Optimisation des opérations de flotte AMR à grande échelle

Optimisation des opérations de flotte AMR à grande échelle

Les leaders de l’industrie automobile utilisent des robots mobiles autonomes (AMR) dans leurs installations de production pour améliorer la productivité. Dans cette étude de cas, Maximilian Selmair, ingénieur en flux de matériaux chez Tesla et ancien doctorant et chercheur en AMR de BMW Group, décrit les pratiques standard de l’industrie lors du déploiement de flottes de transporteurs à grande échelle et démontre comment la simulation dans AnyLogic Cloud aide à développer des algorithmes optimaux d’allocation des tâches.

Pourquoi AMR et pas l’AGV ?

Les robots mobiles autonomes sont plus performants que les véhicules à guidage automatique (AGV) car ils sont plus complexes. Les AMR ont de plus grandes capacités logicielles et naviguent à l’aide de cartes, sans avoir besoin de fils ou de bandes de guidage, de sorte qu’ils ne sont pas limités à des itinéraires fixes comme AGV. En conséquence, AMR sont plus flexibles dans les tâches qu’ils peuvent effectuer, et ils peuvent être redéployés rapidement avec seulement une mise à jour logicielle.

Par rapport à l’AGV, la technologie AMR moderne est considérée comme plus rentable grâce à des exigences d’infrastructure réduites et à un déploiement plus rapide qui n’entraîne pas d’interruptions de production.

Problème : Comment attribuer efficacement des tâches à une flotte automatisée

L’optimisation des opérations de transport de la ligne de production a deux objectifs. Principalement, l’optimisation ne devrait pas entraîner de tâches en retard. Et deuxièmement, la densité du trafic dans une installation de production devrait être minimisée.

Les tâches en retard entraînent des retards qui réduisent l’efficacité et augmentent les coûts. Pour BMW, éviter les arrêts de production était l’objectif principal des travaux d’optimisation liés aux opérations de transport.

Dans les installations de production, l’espace disponible pour les sentiers est une ressource limitée et, par conséquent, les transporteurs autonomes doivent partager des itinéraires avec des personnes et d’autres véhicules. La réduction du trafic a plusieurs effets souhaitables, notamment une sécurité accrue, moins de congestion et moins de tâches en retard.

La recherche visait à atteindre l’objectif de ne pas effectuer de tâches tardives avec un minimum de transporteurs en mouvement. Un défi que l’on peut généralement qualifier de problème d’affectation.

Solution : Simulation pour tester les méthodes d’affectation des tâches pour les AMR

Pour résoudre le problème de l’affectation, un modèle de simulation hybride d’une installation de ligne de production de véhicules a permis de tester diverses méthodes. Le logiciel de simulation AnyLogic, avec ses capacités de modélisation multi-méthodes et sa bibliothèque de manutention des matériaux (Material Handling Library) intégrée, a permis une modélisation rapide de l’espace de travail, y compris l’ajout de transporteurs automatisés. La simulation utilise à la fois des approches de modélisation basées sur le comportement des agents et des événements discrets.


Test d’algorithmes autonomes d’affectation de tâches de robots mobiles dans un modèle de simulation AnyLogic

Modèle de simulation pour tester les algorithmes d’affectation de tâches pour les robots mobiles autonomes (cliquez pour agrandir). Exemple de modèle cloud

Bien qu’AnyLogic inclue une variété de méthodes pour attribuer des tâches aux transporteurs, il offre également la flexibilité d’inclure du code personnalisé. L’utilisation de code personnalisé a permis de tester tout algorithme d’affectation susceptible de résoudre au mieux le problème d’affectation des tâches AMR. Lors des tests, l’heuristique et les méthodes exactes ont été analysées. Les méthodes exactes sont des algorithmes qui produisent toujours une solution optimale, comme avec l’optimisation linéaire. En revanche, les méthodes heuristiques sont basées sur l’approximation et peuvent ne pas être aussi précises que les méthodes exactes, mais sont généralement plus rapides.


Les méthodes testées lors de la conception d’un algorithme d’affectation de tâches pour robots mobiles autonomes

Les méthodes testées lors de la conception d’un algorithme d’affectation de tâches pour robots mobiles autonomes (cliquez pour agrandir)

Les résultats de recherche (en anglais) des tests des différentes méthodes dans un modèle de simulation AnyLogic montrent que l’algorithme d’affectation Jonker-Volgenant-Castanon (JVC) est supérieur lors de l’attribution de tâches aux transporteurs dans une installation de production de véhicules.

Analyse plus rapide des scénarios AMR grâce à la simulation dans le cloud

Après avoir créé le modèle de simulation pour tester différentes méthodes d’affectation, il a été nécessaire d’effectuer de nombreuses simulations. Chaque méthode d’affectation nécessitait des tests avec des variations de paramètres et dans différents scénarios.

Dans ce cas, 40 tailles de flotte différentes ont été testées par rapport à différentes méthodes d’affectation. Et, chaque exécution prenant deux heures pour calculer neuf heures de simulation, une solution capable d’accélérer le processus était la bienvenue.

La plate-forme AnyLogic Cloud est un environnement informatique évolutif qui permet une exécution parallèle. Cette capacité de calcul a permis une variation rapide des paramètres et des tests de scénarios multiples. Par exemple, les simulations pour les 40 tailles de flotte peuvent être exécutées simultanément. De plus, puisque les calculs s’effectuent sur des serveurs cloud, le modélisateur est libre de continuer à utiliser son ordinateur sans entrave.

Résultats : Un algorithme d’affectation de tâches AMR optimal

Par rapport au scénario de référence qui alloue les tâches en fonction de l’agent le plus proche, la méthode développée à partir de l’algorithme d’affectation JVC réduit le nombre de AMR requis de 30 %.

Dans un exemple de scénario de 7 500 tâches, la méthode traditionnelle nécessitait 58 transporteurs pour atteindre un total de trois tâches tardives. Pour l’algorithme qui a résulté des tests et de la recherche, seuls 42 transporteurs ont été nécessaires pour réaliser le même nombre de tâches tardives.

Une telle réduction du nombre de transporteurs AMR requis pour un niveau de service souhaité est significative en raison du coût initial élevé de AMR, par rapport aux AGV et aux méthodes manuelles.

La réduction du nombre de AMR nécessaires pour réaliser seulement trois tâches en retard sur 7 500 permet également d’atteindre l’objectif de minimiser la densité du trafic.

La combinaison de la simulation, pour la création d’un environnement de test, et de calculs dans le cloud, pour l’exécution des expériences, a permis le développement rapide d’un algorithme d’affectation personnalisé pour l’allocation des tâches AMR dans une installation de production de véhicules. L’algorithme a amélioré de 30 % l’affectation standard des agents les plus proches, atteignant ainsi les objectifs d’un faible taux de retard de tâche et d’une densité de trafic réduite.

Maximilian Selmair a présenté la recherche en anglais à la conférence AnyLogic 2021 :



Pour en savoir plus sur la simulation dans Anylogic cloud, consultez notre page AnyLogic Cloud dédiée.

Études de cas similaires

Plus d’études de cas

Obtenez une brochure avec des études de cas de l’industrie (en anglais)

Télécharger