基于生产扰动分类的二阶段遗传算法求解动态重调度问题
4.1引言
电炉炼钢-连铸生产对整个生产的节奏要求较高,各个工序各个工位间配合要比较紧密,但实际的生产过程中总会存在许多不可避免的扰动因素,必须根据实时现场的监控数据来进行动态调度以调整原调度计划,当钢种冶炼质量不合格超过指定加工时间时,要调整其后炉次的开工时间以适应;当钢种的温度达不到浇铸条件时, 要进行钢种回炉补温;当设备发生故障时,要调够相应设备上原先分配的炉次,当设备重新启用时,又要给其分配调度任务。对于实际生产,非常关心生产的有序进行,当出现异常扰动时,如何快速识别扰动态调整生产调度,产生新的调度方案,减少异常扰动对生产的影响。
常见的动态重调度策略有周期性重调度旳、事件驱动式的重调度的以及周期性混合事件驱动的的重调度.但是由于周期性重调度的周期参数很能确定无法有效的快退应对扰动因素;而事件驱动式重调度在应对生产过程中的扰动因素,过于频繁的启动重调度,降低了系统的鲁棒性;混合的重调度不但没能解决这些问题,反而増加了重调度频率。本章提出的基于实时现场监控的事件驱动式重调度,根据不同的生产扰动提出重调度策略,并结合上-章的改进的遗传算法,既利用了事件驱动式重调度的针对性强的特点,又实时反馈监控数据减少了重调度频率,提高了系统的稳定性。
4.2电炉炼钢-连铸的生产扰动分类
对生产过程中发生的异常扰动很多,对其进行相似特征的分类,有助于找到分类扰动问题的-体化解决方法。根据总结与归纳,电炉炼钢-连铸的生产扰动分类如下:
⑴计划任务扰动:因计划任务临时变更或错误产生的扰动