基于混合遗传算法的热轧生产调度优化方法

热轧生产调度是一个复杂的约束组合优化问题,其生产约束包括连续轧制板坯的宽度、厚度和硬度跳变要求,轧制单元的最大长度,产品库存及交货期等.基于多旅行商模型,建立了热轧生产批量调度问题的优化模型,并提出一种混合遗传算法(遗传算法、局部搜索)求解该问题.通过应用串行边重组和并行边重组的遗传交叉算子,算法在优化过程中可以很好地处理调度约束.针对工业数据的仿真结果证明该调度模型和混合遗传算法的并行求解策略可以有效地解决热轧生产批量调度问题.     

基于混合遗传算法的热轧生产调度优化方法

热轧生产调度是一个复杂的约束组合优化问题，其生产约束包括连续轧制板坯的宽度、厚度和硬度跳变要求，轧制单元的最大长度，产品库存及交货期等。基于多旅行商模型，建立了热轧生产批量调度问题的优化模型，并提出一种混合遗传算法（遗传算法、局部搜索）求解该问题。通过应用串行边重组和并行边重组的遗传交叉算子，算法在优化过程中可以很好地处理调度约束。针对工业数据的仿真结果证明该调度模型和混合遗传算法的并行求解策略可以有效地解决热轧生产批量调度问题。     

基于PCTSP的热轧单元计划模型与算法

根据钢铁企业热轧产品生产工艺约束条件,将热轧生产轧制单元计划模型归结为奖金收集旅行商问题,设计了蚁群最优化算法对模型进行求解.引用某钢铁企业热轧生产轧制单元计划编制的实际问题对模型和算法进行了验证,并与遗传算法的求解结果进行了对比.实验结果表明模型和算法的优化效果和时间效率都是令人满意的.该模型和算法经过改进后可应用到包含多个轧制单元计划的轧制批量计划优化问题中.     

顺序依赖的调整时间和拖期的无缝钢管热轧批量调度算法

无缝钢管热轧生产存在一类特殊的顺序依赖机器调整时间,调整时间依赖于相邻轧制批量间的规格切换,与批量间规格呈线性函数关系.针对具有此类调整时间的热轧批量调度问题,进一步考虑交货期要求,探讨了调整时间与交货期之间的性质特征,并以最小化总机器调整时间和最小化总拖期为目标,基于进化算法框架设计了快速重排序邻域搜索多目标算法(fast reordering neighborhood search multi-objective algorithm,FRNSM).在算法初始阶段,提出规格优化规则和交货时间优化规则,对初始解进行局部优化;邻域搜索阶段设计了基于同交货时间规格优化的快速重排序邻域搜索策略,以优化机器调整时间和拖期;针对问题多目标特征,基于Pareto思想设计解的接受准则.基于实际生产数据的实验结果表明,FRNSM算法对此类问题具有很好的求解效果.     

考虑柔性机器检修的钢管热轧批量调度方法

本文从无缝钢管生产管理中提取并定义了周期性机器柔性检修环境下的钢管热轧批量调度问题,针对无缝钢管热轧阶段的生产特点,将其抽象为一类考虑序列相关设置成本和机器柔性检修的单机调度问题,建立了以最小化机器闲置时间和机器调整时间为优化目标的数学模型。分析闲置时间和检修时点的关系,证明了闲置时间最小化性质,结合问题特征设计了两阶段启发式算法。算法第一阶段采用最小轧机调整时间规则获取具有最小机器调整时间的初始批量轧制序列,第二阶段对初始轧制序列进行全局寻优搜索。基于实际生产数据设计了多种问题规模的对比实验,实验结果表明模型和算法对求解该类问题具有较好效果。     

热轧带钢批量计划分解算法

针对热轧带钢批量计划问题,提出基于模糊聚类和约束规划的多目标优化分解算法。算法利用模糊C均值聚类将一个轧制单元的板坯划分为若干簇,采用约束规划求解簇内板坯顺序和簇间顺序,合成各簇的解得到轧制单元批量计划。基于生产实际数据和随机数据的实验结果表明算法具有满意的计算效率和效果。     

