Оптимизация работы крупного парка автономных мобильных роботов AMR

Оптимизация работы крупного парка автономных мобильных роботов AMR

Лидеры автомобильной промышленности используют автономных мобильных роботов на своих заводах для повышения производительности. В этой статье Максимилиан Селмайр, инженер-логист Tesla и в прошлом специалист по исследованию автономных мобильных роботов в BMW Group, описывает на реальном примере принятую в этой отрасли практику внедрения крупного парка такой техники в эксплуатацию и показывает, как AnyLogic Cloud помогает разрабатывать оптимальные алгоритмы распределения задач.

Почему автономные мобильные роботы вместо автоматически управляемых тележек?

Автономные мобильные роботы (AMR – Autonomous Mobile Robots) имеют ряд преимуществ перед автоматически управляемыми тележками (AGV – Automated Guided Vehicles). AMR обладают более широкими возможностями программного обеспечения и ориентируются в пространстве с помощью карты, не нуждаясь в проводах или направляющих. Поэтому они не ограничены установленными маршрутами, как тележки AGV. В результате роботы гибче в выполнении задач, и их легко адаптировать к новым процессам лишь с помощью обновления программного обеспечения.

По сравнению с тележками современная технология мобильных роботов считается более экономичной благодаря меньшим требованиям к инфраструктуре и более быстрому внедрению без остановки производства.

Проблема: как эффективно распределять задачи между роботами?

Оптимизация работы AMR на сборочных конвейерах преследует две цели. В первую очередь, она должна исключить задержку выполнения задач. Во-вторых, следует свести к минимуму интенсивность движения на объекте.

Опоздания в выполнении задач приводят к задержкам в работе конвейера, которые снижают эффективность работы завода и увеличивают расходы. Основной целью оптимизации работы роботов для BMW было недопущение незапланированных остановок производства.

На заводах пространство для передвижения ограничено, и в результате автономные роботы AMR вынуждены делить маршруты с другими транспортными средствами и людьми. Сокращение интенсивности движения дает положительные результаты, а именно повышает безопасность, снижает количество заторов и невыполненных вовремя задач.

Целью анализа было исключить опоздания в выполнении задач при минимальном использовании транспортных средств. В широком смысле проблема сводилась к эффективному распределению задач.

Решение: моделирование для проверки методов распределения задач между AMR

Имитационная модель автомобильного завода позволила протестировать различные методы распределения задач. ПО AnyLogic со встроенной Библиотекой производственных систем позволило быстро создать модель рабочего пространства, в том числе с добавлением в него автоматизированных роботов AMR.


Тестирование алгоритмов распределения задач для автономных мобильных роботов AMR в модели AnyLogic

Имитационная модель для тестирования алгоритмов распределения задач между мобильными роботами AMR (нажмите, чтобы увеличить)Пример модели.

Несмотря на то, что в AnyLogic уже включено множество методов назначения задач для роботов AMR, оно также позволяет добавлять пользовательский код. Использование пользовательского кода позволило проверить все алгоритмы, которые могли бы наилучшим образом решить проблему распределения задач между автономными мобильными роботами.

В ходе испытаний были проанализированы как эвристические, так и точные методы. Точные методы, например линейная оптимизация, – это алгоритмы, которые всегда дают одно оптимальное решение. Эвристические методы основаны на аппроксимации и могут быть не так точны, но, как правило, дают результат быстрее, чем точные методы.


Методы, которые тестировались при разработке алгоритма распределения задач между роботами

Методы, которые тестировались при разработке алгоритма распределения задач между роботами (нажмите, чтобы увеличить)

Результаты сравнительного анализа различных методов, выполненного с помощью модели AnyLogic, показывают, что алгоритм Джонкера-Волгенанта-Кастанона (Jonker-Volgenant-Castanon, JVC) превосходит остальные алгоритмы в назначении задач транспортерам на автомобильном заводе.

Более быстрый анализ сценариев работы AMR с помощью облачных вычислений

После создания имитационной модели ее нужно было запустить множество раз, чтобы с разными параметрами и для различных сценариев протестировать каждый метод распределения задач.

В данном случае все методы распределения задач были опробованы на сорока различных по численности парках автономных мобильных роботов. И поскольку каждый запуск модели требовал девять часов проведения модельных экспериментов и два часа вычислений, желательно было найти способ ускорить этот процесс.

Платформа AnyLogic Cloud – это масштабируемая вычислительная среда, в которой возможно выполнять параллельный запуск нескольких экспериментов. Ее вычислительные мощности позволили быстро изменять параметры и тестировать по несколько сценариев сразу.

Например, запуск модели для сорока разных по численности парков роботов мог выполняться одновременно. Кроме того, поскольку вычисления происходят на облачных серверах, проводящий эксперимент специалист может в это время использовать свой компьютер в других целях.

Результат

По сравнению с базовым сценарием, в котором задачи распределяются в зависимости от того, какой агент находится ближе, метод, разработанный на основе алгоритма JVC, позволяет уменьшить необходимое количество автономных мобильных роботов на 30%.

В примере сценария с 7500 задачами при традиционном методе требовалось 58 роботов для достижения показателя в три невыполненные вовремя задачи. Для метода, выбранного с помощью тестирования и анализа, для достижения такого же результата требовалось только 42 робота.

Такое сокращение числа автономных мобильных роботов, необходимых для поддержки желаемого уровня обслуживания, является весьма важным, поскольку первоначальные затраты на внедрение автономных мобильных роботов весьма высоки (по сравнению с автоматически управляемыми тележками и неавтоматизированными методами работы).

Сокращение числа мобильных роботов, необходимых для достижения показателя в три опоздания при выполнении 7500 задач, также помогает снизить плотность движения, что было одной из задач проекта.

Моделирование для создания экспериментальной среды и облачные вычисления для проведения экспериментов позволили быстро разработать пользовательский алгоритм для распределения задач между автономными роботами на автомобильном заводе. По сравнению с традиционным методом назначения задачи ближайшему роботу, новый алгоритм улучшил производительность на 30% и позволил выполнить основные цели проекта – снизить количество невыполненных в срок задач и плотность движения на объекте.

Максимилиан Селмайр представил результаты этого проекта на конференции AnyLogic 2021:


Узнайте больше о моделировании с использованием облачных вычислений на нашей странице об AnyLogic Cloud.

Похожие проекты

Другие истории успеха

Сборник историй успеха от пользователей AnyLogic

Скачать