就地热再生施工中加热功率和行驶速度的控制方法与流程

1.本发明涉及一种加热功率和行驶速度的控制方法，更具体的说，尤其涉及一种基于红外线测温和遗传学算法的就地热再生施工中加热功率和行驶速度的控制方法。


背景技术：

2.截止2020年全国高速公路通车总里程已达15万公里左右，然而高速公路沥青路面并不是修好就可以一劳永逸地使用，其使用年限一般在10到15年之间。伴随着我国汽车保有量的不断增加以及通车时间的不断延长，导致还不到使用年限就出现道路开裂、行车噪音变大、松散、下陷等问题。沥青路面的结构一般分为上中下三层，出现上述问题的也往往是上面层4厘米以内的沥青混合料的结构，中面层和下面层依然性能良好，所以在对其进行维修保养时只需对上面层进行修复即可。而就地热再生技术可用于修复沥青路面4厘米以内的各种病害，所以其得到了广泛应用。
3.在进行就地热再生施工时，加热温度是一个需要严格把控的关键量，表面温度通常需要加热到170到190摄氏度之间，铣刨温度通常需要加热到80到90摄氏度之间。如果达不到加热温度要求，在铣刨时会造成集料破损，加大铣刨难度，造成能源浪费，而且会给压实的过程增加难度，出现摊铺机轮印，继而影响施工质量；如果加热温度太高的话，就会导致沥青过度老化，从而产生拥包、推移、达不到通车效果等情况，消耗大量能源。因此要想对整个施工过程进行有效把控，则需要记录大量温度数据，比如加热前的路面温度、加热后的路面温度、铣刨面温度、新加料温度等。但现在仍旧还采用人工现场测量记录的方式，该方式存在以下几种弊端：一是数据量太大，采用人工测量存在很大的不确定性，使得测量数据不全面不准确，而且纸质材料存档麻烦，查询费时费力；二是施工现场环境恶劣，长久以来会对作业人员的身体健康带来严重损伤；三是可能会存在人为篡改数据的情况，弄虚作假，影响施工路段的施工效果和工程验收。
4.为了使施工过程中沥青路面表层温度和铣刨温度都达到温度要求标准，又能最小化能源消耗，本文给出了就地热再生施工中加热温度监控的智能化方案：将热红外传感器与4g无线通信模块相结合设计出一款数据收发器，把采集的温度数据实时上传到云服务器的温度监控系统，并搭建了沥青路面的一维传热模型，同时利用ga研究了加热机组行进速度与加热功率的最优匹配，结合施工现场实情给出控制方案且从云端实现控制。


技术实现要素：

5.本发明为了克服上述技术问题的缺点，提供了一种就地热再生施工中加热功率和行驶速度的控制方法。
6.本发明的就地热再生施工中加热功率和行驶速度的控制方法，就地热再生施工通过就地热再生机组来实现，就地热再生机组包括由前至后依次排列的加热机组和铣刨机组，加热机组由一台或一台以上的加热机组成，铣刨机组由一台或一台以上的铣刨机组成；最前端的加热机的前端设置有采集加热前路面温度的第一红外阵列传感器，最后端的加热
机的后端设置有采集加热后路面温度的第二红外阵列传感器，最后端的铣刨机的后端设置有采集铣刨面温度和新加料温度的第三红外阵列传感器；其特征在于，加热机组的加热功率和行驶速度的控制方法通过以下步骤来实现：
7.a).校正传感器精度，利用红外阵列传感器测量恒温箱的温度变化，通过将测量温度值与恒温箱实际温度值做差的方式，得到红外阵列传感器的校正函数，实现对红外阵列传感器的校正；
8.b).采集温度信息，利用第一红外阵列传感器采集加热前路面的温度信息，利用第二红外热像仪采集加热后路面的温度信息，利用第三红外热像仪采集铣刨面温度和新加材料温度信息，并将采集的温度值利用校正函数进行校正；
9.c).建立沥青路面传热模型，将沥青路面看作为由上表面至铣刨面沿深度方向一维传热，基于输入热量和输出热量应满足自身内能的变化的能量守恒定律，建立沥青路面传热模型；
