Aperçu
La Société d'ingénierie Ingegneria Informatica est un spécialiste international dans le domaine de l'intégration des systèmes numériques. L'entreprise compte plus de 11 000 employés répartis dans plus de 50 bureaux à travers le monde. L'un de ses projets phares est un écosystème de plates-formes qui permettent à d'autres technologies d'interagir les unes avec les autres - échange de valeur, numérisation des processus, développement de services numériques, et la création de valeur pour les utilisateurs, en particulier grâce à l'effet de levier de huit.
Lagor est une société italienne produisant des noyaux ferromagnétiques pour les transformateurs de puissance. Lagor a été le premier en Europe à offrir un service de coupe d'acier électrique, et il reste le leader sur le marché de noyaux pour les transformateurs. Cependant, tout en augmentant la production et en développant l'entreprise, l'entreprise a dû faire face à des problèmes d'escalade des processus de fabrication. Lagor a engagé Engineering pour résoudre les goulots d'étranglement et les blocages dans le système de production pour l'optimisation de la fabrication.
Problème
Les noyaux de transformateurs de puissance sont faits de plusieurs couches de bobines, peuvent peser jusqu'à huit tonnes, et exigent différents cycles de production selon leur taille et les exigences spécifiques au client.
La production de noyaux de transformateurs de puissance commence avec la superposition des noyaux sur l'un l'autre pour atteindre une épaisseur désirée. Les matériaux restent sur une palette d'acier pendant tout le processus de production. Ces palettes se déplacent entre les différents postes de travail à l'aide de convoyeurs à rouleaux ou de navettes.
Vitrine de simulation de fabrication
Limites de simulation de fabrication
Tous les noyaux passent par le traitement, et certains continuent par une station de peinture et une station de durcissement, selon le cycle de production. À la fin, tous les noyaux subissent des tests. Les palettes d'acier ne sont jamais retirées de la ligne, même si elles sont vides.
Initialement, la planification des lignes de fabrication a été effectuée manuellement et pour de courtes périodes. Cette méthode a donné lieu à des problèmes récurrents où les objets sur la chaîne de production ont créé des goulots d'étranglement. La façon la plus pratique de résoudre les principaux blocages était de décharger les noyaux par une grue et de réinitier toute la ligne. Dans le but de rendre le processus plus efficace, Lagor a approché la société d'ingénierie. Ensemble, ils rationaliseraient les opérations des lignes de production et offriraient une meilleure gestion des mouvements des ateliers.
Solution
Avec l'aide des capacités de simulation de fabrication AnyLogic, les consultants ont créé un modèle qui fonctionne comme un jumeau numérique du système de production. Grâce à la technologie numérique de jumelage, ils seraient en mesure de transmettre des données en temps réel, directement à partir du champ d'opération, à un modèle de simulation de fabrication afin de mieux comprendre les problèmes et de prédire les performances futures de l'installation de production. Ils ont utilisé une approche basée sur le comportement des agents pour modéliser les caractéristiques uniques du projet, y compris la diversité des types de noyaux, les cycles de production connexes et un plan de production variable.
Simulation de séquençage du processus de production
optimisé avec l'apprentissage de renforcement
La technologie numérique de jumelage a permis de reproduire divers éléments de processus de production tels que :
- Palettes d'acier - ressources essentielles, où les noyaux sont logés sur la chaîne de production. Les règlements stipulent que les palettes ne doivent jamais être déchargées de la ligne.
- Les noyaux de transformateurs de puissance, qui se déplacent d'un poste de travail à l'autre en fonction des spécificités de leur cycle de production.
- Convoyeurs - composants porteurs de palettes, qui peuvent être statiques (roulement) ou mobiles (navette).
