Введение: растущая потребность в точности планирования производства

Производственные операции зависят от точного секвенирования рабочих мест на нескольких рабочих станциях для достижения производственных целей, контроля затрат и поддержания своевременной доставки. Среди наиболее распространенных производственных схем - магазин потоков , где все рабочие места следуют одному и тому же линейному пути через серию машин или станций. Несмотря на его кажущуюся простоту, планирование магазина потоков - это вычислительно сложная проблема, которая непосредственно влияет на пропускную способность, время выполнения и использование ресурсов. Традиционные методы планирования - часто основанные на статических правилах или эвристических приближениях - борются за адаптацию к изменчивости, деградации машины и колебаниям спроса, которые характеризуют современные производственные среды.

Взрыв данных с датчиков Интернета вещей (IoT), корпоративных систем и сетей цепочки поставок открыл новый рубеж для оптимизации планирования. Применяя аналитику больших данных, производители могут выйти за рамки реактивного планирования в сторону прогнозного и предписывающего принятия решений. В этой статье рассматривается, как аналитика больших данных улучшает точность планирования потока, исследуются методы и технологии, участвующие, и обсуждаются преимущества и проблемы реализации.

Расписание Flow Shop

Магазин потоков состоит из машин, расположенных последовательно. Каждая работа должна обрабатываться на каждой машине в одном порядке, но время обработки может варьироваться в зависимости от машин и рабочих мест. Цель планирования заключается в определении последовательности рабочих мест, которая минимизирует показатель производительности - чаще всего [FLT: 2] безотказный [FLT: 3] (общее время завершения), но также и полная опоздание, среднее время потока или время простоя машины. Даже самая простая версия проблемы планирования потока потока, магазина перестановок (где порядок работы остается одинаковым на всех машинах), является NP-трудным для более чем двух машин. Это означает, что точные оптимальные решения становятся вычислительно неосуществимыми по мере роста числа рабочих мест и машин.

Обычно используемые подходы к решению включают правила отправки (такие как самое короткое время обработки или самая ранняя дата), конструктивную эвристику (например, алгоритм Джонсона для двухмашинных случаев) и метаэвристику (генетические алгоритмы, смоделированный отжиг, поиск табу). Хотя эти методы предлагают разумные решения в приемлемое время, они обычно полагаются на детерминированные или исторически усредненные данные и предполагают стабильное время обработки и доступность машины. В реальном производстве время обработки варьируется из-за мастерства оператора, качества сырья, износа инструмента и условий окружающей среды. Поломки машин и события обслуживания далее нарушают графики. Эти динамические факторы плохо улавливаются моделями статического планирования.

Ограничения традиционных подходов к планированию

Традиционное планирование потоковых магазинов демонстрирует несколько недостатков, которые становятся дорогостоящими в условиях большого объема или высокой изменчивости:

  • Отсутствие адаптивности: график, сформированный в начале сдвига, не может адаптироваться к событиям в реальном времени, таким как замедление работы машины, срочный заказ или нехватка материала.
  • Верность в среднем: Использование среднего времени обработки игнорирует дисперсию.Работа, которая обычно занимает 10 минут, иногда может занимать 25 минут, вызывая задержки пульсации.
  • Неспособность включить состояние машины: Традиционные модели рассматривают машины как идентичные и всегда доступные. Они игнорируют данные датчиков, указывающие на износ подшипника, температурные аномалии или сигнатуры вибрации, которые предсказывают неизбежный сбой.
  • Плохая интеграция с данными, поступающими в верхнюю/нижнюю часть потока: Расписание часто работает в отрыве от уровней запасов, времени выполнения заказа поставщиком или изменений заказа заказчиком, что приводит к неоптимальным глобальным показателям.

Эти ограничения вызывают интерес к методам, основанным на данных, которые могут постоянно поглощать свежие данные, неопределенность модели и рекомендовать адаптивные графики.Аналитика больших данных обеспечивает технологическую основу для таких методов.

