国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于智能優(yōu)化的鋼筋自動(dòng)一維下料及分揀技術(shù)

2022-03-30 01:57:48吳優(yōu)李智璞陳富李增軍張乃受
中國港灣建設(shè) 2022年3期
關(guān)鍵詞:原材決策樹成品

吳優(yōu),李智璞,陳富,李增軍,張乃受

(1.中交第一航務(wù)工程局有限公司,天津300461;2.中交天津港灣工程研究院有限公司,天津300222)

0 引言

一維下料問題在工程建設(shè)中普遍存在,在目前工地施工過程中,由于沒有先進(jìn)的技術(shù)指導(dǎo),工人切割斷料大多憑個(gè)人經(jīng)驗(yàn),導(dǎo)致大量原材在斷料切割過程中被浪費(fèi),目前鋼筋行業(yè)平均浪費(fèi)率水平為4%~6%。針對(duì)鋼筋一維下料優(yōu)化組合問題,有兩大類解決方法,一類是在分支定界算法基礎(chǔ)上,根據(jù)多長度切割問題特點(diǎn)來設(shè)計(jì)啟發(fā)函數(shù)和剪枝方法。Hemmelmayr V等[1]提出了變量鄰居搜索元啟發(fā)方法;Brando等[2]使用前綴樹表征分割模式以加快算法搜索速度。另一類是使用智能演化算法來處理此類問題,遺傳算法[3]、模擬退火算法[4]、蜂群算法[5]、蟻群算法[6-7]等被應(yīng)用于一維下料問題中。但以上方法仍存在不足,基于分支定界類的方法計(jì)算時(shí)間較長;而智能演化算法雖能夠快速收斂,但容易出現(xiàn)早熟收斂現(xiàn)象。因此,有必要針對(duì)以上不足,依據(jù)工程需求及料場原材情況,將一維下料優(yōu)化問題作為智能決策任務(wù)在眾多排樣方案中快速選擇最優(yōu)方案,實(shí)現(xiàn)一維下料優(yōu)化,降低殘料浪費(fèi),使成本降至最低。

此外,目前針對(duì)鋼筋分揀過程的研究內(nèi)容較少,若采用傳統(tǒng)人工手動(dòng)下料的方式不僅原材浪費(fèi)率較高,現(xiàn)場工人操作也費(fèi)時(shí)費(fèi)力;若針對(duì)鋼筋下料進(jìn)行優(yōu)化,下料優(yōu)化結(jié)果料單切出的成品往往較為雜亂,現(xiàn)場工人的分揀壓力較大;此外,不當(dāng)?shù)脑募庸ろ樞?,將?huì)造成料倉容量浪費(fèi),大幅降低生產(chǎn)效率。因此,有必要針對(duì)下料優(yōu)化結(jié)果,生成最優(yōu)原材加工順序,并進(jìn)行料倉優(yōu)化布置,在用料最省的基礎(chǔ)上保證生產(chǎn)效率。

綜上,本文在現(xiàn)有成果基礎(chǔ)上,以保證生產(chǎn)質(zhì)量為前提,在考慮加工設(shè)備對(duì)成品影響的基礎(chǔ)上,重點(diǎn)研究切割以及分揀過程中的優(yōu)化,以期從現(xiàn)場施工角度,實(shí)現(xiàn)對(duì)鋼筋一維材料加工成本、質(zhì)量、效率的有效保證;以工程施工中鋼筋為研究對(duì)象,利用計(jì)算機(jī)程序強(qiáng)大的計(jì)算能力,將不同優(yōu)化算法應(yīng)用于鋼材生產(chǎn)過程,建立切割與分揀的優(yōu)化數(shù)學(xué)模型,并進(jìn)行了工程應(yīng)用實(shí)例分析。

1 基于梯度提升決策樹及整數(shù)規(guī)劃的一維下料優(yōu)化

由于各工程中一維材料數(shù)量繁多、長度參差不齊,下料方案存在無限的可能性,想要降低生產(chǎn)成本,就必須在眾多的下料方案中選擇最優(yōu)或接近最優(yōu)的方案,提高原材料利用率,這是一個(gè)典型的智能決策任務(wù)。