10.d).传热模型的求解，将沥青路面由上表面至铣刨面分割成定量数目的单元，把传热模型中时间与空间都连续的场替换为定两个离散单元节点上的物理量的集合，采用有限差分法求解算法对传热模型求解；
11.e).利用遗传算法求取最优解，首先获取加热机的最大加热热流密度q
max
和最小加热热流密度q
min
，以及沥青路面由上表面至铣刨面部位的导热系数、比热容和密度，然后以加热机的热流密度范围为q
min
～q
max
建立初始种群，以沥青路面的上表面温度大于等于180℃、距离上表面4cm基底处温度大于等于90℃时，才能满足热再生施工的温度要求，采用遗传算法ga求取加热机行驶速度和热流密度的最优解；
12.f).加热控制，控制加热机按照步骤e)中所求取的速度的最优解行进，同时控制加热机按照步骤e)中求取的最优热流密度对应的功率运行，既满足沥青路面再生施工过程中沥青路面表层温度和铣刨温度都达到温度要求标注，又能最小化能源消耗。
13.本发明的就地热再生施工中加热功率和行驶速度的控制方法，步骤a)所述的校正传感器精度具体通过以下步骤来实现：
14.a
‑
1).采集恒温箱温度，第一、第二和第三红外阵列传感器均采用相同型号的红外阵列传感器，采用测量精度高于0.1℃的高温恒温箱，将恒温箱调节至设定温度，利用红外阵列传感器测量其内部温度，得到元素个数与红外阵列传感器中ir传感器数目相等的集合，然后计算该集合的算术平均值，作为测量值；
15.a
‑
2).重复测量，在160℃至190℃的范围内依次逐步设定恒温箱的温度，重复执行步骤a
‑
1)，得到与恒温箱设定温度相对应的多组测量值；
16.a
‑
3).获取误差曲线，将步骤a
‑
2)中获取的测量值作为最小二乘法曲线拟合的数据，获得一次、二次和三次拟合曲线，继而得到三组经过处理的数据，把这三组数据和高温恒温箱最初设定的温度值作差获得相对应的误差曲线，从中选择误差最小的一条所对应的函数当作校正函数，用于对温度进行校正得到高精度温度值。
17.本发明的就地热再生施工中加热功率和行驶速度的控制方法，步骤b)所述的采集温度信息通过以下步骤来实现：
18.b
‑
1).红外阵列传感器区域划分，将红外阵列传感器的测量范围平均划分为2行、4列8个温度采集区域；
19.b
‑
2).路面加热前后温度的采集，利用第一红外阵列传感器对加热前路面进行温度采集，利用第二红外热像仪采集加热后路面进行温度采集，每个温度采集区域范围内求其算数平均值作为上传的温度数值，利用校正函数校正后获得加热前后路面温度值；
20.b
‑
3).铣刨面和新材料温度的采集，由于铣刨机进行铣刨的同时料斗也在向路面添加新料，而新料的位置处于车道的中间，所以测量铣刨后道路两侧的温度即可得到铣刨面温度，测量道路中间位置的温度即可得到新加料温度；
21.对第三红外阵列传感器已经划分好的8个温度采集区域，取左右两侧的4个温度采集区域分别求其算数平均值得出4个温度数据作为铣刨面温度值，取第三红外阵列传感器中间位置的4个细分场域分别求其算数平均值得出4个温度数据作为新加料温度值。
22.本发明的就地热再生施工中加热功率和行驶速度的控制方法，步骤c)所述的建立沥青路面传热模型具体通过以下步骤来实现：
23.c
‑
1).建立传热模型，由于加热机在加热沥青路面时其四周都是有密封罩密封防止热量散失的，且热量都是由温度较高的路表面向下层传递，所以将其看为沿深度方向的一维传热，建立如公式(1)所示的一维传热模型：
[0024][0025]
其中：q
z
