优化纺织行业节水生产调度研究外文翻译资料

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

优化纺织行业节水生产调度研究

作者Lu Zhou Kun Xu Xun Cheng Yangyu Xu Qibo Jia

中国清华大学

摘要

纺织染色行业在染色时需要大量淡水，排放大量的废水，不可避免地会导致严重的水环境问题。 本文采用遗传算法优化染色生产进度，旨在通过优化染色和深度调度来减少淡水消耗。然后建立并开发了具有与动态遗传算法耦合的数据库和MATLAB程序的调度系统。 该系统在一家典型的纺织染色企业中实施，重新安排了约50-70个订单，意外订单插入作为案例研究。 结果表明，与传统生产调度相比，优化生产调度可以减少淡水消耗约18.4-21％。

关键词

纺织染色 节水 废水再利用 生产调度 遗传算法

前言

纺织染整行业对发展中国家中国和印度两大服装生产国来说，产值很大(Lin and Moubarak, 2013)。这个行业是国民经济中的支柱产业之一（Ranganathan et al.2007）。纺织染色行业在中国经济发展中起着重要的作用。根据中国纺织染整数据显示（Dong et al.2015），印染企业2014年产量达536.74亿米织布，产量约695亿，2015年完成工业总值823亿美元，出口额190亿美元。纺织染色行业不仅消耗大量的水和能源，还排放了难以修复的大量废水，纺织染色行业发展正面临挑战（Guo et al.2012），因为中国的污水排放标准比以前严格。此外，只是控制水处理污染，无法实现企业利润和环境效益的“双赢”目标。

针织织物通常使用间歇性容器染色，即织物浸泡在具有染料和辅助剂的容器中，同时跟着染色液体旋转。染色比例是重要参数，染色一批布总是需要10个步骤。 为提高染色质量，企业总是增加淡水消耗，造成大量的水资源浪费，大量排放出高化学需氧量（COD）的废水。 如何保证产品质量和高效率以及减少各种资源的消耗尤其重要。

已经表明，优化生产调度可以减少污染物的原始和过程排放，在很多领域都能应用诸如能源，化学（Liu et al。，2010），建筑和机械制造等（Gupta和Sivakumar，2006; Quadt和Kuhn，2007）。广泛研究采用优化生产调度方式，节约洗涤水，提高废水回用效率。 Hsu等人（2009）提出，染色过程不应单独处理，而应进行混合处理。此外，他使用混合整数规划模型来解决这个问题;该模型使用遗传算法实现最小延迟并满足交付时间。 Mendez等人（2006）给出了批量调度问题分类方法和如何优化模型。他还提出，有效性和效率是不同算法和模型的两个基准测试标准。 Wu和Chang（2003）采用数学建模模拟生产过程来控制污水的生成，并表明优化生产调度具有良好的经济和环境效益。研究结果表明，只注意提高生产效率的研究人员并没有将环境效益与优化运行调度的经济效益联系起来。Jiang等（2010）采用遗传算法解决连续生产染色企业优化生产调度问题，结果表明，优化调度降低了废水排放量的10％左右。此外，Chen（2009）将订单的颜色分为轻，中，深两种，并根据深度从浅到深染色织物，以淡化淡水。

但染色过程实际生产的顺序总是动态变化（Reeves，1995），它总是使用多目标优化算法（Sun et al.2011; Vidal et al.2013），需要几种不同的算法混合 解决这个问题。Lin等人 （2004）提出了一种强大的优化解决方案来解决动态变化操作问题。 Li和Ierapetritou（2008）提出，研究人员应该动态分析并比较不同的算法，以将不确定情况的通量设定在可接受的范围内。

目前，优化运行调度研究主要集中在提高生产效率，很少将优化运行调度与节水减排相结合。 本研究主要围绕染色生产，并通过改进遗传算法进行节水减排，利用优化调度模式对生产过程进行了讨论。 本文的组织结构如下。 第2节介绍了调度染色订单生产顺序的数学模型。 第3节通过使用优化调度系统应用案例研究。第4节提供了案例研究的结论。

2方式和模型

2.1现有染厂企业调度方式

现有企业的调度方式主要包括以下要点。

1. 交货时间是对任何订单的主要限制，特别是紧急或重要客户，此外，企业倾向于牺牲利润来获得良好的信誉和客户关系。
2. 如果有足够的订单完成，染色容器不能是空的，机器应该保持工作，以提高设备利用效率。
3. 订单合并意味着不同订单的布料类型，颜色，深度和生产过程应该放在同一个染色容器中。
4. 具有相同或相似颜色的顺序应由布颜色的深度包围，从浅到暗，以减少洗涤时间。

