Bessere Entscheidungsfindung mit Fertigungssimulation, der Technologie digitaler Zwillinge und künstlicher Intelligenz (KI)

Bessere Entscheidungsfindung mit Fertigungssimulation, der Technologie digitaler Zwillinge und künstlicher Intelligenz (KI)

Überblick

Engineering Ingegneria Informatica ist ein internationaler Spezialist auf dem Gebiet der digitalen Systemintegration. Das Unternehmen verfügt über mehr als 11000 Mitarbeiter in mehr als 50 Niederlassungen auf der ganzen Welt. Eines seiner Vorzeigeprojekte ist ein Ökosystem von Plattformen, die es anderen Technologien ermöglichen, miteinander zu interagieren, um Werte auszutauschen, Prozesse zu digitalisieren, digitale Dienste zu entwickeln und Werte für Benutzer zu schaffen, insbesondere durch den Einsatz von acht.

Lagor ist ein italienisches Unternehmen, das ferromagnetische Kerne für Leistungstransformatoren herstellt. Lagor war das erste Unternehmen in Europa, das einen Schneideservice für Elektroblech angeboten hat und es ist nach wie vor der Marktführer im Bereich von Transformatorkernen. Bei der Steigerung der Produktion und dem Ausbau des Geschäfts wurde das Unternehmen jedoch mit Problemen bei der Skalierung der Fertigungsprozesse konfrontiert. Lagor beauftragte Engineering Ingegneria Informatica mit der Behebung von Engpässen und Blockaden im Produktionssystem zur Fertigungsoptimierung.

Problemstellung

Kerne von Leistungstransformatoren werden aus vielen Wicklungsschichten hergestellt und können bis zu acht Tonnen wiegen. Sie erfordern je nach Größe und kundenspezifischen Anforderungen unterschiedliche Produktionszyklen.

Produktionssimulation mit der AnyLogic Fertigungssimulationssoftware und der Technologie digitaler Zwillinge

Produktionssimulation mit
der AnyLogic Fertigungssimulationssoftware
und der Technologie digitaler Zwillinge

Die Kernherstellung von Leistungstransformatoren beginnt mit dem Übereinanderschichten der Kerne, um die gewünschte Dicke zu erreichen. Die Materialien verbleiben auf einem Stahlpalette während des gesamten Produktionsprozesses. Diese Paletten bewegen sich zwischen den verschiedenen Arbeitsstationen mit Hilfe von Rollen- oder Shuttle-Förderbändern.

Alle Kerne durchlaufen die Bearbeitung. Einige durchlaufen - je nach Produktionszyklus - eine Lackier- und eine Aushärtestation. Am Ende werden alle Kerne getestet. Stahlpaletten werden nicht von der Produktionslinie entfernt, auch wenn sie leer sind.

Anfänglich wurde die Fertigungslinienplanung manuell und für kurze Zeiträume durchgeführt. Diese Methode führte zu wiederkehrenden Problemen, bei denen Objekte in der Produktionslinie Engpässe verursachten. Die praktikabelste Möglichkeit, größere Blockaden zu beheben, bestand darin, die Kerne mit einem Kran aus der Linie zu heben und diese vollständig zurückzusetzen. Mit dem Ziel, den Prozess effizienter zu gestalten, kam Lagor auf Engineering Ingegneria Informatica zu. Zusammen sollten sie den Betrieb der Produktionslinie optimieren und ein besseres Management der Bewegungen im Fertigungsbereich sicherstellen.

Vorzeigeprojekt Fertigungssimulation

Grenzen der Fertigungssimulation

Lösung

Mit Hilfe der Produktionssimulationsfunktionen von AnyLogic erstellten die Berater ein Modell, das als digitaler Zwilling des Produktionssystems diente. Mit der Technologie der digitalen Zwillinge können Echtzeitdaten direkt aus dem Einsatzbereich in ein Fertigungssimulationsmodell eingespeist werden, um Probleme besser zu verstehen und die zukünftige Leistung der Produktionsanlage vorherzusagen. Es wurde ein agentenbasierter Ansatz verwendet, um die einzigartigen Merkmale des Projekts zu modellieren. Hierzu zählten die Vielfalt der Kerntypen, die zugehörigen Produktionszyklen und ein variabler Produktionsplan.