1.1 一維下料優(yōu)化模型

假設(shè)某構(gòu)件需要加工后的成品規(guī)格共q種,長度分別為l1,l2,…,lq,記為li,對(duì)應(yīng)數(shù)量分別為b1,b2,…,bq,記為bi(i=1,2,…,q)。假設(shè)采購長度Lx和Ly原材,分別為X和Y根。其中,長度Lx的原材有m種切割方案,每種切割方案重復(fù)Xj次(j=1,2,…,m),該方案中成品li的個(gè)數(shù)為axij;長度Ly的原材有n種切割方案,每種切割方案重復(fù)Yk次(k=1,2,…,n);該方案中成品li的個(gè)數(shù)為axik,數(shù)學(xué)模型參數(shù)表如表1所示。

表1 一維下料數(shù)學(xué)模型參數(shù)表Table 1 Parameters of one-dimensional cutting model

將廢料最少作為目標(biāo)函數(shù),鋼筋下料問題可抽象成數(shù)學(xué)模型如式(1)。

方程已知數(shù)有2+2q個(gè),未知數(shù)共m+n+q×(m+n)+1個(gè),方程等式q個(gè),不等式2q個(gè),未知數(shù)均為大于等于0的整數(shù),實(shí)際用量最少問題的轉(zhuǎn)化為求目標(biāo)函數(shù)最小值的問題。

1.2 基于梯度提升決策樹及整數(shù)規(guī)劃的模型求解方法

若采用傳統(tǒng)整數(shù)規(guī)劃方法進(jìn)行優(yōu)化,則需統(tǒng)計(jì)出全部原材的切割方案,由于工程中往往成品種類需求眾多,其組合數(shù)更是成指數(shù)型增長,大大降低了計(jì)算效率,因此針對(duì)建立的一維下料優(yōu)化模型,即式(1),本文采用梯度提升決策樹(Gradient Boosting Decision Tree,GBDT)構(gòu)建有限的優(yōu)選切割方案集,再結(jié)合整數(shù)規(guī)劃進(jìn)行優(yōu)化求解,GBDT是以決策樹為弱學(xué)習(xí)器的提升方法,在參數(shù)反演[8]、評(píng)估預(yù)測[9-10]、數(shù)據(jù)分析[11]、圖像識(shí)別[12]等方面具有廣泛應(yīng)用,本文基于梯度提升決策樹及整數(shù)規(guī)劃的模型求解方法,具體步驟如下:

步驟1:模型的初始化,初始化估計(jì)函數(shù):

式中:P為一維切割方案集,由多個(gè)切割方案組成P={p1,p2,…},即有多組不同{β,α};β為每種成品的數(shù)量;α為每種成品的長度。

步驟2:計(jì)算其在模型F(z;{β,α})下的損失函數(shù)L(l,F(xiàn)(z;P)),并設(shè)定迭代次數(shù)D,其中l(wèi)表示原材長度。

步驟3:通過梯度計(jì)算公式:

式中:t={1,2,…,T},T表示設(shè)定樣本點(diǎn)個(gè)數(shù)(zt,lt),由此計(jì)算損失函數(shù)的負(fù)梯度,得到梯度下降的方向。

步驟4:利用步驟3得到的負(fù)梯度值擬合殘差,并由此更新決策樹h(z;αd)。

步驟5:更新估計(jì)函數(shù)F(z;P),令Fd(z)=Fd-1(z)+βdh(z;αd)。

步驟6:令d=d+1,循環(huán)步驟1~5,直到達(dá)到迭代次數(shù)上限。

步驟7:得到最終回歸樹FD(z;P)。

步驟8:針對(duì)有限的一維切割方案集P按式(1)模型進(jìn)行整數(shù)規(guī)劃得下料優(yōu)化結(jié)果。

2 基于動(dòng)態(tài)貪心算法的胚料分揀優(yōu)化

根據(jù)所得多種一維切割方案,需按一定順序加工,針對(duì)分揀設(shè)備有限的料倉空間,不同的方案加工順序會(huì)導(dǎo)致加工進(jìn)度差異。因此,基于課題組自主研發(fā)的智能自動(dòng)分揀設(shè)備,在考慮眾多限制因素的前提下,應(yīng)選擇最優(yōu)的加工順序并對(duì)切割成品進(jìn)行優(yōu)化布置。

