共享制造模式下煤机装备绿色生产调度问题研究

（点击左下角“阅读原文”下载原文）

摘要:在“双碳”目标下,为了实现高效节能的发展愿景,煤机装备制造企业正逐步向低碳绿色转型发展。为此,在共享制造模式下,研究煤机装备绿色生产调度问题。首先以最小化时间、成本和能耗为目标,构建了多目标生产调度优化模型。然后将基于Q-Learning的局部搜索策略融入算法中,设计了一种基于Q-Learning的非支配排序遗传算法(QNSGA-Ⅱ)。通过算例分析,验证了模型的适用性,并表明模型能够为煤机装备制造企业提供优于传统模式的多种生产调度方案。最后利用不同规模的随机算例,将所提算法与NSGA-Ⅱ、GWO算法进行比较。仿真结果表明,该算法能够获得较高质量的解。

关键词:共享制造;煤机装备;绿色生产调度;Q-Learning;遗传算法

为了实现高质量和绿色发展,我国在《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中,对国家整体的“双碳”目标进行了规划和部署,“3060目标”成为了社会各界未来发展的目标。在“双碳”目标下,煤炭产业亟需通过技术手段来实现低碳转型发展。煤机装备生产制造作为煤炭产业的重要组成部分,同样面临绿色高质量发展的问题。随着共享经济的融合发展和应用,共享制造为煤机装备的绿色发展提供了可行路径。然而,作为煤机装备制造系统的重要环节,生产调度过程直接影响煤机企业的竞争力。在共享制造模式下,煤机装备制造企业除了可以使用自身的制造资源外,也可以使用其他共享企业的制造资源,并实时监控生产调度的全过程,各制造资源供应方相互合作,极大地节省了企业的时间与成本,有利于推动煤机装备制造业低碳化高质量发展。

在绿色低碳发展的背景下,学者们对煤机装备制造的相关研究一直在不断深入。部分学者对我国煤机装备的发展历程及应用现状进行了分析总结,并对未来的发展进行了展望。虽然部分学者对生产调度优化模型开展了研究,但大多基于对制造业行业的研究,缺乏对煤炭行业的细分考量。综上所述,笔者认为在煤机装备生产调度优化的研究并不完善的前提下,共享制造模式下煤机装备的绿色生产调度问题值得更加深入深究。因此,本文将在此基础上,开展深入分析和探讨。

本文提出考虑制造能力共享的煤机装备生产调度优化模型,低碳、快速、高效地完成煤炭设备的生产运输调度,更好地服务于企业,加快企业绿色转型和高质量发展。

在共享制造模式下,煤机装备的绿色生产调度模型设计了3个目标进行优化。生产调度问题是典型的NP-hard问题,传统的数学规划方法无法有效地进行求解。本文采用融入基于Q-Learning的局部搜索策略的非支配遗传算法(QNSGA-Ⅱ)求解模型,寻求生产调度的最佳方案。Q-Learning算法是一种强化学习的方法,主要是使用Q表来记录状态和动作之间的关系,有着优良的局部搜索能力。在NSGA-Ⅱ中加入基于Q-Learning的局部搜索策略,有利于增强算法的局部搜索能力和提升算法的收敛速度,更有效地得到用户满意的解决方案。

2.1  算法定义

非支配遗传算法(NSGA-Ⅱ)根据生物进化论进行设计,初始种群会产生后代,后代会遗传父代特征,也可能产生基因的交叉与变异。个体间的差异会经过自然选择,最终保留更有优势的个体。其中,P0表示初始种群,Pt表示第t代种群,N表示种群大小,H表示子任务总数。Q-Learning是一种免模型的强化学习算法,有较好的学习效果和优良的局部搜索能力。

2.2  算法流程

NSGA-Ⅱ算法在求解NP-难问题时,有着较好的性能,有优秀的全局搜索能力。在算法中加入Q-Learning局部搜索策略,可让算法能够得到更优的解决方案。QNSGA-Ⅱ算法的具体流程如下。

1)初始化种群。根据已有的数据进行染色体编码,生成可行的N个解决方案,得到初始种群P0。

2)后代生成。根据已有的个体进行交叉,变异操作生成N个子代个体。其中染色体前半段采用均匀交叉与单点突变的变异方式,后半段染色体采取顺序交叉与随机选取2点交换顺序的变异操作。

3)Q-Learning局部搜索策略。对生成的后代再进行基于Q-Learning的局部搜索操作,以便在后代中产生用户满意的解决方案。具体过程如下:第一步,获取Q表并初始化状态。第二步,随机选择一种局部搜索策略进行解的更新。第三步,按照式(10)计算,评价函数,并利用式(11)更新当前状态的Q值。其中,pn与on分别为新个体与旧个体的每个目标值;α和γ分别为更新步长和奖励折扣,分别取值0.9和0.1。第四步,更新当前的状态,得到新的解决方案。经过多次强化学习过程,算法会更新Q表,算法能找到更容易产生优质解的搜索路径。

4)后代选择。将父代与子代合并为1个种群(2N),并通过非支配排序和拥挤度进行后代筛选运用式(12)计算群体中每个个体的拥挤距离,选择出N个较优的解决方案进入下一代。

