【技术实现步骤摘要】
一种基于机器学习的露天矿作业智能化调度方法及系统
[0001]本专利技术涉及矿业系统工程及调度优化
,具体涉及一种基于机器学习的露天矿作业智能化调度方法及系统
。
技术介绍
[0002]传统的露天矿作业调度采用两阶段算法实现,通过建立精确的数学模型实现矿流的优化配比,再通过动态规划实时分配车辆的运输路线
。
[0003]一般解决优化调度问题的方法分为精确方法和近似方法,精确方法包括“分支定界法
、
混合整数规划和分解方法”等,能保证全局最优解,但只能求解较小规模问题
。
对于大规模调度问题,通常采用近似算法,如“早期的遗传算法
、
模拟退火
、
粒子群优化算法”等
。
然而实际的露天矿生产作业存在很多不确定性因素,作业要素的状态会随着时间发生变化,传统启发式算法的求解大多是在已有基准问题或者小规模仿真调度环境下进行,难以适应实际生产中面对的动态状况
。
[0004]为了解决此类问题,能够满足作业中随生产状况发生变化而实时调度的要求,提出了基于数据的调度方法,进而构建出生产数据驱动的调度策略系统,用于较大规模露天矿作业的动态优化调度
。
技术实现思路
[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专 ...
【技术保护点】
【技术特征摘要】
1.
一种基于机器学习的露天矿作业智能化调度方法,其特征在于,包括:获取初始化参数;建立露天矿车辆装卸作业调度模型;收集实时信息并更新预测行驶时间
。2.
如权利要求1所述的一种基于机器学习的露天矿作业智能化调度方法,其特征在于:所述参数包括矿区装卸路网图,装载点集合
、
卸载点集合
、
车辆集合
、
初始化的装卸工作时长和行驶时长;
LT
=
{1,2
…
L}
表示装载点集合,
L
表示装载点数量,
ULT
=
{L+1,L+2
…
L+UL}
表示卸载点集合,
UL
表示卸载点数量,
T
=
LT∪ULT
表示作业区装卸点总集合,
S
=
{(i,j)}
表示装卸点路线集合,车辆
k∈K,K
表示车辆集合,表示车辆
k
在
i
点执行装卸任务的工作时长,
t
ij
表示从装卸点
i
到装卸点
j
的行驶时间
。3.
如权利要求2所述的一种基于机器学习的露天矿作业智能化调度方法,其特征在于:所述露天矿车辆装卸作业调度模型包括以最小化作业时间为目标函数,表示为:其中,为决策变量,当第
k
辆车从
i
装卸点到
j
装卸点时为1,否则为
0。4.
如权利要求3所述的一种基于机器学习的露天矿作业智能化调度方法,其特征在于:所述露天矿车辆装卸作业调度模型还包括车辆
k
油或量电量余量小于阈值,表示为:
er
k
≤ER
其中,
er
k
表示车辆
k
当前油量或电量,
ER
表示允许车辆分配任务的能量阈值;时序约束,保证每辆车先执行装载任务再执行卸载任务,表示为:时序约束,保证每辆车先执行装载任务再执行卸载任务,表示为:其中,表示车辆到达装卸点
i
的时刻,表示车辆到达装卸点
j
的时刻;满载约束
,
保证每辆车辆装载量不能超过满载容量
,
表示为:其中,表示矿卡
k
在装载点的装载重量,
Q
表示矿卡满载量;生产计划约束,表示为:其中,
P
表示最小生产量要求;采用粒子群算法求解后的到初始的分配方案,以适应度函数
fit
最高作为种群迭代更新策略
。
5.
如权利要求4所述的一种基于机器学习的露天矿作业智能化调度方法,其特征在于,所述露天矿车辆装卸作业调度模型还包括适应度函数,表示为:更新公式,表示为:更新公式,表示为:其中,
w
为惯性权重,
c1和
c2为学习因子,
r1和
r2为0到1之间均匀分布的随机数,和为粒子
i
在第
k
次迭代第
d
维位置和速度,
pbest
为粒子
i
搜索到最好的位置,
gbest
为种群经历的最好的位置
。6.
如权利要求5所述的一种基于机器学习的露天矿作业智能化调度方法,其特征在于,所述收集实时信息并更新预测行驶时间包括根据初始化参数和调度模型得到初始调度方案,车辆在执行过程中实时收集预测因子,训练更新路线行驶时间后,更新优化调度模型;选取车辆行驶时间的预测因子,包括路面类型
、
路段长度
、
路段坡度
、
车型
、
天气
、
车辆载重
、
路线车数和行驶时段;获取车辆当前位置
、
车型
、
载重
、
天气,根据矿区地图将真实矿区位置映射到矿区路网图中,...
【专利技术属性】
技术研发人员:赵耀忠,王洪宇,马广玉,王喜贤,张晓旭,王建东,怀维维,刘强,
申请(专利权)人:华能伊敏煤电有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。