Обзор
Молодая компания, развивающаяся в биотехнологической сфере и предоставляющая экспериментальное персонализированное медицинское лечение, решила использовать имитационное моделирование, чтобы оптимизировать процесс принятия решений при производстве нового продукта. Препарат проходил клинические испытания для получения разрешения на производство от Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (Food and Drug Administration, FDA), поэтому процессы на этапе производства не были до конца определены. Компания испытывала нехватку ресурсов, при этом продукцию необходимо было производить максимально быстро и без сбоев в поставках. Задачу осложняло то, что процесс производства лекарственных препаратов состоял из последовательных этапов и занимал несколько недель. При этом больным в терминальной стадии, которым предназначались медикаменты, было жизненно необходимо своевременно получить препарат.
Сфера высокотехнологичной персонализированной медицины требует очень больших вложений, особенно на ранних стадиях жизненного цикла продукта. Персонификация изготавливаемых препаратов, малый объём выпуска и постоянно изменяющийся цикл производства не позволяют сэкономить на масштабе. Компания хотела учесть эти факторы при планировании и тестировании среды будущего массового производства, а также выявления её узких мест. Для этого руководство обратилось к консультантам из Princeton Consultants для разработки имитационной модели будущего фармацевтического производства и оптимизации процесса принятия решений.
Проблема
Поскольку производственного процесса ещё не существовало, Princeton Consultants разработали модель производства и стратегию его планирования на основе синтетических данных. Модель должна была помочь консультантам определить, на какую максимальную производственную мощность могла выйти компания без потери качества, а также выявить возможные узкие места на производстве и оценить варианты их устранения. Из-за ошибки на производстве трудоемкий процесс пришлось бы начинать с самого начала, ресурсы были бы потрачены впустую, и, самое главное, пациент мог не дождаться препарата.
В половине производственных процессов использовалось небольшое количество оборудования. Оно было громоздким и дорогим, поэтому руководство решило не докупать оборудование, а оптимизировать его использование. Для этого нужно было определить порядок процедур и приоритетность выпуска продуктов на различных этапах производства в зависимости от того, насколько негативными могут быть последствия задержки на каждом этапе.
Еще одним дефицитным ресурсом был персонал. Высококвалифицированные операторы должны были проводить некоторые процедуры от начала до конца, даже если они длились несколько часов. Во время определенных процедур замена оператора была невозможна. В результате смены длились по 10-12 часов, из которых 4-5 часов операторы проводили в процедурной комнате. В этой ситуации переработки оплачивались очень высоко и при оптимизации должны были свестись к минимуму.
Приступив к работе над проектом по созданию модели фармацевтического производства, команда Princeton Consultants столкнулась с проблемами, связанными со спецификой задачи и необычными для проекта по имитационному моделированию:
- Поскольку процесс производства фармацевтической продукции не был завершен, у разработчиков не было статистики и показателей, с помощью которых можно было бы верифицировать правильность работы имитационной модели.
- Чтобы избежать сбоев в процессах, между этапами были введены большие резервные временные интервалы. Таким образом действительно удавалось минимизировать сбои, но при этом простаивало дефицитное оборудование, так как аппараты практически не использовались в это время. Необходимо было найти баланс и определить минимально возможную длительность интервалов между процессами.
- Прогон модели длился от 80 до 120 дней, при этом 90% времени тратилось на планирование, а не на сам прогон.
Планирование осложняло ещё и то, что с помощью одних и тех же ограниченных ресурсов одновременно производилось несколько препаратов. При этом к загрузке ресурсов нужно было относиться с повышенной осторожностью, чтобы избежать сбоев. Таким образом, с помощью моделирования консультанты хотели установить приоритетность процедур, свести к минимуму сбои, повысить эффективность использования ресурсов, сократить общую продолжительность производства и минимизировать переработки персонала.
Решение
Princeton Consultants выбрала AnyLogic в качестве платформы для разработки модели фармацевтического производства, так как программа позволяет использовать в одной модели одновременно агентный и дискретно-событийный подходы. При разработке модели консультанты воспользовались набором готовых экспериментов в AnyLogic для оценки и сравнения сценариев.
Блок-схема процесса производства
На ранних стадиях разработки модель отражала экспериментальный процесс клинических испытаний. Затем модель дополнялась новым функционалом. После каждой итерации проводилось тщательное тестирование. Подробные результаты и ключевые показатели фиксировались и анализировались командами консультантов и сотрудников клиентской компании, которые должны были определить адекватность используемых в модели допущений.
Чтобы определить оптимальную продолжительность резервных временных интервалов, были выполнены прогоны модели с различными параметрами и сценариями. При этом проводился учёт положительных изменений и возможных рисков, связанных со сбоем оборудования. Результаты моделирования позволили лучше понять, как согласовать необходимые процессы по времени и рассчитать оптимальные резервные интервалы.
Для перемещения агентов через точки с ограниченными ресурсами, удаления их из блоков текущего процесса и перенаправления на более ранние этапы процессов консультанты воспользовались базовым функционалом AnyLogic: динамическими событиями, моделированием блокировок и задержек в процессах. Текущее и будущее состояние агентов, а также зависящие от них и изменяющиеся графики работы отслеживались и передавались планировщику.
В результате моделирования консультанты посоветовали применять новую логику составления плана производства. Теперь для составления нового плана вместо ежечасного запуска планировщика к нему должны были обращаться только в случае необходимости. Например, если произошёл сбой при производстве какого-либо продукта, и производство нужно перезапустить. Сокращение горизонта планирования до более надежного интервала также улучшило производительность.
Результаты
Создание имитационной модели производства фармацевтической продукции сэкономило месяцы времени, которые ушли бы на планирование и расчёты. Модель позволила компании оценить возможные варианты изменения производственного процесса ещё до того, как предприятие начало работу. С помощью модели консультанты дали советы по отладке тех этапов производственных процессов, которые могут привести к сбоям или перерасходу ресурсов. В результате был разработан улучшенный, более надежный алгоритм планирования.
С помощью модели было установлено, что некоторые из предложенных изменений приведут к улучшению архитектуры процесса, но также наложат дополнительные требования к ресурсам и без того ограниченной системы. Руководство компании решило сосредоточить усилия на исследованиях в критических областях, чтобы сократить количество узких мест, где ресурсы максимально заняты. Имитационное моделирование помогло определить, сколько заказов может быть обработано за определенный период времени, и обозначить рекомендуемый срок для выполнения этих заказов. Компания получила ценные сведения о процессе производства фармацевтической продукции и, как следствие, определила политику планирования с наиболее рациональным использованием операторов без чрезмерных переработок и переполнения штата.
Посмотрите доклад, в котором Патрисия Рандаль рассказывает об этом проекте на конференции AnyLogic или загрузите PDF-презентацию (на английском языке).
