应用于特钢厂高速工具钢炼钢流程的仿真优化调度模型

摘要

一种应用于特钢厂高速工具钢炼钢流程的仿真优化调度模型，属于钢铁企业计划调度技术领域。基于多智能体技术的炼钢厂仿真优化调度模型，通过多智能体建模把复杂的钢铁生产流程抽象为一个多智能体系统,将生产流程中的钢包、钢锭以及各单体设备抽象成单智能体模型，对复杂物流系统进行建模与仿真优化，通过分步骤和反馈迭代优化,化解求解难度，提高适应性。优点在于，解决了具有强耦合性、不确定性、多约束性、多目标性特征的复杂工况环境下高速工具钢炼钢流程建模较为困难的难题，实现了作业计划的智能优化及动态调整。

说明书

技术领域

本发明属于钢铁企业计划调度技术领域，特别是提供了一种应用于特钢厂高速工具钢炼钢流程的仿真优化调度模型。基于多智能体仿真技术，对特钢厂炼钢流程进行仿真建模及迭代优化，有效解决了具有强耦合性、不确定性、多约束性、多目标性等特征生产流程建模较为困难的难题，为高速工具钢炼钢流程的智能调度提供了可行的建模手段。

背景技术

高速工具钢炼钢过程是一个多工序组成的复杂的高温物理化学过程，从钢水到钢锭，需要各工序紧密衔接，连续紧凑，其生产调度问题具有强耦合性、不确定性、多约束性、多目标性等特征，难以建立数学描述模型。

目前生产计划和生产调度方法主要有人机交互、数学规划、智能优化、仿真优化等方法，其中人机交互方法简单、明了，图形化的界面非常易于使用，适应性较强，目前我国钢铁企业作业调度主要依赖于人机交互方法，但此方法主要依赖计划调度人员个人的经验，即使将人的经验转化为规则、专家系统或案例推理，难以实现强耦合、多目标优化，而且很难持续改进。数学规划法是将问题抽象成若干约束下的一个或者多个目标函数的优化问题，数据规划法本质上是一种静态优化方法，建模过程中往往会对问题进行前提建设，主要存在理论研究层次，很难应用于多变的复杂生产流程。智能优化主要针对非线性目标函数和约束条件、多目标优化计划调度问题提升了优化求解能力，但是当问题比较复杂，调度规模较大时，计算量和存储量急剧增大，很难在较短事件内找到最优解，很难对多变的现场实际状况及时做出适应调整，另外受各种因素限制，现实生产中作业计划问题很难被抽象成一个优化求解模型，限制了其应用范围。仿真建模法可以避免对复杂制造流程物流和调度问题理论细节的分析，实现对实际生产环境分析并抽象建模。通过仿真建模方法建立对象的模型，通过交互仿真分析各种计划调度方案的优劣，但是仿真模型的精度不够时，会使得仿真优化效果大打折扣。

本发明提出一种基于多智能体的仿真优化调度方法，采取简单一致、单体准确、网络耦合、行为涌现的整体论建模方法，避免了建立复杂精准的数学描述模型，简化了建模流程，模型综合考虑生产中的钢种、规格、温度要求、工艺路径、设备可用情况等工艺约束，反复迭代最终形成最佳的可执行计划(包括机器分配、任务排序和加工开始/结束时间等信息)。

目前我国大部分钢铁企业的生产调度基本都是人工调度模式，随着自动化、信息技术的逐渐完善，各企业智能制造提升工程已经提上日程，而生产的优化调度模型作为智能制造领域比较关键的技术应用，具有非常重要的实践应用价值。

发明内容

本发明的目的在于提供一种应用于高速工具钢炼钢流程的仿真优化调度模型，本发明中的建模方法有效解决了高速工具钢炼钢生产流程复杂，难以进行数学函数描述的问题，为钢铁企业智能调度的实现提供了可行途径。

本发明所提出的仿真优化调度模型通过多智能体建模把复杂的钢铁生产流程抽象为一个多智能体系统,将生产流程中的钢包、钢锭以及各单体设备抽象成单智能体模型，对复杂物流系统进行建模与仿真迭代优化，解决了炼钢厂智能排产及动态调度问题。