Die Technologie der digitalen Zwillinge half bei der Abbildung verschiedener Elemente des Produktionsprozesses. Beispiele hierfür sind:

Nach dem Entwurf des digitalen Zwillingsmodells verbanden die Berater die Daten der Produktionsanlage mit dem Überwachungs- und Datenerfassungssystem (supervisory control and data acquisition system, SCADA), um einen aktualisierten Linienstatus zu erhalten. Sie erstellten auch einen Produktionslinienmanager - einen virtuellen Agenten, der für jede Situation den optimalen Weg sucht, um unnötige Bewegungen zu vermeiden, mögliche Probleme zu antizipieren, Konflikte zu lösen und gleichzeitig Liefertermine einzuhalten. Um die Linie zu steuern und bessere Ergebnisse zu erzielen, verwendete der Produktionslinienmanager eingebettete heuristische Algorithmen.

Simulation des Produktionsablaufs,
optimiert mit Reinforcement Learning

Der digitale Zwilling des Fertigungsbereichs, der mit den realen Daten arbeitete, half dabei, die Produktions- und Entscheidungsprozesse zu reproduzieren, den Produktionsplan zu untersuchen und zu überprüfen, ob der ausgewählte Plan unter Einhaltung der Liefertermine durchführbar war. Mit dem neuen digitalen Zwilling als Simulationswerkzeug konnten die Lagor-Ingenieure Produktionsabläufe in einer risikofreien Umgebung mit einem Was-wäre-wenn-Ansatz erfolgreich neu ordnen.

Das System als solches könnte bereits in der Produktion implementiert sein und dabei helfen, Probleme zu vermeiden und Kosten zu senken. Trotzdem hatte das System Grenzen. Trotz sorgfältiger Produktionskapazitäts- und Ablaufplanung mit hochentwickelten Heuristiken traten gelegentlich Engpässe auf. Die Berater wollten die komplizierten Heuristiken beseitigen und eine neue Methode zur Ermittlung des besten Bewegungsablaufs entwickeln.

Gelernte Strategien und ihre Anwendung
für den optimierten Produktionsprozess

Die Flexibilität und Anpassbarkeit der AnyLogic Prozesssimulationssoftware ermöglichte es den Ingenieuren, eine Reinforcement Learning Lösung zu erstellen. Durch die Integration des RL4J-Pakets von Skymind für tiefes Reinforcement Learning in ein AnyLogic-Fertigungssimulationsmodell konnten Agenten geschult werden. Sie bestimmten die Bewegungen von Kernen in der Produktionslinie und leiteten die Kerne an ihren Bestimmungsort. Simulationsmodelle eignen sich hervorragend für das Training von KI-Algorithmen, da sie eine realistische Umgebung darstellen, in der algorithmisch verknüpfte Agenten trainiert werden können.

In diesem Fall kennt der lernende Agent zu Beginn nicht den Zusammenhang zwischen der Position eines Kerns und den verfügbaren Aktionen. Daher trifft er zufällige Entscheidungen, die manchmal physisch ungültig sind (rote Pfeile im Video unten) und zu keiner Zustandsänderung führen. Während des Lernprozesses speichert der Agent alle Interaktionen in seinem Gedächtnis und entdeckt durch das Erkunden neuer Aktionen bessere Bewegungen. Jedes Mal, wenn ein Agent das Ziel erreicht, wird das Layout zufällig ausgewählt und die Simulation neu gestartet. Dank seiner umfassenden Erfahrung bei der Interaktion mit der Umgebung kann der Agent schließlich die besten Entscheidungen für eine bestimmte Situation ableiten. Nach dem Training kann der Agent seine Aufgabe effizient und effektiv ausführen.

Simulation des gesamten Produktionszyklus,
optimiert mit Hilfe von Reinforcement Learning

Ergebnis

Die erfolgreiche Anwendung von Reinforcement Learning führte zu einer Strategie, mit der Produktionslinienbewegungen effektiv verwaltet und Engpässe effizient vermieden werden konnten. Die Berater konnten den gesamten Produktionsprozess abbilden und die Algorithmen so trainieren, dass selbst kleinste Engpässe vermieden wurden, was zu einer besseren Optimierung der Produktionsplanung und zu finanziellen Einsparungen führte. Der Schlüssel zum Erfolg des Projekts war die AnyLogic Technologie für die Simulation digitaler Zwillinge, die eine nahtlose Datenintegration zwischen dem realen System und seiner digitalen Nachbildung ermöglichte sowie die Möglichkeiten, die die Software für die Verbindung mit maschinellen Lerntechnologien bot.

Erfahren Sie mehr über die Gründe für eine Integration von AnyLogic Modellen und KI.


Sehen Sie sich das Video der Präsentation von Luigi Manca bei The AnyLogic Conference an. Der Vortrag geht auf diese Fallstudie ein. Sie können auch die Präsentation herunterladen.

Ähnliche Fallstudien

Mehr Fallstudien