2.1 胚料分揀優(yōu)化模型

以分揀設(shè)備為依據(jù),將胚料分揀問題建立數(shù)學(xué)模型如下:

設(shè)切割所得q種成品長度分別為l1,l2,…,lq,數(shù)量分別為b1,b2,…,bq,切割設(shè)備的加工能力為g根(即一次性最多同時(shí)切割g根原材),分揀設(shè)備共w個(gè)料倉,長度分別為L1,L2,…,Lw,各料倉可容納胚料根數(shù)分別為c1,c2,…,cw,生產(chǎn)過程中經(jīng)過切割的胚料按加工順序自動(dòng)進(jìn)入料倉中,在不超過每個(gè)料倉的限制容量和長度的條件下,使最終所需總料倉數(shù)N最小。當(dāng)分揀設(shè)備w個(gè)料倉存滿無法再放入新的胚料后清倉,清倉后繼續(xù)按順序放入胚料,直至胚料全部放入料倉,共清倉s次。數(shù)學(xué)模型參數(shù)表見表2。由于分揀過程需考慮限制因素眾多,可整理如下:

表2 胚料分揀數(shù)學(xué)模型參數(shù)表Table 2 Parameters of production sorting model

1)切割過程不可間斷。

2)同加工批次不同原材不得穿插加工。

3)同型號(hào)胚料需共同儲(chǔ)存。

4)各料倉有長度限制。

5)分揀裝置料倉容量固定,可放置胚料根數(shù)有限,當(dāng)料倉裝滿同型號(hào)胚料需放入新料倉。

6)分揀設(shè)備料倉數(shù)固定,當(dāng)下一加工單位無法全部放入料倉中,需全部清倉。

在考慮以上全部因素的同時(shí)須盡可能將料倉數(shù)降至最低,對(duì)加工單位進(jìn)行排序以提高生產(chǎn)效率。其中同種原材單批次料倉的優(yōu)化模型如下,由于料倉數(shù)量求解無法用確定的數(shù)學(xué)計(jì)算公式求得,故料倉總數(shù)用清倉次數(shù)表達(dá)。

其中[bxij/ci]為bxij/ci的向上取整函數(shù),ws為最后一批次所占用料倉個(gè)數(shù)。

2.2 基于動(dòng)態(tài)貪心算法的模型求解方法

針對(duì)建立的胚料分揀優(yōu)化模型,即式(4),采用貪心策略求解,基于動(dòng)態(tài)貪心策略的模型求解方法流程如圖1所示。具體步驟如下:

圖1 分揀優(yōu)化流程圖Fig.1 Flow chart for sorting optimization

步驟1:輸入原材切割方案集,并按直徑和長度進(jìn)行分類,由于不同種類的原材不能穿插加工,將不同種類的鋼筋按不同順序形成不同組合,同時(shí)初始化最少料倉數(shù)Nmin。

步驟2:由于切割設(shè)備針對(duì)不同直徑原材的最大加工能力有所差異,按切割設(shè)備生產(chǎn)能力將切割方案拆解為加工單元ai(i=1,2,…,u),u為當(dāng)前加工方案產(chǎn)出的成品段數(shù)。

步驟3:針對(duì)當(dāng)前料倉存儲(chǔ)情況,通過動(dòng)態(tài)貪心算法確定不同切割方案各加工單元ai有效新增容量Vi,其中:為加工單元ai針對(duì)當(dāng)前料倉存儲(chǔ)情況下的成品新增長度。

步驟4:將加工單元按有效新增容量Vi排序,并判斷最小有效新增容量對(duì)應(yīng)加工單元能否放入料倉內(nèi),若可以則放入料倉,否則清空料倉,并更新料倉信息。

步驟5:重復(fù)執(zhí)行步驟3~4,直至全部加工單位全部加工完畢。

步驟6:計(jì)算最優(yōu)解,根據(jù)式(2)計(jì)算當(dāng)前組合的目標(biāo)函數(shù)最優(yōu)值N,若N小于Nmin,則將N對(duì)應(yīng)的加工順序和料倉信息替換當(dāng)前最優(yōu)解。