为微元体上表面的热流密度，q
z dz
为微元体下表面的热流密度，单位为w/m2；ρ为微元体密度，单位kg/m3；c为微元体比热容，单位j/(kg*k)；t为微元体温度，单位k；t为加热时间，单位s；d
x
、d
y
、d
z
为微元体沿x、y、z坐标轴的长度，单位m，z轴方向与路面深度方向一致；
[0026]
c
‑
2).模型化简，将公式(1)中沥青路面的一维传热模型化简得：
[0027][0028]
本发明的就地热再生施工中加热功率和行驶速度的控制方法，步骤d)所述的传热模型的求解具体通过以下步骤来实现：
[0029]
d
‑
1).建立离散单元节点，沿路面的深度方向将沥青路面平均划分成有限个离散单元节点，每个节点进行标号，步长为δz；用t代表路面加热时间，每个时间间隔为δt，节点(i,m)代表时间
‑
空间位置，t
im
表示第i个深度节点在m时刻的温度；
[0030]
d
‑
2).有限差分法求解算，通过一阶向前有限差分方法对公式(2)偏微分方程求解，得：
[0031][0032][0033]
其中：q
zi
为第i个深度节点上表面的热流密度，q
zi δz
为第i个深度节点下表面的热流密度，
[0034]
根据傅里叶导热定律得：
[0035][0036][0037]
其中：q0为路面上表面的热流密度，单位w/m2；k
i
为第i个节点的导热系数，单位w/(m*k)。
[0038]
本发明的就地热再生施工中加热功率和行驶速度的控制方法，步骤e)所述的利用遗传算法求取最优解具体通过以下步骤来实现：
[0039]
e
‑
1).计算加热机热流密度，设加热机的数量为3台，3台加热机的型号一致，首先获取加热机的最小加热功率、最大加热功率、加热宽度和加热长度，进而计算出加热机的最大加热热流流密度q
max
和最小加热热流密度q
min
；
[0040]
e
‑
2).初始化种群，将每种加热机的功率组合定义为q1(i)，q2(i)，q3(i)，每个组合在遗传算法中都代表了一个个体；利用加热机对路表加热的热流密度范围取q
min
～q
max
，通过随机方法生成数目为100的初始种群；
[0041]
e
‑
3).建立适应度函数，由于加热机的传热面积为常数，不予考虑；当表层温度大于等于180℃、距路面4cm深度处的温度值大于等于90℃时，才能满足热再生施工的温度要求，把每个个体都代入传热模型(1)中计算温度数值，与此同时在适应度函数中作出约束条件：t
d
≥180，t
s
≥90；总热量可以反映出能耗的大小，热流密度之和越小，总热量也就越小，随之能耗也就越低，为了使能耗越低适应度越高，所以取其倒数，个体适应度公式如下：
[0042][0043]
其中：v为加热机行驶速度，l为加热机长度；t
d
为沥青路表面温度，t
s
为距路面4cm深度处的温度，即铣刨面的温度；c1、c2为惩罚因子，取10000；
[0044]
当沥青路表面和4cm基底处温度满足约束条件时，不设惩罚因子，适应度就越高；不满足约束条件时设置惩罚因子取10000，这样适应度就会越低，使其适应度值不满足被遗传到下一代的要求；
[0045]
e
‑
4).选择与繁衍，选用轮盘赌法作为选择算子，概率计算方法如公式(8)所示：
[0046][0047]
其中，f(i)为第i个个体的适应度值，n为种群中的个体数；
[0048]
e
‑
5).交叉，选用二进制单点交叉方式，对整个种群随机进行染色体配对，配对之后的染色体作为交叉对象；然后在配对后的每个个体中，随机产生一个介于0和染色体长度之间的整数作为交叉点；接着利用随机数发生器产生0到1的随机数，和设定的交叉概率作