Politique d'apprentissage appliquée pour le processus de production optimisé
Après avoir conçu le modèle de jumeau numérique, les consultants ont connecté les données de l'installation de production au système de contrôle de surveillance et d'acquisition de données (SCADA) pour obtenir un état de ligne mis à jour. Ils ont également créé un gestionnaire de ligne - un agent virtuel, qui cherche l'itinéraire optimal pour chaque situation afin d'éviter les mouvements inutiles, anticiper les critiques possibles, résoudre les conflits, et en même temps, respecter les dates de livraison. Pour gouverner la ligne et obtenir de meilleurs résultats, le gestionnaire de ligne a utilisé des algorithmes heuristiques intégrés.
Simulation de l'ensemble du cycle de production
de fabrication optimisé avec un apprentissage de renforcement
Le jumeau numérique de l'atelier, fonctionnant avec les données réelles, a aidé à reproduire les processus de production et de prise de décision, à étudier le plan de production et à vérifier que le plan choisi était réalisable tout en respectant les dates de livraison. Avec le nouvel outil de simulation, à savoir jumeau numérique, les ingénieurs de Lagor ont pu réorganiser avec succès des séquences de production dans un environnement sans risque en utilisant une approche « what-if ».
Le système, en tant que tel, pourrait déjà être mis en œuvre dans la production et aider à éviter les problèmes et réduire les coûts. Néanmoins, le système avait des limites. Malgré une planification minutieuse de la capacité de fabrication et un calendrier de séquences utilisant des heuristiques savamment composées, il y avait encore des goulots d'étranglement occasionnels. Les consultants ont voulu se débarrasser de des heuristiques compliquées et développer une nouvelle méthode de détermination de la meilleure séquence de mouvement.
La flexibilité et la personnalisation du logiciel de simulation de processus AnyLogic ont permis aux ingénieurs de créer une solution d'apprentissage de renforcement. En intégrant le paquet d'apprentissage de renforcement profond RL4J de Skymind dans un modèle de simulation de fabrication AnyLogic, ils ont été en mesure de former des agents qui pourraient déterminer les mouvements des noyaux sur la chaîne de production et diriger les noyaux vers leur destination. Les modèles de simulation sont des gymnastiques parfaites pour les algorithmes d'IA, car ils représentent un environnement réaliste où les agents, tout en utilisant des algorithmes, peuvent être formés.
Dans ce cas, au début, l'agent d'apprentissage ne connaît pas le lien entre la position d'un noyau et les actions disponibles, de sorte qu'il prend des décisions aléatoires, qui sont parfois physiquement invalides (flèches rouges dans la vidéo ci-dessous) et n'entraînent pas un changement d'état. Au cours du processus d'apprentissage, l'agent stocke toutes les interactions dans sa mémoire et, en explorant de nouvelles actions, découvre de meilleurs mouvements. Chaque fois qu'il atteint la cible, la mise en page est randomisée, et la simulation est redémarrée. Une expérience riche d'interaction avec l'environnement permet à l'agent de déduire éventuellement les meilleures décisions pour une situation donnée. Après la formation, l'agent peut accomplir sa tâche d'une manière efficace et efficiente.
Résultat
L'apprentissage de renforcement en profondeur appliqué avec succès a abouti à une politique qui pourrait gérer efficacement les mouvements des lignes de production et éviter efficacement les goulots d'étranglement. Les consultants ont pu reproduire l'ensemble du processus de production et former les algorithmes de manière à éviter les derniers de goulots d'étranglement possibles, ce qui a permis une meilleure optimisation de la planification de la production et des économies financières. La clé du succès du projet a été la technologie de simulation numérique de jumelage avec AnyLogic, pour l'intégration transparente des données entre le système réel et sa réplique numérique, et les possibilités que le logiciel a fourni pour se connecter avec les technologies d'apprentissage des automates.
En savoir plus sur les raisons pour lesquelles intégrer les modèles AnyLogic et IA.
Regardez la vidéo de Luigi Manca, présentant cette étude de cas à la Conférence AnyLogic, ou téléchargez la présentation.
