艺为1.2，则二者分别进行。其中，3.1工艺开始时间为1.1结束时间，1.2 开始时间为1.1轧环结束的时间。随后，以此形式向下进行。在样例数据中， 当加热炉1进行至工艺8.2，加热炉2进行至工艺6.2，因8.1工艺在加热炉2 排序中后于6.2，而6.1工艺在加热炉1排序中后于8.2，则模拟无法进行，整 体排序出错，此时，进行进一步合法性修改，随机挑选6.2或8.2将其与前置 步骤互换。在本样例中，选取8.2工艺，将其与8.1工艺互换，则加热炉1工 艺可继续进行，同时整体合法。待模拟结束，则整体数据合法性验证完成，整 体数据满足要求。合理性修改完成数据如图8所示，其排序合理，即为本组数 据最终排序结果。根据该排序结果修改原始数据，修改后的数据如图9所示。
待种群全体合理性修改完毕，将其导入适应度计算函数进行适应度计算。 解码与排序得到结果即为图8结果。随即使用多时间参数同步模拟加热流程， 记录其时间与功耗。设置ti记录第i号加热炉进行到的时间。初始时刻，所有 加热炉对应时间均为0，所有加热炉温度均为0。首先可知，加热炉1下一步 工艺为1.1，加热炉2下一步工艺为1.2，则加热炉1可直接进行。由图1可知 其入炉温度为750℃，则首先预热加热炉1需要消耗的时间为15min，消耗能 量为100kW·h。随后加热1.1工艺，其耗时为50min。加热完毕后，因存在空置轧环机，则直接进行轧环操作，而加热炉1此时炉温T1为1.1保温温度1150℃。 则加热炉1对应的时间t1应为预热时间加保温时间，即为65min，而加热炉2 时间t2仍为0。此时，加热炉1下一工艺为3.1，加热炉2下一工艺为1.2，二 者皆可进行。加热炉1此时炉温为1150℃，而3.1工艺入炉温度为440℃，则 需要使加热炉降温，降温时间为24min，随后保温时间为320min，即在t1等于 409min时，3.1加热完毕。因1.1轧环、加热时，加热炉2可预先预热，预热 时间为15min，消耗能量为100kW·h。随后进行加热步骤，保温时间为30min， 而保温的开始时间为1.1工艺轧环结束时间，即85min，则保温结束时间为 115min，即加热炉2时间t2与1.2保温结束时间均为115min，加热炉2炉温为 1150℃。而在115min时，轧环炉空置，则1.2工艺可直接进行轧环工艺。在 1.2工艺轧环结束后，一号工件加热成型工艺完毕，将其导入后续动态规划算 法计算，同时，将工件温度重置为该工艺终锻温度。同时，依次计算后续工艺。
由前置步骤可知，1.2工艺为工件1最后加热成型步骤，其轧环结束时间 为135min，即2.25h，则将其作为工件1加热成型结束时间，即可开始后续热 处理工艺的时间。而为保证整体计算可靠性，实际动态规划算法将在前置模拟 算法全部结束后进行。当前置模拟算法全部结束时，每一工件可进行热处理的 时间已知。又因为热处理部分算法更多聚焦于总体消耗的时间，则当有空余电 阻炉时，优先加热已完成工件。同时，将炉冷冷却速度设置为30℃每分，空冷 冷却速度设置为50℃每分，水冷冷却速度设置为200℃每分，同时为保证工件 稳定，冷却至0后将多等待5min。
当工件1加热成型结束时，电阻炉均空置，等待工件1温度冷却至入炉温 度时，则将其放入电阻炉1中。而其热处理工艺为1.1，初始温度为终端温度 850℃，轧环结束时间为2.25h，则其温度降温至入炉温度的时间为137min， 即2.28h，而保温时间为2h，随后随炉冷却至室温，耗时为34min。则总体考 虑4.85h时结束1.1热处理，而加热炉炉温此时为0，在此过程中消耗能量为 100kW·h。同样，以此形式进行其他工件的模拟与计算。
待热处理阶段模拟完成，将总时间与总功耗传递回适应度函数，而适应度 函数将其导入适应度方程计算其适应度。当种群所有个体适应度均计算完毕， 计算各个个体的适应度占比，即可进行后续操作。根据适应度占比，进行轮盘 赌选择个体进行遗传等操作。同时选取本世代种群最优解传递入下一世代，当 连续N个世代最优解相同时，即达到迭代目标，此时即可输出最优解作为最 终解。
以本样例工件数据为例，当N＝5时，优化排序结果如图10所示。则根据 该调度优化结果，整体耗时为56.1小时。其中，加热成型部分全部进行完毕时 间为3161分钟，总功耗为550.2kW·h。同时设置对照算法，同样使其优化调 度本样例，但其优化目标仅局限于加热成型功耗与时间，则其加热成型部分耗 时为2546分钟，总功耗为490.7kW·h，但考虑入热处理工艺后，其整体耗时 为69.7小时。即本发明相较于传统优化方法，在本样例中缩短时间16.3小时， 缩短占比达23.39％，达到优化目的。