步驟7:重復(fù)執(zhí)行步驟2~6,直至全部組合計(jì)算完畢,最終輸出優(yōu)化結(jié)果,包括加工順序及料倉信息等內(nèi)容。

3 工程應(yīng)用

以天津某地鐵線L環(huán)的鋼筋生產(chǎn)為例,應(yīng)用本文算法內(nèi)容,開展應(yīng)用生產(chǎn)。工程構(gòu)件φ25號(hào)鋼筋需求如表3。原材長度為9 m、12 m和10.15 m三種(其中10.15 m為定尺原材),通過簡單統(tǒng)計(jì)可以得到成品種類34種,成品數(shù)量總計(jì)1 036根,成品總長3 268.56 m,重約50.38 t。如果采用手工排布下料,顯然難度大,鋼筋利用率低。

表3 成品鋼筋需求Table 3 Requirement of rebar products

為節(jié)省人力物力,大大減少工作量,本文采用第1節(jié)內(nèi)容進(jìn)行優(yōu)化,并通過Visual studio C#編程語言進(jìn)行程序開發(fā)并以接口形式與自動(dòng)切割設(shè)備對(duì)接。為了分析本研究優(yōu)化方法與其他算法的優(yōu)劣,選取決策樹法(Decision Tree,DT)、遺傳算法(Genetic Algorithm,GA)和蜂群算法(Simu lated Annealing Algorithm,SAA)與本研究算法進(jìn)行對(duì)比分析,結(jié)果顯示,決策樹在成品種類較少,數(shù)量也較少的情況下,效果較好,但成品數(shù)量超過300或成品種類超過10種以后,計(jì)算時(shí)間大幅增加;遺傳算法、模擬退火算法通過引入變異等隨機(jī)參數(shù)來解決問題,近優(yōu)率偏低,不同算法計(jì)算結(jié)果見表4。

表4 不同算法計(jì)算結(jié)果對(duì)比Table 4 Comparison between different algorithms calculation results

通過整數(shù)規(guī)劃與決策樹算法求解得到優(yōu)化料單,其中共形成44種切割方案,共需12 m原材86根、10.15 m原材230根,鋼筋利用率達(dá)到97.09%,遠(yuǎn)超傳統(tǒng)下料方式,此外本項(xiàng)程序還具備自動(dòng)計(jì)算鋼筋重量、計(jì)算鋼筋利用率、一鍵出單、數(shù)據(jù)庫存儲(chǔ)、軟件加密等功能。

基于上述下料優(yōu)化結(jié)果,由于優(yōu)化料單鋼筋成品較為雜亂,人工分揀工作量極大,影響生產(chǎn)效率。為節(jié)省人力物力,采用第2節(jié)內(nèi)容進(jìn)行計(jì)算,并通過Visual studio C#編程語言進(jìn)行程序開發(fā),程序內(nèi)容與課題組研發(fā)自動(dòng)分揀裝置對(duì)接,實(shí)現(xiàn)現(xiàn)場一鍵自動(dòng)分揀。本應(yīng)用項(xiàng)目自動(dòng)分揀裝置共設(shè)置6個(gè)料倉,分布于運(yùn)輸線兩側(cè),料倉長度14 m,現(xiàn)場應(yīng)用情況見圖2。

圖2 鋼筋生產(chǎn)現(xiàn)場應(yīng)用Fig.2 Field application of rebar production

為了分析本研究優(yōu)化方法與傳統(tǒng)人工分揀方式的優(yōu)劣,經(jīng)對(duì)比分析結(jié)果顯示,本章方法只需一人操作控制柜即可,而傳統(tǒng)方式需額外增加人力進(jìn)行分揀;此外,本優(yōu)化算法結(jié)果僅需3批次共占用13個(gè)料倉完成整個(gè)料單,而人工方式需4批次共占用19個(gè)料倉,本優(yōu)化算法效率大大提升。此外本程序自動(dòng)生成加工料單,便于指示工人操作,料倉分配情況同步生成,方便后續(xù)吊裝儲(chǔ)存?zhèn)溆谩?/p>

