煉鋼連鑄生產工藝中的組爐次方法

2023-05-22 10:26:21 1

專利名稱：煉鋼連鑄生產工藝中的組爐次方法
技術領域：
本發明涉及冶金自動化生產領域，涉及到一種基於序列倒置改進離散粒子群算法 和準旅行商問題模型的煉鋼連鑄生產工藝中的組爐次方法。
背景技術：
鋼鐵工業是國民經濟的重要基礎產業，而我國又是世界上最大的鋼材生產大國。 然而，由於鋼鐵工業是高能源行業，近幾年，能源價格飛漲，如何節約能源，越來越引起鋼鐵 界的重視。為了降低因燃料價格上漲而引起的燃料費用的增加，世界各國的鋼鐵企業都進 行生產設備的改造、生產技術的革新。我國加入WTO以後，鋼鐵企業面臨一系列嚴峻的挑戰，為了提升其核心競爭力和 持續發展的後動力，需要解決好降低成本，提高質量和投資決策等問題。其中生產計劃與調 度是生產管理的關鍵。由於流程工業生產計劃與調度問題具有大規模、多目標、複雜約束和 動態不確定等特徵，常規的建模和優化方法難以直接運用，而採用人工調度方法又難以實 現資源合理調配和作業優化排序，因此，探討適合流程工業生產計劃與調度的建模優化和 有效的求解方法成為急待解決的關鍵理論問題。爐次計劃屬於煉鋼-連鑄段的生產批量計劃。煉鋼的一個爐次最多可以冶煉幾十 噸至上百噸的鋼材。鋼鐵產品在生產過程中根據化學成分的不同可以劃分為多個鋼級序 列，每個鋼級序列又可以再細化為不同的鋼級。只有同一鋼級序列的板坯才允許安排在同 一爐次中生產，而且一個爐次只能生產一種鋼級的鋼水，如果出現板坯鋼級不同的情況，只 能按照較高的鋼級生產鋼水。如果板坯不滿一爐仍按一爐生產，多餘部分稱為無委材。在煉鋼連鑄生產階段，由於中間合同(熱軋板坯)或最終合同(如熱軋帶鋼)的需求 在鋼級、規格、物理特性、交貨期等諸因素之間存在一定差別，根據煉鋼工藝的要求和組成 同一爐次的合同的特性限制，需要將合同進行組合，形成不同的爐次計劃，使得每一爐次內 在保證最低冶煉爐容要求下，合同之間的交貨期差異最少，具有最大的成材率，最低的生產 成本和最少的無委材。授權公告號為CN100337773c的中國發明專利，公開了一種煉鋼連鑄生產工藝中 的組連澆批次的方法。其核心是從寬度已經確定的板坯中選出接收批次要求的流向的板坯 進行組爐，建立爐次優化模型，並採用粒子群算法求解。授權公告號為CN101377789B的中國發明專利，公開了一種煉鋼生產工藝中的板 坯組爐方法。其核心是採用雙層結構的遺傳編碼方式對函數優化，確定待組爐板坯的優化 寬度，根據確定的板坯寬度組爐。上述2項中國發明專利，在進行板坯組爐時，均採用直接求解方法，在其求解時存 在大量不可行解，且在組爐時，需預先根據組爐板坯重量算出組爐爐次數。

發明內容
本發明的目的是為了克服上述現有技術的缺陷，而提供一種煉鋼連鑄生產工藝中的組爐次方法。組爐次計劃編制是多變量多約束大規模混合整數規劃問題，可以通過最優化方法 求解。最優化方法是尋求問題最優解的方法，包括傳統優化算法、智能優化算法和基於規則 的啟發式算法。傳統算法又分為解析法和數值法等。對於目標函數及約束條件具有簡單而 明確的數學解析表達式的最優化問題，通常可採用解析法來解決，其求解方法是先按照函 數極值的必要條件，用數學分析方法(多採用求導數方法)求出其解析解，再按照充分條件 或問題的實際意義間接地確定最優解；對於目標函數較為複雜或無明確的數學表達或無法 用解析法求解的最優化問題，可採用數值解法來解決。數值解法的基本思想，就是用直接搜 索的方法經過一系列的迭化使之逐步接近最優解。傳統優化算法具有計算效率高、可靠性強等優點，但在求解複雜、困難的優化問題 時有很大的局限性。傳統優化算法一般要求目標函數是連續可微的，解域是凸集等條件，而 且處理非確定性信息的能力較差。這些弱點使傳統優化方法在解決許多實際問題時受到了 限制。智能優化算法的發展為解決複雜、困難優化問題提供了新的途徑。