一种检修工程多目标优化研究方法与流程

本发明涉及检修工程管理技术领域，具体涉及一种检修工程多目标优化研究方法。

背景技术：

众所周知，水电作为一种清洁能源，在环境治理不断深化、迫切需要优化能源结构的背景下，对改善大气环境，减少石化燃料污染物排放，提高环境质量有着举足轻重的作用。

水电站检修是电力安全生产中不可或缺的一环，现有检修模式是提前确定检修项目以及工期，项目和工期编排关系着检修质量、成本以及进度等多方面因素。检修计划是水电站检修工作必须遵循的先后工作次序，在实际检修项目实施过中，可以很大程度影响项目工期、项目资源乃至项目成本，是检修工程项目在质量可控的前提下按期完工、成本控制的重要保证。但是由于水电行业检修项目流程和计划依然大量依靠甘特图等传统的项目管理方法进行编制，在遇到大型或较为复杂的检修项目时难以发挥应有的效果，对水电站检修的项目管理优化迫在眉睫。

技术实现要素：

本发明提供了一种检修工程多目标优化研究方法，其应用时，可以建立基于多目标粒子群算法的优化模型，以“成本—工期—质量”为优化目标，实现水电站检修工程智慧检修的决策支持。

本发明所采用的技术方案为：

一种检修工程多目标优化研究方法，包括以下步骤：

s1、获取水电站检修工程领域工程工期、工程成本和工程质量的目标数据；

s2、根据获取的目标数据建立基于工程工期、工程成本和工程质量的多目标优化模型；

s3、对多目标优化模型进行求解处理，获得求解处理后的多目标优化模型；

s4、获取待优化水电站检修工程数据，将待优化水电站检修工程数据导入求解处理后的多目标优化模型进行运算，输出优化结果；

s5、将输出的优化结果进行展示，根据展示的优化结果进行研究分析。

作为上述技术方案的优选，在步骤s1中，所述目标数据包括工程工期目标函数、工程成本目标函数和工程质量目标函数，以及工期-成本的关系曲线、质量-成本关系曲线和工期-质量关系曲线。

作为上述技术方案的优选，所述工程工期目标函数表示为：

且t≦t0

其中，t为工程工期目标函数，n为分项工序的个数；ti为第i工序的实际持续时间，t0为计划总工期。

作为上述技术方案的优选，所述工程成本目标函数表示为：

且c≦c0

其中，c为工程成本目标函数，n为分项工序的个数，为第i工序在正常工期下的直接成本，α0为第i工序工期发生变化时的费用变化系数，α1为间接费用系数，α2为工期小于或大于计划工期的奖罚系数，为第i工序的正常持续时间，ti为第i工序的实际持续时间，c0为计划总成本。

作为上述技术方案的优选，所述工程质量目标函数表示为：

且q≦q0

其中，qi为第i工序的实际工序质量，ωi为权重，且

q0为计划工程最低质量。

作为上述技术方案的优选，假设第i个工序的实际工序质量qi是实际持续时间ti的非线性函数，则

其中，为第i工序的正常工序质量；为第i工序的正常持续时间。

作为上述技术方案的优选，在步骤s2中，所构建的多目标优化模型表示为：

目标：minz＝{t,c,-q}

约束条件：

其中，minz表示多目标优化模型的输出目标，s.t.表示多目标优化模型的约束条件，timin和timax分别表示第i工序的实际持续最小时间和实际持续最大时间。

作为上述技术方案的优选，在步骤s3中，利用多目标粒子群算法对多目标优化模型进行求解处理。

作为上述技术方案的优选，采用两个不同的测试函数先对多目标粒子群算法的有效性进行验证，两个测试函数中给定的学习因子为0.5，惯性权重为0.4。

作为上述技术方案的优选，所采用的两个测试函数分别为schafferfunction测试函数和kursawefunction测试函数。

本发明的有益效果为：

本发明以推进检修项目流程智慧化建设为要求，建立基于多目标粒子群算法的优化模型，以“成本—工期—质量”为优化目标，实现智慧检修的决策支持，进行了检修业务流程优化，对检修工程工期、质量、成本提出最优的检修方案，并且可通过检修数据存储并输出最优流程，不断实现检修流程最优化迭代，有利于智慧检修专家知识库建立，体现智慧检修决策支持。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的步骤示意框图；

