煤矿井下采煤设备工序虚拟化调度方法论文_李栋,何卫

山东能源新矿集团翟镇煤矿 山东省新泰市 271200

摘要:煤矿井下采煤工产中,采煤企业能否对生产中的煤矿井下采煤设备工序进行合理配置和充分利用,是影响产品的制造成本和采煤企业效益的关键因素。采煤企业资源的合理配置和优化利用同煤矿井下采煤设备工序的高效运作具有较强的关联性,因此煤矿井下采煤设备生产煤矿井下采煤设备工序调度是采煤企业生产管理和控制的关键部分。

关键词:采煤;设备工序;方法

目前大部分采煤企业主要基于经验丰富的调度员手工安排调度计划,对于调度问题相对简单的情况下该方法可行性较高,对于复杂的煤矿井下采煤设备工序调用过程中,单纯的手工调度的效率极大降低。自适应遗传算法( SAGA) 在处理生产调度问题方面具有较强的优势,自组织VEIT对设备进行整合是煤矿井下采煤设备工序整合调度的新思路,通过VEIT-SAGA 与自组织VEIT 的来解决煤矿井下采煤设备工序的调度问题,提高采煤企业的生产效率和经济效益。

一、煤矿井下采煤设备工序虚拟化调度问题分析

煤矿井下采煤设备工序的虚拟化调度受到多种因素的干扰。在塑造煤矿井下采煤设备工序虚拟化调度模型过程中存在的问题主要有:

1、煤矿井下采煤设备工序调度问题是组合优化中的一种NP 难解问题。传统调度方法的目标函数具有线性特征,而复杂的生产煤矿井下采煤设备工序过程会受到较多因素的干扰并且煤矿井下采煤设备工序具有并行性,导致煤矿井下采煤设备工序调度具有较强的随机性,其优化的目标函数是一种非线性系统。

2、因为煤矿井下采煤设备工序调度涉及的变量较多,可行解的空间维度过于庞大,通过普通的数学方法无法有效完成调度任务,而VEIT-SAGA 是一种随机搜索算法,能够通过较大概率获取全局最优解,是处理组合优化、调度问题的有力工具。为了得到高精度的煤矿井下采煤设备工序虚拟化调度模型,应对模型的收敛性进行优化,获取最佳的优化调度解。对煤矿井下采煤设备工序虚拟化调度存在的第一个目标函数随机性的问题,采用具有随机性搜索性能的基于煤矿井下采煤设备工序调度情况及时调整目标函数,克服了传统方法存在的弊端,获取最佳的煤矿井下采煤设备工序调度解。对煤矿井下采煤设备工序虚拟化调度过程中存在的收敛效率低空间维度大的第二个问题,通过SAGA 强大的自适应调整性能,对煤矿井下采煤设备工序调度过程进行建模,提高了模型的收敛速度,增强煤矿井下采煤设备工序调度精度。

二、煤矿井下采煤设备工序调度算法

1、SAGA 算法的引入。SAGA即自适应遗传算法: 它的思想是引入式描述的自适应调整函数,确保遗传控制参数Pc 以及Pm 能够随着个体适应度大小以及群体的分散情况进行自主调整,确保群体保持多样性,提高算法的收敛性和优化性能,其中Pc,Pm 用公式如下:

2、自组织的VEIT。VEIT 即虚拟化设备融合技术,它提供处理设备闲置,一机多用的高性能解决方案。在调整后的带自适应控制参数的煤矿井下采煤设备工序调度模型的基础上,为设备的煤矿井下采煤设备工序虚拟化调度提供了依据,将高峰时段互相错开的不同煤矿井下采煤设备工序封装在各自的虚拟机中,部署到同一台物理设备中,进而提高资源的利用率。

3、基于VEIT-SAGA 的算法过程。通过分析,基于VEIT-SAGA 的煤矿井下采煤设备工序调度方法步骤如下: 先对煤矿井下采煤设备工序进行自组织VEIT 整合处理,提高设备利用率,通过自适应调整函数优化设备煤矿井下采煤设备工序控制参数,再采用具有较强随机搜索功能的VEIT - SAGA 算法塑造煤矿井下采煤设备工序分析器,获取最佳煤矿井下采煤设备工序调度解,通过测试集对煤矿井下采煤设备工序情况进行分析,进而得到较高的煤矿井下采煤设备工序调度精度。

三、煤矿井下采煤设备工序虚拟化调度算法的应用

1、采煤设备工序虚拟化调度参数选择过程。煤矿井下采煤设备工序的调度是一个复杂的过程,资源利用量是描述设备不同煤矿井下采煤设备工序的运行情况和指标参数,其同设备的性能具有较强的关联性。资源利用量的数据来自不同的数据源,主要包括出厂信息、允许检测数据以及其它和设备有关的资料信息,数据来源是面向设备不同煤矿井下采煤设备工序设置的相应控制参数,关键煤矿井下采煤设备工序对设备具有较高的价值度,则关键煤矿井下采煤设备工序的控制参数也较大。资源利用量的选择应能最先描述出设备煤矿井下采煤设备工序调度情况,相关的数据能够准确获取。数据的收集过程存在于系统监控、人工排查、模拟实验等过程。采用的算法测试设备是打磨器,其主要完成的煤矿井下采煤设备工序有套模、打磨、丈量以及组装,每一个煤矿井下采煤设备工序在运行时都对应不同的资源利用量,并且不同的资源利用量在调度过程中的自适应遗传控制参数也不同。分别对设备的不同煤矿井下采煤设备工序设置不同的控制参数,基于煤矿井下采煤设备工序中不同的资源利用量情况对总体设备的性能进行分析,进而能够完成对总体设备煤矿井下采煤设备工序的合理调度。设备基于不同煤矿井下采煤设备工序资源利用量以及总体设备资源的均衡度分析相应煤矿井下采煤设备工序的调度情况如下表所示:

表中的两个控制参数是通过VEIT-SAGA 调度后设备不同煤矿井下采煤设备工序资源使用情况,通过分析不同煤矿井下采煤设备工序的资源利用量以及设备资源均衡量的控制参数情况,能够得出相应煤矿井下采煤设备工序自身的运行情况以及总体设备的运行情况,两种控制参数的数值越高说明相应煤矿井下采煤设备工序的调度状态越佳,设备运行性能越好。

2、设备工序虚拟化调度应用过程。基于上一小节中分析的特征数据收集流程,通过VEIT-SAGA,设计并实现的煤矿井下采煤设备工序调度模型结构,将获取的数据保存到SQL Server 数据库后,采用函数接口加载到VEIT-SAGA 调度模型中,则某工业加工设备打磨器煤矿井下采煤设备工序通过VEIT-SAGA 形成的控制系数矩阵为:

将式的矩阵代入自适应遗传调度模型后获取的不同煤矿井下采煤设备工序的资源利用量值同实际测量的资源使用量间的误差值能够描述相应煤矿井下采煤设备工序的调度准确率。基于Matlab 计算与仿真软件的VEIT-SAGA 的煤矿井下采煤设备工序调度结果将在下文实验进行详细分析。

3、实验与分析

为了验证本方法的有效性,通过某工业采煤企业生产设备工序调用过程对本方法进行验证和仿真分析,采用Matlab 运算和仿真软件加载基于VEIT-SAGA 的煤矿井下采煤设备工序虚拟调度模型。采用本文算法对煤矿井下采煤设备工序调度数据进行预处理,结果可以看出采用本文算法对数据预处理后,所建立的模型在训练15 次后趋于稳定,模型的训练误差在0.0038,模型的检验误差大概在0.021,并最终趋于稳定。很显然,采用本算法数据预处理后的VEIT-SAGA 模型在训练精度和泛化能力上面都有很大程度的提高。由实验可知,本算法在选择合适的调度算子和适应度函数后,能够准确的对煤矿井下采煤设备工序进行调度,调度准确率高达95% 以上,比传统系统准确率提高了35%左右。满足了煤矿井下采煤设备工序调度要求,应用价值广阔。

基于VEIT-SAGA 的煤矿井下采煤设备工序调度方法,实验结果表明: 调度误差保持在0. 06 左右。实际的系统仿真说明,本文算法调度准确率高达95% 以上,比传统系统准确率提高了35%左右,具有较高的应用价值。

参考文献:

[1]程朋胜,谭光宇.非紧密衔接工序动态车间调度算法[J].机械工程学报,2015,44(1):10.

[2]王富荣,张宏.云计算环境下虚拟资源自适应调度策略[J].计算机测量与控制,2016,21(01):26.

[3]王小平,曹立明.遗传算法—理论、应用与软件实现[M].西安:西安交通大学出版社,2015.

[4]赵建勋,粗糙集知识约简中的蚁群优化算法研究[J].科技通报,2016,8:53-55

论文作者:李栋,何卫

论文发表刊物:《防护工程》2019年第6期

论文发表时间:2019/10/9

标签:;  ;  ;  ;  ;  ;  ;  ;  

煤矿井下采煤设备工序虚拟化调度方法论文_李栋,何卫
下载Doc文档

猜你喜欢