智能優化算法 主要包括神經網絡方法、遺傳算法、模擬退火算法、免疫算法、禁忌搜索算法、蟻群算法、粒 子群算法等。智能優化算法具有通用性，可以找到最優解，但不一定能確保找到可行解，而基於 規則的啟發式算法運行速度快，能確保有可行解，但不一定能找到最優解。單純採用智能優 化算法或啟發式算法很難找到最優組爐方案。本發明提出了把組爐模型轉化為準旅行商問 題的方法，較好地解決了智能優化算法求解組爐計劃時存在大量不可行解的問題。而且，採 用本發明，無須預先知道爐次數量。本發明通過離散粒子群優化算法的優化搜索和基於啟發式規則的個體解碼，確保 算法能找到最優可行解。本發明基於序列倒置算子，通過當前粒子向全局最優粒子學習、局部最優子粒子 群中粒子和隨機粒子的學習，大大加快了算法收斂速度和全局尋優能力。本發明採用的技術方案依次包括以下步驟
1)建立本地資料庫，進行合同收池；
2)從池中選出待組爐板坯，建立爐次計劃模型；
3)把爐次計劃模型轉化為準旅行商問題；
4)基於智能優化算法對爐次計劃準旅行商問題模型進行求解，找出最優爐次計劃；
5)根據確定的最優爐次計劃進行板坯組爐。在上述技術方案中所述1)步驟中的進行合同收池，是指從給定的生產合同中， 按照交貨期優先級選出滿足日生產能力的合同板坯；
所述步驟2)中的建立爐次計劃模型必須考慮組成同一爐的板坯在鋼級，鋼級序列，板 坯寬度，交貨期，優先級等方面的差異費用，無委材的懲罰費用和未組爐板坯的懲罰費用；
所述步驟3)中的模型轉換方法在於把爐次計劃模型轉化為一準旅行商問題，進而採用 離散粒子群優化算法求解，以消除不可行解。所述步驟4)中的智能優化算法為基於序列倒置的改進離散粒子群優化算法，其具 體做法依次包括如下步驟3a)讀入板坯數據；
3b)設置種群規模M，迭代總次數Ng，學習選擇概率pi、代數閾值Ng、局部最優子群比
rl ；
3c)根據種群大小隨機產生粒子並計算其適應度值。初始化，設置迭代次數i=l ； 3d)求每個粒子的局部極值pbest，並求出種群的全局極值gbest，根據rl值和pbest 排序確定局部最優子群；
3e)判斷迭代次數是否大於迭代總次數，如是，則進入步驟3k)； 3f)產生一個(0 1)間隨機數rd，如果rd<pl，且當前運行代數g<Ng，則隨機選擇一個 粒子作為學習對象；如果rdNg，則選擇全局最優粒子作為學習對象；如果rd>pl， 則隨機從局部最優子群中選擇一個粒子作為學習對象；
3g)產生一個(0 1)間隨機數rp，如果rp〈選擇概率p，則第二個節點從當前粒子中 隨機選出，子序列進行倒置；如果rp>p，則由步驟3f)確定的學習對象中選擇第二個節點， 並進行子序列倒置；
3h)對當前粒子按變異概率進行變異操作；
3i)計算該粒子適應度值，如果該值大於序列倒置前適應度值，則更新當前粒子； 3j)迭代次數i=i+l，轉到步驟3d)； 3k)輸出種群的全局最優解。在上述離散粒子群優化算法中
所述的步驟3c)和步驟3i)中計算粒子適應度值的裝置為基於準旅行商問題模型的啟 髮式解碼裝置，其解碼方法依次包括以下步驟為
4a)板坯數slab=l，爐次數Charge=I ；爐次中存放第一塊板坯；
4b)板坯數slab=slab+l，slab〉總板坯數Numslab嗎，如是，轉到步驟4i)
4c)讀入一個新板坯；
4d)判斷是否屬於同一類型板坯，如否則進入步驟4h)；
4e)判斷超出爐容嗎，如否則進入步驟4h)；
4f)與前述同一爐次板坯寬度兼容嗎，如不兼容，則進入步驟4h)；
4g)該板坯放入第charge爐中，進入步驟4b)；
4h) Charge=charge+1，該板坯放入該爐次中，進入步驟4b)；
4i)適應度 Hiinfit=O ；
4j)計算每一爐次的適應度值f (chargei)，主要由組成同一爐的板坯在鋼級，鋼級序 列，板坯寬度，交貨期方面的差異懲罰費用和無委材的懲罰費用組成，如該值小於本爐次中 各板坯未組爐懲罰值P (charge)，則保留該爐次，minfit=minfit+f (charge)，否則取消該爐 次，置該爐中板坯為未組爐板坯；