比较，当随机数小于设定概率时进行交叉操作，否则重复该操作；交叉概率取值为0.6；
[0049]
e
‑
6).变异，选用适用于二进制的基本位变异，用变异概率对编码串中某一位或几位基因座的值做随机变异运算；变异概率取为0.03；
[0050]
e
‑
7).求取最优解，为了使结果最为逼近全局最优解、避免陷入局部最优的情况，针对不同的车速对每次遗传过程都进行了100次实验，并取100次实验结果的平均值作为最终的寻优结果；
[0051]
初始种群依据上述步骤依次循环迭代，指定迭代次数1000次，整个种群的平均适应度不断提高，直到趋于稳定，这时种群中适应度最高的个体就是最优解。
[0052]
本发明的有益效果是：本发明的就地热再生施工中加热功率和行驶速度的控制方法，首先通过设置第一、第二和第三红外阵列传感器，实现了对加热前后路面温度、铣刨面温度和新材料的温度测量，然后建立加热机的一维传热模型，并利用有限差分法对一维传热模型进行求解，然后根据加热机的最大、最小热流密度以及路表温度大于等于180℃、铣刨面温度大于等于90℃的约束条件和要求，利用遗传算法求取最优解，进而求出具有最低能耗时的加热机行驶速度和加热功率，既满足沥青路面再生施工过程中沥青路面表层温度和铣刨温度都达到温度要求标注，又能最小化能源消耗。
附图说明
[0053]
图1为本发明中就地热再生机组施工过程中的示意图；
[0054]
图2为本发明中红外阵列传感器的温度检测示意图；
[0055]
图3为本发明中温度测量值的一次、二次和三次拟合曲线示意图；
[0056]
图4为本发明中红外阵列传感器划分成8个温度采集区域的示意图；
[0057]
图5为本发明中沥青路面一维导热微元体的示意图；
[0058]
图6为本发明中所划分的有限节点的时间空间离散图；
[0059]
图7为具体实例中不同运行速度下的总热流密度的曲线图；
[0060]
图8为具体实例中不同运行速度下的总能耗曲线图。
[0061]
图中：1加热机，2铣刨机，3第一红外阵列传感器，4第二红外阵列传感器，5第三红外阵列传感器，6铣刨面，7新加料。
具体实施方式
[0062]
下面结合附图与实施例对本发明作进一步说明。
[0063]
如图1所示，给出了本发明中就地热再生机组施工过程中的示意图，其由3台加热机1和2台铣刨机2构成，加热机1在前、铣刨机2在后，最前端的加热机的前端设置有第一红外阵列传感器3，最后端的加热机的后端设置有第二红外阵列传感器4，最后端的铣刨机的后端设置有第三红外阵列传感器5。第一红外阵列传感器3实现对加热前路面温度的测量，第二红外阵列传感器4实现对加热后路面温度的测量。第三红外阵列传感器5实现对铣刨面温度和新加料温度的测量，由于铣刨机进行铣刨的同时料斗也在向路面添加新料，而新料的位置处于车道的中间，所以测量铣刨后道路两侧的温度即可得到铣刨面温度，测量道路中间位置的温度即可得到新加料温度。
[0064]
本发明的加热机组的加热功率和行驶速度的控制方法通过以下步骤来实现：
[0065]
a).校正传感器精度，利用红外阵列传感器测量恒温箱的温度变化，通过将测量温度值与恒温箱实际温度值做差的方式，得到红外阵列传感器的校正函数，实现对红外阵列传感器的校正；
[0066]
该步骤具体通过以下步骤来实现：
[0067]
a
‑
1).采集恒温箱温度，第一、第二和第三红外阵列传感器均采用相同型号的红外阵列传感器，采用测量精度高于0.1℃的高温恒温箱，将恒温箱调节至设定温度，利用红外阵列传感器测量其内部温度，得到元素个数与红外阵列传感器中ir传感器数目相等的集合，然后计算该集合的算术平均值，作为测量值；