为进一步说明本发明的优化方案，选取另一批工件作为样例进行说明。样 例数据如图11、图12所示，可看出，本批次工件具有保温时间长的特点，且 热处理工艺耗时相对较短。若按照传统优化方法对各部分分别优化，将造成某 一局部最优，但整体调度效果较差情况。根据本发明对工件调度进行调度优化， 得出最终结果如图13所示，根据该排序进行实际生产，总体耗时为41.7小时， 其中，加热成型部分耗时为1887分钟，总功耗为398.7kW·h。同样，对照算法 集中优化加热成型部分，则其加热成型部分耗时为1652分钟，总功耗为 323.3kW·h，但其耗时为52.9小时。即本发明相较于传统优化方法，在本样例 中缩短时间11.2小时，缩短占比达26.86％，达到优化目的。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述 的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本 领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保 护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (7)
1.一种多品种变批量环锻件加热成型一体化生产调度优化方法，其特征在于，包括以下步骤：
步骤1：分析各工件工艺需求，对于加热、轧环阶段，分析得出各工件入炉温度、出炉温度、保温时间、最长锻造时间以及要求的轧环机，同时建立工件温降模型，并记录工件终锻温度；对于淬火与回火阶段，分别得出淬火与回火放入、保温以及出炉温度，同时得出各工件要求的电阻炉型号；
步骤2：建立各工件加热阶段及热处理阶段数学模型；各工件加热时，将工件温度要求转变为加热炉炉温的转变，即将工件的加热过程变换为加热炉从工件入炉温度Tin加热为出炉温度Tout后保温tk的过程；将Tin设置为工件的最高允许的入炉温度；而对于热处理工艺需炉冷的工件，加热过程即为从入炉温度Tin经过时间tk变为室温T0的过程；经过如此变化，将工件加热过程抽象为黑箱过程，在进行调度优化时不考虑加热的具体情况；
步骤3：对于加热、轧环阶段，使用遗传算法进行计算；为保证个体可根据后续需要进行改变，满足个体可变需求，使用遗传算法计算时，仅考虑工件加热的加热炉编号与次序，而工件具体放入时间将通过后续适应度计算函数进行计算；则在遗传算法中，仅记录每个加热炉加热的工件与顺序，即针对每个工件的每个加热步骤，记录其所用的加热炉编号与在该加热炉中加热的次序，不考虑其实际加热所用的时间；采用随机数生成初始排序方案，为保证生成种群有效，设计合理性算法对生成的排序方案进行修改，保证其次序合法；
步骤4：重新设计适应度函数；首先对输入的工件数据进行排序，得出每一加热炉加热次序；由于输入的个体数据仅包含工件的排序信息，则个体真正数据仍需后续进行动态化计算，模拟工件生产流程；每个工件可能有多个加热步骤，而各加热步骤的进行有先后次序，则为每个加热炉设置单独的时间、温度记录变量；
步骤5：计算淬火与回火最优排产方法；将加热、轧环完毕的工件数据导入动态优化算法中，寻找最优解法，并将数据返回至步骤4中的适应性函数中；由步骤4可得出每一工件轧环完成的时间，而由于各工件加热、轧环时间均较长，则该部分算法将更多关注于工件加热完成的时间；根据步骤4中输入的工件完成时间，以单位时间为步长，进行动态优化算法计算；
步骤6：针对返回的时间与功耗，导入适应度计算方程计算适应度；为保证计算得出的适应度复合要求，调配时间与功耗所占比例，重新针对环锻件生产过程设计适应度计算方程，提高遗传算法最终迭代得出最优解的概率；并使用得出的适应度进行遗传并迭代。
2.根据权利要求1所述的多品种变批量环锻件加热成型一体化生产调度优化方法，其特征在于，在所述步骤S3中，合理性算法将对生成的加热次序进行整理，根据该个体己生成的次序得出各加热炉的加热顺序；对每一加热炉工件加热次序进行检查，修改不合法的加热次序；同时计算轧环机轧环所需时间，若在某一工件加热结束tes内，轧环机无法空出，则重新生成该工件排位，并重新对其合法性进行计算；其中，tes表示对于该工件的预期加热时长，其值不超过工件最短保温时长的两倍；因轧环存在终锻温度，则根据工件温降模型，计算工件轧环过程中最低温度，若工件在轧环过程中其最低温度低于终锻温度，则将该加热炉占用时间延长至锻胚回火结束的时间；在总体排序合法性均检测完成后，按照修改后的排序修改原始生成的工件加热数据；
