Оптимизация процесса принятия решений на производстве с помощью AnyLogic, технологии цифровых двойников и ИИ

Оптимизация процесса принятия решений на производстве с помощью AnyLogic, технологии цифровых двойников и ИИ

Обзор

Компания Engineering Ingegneria Informatica — специалист мирового уровня в области интеграции цифровых систем. Количество сотрудников компании превышает 11 000 человек. Одним из важнейших проектов компании является создание экосистемы платформ из более чем 50 офисов по всему миру, интегрирующей различные технологии. Эта платформа позволяет обмениваться данными, оцифровывать процессы, разрабатывать цифровые услуги и, как следствие, предоставлять преимущества пользователям, особенно с помощью методики 8D.

Lagor — итальянская компания, производящая ферромагнитные сердечники для силовых трансформаторов. Эта компания первой в Европе начала предоставлять услуги по резке электротехнической стали и остается лидером на рынке трансформаторных сердечников. Однако, наращивая производство и расширяя бизнес, компания столкнулась с трудностями в части масштабирования производственных процессов. Руководство Lagor решило обратиться к услугам Engineering для оптимизации производства, устранения узких мест и заторов в системе.

Проблема

Сердечники силовых трансформаторов состоят из множества слоев катушек и весят до восьми тонн. Производство такого сердечника проходит несколько циклов, число которых зависит от размера изделия и потребностей клиента.

Модель производства, созданная с помощью AnyLogic и технологии цифровых двойников

Модель производства, созданная
с помощью AnyLogic и технологии
цифровых двойников

Производство сердечников силовых трансформаторов начинается со сборки сердечника из тонких пластин стали до достижения желаемой толщины. Пластины остаются в стальном поддоне в течение всего производственного процесса. Эти поддоны перемещают между различными рабочими станциями с помощью роликовых или челночных конвейеров.

После сборки часть сердечников в зависимости от производственного цикла направляют на окраску и отверждение. По завершении производственных этапов все сердечники проходят контроль качества. Стальные поддоны никогда не снимают с конвейеров, даже когда они пусты.

Изначально планирование работы в цехе осуществлялось на короткий срок и без помощи каких-либо специализированных программных средств. Такой подход приводил к появлению повторяющихся проблем и заторов на конвейере. Наиболее действенным способом устранения крупных заторов была разгрузка краном скоплений сердечников и перезапуск всей производственной линии. Руководство Lagor обратилось к консультантам компании Engineering, чтобы повысить эффективность производственных процессов. Планировалось совместно оптимизировать работу конвейеров и усовершенствовать логистические методы в цехе.

Вид модели производства

Ограничения модели производства

Решение

Воспользовавшись возможностями AnyLogiс, консультанты создали модель, представляющую из себя цифрового двойника системы производства. Функции цифрового двойника позволили в режиме реального времени передавать данные из цеха непосредственно в имитационную модель, чтобы лучше разобраться в возникающих там проблемах и предсказывать, как будут проходить процессы на предприятии в перспективе. Разработчики использовали агентный подход, чтобы отразить в модели производственные особенности, такие как разные типы сердечников и соответствующие им производственные циклы, а также гибкий производственный план.

Цифровой двойник позволил воссоздать такие элементы производственного процесса, как:

Смоделировав цифрового двойника, консультанты настроили обмен актуальной информацией между производством и двойником через систему сбора данных SCADA. Специалисты также разработали в модели менеджера конвейеров — виртуального агента со встроенными эвристическими алгоритмами. Этот агент подбирал для каждой ситуации оптимальный маршрут, позволяющий предотвратить ненужные перемещения и возможные столкновения элементов на конвейере. Менеджер конвейеров прогнозировал возможные критические ситуации и следил, чтобы передвижения происходили по расписанию.

Оптимизированная с помощью обучения
с подкреплением модель последовательности
производственных процессов

Цифровой двойник цеха, работающий на основе реальных данных, позволил воспроизвести производственные процессы и процессы принятия решений, изучить производственную программу и удостовериться, что она выполнима без нарушений в расписании. Также инженеры компании Lagor могли использовать сценарии «что если», чтобы тестировать изменения в производственном процессе в безрисковой виртуальной среде.

Модель на этой стадии развития уже можно было использовать при планировании производства: она помогла бы избежать внештатных ситуаций и снизить затраты на производство. Тем не менее её возможности были ограничены. Несмотря на тщательное планирование объема производства и последовательностей процессов с использованием высокотехнологичной эвристики, заторы на предприятии всё же иногда возникали. Консультанты решили отказаться от сложных эвристических алгоритмов и разработать новый метод определения наилучшей последовательности операций.

Оптимизация производственного процесса
с помощью алгоритмов машинного обучения

Инженеры адаптировали возможности AnyLogic к нуждам проекта и разработали новое решение, основанное на обучении с подкреплением. Интегрировав библиотеку RL4J, которая была разработана компанией Skymind для глубокого обучения с подкреплением, в имитационную модель, инженеры научили агентов определять перемещения сердечников на производственной линии и направлять их к пунктам назначения. Имитационные модели представляют собой идеальную среду для тренировки агентов, которые связаны с алгоритмами ИИ.

Тренировка алгоритмов в этой модели происходит следующим образом. С самого начала обучения агент, подключённый к алгоритму, не связывает текущую позицию сердечника с действиями, которые можно над ним совершить, поэтому принимает случайные решения, иногда физически недопустимые (на видео ниже такие решения обозначены красными стрелками) и не приводящие к изменению состояния. В процессе обучения агент запоминает все действия и, пробуя новые комбинации, обнаруживает оптимальные последовательности перемещений сердечников. Каждый раз, когда сердечник достигает нужной станции, расположение элементов в моделируемом цеху вновь генерируется случайным образом, и эксперимент перезапускается. Опыт взаимодействия с производственной средой позволяет агенту находить лучшие решения в разных ситуациях. После обучения агента можно использовать для планирования операций на предприятии.

Модель полного производственного цикла,
оптимизированного с помощью обучения с подкреплением

Результат

Метод глубокого обучения с подкреплением помог выработать стратегию эффективного управления производственной линией и предупреждения заторов. Консультанты отразили в модели весь производственный процесс и обучили алгоритмы предотвращать даже маловероятные проблемы, что позволило оптимизировать планирование производства и снизить затраты. Залогом успеха проекта стала технология создания цифровых двойников на основе модели, построенной в AnyLogic. Технология позволила настроить обмен данными между реальной системой и её цифровой копией, а также внедрить в модель механизмы машинного обучения.

Узнайте больше о том, как интегрировать модель AnyLogic с искусственным интеллектом.


Посмотрите выступление Луиджи Манка на конференции AnyLogic или скачайте PDF-презентацию (на английском языке).

Похожие проекты

Другие истории успеха