Обзор
Tata Steel работает на пяти континентах и занимает второе место среди наиболее географически диверсифицированных сталелитейных компаний. При годовом объеме производства нерафинированной стали в 33 млн. тонн Tata Steel - один из крупнейших производителей и поставщиков в сталелитейной промышленности. Продукция компании используется в машиностроении, строительстве, при производстве товаров массового потребления и др.
Проблема
Команда инженеров выявила что, оптимизировав внутреннюю логистику одного из сталеплавильных цехов, можно потенциально увеличить общую выработку предприятия. Необходимо было протестировать работу кранов и чугуновозов при различных параметрах конфигурации.
Было установлено, что в результате неэффективного распределения работы между кранами снижались объемы производства. Одна из причин могла заключаться в том, что управление кранами в большинстве случаев осуществлялось вручную и отдельно друг от друга. Необходимо было снизить влияние человеческого фактора при управлении оборудованием.
Производственный процесс в данном цеху начинается с прибытия промышленного вагона (torpedo) с расплавленным металлом на платформу. После этого металл переливается в ковш, который, в свою очередь, помещается на тележку (transfer car). Кран, работающий в зоне подвоза металла (torpedo bay), забирает этот ковш и переносит к станции десульфурации (desulphurization station). После очистки металл переливается обратно в ковш и при помощи тележки перемещается в зону заливания в ЛД-конвертеры. Другой кран забирает его оттуда и переливает металл непосредственно в конвертер (vessel). После этого кран возвращает пустой ковш в зону прибытия вагона.
Цель проекта состояла в том, чтобы выяснить, повлияет ли изменение внутренней логистики на улучшение производительности. Иными словами, инженеры хотели определить эффективный алгоритм работы кранов, снизив влияние человеческого фактора.
Сложная взаимосвязь между элементами системы стала одной из причин, по которой команда выбрала имитационное моделирование (ИМ) для решения проблемы. Кроме того, только ИМ позволяет работать с большим количеством переменных и неопределенностей в системе (время обработки металла в конвертере и на станции десульфурации, время обслуживания кранов и чугуновозов и т.д.).
Решение
На первом этапе необходимо было получить входные данные. Для этого команда провела полевое исследование, в ходе которого были собраны данные по работе каждой единицы оборудования за год. Помимо этого, были проанализированы показатели надежности оборудования, в частности средняя наработка на отказ и среднее время ремонта, а также сам ход работы.
Модель цеха, построенная при помощи AnyLogic, отражала весь производственный процесс от заполнения ковшей расплавленным металлом из прибывших вагонов до заливания его в конвертеры. Чтобы задать логику модели, команда использовала следующие параметры, полученные в ходе полевого исследования:
- Конвертеры доступны 87.5% моделируемого времени.
- Процесс десульфурации металла занимает 10 минут, после чего чугуновоз с очищенным металлом покидает станцию.
- Процесс заливания металла в ЛД-конвертер занимает около 10 минут. Значение данного показателя варьируется по статистическому распределению (максимальное значение – 15 минут).
- Путь ковша с расплавленным металлом от станции десульфурации до ЛД-конвертера занимает 5 минут.
Цель команды инженеров состояла в том, чтобы снизить время простоя ЛД-конвертеров и изменить логику работы кранов. С этой целью было создано три различных сценария типа «что если»:
- Оба крана из зоны заливания металла в ЛД-конвертеры используются для их наполнения.
- Один из кранов работает между станцией десульфурации и зоной, где находятся ЛД-конвертеры, а второй в основном занимается переливанием металла из ковшей в ЛД-конвертеры. Если второй кран занят, то первый берет на себя его функции.
- Сценарий 2 с возможностью подвешивать пустые ковши на высоте девяти метров над землей.
Для каждого сценария было запущено 90 экспериментов с варьируемыми значениями времени на обработку одной партии стали на станции десульфурации и времени простоя ЛД-конвертеров. Каждый эксперимент моделировал десять дней работы предприятия и собирал статистику.
Результат
Статистический анализ результатов экспериментов позволил определить сценарий, который был оптимальным с точки зрения использования кранов, времени простоя конвертеров и объема получаемой на выходе продукции (1 партия стали = 1, 65 тонн). Сценарий 3 показал наилучший результат: производилось минимум на 2 партии/день больше, чем в остальных сценариях, что потенциально приносило компании несколько миллионов долларов в год. Однако несмотря на то, что время простоя конвертеров снизилось, а производительность возросла, показатель использования кранов в зоне заливания все еще был высоким и составлял около 80%, что было нежелательно. Поэтому, чтобы избежать незапланированного простоя оборудования в результате поломки, инженерам нужно было разработать и внедрить план по профилактическому обслуживанию.
Благодаря возможности тестировать модель цеха в безрисковой среде при помощи AnyLogic, команда смогла внести изменения в систему внутренней логистики, не прерывая производственный процесс.
Для дальнейшей оптимизации цеха было решено добавить процесс загрузки лома в модель. С помощью имитационного моделирования команда собиралась также найти решение для оптимизации всей системы сталелитейного производства компании.
Вдобавок к этому, в целях улучшения процесса принятия решений команда планировала внедрить в модель искусственный интеллект.
Посмотрите видео выступления представителя Tata Steel с данным бизнес-кейсом на AnyLogic Indian Conference 2019