2.2优化生产调度策略

优化生产调度主要包括以下策略

1. 每个订单都可以在任何染色容器中生产。 如果订单大于机器的生产能力，则应分为几个部分。 具有相同类型，颜色，深度的小订单可以放在一个容器中。
2. 订单参数（客户名称，订单号，交货日期，重量，颜色，颜色深度，织物类型和其他要求）和淡水和废水的质量（体积，COD，电导率，颜色，悬浮固体 ）和温度可以从数据库系统获得。
3. 织物颜色分为八种颜色（Scholz等，2005），即红色，橙色，黄色，绿色，青色蓝色，紫色和黑色。 此外，每种颜色由颜色深度分为深色，中等色和浅色，由生产的实际染料吸收定义。 所有的假设都是基于实际的生产情况，特别是针织纺织品染色企业。 它不仅简化了计算，而且反映了实际情况（Jiang et al。，2010）。
4. 订单切换可以分为三个条件：在相同颜色和深度之间切换，在相同颜色和不同深度之间切换，以及在不同颜色和深度之间切换。 每种条件都会消耗不同的淡水。
5. 一个订单总是在实际生产中覆盖约10-12小时，但是在这个模型中，我们假定每个订单需要12小时，并且在生产中不停地简化计算。
6. 轻污染和重污染废水分别处理，冲洗废水直接再利用。

假设（1）简化了与一对一关系的订单和船只的问题。通过假设（2），在每个步骤中，很容易获得织物重量，颜色和其他细节，如织物流失率，输送时间以及废水的COD。通过假设（4），它简化了切换情况，即：相同颜色和黑暗之间的切换不需要洗涤，相同的颜色，但从浅色到深色的深度不同需要5立方米的淡水，不同的颜色和深度需要10 立方米的淡水。我们假设情况有n个船只和m个订单。这些顺序是x = {o₁，o₂，...，o_m}，o₁，o₂，/ /，o_m代表订单编号，这意味着船舶的订单分配计划和产品序列。 {o₁，o₂，/，o_n}表示在时隙1（{o_{n 1}，o_{n 2}，/ /，o _2n}）中完成的订单，订单在时隙2中完成，等等。 {o₁，o_{n 1}，/，o_{i*n 1}，/}表示第1艘船的最终序列，{o2，o_{n 2}，/，o_{i *n 2}，/}表示第2艘船的最终序列等等。

从矩阵A看，线数据表示每个时隙的生产序列，列数据表示每个染色容器的生产顺序。 以5艘船舶20艘次的生产情况为例，顺序为{19,5,11,3,13,18,1,8,6,15,20,10,7,12,14，16,4,2,17,9}。 时段1产生19，5，11，3，13个订单; 时隙2产生18,8,8,18,15个订单，等等。 第一染色容器的生产顺序为19,18,20,16; 第二染色容器为5号，1号，10号，4号等。 优化的目的是找到x的最佳序列，这不仅满足订单交货时间，而且可以最大限度地减少总洗涤水。

2.3建立生产数据库

我们根据典型棉花染色企业的现场调查，建立了数据库系统，包括订单数据，染料数据，辅助数据，能源消耗数据，淡水和废水数据。例如，我们从企业资源规划（ERP），企业生产测量部门的染料和辅助数据，每个容器的测量设备的能源和水消耗数据，而不是机器规格获得订单数据。订单数据库包含织物类型，颜色，织物减重，交货日期等信息。染料数据库包括染色率和染料COD。辅助数据库包含辅助化学成分信息。能耗数据库包括所有染色容器的能量消耗和染色机的细节，如浴比，体积和工作温度。废水数据库包括排放废水每一步的细节，如体积，COD，电导率，颜色，悬浮固体（SS）和温度。

2.4算法选择

算法是一系列完整准确的描述，给出了解决问题的明确指导，它代表了解决问题的策略方法。 最常用的进化算法是遗传算法（Moradi和Abedini，2012），粒子群优化算法（Esmin等，2015; Rashidi等，2013），蚁群算法（Gao et al.2013; Kefayat et al。 模拟退火算法（Mousavi和TavakkoliMoghaddam，2013），人造免疫系统算法（Van Peteghem和Vanhoucke，2013）和禁忌搜索算法（Ponsich和Coello，2013）。 不同的算法可能会使用不同的时间，空间或效率来完成相同的任务。 空间复杂度和时间复杂度用于测量算法的好坏。 不同的算法可以混合在一起来解决复杂的问题，例如作业车间调度问题（Meeran 和Morshed，2012）。