5)循环操作直至结束。循环以上2~4的步骤,直到满足算法的最大迭代次数或得到满意的解决方案。

3.1  算例研究

调查研究了M煤机装备制造企业以及共享制造平台中大型煤机装备的零部件如液压升降机、滚筒、磨辊轴承的生产数据。在共享制造模式下,煤机装备制造企业在接收到客户订单后,先对订单进行初步处理,选择一部分任务进行制造加工,并将部分任务发布在平台上,与其余制造企业共享。煤机装备由制造企业间制造资源相互调配,经过一系列的顺序加工,最终将器械成品交付给企业用户。在算例中,有1个企业用户接收到任务订单,其中有3个任务,12个子任务。平台中共有3个制造企业(m1~m3)有空闲资源可以使用(包括企业用户自身)。m1为接收客户订单的企业,选取任务1进行生产制造,并将任务2、3发布在共享平台上,与2个企业共享制造任务。表2表示不同企业加工子任务的时间、成本、能耗信息。共享制造模式下,任务1只能由m1完成,任务2、3由m2和m3共同完成。表3表示企业间的地理距离,第一个制造企业为提交订单的用户,企业间合作完成生产后,将产品交付给第一个企业。其中的单位距离时间lt=0.01h/km,单位距离成本lc=0.005千元/km,单位距离能耗le=0.008kW/km。

根据算例数据,运用matlab软件编写模型与算法进行求解计算。算法的基本参数设置如下:种群大小为50,交叉和变异概率分别为0.9和0.1,最大迭代次数为100。图3为QNSGA-Ⅱ算法独立运行20次后的Pareto前沿面散点图。

3.2  算法分析

结合煤机装备实际生产调度的相关数据,随机生成4组算例,对本文模型与算法的有效性进行验证。加工时间(单位:h)、准备时间(单位:h)、加工成本(单位:千元)、准备成本(单位:千元)、加工能耗(单位:kW)、准备能耗(单位:kW)、空载能耗(单位:kW)和地理距离(单位:km)的产生分别服从U[10,40]、U[0.5,3]、U[10,30]、U[2,5]、U[10,30]、U[2,8]、U[0.5,2]、U[100,400]的均匀分布,其余数据同上小节。表4中展示了4组算例的具体数据,考虑3、5、8和10用户的算例。

为了验证算法求解模型的有效性,分别与NSGA-Ⅱ和GWO2个多目标算法进行比较分析。表5为算法2种指标的平均值,对于每个实验算例的最佳结果,都进行加粗标记。从表5中的2个指标结果可知,QNSGA-Ⅱ算法的Pareto解集相比于其他2种算法的Pareto解更优,具有更好的多样性和收敛性。

图4展示了3种算法独立运行20次后的IGD与HV评价结果箱线图。

在共享制造模式下,从企业角度出发,以最小化完工时间、成本和能耗为优化目标,建立了煤机装备绿色生产调度优化模型。在本文的模型中,煤机装备企业用户接收到客户的生产订单后,选择一部分任务自行生产制造,其余任务会上传到共享制造平台,由其他共享制造企业共同完成后,交付给企业。为了与煤机装备制造企业的实际生产应用贴合,在时间目标中,考虑了制造企业的加工、准备和物流时间。在成本目标中,考虑了煤机装备制造企业用户自身的制造加工成本、加入平台的佣金、支付平台的任务费用。其中任务费用中包括了共享制造加工费用、等待费用和物流费用。为了实现绿色低碳发展战略目标,在制定能源消耗目标时,综合考虑企业自身加工任务的能耗和平台任务能耗情况(包括加工、等待、运输和机械空载等),以推动企业的能效优化和绿色低碳化转型。模型考虑以上3个目标,可以帮助企业实现任务快速完成、降低企业成本支出和降低碳排放、节约能源的愿景。

在模型求解方面,将Q-Learning强化学习算法融入NSGA-Ⅱ算法中,并提出4种局部搜索策略,为企业提供更高效节能的生产调度方案,实现降本增效节能的目标。NSGA-Ⅱ算法有较好的全局搜索能力,加入基于Q-Learning的4种局部搜索策略,即减少方案中的运输路径、考虑生产制造的负载均衡、考虑缩减生产加工能耗和染色体再次变异,提升了算法的局部搜索能力,进而加强了算法搜寻解决方案的能力,提高了模型求解质量,为企业提供更适配的调度方案。算例求解结果显示,共享制造模式下的绿色生产调度优化模型能提供较优的Pareto解集,为共享制造模式下煤机装备企业的绿色生产调度提供了新思路。不同于传统制造模式,它构建了新型生产网络,辅助煤机装备企业实现生产制造任务的快速分解与集成,缩短了生产制造时间,降低了成本支出并减少了产出能耗,为煤机装备企业多样化生产需求提供周全的解决方案。此外,在基于不同规模的随机算例上,将所提出的算法与其他智能优化算法NSGA-Ⅱ和GWO进行比较,仿真结果表明,该算法可以提供高质量的解,验证了算法的有效性与可靠性,能够为煤机装备企业提供高效合理的生产调度安排。本文侧重于从企业的任务角度探讨煤机装备绿色生产调度问题;未来的研究方向中可以将企业用户的偏好需求纳入考虑范围内,争取快速精准地找到用户满意的调度方案。