Роль аналитики больших данных в планировании магазинов потоков

Аналитика больших данных относится к сбору, обработке и анализу больших, разнообразных высокоскоростных наборов данных для извлечения информации и поддержки принятия решений. В контексте планирования потоковых магазинов соответствующие источники данных обширны:

  • Датчики машин (температура, вибрация, энергопотребление, нагрузка на веретено, скорость)
  • Журналы производства (время начала / остановки, количество произведенных, количество отклонений)
  • Результаты проверки качества
  • Регистры технического обслуживания и рабочие приказы
  • Данные о цепочке поставок (доступность сырья, эффективность поставщиков)
  • Заказы клиентов (даты, приоритет, запросы на изменение)
  • Людские ресурсы (доступность операторов, уровень квалификации)

Аналитика превращает эти необработанные данные в действенный интеллект в четырех ключевых областях: интеграция данных, прогнозное моделирование, предписывающая оптимизация и адаптация в режиме реального времени.

Сбор и интеграция данных

Эффективная аналитика начинается с единого конвейера данных. Системы выполнения производства (MES), системы планирования ресурсов предприятия (ERP) и платформы IoT подают данные в централизованное озеро данных или склад. Для планирования потока магазинов крайне важно фиксировать каждое событие (например, запуск работы, машинное бездействие, проверка качества) и связывать его с идентификатором работы, идентификатором машины и идентификатором оператора. Расширенные инструменты интеграции данных могут обрабатывать потоковые данные с периферийных устройств и пакетные данные из устаревших систем. После интеграции проверки качества данных, такие как обнаружение вылета и отсутствие вычисления значения, гарантируют, что аналитика нисходящего потока не повреждена шумом.

Современные платформы, такие как Directus, позволяют производителям создавать индивидуальный бэкэнд, который соединяет различные источники данных через API, что облегчает управление и обслуживание данных планирования для аналитических движков. (Для получения дополнительной информации о подключении промышленных данных см. Directus)

Прогнозная аналитика для планирования

Прогнозная аналитика использует исторические данные и данные в реальном времени для прогнозирования будущих состояний. Ключевые приложения в планировании потокового магазина включают:

  • Предсказание времени обработки: Модели машинного обучения, обученные на исторических датчиках и данных процесса, могут прогнозировать время обработки конкретной работы с большей точностью, чем фиксированные средние. Например, модель регрессии может использовать данные износа инструментов, свойства партии материала и температуру окружающей среды для оценки времени, которое потребуется для работы на каждой машине.
  • Здоровье машины и оставшийся срок полезного использования (RUL): Вибрация и температурные режимы могут предсказывать предстоящие сбои за несколько часов или дней. Интеграция предсказаний RUL в планировщик позволяет ему избежать планирования рабочих мест на уязвимых машинах или группового профилактического обслуживания во время запланированных холостых окон.
  • Прогнозирование доходности качества: Анализируя прошлые дефекты в отношении настроек машины и характеристик работы, модели могут предсказать, какие рабочие места могут привести к отклонениям. Затем планировщик может перенаправить эти рабочие места на более точные машины или настроить параметры для снижения риска дефектов.
  • Модели прогнозирования временных рядов, обученные истории заказов клиентов, могут предвидеть краткосрочные всплески спроса, позволяя планировщику резервировать емкость или корректировать приоритеты секвенирования.

Исследование, опубликованное в журнале производственных систем , показало, что подход прогнозной аналитики сократил на 12% срок бездействия машины и на 18% по сравнению со стандартным генетическим алгоритмом, который использовал статические времена обработки. (см. Журнал производственных систем для соответствующих исследований.)

Рецептурная аналитика и оптимизация

В то время как предиктивная аналитика отвечает «что произойдет», предписывающая аналитика обращается к «что мы должны делать». В планировании магазина потоков предписывающие модели объединяют прогнозируемые входы с алгоритмами оптимизации для генерации почти оптимальных последовательностей. Методы машинного обучения, такие как обучение подкреплению (RL) и глубокие нейронные сети, могут изучать политику планирования непосредственно из данных. Например, агент RL может быть обучен в моделируемой среде магазина потоков для решения последовательности заданий, которые минимизируют общую взвешенную задержку. Агент наблюдает текущее состояние (размеры очередей, состояние машины, сроки) и принимает действия (выбор следующей работы), получая вознаграждения на основе производительности графика. Со временем агент обнаруживает стратегии, которые превосходят статическую эвристику.

