概要
Engineering Ingegneria Informatica社は、デジタルシステム分野における国際的な会社です。同社は、世界中の50以上のオフィスに11,000人以上の従業員を擁しています。その主力プロジェクトの1つは、他のテクノロジーが相互に作用できるプラットフォームのエコシステムです。特に8つのレバレッジにより、価値の交換、プロセスのデジタル化、デジタルサービスの開発、ユーザーの価値の創造を実現します。
Lagor社は、変圧器用の強磁性コアを製造するイタリアの会社です。ラゴールはヨーロッパで最初に電気鋼切断サービスを提供し、変圧器コア市場のリーダーであり続けています。しかし、生産を増やしビジネスを拡大する一方で、同社は製造プロセスのスケーリングの問題に直面しました。そこでLagor社はエンジニアリング社と契約し、生産システムのボトルネックと障害を解決し、製造最適化を実現しました。
問題
電源トランスコアは、多くのコイル層で構成され、最大8トンの重量があり、サイズとクライアント固有の要件に応じて異なる生産サイクルを必要とします。
製造シミュレーションショーケース
製造シミュレーションの制限
電源トランスのコアの生産は、コアを重ね合わせることから始まり、それを目的の厚さにします。材料は、製造プロセス全体を通じてスチールパレット上に残ります。これらのパレットは、ローラーまたはシャトルコンベアを使用して異なるワークステーション間を移動します。
生産サイクルに応じて、すべてのコアが処理され、一部は塗装ステーションと硬化ステーションを通過します。最後に、すべてのコアがテストを受けます。スチールパレットは、たとえ空であっても、ラインから取り除かれることはありません。
当初、製造ラインのスケジューリングは手動で短期間行われました。この方法では、生産ラインのオブジェクトがボトルネックを生成するという問題が繰り返し発生しました。主要な詰まりを解決する最も実用的な方法は、クレーンでコアを降ろし、ライン全体をリセットすることでした。プロセスをより効率的にする目的で、Lagor社はEngineering社に協力を依頼し、両社で生産ラインの運用を合理化し、製造現場の動きの管理を改善することになりました。
解決策
AnyLogicシミュレーション機能の助けを借りて、コンサルタントは生産システムのデジタルツインとして機能するモデルを作成しました。デジタルツインテクノロジーを使用することで、生産施設からのリアルタイムのデータを直接製造シミュレーションモデルに送り、問題をよりよく理解し、生産施設の将来のパフォーマンスを予測します。本モデルは、関連する生産循環および可変生産計画の多様性を含むプロジェクトのユニークな特徴をモデル化するためにエージェントベースアプローチを使用しました。
生産プロセスのシーケンスシミュレーション強化学習で最適化
デジタルツインテクノロジーは、次のようなさまざまな生産プロセス要素の再現に役立ちました：
- スチールパレット–トランスのコアが生産ラインに収容されている重要なリソース。規則では、パレットをラインから降ろしてはならないことが規定されています。
- 電源トランスコア。生産サイクルの仕様に応じてワークステーション間を移動します。
- コンベヤー-パレット搬送コンポーネント。静的（ローリング）または移動（シャトル）の場合があります。
最適化された生産プロセスに適用された学習済みポリシー
デジタルツインモデルの設計後、コンサルタントは、生産施設からのデータを監視制御およびデータ収集システム（SCADA）に接続して、更新されたラインステータスを取得しました。また、ラインマネージャー（仮想エージェント）を作成しました。このエージェントは、不必要な移動を避け、起こりうる重要性を予測し、競合を解決し、同時に配達日を厳守するために、各状況に最適なルートを探します。ラインを管理し、より良い結果を達成するために、ラインマネージャーは組み込みのヒューリスティックベースのアルゴリズムを使用しました。
デジタルツインは、実際のデータを使用して、生産および意思決定プロセスを再現し、生産計画を調査し、選択された計画が納期を考慮しながら達成可能であったことを確認しました。新しいデジタルツインシミュレーションツールにより、Lagor社のエンジニアは、「what-if」アプローチを使用して、リスクのない環境で生産シーケンスを正常に再配置できました。
強化学習で最適化された製造生産サイクル全体のシミュレーション
そのため、システムはすでに実稼働環境に実装されており、問題の回避とコスト削減に役立っています。それでも、システムには限界がありました。高度に設計されたヒューリスティック（Heuristics/発見的教授法）を特徴とする慎重な製造能力計画とシーケンススケジューリングにもかかわらず、時折ボトルネックがありました。コンサルタントは、複雑なヒューリスティックを取り除き、最適な移動シーケンスを決定する新しい方法を開発したかったのです。
AnyLogicシミュレーションソフトウェアの柔軟性とカスタマイズ性により、エンジニアは強化学習ソリューションを作成しました。Skymind社のRL4J深層強化学習パッケージをAnyLogic製造シミュレーションモデルに統合することで、生産ライン上の強磁性コアの動きを判断し、強磁性コアを目的地に導くエージェントをトレーニングすることができました。シミュレーションモデルは、アルゴリズムにリンクされたエージェントをトレーニングできる現実的な環境を表すため、AIアルゴリズムに最適な環境です。
この場合、最初は、学習エージェントは強磁性コアの位置と利用可能なアクションの間のリンクを知らないため、ランダムな決定を行います。これは物理的に無効な場合があり（下のビデオの赤い矢印）、状態変化。学習プロセス中に、エージェントはすべての相互作用をメモリに保存し、新しいアクションを探索することで、より良い動きを発見します。ターゲットに到達するたびに、レイアウトがランダム化され、シミュレーションが再開されます。環境と対話する豊富な経験により、エージェントは、特定の状況に最適な決定を最終的に推論できます。トレーニング後、エージェントは効率的かつ効果的な方法でタスクを実行できます。
結果
深層強化学習の適用に成功した結果、生産ラインの動きを効果的に管理し、ボトルネックを効率的に回避できるポリシーが作成されました。コンサルタントは、生産プロセス全体を再現し、可能な限りボトルネックを回避する方法でアルゴリズムをトレーニングすることができ、生産計画の最適化と経済的な節約につながりました。プロジェクトの成功の鍵は、実システムとそのデジタルレプリカ間のシームレスなデータ統合のためのAnyLogicデジタルツインシミュレーションテクノロジーと、機械学習テクノロジーとの接続のためにAnyLogicが提供した可能性でした。
追加の情報は、why integrate AnyLogic models and AIをご覧ください。
The AnyLogic Conferenceでこのケーススタディを紹介するLuigi Mancaのビデオをご覧ください。プレゼンテーション資料をダウンロードも可能です。