本发明中所述的仿真优化调度模型部署结构如图1所示，仿真优化调度模型部署在应用服务器上，仿真优化调度模型中所用到的输入数据直接从数据库服务器中的关系数据库获取，模型运行的过程信息及最终优化结果存储到数据库服务器上的关系数据库中。应用服务器、数据库服务器通过局域网连接。仿真优化调度模型运行结果通过PC客户端查看，客户端通过网关、防火墙设备与应用服务器通讯，获取模型运行结果并进行必要的信息交互。

本发明中所述的仿真优化调度模型通过分步骤和反馈迭代优化(局部优化、全局优化),化解求解难度，提高适应性。仿真优化调度模型运行逻辑如图2所示，主要由工艺路径确定、物料需求计算、生产组合、生产过程仿真、仿真结果评判以及迭代优化几个逻辑模块构成。

模型初始化参数包括设备当前状态(空闲、忙碌、故障)、检修计划、订单需量(包括订单编码、钢种、规格、需求支数、交货期)、当前库存量(钢种、规格、支数、存放位置)、各设备的工艺约束(钢种、规格、温度约束)、设备参数(容量、寿命、位置、所属工序、产品、不同钢种各工艺段的工作时间、工装准备时间)、通用数据(钢种列表、工艺路径表、生产实绩数据)。

本发明中的仿真优化调度模型所涉及到的逻辑模块阐述如下：

(1)工艺路径确定模块：基于品种、规格、钢种、锭型，从工艺路径数据表查询生产工艺路径信息，确定各订单所需要的主要工艺流程。

(2)物料需求计算模块：冶炼物料需求计算，需要沿物料转换逆过程，由锻钢对电渣锭/铸锭重量需求，依次计算电渣锭/铸锭支数、电极棒支数、冶炼钢水重量需求，计算过程需要考虑余材充当及物料转换过程中收得率，最后得出物料余材充当量及新物料需求量。

(3)、生成组合模块：设备周转时间、设备容量、工艺和质量要求、工装设备更换频率等形成各工序的生产组合策略，以生产组合策略作为约束，以满足交期、减少余材产生降低库存、减少设备更换次数、减少瓶颈设备空闲时间、降低能耗作为目标进行迭代，给出生产任务的组合及生产次序，即计划粗排，计划粗排作为作业计划的初始值。

(4)、生产过程仿真模块：以计划粗排、设备生产状态、库存信息、生产实绩作为输入驱动生产过程仿真模块运行，通过模拟整个生产流程，细化各工位作业时间，减少非作业时间和不必要的等待，提高作业效率。

(5)、仿真结果评判以及迭代优化模块：本发明中所述的生产过程仿真模型运行完毕，需要进行仿真结果的评判和迭代优化。在设定的最大仿真次数范围内，每一次仿真结束，则计算交期满足情况、设备效率情况、能耗情况、库存情况。在交期满足的情况下，应该协调浇铸和电渣设备的生产节奏，降低库存，减少能耗。在交期不满足的情况下，优先进行交期满足调整，提高炉次的入炉顺序或者减少工装设备更换(倒模次数越少越好)、渣系更换(结晶器更换)等无用时间，尽量安排同一品种/规格产品尽量集中生产，以提高设备利用率。

本发明中的生产过程仿真模块是仿真优化模型的核心，生产过程仿真通过多智能体技术实现，把钢铁生产过程复杂的物流系统抽象为一个多智能体系统，将生产流程中的工位、工序抽象成智能体模型，基于各工序的生产工艺要求和优化策略，建立同工序多设备任务分配机制以及前后上下游工序之间任务协调机制。生产过程仿真模块所涉及到的智能体体系结构如图3所示，所涉及的智能体包括熔炼工序管理智能体以及熔炼工序各设备智能体包括IF(中频炉)，LF(钢包精炼炉)、VD(真空脱气炉)；浇铸工序管理智能体以及各浇铸坑智能体；电渣重熔管理智能体以及电渣重熔工序所涉及到的地坑退火智能体、预热炉智能体、电渣炉智能体；缓冷退火智能体；连续退火智能体；精整管理智能体以及精整智能体；库存管理智能体以及各具体库存智能体包括铸锭库智能体、电极棒库智能体、电渣锭库智能体、钢锭库智能体；数据处理智能体；工序间协调管理智能体。智能体之间采用混合结构模式，各单体设备智能体和工序管理智能体双向通讯，工序管理智能体负责接收任务，并选择最佳设备智能体分配任务，设备智能体负责执行分配的任务，并向工序管理智能体报告任务的执行情况以及自身的状态，各工序之间的协调通过工序协调管理智能体实现，数据处理智能体则负责模型运行所需要的数据的提取、格式转换处理以及仿真计算数据的存储。

