冷轧薄板生产线组批调度模型与算法

针对冷轧薄板生产线流程长、产品种类多的特点,为提高合同的交货准确度,将一段时期内的生产合同进行组批处理,并对合同各批量的机组作业时间进行模糊预测,建立了具有模糊处理时间的冷轧生产线合同组批调度模型。模型将批量合同作为基本调度单元,将其归结为一类模糊JobShop问题,并采用改进的单亲遗传算法与特殊的邻域搜索策略相结合的方法进行求解。通过上海宝钢冷轧薄板厂大量的生产数据进行仿真实验,批量平均交货期满意度达到90%以上,表明该调度模型与算法能够达到较好的应用效果。

基于多约束聚类的钢铁合同组批质量设计方法

针对面向订单生产的钢铁企业多品种小批量的市场需求与大批量的生产组织特点,分析了面向组批生产计划的钢铁产品质量设计的特点以及生产计划的集成性,提出了基于带空间和容量约束的聚类分析的组批质量设计方法。该方法引入了质量特性取值范围空间约束和设备容量约束,基于改进的微粒群算法对组批内不同品种合同质量特性差异的聚类分析,对组批质量特性综合值进行标准+α的优化设计。在满足设备容量要求的前提下尽可能减少质量的浪费,并且为组批生产计划的决策提供质量方面的量化依据,实现质量设计与生产计划之间的无缝集成。

深度学习算法在钢铁质量检测中的应用

我国钢铁产业正经历产业结构优化升级、钢铁产品由量到质的革命性阶段。高效率、高精度且具有普适性质的深度学习算法对复杂钢铁产品质量检查具有重要意义。针对目前钢铁行业质量检查中不可逆损耗、抽样效率低、人工成本高和检测可靠性差等关键技术挑战,文章创新性地通过整合组批算法、性能预测模型,提升了网络运算速度、钢铁产品检测效率,进而大大地降低了检测成本。基于日钢营口中板有限公司中厚板改造项目的实践数据验证,文章提出的算法能够满足于生产实际,所带来的经济效益远远高于传统的计算模型和人工检测方法,对复杂环境下的系统钢铁质量检测具有重要的现实意义。