对已经过合法性修改的工件加热数据进行二进制编码，为同时记录加热炉编号与加热次序，将每个工件的二进制编码分为两部分，前nheat位以二进制储存分配的加热炉，后nsort位以二进制储存该工件在该加热炉中加热的次序；为保证算法可适应不同数量要求，nheat与nsort将通过加热炉数量与工件数分别计算。
3.根据权利要求2所述的多品种变批量环锻件加热成型一体化生产调度优化方法，其特征在于，在所述步骤S4中，为计算各加热炉加热完成时间，将其分解为排序中每一工件单独加热时间，以工件为单位逐个计算，其计算方法如下：
式中，ti-now表示第i号加热炉在该工件加热完成后的时间，ti-before为第i号加热炉在该工件完成前的时间；Tin表示该工件入炉温度，Tnow表示加热炉加热该工件之前炉温，Tchange表示加热炉单位时间内温度变化，其取值tin为该工件入炉保温时间，其分为工件最短保温时间与等待轧环机时间两部分，即tin＝tkeep+twait；tj-now为该工件前一步骤加热分配的加热炉j加热该工件完成的时间。
4.根据权利要求3所述的多品种变批量环锻件加热成型一体化生产调度优化方法，其特征在于，在所述步骤S4中，因工件放入后加热过程无法改变，则计算整体调度优化得出的功耗时，仅计算未放入工件时加热炉功耗，其计算方法如下：
Wcount-now＝Wcount-before+Tplus·Wincrease+twait·Wwait
式中，Wcount-now表示本次加热完成后消耗的能量，Wcount-before表示本次加热前消耗的能量；Tplus表示加热炉需提升的温度，Wincrease表示提升单位度数需要消耗的能量；twait表示等待轧环机的时间，Wwait表示等待状态下单位时间消耗的能量。
5.根据权利要求4所述的多品种变批量环锻件加热成型一体化生产调度优化方法，其特征在于，在所述步骤S4中，为计算整体时间与功耗，通过维护每个加热炉对应ti-now以整体调度计算全体加热炉所消耗的时间与能量，因各个加热炉可能进行到的工件次序与所用时间不同，故采取多时间节点差异化计算方案，分别维护与计算各个加热炉不同的方案，不设立总体统一的时间参数；在未将全部工件计算完成时，将持续维护各个加热炉的时间函数；待全部工件计算完成，ti-now与Wcount-now即为加热炉完成加热的时间与加热炉非必要的总功耗。
6.根据权利要求1所述的多品种变批量环锻件加热成型一体化生产调度优化方法，其特征在于，在所述步骤S5中，因动态规划算法以单位时间为计算单位，则使用动态规划算法得出的第一个解即为所要求的目标解，则优化目标函数为：
tall＝maxtmat-i+tthistuse
式中，tmat-i表示工件结束轧环、可以开始淬火与回火的时间，tthistuse表示淬火与回火所用的总时间；tall表示所有工件中，最晚结束淬火与回火的工件所用的时间；则为使tall最小，动态规划迁移方程为优先加热工件，传递参数为进行到的时间与考虑到的工件；即：
tx+1＝Fx(tx，nowused)
式中，Fx为x状态下的状态转移方程，nowused为已计算的工件数据，tx为x状态下的时间，tx+1为x+1状态下的时间；在所有工件均计算完成后，最后得出的tx+1即为所有工件所有步骤进行完所需的时间；且将tx+1传递回适应性函数作为该种群的时间参数tall。
7.根据权利要求6所述的多品种变批量环锻件加热成型一体化生产调度优化方法，其特征在于，在所述步骤S6中，针对传回的参数tall与计算的参数Wcount-now，计算总体的适应性函数并进行个体选择与变异、交叉操作；适应度数值作为遗传算法选择个体进行遗传的重要参数，应保证优化较好的个体适应度较高，被选择的可能性较大；同时为整体种群多样性，也需保证选择较差个体的可能性；而适应度参数的计算方法将极大影响整体算法最终的迭代效果，为优先考虑时间参数，同时保证适应性函数较为平缓，设计适应性函数计算方程如下：
式中，fitness为本个体适应度函数，Sigmoid函数将Wcount投影至(0，1)的范围，其具体函数为同时，为加大小功耗方案被选中概率，使用方案期望值Wexp对功耗数值进行重新调整，保证最终功耗对总体适应性函数的影响较小；texp为方案时间期望值，tall表示所有工件锻造完成的时间；