图2为实施例1中工期-成本的关系曲线图；

图3为实施例1中质量-成本的关系曲线图；

图4为实施例1中工期-质量的关系曲线图；

图5为实施例1中测试函数schafferfunction的pareto曲线图；

图6为实施例1中测试函数kursawefunction的pareto曲线图；

图7为实施例2中的工程网络图；

图8为实施例2中多目标优化模型计算后得到的pareto曲面图；

图9为实施例3中多目标优化模型计算后得到的pareto曲面图；

图10为实施例4中多目标优化模型计算后得到的pareto曲面图；

图11为实施例5中多目标优化模型计算后得到的参数结果图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。

应当理解，术语第一、第二等仅用于区分描述，而不能理解为指示或暗示相对重要性。尽管本文可以使用术语第一、第二等等来描述各种单元，这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。

应当理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，单独存在b，同时存在a和b三种情况，本文中术语“/和”是描述另一种关联对象关系，表示可以存在两种关系，例如，a/和b，可以表示：单独存在a，单独存在a和b两种情况，另外，本文中字符“/”，一般表示前后关联对象是一种“或”关系。

应当理解，在本发明的描述中，术语“上”、“竖直”、“内”、“外”等指示的方位或位置关系，是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

应当理解，当将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，当将单元称作与另一个单元“直接相连”或“直接耦合”时，不存在中间单元。应当以类似方式来解释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本文使用的术语仅用于描述特定实施例，并且不意在限制本发明的示例实施例。如本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解术语“包括”、“包括了”、“包含”、和/或“包含了”当在本文中使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。

在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实施例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

实施例1：

本实施例提供了一种检修工程多目标优化研究方法，如图1所示：

包括以下步骤：

s1、获取水电站检修工程领域工程工期、工程成本和工程质量的目标数据；

s2、根据获取的目标数据建立基于工程工期、工程成本和工程质量的多目标优化模型；

s3、对多目标优化模型进行求解处理，获得求解处理后的多目标优化模型；

s4、获取待优化水电站检修工程数据，将待优化水电站检修工程数据导入求解处理后的多目标优化模型进行运算，输出优化结果；

s5、将输出的优化结果进行展示，根据展示的优化结果进行研究分析。

在步骤s1中，所述目标数据包括工程工期目标函数、工程成本目标函数和工程质量目标函数，以及工期-成本的关系曲线、质量-成本关系曲线和工期-质量关系曲线。如图2所示，对于工期-成本的关系，缩短工期，会引起直接费用的增加、间接费用和工程拖期费的减少；反之，延长工期，会引起直接费用的减少、间接费用和工程拖期费的增加。由于这种费用的变化相反，所以在总费用曲线上必有一个最低点即总成本最低，相应在横坐标上的时间坐标出现一个最佳工期。如图3所示，对质量-成本关系，存在一个最低点即总成本最低，相应在横坐标的时间坐标出现一个最佳质量。如图4所示，对于工期-质量关系，随着工期的延长，一定程度上可以提高质量，但根据边际效应递减规律可知，每增加△t而带来的△q会逐渐减少。

在检修工程实施过程中，对工程各阶段的进展程度进行管理，提出关于检修工程分项检修的工程工期目标函数：

且t≦t0

其中，t为工程工期目标函数，n为分项工序的个数；ti为第i工序的实际持续时间，t0为计划总工期。

工程成本由直接费用、间接费用及工程拖期费三部分组成。直接费用包括实现一项活动所需要的、直接用于该项活动的原材料、劳动力费用(保险费)和设备使用费用(租金)等。工程的间接费用包括与工程有关的管理费用、税金、代理费、保函手续费及其他有关费用。工程拖期费是指工程超前或滞后于目标工期是的奖励或惩罚成本，工程拖期费与工期线性相关。因此，提出工程成本目标函数：

且c≦c0

其中，c为工程成本目标函数，n为分项工序的个数，为第i工序在正常工期下的直接成本，α0为第i工序工期发生变化时的费用变化系数，α1为间接费用系数，α2为工期小于或大于计划工期的奖罚系数，为第i工序的正常持续时间，ti为第i工序的实际持续时间，c0为计划总成本。

检修工程质量的量化问题，采用0-1之间的数值来表示单项工作质量的可靠度，数值1表示质量可靠度最高，数值0表示质量可靠度最低。整个工程总的质量是通过对各单个工序质量进行加权得到，所述工程质量目标函数表示为：