[0068]
a
‑
2).重复测量，在160℃至190℃的范围内依次逐步设定恒温箱的温度，重复执行步骤a
‑
1)，得到与恒温箱设定温度相对应的多组测量值；
[0069]
a
‑
3).获取误差曲线，将步骤a
‑
2)中获取的测量值作为最小二乘法曲线拟合的数据，获得一次、二次和三次拟合曲线，继而得到三组经过处理的数据，把这三组数据和高温恒温箱最初设定的温度值作差获得相对应的误差曲线，从中选择误差最小的一条所对应的函数当作校正函数，用于对温度进行校正得到高精度温度值。
[0070]
由于热再生机组在加热沥青路面时是对一整个车道的路面进行加热，所以在测量热再生机组对沥青路面的加热温度时为确保数据精确，准确做法应该是测量场域范围内的温度。由于热再生机组在加热施工过程中路面温度可高达200摄氏度以上，并且施工环境复杂，工程测量对精度要求较高，鉴于此，本系统选用了具体型号为mlx90640_module的红外阵列传感器，其为非接触式24
×
32像素的红外阵列测温模块，测量误差范围为正负2摄氏度，正常工作温度范围在
‑
40
‑
85摄氏度，针对测量目标的温度范围在
‑
40
‑
300摄氏度，可以满足测量需求。测温模块测得的每一个温度数据都是该视场范围内全部物体的平均温度。其一共有768个ir红外线传感器，这些像素在空间上位置的行和列分布如图2所示。
[0071]
在实际实验过程中，量了160
‑
192摄氏度之间的33组数据，算数平均值为红外阵列传感器求得的768个温度点平均之后的数据，设定温度值是给高温恒温箱设定的温度值，如表1所示，给出了相应测量值与恒温箱的设定值数据：
[0072][0073]
以设定温度值作为真值，进行数据拟合得到拟合曲线作为校正值，把校正值和真值作差，得出误差曲线。如图3所示，给出了本发明中温度测量值的一次、二次和三次拟合曲线示意图，三次拟合得到的误差更小，拟合函数为：
[0074]
y＝
‑
0.0017x3 0.0069x2 0.9429x 158.0595
ꢀꢀꢀꢀꢀ
(9)
[0075]
b).采集温度信息，利用第一红外阵列传感器采集加热前路面的温度信息，利用第二红外热像仪采集加热后路面的温度信息，利用第三红外热像仪采集铣刨面温度和新加材料温度信息，并将采集的温度值利用校正函数进行校正；
[0076]
出于对数据精度和总体成本的综合考虑，在这三种不同的监测场景中，对红外阵列传感器采用了不同的数据处理方案。对于加热前和加热后的路面温度监测，因为分别固定在不同的机组车辆上，所以需要各采用一个红外阵列传感器；针对铣刨面温度和新加料温度监测，因为铣刨机进行铣刨的同时料斗也在向路面添加新料，而新料的位置处于车道的中间，所以测量铣刨后道路两侧的温度即可得到铣刨面温度，测量道路中间位置的温度即可得到新加料温度，这两种监测场景共用一个红外阵列传感器即可满足需求。如图4所示，给出了本发明中红外阵列传感器划分成8个温度采集区域的示意图。
[0077]
该步骤具体通过以下步骤来实现：
[0078]
b
‑
1).红外阵列传感器区域划分，将红外阵列传感器的测量范围平均划分为2行、4列8个温度采集区域；
[0079]
b
‑
2).路面加热前后温度的采集，利用第一红外阵列传感器对加热前路面进行温度采集，利用第二红外热像仪采集加热后路面进行温度采集，每个温度采集区域范围内求其算数平均值作为上传的温度数值，利用校正函数校正后获得加热前后路面温度值；
[0080]
b
‑
3).铣刨面和新材料温度的采集，由于铣刨机进行铣刨的同时料斗也在向路面添加新料，而新料的位置处于车道的中间，所以测量铣刨后道路两侧的温度即可得到铣刨面温度，测量道路中间位置的温度即可得到新加料温度；