记录本代种群中最优解，将其直接复制至子代种群；使用轮盘赌方法选择本代个体进行交叉、变异操作，生成子代个体；完成后，将生成的子代种群设置为本代种群，并返回步骤3重新进行计算；为保证遗传算法所计算的解尽量最优，将其迭代终止条件设置为迭代N次时，最优解不发生变化，其中N为期望迭代数；则最终种群中最优解即为最终调度优化结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210547048.9A CN114971254B (zh) | 2022-05-11 | 2022-05-11 | 多品种变批量环锻件加热成型一体化生产调度优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210547048.9A CN114971254B (zh) | 2022-05-11 | 2022-05-11 | 多品种变批量环锻件加热成型一体化生产调度优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114971254A CN114971254A (zh) | 2022-08-30 |
| CN114971254B true CN114971254B (zh) | 2024-05-17 |
Family
ID=82985386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210547048.9A Active CN114971254B (zh) | 2022-05-11 | 2022-05-11 | 多品种变批量环锻件加热成型一体化生产调度优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114971254B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111487937A (zh) * | 2020-02-14 | 2020-08-04 | 北京工业大学 | 一种考虑回火与余热热处理的锻造节能调度方法 |
| CN111666720A (zh) * | 2020-06-16 | 2020-09-15 | 重庆理工大学 | 基于改进遗传算法的大型船舶发动机缸体铣削方法 |
| KR20200107591A (ko) * | 2019-03-08 | 2020-09-16 | 한국전자기술연구원 | 연속 투입 로트 기반 열처리 공정을 위한 에너지 절감형 생산 스케줄링 운영 방법 및 시스템 |
| CN112836353A (zh) * | 2021-01-12 | 2021-05-25 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种面向批次生产的锻造调度方法 |
| CN112859761A (zh) * | 2020-12-06 | 2021-05-28 | 北京工业大学 | 一种考虑集中热处理的分布式锻造流水车间节能调度方法 |
| KR20210070897A (ko) * | 2019-12-05 | 2021-06-15 | 부산대학교 산학협력단 | 열처리로 작업계획 최적화 시스템 및 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102016270B1 (ko) * | 2018-12-28 | 2019-08-29 | 부산대학교 산학협력단 | 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법 |
-
2022
- 2022-05-11 CN CN202210547048.9A patent/CN114971254B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200107591A (ko) * | 2019-03-08 | 2020-09-16 | 한국전자기술연구원 | 연속 투입 로트 기반 열처리 공정을 위한 에너지 절감형 생산 스케줄링 운영 방법 및 시스템 |
| KR20210070897A (ko) * | 2019-12-05 | 2021-06-15 | 부산대학교 산학협력단 | 열처리로 작업계획 최적화 시스템 및 방법 |
