CN1579658A - 一种热轧生产批量计划编制方法 - Google Patents

Abstract

一种热轧生产批量计划编制方法，属于信息技术领域，涉及到数学模型构造和免疫遗传算法在计划编制中的应用。其特征是由模型构造模块、免疫遗传算法模块和本地数据库组成。模型构造模块建立热轧生产批量计划编制所需的多目标复杂优化问题数学模型；免疫遗传算法模块用于热轧批量计划编制及其优化，应用了基于单亲遗传算法的免疫算法。在模型构造及计划编制中兼顾到热轧生产计划中的烫辊材和主体材部分的工艺约束，生成的热轧批量计划是包括了主体材和烫辊材的完整轧制计划。本发明的效果和益处是能够实现热轧批量计划编制的自动化及优化，提高计划编制的水平，可应用于钢铁企业热轧生产的计划调度系统。

Description

一种热轧生产批量计划编制方法

技术领域

本发明属于信息技术领域，涉及到自动化技术，特别涉及到一种热轧生产批量计划编制方法。

背景技术

在钢铁工业中热轧是一道必不可少的工序，热轧计划的编制质量及轧制计划完成情况的好坏，直接决定产品质量、交货日期和钢厂效益。

由于钢铁生产工艺上的要求，热轧加工作业中对于轧制板坯的顺序有一定的限制。在一个热轧批量计划中，所有板坯将被分成若干个轧制计划来加工。由于工艺约束的限制，轧制顺序以板坯的工艺参数为基础，要求依顺序轧制，每个轧制计划中的板坯宽度的变化为“双梯形”，其中“正梯形”部分加工的是烫辊材、“反梯形”部分加工的是主体材，厚度变化要求为平稳的非减方向、硬度的变化也要平稳。热轧计划编制应当在满足工艺约束的前提下，保证最小化总轧制计划数，并使得同一个轧制计划中相邻钢板间的宽度、厚度和硬度跳跃幅度总和最小。

目前现场中应用的热轧批量计划编制方法主要采用的多为基于专家系统或基于规则的启发式方法，对计划编制人员的依赖较严重，不能自动完成计划编制，需要由熟悉生产工艺的生产调度人员最终完成。由于实际生产中涉及到的板坯数目巨大，目前这种以人工排产为主的方法难以保证在有限的时间内编制出较优的的计划。

而且在现有的有关热轧计划编制技术的文献和资料中，对于热轧计划编排中的烫辊材部分如何处理均未涉及。如文献《不确定计划数的轧制批量计划的模型和算法》(系统工程学报。Vol.15，No.1，2000)和《热轧带钢轧制批量计划的实例应用》(东北大学学报(自然科学版)Vol.120，No.3，1999)中都根据热轧生产的特点和工艺要求建立了热轧计划编制的数学模型，并分别采用遗传算法和混合遗传算法求解，但是这两篇文献均没有给出如何保证热轧计划中的烫辊材部分的编制满足要求。

发明内容

本发明的目的是提供一种执行于计算机的热轧生产批量计划自动编制方法，该方法在批量计划编排中兼顾了烫辊材计划和主体材计划的工艺约束，提高了计划编制水平，解决了人工排产效率低下以及现有的热轧生产批量计划编制方法无法解决烫辊材计划编制的问题。

本发明的技术方案如下：

设计一种可以运行于微机上的热轧生产计划调度系统，该系统主要由模型构造和计划编制两个模块和本地数据库组成，组成框图如附图1所示。

1.模型构造模块

轧制计划的编制属于组合优化问题，在此将轧制计划的编制问题归结为车辆路径问题(Vehicle Routing Problem)，是一个NP难题。在本发明的数学模型构造模块中，把每块板坯看作相当于VRP问题中的一个客户，轧制计划看作车辆，引入虚拟板坯作为每个轧制计划的起点和终点，热轧计划编制问题VRP模型就可以建立起来。

模型构造模块最终形成形如下式的轧制计划数学模型：

min m                                                               (1)

$\min \underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\underset{j=0}{\overset{n}{\mathrm{\Σ}}}(c_{\mathrm{ijz}}{x}_{\mathrm{ijk}}{T}_{\mathrm{izk}}+c_{\mathrm{ijt}}{x}_{\mathrm{ijk}}{T}_{\mathrm{ijk}})---\left(2\right)$