Другой новый подход - использование цифровых двойников - виртуальных копий физического магазина, которые отражают его состояние в реальном времени. Цифровой двойник постоянно поглощает данные из цеха, имитирует влияние различных решений о расписании и рекомендует лучшую последовательность. Поскольку близнец может тестировать тысячи сценариев за секунды, он позволяет анализировать «что-если», что ранее было непрактичным.

Адаптация в реальном времени и динамическое планирование

Традиционное планирование генерирует фиксированную последовательность в начале горизонта планирования. Аналитика больших данных позволяет постоянно обновлять график по мере поступления новых данных. Например, если датчик обнаруживает, что температура машины повысилась, планировщик может немедленно выполнять задания по повторной последовательности, чтобы избежать этой машины до тех пор, пока она не выйдет из строя или не будет проверена. Аналогично, если поступает срочный заказ, система может оценить влияние на существующие обязательства и предложить пересмотренную последовательность. Эта адаптивность в реальном времени имеет решающее значение в таких отраслях, как автомобилестроение и электроника, где затраты на простои могут превышать 100 000 долларов в час.

Ключевые преимущества планирования на основе больших данных

  • Повышение точности: Прогнозы времени обработки данных и доступности машины уменьшают разрыв между запланированным и фактическим графиками. Это снижает частоту заказов на срочные заказы, сверхурочные и ускоренную доставку.
  • Повышенная гибкость: Динамическое перепланирование позволяет производственной системе поглощать сбои без значительного вмешательства человека.
  • Повышение эффективности: Благодаря минимизации времени простоя и избеганию узких мест в машинах общая эффективность оборудования (OEE) улучшается. Один производитель автомобильных деталей сообщил о 15%-ном увеличении пропускной способности после реализации планировщика с большими данными.
  • Экономия затрат: Улучшение планирования снижает затраты на хранение запасов (через более короткое время потока), снижает потребление энергии (путем группировки рабочих мест для сокращения циклов разогрева машины) и продлевает срок службы машины (путем предотвращения перегрузок и проактивного планирования профилактического обслуживания).
  • Движимая данными непрерывная оптимизация: Историческая аналитика может выявить коренные причины неэффективности планирования, такие как конкретная машина с высокой изменчивостью или поставщик с частыми поздними поставками, что позволяет систематически улучшать процессы.

Проблемы осуществления

Несмотря на свои обещания, аналитика больших данных для планирования потоковых магазинов не является решением для плагинов и игр. Производители должны решать несколько задач:

Качество и доступность данных

Данные датчиков могут быть шумными, неполными или непоследовательными в разных марках машин и винтажных моделях. Без строгого управления данными аналитические модели будут производить ненадежные результаты. Очистка, маркировка и синхронизация данных из десятков источников требует значительных первоначальных инвестиций в инфраструктуру и таланты в области обработки данных.

Интеграционный комплекс

Существующие MES и ERP-системы могут не быть разработаны для поддержки потоковых данных в реальном времени или для раскрытия API для внешней аналитики. Модернизация устаревшего оборудования с датчиками и периферийными вычислениями добавляет стоимость и сложность. Кроме того, интеграция прогнозирующих и предписывающих моделей в существующий рабочий процесс планирования часто требует пользовательского промежуточного программного обеспечения или платформы, такой как Directus, которая может организовывать поток данных между системами.

Пробелы в навыках

Разработка и поддержание передовых моделей аналитики требует специалистов по обработке данных, инженеров-программистов и инженеров-промышленников, которые понимают как производственные процессы, так и машинное обучение. Многие производители сталкиваются с нехваткой такого кросс-функционального таланта. Часто необходимо партнерство со специализированными аналитическими фирмами или инвестирование в повышение квалификации существующего персонала.

Управление изменениями

Менеджеры по производству и операторы цеховых этажей могут скептически относиться к алгоритмам «черного ящика», которые переопределяют их опыт. Успешное принятие требует прозрачных моделей, объясняющих их рекомендации, а также постепенного развертывания и обучения. Подходы «человек в кругу», когда система предлагает графики, и люди одобряют или изменяют их, могут построить доверие.