4k)在適應度值minfit上為未組爐板坯根據優先級加懲罰費用，並返回適應度值 minfit。所述離散粒子群優化算法的步驟3g)中採用的交叉裝置為基於序列倒置的交叉 裝置，具體操作下面以9塊板坯為例來描述板坯序列的交叉過程
假設當前板坯序列為(2，3，9，4，1，5，8，6，7)，任意設定一個0和1之間的隨機數，第一 塊板坯為3，如果任意隨機數小於選擇概率p，則第二塊板坯從當前序列中隨機選出，設所選第二塊板坯為8，子序列進行倒置後，當前板坯序列為(2，3，8，5，1，4，9，6，7 )。如果任意 隨機數大於選擇概率P，則由種群中另外一個任意選定的板坯序列決定第二個城市。設任 意選定的另外一個板坯序列為(1，6，4，3，5，7，9，2，8)，在該板坯序列中板坯3之後的板坯 為5，板坯5就是第二塊板坯，子序列進行倒置，當前板坯序列為(2，3，5，1，4，9，8，6，7 )，如 果選定的第二塊板坯在當前粒子中已經與第一塊板坯相鄰，則終止當前序列的交叉過程。本發明具有以下優點
1)在採用本技術之前，基本上採用手工排計劃，時刻的準確性很差，設備利用率較低， 而且排出的計劃有很大的局限性，直接影響產量和設備壽命；並且重排一次計劃需要很長 的時間。採用本發明後，排一次計劃只要數秒鐘，時間可以精確到秒，設備利用率大大提高， 產量得到了明顯的提高。2)本發明通過把爐次模型轉化為準旅行商問題，有效地消除了常用智能優化算法 的產生不可行的問題。3)本發明通過把爐次模型轉化為準旅行商問題，通過基於模型的啟發式規則譯 碼，在安排組爐計劃時，無需預先確定待安排爐次數。


圖1是爐次計劃直接求解方法編碼方式示意圖2爐次計劃轉化為準旅行商問題模型表示示意圖；圖中所示廣13是板坯號； 圖3基於離散粒子群優化算法的最優爐次計劃求解流程圖；圖中Y表示是； 圖4粒子啟發式解碼算法流程圖，圖中Y表示是，N表示否。
具體實施例方式下面結合附圖詳細說明本發明。這些附圖均為簡化的示意圖，僅以示意方式說明 本發明的基本結構，因此其僅顯示與本發明有關的構成。工廠在接到一批訂單後，必須首先經過質量和生產設計，把訂單變成可生產合同， 再通過合同收池，即從給定的生產合同中，按照交貨期優先級選出滿足日生產能力的合同 板坯，導入本地資料庫；
經過材料設計得到的成百上千塊板坯，進行板坯組爐的步驟是 首先必須從池中選出待組爐板坯，建立爐次計劃模型，爐次計劃模型主要考慮各爐次 同一爐中板坯在鋼級，鋼級序列，板坯寬度，交貨期，優先級方面的差異費用和未組爐板坯 和無委材的附加懲罰費用。在進行爐次計劃求解時，為消除智能優化算法求解時存在大量不可行解的情況， 本發明採用圖2所示的準旅行商問題模型描述，而不採用圖1所示的直接求解編碼方式。在進行最優爐次計劃求解時，本發明採用的智能優化算法為基於序列倒置的改進 離散粒子群優化算法，參見圖3具體描述為
3a、讀入板坯數據；
3b、設置種群規模M，迭代總次數Ng，學習選擇概率pi、代數閾值Ng、局部最優子群比 rl ；種群規模M，迭代總次數Ng可根據需要設定，太小易陷入局部最優，太大則計算時間太 長，一般M取100-200，Ng取500-1000。引入pl，Ng的目的在於避免粒子只是單一的向具有全局極值的粒子學習而陷入局部極值。Pl不能設置過小，以保證種群多樣性，避免陷入局 部極值，Pl也不能設置過大，一般在0. 5以下，優選為0. 3。Ng的引入是為了使粒子僅在算 法後期才向具有全局極值粒子學習，一般要在算法總運行代數的一半以上，優選為0. 8。局 部最優子群比rl不能過小，以避免陷入局部極值，pi也不能設置過大，一般在0. 4以下，優 選為0. 3。3c、根據種群大小隨機產生粒子並計算其適應度值。初始化，設置迭代次數i=l ； 3d、求每個粒子的局部極值pbest，並求出種群的全局極值gbest，根據rl值和pbest