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{q}_i{y}_{\mathrm{ik}}{T}_{\mathrm{izk}}\≤Q_{\mathrm{kz}}---k=\mathrm{1,2,3},...,m---\left(4\right)$

$\underset{j=1}{\overset{n_{\mathrm{zh}}}{\mathrm{\Σ}}}{z}_{\mathrm{ijk}}{q}_j{T}_{\mathrm{jzk}}{y}_{\mathrm{jk}}\≤R---k=\mathrm{1,2,3},...,m,i=\mathrm{1,2},...,n_{\mathrm{zk}}---\left(5\right)$

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{q}_i{y}_{\mathrm{ik}}{T}_{\mathrm{itk}}\≤Q_{\mathrm{kt}}---k=\mathrm{1,2,3},...,m---\left(6\right)$

$\underset{j=1}{\overset{n_{\mathrm{th}}}{\mathrm{\Σ}}}{z}_{\mathrm{ijk}}{q}_j{T}_{\mathrm{jtk}}{y}_{\mathrm{jk}}\≤R---k=\mathrm{1,2,3},...,m,i=\mathrm{1,2},...,n_{\mathrm{tk}}---\left(7\right)$

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ijk}}=1---\left(8\right)$

$\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ijk}}=1---\left(9\right)$

z_ijk≤y_ik且z_ijk≤y_jk  k＝1，2，3，...，m，i，j＝1，2，...，n        (10)

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ijk}}\≤n-1---\left(11\right)$

其中：

n        要做计划的板坯总数，板坯0为虚拟板坯

m        轧制计划数

c_ijz    主体材中板坯i到板坯j的惩罚值

$c_{\mathrm{ijz}}=p_{\mathrm{ijz}}^w+p_{\mathrm{ijz}}^g+p_{\mathrm{ijz}}^h$ p_ijz ^w，p_ijz ^g，p_ijz ^h分别为板坯间宽度、厚度、硬度跳跃的惩罚值，其中c_i0z＝0，c_0iz＝0，c_iiz＝∞

c_ijt    烫辊材中板坯i到板坯j的惩罚值

$c_{\mathrm{ijt}}=p_{\mathrm{ijt}}^w+p_{\mathrm{ijt}}^g+p_{\mathrm{ijt}}^h$ p_ijt ^w，p_ijt ^g，p_ijt ^h分别为板坯间宽度、厚度、硬度跳跃的惩罚值，其中c_i0t＝0，c_0it＝0，c_iit＝∞

n_zk     轧制计划k内主体材板坯数；

n_tk     轧制计划k内烫辊材板坯数；

q_i      板坯i的轧制长度；

Q_kz     轧制计划k主体材长度约束；

Q_tz     轧制计划k烫辊材长度约束；

R      轧制同宽度板坯的长度约束。

轧制计划数的最小值由式(12)确定：

$m_{\min }=\mathrm{int}\left(\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{q}_i}{Q_{\mathrm{kz}}+Q_{\mathrm{kt}}}\right)$ int表示取整                             (12)

2.热轧计划编制模块

计划编制模块对模型构造模块建立的数学模型进行求解。本发明构造了一种基于单亲遗传算子的免疫算法用于求解，该算法由以下几个方面构成：

(1)抗体编码

本发明使用了一种应用遗传算法方法的免疫算法抗体编码方法对轧制计划编制编码，应用这种编码方式，算法自动满足模型中的约束条件(3)(8)(9)(10)(11)。用矢量K＝(s₁，s₂，...，s_m×n)表示抗体K，其中s_i(i＝1，2，…，t)为[1，m×n]之间的一个互不重复的自然数，表示抗体中第i个基因确定第 $l=s_i-\left[\frac{s_i-1}{n}\right]\×n$ 个仓库与第 $k=\left[\frac{s_i-1}{n}\right]+1$ 个车辆的关系，即确定第1块板坯是否归入第k个轧制计划以及在第k个轧制计划中的次序，随机产生一组抗体K_j(j＝1，2，…，popsize)即可构成一个抗体种群，popsize为种群中的抗体数。以一个抗体为例，抗体可行化映射过程如下：

①初始化抗体K＝(s₁，s₂，...，s_m×n)，令各个轧制计划中的板坯数num_i＝0(i＝1，2，…，m)，当前计划中板坯的总轧制长度lo_i＝0(i＝1，2，…，m)，轧制计划的长度约束为L，此时各板坯的状态为f_i＝0(i＝1，2，…，n)。