| CN111487937A (zh) * | 2020-02-14 | 2020-08-04 | 北京工业大学 | 一种考虑回火与余热热处理的锻造节能调度方法 |
| CN111666720A (zh) * | 2020-06-16 | 2020-09-15 | 重庆理工大学 | 基于改进遗传算法的大型船舶发动机缸体铣削方法 |
| CN112859761A (zh) * | 2020-12-06 | 2021-05-28 | 北京工业大学 | 一种考虑集中热处理的分布式锻造流水车间节能调度方法 |
| CN112836353A (zh) * | 2021-01-12 | 2021-05-25 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种面向批次生产的锻造调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钢坯加热炉生产调度优化模型与算法研究;梁建国;;山西冶金;20200830(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114971254A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109765862B (zh) | 基于自适应遗传算法的混合流水车间可持续调度控制方法 | |
| CN110221585B (zh) | 一种用于混合流水车间考虑设备维护的节能调度控制方法 | |
| CN112749776B (zh) | 一种基于改进混合遗传算法的作业车间调度方法 | |
| CN114186749B (zh) | 基于强化学习及遗传算法的柔性车间调度方法及模型 | |
| CN112488315B (zh) | 一种基于深度强化学习和遗传算法的分批调度优化方法 | |
| CN109978276B (zh) | 火电厂机群多台供热机组热电负荷分配的在线优化方法 | |
| CN110909787A (zh) | 基于聚类的进化算法进行多目标批调度优化的方法和系统 | |
| CN111667071A (zh) | 一种基于改进遗传算法的传统作业车间调度方法 | |
| CN116560313A (zh) | 一种多目标柔性作业车间问题的遗传算法优化调度方法 | |
| CN114971254B (zh) | 多品种变批量环锻件加热成型一体化生产调度优化方法 | |
| CN112906292A (zh) | 热电联产机组厂级热电负荷在线优化分配的方法、系统、设备及存储介质 | |
| CN115796510A (zh) | 一种基于改进的变邻域遗传算法的多目标柔性作业车间调度方法 | |
| CN105373845A (zh) | 制造企业车间的混合智能调度优化方法 | |
| CN102206741B (zh) | 一种罩式退火炉钢卷堆垛组合优化方法 | |
| CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
| CN112859761B (zh) | 一种考虑集中热处理的分布式锻造流水车间节能调度方法 | |
| CN117556532A (zh) | 一种新型涡轮盘预旋系统多元件匹配的优化方法 | |
| CN115826530A (zh) | 一种基于d3qn和遗传算法的作业车间分批调度方法 | |
| CN111487937B (zh) | 一种考虑回火与余热热处理的锻造节能调度方法 | |
| Pan et al. | An adaptive genetic algorithm for the flexible job-shop scheduling problem | |
| CN112836353A (zh) | 一种面向批次生产的锻造调度方法 | |
| CN114723217A (zh) | 碳中和目标下的综合能源供给侧配置方法和系统 | |
| CN104571009B (zh) | 一种用于轧辊热处理过程的能耗控制方法 | |
| CN114091720A (zh) | 一种基于决策者偏好的多目标配煤方法 | |
| CN110989522A (zh) | 一种面向多钢卷的连退生产过程工艺参数优化设定方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |