.png){kind=icon}
返回
Multi-objective load distribution optimization for hot continuous rolling mills based on an improved differential evolution algorithm
.png){kind=icon}
PRE
AI
DOI：10.1088/2631-8695/ae6975.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为提高强约束工况下负荷分配的可执行性和整体性能，提出了一种多机架热轧带钢轧机负荷分配的多目标优化模型。该模型结合实际生产约束，并通过基于差分进化的改进多目标算法求解，同时优化产品质量、能耗和设备运行稳定性。传统经验分配策略和现有多目标算法在处理耦合约束、运行干扰和高维决策变量时往往面临困难，可能导致早熟收敛、可行解比例低、帕累托前沿分布不均和工程性能不稳定。为解决这些问题，本研究将厚度控制、单位能耗、峰值功率抑制和负荷稳定性整合到一个统一优化框架中，并进一步引入自适应参数调整、混合变异策略和可行性优先选择机制，以提高搜索效率和帕累托解的可行性。研究使用多机架轧制数据集的通用子集评估所提方法。该算法在串列式冷轧机（TCM）的1、3和6流上的Hypervolume（HV）值分别达到0.824、0.817和0.808，优于对比算法。收敛性分析表明，在典型工况下，该方法在第200代的HV值达到0.817，具有稳定收敛和强优化能力。从工程角度看，三个数据集的平均厚度偏差（MTD）分别为0.21 mm、0.22 mm和0.24 mm，对应的单位能耗值分别为46.18 kWh·t⁻¹、46.93 kWh·t⁻¹和47.62 kWh·t⁻¹，峰值功率降低率为11.72%-12.48%，可行解比例分别达到93.28%、91.64%和89.57%。结果表明，所提方法在质量控制、能效和峰值负载稳定性之间实现了平衡，同时保持了高约束可行性和鲁棒性。总体而言，该优化框架为热轧带钢轧机多机架负荷分配提供了有效实用的解决方案，其发现也为轧制过程多目标优化和智能制造系统的多目标优化提供了有益见解。
Keyword:
hot continuous rolling mill
multi-objective load distribution
improved differential evolution
Pareto optimality