②j＝1

③取s_j，计算 $l=s_i-\left[\frac{s_i-1}{n}\right]\×n,$ $k=\left[\frac{s_i-1}{n}\right]+1$

④判断f₁的状态，如果f₁＝0，则板坯1为自由板坯，此时如果lo_k＜L，则将板坯l加入轧制计划k，num_k＝num_k+1，lo_k＝lo_k+板坯的l长度，f₁＝1；如果lo_k＜L不成立，转到⑤；

如果f₁＝0不成立，直接转⑤。

⑤j＝j+1，转③，直到j＝m×n+1。

最后，检查所有板坯的状态标志f_i，如果全为1表明所有板坯都按要求分配到轧制计划中。

(2)抗体记忆细胞群

首先确定抗体记忆群的规模，每次抗体种群产生后，都将适应度最好的一定数量的抗体存入记忆抗体群，在记忆库已满的情况下还将替换掉适应度值较差的抗体。

每次产生初始抗体群时，一部分抗体从抗体记忆库中选出，另一部分采用随机方法产生，这样既保证有较优抗体的存在，又保证抗体的多样性。

(3)新抗体生成

采用单亲遗传算法(PGA)生成新的抗体，具体生成方法以单点基因换位为主，辅以多点基因换位和基因移位等单亲遗传算子，算例见附图2。

(4)群体更新

采用赌轮选择和锦标赛选择方法对抗体进行更新，并更新抗体记忆库。

基于单亲遗传算子的免疫算法的算法流程图见附图3，求解步骤为：

步骤1  算法初始化，给定适应函数表达式，给出一个初始种群，并更新抗体记忆库，确定算法所需的参数。

步骤2  生成当前种群并进行可行化处理。

步骤3  采用专家系统方法进行修正当前种群中的抗体，直到满足约束条件(4)(5)(6)(7)，然后计算各抗体的适应值。

步骤4  新抗体的产生：对当前种群中的抗体进行单亲遗传算子的操作，生成新的种群抗体。

步骤5  群体更新。

步骤6  判断是否满足结束准则，如是，转到步骤7；否则，转步骤2。

步骤7  如果当前最优解的适应值较优，将其作为算法的解输出；否则转步骤2进行下一代种群的计算。

3.本地数据库

本地数据库为模型构造模块与计划模块提供数据支持。在进行模型构造与计划编制中要用到以下几种数据：一种是从工厂的信息管理系统里取得的实时数据，例如所有板坯的各种信息和现场的生产状态等，第二种就是很多的中间结果，例如轧制计划的组批排序结果、对计划结果的评判等，这两部分数据量都很大；第三种就是一些相对静态的数据，例如工艺约束的参数、生产设备的一些数据等。

本发明的效果和益处是：所采用的模型构造方法充分考虑了热轧批量计划的工艺约束，算法设计中考虑到了热轧计划的烫辊材部分和主体材部分的规划设计，能编制出完整的热轧批量计划，可以直接用于指导生产；应用基于单亲遗传算子的免疫算法的热轧计划编制方法的运算时间满足生产现场的要求，计划编制时间指标及编制计划的质量均好于人工排产为主的热轧计划编制方法；应用本发明显著能够提高计划编制效率和计划编制水平。

附图说明

附图1是热轧计划编制系统框图。

其中：1处理器，2本地数据库，3模型构造模块，4工艺约束检验，5优化，6计算机，7存储器，8计划编制模块。

附图2是单点基因换位示意图。

图中：第一行是基因序号；第二行是换位前的基因排列；第三行是换位后的基因排列，带下划线的数字为交换位置的基因位。

附图3是基于单亲遗传算子的免疫算法流程图。

其中：9初始化，10确定当前种群，11当前种群可行化处理，12是否满足工艺约束，13生成新的种群，14种群可行化处理，15是否满足终止条件，16给出最优解，17专家系统修正。

具体实施方式

下面结合技术方案和附图详细说明本发明的具体实施例。

实施例

以热轧带钢厂实际生产数据为例，随机抽取270块板坯，设定轧制计划烫辊材的长度约束Qtz＝10km，主体材的长度约束Qkz＝140km，长度约束波动范围为1km，轧制计划的轧制能力为150km，轧制同宽度板坯的长度约束R＝5km。在算法求解中选取参数如下：一代种群的抗体数为10，抗体记忆规模为30，抗体记忆库每次更新抗体数为5，单亲遗传算子的单点基因换位概率为pe＝0.95，多点基因换位概率为pm＝0.15，单点基因移位概率为ps＝0.15，算法结束准则为连续迭代300代。