且q≦q0

其中，qi为第i工序的实际工序质量，ωi为权重，且

q0为计划工程最低质量。

假设第i个工序的实际工序质量qi是实际持续时间ti的非线性函数，则

其中，为第i工序的正常工序质量；为第i工序的正常持续时间。

工程质量的标准一般都不能改变，然而若有赶工要求，劳动力在高工作强度和高工作压力下的表现非常不稳定，必然会影响工程质量。因此通常认为：单项检修工序的质量与持续时间存在相关性，相关研究表明二者之间存在非线性关系。当工期紧迫时，赶工会对质量水平造成影响，工期压缩量较小时，质量水平下降较慢；工期压缩量较大时，质量水平下降较快。当工期被压缩到一定范围后，工程质量会随着工期的缩短而急剧下降；而当工期超过正常工期后，工程质量随着工期的延长不会有明显的提高。

当项目同时对工期、质量、成本都有要求时，那么就需要建立多目标综合优化模型。因此，步骤s2中，所构建的多目标优化模型表示为：

目标：minz＝{t,c,-q}

约束条件：

其中，minz表示多目标优化模型的输出目标，s.t.表示多目标优化模型的约束条件，timin和timax分别表示第i工序的实际持续最小时间和实际持续最大时间。

在步骤s3中，利用多目标粒子群算法对多目标优化模型进行求解处理。多目标粒子群算法基本思想如下：

对种群进行初始化后，依据适应度支配的思想，把种群分为两个子群，其中一个称为非支配子集(pbest)，另一个则称为支配子集(pos)，满足：

至少使得xi支配xj。

在每次迭代过程中算法只对pos中粒子的速度和位置进行更新，并对更新后的pos中的粒子基于适应度支配思想与pbest中粒子进行比较，多目标粒子群算法步骤：

(1)初始化群体粒子群的位置和速度，计算适应值；

(2)根据pareto支配原则，计算得到archive集(存放当前的非劣解)；

(3)计算pbest；

(4)计算archive集中的拥挤度；

(5)在archive集选择gbest；

(6)更新粒子的速度、位置、适应值；

(8)满足结束条件，则结束；否则，转到第(3)步继续循环。

采用两个不同的测试函数先对多目标粒子群算法的有效性进行验证，两个测试函数中给定的学习因子为0.5，惯性权重为0.4。测试函数、主要步骤及测试结果如下：

测试函数schafferfunction：

min[x²,(x-2)²]

x∈[-5,5]

算法随机产生100个粒子的位置x和速度v；迭代500次后，得到pareto曲线如图5所示。

测试函数kursawefunction：

x∈[-5,5]

算法随机产生100个粒子的位置x和速度v；迭代500次后，得到pareto曲线如图6所示。

由此可见，在目标函数空间中，适应度值区域的边界也就是目标函数的有效界面。对于本发明中的两个测试函数而言，有效界面就是适应度值的左下边界(灰色边界)。从结果中以看出两个测试函数准确地给出有效界面，也即是多目标粒子群算法都能得到完整的pareto曲线，目标向量均匀准确地分布在有效界面上。

工期、成本、质量是检修项目管理的主要目标，同时实现工期最短、成本最低和质量水平最高是工程项目管理者希望达到的最佳状态，但是上述状态在实际工程中难以同时实现。三者之间互相影响互相制约，一般情况下，改变其中任何一个目标，另外两个目标不可避免的都会受到影响。因此，在对项目的目标进行优化时，不能只针对单一目标，应该将三大目标放在同等重要的位置上，利用多目标优化技术对三个目标进行均衡优化。只有这样，才能实现工期、成本最小化和质量水平最大化的工程总目标。本发明以工期、成本、质量为主要三大控制目标，基于多目标粒子群算法建立数学模型，对进行多目标均衡优化，为检修决策者提供较优的目标管理组合模式，指导生产计划的实行。同时可以智慧检修管理为基础内核，实现历史检修数据存储，通过数据积累进行优化迭代，并展示优化结果，建立专家知识库。

实施例2：

为了使研究全方位的覆盖水电站机组，本发明分别研究了混流式a修、轴流转浆式a修、贯流式c修的实际算例，其中混流式机组a修分别选取了大、中、小型机组，具有研究的代表意义，并在其中作插值处理，推广到整个各种大小的混流式机组a修过程。