下面对生产过程仿真模块中各工序以及设备智能体的进行具体的描述：

(1)熔炼工序：如图4所示为熔炼工序管理智能体以及设备智能体，熔炼工序管理智能体统筹管理中频、LF、VD各设备智能体，熔炼工序管理智能体根据组炉策略对订单进行组炉处理，组好的炉次再根据钢种确定冶炼的具体工艺路径，并根据和浇铸工位管理智能体之间的协调，安排中频入炉开始生产。中频、LF、VD根据指派的任务按照工艺路径进行炉次任务的加工处理，并及时向熔炼工序管理智能体汇报任务的执行状态。

熔炼工序管理智能体组炉策略包括1)初排(考虑订单优先级、钢种)2)成分跳排3)炉龄包龄4)考虑退火周期的设备周转跳排5)考虑设备更换连排(尽量减少浇铸、电渣模具更换频率)

智能体行为描述如下：1)读入工装寿命，寿命到进行中频炉设备更换；2)读入任务信息，按钢种工艺时间进行生产；3)读入下游工序接收物料就绪信息，如可接收，输出物料，运输时间到，物料转送下游工序，生产任务置为结束，设备置为空闲；4)生产结束处理信息输出，输出信息包括设备空闲等待时间累计、故障时间累计、等待输出时间累计、物流输出温度信息；5)接收设备异常信息，包括设备故障、质量异常、时间异常，进行异常处理。

设备智能体的工作触发条件包括1)设备正常且空闲2)设备寿命未到3)上游工序来料4)辅助工序就绪

设备智能体输出物料触发条件1)后续浇铸工位准备就绪2)考虑电渣工序的协调

(2)浇铸工序：包括浇铸工序管理智能体以及浇铸坑智能体如图5所示。浇铸工序管理智能体根据锭型组合确定浇铸坑，分配各设备智能体任务，接收各设备任务的完成信息。浇铸设备智能体负责执行任务以及向浇铸工序管理智能体汇报任务完成情况。

浇铸工序管理智能体组浇策略首先考虑锭型满足要求，其次遵循设备优先规则(顺序轮换)。

工序相关参数包括分钢种生产时间、各设备工装寿命以及更换时间、到达下游工序运输时间、物料等待正常能耗和保温能耗。

浇铸坑智能体行为描述如下1)读入铸模信息，未就绪，等待2)检测来料情况，无料则处于空闲等待状态，有料则进入工作状态执行步骤3，3)读入任务信息，按锭型组合生产，生产时间到，置生产完成。3)读入下游工序接收物料就绪信息，如可接收，输出物料，运输时间到，物料转送下游工序，生产任务置为结束，设备置为空闲4)生产结束处理信息输出5)接收设备异常信息，包括设备故障、质量异常、时间异常，进行异常处理

(3)电渣工序：包括电渣工序管理智能体以及地坑退火智能体、预热智能体、电渣智能体，如图6所示。电渣工序管理智能体负责根据工艺路径、电极棒库存、电极棒来料情况、温度情况安排相应的设备进行地坑退火、预热或者直接进行电渣重熔。如果工艺要求需要先进行地坑退火，则电极棒优先进行地坑退火，否则等待电渣重熔。如果电极棒不满足电渣重熔要求，则需要入预热炉进行预热。地坑退火智能体、预热智能体、电渣重熔智能体按照电渣工序管理智能体的要求执行相应的任务，并汇报任务的完成情况。