步骤1  算法参数的设定，将上述参数记录写入初始化模块。

步骤2  由数据库调入需编制计划的板坯数据(270块板坯的数据信息)。

步骤3  选定式(2)作为算法的适应函数，并根据式(12)计算最小轧制计划数。

步骤4  算法初始种群的确定，算法的初始化模块采用上面所述的抗体编码方式产生初始种群，初始种群的每个个体代表一个轧制计划的编制结果，同时对初始种群的各抗体进行可行化处理，并计算其函数适应值，记录最优个体，对抗体记忆库进行更新。

步骤5  判断是否达到规定的最大代数

若达到规定的最大代数，则从所有种群中选出最优的抗体，进行可行化处理，结果即为轧制计划编制结果，结束程序运行。否则，进入下一步。

步骤6  新抗体的产生

由抗体记忆库中提取部分抗体，其数目为种群规模80％，剩下的抗体利用随机的初始化模块产生，共同构成新的抗体。

步骤7  单点换位运算

将新抗体进行单点换位运算，针对选定的单个抗体，随机选择一对位置，将这两个位置的抗体的基因值互换，单点换位的概率不小于pe＝0.95。

步骤8  多点基因换位运算和单点基因移位运算

对新抗体依次进行多点基因换位和单点基因移位运算，其概率都不小于0.15。多点基因换位就是针对选定的单个抗体，随机选择多对基因位置，将这多对基因值两两交换。单点基因移位就是针对选定的单个抗体，随机选择一个位置，将抗体中这个位置后面的抗体基因值依次向后移动一位，并将最后的基因值赋予选定位置。

步骤9  判断新的抗体种群的结果是否满足约束条件(4)(5)(6)(7)，如果不满足，采用专家系统方法进行修正直到满足为止。

步骤10  对新种群的抗体进行可行化处理，并计算其函数适应值。

步骤11  选择运算

从进行算法操作前后的两代种群中选出一代抗体作为新的抗体种群，采用锦标赛选择方法，就是从两代种群中选出适应值最好的一代抗体作为新的种群。

步骤12  抗体记忆库更新

从新的抗体种群中选出适应值最好的5个抗体加入抗体记忆库，如抗体记忆库已满，则替换掉适应值最差的抗体。

步骤13  返回步骤5

对实施方案中的270块板坯进行如上述步骤的计划编制，最优目标函数值为1687.1，统计结果如表1所示。由表1可以看出采用本发明的算法将270块板坯编制成2个轧制计划，各个轧制计划的宽度都满足“双梯形”形状，烫辊材和主体材都在约束范围内，并且厚度和硬度的变化都满足要求，同时每个轧制计划轧制长度都最大限度的接近轧制计划的最大能力。

                            轧制计划编制结果

轧制计划编号	板坯数	轧制长度(km)	烫辊材		主体材
							板坯数	长度(km)	板坯数	长度(km)
			1             134         149.7         9         9.5         125         140.22             135         148.8         10        9.1         125         139.7

Claims (5)

1.一种热轧生产批量计划编制方法，包括用于从远程数据库读取待加工板坯数量和工艺参数的步骤；用于存储热轧生产批量计划编制结果的步骤；用于存储工艺约束的参数和生产设备数据的步骤，其特征在于：生成热轧批量计划模型编制的数学模型的步骤或实施求解并优化热轧批量计划轧制数学模型的步骤。

2.根据权利要求1所述的一种热轧生产批量计划编制方法，其特征在于：计划编制的数学模型中包括烫辊材计划和主体材计划。

3.根据权利要求书1所述的一种热轧生产批量计划编制方法，其特征在于：应用了基于单亲遗传算法的免疫算法求解热轧生产批量计划的数学模型。

4.根据权利要求1或3所述的一种热轧生产批量计划编制方法，其特征在于：使用了单亲遗传算法的方法作为免疫算法抗体编码方法。

5.根据权利要求1或4所述的一种热轧生产批量计划编制方法，其特征在于：基于单亲遗传算法的免疫算法的步骤依次为算法参数设定；确定当前种群；当前种群可行化处理；判断当前种群是否满足约束，如不满足用专家系统修正后生成新的种群，如果满足直接生成新种群；新种群的可行化处理；判断新种群是否满足终止条件，如满足给出最优解，如不满足开始算法的下一次迭代。