基于时间延迟的多类型维修与经济生产批量联合优化研究

针对目前未能较好的综合考虑多维修类型与经济生产批量联合优化的问题，首先考虑多类型维修关系，基于时间延迟理论求出故障和缺陷次数的表达式；其次，在此基础上，综合考虑生产费用和维修费用的基础上，构建了多类型维修和经济生产批量联合优化模型，以单位时间内总费用最小为优化目标，获得最优检查间隔期和经济生产批量；最后，通过算例分析验证了模型的有效性，说明了第一类缺陷检查次数的多少对费用和经济生产批量影响不大。     

一体化中包计划模型与算法

描述了一体化中包计划问题,归纳了炼钢连铸热轧及下游工序的一体化工艺规程,建立了以优化中包数、工艺附加成本和各流向产能平衡为目标的多目标优化模型．基于策略和加权和方法处理多目标优化问题,针对模型设计了基于７种邻域结构和局部迭代搜索方法的改进型变邻域深度搜索算法和改进型简化变邻域搜索算法．通过实际数据仿真,将两种算法与启发式算法进行对比,同时对两种算法进行性能分析,其结果验证了所提出模型和算法的有效性．     

钢铁一体化生产多目标合同计划建模与算法

为了实现热装比最大等多个优化目标,将炼钢-连铸-热轧一体化生产过程,抽象为炼钢与热轧两大加工阶段,建立了一体化生产多目标合同计划模型.以板坯热装比最大、交货提前/拖期率最小和组炉余材最少为优化目标,综合考虑了炼钢产能、热轧产能、最小主体材产量、以及钢种、板坯和成品规格等约束条件.通过变异目标空间中的重合个体,以及在每一代增加若干个新个体的方法,对非支配排序遗传算法NSGA-Ⅱ (non-dominated sorting genetic algorithm)进行了改进,提高了种群的多样性.不同规模计划问题的计算结果表明了所建立模型和对NSGA-Ⅱ算法的改进是有效的.     

基于扩展基本时段法的随机回收率ELSPR

针对存在于制造、再造混合生产系统的批量调度问题,研究旧产品回收率随机的情况下,考虑旧产品回收的多产品经济批量调度问题。基于扩展基本时段法综合考虑制造新品和再造产品的批量调度,构建以单位总成本最小为目标的优化模型。提出的改进型遗传算法对模型求解,能避免不可行解的产生。分别比较考虑和不考虑旧产品废弃处置两种情况下,该算法和Teunter方法的优化效果,结果表明提出的算法能进一步降低成本并保证最优解可行。     

基于并行策略的冶铸轧一体化组批模型及算法

针对直接热装和直轧工艺的特点，提出在冶铸轧一体化组批时用组合批代替传统的连铸作业计划和热轧作业计划，并建立了时序条件多收益旅行商MPCTSP—TC模型．该模型基于并行策略，一次可以求出若干个组合批．构造了分组协同蚁群算法，并用该算法对所提出的模型进行求解．结果表明，所建立的模型和算法可以最大化地求出较优的组合批，每个组合批都能满足模型的约束条件，而且排出一个组合批的平均时间为9．6s，远远低于人工排产所需的时间．     

冷轧生产调度模型及算法

针对冷轧生产线调度问题的复杂性, 将该问题规划为拼卷优化和轧制批量计划编制两个部分. 将拼卷优化问题归结为一个多容器装箱问题, 采用一种新的智能搜索算法——离散微分进化 (DDE) 对该问题进行求解; 对于轧制批量计划编制建立了一种特殊的双旅行商问题模型, 采用基于进化策略和邻域搜索的混合启发式方法求解模型. 最后通过上海宝钢生产实际数据对所提方法进行了试验, 试验结果显示本文给出的生产调度方法是有效的.     

热连轧精轧负荷分配优化的多目标反向迭代法

在求解热精轧负荷分配优化的过程中,针对目标函数中加权系数难以确定的问题,提出多目标反向迭代法(multi-objective inversion iteration algorithm,MOII),该法通过数值迭代的方式实现了热精轧机组负荷分配的多目标优化.首先,在综合考虑板形、板厚精度和质量的基础上,设计负荷分配优化的多目标函数;然后,基于轧制力能参数与轧机入口和出口板带厚度的单调性关系,设计MOII算法,并对MOII算法的合理性及异常情况进行分析,给出其计算流程;最后,基于实际生产数据进行仿真,结果表明,MOII算法不仅能够实现负荷分配的多目标优化,而且求解速度快、精度高,体现出良好的在线应用前景;与其他方法得到的解相比,MOII算法求得的解有更好的性能.     