遗传算法是一种模仿自然选择规律的搜索启发式（Mitchell，1996）。 遗传算法可以直接在对象结构上运行，不需要对象连续或可导出。 遗传算法具有良好的全局优化能力（Bukhari et al。，2014），因为它使用了可以自动获取和优化搜索空间的概率优化方法，也可以自由调整搜索方向而没有任何规则。 因此，本研究采用遗传算法来解决问题。

2.5 遗传算法运用的应用

完成

计算最后一代适应度并输出最优调度序列

是否符合最终目标

确定循环的条件

每个人都按时交货

图1显示本研究遗传算法的计算程序。

遗传算法运算过程的细节如下。

编码：我们假设有m个订单，个体是有序序列。 每个个体包含1〜m随机值的m个基因，每个基因的值不同。

产生初始种群：随机生成N个个体初始种群，每个个体是问题的解决方案;

设置适应度函数：将目标函数y设为适应度函数;

（4）交叉和突变：两个交配的父母个体为S1和S2，后代个体为N1和N2。 该过程如图1所示。 2.首先，随机产生的基因片段P1和P2，X1是P1和P1之间P1位点的基因片段，Y1是P1和P2之间S1位点的基因片段，Z1是P2和P2之间位置的S1基因片段米 其次，与S2相似，基因交换即交换了亲本基因片段Y1和Y2，得到了S1 0和S2。 然后，基因突变，逆转基因片段Y2，得到N1，逆转基因片段Y1，得到N2。

5）结束条件：通过适应度函数测试N1和N2的后代，如果不符合要求，遗传操作无效，随机选择其他交叉位置，再次进行遗传操作。 当遗传操作达到最大进化次数时，输出最优解并结束程序。

2.6 参数选择

本文利用MATLAB 2010.b来实现遗传算法。 一个车间每周不会得到超过100个订单，所以我们可以假设人口n ＜＝100.从一系列测试中，我们发现当最大遗传时间m = 1000时，选择概率q1 = 0.8，交叉概率q2 = 0.8，突变概率q3 = 0.8，程序收敛性好，优化结果更好。

在这项研究中，人口规模是订单数量。 染色企业生产能力最大，人口规模在10〜100人左右。 如图3，随着人口规模的增加，迭代次数减少，而收敛时间增加。 该程序可能在7-20s中获得最佳生产顺序。

2.7 模型建立

2.7.1 变量定义

本节给出了建模的变量和参数

我们使用1到m对订单进行编号，并且x = {o1，o2，/ /，om}表示顺序序列，pi表示顺序为i的位置x

我们使用1到8来定义红色，橙色，黄色，绿色，青色，蓝色，紫色和黑色的颜色，并使用1到3来定义光，中和黑的颜色深度。 washi.j表示改变两个订单时洗涤水的消耗。 变量di表示订单i的交付日期。

变量dvi表示i级重污染废水的数量; dci表示i级重污染废水的COD; cvi表示i级轻污染废水; cci表示i级轻污染废水的COD浓度。

2.7.2约束条件

每个订单的完成时间不得晚于交付日期（公式（1）），如下所示：

其中，ceil（）表示舍入到最接近的整数，而ceil（pi / n）显示订单的生产日期。 pi表示顺序为i的顺序x的位置，n是时隙，di是阶数i的递送时间。

2.7.3 客观功能

（1）洗涤水的最小值（式（2））如下：

其中mj表示j容器应产生的顺序;sum;是j的总洗涤水; Pnj =1Pmj1ifrac14;1洗涤; oithorn;1THORN;是更改所有订单的顺序时的总洗涤水。

（2）废水质量变化的最小值（式（3）和式（4））如下：

式 （3）意味着重污染废水的质量变化最小， （4）意味着轻污染废水的质量变化最小。 其中d_c和c_c分别表示重污染和轻污染废水的平均COD。

（3）多目标优化改为单目标优化。

我们得到方程的权重系数。 （2-4）为а，в，у目标函数（方程（5））如下：

式中а，в，у是反映不同目标的重要性的优先级。i是样本平均值的倒数，xi;，eta;是染色企业实际生产中样本方差的倒数。 在这项研究中，我们假设减少废水排放比废水质量变化更重要，因此我们使用а=2，в= у=1

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[28663]，资料为PDF文档或Word文档，PDF文档可免费转换为Word