[0081]
对第三红外阵列传感器已经划分好的8个温度采集区域，取左右两侧的4个温度采集区域分别求其算数平均值得出4个温度数据作为铣刨面温度值，取第三红外阵列传感器中间位置的4个细分场域分别求其算数平均值得出4个温度数据作为新加料温度值。
[0082]
c).建立沥青路面传热模型，将沥青路面看作为由上表面至铣刨面沿深度方向一维传热，基于输入热量和输出热量应满足自身内能的变化的能量守恒定律，建立沥青路面传热模型；
[0083]
如图5所示，给出了本发明中沥青路面一维导热微元体的示意图。
[0084]
该步骤具体通过以下步骤来实现：
[0085]
c
‑
1).建立传热模型，由于加热机在加热沥青路面时其四周都是有密封罩密封防止热量散失的，且热量都是由温度较高的路表面向下层传递，所以将其看为沿深度方向的一维传热，建立如公式(1)所示的一维传热模型：
[0086][0087]
其中：q
z
为微元体上表面的热流密度，q
z dz
为微元体下表面的热流密度，单位为w/m2；ρ为微元体密度，单位kg/m3；c为微元体比热容，单位j/(kg*k)；t为微元体温度，单位k；t为加热时间，单位s；d
x
、d
y
、d
z
为微元体沿x、y、z坐标轴的长度，单位m，z轴方向与路面深度方向一致；
[0088]
c
‑
2).模型化简，将公式(1)中沥青路面的一维传热模型化简得：
[0089]
[0090]
d).传热模型的求解，将沥青路面由上表面至铣刨面分割成定量数目的单元，把传热模型中时间与空间都连续的场替换为定两个离散单元节点上的物理量的集合，采用有限差分法求解算法对传热模型求解；
[0091]
求解公式(2)所示的传热模型有解析法和数值法两种，因为沥青路面多层的路面材料，应用解析法在进行公式推导和变换时非常复杂，数值法可以处理复杂的材料属性和几何结构，所以在本文采用数值法中的有限差分法对沥青路面加热温度场进行求解。如图6所示，给出了本发明中所划分的有限节点的时间空间离散图。
[0092]
该步骤具体通过以下步骤来实现：
[0093]
d
‑
1).建立离散单元节点，沿路面的深度方向将沥青路面平均划分成有限个离散单元节点，每个节点进行标号，步长为δz；用t代表路面加热时间，每个时间间隔为δt，节点(i，m)代表时间
‑
空间位置，t
im
表示第i个深度节点在m时刻的温度；
[0094]
d
‑
2).有限差分法求解算，通过一阶向前有限差分方法对公式(2)偏微分方程求解，得：
[0095][0096][0097]
其中：q
zi
为第i个深度节点上表面的热流密度，q
zi δz
为第i个深度节点下表面的热流密度，
[0098]
根据傅里叶导热定律得：
[0099][0100][0101]
其中：q0为路面上表面的热流密度，单位w/m2；k
i
为第i个节点的导热系数，单位w/(m*k)。
[0102]
e).利用遗传算法求取最优解，首先获取加热机的最大加热热流密度q
max
和最小加热热流密度q
min
，以及沥青路面由上表面至铣刨面部位的导热系数、比热容和密度，然后以加热机的热流密度范围为q
min
～q
max
建立初始种群，以沥青路面的上表面温度大于等于180℃、距离上表面4cm基底处温度大于等于90℃时，才能满足热再生施工的温度要求，采用遗传算法ga求取加热机行驶速度和热流密度的最优解；
[0103]
该步骤具体通过以下步骤来实现：
[0104]
e
‑