4 結(jié)語

本文在現(xiàn)有成果基礎(chǔ)上,以保證生產(chǎn)質(zhì)量為前提,在考慮切割設(shè)備對(duì)成品影響的基礎(chǔ)上,重點(diǎn)研究一維下料以及分揀過程中的優(yōu)化,以期從現(xiàn)場施工的角度,實(shí)現(xiàn)對(duì)加工成本、質(zhì)量、效率的有效保證;以工程施工中鋼材為研究對(duì)象,利用計(jì)算機(jī)程序強(qiáng)大的計(jì)算能力,將整數(shù)規(guī)劃、梯度提升決策樹、動(dòng)態(tài)貪心策略等應(yīng)用于鋼材生產(chǎn)過程,建立下料與分揀的優(yōu)化數(shù)學(xué)模型,并進(jìn)行了工程應(yīng)用實(shí)例分析。主要的研究成果和結(jié)論概括如下:

1)在考慮工程鋼筋翻樣結(jié)果及料場原材情況的基礎(chǔ)上,建立了鋼筋切割下料優(yōu)化數(shù)學(xué)模型,結(jié)合整數(shù)規(guī)劃和梯度提升決策樹,對(duì)鋼筋切割方案進(jìn)行了優(yōu)化,并編制了程序,實(shí)現(xiàn)了自動(dòng)計(jì)算鋼筋重量、計(jì)算鋼筋利用率、一鍵出單、軟件加密等功能。實(shí)例應(yīng)用表明,通過本文鋼筋下料優(yōu)化算法,優(yōu)化切割方案鋼筋利用率達(dá)到97.09%,且相較其他算法,本算法不會(huì)陷入局部最優(yōu)解,計(jì)算效率更高,從而為鋼筋下料提供了新的優(yōu)化途徑,可大幅節(jié)省成本。

2)在采取本文鋼筋下料優(yōu)化的基礎(chǔ)上,針對(duì)課題組自主研發(fā)的智能分揀裝置,結(jié)合動(dòng)態(tài)貪心策略,對(duì)鋼筋切割方案進(jìn)行了優(yōu)化,并編制了程序,實(shí)現(xiàn)了一鍵操作智能分揀、自動(dòng)生成加工料單、料倉自動(dòng)分配等功能。實(shí)例應(yīng)用表明,通過本文鋼筋分揀優(yōu)化算法,僅需清倉2次,共占用料倉13個(gè),相較傳統(tǒng)分揀大大提升了分揀效率,同時(shí)減輕了現(xiàn)場人員工作強(qiáng)度,且可以使下料優(yōu)化更好地應(yīng)用于現(xiàn)場。

猜你喜歡
原材決策樹成品
原材配件
一種針對(duì)不均衡數(shù)據(jù)集的SVM決策樹算法
決策樹和隨機(jī)森林方法在管理決策中的應(yīng)用
電子制作(2018年16期)2018-09-26 03:27:06
2017年1—4月熱帶作物及其成品進(jìn)出口情況
2017年1—3月熱帶作物及其成品進(jìn)出口情況
2017年2月熱帶作物及其成品進(jìn)出口情況(續(xù))
2017年1—2月熱帶作物及其成品進(jìn)出口情況(續(xù))
基于決策樹的出租車乘客出行目的識(shí)別
基于肺癌CT的決策樹模型在肺癌診斷中的應(yīng)用
原材配件商情
威信县| 江阴市| 嘉义市| 阿巴嘎旗| 长阳| 云南省| 镇坪县| 环江| 寿宁县| 平罗县| 象山县| 重庆市| 肇州县| 南充市| 石棉县| 尼玛县| 中宁县| 台湾省| 明星| 天全县| 新丰县| 庐江县| 吴江市| 云南省| 鱼台县| 徐水县| 山阳县| 瓦房店市| 榆中县| 偃师市| 南和县| 台州市| 荆州市| 施秉县| 营口市| 象山县| 宁都县| 海南省| 江门市| 龙南县| 竹山县|