排序確定局部最優子群；
3e、判斷迭代次數是否大於迭代總次數，如是，則進入步驟3k ； 3f、產生一個(0 1)間隨機數rd，如果rd<pl，且當前運行代數g<Ng，則隨機選擇一個 粒子作為學習對象；如果rdNg，則選擇全局最優粒子作為學習對象；如果rd>pl， 則隨機從局部最優子群中選擇一個粒子作為學習對象；
3g、產生一個(0 1)間隨機數rp，如果rpp，則由步驟3f確定的學習對象中選擇第二個節點，並 進行子序列倒置；
3h、對當前粒子按變異概率進行變異操作；變異概率一般取0. 85-0. 99，優選為0. 9。3i、計算該粒子適應度值，如果該值大於序列倒置前適應度值，則更新當前粒子； 3j、迭代次數i=i+l，轉到步驟3d ；
3k、輸出種群的全局最優解。進一步，所述基於序列倒置的改進離散粒子群優化算法智能優化算法中的步驟3c 和步驟3i中計算粒子適應度值的裝置為基於準旅行商問題模型的啟發式解碼裝置，參見 圖4，其解碼方法的具體步驟是
4a、板坯數slab=l，爐次數Charge=I ；爐次中存放第一塊板坯；
4b、板坯數slab=slab+l，slab〉總板坯數Numslab嗎，如是，轉到步驟4i ；
4c、讀入一個新板坯；
4d、判斷是否屬於同一類型板坯，如否則進入步驟4h ；
4e、判斷超出爐容嗎，如否則進入步驟4h ；
4f、與前述同一爐次板坯寬度兼容嗎，如不兼容，則進入步驟4h ；
4g、該板坯放入第charge爐中，進入步驟4b ；
4h、Charge=charge+l，該板坯放入該爐次中，進入步驟4b ；
4i、適應度值minfit=0 ；
4j、計算每一爐次的適應度值f (charge)，主要由組成同一爐的板坯在鋼級，鋼級序列， 板坯寬度，交貨期方面的差異懲罰費用和無委材的懲罰費用組成，如該值小於本爐次中各 板坯未組爐懲罰值P(charge)，則保留該爐次，minfit=minfit+f (charge)，否則取消該爐 次，置該爐中板坯為未組爐板坯；
4k、在適應度值minfit上為未組爐板坯根據優先級加懲罰費用，並返回適應度值 minfit。所述的離散粒群優化算法中的步驟3g中採用的交叉裝置為基於序列倒置的交叉 裝置，具體操作以下面9塊板坯為例來描述板坯序列的交叉過程假設當前板坯序列為(2，3，9，4，1，5，8，6，7)，任意設定一個(Tl之間的隨機數，第一塊 板坯為3，如果任意隨機數小於選擇概率p，則第二塊板坯從當前序列中隨機選出，設所選 第二塊板坯為8，子序列進行倒置後，當前板坯序列為(2，3，8，5，1，4，9，6，7 )。如果任意隨 機數大於選擇概率P，則由種群中另外一個任意選定的板坯序列決定第二個城市。設任意選 定的另外一個板坯序列為(1，6，4，3，5，7，9，2，8)，在該板坯序列中板坯3之後的板坯為5， 板坯5就是第二塊板坯，子序列進行倒置，當前板坯序列為(2，3，5，1，4，9，8，6，7 )，如果選 定的第二塊板坯在當前粒子中已經與第一塊板坯相鄰，則終止。基於序列倒置改進離散粒子群算法所得種群的全局最優解即為最優組爐結果，所 得板坯序列的解碼結果即為最優組爐計劃。上述實施例只為說明本發明的技術構思及特點，其目的在於讓熟悉此項技術的人 士能夠了解本發明的內容並加以實施，並不能以此限制本發明的保護範圍，凡根據本發明 精神實質所作的等效變化或修飾，都應涵蓋在本發明的保護範圍內。
權利要求
1.一種煉鋼連鑄生產工藝中的組爐次方法，包括建立本地資料庫，進行合同收池，其特 徵在於該方法依次包括以下步驟1)建立本地資料庫，進行合同收池；2)從池中選出待組爐板坯，建立爐次計劃模型；3)把爐次計劃模型轉化為準旅行商問題；4)基於智能優化算法對爐次計劃準旅行商問題模型進行求解，找出最優爐次計劃；5)根據確定的最優爐次計劃進行板坯組爐。