1).计算加热机热流密度，设加热机的数量为3台，3台加热机的型号一致，首先获取加热机的最小加热功率、最大加热功率、加热宽度和加热长度，进而计算出加热机的最大加热热流流密度q
max
和最小加热热流密度q
min
；
[0105]
e
‑
2).初始化种群，将每种加热机的功率组合定义为q1(i)，q2(i)，q3(i)，每个组合在遗传算法中都代表了一个个体；利用加热机对路表加热的热流密度范围取q
min
～q
max
，通过随机方法生成数目为100的初始种群；
[0106]
e
‑
3).建立适应度函数，由于加热机的传热面积为常数，不予考虑；当表层温度大于等于180℃、距路面4cm深度处的温度值大于等于90℃时，才能满足热再生施工的温度要求，把每个个体都代入传热模型(1)中计算温度数值，与此同时在适应度函数中作出约束条件：t
d
≥180，t
s
≥90；总热量可以反映出能耗的大小，热流密度之和越小，总热量也就越小，随之能耗也就越低，为了使能耗越低适应度越高，所以取其倒数，个体适应度公式如下：
[0107][0108]
其中：v为加热机行驶速度，l为加热机长度；t
d
为沥青路表面温度，t
s
为距路面4cm深度处的温度，即铣刨面的温度；c1、c2为惩罚因子，取10000；
[0109]
当沥青路表面和4cm基底处温度满足约束条件时，不设惩罚因子，适应度就越高；不满足约束条件时设置惩罚因子取10000，这样适应度就会越低，使其适应度值不满足被遗传到下一代的要求；
[0110]
e
‑
4).选择与繁衍，选用轮盘赌法作为选择算子，概率计算方法如公式(8)所示：
[0111][0112]
其中，f(i)为第i个个体的适应度值，n为种群中的个体数；
[0113]
e
‑
5).交叉，选用二进制单点交叉方式，对整个种群随机进行染色体配对，配对之后的染色体作为交叉对象；然后在配对后的每个个体中，随机产生一个介于0和染色体长度之间的整数作为交叉点；接着利用随机数发生器产生0到1的随机数，和设定的交叉概率作比较，当随机数小于设定概率时进行交叉操作，否则重复该操作；交叉概率取值为0.6；
[0114]
e
‑
6).变异，选用适用于二进制的基本位变异，用变异概率对编码串中某一位或几位基因座的值做随机变异运算；变异概率取为0.03；
[0115]
e
‑
7).求取最优解，为了使结果最为逼近全局最优解、避免陷入局部最优的情况，针对不同的车速对每次遗传过程都进行了100次实验，并取100次实验结果的平均值作为最终的寻优结果；
[0116]
初始种群依据上述步骤依次循环迭代，指定迭代次数1000次，整个种群的平均适应度不断提高，直到趋于稳定，这时种群中适应度最高的个体就是最优解。
[0117]
f).加热控制，控制加热机按照步骤e)中所求取的速度的最优解行进，同时控制加热机按照步骤e)中求取的最优热流密度对应的功率运行，既满足沥青路面再生施工过程中沥青路面表层温度和铣刨温度都达到温度要求标注，又能最小化能源消耗。
[0118]
具体实例：
[0119]
设3台加热机的参数如表3所示：
[0120]
表2
[0121][0122]
经计算可得加热机的最大加热热流密度为25600w/m2，最小加热热流密度为18000w/m2。
[0123]
在沥青路面就地热再生施工中，铣刨深度达到4cm即可满足施工需求，所以只需研究前4cm深度的材料属性即可，其热物性参数如表3.2所示。
[0124]
表3
[0125][0126]