电渣管理智能体任务分配策略：1)交期优先2)尽量减少结晶器和渣系的更换频率3)热电极棒优先，减少热损耗4)考虑锭型约束5)闲置设备按照空闲先后顺序轮换。

电渣智能体行为描述如下1)读入结晶器信息，未就绪，等待；2)检测来料情况，无料则处于空闲等待状态，有料则根据工艺路径和温度确定设备类型，如需要地坑退火，则执行任务3)，如温度不满足要求，则执行任务4)，任务3,4结束后执行任务5)；3)地坑退火设备根据待退火的电极棒进行组批入炉生产；4)温度不足的电极棒进入预热炉进行预热，同时记录入炉开始时间，持续时间，根据预热时间置为预热结束，请求电渣重熔，执行任务5)；5)读入电渣重熔任务信息，按锭型组合生产，生产时间到，置生产完成；6)生产结束处理信息输出；7)接收设备异常信息，包括设备故障、质量异常、时间异常，进行异常处理。

(4)连续退火工序：包括连续退火工序管理智能体、连续退火智能体、车辆智能体，如图7所示。其中连续退火智能体负责来料的管理和组批，车辆智能体负责装载组批物料，连续退火智能体负责对装载的组批物料进行退火处理。

连续退火工序管理智能体组批策略包括1)交期优先2)铸锭优先3)同一钢种(包括相近钢种)的锭型可组成同一批次入炉，退火温度相差较大的钢种不同批次入炉4)不同钢种，同锭型的的钢锭严禁同车混装5)退火温度相近的钢种组批时退火时间可按照温度较低的钢种执行。

运行车辆智能体以及连续退火设备智能体行为描述如下：1)排队空闲车辆读入组批信息2)组批钢锭装车等待3)连续退火智能体末端一车钢锭退火时间到，置为结束，则下一车钢锭入炉生产，并记录钢锭开始退火时间。4)退火结束车辆所装载的钢锭退火时间置为结束，车辆输出，卸载物料，车辆状态置为空。5)生产结束处理信息输出。

(5)精整：精整工序包括精整管理智能体及精整智能体，如图8所示。精整管理智能体负责待钢锭的接收，人员的的管理。精整智能体根据每个人的平均服务时间，模拟精整作业效率。精整管理智能体根据交期、温度情况，确定钢锭处理的优先级。精整智能体根据人员的班次的空闲状态接收任务，并实时统计钢锭的完成时间。

(6)库存：库存包括库存管理智能体以及库存智能体，如图9所示。库存管理智能体根据钢锭类型(铸锭、电极棒、铸锭)，用途(备料、备库、废品、合同锭)以及库存的当前状态确定入库，同时统计各库存当前的存储情况，可接收量。库存智能体则记录钢锭的入库时间、入库温度、出库时间、出库温度信息、当前库存量、可接收量。

本发明优点在于，解决了具有强耦合性、不确定性、多约束性、多目标性特征的复杂工况环境下高速工具钢炼钢流程建模较为困难的难题，实现了作业计划的智能优化及动态调整。

附图说明

图1模型部署结构图。

图2模型运行逻辑流程图。

图3生产过程仿真模块多智能体体系结构图。

图4熔炼工序及其子设备智能体图。

图5浇铸工序及其设备智能体图。

图6电渣工序及其设备智能体图。

图7连续退火工序及其设备智能体图。

图8精整智能体图。

图9库存智能体图。

具体实施方式

模型的实施包括以下几个步骤1、设备以及物流网络结构设置2、初始化参数设置3、计划接收4、模型的计算和结果输出5、结果评价和迭代优化。

1、设备及物流网络结构配置，需要配置的信息包括设备ID，名称、英文缩写、工位、所属工序、位置编码、序列号、类型、容量、产出信息。

2、初始化参数信息主要是设备参数的配置，所涉及到的设备参数如下：

表1设备参数

3、计划接收

包括两个方面，生产计划和检修计划。其中生产计划包括炼钢需求计划以及组炉计划。

表2生产计划信息

4、模型计算和结果输出

模型以1，2，3步骤的的信息作为基本输入进行计算，输出信息如下：

表3输出信息

5、结果评价和结果优化

根据每一次的仿真结果输出，可以计算交货期满足、设备效率、物料能耗、库存积累情况。多次仿真优化运行后，从多指标中选择满足交期的最佳结果输出。