Remaining Useful Life Prediction for a Roller in a Hot Strip Mill Based on Deep Recurrent Neural Networks

Accurate estimation of the remaining useful life (RUL) and health state for rollers is of great significance to hot rolling production. It can provide decision support for roller management so as to improve the productivity of the hot rolling process. In addition, the RUL prediction for rollers is helpful in transitioning from the current regular maintenance strategy to conditional-based maintenance. Therefore, a new method that can extract coarse-grained and fine-grained features from batch data to predict the RUL of the rollers is proposed in this paper. Firstly, a new deep learning network architecture based on recurrent neural networks that can make full use of the extracted coarsegrained fine-grained features to estimate the heath indicator (HI) is developed, where the HI is able to indicate the health state of the roller. Following that, a state-space model is constructed to describe the HI, and the probabilistic distribution of RUL can be estimated by extrapolating the HI degradation model to a predefined failure threshold. Finally, application to a hot strip mill is given to verify the effectiveness of the proposed methods using data collected from an industrial site, and the relatively low RMSE and MAE values demonstrate its advantages compared with some other popular deep learning methods.      

基于粒子群算法的轧制批量计划问题研究

将轧制批量计划编制问题归结为车辆路径问题,采用粒子群算法对模型求解,设计了轧制批量计划问题的编码方案,阐明了算法的具体实现过程。计算结果表明,利用粒子群算法解决热轧批量计划问题是有效和可行的。     

Modeling rolling batch planning as vehicle routing problem with time windows

This paper considers the rolling batch planning problem of grouping and sequencing a given set of slabs into several rolling units in iron and steel industry. The existing mathematical methods often used for the problem are traveling salesman problem (TSP) and vehicle routing problem (VRP), but these methods are not precise, because the position limitation of some slabs in a rolling unit scheduling is not considered. Therefore we suggest a new model, vehicle routing problem with time window (VRPTW) to describe the rolling batch planning problem, in which the position limitation of slabs are quantified as the time constraints. Several solution methods including the genetic algorithm are presented for solving the problem and the computational results show that the genetic algorithm is superior to other methods.In this paper, the vehicle routing problem with time window (VRPTW) of combinational optimization is used to analyze and model the rolling batch planning problem. Genetic algorithm and heuristic are used to solve the problem. Simulation results based on the actual production data show that this model is precise and the genetic algorithm based method is very promising.     

Development of hybrid evolutionary algorithms for production scheduling of hot strip mill

A hot strip mill (HSM) produces hot rolled products from steel slabs, and is one of the most important production lines in a steel plant. The aim of HSM scheduling is to construct a rolling sequence that optimizes a set of given criteria under constraints. Due to the complexity in modeling the production process and optimizing the rolling sequence, the HSM scheduling is a challenging task for hot rolling production schedulers. This paper first introduces the HSM production process and requirements, and then reviews previous research on the modeling and optimization of the HSM scheduling problem. According to the practical requirements of hot rolling production, a mathematical model is formulated to describe two important scheduling sub-tasks: (1) selecting a subset of manufacturing orders and (2) generating an optimal rolling sequence from the selected manufacturing orders. Further, hybrid evolutionary algorithms with integration of genetic algorithm (GA) and extremal optimization (EO) are proposed to solve the HSM scheduling problem. Computational results on industrial data show that the proposed HSM scheduling solution can be applied in practice to provide satisfactory performance.     

热轧带钢层流冷却系统温度的建模与仿真

针对于传统的热轧带钢生产线层流冷却卷取温度控制精度不高的缺点,以热轧带钢层流冷却控制系统为研究对象,对其温度进行建模与仿真.基于现有模型通过修正黑度系数来考虑带钢厚度方向上的热传导,采用有限差分法来建立带钢厚度方向温降一维模型.通过实际生产数据对模型中的部分参数进行修正,使模型更加符合实际生产要求.在得到层流冷却生产过程中热轧带钢温度变化和温度场分布的基础上,又模拟仿真得出带钢总体卷取温度曲线.将所搭建的模型应用于模拟实际生产过程,通过实际数据计算出的结果与实际测量值相比较,其偏差值在±10℃范围之内.因此所建模型能够满足实际生产精度控制要求.