2.根據權利要求1所述的一種煉鋼連鑄生產工藝中的組爐次方法，其特徵在於，所述 步驟2)建立爐次計劃模型必須考慮組成同一爐的板坯在鋼級，鋼級序列，板坯寬度，交貨 期，優先級等方面的差異費用，無委材的懲罰費用和未組爐板坯的懲罰費用。
3.根據權利要求1所述一種煉鋼連鑄生產工藝中的組爐次方法，其特徵在於，所述步 驟4)基於智能優化算法對爐次計劃準旅行商問題模型進行求解的智能優化算法為基於序 列倒置的改進離散粒子群優化算法，依次包括如下步驟3a)讀入板坯數據；3b)設置種群規模，迭代總次數，學習選擇概率、代數閾值、局部最優子群比； 3c)根據種群大小隨機產生粒子並計算其適應度值，初始化，置迭代次數為一； 3d)求每個粒子的個體極值，並求出種群的全局極值，根據局部最優子群比和局部最優 值排序確定局部最優子群；3e)判斷迭代次數是否大於迭代總次數，如是，則進入步驟3k)； 3f)產生一個(Tl間隨機數，如果該值小於學習選擇概率，且當前運行代數小於代數閾 值，則隨機選擇一個粒子作為學習對象；如果該值小於學習選擇概率，而當前運行代數小於 代數閾值，則選擇全局最優粒子作為學習對象；反之，如果該值大於學習選擇概率，則隨機 從局部最優子群中選擇一個粒子作為學習對象；3g)產生一個(Tl間隨機數，如果該值小於選擇概率，則第二個節點從當前粒子中隨機 選出，子序列進行倒置；反之，則由步驟3f)確定的學習對象中選擇第二個節點，並進行子 序列倒置；3h)對當前粒子按變異概率進行變異操作；3i)計算該粒子適應度值，如果該值大於序列倒置前適應度值，則更新當前粒子； 3j)迭代次數加一，轉到步驟3d)； 3k)輸出種群的全局最優解。
4.根據權利要求3所述的一種煉鋼連鑄生產工藝中的組爐次方法，其特徵在於對所述 的步驟3c)和步驟3i)中計算粒子適應度值的裝置為基於準旅行商問題模型的啟發式解碼 裝置，該方式無需預先知道爐次數，其解碼方法依次包括以下步驟4a)板坯數置為一，爐次數置為一；爐次中存放第一塊板坯； 4b)板坯數加一，板坯數大於板坯總數嗎，如是，轉到步驟4i) 4c)讀入一個新板坯；4d)判斷是否屬於同一類型板坯，如否則進入步驟4h)； 4e)判斷超出爐容嗎，如否則進入步驟4h)； 4f)與前述同一爐次板坯寬度兼容嗎，如不兼容，則進入步驟4h)；4g)該板坯放入該爐次中，進入步驟4b)；4h)爐次數加一，該板坯放入該爐次中，進入步驟4b)；4i)總適應度值置0;4j)計算每一爐次的適應度值，主要由組成同一爐的板坯在鋼級，鋼級序列，板坯寬度， 交貨期方面的差異懲罰費用和無委材的懲罰費用組成，如該值小於本爐次中各板坯未組爐 懲罰值，則保留該爐次，總適應度值上加上本爐次適應度值，否則取消該爐次，置該爐中板 坯為未組爐板坯；4k)在總適應度值上為未組爐板坯根據優先級加懲罰值，並返回總適應度值。
5.根據權利要求3所述一種煉鋼連鑄生產工藝中的組爐次方法，其特徵在於，對所述 的步驟3g)中採用的交叉裝置為基於序列倒置的交叉裝置。
全文摘要
本發明所公開的是一種煉鋼連鑄生產工藝中的組爐次方法，以其依次包括如下步驟建立本地資料庫，進行合同收池；從池中選出待組爐板坯，建立爐次計劃模型；把爐次計劃模型轉化為準旅行商問題；基於智能優化算法對爐次計劃準旅行商問題模型進行求解，找出最優爐次計劃；根據確定的最優爐次計劃進行板坯組爐為主要特徵。根據本方法組爐在安排組爐計劃時，無需預先確定待安排爐次數；採用本發明排一次計劃只要數秒鐘，時間可以精確到秒，設備利用率大大提高，煉鋼連鑄產量得到了明顯的提高。
文檔編號G06F17/50GK102117359SQ201010614840
公開日2011年7月6日 申請日期2010年12月30日 優先權日2010年12月30日
發明者孫寧, 楊啟文, 沈繼冬, 薛雲燦, 黃國銘 申請人:河海大學常州校區