Стоимость и обоснование ROI

Внедрение комплексной платформы анализа больших данных предполагает аппаратное обеспечение (датчики, периферийные устройства, серверы), программное обеспечение (платформы данных, инструменты аналитики) и текущие эксплуатационные расходы. Для малых и средних предприятий ROI может быть не немедленным. Однако, поскольку стоимость устройств IoT и облачных вычислений продолжает падать, барьер для входа снижается. Многие поставщики предлагают масштабируемые решения, которые начинаются с пилота на одной производственной линии, прежде чем расширяться.

Примеры реального мира

Автомобильная сборка двигателя:] Крупный автопроизводитель развернул цифровой двойник для своей линии обработки головки цилиндра. Интегрируя данные о шпинделе в реальном времени с планировщиком обучения с подкреплением, линия сократила незапланированное простои на 30% и увеличила пропускную способность на 11% в течение шести месяцев. Система автоматически перенаправляла рабочие места, когда машина демонстрировала ранние признаки износа инструмента, предотвращая дефекты качества и незапланированные остановки.

Производство электроники: Производитель контрактной электроники использовал модели прогнозного времени обработки для переноса линии SMT (технология поверхностного монтажа) каждые 15 минут. Учитывая изменения вязкости припоя и влажности окружающей среды, прогнозный планировщик уменьшил дисперсию времени цикла и позволил компании предложить более плотные окна доставки своим клиентам. Оценки удовлетворенности клиентов улучшились на 22%.

Обработка пищевых продуктов: На заводе по розливу напитков аналитика больших данных объединила данные о вибрации машины с прогнозами порядка для планирования изменений между запусками продукта. Система предсказала оптимальные сроки очистки и обслуживания, сокращение простоев и отходов продукта. Завод добился снижения общих эксплуатационных расходов на 5%.

Для дальнейшего чтения реальных реализаций ресурсный центр Deloitte Industry 4.0 предоставляет подробные тематические исследования.

Будущие направления

Сближение аналитики больших данных с искусственным интеллектом (AI) и передовыми вычислениями будет способствовать дальнейшему преобразованию планирования цеха потока. Крайние устройства с бортовым машинным обучением могут обрабатывать данные датчиков локально, уменьшая задержку и позволяя обновлять планирование в реальном времени даже в объектах с ограниченным облачным подключением. Федерированное обучение методы позволят нескольким заводам обучать модели совместного планирования без раскрытия запатентованных данных, улучшая надежность модели в различных сочетаниях продуктов и конфигурациях машин.

Еще одним перспективным направлением является интеграция данных по всей цепочке поставок в решение о планировании. Когда инвентарь поставщиков в режиме реального времени и состояние логистики поступают в планировщик потоков, весь поток стоимости может быть оптимизирован, а не только одна производственная линия. Это согласуется с видением «автономной фабрики», где планирование, обслуживание, качество и логистические решения координируются интеллектуальной центральной системой.

По мере того, как аналитика больших данных созревает, проблема планирования потока — когда-то чисто комбинаторная задача — становится богатой данными, постоянно изучающей оптимизирующую среду. Производители, которые инвестируют в необходимую инфраструктуру данных и аналитические возможности, получат значительное конкурентное преимущество в отзывчивости, эффективности и контроле затрат.

Заключение

Планирование магазинов потока является краеугольным камнем производственных операций, но его сложность и восприимчивость к сбоям делают статические подходы неадекватными для сегодняшних требовательных производственных сред. Аналитика больших данных предлагает мощный набор инструментов - от прогнозного моделирования времени обработки и здоровья машины до предписывающей оптимизации с помощью обучения подкреплению и цифровых двойников - которые значительно улучшают точность планирования и адаптируемость. В то время как проблемы внедрения в качестве данных, интеграции, навыков и культуры должны быть решены, преимущества в повышении эффективности, гибкости и экономии затрат являются убедительными. По мере ускорения инициатив Индустрии 4.0 планирование на основе больших данных станет не только преимуществом, но и необходимостью для производителей, стремящихся к операционному совершенству.