本实施例以某43mw混流式机组a修为例：

(1)工程概况

首先选取某水电站43mw混流式机组作为中小型混流式机组检修的代表。由于水轮发电机检修在枯水期，因此可以认为影响工程质量的主要因素是工期和成本，自然和社会因素对检修影响较小。检修过程中要求按照工期、成本、质量均衡的原则。该分段任务要求在46天内完成，且要求质量可靠度不低于0.88。其中质量可靠度计算方式的根据是——检修合同显示：主设备完好率100％，其中一类率达90％及以上，设备优良率达80％及以上。通过公式得出质量可靠度：

0.6*0.05+0.9*0.9+0.8*0.05＝0.88

为了满足工程所要求的工期，并保证工程的成本和质量目标，工程管理者需要对工期进行合理的压缩，使工程实现工期－成本－质量目标的综合最优，根据表可建立本工程的网络图示例如图7所示。通过工程网络图(单项工期顺序)分析可知：

正常工期t＝52天，最长工期t＝88天，最短工期t＝44天，正常直接成本c＝47.3万元，正常质量可靠度q＝0.88。

(2)参数估计

1.质量权重的数据由检修公司业务专家及电厂维护人员根据历史经验及工序在整个检修过程中的重要性给定。

2.假设单个后可靠寿命期间情况下不工序在检修发生故障，则完成的工作质量可靠度为1.

3.根据检修工程实际情况及合同相关奖罚制度设定：在赶工期情况下的奖罚系数为1万元/天，与实际工期有关的间接费用根据相关测算得出为0.21万元/天。

(3)优化模型

此问题是一个多目标优化问题，即是在如何实现工期最短的情况下，达到成本最低，质量最高。根据相关参数及相关目标函数可以建立此实际问题的多目标优化模型：

目标：minz＝{t,c,-q}

约束条件

(4)实例求解与结果分析

此问题以各单项检修项目的持续时间作为问题的决策变量，因为单项工期一共由43项，故变量有43维，粒子群的粒子数设为300个，最大迭代次数设为600，每个粒子的位置和速度都是43维的向量，惯性权重选择0.4-0.6。

得到最终的pareto曲面如图8所示，从优化结果可得整个检修工程的优化工期为45.8天，整个工程成本为45.5万元，质量可靠度为0.8988，满足预定的目标要求。

利用多目标粒子群算法优化后的每个工序的实际持续时间如下表1所示，整个优化结果表明该方法可以使工程项目达到工期、成本、质量之间的平衡，并将工期、成本、质量都维持在一个较满意的水平。

表1

实施例3：

参照实施例2的方法，本实施例以某120mw轴流转浆式机组a修为例：

轴流a修实例求解与结果分析：经过运算，某120mw轴流转浆式机组a修，优化结果在：工期98.45天，成本91万，质量0.88的运算范围节点周围。得到最终的pareto曲面如图9所示。利用多目标粒子群算法优化后的每个工序的实际持续时间如下表2所示。

表2

实施例4：

参照实施例2的方法，本实施例以某58mw贯流式机组c修为例：

贯流c修实例求解与结果分析：经过运算，某贯流式机组c修，优化结果在：工期10.3天，成本7.3万，质量0.89的运算范围节点周围。得到最终的pareto曲面如图10所示。

实施例5：

本实施例对混流式机组a修分别选取了大、中、小型机组，并在其中作插值处理，以推广到各种大小的混流式机组a修过程。

最小二乘拟合插值：

通过输入43mw、250mw、600mw混流式机组a修已有工期计划表，得到相应数据，形成数据库，建立各类型机组之间的联系，进行最小二乘法插值拟合，从而得出混流式机组a修的总体模型。

假设有一组实验数据(xi,yi)，事先知道它们之间应该满足某函数关系yi＝f(xi)，通过这些已知的信息，需要确定函数f的一些参数。例如，如果函数f是线性函数f(x)＝ax+b，那么参数a和b就是需要确定的值。

如果用p表示函数中需要确定的参数，那么目标就是找到一组p，使下面的函数s的值最小：

这种算法被称作最小二乘拟合(least-squarefitting)。

假定同种机型a修单个项目保持不变的情况下，利用最小二乘原理对每种机型的a修单个项目的最短工期、正常工期、最长工期、α0费用变化系数、α1间接费用系数(管理办法)、α2奖罚系数、正常成本费用(万元/天)、正常质量、质量权重进行参数拟合，得到任意大小的装机容量的上述参数，再通过多目标优化得到最后的优化结果。225mw混流式机组a修计算参数结果如图11所示。

本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。