Новый эксперимент в AnyLogic и обучение ИИ в Pathmind

Новый эксперимент в AnyLogic и обучение ИИ в Pathmind

В версии AnyLogic 8.7.4 появился новый эксперимент, который подключает модель к платформе для обучения с подкреплением Pathmind (Pathmind RLExperiment). Он объединяет возможности имитационного моделирования и искусственного интеллекта (ИИ).

Преимущества такого подхода хорошо заметны при работе с крупномасштабными и сложными системами: результаты, полученные с помощью ИИ, превосходят те, которые получены с помощью стандартных способов оптимизации.

В этой статье расскажем о новом эксперименте в AnyLogic и двух проектах компании Engineering Group, в которых они используют возможности платформы Pathmind.


Эксперимент для обучения с подкреплением в Pathmind

Начиная с AnyLogic 8.7.4, вы можете подключаться к веб-сервису Pathmind напрямую из AnyLogic. Сосредоточьтесь на моделировании и получении результатов, а Pathmind возьмет на себя сложный процесс тренировки ИИ-агентов.

Чтобы запустить эксперимент, вам понадобится версия AnyLogic не ниже 8.7.4. Вы можете обновить версию через интерфейс программы или просто скачать последнюю версию AnyLogic. В настройке и запуске эксперимента вам поможет подробная инструкция в справке AnyLogic.

Обратите внимание, что на данный момент для экспорта модели AnyLogic и обучения с ее помощью ИИ доступны платформы Microsoft Bonsai и Pathmind. Подробнее об интеграции имитационного моделирования и элементов искусственного интеллекта >>

На конференции INFORMS Business Analytics 2021 Луиджи Манка, руководитель направления имитационного моделирования и цифровых двойников в Engineering Group, представил два бизнес-проекта.


Оптимизация эксплуатации и технического обслуживания

Обучение с подкреплением помогло разработать стратегию технического обслуживания группы 24 ветровых электростанций и трех ремонтных бригад. Новая стратегия увеличила эффективность обслуживания на 30% по сравнению с той, которую разработали на основе традиционных эвристических алгоритмов.

pathmind-ru-1.jpg

Когда нужно отремонтировать или проверить оборудование на электростанциях, важно оптимально спланировать маршруты ремонтных бригад. В таких случаях традиционные подходы к планированию могут не сработать: часто они зависят от фиксированного набора параметров, принципов приоритезации работ, а также не учитывают экологические и производственные факторы. В результате такого планирования эффективность обслуживания может снизиться.

В свою очередь, стратегия технического обслуживания, определенная с помощью Pathmind, работает эффективнее, так как учитывает динамические изменения следующих параметров:

  • загруженности ремонтных бригад;
  • колебания показателей энергопотребления;
  • колебания показателей выработки электроэнергии для каждой ветровой установки;
  • случайного выхода из строя элементов системы и ухудшения их состояния;
  • неопределенности алгоритмов прогнозирования и управления состоянием (Prognostics & Health Management) оборудования;
  • работы энергосистемы в долгосрочной перспективе.

Чем больше данных, тем точнее обучение с подкреплением определяет эффективную стратегию. Благодаря этому методу машинного обучения вы получаете результаты на основе взаимозависимостей, которые можно упустить, используя традиционные методы, и которые могут показаться нелогичными. Эти результаты можно также визуализировать и проверить в имитационной модели.

Запустите модель и сравните результаты использования стратегии технического обслуживания Pathmind с результатами работы других эвристических алгоритмов.



Описание разработки этой модели вы найдете в видео, статье и блоге Pathmind. Все материалы на английском языке.


Оптимизация производства

Обучение с подкреплением позволило оптимизировать процессы перемещения деталей и снизило количество узких мест на сложной и высокоавтоматизированной производственной линии. В результате на заводе на 66% увеличилось количество одновременно обрабатываемых деталей и на 11% сократилось количество операций по их перемещению.

Для того, чтобы отразить работу завода, команда Engineering использовала моделирование в AnyLogic, в частности агентный и дискретно-событийный подходы, а также Библиотеку моделирования процессов. Разработанная модель стала средой для обучения алгоритма на платформе Pathmind.

Благодаря имитационной модели и платформе для обучения ИИ-агентов у операторов на заводе появился инструмент для планирования работы производственных линий. Теперь производственный процесс стал быстрее и гибче.

В модели ниже показано перемещение деталей по производственной линии.



Этот проект – продолжение работы по устранению узких мест на заводе с помощью имитационного моделирования и ИИ. Подробнее о предыдущей работе и созданию модели для оптимизации принятия решений на производстве >>


Индустрия 4.0: Применение глубокого обучения с подкреплением и машинного обучения (на англ.)


Луиджи Манка, руководитель направления имитационного моделирования и цифровых двойников в Engineering Group, рассказывает о двух проектах. Видео на английском языке.

Не пропустите новости о проектах, мероприятиях и улучшениях AnyLogic!


Похожие материалы