不确定条件下炼钢-连铸生产调度的两阶段鲁棒优化方法

根据炼钢-连铸生产过程的特点,建立一种考虑加工时间和运输时间不确定性的两阶段鲁棒优化模型,即在第1阶段确定排序和指派变量,在第2阶段确定时间变量.针对两阶段鲁棒优化问题的复杂性和非线性难点,运用线性对偶理论将其转换为最差场景下的网络优化问题.针对简化后的网络优化问题,提出一种基于协方差自适应进化策略(covariance matrix adaptation evolution strategy,CMA-ES)的求解算法,并引入基于瓶颈浇次的重启策略以提升其搜索效率.最后,基于不同规模的测试实例进行模型灵敏度分析及算法对比测试.计算和统计结果验证了所提出的调度模型在不确定性条件下的有效性及改进CMA-ES算法的竞争性.     

锅炉基本知识介绍(11)(12)——(12)锅筒

锅筒是汽、水分离的主要部件,其主要作用有以下几方面:形成一个稳定的水循环,获得干燥的洁净的饱和蒸汽;从锅筒水中排出各种杂质,为了在锅筒内形成稳定的水循环,在锅筒内部设置了给水管和水汽隔板。为了获得干燥洁净的饱和蒸汽,在锅筒     

基于机器学习的炼钢-连铸生产调度方法

近年来,机器学习作为人工智能最活跃的分支得到突飞猛进的发展。炼钢-连铸作为钢铁制造全流程中的关键环节,其生产调度问题具有约束复杂和强不确定性等难点。在回顾数据驱动的生产调度方法的基础上,探讨了基于机器学习计算的炼钢-连铸调度方法涉及的主要研究内容,并提出了一种集成算法框架。该框架基于机器学习算法,通过期望指标预测器、调度规则挖掘器、滚动优化算法等模块实现调度过程智能化寻优。最后,对本文工作进行了总结,针对炼钢-连铸调度特点,对强化学习方法的应用提出展望。     

考虑不确定加工时间的炼钢—连铸过程柔性调度方法

针对加工时间存在不确定性的炼钢—连铸调度问题,构造了一种基于有向图网络的柔性调度模型,并提出一种基于分布估计的优化算法。在柔性调度模型中,使用有向图网络描述调度解的柔性决策,然后设置时间缓冲以保护不确定条件下调度解的性能指标和可行性;在优化算法中,使用基于工序关联的概率模型描述决策变量之间的关联关系以产生高质量的新种群,并采用随机仿真方法对柔性调度解的期望性能进行评价。在仿真过程中,运用最优计算量分配技术对有限计算资源进行动态分配以提高种群的评价效率。通过基于实际生产数据的问题实例和数值实验验证了所提柔性调度方法的有效性。     

基于区间约束极限梯度提升的转炉炼钢耗氧量预测

氧气是转炉炼钢生产过程中的一种重要的气体能源。转炉炼钢耗氧量的精准预测既有利于提高炼钢过程的稳定控制，也是炼钢厂生产有序运行的有力保障。根据转炉炼钢过程的机理特征，建立了基于区间约束的极限梯度提升(interval constraint-based extreme gradient boosting, IC-XGBoost)数据模型，以提升炼钢耗氧量预测的精度和准度。利用转炉炼钢过程实际数据及其噪声扰动，对改进XGBoost模型进行对比测试。与神经网络、支持向量机(support vector machine, SVM)和XGBoost等传统数据模型相比，所建立的模型能够通过高效计算获得更好的预测精度和准度，且具有较好的抗干扰能力。