共有三台加热机，将每种加热机组的功率组合定义为q1(i)，q2(i)，q3(i)，每个组合在遗传算法中都代表了一个个体。因为加热机功率的限制，加热机对路表加热的热流密度范围取18000w/m2—26000w/m2，编码方式选用二进制编码，因为二进制编码相对于其他编码方式更易于实现同时遗传操作也更容易实现。然后随机生成初始种群，初始种群规模如果太小，虽说一定程度上可以加快算法的收敛速度，但会使优化结果容易陷入局部最优解；种群规模如果太大将会导致计算效率降低，而且有可能只对适应度高的个体进行操作，影响最优解的搜索。设置初始种群数目为100，并通过随机方法生成。
[0127]
在遗传算法中，变异模拟的是生物在自然环境中因为多种原因小概率出现的基因突变，要想在已有空间得到最优解，务必有变异操作二进制编码中，“0”变为“1”，“1”变为“0”的过程会产生新的个体，这种对编码串上某个位置值进行改变的方法就是变异运算。交叉算子和变异算子相辅相成，一起完成对搜索空间的全局搜索和搜索。选用了适用于二进制的基本位变异，也就是用变异概率对编码串中某一位或几位基因座的值做随机变异运算。
[0128]
以3m/min的运行速度为例，通过实验100次取其平均值的方法得出三台加热机的最优热通量组合分别为23712w/m2，24463w/m2，18000w/m2，此时沥青路表温度和铣刨面温度在满足加热要求的同时又使得能耗最小。
[0129]
接下来分别分析了速度为2m/min—4m/min按0.1m/min依次增加车速共计21种不同车速的情况，经遗传算法求得相对应的最优热通量组合如表4所示，给出了不同速度下的最优加热热流密度组合。
[0130]
[0131][0132]
从上表可以看出，当运行速度在2.0m/min—2.3m/min时，三台加热机热流密度取设定的最小值18000w/m2即可满足施工温度要求；当运行速度继续增加在2.4m/min—3.2m/min时，最小热流密度已经不能满足温度要求，所以加热机的加热功率需要升高，当温度刚好达到要求时，此刻的能源消耗最低；当运行速度大于等于3.3m/min时，使用最大热流密度26000w/m2也无法满足温度要求。说明当加热机速度过快时，即使用最大加热功率也无法达到施工要求的温度条件。
[0133]
综上所述：在总热流密度最优组合中，第二台加热机的热流密度最大，第一台次之，第三台最小，为了满足施工时的温度要求，加热机组运行速度应在2.0m/min—3.2m/min之间。
[0134]
为使施工过程中总的能源消耗最低，接下来继续分析总体能源消耗与运行速度和加热功率之间的关系。总热流密度如式(10)所示计算：
[0135]
q
总
＝q1 q2 q3ꢀꢀꢀꢀꢀꢀꢀ
(10)
[0136]
加热机每加热一千米的总能量消耗如式(11)所示。
[0137][0138]
其中，加热机的长度为21m。s为常数，表示每台加热机的加热面积，为88.2m2。
[0139]
如图7所示，给出了具体实例中不同运行速度下的总热流密度的曲线图，如图8所示，给出了具体实例中不同运行速度下的总能耗曲线图，可见：当运行速度在2.0m/min—
2.3m/min之间时，虽然从图8可以看出总的热流密度最低，但是因为行驶速度过慢，加热时间大幅延长，总能耗反而比较高；当运行速度在2.4m/min—3.1m/min之间时，总热流密度在逐渐增加，也即三台加热机总的加热功率在逐渐增加，但是由于速度增加缩短了加热时间，总能耗反而较低；当运行速度等于3.2m/min时，总能耗有所增加；当运行速度超过3.2m/min时，已经不满足施工对于温度的要求。
[0140]
综上所述，加热机组的最佳运行速度为2.4m/min—3.1m/min，因为以此速度进行施工时的施工进展相对较快，同时在满足温度要求的条件下总体的能源消耗又达到最低。